CN111382632A - 目标检测方法、终端设备及计算机可读存储介质 - Google Patents
目标检测方法、终端设备及计算机可读存储介质 Download PDFInfo
- Publication number
- CN111382632A CN111382632A CN201811636043.3A CN201811636043A CN111382632A CN 111382632 A CN111382632 A CN 111382632A CN 201811636043 A CN201811636043 A CN 201811636043A CN 111382632 A CN111382632 A CN 111382632A
- Authority
- CN
- China
- Prior art keywords
- res
- value
- area
- target
- detected
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Withdrawn
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/13—Satellite images
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Astronomy & Astrophysics (AREA)
- Remote Sensing (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明提出了一种目标检测方法、终端设备及计算机可读存储介质,所述方法通过采用预设方法将海洋区域和陆地区域分离;利用扩展小波变换法在分离出的海洋区域内进行粗定位查找感兴趣区域;在感兴趣区域采用贝叶斯估计模型精确定位待检测目标所在位置区域;在定位到的待检测目标所在位置区域提取利于区分待检测目标和虚警的特征,通过提取的特征排除存在的虚警进而筛选出所需的待检测目标。本发明的方法通过利用扩展小波变换的方法定位到候选舰船的区域;能够克服复杂海况下舰船检测困难,本发明的方法具有很高的检测率,虚警率和漏警率相对较少,便于硬件实现。
Description
技术领域
本发明涉及海洋目标检测技术领域,尤其涉及一种目标检测方法、终端设备及计算机可读存储介质。
背景技术
海上舰船目标检测技术在民用和军用领域都有着极为广泛的应用前景。在民用领域,舰船检测可以用于海洋渔业监控管理、港口舰船航行管理控制等;在军用领域,目标检测技术可以用于监视非法船只如偷渡、海盗、恐怖袭击等方面,也可以评估作战效果、监视战时海面、侦查敌方战斗舰船、引导制导武器等。
随着分辨率的提高,图像细节丰富、结构特征明显,清晰的纹理特征为大中型舰船检测带来便利,平静海面通过特征提取与后续机器学习训练,算法的准确性较高;复杂背景下检测方法研究相对较少,而小型舰船由于其可用信息较少,检测仍然是个难点;由于弱小目标成像面积小、缺乏可用信息,加上背景中的碎云、海浪都对目标检测产生很大的干扰,与此同时,遥感图像数据量庞大,考虑到算法实时性,大部分算法不适用于在轨图像处理。
鉴于上述原因,有必要提出一个弱小目标在复杂海洋背景下的检测方法。
发明内容
本发明的主要目的在于提供一种目标检测方法、终端设备及计算机可读存储介质,旨在解决当海域灰度分布复杂,波浪、尾迹、云块干扰导致目标检测失败的问题。
为实现上述目的,本发明提供的一种目标检测方法,所述方法包括如下步骤:
步骤S10,采用预设方法将海洋区域和陆地区域分离;
步骤S20,利用扩展小波变换法在分离出的海洋区域内进行粗定位查找感兴趣区域;
步骤S30,在感兴趣区域采用贝叶斯估计模型精确定位待检测目标所在位置区域;
步骤S40,在定位到的待检测目标所在位置区域提取利于区分待检测目标和虚警的特征,通过提取的特征排除存在的虚警进而筛选出所需的待检测目标。
优选地,所述步骤S10包括:结合多光谱图像提供的冗余信息将海洋区域和陆地区域进行分离。
优选地,所述步骤S10包括:
步骤S11,通过绿波段的灰度值BG和近红外波段的灰度值BNir,计算待识别图像img0(图像大小为w*h)每个像素位置(i,j)的FunMSS值,计算方法为FunMSS=BG-BNir/BG+BNir,同时设定阈值threshold;
步骤S12,建立一幅和原始图像一样大小(w*h)全0图像img1;
步骤S13,判断img0每个像素位置(i,j)的FunMSS的值,若该值大于threshold,表示此处为海洋区域,用像素值255代替,将对应的img0(i,j)值置255,由此完成海洋和陆地的分离,白色区域为海域。
优选地,所述步骤S20中的扩展小波变换的算法流程包括:
步骤S21,将img0沿着垂直方向卷积高通滤波器G(Z1),得到第一层高频垂直细节系数:D1 1,大小为w*h;
步骤S22,将img0沿着水平方向卷积高通滤波器G(Z2),得到第一层高频水平细节系数:D1 2,大小为w*h;
步骤S23,将D1 1、D1 2各自取绝对值得到abs_D1 1、abs_D1 2;
步骤S24,将矩阵abs_D1 1、abs_D2 1点乘得到Res_VH
步骤S25,在窗口m0*m0内寻找Res_VH的局部极大值点pt={pt1,pt2,...,ptn},对应的值保存为Value={Res_VH(i1,j1),...Res_VH(ik,jk),...},共n个;
步骤S26,利用公式计算Tewt=ms+k*δs计算扩展小波变换的动态阈值Tewt,其中,ms为Value={Res_VH(i1,j1),...Res_VH(ik,jk),...}的均值,δs为Value={Res_VH(i1,j1),...Res_VH(ik,jk),...}的方差,k为经验参数,;
