CN112418156A - 基于无监督分类的光学遥感图像海面舰船目标检测方法 - Google Patents
基于无监督分类的光学遥感图像海面舰船目标检测方法 Download PDFInfo
- Publication number
- CN112418156A CN112418156A CN202011418776.7A CN202011418776A CN112418156A CN 112418156 A CN112418156 A CN 112418156A CN 202011418776 A CN202011418776 A CN 202011418776A CN 112418156 A CN112418156 A CN 112418156A
- Authority
- CN
- China
- Prior art keywords
- amplitude
- image
- remote sensing
- pixel unit
- sea
- 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.)
- Granted
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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Probability & Statistics with Applications (AREA)
- Astronomy & Astrophysics (AREA)
- Remote Sensing (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明提出一种基于无监督分类的光学遥感图像海面舰船目标检测方法。该方法包括:首先对光学传感器遥感数据进行预处理,计算预处理后图像的概率密度曲线。利用局域密度峰值搜索方法对像素单元依幅值进行分类,依据海域像元幅值低于陆地像元的特性,初步确定海域掩膜图像,进而根据面积大小筛选海域掩膜图像中的连通区域,得到海域检测结果图。随后对海域检测结果图进行填充处理,得到检测初步结果图,通过分析初步检测结果图中各连通区域的形态学特征筛选得到舰船目标检测结果图。处理全色谱段图像和RGB谱段伪彩图所得舰船目标检测结果,说明了本发明方法的有效性和适用性。
Description
技术领域
本发明涉及光学遥感图像处理与舰船目标探测识别领域,具体涉及一种基于无监督分类的光学遥感图像海面舰船检测方法。
背景技术
星载光学传感器包括可见光相机、全色谱段辐射计、多光谱及高光谱传感器等,光学遥感图像舰船目标探测识别技术,对于管控海域交通、保卫海防安全、打击海上偷渡与走私等违法行为均具有重要意义。随着越来越多高空间分辨率的星载光学传感器系统部署完成,光学遥感图像的数据量显著增长,如何高效地从这些数据当中筛选出有效信息,实现遥感数据的快速处理,是推广遥感影像数据应用的重要课题。
光学遥感图像海面舰船目标检测通常基于遥感影像的纹理信息,如舰船轮廓等。对于光学遥感图像海面舰船目标检测而言,舰船目标的可检测性取决于图像数据中舰船与海面的对比度。然而,光学遥感影像中舰船目标与海面的对比度容易受到云、雾、霾等气象条件因素的影响,对于覆盖区域较广的星载光学传感系统,气象条件对其图像质量的影响更为明显。另一方面,高分辨率的光学遥感图像具备更为丰富纹理信息,有助于更加准确地识别舰船目标,但是与此同时,海面波浪、航道浮标、小型岛礁等物体显现在遥感图像中,表现为不期望的纹理信息,影响海面舰船目标检测。
光谱遥感数据(多光谱或高光谱传感器数据)的应用为海面舰船目标检测识别提供了新的技术途径,即依据像素单元的光谱特性对其进行分类,通过辨别舰船目标的光谱特性实现舰船目标检测识别。存在的主要技术困境是,在太阳光谱反射辐射为主的谱段(可见光到中波红外),舰船的光谱辐射特性与太阳光照角度、局部几何形状、舰船表面涂料等因素有关,且阴影区域光谱辐射特性与照亮区域光谱辐射特性不同,因而同一场景中舰船各个部件的光谱辐射特性存在差异。这是采用光谱特性分类方法探测海面舰船时需要克服的问题。
与本发明相关的现有技术介绍如下:
1.1现有技术一的技术方案
基于视觉显著性与视觉显著特征的海面舰船目标检测方法。利用显著性检测方法提取感兴趣区域,再根据舰船目标的形状特征对提取区域进行筛选,得到舰船目标检测结果(参见文献[1]徐芳,刘晶红,曾冬冬,王宣.基于视觉显著性的无监督海面舰船检测与识别[J].光学精密工程,2017,25(5):1300-1311.和文献[2]丁鹏,张叶,贾平,常旭岭.基于多尺度多特征视觉显著性的海面舰船检测[J].光学精密工程,2017,35(9):2461-2468.)。
