CN112418105B - 基于差分方法的高机动卫星时间序列遥感影像运动舰船目标检测方法 - Google Patents

基于差分方法的高机动卫星时间序列遥感影像运动舰船目标检测方法 Download PDF

Info

Publication number
CN112418105B
CN112418105B CN202011335853.2A CN202011335853A CN112418105B CN 112418105 B CN112418105 B CN 112418105B CN 202011335853 A CN202011335853 A CN 202011335853A CN 112418105 B CN112418105 B CN 112418105B
Authority
CN
China
Prior art keywords
difference
time sequence
image
ship target
remote sensing
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.)
Active
Application number
CN202011335853.2A
Other languages
English (en)
Other versions
CN112418105A (zh
Inventor
常学立
叶志伟
王春枝
靳华中
费艺
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hubei University of Technology
Original Assignee
Hubei University of Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Hubei University of Technology filed Critical Hubei University of Technology
Priority to CN202011335853.2A priority Critical patent/CN112418105B/zh
Publication of CN112418105A publication Critical patent/CN112418105A/zh
Application granted granted Critical
Publication of CN112418105B publication Critical patent/CN112418105B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/40—Image enhancement or restoration using histogram techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/136—Segmentation; Edge detection involving thresholding
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/20—Analysis of motion
    • G06T7/215—Motion-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10032—Satellite or aerial image; Remote sensing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20112—Image segmentation details
    • G06T2207/20152—Watershed segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30204—Marker
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/07—Target detection

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Multimedia (AREA)
  • Astronomy & Astrophysics (AREA)
  • Remote Sensing (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本发明公开了基于差分方法的高机动卫星时间序列遥感影像运动舰船目标检测方法。利用辐亮度均一化方法对时序影像中的辐亮度差异进行消除；再对连续相邻三景影像进行差分，并用多结构元形态学滤波对噪声进行抑制；利用最大类间方差处理对背景进行提取，最后结合多结构元形态学滤波和最大类间方差处理的结果对分水岭分割方法进行标记，从而最终检测到时间序列影像中的运动舰船目标。本发明可以有效的抑制高机动卫星的时间序列影像中因为静态地物动态变化造成的噪声信息，有效的提高高机动卫星的时间序列影像中运动舰船目标检测的可靠性和准确率，提高运动目标检测的精度。