步骤S27,判断Value={Res_VH(i1,j1),...Res_VH(ik,jk),...}中的每一个值,如果它大于Tewt,则保存下它的位置坐标,这样得到新的坐标集:pt_new={pt1_new,pt2_new,...,ptm_new};作为粗定位查找的感兴趣区域。
优选地,所述步骤S25中采用局部极大值抑制的方法在窗口m0*m0内寻找Res_VH的局部极大值点pt={pt1,pt2,...,ptn},对应的值保存为Value={Res_VH(i1,j1),...Res_VH(ik,jk),...},共n个。
优选地,所述步骤S30中在感兴趣区域采用贝叶斯估计模型精确定位待检测目标所在位置区域的步骤包括:
步骤S31:以pt_new={pt1_new,pt2_new,...,ptm_new}中每一个点为中心,判断m1*m1大小范围内海陆分离图像img1的像素值,若m1*m1范围内,所有点的值都是255,则保留该中心点,否则删除该中心点,最后得到k个点pt_res={pt1_res,pt2_res,...,ptk_res};
步骤S32:以pt_res={pt1_res,pt2_res,...,ptk_res}为中心,在图img0截取m2*m2切片图像,得到k个切片图像img_s={img1_s,img2_s,…,imgk_s};
步骤S33:以pt_res={pt1_res,pt2_res,...,ptk_res}每个点为中心,统计每个窗口内贝叶斯模型T值:其中A大小为9*9,I大小为7*7,其中NI、NO、NA代表I、O、A区域的像素个数;代表I、O、A区域的灰度均值,最后得到关于T值一个数组:TBayesian={T1,T2,...,TK};
步骤S34,将TBayesian={T1,T2,...,TK}中满足T>TB的区域作为精确定位检测到的感兴趣区域,阈值TB可以通过动态阈值分割方法得到。
优选地,所述步骤S40包括:
步骤S41,计算步骤S204得到的感兴趣区域的切片的多向梯度值Δm,nI(x,y)8;
步骤S42,将步骤S41得到的8向梯度值参数输入到SVM分类器中,将对应切片图像进行分类,确认舰船切片,剔除虚警切片,得到待检测目标。
优选地,所述步骤S41中的多向梯度值的计算步骤包括:
切片图像I在任意一点(x,y)沿任意方向的梯度Δm_nI(x,y)为:
其中,m和n为水平和垂直方向的梯度步长因子,则该切片8点梯度的均值定义为:
Δm,nI(x,y)8=[Δm,0I(x,y)+Δ-m,0I(x,y)+
Δ0,nI(x,y)+Δ0,-nI(x,y)+
Δm,nI(x,y)+Δm,-nI(x,y)+
Δ-m,-nI(x,y)+Δ-m,nI(x,y)]/8。
此外,为实现上述目的,本发明还提出一种终端设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如上所述方法的步骤。
此外,为实现上述目的,本发明还提出计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现如上所述方法的步骤。
本发明目标检测方法通过采用预设方法将海洋区域和陆地区域分离;利用扩展小波变换法在分离出的海洋区域内进行粗定位查找感兴趣区域;在感兴趣区域采用贝叶斯估计模型精确定位待检测目标所在位置区域;在定位到的待检测目标所在位置区域提取利于区分待检测目标和虚警的特征,通过提取的特征排除存在的虚警进而筛选出所需的待检测目标。本发明的方法通过利用扩展小波变换的方法定位到候选舰船的区域;能够克服复杂海况下舰船检测困难,本发明的方法具有很高的检测率,虚警率和漏警率相对较少,便于硬件实现,此外,本发明的方法在感兴趣区域确定时,采用由粗到精的思路,初始定位采用扩展小波变换,精确定位时候采用贝叶斯估计模型,可精确定位到复杂海况的目标。
附图说明
附图作为本发明的一部分,用来提供对本发明的进一步的理解,本发明的示意性实施例及其说明用于解释本发明,但不构成对本发明的不当限定。显然,下面描述中的附图仅仅是一些实施例,对于本领域普通技术人员来说,在不付出创造性劳动的前提下,还可以根据这些附图获得其他附图。在附图中:
图1是本发明目标检测方法的基本流程示意图。
图2是本发明目标检测方法另一实施例的详细流程示意图。
图3是本发明目标检测方法中扩展小波算法流程图。
图4是本发明目标检测方法中涉及到的基于扩展小波变换和贝叶斯估计模型相结合的目标定位流程示意图。
图5(a)是原始图像,图5(b)是扩展小波变换的后三维显示图。
图6是步骤33中提到的A、I、O窗口示意图。
图7是本发明方法中8向梯度的示意图。
图8是一幅原始待检测图像。
图9是本发明方法中扩展小波变换后的定位结果。
图10是本发明方法中经过贝叶斯估计和8向梯度剔除部分虚警后的检测结果。
图11是带有云层干扰的的海面图像。
图12是本发明方法中扩展小波变换进行粗定位的感兴趣区域的图像。
图13是本发明方法中结合贝叶斯模型精定位得到的待检测目标的位置区域。
图14是本发明方法最后得到的检测结果。
图15是本发明实施例提供的终端设备的硬件结构示意图。
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
下面结合附图以及具体实施例对本发明实施例解决的技术问题、所采用的技术方案以及实现的技术效果进行清楚、完整的描述。显然,所描述的实施例仅仅是本申请的一部分实施例,并不是全部实施例。基于本申请中的实施例,本领域普通技术人员在不付出创造性劳动的前提下,所获得的所有其它等同或明显变型的实施例均落在本发明的保护范围内。本发明实施例可以按照权利要求中限定和涵盖的多种不同方式来具体化。