1.2现有技术一的缺点
舰船目标的可检测性取决于场景中舰船目标与海面背景的对比度,当场景中出现云层、阴影区域、较大波浪时,出现虚警,需要利用形态学信息(如舰船尺寸等)对结果进行修正。当对比度降低时,检测结果存在较大偏差。
2.1现有技术的技术方案二
利用多元高斯分布函数提取可能为舰船区域的图像切片,随后利用CNN等神经网络模型对区域内的图像进行筛选,得到最终舰船检测结果(参见文献[3]N.Wang,B.Li,X.Wei,et al.Ship Detection in Spaceborne Infrared Image Based on LightweightCNN and Multisource Feature Cascade Decision[J].IEEE Transactions onGeoscience and Remote Sensing,2020,DOI:10.1109/TGRS.2020.3008993.)。
2.2现有技术二的缺点
训练CNN网络需要获取大量舰船目标遥感图像切片,对其进行准确标注,形成训练数据集。若场景中出现训练数据集中未包含的舰船,则CNN网络检测结果出现不确定性。此外,由于舰船目标遥感图像随气象条件等因素变化,需要采用大量舰船目标遥感图像切片构建完备数据集,因而实现起来存在困难。反之。在没有舰船目标遥感图像切片时,不能直接采用CNN网络进行舰船检测。
3.1现有技术三的技术方案
依据稀疏特性切割图像,采用恒虚警(Constant false alarm rate,CFAR)检测方法进行海陆分割,随后采用Top-Hat算子抑制背景并粗略检测舰船目标,最后利用形态学特征剔除虚警单元得到检测结果(参见文献[4]高立宁,毕福昆,龙腾,杨健.一种光学遥感图像海面舰船检测算法[J].清华大学学报(自然科学版),2011,51(1):105-110.)。
3.2现有技术三的缺点
港口、入海口等区域的遥感图像不一定满足稀疏特性,且高分辨率光学遥感影像中的海浪起伏等因素将影响CFAR检测的结果。
发明内容
本发明针对大数据量光学遥感图像处理,根据舰船通常为细长型,且反射辐射通常强于海水的特点,提出一种基于无监督分类的光学遥感图像海面舰船目标检测方法。首先对光学传感器遥感数据进行预处理,计算预处理后图像的概率密度曲线。利用局域密度峰值搜索方法对像素单元依幅值进行分类,依据海域像元幅值低于陆地像元的特性,初步确定海域掩膜图像,进而根据面积大小筛选海域掩膜图像中的连通区域,得到海域检测结果图。对海域检测结果图进行填充处理,填充区域即为可能的舰船目标,得到舰船检测初步结果图。通过分析初步结果图中各连通区域的形态学特征排除虚警,得到最终的舰船检测结果图。
本发明采用的技术方案为:基于无监督分类的光学遥感图像海面舰船目标检测方法,包括如下步骤:
步骤1:对遥感数据进行预处理,计算各像素单元的概率密度;
步骤2:利用峰值密度搜索方法,依像素单元幅值对像素单元进行聚类;
步骤3:利用海域像素单元幅值弱于陆地像素单元的特点生成海域掩膜图像,并排除掩膜图像中面积小于阈值的连通区域;
步骤4:对掩膜图像进行填充,标记填充区域为可能的舰船,得到检测初步结果;
步骤5:利用形态学特征对检测初步结果进行筛选,排除虚警,得到检测结果图;
步骤6:检测结果可视化。
进一步地,所述的步骤1具体包括:
若待处理光学遥感图像为单色谱段数据,则像素单元的概率密度即为相同幅值的像素单元数目:
式中,ρk为像素单元幅值等于Ek的像素单元数目;E(i,j)为像素单元(i,j)的幅值;Ek为量化幅值;χ为判决函数,有定义式:
若待处理光学遥感图像为真彩图像或RGB三色伪彩图,可以将其转化为灰度图或光谱角图像利用式(1)与式(2)计算概率密度;
若处理更多谱段的遥感数据,可将像素单元每一谱段的幅值视为一个维度,将所有像素单元投影至高维特征空间,高维特征空间为维度数大于3的超空间,此时,概率密度为统计以某一坐标点为中心,一定半径的超球面内的像素单元数目,可以定义为:
式中,ρij为像素单元(i,j)的局域密度;dk为高维特征空间内任意像素单元k的投影到像素单元(i,j)投影的距离;χ为判决函数与式(2)类似:
式中,dc为距离门限。
进一步地,所述的步骤2具体包括:计算得到概率密度函数后,将概率密度函数中的局域峰值标识为不同的地物类别,其余像素单元幅值按像素单元数从大到小排列。逐一考查其余像素单元幅值与已标识地物类别像素单元幅值的差别。若已标识L类地物,概率密度函数中像素单元幅值最大为N,考虑排序后第k像素单元幅值与已标识L类地物幅值的差异:
式中,δk为像素单元幅值k至高于其概率密度像素单元幅值的差异最小值;min为求最小值符号。