Description

基于差分方法的高机动卫星时间序列遥感影像运动舰船目标 检测方法
技术领域
本发明属于遥感卫星影像处理领域，涉及一种基于差分方法的高机动卫星时间序列遥感影像运动舰船目标检测技术方案。
背景技术
高机动遥感卫星影像是一种新型式的遥感卫星影像类型，在卫星成像时，通过其机动能力，对同一个成像区域多次成像，从而获取到一种时间序列的新型遥感卫星影像。这种影像相比于传统遥感影像来说，时间分辨率大大提高，已经可以用来对影像中的运动目标进行检测。
目前存在的运动目标检测的方法，都是针对视频序列这种高帧率的时间序列影像进行的，然而相比于视频序列影像，高机动卫星的时间序列影像间隔时间长、影像静态地物变化十分明显、影像的基高比大，这些都会严重影响运动目标检测的准确率，错误的将静态地物的动态变化作为运动目标囊括进去，极大的提高了运动目标虚警率。因此，如何有效的抑制由于静态地物的动态变化造成的高机动时间序列影像中运动目标检测的影响，是高机动卫星时间序列影像中运动目标检测亟待解决的问题。
发明内容
本发明的目的在于提供基于差分方法的高机动卫星时间序列遥感影像运动舰船目标检测方法，可以有效抑制影像中静态地物动态变化对检测精度的影响，以解决上述背景技术中提出的问题。
为实现上述目的本发明采用以下技术方案：基于差分方法的高机动卫星时间序列遥感影像运动舰船目标检测方法，包括以下步骤：
步骤1，利用辐亮度均一化消除时间序列影像间整体辐亮度差异；
步骤2，连续相邻三景时间序列影像间差分；
步骤3，多结构元形态学滤波；
步骤4，最大类间方差背景提取；
步骤5，基于标记的分水岭分割检测。
作为本发明进一步的方案：所述步骤1利用辐亮度均一化消除时间序列影像间整体辐亮度差异的方法，假设第一张影像和后续某一张影像的灰度分布概率密度函数为Pr(r)和Pz(z)，则首先对第一张影像进行直方图均衡化处理如下，
Figure GDA0002891732400000021
同理，对Pz(z)作均衡化处理如下，
Figure GDA0002891732400000022
式中，n为图像中总的像素数目，nj为灰度为rj或zj的像素数目，L为总的灰度级，通过公式(1)和公式(2)可以建立rk和zk的关系如下，
zk＝G-1(vk)＝G-1[Prox(sk)]＝G-1[Prox(T(rk))]；
式中Prox(sk)为与sk最为接近的vk。
作为本发明进一步的方案：所述步骤2连续相邻三景时间序列影像间差分的方法，假设这三景连续的时间序列影像为f(k-1)(x,y)，f(k)(x,y)和f(k+1)(x,y)，首先对前两景相邻影像进行差分处理：
d(k-1,k)(x,y)＝f(k)(x,y)-f(k-1)(x,y)；
式中，d(k-1,k)(x,y)为差分后的结果。再次将第三景与之前的结果进行差分如下，
d(k-1,k,k+1)(x,y)＝f(k+1)(x,y)-d(k-1,k)(x,y)；
其中，d(k-1,k,k+1)(x,y)为二次差分后得到的图像。
作为本发明进一步的方案：所述步骤3多结构元形态学滤波算法，在0°、45°、90°和135°四个方向采用不同尺度的线性结构元素进行开、闭运算，如下，
Figure GDA0002891732400000031
式中，i、j分别表示不同的结构元素数目和不同的尺度，ω为权系数，f为差分结果图像，b为结构元。
作为本发明进一步的方案：所述步骤4最大类间方差背景提取方法，
Figure GDA0002891732400000032
其中，μ0,1,T(t)为类的均值，计算方法如下，
Figure GDA0002891732400000041
Figure GDA0002891732400000042
Figure GDA0002891732400000043
上式中，权值ω0,1是由阈值t分割的两个类别灰度值的概率，
Figure GDA0002891732400000044
为两个类别的方差。
作为本发明进一步的方案：所述的基于标记的分水岭分割检测方法，利用权利要求4所述的滤波结果和权利要求5所述的的背景提取的结果对分水岭算法进行标记，最终检测到运动舰船目标。
与现有技术相比，本发明的有益效果是：本发明基于差分方法对高机动卫星的时间序列影像中的运动舰船目标进行检测，可以有效抑制时间序列影像中静态地物的动态变化造成的影响，有效的提高了高机动卫星的时间序列影像中运动舰船目标检测的可靠性和准确率。
附图说明