需要说明的是,在下面的描述中,为了方便理解,给出了许多具体细节。但是很明显,本发明的实现可以没有这些具体细节。
需要说明的是,在没有明确限定或不冲突的情况下,本发明中的各个实施例及其中的技术特征可以相互组合而形成技术方案。
本发明提出了一种目标检测方法,尤其涉及一种弱小目标在复杂海洋背景下的快速检测方法,旨在解决当海域灰度分布复杂,波浪、尾迹、云块干扰导致目标检测失败的问题。
需要说明的是本发明的目标检测方法尤其针对的是小目标,所指的小目标为基本上只占十几个或者几个像素的目标。
图1为本发明的目标检测方法的第一实施例的流程示意图,详述如下:
步骤S10,采用预设方法将海洋区域和陆地区域分离;
本发明一实施例中,为了便于检测到海洋区域中的待检测目标,预先将海洋区域和陆地区域进行分离,使得在后续的步骤中,可以直接将海洋区域作为初始的目标区域,减少陆地区域带来的干扰。
本发明中将海洋区域和陆地区域分离可以采用简单的阈值分割技术进行处理,在采用阈值化分割的处理方法中,可以预先对图像进行处理,例如可以改变图像灰度直方图曲线,使陆地区域和海洋区域的灰度特性差异较大,然后利用简单的阈值分割技术实现海洋区域和陆地区域的检测和分割。
此外,在本发明另一实施例中,还可以采用多光谱图像提供的冗余信息将海洋区域和陆地区域进行分离。
步骤S20,利用扩展小波变换法在分离出的海洋区域内进行粗定位查找感兴趣区域;
进一步地,在将海洋区域与陆地区域进行分离后,继续在海洋区域进行筛选,本实施例中预先采用扩展小波变换法进行粗定位,在海洋区域定位出感兴趣区域。
步骤S30,在感兴趣区域采用贝叶斯估计模型精确定位待检测目标所在位置区域;
进一步地,在步骤S30中通过扩展小波变换法进行粗定位找到的感兴趣区域采用贝叶斯估计模型进行精确定位,进一步在感兴趣区域找到待检测目标所在的位置区域。
步骤S40,在定位到的待检测目标所在位置区域提取利于区分待检测目标和虚警的特征,通过提取的特征排除存在的虚警进而筛选出所需的待检测目标。
进一步通过在定位到的待检测目标所在位置区域进行后处理,通过提取利于区分待检测和虚警的特征来将虚警剔除掉,进而得到待检测目标。
本发明实施例的目标检测方法通过采用预设方法将海洋区域和陆地区域分离;利用扩展小波变换法在分离出的海洋区域内进行粗定位查找感兴趣区域;在感兴趣区域采用贝叶斯估计模型精确定位待检测目标所在位置区域;在定位到的待检测目标所在位置区域提取利于区分待检测目标和虚警的特征,通过提取的特征排除存在的虚警进而筛选出所需的待检测目标。本发明的方法通过利用扩展小波变换的方法定位到候选舰船的区域;能够克服复杂海况下舰船检测困难,本发明的方法具有很高的检测率,虚警率和漏警率相对较少,便于硬件实现,此外,本发明的方法在感兴趣区域确定时,采用由粗到精的思路,初始定位采用扩展小波变换,精确定位时候采用贝叶斯估计模型,可精确定位到复杂海况的目标。
在本发明另一实施例中,所述步骤S10包括如下步骤:
步骤S11,通过绿波段的灰度值BG和近红外波段的灰度值BNir,计算待识别图像img0每个像素位置(i,j)的FunMSS值,其中图像大小为w*h,计算方法为FunMSS=BG-BNir/BG+BNir,同时设定阈值threshold;
步骤S12,建立一幅和原始图像相同大小的全0图像img1;
步骤S13,判断img0每个像素位置(i,j)的FunMSS的值,若该值大于threshold,表示此处为海洋区域,用像素值255代替,将对应的img0(i,j)值置为255,由此完成海洋和陆地的分离,白色区域为海域。
在本发明实施例中,参照图9,通过绿波段的灰度值BG和近红外波段的灰度值BNir,计算待识别图像img0每个像素位置(i,j)的FunMSS=BG-BNir/BG+BNir值,其中该img0的图像大小为273*273,根据经验值,设定阈值threshold=0.3;并进一步建立一副和原始图像一样大小(273*273)全0图像img1;判断img0每个像素位置(i,j)的FunMSS的值,若该值大于threshold,表示此处为海洋区域,用像素255代替,将对应的img0(i,j)值置为255,至此,完成海洋和陆地的分离。
采用本实施例的方法采用多光谱信息,快速分割实现海陆分离,提高了处理效率。
在本发明另一实施例中,所述步骤S20中的扩展小波变换的算法流程包括:
步骤S21,将img0沿着垂直方向卷积高通滤波器G(Z1),得到第一层高频垂直细节系数:D1 1,大小为w*h;具体地本实施例中采用Haar小波的高通滤波器得到第一层高频垂直细节系数:D1 1,大小为273*273;
步骤S22,将img0沿着水平方向卷积高通滤波器G(Z2),得到第一层高频水平细节系数:D1 2,大小为w*h;具体地本实施例中采用Haar小波的高通滤波器得到第一层高频水平细节系数:D1 2,大小为273*273;
步骤S23,将D1 1、D1 2各自取绝对值得到abs_D1 1、abs_D1 2;
步骤S24,将矩阵abs_D1 1、abs_D2 1点乘得到Res_VH;由于本发明针对的是小目标,其尺寸较小,高频信号能够表征细节信息,故本步骤中将将矩阵abs_D1 1、abs_D2 1点乘得到Res_VH;
步骤S25,采用局部极大值抑制的方法在窗口m0*m0内寻找Res_VH的局部极大值点pt={pt1,pt2,...,ptn},对应的值保存为Value={Res_VH(i1,j1),...Res_VH(ik,jk),...},共n个;