像素单元幅值的类别归属函数χ为:
式中,Ec为幅值差异门限。当幅值差异最小值δk高于门限时,认为像素单元幅值k为新一类地物,否则,认为像素单元幅值k属于幅值差异最小值最小的那一类地物。
进一步地,所述的步骤3具体包括:考虑到边界取等的特殊情况,可以对海域像素单元幅值区间进行适当拓展:
式中,Esea-min与Esea-max分别为海域像素单元的最小与最大幅值;El-min与El-max分别为其他类地物像素单元的最小与最大幅值,即认为紧靠海域像素单元幅值区间的两类地物极有可能是海域。
进一步地,所述的步骤4至步骤6具体包括:得到海域的幅值区间后,可以得到海域初步掩膜图;随后计算海域初步掩膜图像中各连通区域的面积,排除面积较小的区域;进而对海域掩膜图像进行填充得到初步检测结果;
根据舰船实际尺寸及光学遥感图像分辨率设定面积、长轴长、短轴长、长短轴比及填充率五个参数的阈值区间,筛选初步检测结果得到最终的舰船目标检测结果图,并将检测结果可视化。
与现有光学遥感图像海面舰船目标检测方法相比,本发明提出的基于无监督分类的光学遥感图像海面舰船目标检测方法具有以下优点:
(1)本发明方法具有较好的适用性。舰船检测基于地物分类方法,可以用于可见光、多光谱或高光谱图像处理。各类光学遥感数据利用不同的分类方法得到海域图像后,能够利用本发明实现海面舰船目标检测。若分类结果较为准确,分类图像能够区分云层、海域及阴影区域,则检测方法具备较好的场景适用性。
(2)本发明方法具有较高的效率。地物分类过程使用了图像像素单元幅值概率分布曲线,避免了计算像素单元相关系数生成相关矩阵的过程,使得方法可以较为高效地处理大数量光学遥感图像。
附图说明
图1为本发明一种基于无监督分类的光学遥感图像海面舰船目标检测方法流程图;
图2为全色谱段预处理后的数据图像及其像素单元幅值概率密度曲线。其中,图2(a)为数据图像,尺寸为16971×16292像素;图2(b)为像素单元幅值的概率密度分布曲线,图中标注了几个典型的局域峰值;
图3为RGB三色谱段合成的伪彩图及其像素单元幅值概率密度曲线。其中,图3(a)为RGB三色谱段合成的伪彩图,尺寸为4239×4072像素;图3(b)为伪彩图的像素单元幅值概率密度曲线;
图4为同一观测场景、不同谱段所得地物分类图。其中,图4(a)为全色谱段地物分类结果,包含40类地物;图4(b)为RGB三色伪彩图的地物分类结果,包含259类地物;
图5为海域掩膜图像。其中,图5(a)为处理全色谱段图像得到的海域掩膜图;图5(b)为处理伪彩图得到的海域掩膜图;
图6为海域填充后得到的舰船目标检测初步结果图。其中,图6(a)为全色谱段图像检测结果,包含5000多个连通区域,绝大多数为虚警;图6(b)为RGB三色伪彩图检测结果,包含350多个连通区域,绝大多数为虚警;
图7为根据形态学参数筛选连通区域后得到的海面舰船目标检测结果。其中,图7(a)为处理全色谱段图像所得舰船目标检测结果图,包含45个目标;图7(b)为处理RGB三色伪彩图所得舰船目标检测结果图,包含22个目标;
图8为在原遥感图像中添加检测边框得到的海面舰船目标检测图。其中,图8(a)为全色谱段图像处理结果;图8(b)为RGB三色伪彩图处理结果;
图9为部分检测得到的舰船目标数据切片。其中,图9(a)为全色谱段图像舰船目标切片;图9(b)为RGB三色伪彩图舰船目标切片。
具体实施方式
下面结合附图以及具体实施方式进一步说明本发明。
本发明的一种基于无监督分类的光学遥感图像海面舰船目标检测方法流程图如图1所示,具体包括如下步骤:
步骤1:图像预处理与像素单元概率密度计算。
若待处理光学遥感图像为单色谱段数据,则像素单元的概率密度即为相同幅值的像素单元数目:
式中,ρk为像素单元幅值等于Ek的像元数目;E(i,j)为像素单元(i,j)的幅度值;Ek为量化幅值;χ为判决函数,有定义式:
若待处理光学遥感数据为真彩图像或RGB三色伪彩图,可以将其转化为灰度图或光谱角图像,利用式(1)与式(2)计算概率密度。
根据图像转换标准,真彩图像或RGB三色伪彩图转换为灰度图像的表达式为:
E0=0.2989·Er+0.5870·Eg+0.1140·Eb (3)
式中,E0为灰度图像;Er、Eg、Eb分别为红色、绿色、蓝色谱段遥感图像。
利用两谱段的辐射值之差,将真彩图像或RGB三色伪彩图中各像素单元投影至二维特征平面,像素单元(i,j)在二维特征平面中的投影向量(xij,yij)与X轴正半轴的夹角为:
式中,Ecr(i,j)为像素单元(i,j)在特征空间内投影向量的光谱角。注意到arctan运算得到的角度范围为-90°~90°,因而需要对式(4)中的计算结果进行修正,使其能够准确反映二维空间中向量(xij,yij)与X轴正半轴的夹角。