图1为本发明检测方法流程图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整的阐述。
本发明实施例提供的一种基于差分方法的高机动卫星时间序列遥感影像运动舰船目标检测方法，包括以下步骤：
步骤1，利用辐亮度均一化消除时间序列影像间整体辐亮度差异。一般高机动卫星拍摄一次时间序列遥感影像为8张，具体实施时，步骤1可以以时间序列影像的第一张为基础，分别对后续的影像进行辐亮度差异的消除，本步骤可以预先实现。假设第一张影像和后续某一张影像的灰度分布概率密度函数为Pr(r)和Pz(z)，则首先对第一张影像进行直方图均衡化处理如下，
Figure GDA0002891732400000051
同理，对Pz(z)作均衡化处理如下，
Figure GDA0002891732400000052
式中，n为图像中总的像素数目，nj为灰度为rj或zj的像素数目，L为总的灰度级，通过公式(1)和公式(2)可以建立rk和zk的关系如下，
zk＝G-1(vk)＝G-1[Prox(sk)]＝G-1[Prox(T(rk))] (3)；
式中Prox(sk)为与sk最为接近的vk。
步骤2，连续相邻三景时间序列影像间差分，如公式(6)所示。
实施例中，步骤2首先要选取连续并相邻的三景时间序列影像，然后对这三景影像进行差分处理。假设这三帧连续的凝视序列影像为f(k-1)(x,y)，f(k)(x,y)和f(k+1)(x,y)，则要先对前两景进行差分处理如下，
d(k-1,k)(x,y)＝f(k)(x,y)-f(k-1)(x,y) (4)；
式中，d(k-1,k)(x,y)为差分后的结果。在实施中，一次差分结果不能有效对时间序列影像中静态地物动态变化形成的噪声进行抑制，因此，进行第二次差分如下，
d(k-1,k,k+1)(x,y)＝f(k+1)(x,y)-d(k-1,k)(x,y) (5)；
式中，d(k-1,k,k+1)(x,y)为二次差分后得到的图像。最后，需要将最终的差分结果d(k-1,k,k+1)(x,y)转化为二值图像T(i,j)，方便后续的处理，
Figure GDA0002891732400000061
式中，T(i,j)为二值化后的图像，Th为二值化的阈值，0、1分别代表非目标区域和目标区域。
步骤3，多结构元的形态学滤波。在实施例中，得到二值化后的差分结果T(i,j)后，对于结果中残余噪声，利用0°、45°、90°和135°四个方向线性结构元素，设为b，分别对差分结果T(i,j)进行开和闭运算，如下，
Figure GDA0002891732400000062
式中，i、j分别表示不同的结构元素数目和不同的尺度，ω为权系数，T为差分结果T(i,j)的简略表示。
步骤4，最大类间方差背景提取。如公式(11)所示。
在实施例中，首先定义影像中两类灰度值之间的方差加权和如下：
Figure GDA0002891732400000071
式中，权值ω0,1是由阈值t分割的两个类别灰度值的概率，
Figure GDA0002891732400000072
为两个类别的方差。类的概率ω0,1计算方法如下：
Figure GDA0002891732400000073
Figure GDA0002891732400000074
式中L为图像的灰度级，p(i)为第i灰度级的概率。则有，
Figure GDA0002891732400000075
其中，μ0,1,T(t)为类的均值，计算方法如下：
Figure GDA0002891732400000076
Figure GDA0002891732400000077
Figure GDA0002891732400000078
因此，类的概率ω和类均值μ可以由t依次迭代计算出来，也能够迭代得出类间方差
Figure GDA0002891732400000079
而在类间方差
Figure GDA00028917324000000710
最大时，此时的阈值t即是图像分割的最佳阈值。
步骤5，基于标记的分水岭分割检测。在实施例中，根据步骤3得到的形态学滤波结果r和步骤4得到的背景t对原始时间序列影像中的第一景影像进行标记，作为分水岭分割算法的标记区，对影像进行分水岭分割，从而最终检测到运动舰船目标。
以上所述为本发明较佳实施例，对于本领域的普通技术人员而言，根据本发明的教导，在不脱离本发明的原理与精神的情况下，对实施方式所进行的改变、修改、替换和变型仍落入本发明的保护范围之内。