步骤S26,利用公式计算Tewt=ms+k*δs计算扩展小波变换的动态阈值Tewt,其中,ms为Value={Res_VH(i1,j1),...Res_VH(ik,jk),...}的均值,δs为Value={Res_VH(i1,j1),...Res_VH(ik,jk),...}的方差,k为经验参数,我们设置为3;
步骤S27,判断Value={Res_VH(i1,j1),...Res_VH(ik,jk),...}中的每一个值,如果它大于Tewt,则保存下它的位置坐标,这样得到新的坐标集:该步骤的阈值首先是通过步骤26自动得到的,不同的图像需要设定不同的阈值,而该算法自动计算,不需要人工干预;同时,该步骤只是进行阈值的判断,其目的是去除扩展小波变换后值比较低的点,这些点是待检测目标的可能性较低。
在本实施例中,进一步地,所述步骤S30中在感兴趣区域采用贝叶斯估计模型精确定位待检测目标所在位置区域的步骤包括:
步骤S31:以pt_new={pt1_new,pt2_new,...,ptm_new}中每一个点为中心,判断m1*m1大小范围内海陆分离图像img1的像素值,若m1*m1范围内,所有点的值都是255,则保留该中心点,否则删除该中心点,最后得到k个点pt_res={pt1_res,pt2_res,...,ptk_res};
步骤S32:以pt_res={pt1_res,pt2_res,...,ptk_res}为中心,在图img0截取m2*m2切片图像,得到k个切片图像img_s={img1_s,img2_s,…,imgk_s};
步骤S33:以pt_res={pt1_res,pt2_res,...,ptk_res}每个点为中心,统计每个窗口内贝叶斯模型T值:其中A大小为9*9,I大小为7*7,其中NI、NO、NA代表I、O、A区域的像素个数;代表I、O、A区域的灰度均值,最后得到关于T值一个数组:TBayesian={T1,T2,...,TK};本步骤为算法核心,将小目标的检测转换为灰度概率的统计,尤其是公式该公式是认为在背景和前景符合高斯分布前提下,贝叶斯理论模型下推导后的结论性公式。
步骤S34,用动态阈值分割法求出步骤14得到TBayesian={T1,T2,...,TK}的分割阈值:TB=msB+kB*δsB,其中msB和δsB为TBayesian的均值和方差,kB为经验系数。
步骤S35,将TBayesian={T1,T2,...,TK}中满足T>TB的区域作为精确定位检测到的感兴趣区域,阈值TB可以通过动态阈值分割方法得到。
进一步地,所述步骤S40包括:
步骤S41,计算步骤S34得到的感兴趣区域的切片的多向梯度值Δm,nI(x,y)8;
步骤S42,将步骤S41得到的8向梯度值参数输入到SVM分类器中,将对应切片图像进行分类,确认舰船切片,剔除虚警切片。
需要说明的是,SVM分类器,是一个比较通用的分类器,不同的背景涉及的参数不同,输入特征不同,由于本发明针对的是小目标,故本发明对输入的特征进行了归一化处理,避免量级不同造成训练结果的不稳定。
进一步地,所述步骤S41中的多向梯度值的计算步骤包括:
切片图像I在任意一点(x,y)沿任意方向的梯度Δm_nI(x,y)为:
其中,m和n为水平和垂直方向的梯度步长因子,则该切片8点梯度的均值定义为:
Δm,nI(x,y)8=[Δm,0I(x,y)+Δ-m,0I(x,y)+
Δ0,nI(x,y)+Δ0,-nI(x,y)+
Δm,nI(x,y)+Δm,-nI(x,y)+
Δ-m,-nI(x,y)+Δ-m,nI(x,y)]/8。
由于小目标面积周长特别小,小目标基本上只占十几个或者几个像素,统计图像的轮廓没有实际意义,又因为其容易受到其他虚警的干扰,如海浪,故本发明中提出采用多向梯度的方法来进行目标的甄别(统计每个边缘图像轮廓的外接矩形、长、宽和区域面积、周长;计算每个边缘图像长宽比、紧致度、矩形度和灰度共生矩阵的四个参数能量、熵、对比度和相关性)。
进一步地,本发明进一步采用扩展小波变换的方法,定位到待检测目标的感兴趣区域,能够克服海况下船舰检测困难的问题。
在本发明的一实施例中,参照图7~图14,以在碎云干扰情况下小型舰船的检测上的应用为例进行说明:
步骤1:如图9,通过绿波段的灰度值BG和近红外波段的灰度值BNir,计算待识别图像img0(273*273)每个像素位置(i,j)的FunMSS=BG-BNir/BG+BNir值,根据经验值,设定阈值threshold=0.3;
步骤2:建立一幅和原始图像一样大小(273*273)全0图像img1;
步骤3:判断img0每个像素位置(i,j)的FunMSS的值,若该值大于threshold,标示此处为海洋区域,用像素255代替,将对应的img0(i,j)值置为255,至此,完成海洋和陆地的分离;
步骤6:将D1 1、D1 2各自取绝对值得到abs_D1 1、abs_D1 2;
步骤7:将矩阵abs_D1 1、abs_D2 1点乘得到Res_VH,大小为273*273;
步骤8:采用局部极大值抑制的方法,在窗口31*31内寻找Res_VH的局部极大值点pt={pt1,pt2,...,ptn},对应的值保存为Value={Res_VH(i1,j1),...Res_VH(ik,jk),...}共145个;
步骤9:利用公式计算Tewt=ms+k*δs计算扩展小波变换的动态阈值Tewt为144.9376;
步骤10:判断Value={Res_VH(i1,j1),...Res_VH(ik,jk),...}中的每一个值,如果它大于Tewt,则保存下它的位置坐标,这样得到新的坐标集:pt_new={pt1_new,pt2_new,...,ptm_new},72个,如图11所示;