若处理更多谱段的遥感数据,可将像素单元每一谱段的幅值视为一个维度,将所有像素单元投影至高维特征空间(维度数大于3的超空间)。此时,概率密度为统计以某一坐标点为中心,一定半径超球面内的像素点数目,可以定义为
式中,ρij为像素单元(i,j)的局域密度;dk为特征空间内任意像素单元k的投影到像素单元(i,j)投影的距离;χ为判决函数与式(2)类似:
式中,dc为距离门限。
距离dk可以采用绝对距离、相对熵、欧氏距离等方法度量。欧式距离dk的计算式为:
式中,El(i,j)为第l谱段像素单元(i,j)的幅值;El(k)为第l谱段任意像素单元k的幅值。
步骤2:峰值密度搜索方法聚类。
地物分类采用演化的峰值概率密度搜索方法(参见文献[5]A.Rodriguez andA.Laio.Clustering by Fast Search and Find ofDensity Peaks[J].Science,2014,344(6191):1492-1496.),适用于多光谱与高光谱数据的地物分类方法可以参考已有文献(参见文献[6]何晓雨,许小剑.用于大数据量光谱遥感图像分类的非监督聚类方法[P].中国国家发明专利,ZL201810441780.1,2018.)。现着重讨论无光谱信息的单谱段遥感图像依像素单元幅值进行分类的方法。
分析单谱段遥感图像的概率密度曲线可知,其峰值位置满足一阶导数为零,二阶导数为负,即:
式中,f(x)像素单元幅值的概率密度曲线;f′(x)与f″(x)分别为其一阶与二阶导数。
对于离散函数,峰值为概率密度函数一阶导数符号由正变负的拐点。而根据经验可知,一般情况下海水反射辐射较陆地反射辐射更弱,因此海域像素单元对应概率密度函数中幅值更小的局域峰值。
将概率密度函数中的局域峰值标识为不同的地物类别,其余像素单元幅值按像素单元数从大到小排列,逐一考查其余像素单元幅值与已标识地物类别像素单元幅值的差别。若已标识L类地物,概率密度曲线中像素单元幅值最大为N,考虑排序后第k像素单元幅值与已标识L类地物幅值的差异:
式中,δk为像素单元幅值k至高于其概率密度像素单元幅值的差异最小值;min为求最小值符号。
像素单元幅值的类别归属函数χ为:
式中,Ec为幅值差异门限。当幅值差异最小值δk高于门限时,认为像素单元幅值k为新一类地物,否则,认为像素单元幅值k属于幅值差异最小值最小的那一类地物。
不同聚类中心具有不同的像素单元幅值范围,依幅值范围对遥感影像中的各像素单元进行标注,可以得到地物分类结果图。
步骤3:海域掩膜图像生成。
步骤2中已经说明,单色谱段概率密度曲线中幅值较小(横坐标)的局域高峰值(纵坐标)为海域像素单元。该像素单元数峰值对应的像素单元幅值所属幅值区间即为海域。
考虑到边界取等的特殊情况,可以对海域像素单元幅值区间进行适当拓展:
式中,Esea-min与Esea-max分别为海域像素单元的最小与最大幅值;El-min与El-max分别为其他类地物像素单元的最小与最大幅值。即认为紧靠海域像素单元幅值区间的两类地物极有可能是海域。
应当指出,为避免门限参数选取不当所造成的海域检测结果误差,运用式(11)与式(12)时需要加入幅值限制,如Esea-min的最小门限值及Esea-max的最大门限,超过门限时不进行幅值区间拓展处理。
得到海域的幅值区间后,可以得到海域初步掩膜图像:
式中,E′(i,j)为掩膜图像(i,j)像素单元的值;E(i,j)为遥感图像(i,j)像素单元的幅值。
考虑到阴影区域、海面云层等因素对海面舰船目标检测的影响,需要排除掩膜图像中面积较小的连通区域。
利用3×3的滤波器对掩膜图像进行滑窗处理:掩膜图像中以某像素单元值为1的像元为中心,考察其周边8个像素单元的值,若存在值为1的像素单元,则表明该像素单元与中心像素单元连通,考察其周边的8个像素单元,直到该连通区域的面积不再增加。对属于该连通区域的像素单元进行标记,并记录该连通区域的像素单元数目。若掩膜图像减去该连通区域后仍然存在值为1的像素单元,则继续滑窗处理过程,最终得到连通区域分割结果及各连通区域面积。
排除面积较小的连通区域,其余连通区域均为海域,得到海域检测结果图。
步骤4:掩膜图像填充得到舰船检测初步结果。
由于光学遥感图像中舰船的辐射特性与海面不同,因而海域检测结果图中存在空洞区域。从形态学角度说,海域中间的空洞为未被标记且不与图像边缘连通的像素单元。与连通区域标识类似,可以利用3×3的滤波器对各连通区域进行标识和填充(参见文献[7]P.Soille.Morphological Image Analysis:Principles and Applications[M].Springer-Verlag,pp.173–174,1999.)