Claims (5)

1.基于差分方法的高机动卫星时间序列遥感影像运动舰船目标检测方法，其特征在于，包括以下步骤：
步骤1，利用辐亮度均一化消除时间序列影像间整体辐亮度差异；
步骤2，连续相邻三景时间序列影像间差分；
步骤3，多结构元形态学滤波；
步骤4，最大类间方差背景提取；
步骤5，基于标记的分水岭分割检测；
所述步骤2连续相邻三景时间序列影像间差分的方法，假设这三景连续的时间序列影像为f(k-1)(x,y)，f(k)(x,y)和f(k+1)(x,y)，首先对前两景相邻影像进行差分处理：
d(k-1,k)(x,y)＝f(k)(x,y)-f(k-1)(x,y)；
式中，d(k-1,k)(x,y)为差分后的结果，再次将第三景与之前的结果进行差分如下，
d(k-1,k,k+1)(x,y)＝f(k+1)(x,y)-d(k-1,k)(x,y)；
其中，d(k-1,k,k+1)(x,y)为二次差分后得到的图像。
2.如权利要求1所述的基于差分方法的高机动卫星时间序列遥感影像运动舰船目标检测方法，其特征在于：所述步骤1利用辐亮度均一化消除时间序列影像间整体辐亮度差异的方法，假设第一张影像和后续某一张影像的灰度分布概率密度函数为Pr(r)和Pz(z)，则首先对第一张影像进行直方图均衡化处理如下，
Figure FDA0003785945100000011
同理，对Pz(z)作均衡化处理如下，
Figure FDA0003785945100000021
式中，n为图像中总的像素数目，nj为灰度为rj或zj的像素数目，L为总的灰度级，通过公式(1)和公式(2)可以建立rk和zk的关系如下，
zk＝G-1(vk)＝G-1[Prox(sk)]＝G-1[Prox(T(rk))]；
式中Prox(sk)为与sk最为接近的vk。
3.如权利要求2所述的基于差分方法的高机动卫星时间序列遥感影像运动舰船目标检测方法，其特征在于：所述步骤3多结构元形态学滤波算法，在0°、45°、90°和135°四个方向采用不同尺度的线性结构元素进行开、闭运算，如下，
Figure FDA0003785945100000022
式中，i、j分别表示不同的结构元素数目和不同的尺度，ω为权系数，f为差分结果图像，b为结构元。
4.如权利要求3所述的基于差分方法的高机动卫星时间序列遥感影像运动舰船目标检测方法，其特征在于：所述步骤4最大类间方差背景提取方法，
Figure FDA0003785945100000023
其中，μ0,1,T(t)为类的均值，计算方法如下，
Figure FDA0003785945100000024
Figure FDA0003785945100000031
Figure FDA0003785945100000032
上式中，权值ω0,1是由阈值t分割的两个类别灰度值的概率，
Figure FDA0003785945100000033
为两个类别的方差。
5.如权利要求4所述的基于差分方法的高机动卫星时间序列遥感影像运动舰船目标检测方法，其特征在于：所述的基于标记的分水岭分割检测方法，利用权利要求3所述的滤波结果和权利要求4所述的背景提取的结果对分水岭算法进行标记，最终检测到运动舰船目标。
CN202011335853.2A 2020-11-25 2020-11-25 基于差分方法的高机动卫星时间序列遥感影像运动舰船目标检测方法 Active CN112418105B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011335853.2A CN112418105B (zh) 2020-11-25 2020-11-25 基于差分方法的高机动卫星时间序列遥感影像运动舰船目标检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011335853.2A CN112418105B (zh) 2020-11-25 2020-11-25 基于差分方法的高机动卫星时间序列遥感影像运动舰船目标检测方法

Publications (2)

Publication Number Publication Date
CN112418105A CN112418105A (zh) 2021-02-26
CN112418105B true CN112418105B (zh) 2022-09-27

Family

ID=74842254

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011335853.2A Active CN112418105B (zh) 2020-11-25 2020-11-25 基于差分方法的高机动卫星时间序列遥感影像运动舰船目标检测方法

Country Status (1)

Country Link
CN (1) CN112418105B (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1885346A (zh) * 2006-06-01 2006-12-27 电子科技大学 一种复杂背景下红外图像序列中运动目标的检测方法
CN101315701A (zh) * 2008-07-11 2008-12-03 天津大学 运动目标图像分割方法
CN103632373A (zh) * 2013-12-09 2014-03-12 华东交通大学 一种三帧差分高阶统计量结合otsu算法的絮体检测方法
CN106846359A (zh) * 2017-01-17 2017-06-13 湖南优象科技有限公司 基于视频序列的运动目标快速检测方法
CN108022249A (zh) * 2017-11-29 2018-05-11 中国科学院遥感与数字地球研究所 一种遥感视频卫星运动车辆目标感兴趣区域自动提取方法
CN108805904A (zh) * 2018-05-25 2018-11-13 中国空间技术研究院 一种基于卫星序列图像的运动舰船检测与跟踪方法