步骤11:以pt_new={pt1_new,pt2_new,...,ptm_new}中每一个点为中心,判断50*50大小范围内海陆分离图像img1的像素值,若50*50范围内,所有点的值都是255,则保留该中心点,否则删除该中心点,最后得到63个点pt_res={pt1_res,pt2_res,...,ptk_res};
步骤12:以pt_res={pt1_res,pt2_res,...,ptk_res}为中心,在图img0截取40*40切片图像,得到63个切片图像img_s={img1_s,img2_s,…,imgk_s};
步骤13:以pt_res={pt1_res,pt2_res,...,ptk_res}每个点为中心,统计每个窗口内贝叶斯模型T值:其中A大小为9*9,I大小为7*7,其中NI、NO、NA代表I、O、A区域的像素个数;代表I、O、A区域的灰度均值,最后得到关于T值一个数组:TBayesian={T1,T2,...,TK};
步骤14:用动态阈值分割法求出步骤14得到TBayesian={T1,T2,...,TK}的分割阈值:TB=msB+kB*δsB,其中msB和δsB为TBayesian的均值和方差,kB为经验系数,该组数据的TBayesian为2879。
步骤15:将TBayesian={T1,T2,...,TK}中满足T>TB值作为检测到的感兴趣区域,将该切片传给下一步,共18,如图12所示;
步骤16:计算每切片的多向梯度值Δm,nI(x,y)8,进入到SVM模型训练中,得到最后的检测结果,如图13,标号为72。
图15是本发明一实施例提供的终端设备的示意图。如图10所示,该实施例/终端设备6包括:处理器60、存储器61以及存储在所述存储器61中并可在所述处理器60上运行的计算机程序62,例如软件开发程序。所述处理器60执行所述计算机程序62时实现上述各个软件开发方法实施例中的步骤,例如图1所示的步骤S101至S103。或者,所述处理器60执行所述计算机程序62时实现上述各装置实施例中各模块/单元的功能,例如图5所示模块21至23的功能。
示例性的,所述计算机程序62可以被分割成一个或多个模块/单元,所述一个或者多个模块/单元被存储在所述存储器61中,并由所述处理器60执行,以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段,该指令段用于描述所述计算机程序62在所述**装置/终端设备6中的执行过程。
所述终端设备6可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述终端6设备可包括,但不仅限于,处理器60、存储器61。本领域技术人员可以理解,图6仅仅是终端设备6的示例,并不构成对终端设备6的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件,例如所述终端设备6还可以包括输入输出设备、网络接入设备、总线等。
所称处理器60可以是中央处理单元(Central Processing Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器61可以是所述终端设备6的内部存储单元,例如终端设备6的硬盘或内存。所述存储器61也可以是所述终端设备6的外部存储设备,例如所述终端设备上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)等。进一步地,所述存储器61还可以既包括所述终端设备6的内部存储单元也包括外部存储设备。所述存储器61用于存储所述计算机程序以及所述终端设备所需的其他程序和数据。所述存储器61还可以用于暂时地存储已经输出或者将要输出的数据。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,仅以上述各功能单元、模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能单元、模块完成,即将所述装置的内部结构划分成不同的功能单元或模块,以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中,上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。另外,各功能单元、模块的具体名称也只是为了便于相互区分,并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述或记载的部分,可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
在本发明所提供的实施例中,应该理解到,所揭露的装置/终端设备和方法,可以通过其它的方式实现。例如,以上所描述的装置/终端设备实施例仅仅是示意性的,例如,所述模块或单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口,装置或单元的间接耦合或通讯连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明实现上述实施例方法中的全部或部分流程,也可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个方法实施例的步骤。其中,所述计算机程序包括计算机程序代码,所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是,所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减,例如在某些司法管辖区,根据立法和专利实践,计算机可读介质不包括电载波信号和电信信号。