连通区域当中包含舰船目标,也包含海水波浪、云层及阴影、岛礁等干扰物,甚至是海陆区域对比度较低,海域检测算法引入的地物虚警。因此还需要对初步检测结果进行筛选。
步骤5:依形态学特征排除虚警,得到最终检测结果图。
舰船目标通常为细长型,但尺寸变化范围比较大:超大型油轮可达460m长70m宽,中小型游艇长度仅有10m左右。舰船的形态学特征包括长轴长度、短轴长度、面积、长短轴比及填充率等指标,在图像中以像素单元数为单位表示。
假设某一连通区域包含N个像素单元(该连通区域的面积即为N),且像素单元的两维坐标矩阵为X={x1;x2,…;xN}及Y={y1;y2,…;yN},则该连通区域的中心坐标为:
式中,(xc,yc)为连通区域的中心坐标。
长轴与短轴长度为:
式中,Lmajor与Lminor分别为该区域等效椭圆的长轴与短轴长度;ux、uy、uxy为中间变量。
根据面积、长短轴长度可以定义长短轴比及填充率,即:
式中,rls为该连通区域的长短轴比;rfr为该连通区域的填充率。
根据舰船实际尺寸及光学遥感图像分辨率设定面积、长轴长、短轴长、长短轴比及填充率五个参数的阈值区间,排除初步检测结果图中的虚假目标,得到最终的舰船目标检测结果图。
步骤6:检测结果可视化。
对于步骤5中利用舰船掩膜图像得到的检测结果可以有不同的可视化方式,例如,将舰船掩膜图像做透明化处理后叠加在原光学遥感图像上,或是在原光学遥感图像中添加矩形框标识检测结果,又或是截取舰船区域图像并标识舰船类别用于训练神经网络。具体的可视化方式取决于检测结果的后续用途。
实施例
下面采用本发明方法分别处理一景星载传感器全色谱段与RGB三色谱段图像数据,对本发明做进一步说明。其中全色谱段数据的星下点地面投影视场分辨率为0.7-0.8m,一景图像大小为16971×16292像素,量化后像素单元幅值范围为1至1024;RGB三色谱段的地面投影视场分辨率约为全色谱段的四分之一,一景图像大小均为4239×4072像素,量化后像素单元幅值范围均为1至1024。
步骤1:图像预处理与像素单元概率密度计算。
图2(a)所示为全色单谱段原始数据图像;图2(b)所示为该图像的概率密度曲线,海面像素单元的初始幅值为64。图3(a)为RGB三色图像合成的伪彩图;图3(b)为伪彩图的概率密度曲线,海面像素单元的初始幅值为38。
步骤2:峰值密度搜索方法聚类。
对于全色谱段设定像素单元幅值差异门限Ec为4,得到的地物分类图如4(a)所示。图4(a)表明该场景中应有40类地物,考虑到海面像素单元的初始幅值为64,可知地物分类图4(a)中类别2为海域,海面像素单元的幅值区间为42至85。
对于三谱段所得伪彩图,设定像素单元幅值差异门限Ec为1,得到的地物分类图如4(b)所示。由于像素单元幅值差异门限更小,因此地物分类结果更精细,图4(b)表明该场景中应有259类地物。考虑到海面像素单元初始幅值为38,可知地物分类图4(b)中类别2为海域,海面像素单元的幅值区间为33至46。
步骤3:海域掩膜图像生成。
将全色谱段中像素幅值42至85的像素单元设定为1,其余像素单元置零,排除像素单元数小于800×800的连通区域,得到的海域掩膜图像如图5(a)所示。与此类似,将伪彩图图像中像素幅值33至46的像素单元设定为1,其余像素单元置零,排除像素单元数小于400×400的连通区域,得到的海域掩膜图像如图5(b)所示。
步骤4:掩膜图像填充得到舰船检测初步结果。
全色谱段图像海面舰船检测初始结果如图6(a)所示,图中检测到5000多个目标,显然绝大多数为虚警。伪彩图海面舰船检测初始结果如图6(b)所示,图中检测到350多个目标,较分辨率更高的全色谱段而言,虚警更低。
步骤5:依形态学特征排除虚警,得到最终检测结果图。
设定较为宽松的形态学特征参数门限。考虑全色谱段的地面投影分辨率最高可达0.7m,设置连通区域面积门限N∈(500,115200),长轴长门限Lmajor∈(35,600),短轴长门限Lminor∈(10,200),长短轴比门限rls∈(2,10),填充率门限rfr∈(0.4,0.9),得到最终检测结果如图7(a)所示。图中检测舰船目标数目为45个,仍然存在部分虚警。
与此类似,考虑伪彩图的地面投影分辨率为全色谱段的四分之一,设置连通区域面积门限N∈(60,2400),长轴长门限Lmajor∈(8,110),短轴长门限Lminor∈(3,45),长短轴比门限rls∈(2,10),填充率门限rfr∈(0.5,0.8),得到最终检测结果如图7(b)所示。由于填充率门限的限制更为严格,且分辨率更低,小型舰船的轮廓已不可分辨,故图中检测舰船目标数目为22个,同样存在少量虚警。
步骤6:检测结果可视化。