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP6052533B2 (ja) * 2012-07-03 2016-12-27 国立大学法人大阪大学 特徴量抽出装置および特徴量抽出方法
US9286690B2 (en) * 2014-03-14 2016-03-15 National Taipei University Of Technology Method and apparatus for moving object detection using fisher's linear discriminant based radial basis function network
US10192117B2 (en) * 2015-06-25 2019-01-29 Kodak Alaris Inc. Graph-based framework for video object segmentation and extraction in feature space
CN108896574B (zh) * 2018-05-11 2020-03-17 四川大学 一种基于机器视觉的瓶装白酒杂质检测方法及系统
CN110599516A (zh) * 2019-08-22 2019-12-20 普联技术有限公司 一种运动目标检测方法、装置、存储介质及终端设备
CN111667498B (zh) * 2020-05-14 2023-07-18 武汉大学 一种面向光学卫星视频的运动舰船目标自动检测方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1885346A (zh) * 2006-06-01 2006-12-27 电子科技大学 一种复杂背景下红外图像序列中运动目标的检测方法
CN101315701A (zh) * 2008-07-11 2008-12-03 天津大学 运动目标图像分割方法
CN103632373A (zh) * 2013-12-09 2014-03-12 华东交通大学 一种三帧差分高阶统计量结合otsu算法的絮体检测方法
CN106846359A (zh) * 2017-01-17 2017-06-13 湖南优象科技有限公司 基于视频序列的运动目标快速检测方法
CN108022249A (zh) * 2017-11-29 2018-05-11 中国科学院遥感与数字地球研究所 一种遥感视频卫星运动车辆目标感兴趣区域自动提取方法
CN108805904A (zh) * 2018-05-25 2018-11-13 中国空间技术研究院 一种基于卫星序列图像的运动舰船检测与跟踪方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
一种基于三帧差分和边缘信息的运动目标检测方法;甘明刚等;《电子与信息学报》;20100415(第04期);894-897页 *
基于视频序列中的运动目标检测技术;丁金铸等;《湖南工程学院学报(自然科学版)》;20070925(第03期);50-53页 *

Also Published As

Publication number Publication date
CN112418105A (zh) 2021-02-26

Similar Documents

Publication Publication Date Title
CN109816641B (zh) 基于多尺度形态学融合的加权局部熵红外小目标检测方法
CN109345472B (zh) 一种复杂场景的红外运动小目标检测方法
CN106530347B (zh) 一种稳定的高性能圆特征检测方法
CN106778712B (zh) 一种多目标检测与跟踪方法
CN109934224B (zh) 基于马尔科夫随机场和视觉对比机制的小目标检测方法
CN109460764B (zh) 一种结合亮度特征与改进帧间差分法的卫星视频船舶监测方法
CN106991686B (zh) 一种基于超像素光流场的水平集轮廓跟踪方法
CN102103748A (zh) 一种复杂背景下红外弱小目标检测和跟踪方法
CN106204617B (zh) 基于残差图像直方图循环移位的自适应图像二值化方法
CN109409356B (zh) 一种基于swt的多方向中文印刷体文字检测方法
TWI415032B (zh) Object tracking method
CN112734729B (zh) 适用于夜间补光条件的水尺水位线图像检测方法、装置及存储介质
CN108647693B (zh) 一种基于二元显著性特征的海面红外目标检测方法
CN109961065B (zh) 一种海面舰船目标检测方法
CN113822352A (zh) 基于多特征融合的红外弱小目标检测方法
Zhang et al. Multiple Saliency Features Based Automatic Road Extraction from High‐Resolution Multispectral Satellite Images
Bi et al. A hierarchical salient-region based algorithm for ship detection in remote sensing images
CN111881837B (zh) 基于阴影提取的视频sar运动目标检测方法
CN107704864B (zh) 基于图像对象性语义检测的显著目标检测方法
CN112418105B (zh) 基于差分方法的高机动卫星时间序列遥感影像运动舰船目标检测方法
Sanmiguel et al. Pixel-based colour contrast for abandoned and stolen object discrimination in video surveillance
Hsieh et al. A novel approach to the detection of small objects with low contrast
CN116309780A (zh) 一种基于目标检测的水尺水位识别方法
CN111223050A (zh) 一种实时图像边缘检测算法
CN108241837B (zh) 一种遗留物检测方法和装置

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
GR01 Patent grant
GR01 Patent grant