以上所述实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围,均应包含在本发明的保护范围之内。
以上仅为本发明的优选实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (10)
1.一种目标检测方法,其特征在于,所述方法包括如下步骤:
步骤S10,采用预设方法将海洋区域和陆地区域分离;
步骤S20,利用扩展小波变换法在分离出的海洋区域内进行粗定位查找感兴趣区域;
步骤S30,在感兴趣区域采用贝叶斯估计模型精确定位待检测目标所在位置区域;
步骤S40,在定位到的待检测目标所在位置区域提取利于区分待检测目标和虚警的特征,通过提取的特征排除存在的虚警进而筛选出所需的待检测目标。
2.根据权利要求1所述的目标检测方法,其特征在于,所述步骤S10包括:结合多光谱图像提供的冗余信息将海洋区域和陆地区域进行分离。
3.根据权利要求2所述的目标检测方法,其特征在于,所述步骤S10包括:
步骤S11,通过绿波段的灰度值BG和近红外波段的灰度值BNir,计算待识别图像img0的每个像素位置(i,j)的FunMSS值,img0的图像大小为w*h,计算方法为FunMSS=BG-BNir/BG+BNir,同时设定阈值threshold;
步骤S12,建立一幅和原始图像相同大小的全0图像img1;
步骤S13,判断img0每个像素位置(i,j)的FunMSS的值,若该值大于threshold,表示此处为海洋区域,用像素值255代替,将对应的img0(i,j)值置为255,由此完成海洋和陆地的分离,白色区域为海域。
4.根据权利要求3所述的目标检测方法,其特征在于,所述步骤S20中的扩展小波变换的算法流程包括:
步骤S21,将img0沿着垂直方向卷积高通滤波器G(Z1),得到第一层高频垂直细节系数D1 1,大小为w*h;
步骤S22,将img0沿着水平方向卷积高通滤波器G(Z2),得到第一层高频水平细节系数D1 2,大小为w*h;
步骤S23,将D1 1、D1 2各自取绝对值得到abs_D1 1、abs_D1 2;
步骤S24,将矩阵abs_D1 1、abs_D2 1点乘得到Res_VH;
步骤S25,在窗口m0*m0内寻找Res_VH的局部极大值点pt={pt1,pt2,...,ptn},对应的值保存为Value={Res_VH(i1,j1),...Res_VH(ik,jk),...},共n个;
步骤S26,利用公式Tewt=ms+k*δs计算扩展小波变换的动态阈值Tewt;其中,ms为Value={Res_VH(i1,j1),...Res_VH(ik,jk),...}的均值,δs为Value={Res_VH(i1,j1),...Res_VH(ik,jk),...}的方差,k为经验参数;
步骤S27,判断Value={Res_VH(i1,j1),...Res_VH(ik,jk),...}中的每一个值是否大于Tewt,如果是,则保存该值对应的位置坐标,得到新的坐标集:pt_new={pt1_new,pt2_new,...,ptm_new};作为粗定位查找的感兴趣区域。
5.根据权利要求4所述的目标检测方法,其特征在于,所述步骤S25中采用局部极大值抑制的方法在窗口m0*m0内寻找Res_VH的局部极大值点pt={pt1,pt2,...,ptn},对应的值保存为Value={Res_VH(i1,j1),...Res_VH(ik,jk),...},共n个。
6.根据权利要求4所述的目标检测方法,其特征在于,所述步骤S30中在感兴趣区域采用贝叶斯估计模型精确定位待检测目标所在位置区域的步骤包括:
步骤S31:以pt_new={pt1_new,pt2_new,...,ptm_new}中每一个点为中心,判断m1*m1大小范围内海陆分离图像img1的像素值,若m1*m1范围内,所有点的值都是255,则保留该中心点,否则删除该中心点,最后得到k个点pt_res={pt1_res,pt2_res,...,ptk_res};
步骤S32:以pt_res={pt1_res,pt2_res,...,ptk_res}为中心,在图img0截取m2*m2切片图像,得到k个切片图像img_s={img1_s,img2_s,…,imgk_s};
步骤S33:以pt_res={pt1_res,pt2_res,...,ptk_res}每个点为中心,统计每个窗口内贝叶斯模型T值:其中A大小为9*9,I大小为7*7,其中NI、NO、NA代表I、O、A区域的像素个数;代表I、O、A区域的灰度均值,最后得到关于T值一个数组:TBayesian={T1,T2,...,TK};
步骤S34:将TBayesian={T1,T2,...,TK}中满足T>TB的区域作为精确定位检测到的感兴趣区域,其中,阈值TB可以通过动态阈值分割方法得到。
7.根据权利要求6所述的目标检测方法,其特征在于,所述步骤S40包括:
步骤S41:计算步骤S34得到的感兴趣区域的切片的8向梯度值;
步骤S42:将步骤S41得到的8向梯度值输入到SVM分类器中,将对应切片图像进行分类,确认舰船切片,剔除虚警切片,得到待检测目标。
9.一种终端设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至8任一项所述方法的步骤。