图8为在原遥感图像中添加探测矩形框的方法,显示舰船目标检测结果。由于遥感图像覆盖区域很大,故需要放大局部区域才能直观判断检测结果是否正确。图8(a)为全色谱段检测结果,图8(b)为伪彩图检测结果。两幅图像给出的放大区域基本相同,可以看到由于分辨率不足,不能够探测小型舰船的情形(见右上方放大图)。
图9为从原遥感图像中截取的舰船目标及其附近区域,横纵坐标为图像切片的像素单元数,其中,图9(a)为全色谱段图像结果,图9(b)为伪彩图结果。两幅图像仅第二行最后一艘舰船不同,这是由于该舰船尺寸较小,在低分辨率的伪彩图中几乎无法辨别其形态,检测结果不可靠,故将其排除。对比两组切片可以清楚看到分辨率对于舰船检测及舰船类型判别的影响。
本发明还可以采用的替代方案同样能完成发明目的:考虑到峰值密度聚类算法的简洁性和鲁棒性,故采用其实施海域检测,该方法可以被K均值等非监督聚类方法替代;可以采用其他形态学参数或采用深度学习网络对舰船检测初步结果进行筛选;可以采用舰船边缘框选,或是将舰船掩膜图像做透明化处理后叠加在原光学遥感图像上等方式,现实检测结果的可视化。
Claims (5)
1.一种基于无监督分类的大数据量光学遥感图像海面舰船目标检测方法,其特征在于:包括如下步骤:
步骤1:对遥感数据进行预处理,计算各像素单元的概率密度;
步骤2:利用峰值密度搜索方法,依像素单元幅值对像素单元进行聚类;
步骤3:利用海域像素单元幅值弱于陆地的特点生成海域掩膜图像,并排除掩膜图像中面积小于阈值的连通区域;
步骤4:对掩膜图像进行填充,标记填充区域为可能的舰船,得到检测初步结果;
步骤5:利用形态学特征对各填充区域进行筛选,排除干扰,得到检测结果图;
步骤6:检测结果可视化。
2.根据权利要求1所述的基于无监督分类的大数据量光学遥感图像海面舰船目标检测方法,其特征在于:所述的步骤1具体包括:
若待处理光学遥感图像为单色谱段数据,则像素单元的概率密度即为相同幅值的像素单元数目:
式中,ρk为像素单元幅值等于Ek的像素单元数目;E(i,j)为像素单元(i,j)的幅值;Ek为量化幅值;χ为判决函数,有定义式:
若待处理光学遥感图像为真彩图像或RGB三色伪彩图,可以将其转化为灰度图或光谱角图像利用式(1)与式(2)计算概率密度;
若处理更多谱段的遥感数据,可将像素单元每一谱段的幅值视为一个维度,将所有像素单元投影至高维特征空间,高维特征空间为维度数大于3的超空间,此时,概率密度为统计以某一坐标点为中心,一定半径的超球面内的像素单元数目,可以定义为:
式中,ρij为像素单元(i,j)的局域密度;dk为高维特征空间内任意像素单元k的投影到像素单元(i,j)投影的距离;χ为判决函数与式(2)类似:
式中,dc为距离门限。
3.根据权利要求1所述的基于无监督分类的大数据量光学遥感图像海面舰船目标检测方法,其特征在于:所述的步骤2具体包括:计算得到概率密度函数后,将概率密度函数中的局域峰值标识为不同的地物类别,其余像素单元幅值按像素单元数从大到小排列,逐一考查其余像素单元幅值与已标识地物类别像素单元幅值的差别,若已标识L类地物,概率密度函数中像素单元幅值最大为N,考虑排序后第k像素单元幅值与已标识L类地物幅值的差异:
式中,δk为像素单元幅值k至高于其概率密度像素单元幅值的差异最小值;min为求最小值符号;
像素单元幅值的类别归属函数χ为:
式中,Ec为幅值差异门限。当幅值差异最小值δk高于门限时,认为像素单元幅值k为新一类地物,否则,认为像素单元幅值k属于幅值差异最小值最小的那一类地物。
5.根据权利要求1所述的基于无监督分类的大数据量光学遥感图像海面舰船目标检测方法,其特征在于:所述的步骤4至步骤6具体包括:得到海域的幅值区间后,可以得到海域初步掩膜图;随后计算海域初步掩膜图像中各连通区域的面积,排除面积较小的区域;进而对海域掩膜图像进行填充得到初步检测结果;
根据舰船实际尺寸及光学遥感图像分辨率设定面积、长轴长、短轴长、长短轴比及填充率五个参数的阈值区间,筛选初步检测结果得到最终的舰船目标检测结果图,并将检测结果可视化。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011418776.7A CN112418156B (zh) | 2020-12-07 | 2020-12-07 | 基于无监督分类的光学遥感图像海面舰船目标检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011418776.7A CN112418156B (zh) | 2020-12-07 | 2020-12-07 | 基于无监督分类的光学遥感图像海面舰船目标检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112418156A true CN112418156A (zh) | 2021-02-26 |
CN112418156B CN112418156B (zh) | 2022-09-30 |
Family
ID=74776263
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011418776.7A Active CN112418156B (zh) | 2020-12-07 | 2020-12-07 | 基于无监督分类的光学遥感图像海面舰船目标检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112418156B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117828321A (zh) * | 2024-03-06 | 2024-04-05 | 四川交通职业技术学院 | 一种钢管混凝土桥梁的密实度检测方法及系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103984945A (zh) * | 2014-05-14 | 2014-08-13 | 武汉大学 | 一种光学遥感影像船只检测方法 |
CN108647719A (zh) * | 2018-05-10 | 2018-10-12 | 北京航空航天大学 | 用于大数据量光谱遥感图像分类的非监督聚类方法 |
CN110031843A (zh) * | 2019-05-09 | 2019-07-19 | 中国科学院自动化研究所 | 基于roi区域的sar图像目标定位方法、系统、装置 |
CN111626290A (zh) * | 2019-12-31 | 2020-09-04 | 中国航天科工集团八五一一研究所 | 一种复杂海面环境下的红外舰船目标检测识别方法 |
-
2020
- 2020-12-07 CN CN202011418776.7A patent/CN112418156B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103984945A (zh) * | 2014-05-14 | 2014-08-13 | 武汉大学 | 一种光学遥感影像船只检测方法 |
CN108647719A (zh) * | 2018-05-10 | 2018-10-12 | 北京航空航天大学 | 用于大数据量光谱遥感图像分类的非监督聚类方法 |
CN110031843A (zh) * | 2019-05-09 | 2019-07-19 | 中国科学院自动化研究所 | 基于roi区域的sar图像目标定位方法、系统、装置 |
CN111626290A (zh) * | 2019-12-31 | 2020-09-04 | 中国航天科工集团八五一一研究所 | 一种复杂海面环境下的红外舰船目标检测识别方法 |
Non-Patent Citations (3)
Title |
---|
XIANXIANG QIN 等: "Unsupervised Classification of PolSAR Images Based on CFAR Detection of Cluster Centers", 《2019 6TH ASIA-PACIFIC CONFERENCE ON SYNTHETIC APERTURE RADAR (APSAR)》 * |
徐芳 等: "基于视觉显著性的无监督海面舰船检测与识别", 《光学精密工程》 * |
田巳睿 等: "基于引力场增强的SAR图像舰船检测方法研究", 《遥感学报》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117828321A (zh) * | 2024-03-06 | 2024-04-05 | 四川交通职业技术学院 | 一种钢管混凝土桥梁的密实度检测方法及系统 |
CN117828321B (zh) * | 2024-03-06 | 2024-05-03 | 四川交通职业技术学院 | 一种钢管混凝土桥梁的密实度检测方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN112418156B (zh) | 2022-09-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Shao et al. | Cloud detection in remote sensing images based on multiscale features-convolutional neural network | |