10.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至8任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811636043.3A CN111382632A (zh) | 2018-12-29 | 2018-12-29 | 目标检测方法、终端设备及计算机可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811636043.3A CN111382632A (zh) | 2018-12-29 | 2018-12-29 | 目标检测方法、终端设备及计算机可读存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111382632A true CN111382632A (zh) | 2020-07-07 |
Family
ID=71220988
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811636043.3A Withdrawn CN111382632A (zh) | 2018-12-29 | 2018-12-29 | 目标检测方法、终端设备及计算机可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111382632A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113786179A (zh) * | 2021-09-27 | 2021-12-14 | 北方工业大学 | 红外与光学图像融合的人体血压实时测量方法及装置 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101604383A (zh) * | 2009-07-24 | 2009-12-16 | 哈尔滨工业大学 | 一种基于红外图像的海上目标检测方法 |
CN102324021A (zh) * | 2011-09-05 | 2012-01-18 | 电子科技大学 | 一种基于剪切波变换的红外弱小目标检测方法 |
CN102999909A (zh) * | 2012-11-19 | 2013-03-27 | 西安电子科技大学 | 基于改进视觉注意模型的sar目标检测方法 |
CN106886747A (zh) * | 2016-12-28 | 2017-06-23 | 中国科学院长春光学精密机械与物理研究所 | 一种基于扩展小波变换的复杂背景下舰船检测方法 |
CN107944347A (zh) * | 2017-11-03 | 2018-04-20 | 西安电子科技大学 | 基于多尺度fcn‑crf的极化sar目标检测方法 |
CN108734111A (zh) * | 2018-04-26 | 2018-11-02 | 西南电子技术研究所(中国电子科技集团公司第十研究所) | Sar图像海面舰船识别方法 |
CN108830224A (zh) * | 2018-06-19 | 2018-11-16 | 武汉大学 | 一种基于深度学习的高分辨率遥感影像舰船目标检测方法 |
CN108898155A (zh) * | 2018-05-18 | 2018-11-27 | 浙江工业大学 | 一种小波阈值降噪结合卷积神经网络的sar图像目标识别方法 |
-
2018
- 2018-12-29 CN CN201811636043.3A patent/CN111382632A/zh not_active Withdrawn
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101604383A (zh) * | 2009-07-24 | 2009-12-16 | 哈尔滨工业大学 | 一种基于红外图像的海上目标检测方法 |
CN102324021A (zh) * | 2011-09-05 | 2012-01-18 | 电子科技大学 | 一种基于剪切波变换的红外弱小目标检测方法 |
CN102999909A (zh) * | 2012-11-19 | 2013-03-27 | 西安电子科技大学 | 基于改进视觉注意模型的sar目标检测方法 |
CN106886747A (zh) * | 2016-12-28 | 2017-06-23 | 中国科学院长春光学精密机械与物理研究所 | 一种基于扩展小波变换的复杂背景下舰船检测方法 |
CN107944347A (zh) * | 2017-11-03 | 2018-04-20 | 西安电子科技大学 | 基于多尺度fcn‑crf的极化sar目标检测方法 |
CN108734111A (zh) * | 2018-04-26 | 2018-11-02 | 西南电子技术研究所(中国电子科技集团公司第十研究所) | Sar图像海面舰船识别方法 |
CN108898155A (zh) * | 2018-05-18 | 2018-11-27 | 浙江工业大学 | 一种小波阈值降噪结合卷积神经网络的sar图像目标识别方法 |
CN108830224A (zh) * | 2018-06-19 | 2018-11-16 | 武汉大学 | 一种基于深度学习的高分辨率遥感影像舰船目标检测方法 |
Non-Patent Citations (6)
Title |
---|
NADIA PROIA等: "Characterization of a Bayesian Ship Detection Method in Optical Satellite Images", 《IEEE GEOSCIENCE AND REMOTE SENSING LETTERS》 * |