Zhao et al. | A coupled convolutional neural network for small and densely clustered ship detection in SAR images | |
Bentes et al. | Ship classification in TerraSAR-X images with convolutional neural networks | |
CN108875659B (zh) | 一种基于多光谱遥感影像的海图养殖区识别方法 | |
CN109146889B (zh) | 一种基于高分辨率遥感图像的农田边界提取方法 | |
Du et al. | Random-selection-based anomaly detector for hyperspectral imagery | |
Nath et al. | A survey of image classification methods and techniques | |
Uezato et al. | A novel endmember bundle extraction and clustering approach for capturing spectral variability within endmember classes | |
CN106886760B (zh) | 一种基于空谱信息结合的高光谱舰船检测方法 | |
CN107610114A (zh) | 基于支持向量机的光学卫星遥感影像云雪雾检测方法 | |
Stankov et al. | Building detection in very high spatial resolution multispectral images using the hit-or-miss transform | |
Kumar et al. | Deep remote sensing methods for methane detection in overhead hyperspectral imagery | |
CN112434642B (zh) | 一种适用于处理大场景光学遥感数据的海陆分割方法 | |
CN108428220A (zh) | 静止轨道卫星序列遥感影像海岛礁区域自动几何校正方法 | |
CN107239755A (zh) | 基于高分卫星遥感数据的海上油气平台提取系统 | |
Matteoli et al. | Automatic target recognition within anomalous regions of interest in hyperspectral images | |
CN112418156B (zh) | 基于无监督分类的光学遥感图像海面舰船目标检测方法 | |
Azevedo et al. | Shadow detection using object area-based and morphological filtering for very high-resolution satellite imagery of urban areas | |
Zhang et al. | Feature-band-based unsupervised hyperspectral underwater target detection near the coastline | |
Wang et al. | A novel filter-based anomaly detection framework for hyperspectral imagery | |
CN111047616A (zh) | 一种遥感图像滑坡目标约束性主动轮廓特征提取方法 | |
CN110567886B (zh) | 基于半监督空谱特征的多光谱云检测方法 | |
Huang et al. | Classification of very high spatial resolution imagery based on the fusion of edge and multispectral information | |
Rand et al. | Feature-based and statistical methods for analyzing the Deepwater Horizon oil spill with AVIRIS imagery | |
CN112464849B (zh) | 一种星载光学遥感图像中驻泊舰船目标检测方法 |
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 |