TING NIE等: "A Method of Ship Detection under Complex Background", 《INTERNATIONAL JOURNAL OF GEO-INFORMATION》 * |
王军等: "基于多向梯度法的红外弱小目标快速检测方法", 《光电子·激光》 * |
王文胜: "宽幅光学遥感图像舰船飞机目标检测识别技术研究", 《中国优秀博士学位论文全文数据库 信息科技辑》 * |
缪德超: "复杂海空背景下红外舰船小目标检测技术研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
陈德元等: "一种基于小波变换的SAR图像船舰检测的新算法", 《电子与信息学报》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113786179A (zh) * | 2021-09-27 | 2021-12-14 | 北方工业大学 | 红外与光学图像融合的人体血压实时测量方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107358258B (zh) | 基于nsct双cnn通道和选择性注意机制的sar图像目标分类 | |
Zhang et al. | Airport detection and aircraft recognition based on two-layer saliency model in high spatial resolution remote-sensing images | |
CN110807473B (zh) | 目标检测方法、装置及计算机存储介质 | |
US20140063275A1 (en) | Visual saliency estimation for images and video | |
Qi et al. | A fast-saliency method for real-time infrared small target detection | |
JP2017531883A (ja) | 画像の主要被写体を抽出する方法とシステム | |
CN102156995A (zh) | 一种运动相机下的视频运动前景分割方法 | |
CN110110618B (zh) | 一种基于pca和全局对比度的sar目标检测方法 | |
CN111915583A (zh) | 复杂场景中基于车载红外热像仪的车辆和行人检测方法 | |
CN103632153A (zh) | 一种基于区域的图像显著图提取方法 | |
CN108830883B (zh) | 基于超像素结构的视觉注意sar图像目标检测方法 | |
Katkar et al. | A novel approach for medical image segmentation using PCA and K-means clustering | |
CN111161348B (zh) | 一种基于单目相机的物体位姿估计方法、装置及设备 | |
Fu et al. | A spatially cohesive superpixel model for image noise level estimation | |
CN111382632A (zh) | 目标检测方法、终端设备及计算机可读存储介质 | |
Cai et al. | Man-made object detection based on texture clustering and geometric structure feature extracting | |
Songtao et al. | Saliency detection of infrared image based on region covariance and global feature | |
CN113793372A (zh) | 异源图像的优化配准方法及系统 | |
Chen et al. | Visual saliency detection via multiple background estimation and spatial distribution | |
Fu et al. | Adaptive Multi-Level Region Merging for Salient Object Detection. | |
CN104794725B (zh) | 一种基于局部不变特征的遥感影像对象表达方法 | |
Wang et al. | Man-made object detection based on fractal theory and active contour model | |
CN112862726B (zh) | 图像处理方法、装置及计算机可读存储介质 | |
CN107704819B (zh) | 一种动作识别方法、系统及终端设备 | |
CN112101282B (zh) | 水上目标识别方法、装置及电子设备和存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WW01 | Invention patent application withdrawn after publication | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20200707 |