CN112464849B - 一种星载光学遥感图像中驻泊舰船目标检测方法 - Google Patents

一种星载光学遥感图像中驻泊舰船目标检测方法 Download PDF

Info

Publication number
CN112464849B
CN112464849B CN202011419947.8A CN202011419947A CN112464849B CN 112464849 B CN112464849 B CN 112464849B CN 202011419947 A CN202011419947 A CN 202011419947A CN 112464849 B CN112464849 B CN 112464849B
Authority
CN
China
Prior art keywords
ship
coastline
image
remote sensing
line segment
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
CN202011419947.8A
Other languages
English (en)
Other versions
CN112464849A (zh
Inventor
何晓雨
许小剑
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.)
Beihang University
Original Assignee
Beihang University
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 Beihang University filed Critical Beihang University
Priority to CN202011419947.8A priority Critical patent/CN112464849B/zh
Publication of CN112464849A publication Critical patent/CN112464849A/zh
Application granted granted Critical
Publication of CN112464849B publication Critical patent/CN112464849B/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
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Multimedia (AREA)
  • Probability & Statistics with Applications (AREA)
  • Astronomy & Astrophysics (AREA)
  • Remote Sensing (AREA)
  • Image Processing (AREA)
  • Image Analysis (AREA)

Abstract

本发明提出一种星载光学遥感图像中驻泊舰船目标检测方法。该方法包括：首先利用局域密度峰值搜索方法对原遥感图像进行分类处理，得到海域掩膜图像及海岸线轮廓图。随后统计海岸线像素单元附近海域像素单元数目，得到局域密度。将局域密度局部极小值视为可能的舰船与海岸的交汇点。利用判别依据连接特定的交汇点，连接线与海岸线形成的闭合区域为可能的舰船。通过图形学方法对闭合区域进行填充，并利用形态学特征排除虚警，得到最终的舰船检测结果图。全色谱段图像舰船目标检测结果，说明了本发明方法具有良好的适用性及可拓展性。

Description

一种星载光学遥感图像中驻泊舰船目标检测方法
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，具体涉及一种星载光学遥感图像中驻泊舰船目标检测方法。
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。
星载光学遥感图像中驻泊舰船目标检测通常基于遥感影像的纹理信息，如舰船轮廓外形、船头形状、甲板辐射强度等。相较于检测星载光学遥感图像中的海面舰船目标，驻泊舰船目标检测问题更具挑战，这是因为舰船的辐射强度与登船梯、栈桥等码头区域的辐射强度相近，且不同类型舰船的辐射强度变化范围很大，因而利用辐射强度差异检测岸边舰船目标很难保证结果的可靠性。光谱遥感理论上能够用于鉴别舰船目标，然而，由于舰船与陆地的光谱特性相差不大，且高分辨率光学图像中舰船各部分的光谱特性存在差异，因而同样存在探测识别岸边停靠舰船目标的技术问题。
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
利用舰船模型的轮廓特征或者船头的轮廓特征匹配图像中轮廓特征相似的区域探测舰船目标(参见文献[1]H.Chen,T.Ga,W.Chen,et al.Contour Refinement and EG-GHT-Based Inshore Ship Detection in Optical Remote Sensing Image[J].IEEETransactions on Geoscience and Remote Sensing,2019,57(11):8458-8478.和文献[2]H.He,Y.Lin,F.Chen,et al.Inshore Ship Detection in Remote Sensing Images viaWeighted Pose Voting[J].IEEE Transactions on Geoscience and Remote Sensing,2017,55(6):3091-3107.)。
1.2现有技术一的缺点
检测方法仅适用于特定形状的舰船目标，例如头部近似为三角形，躯体至船尾部分近似为矩形的舰船。检测轮廓形状差异较大的舰船目标(如大型货轮)，结果存在不确定性。
2.1现有技术的技术方案二
利用驻泊舰船目标切片训练神经网络，或是利用稀疏表征等方法处理原遥感图像后训练神经网络，利用深度学习方法识别岸边舰船目标(参见文献[3]Y.Zhuang,L.Li,andH.Chen.Small Sample Set Inshore Ship Detection From VHR Optical RemoteSensing Images Based on Structured Sparse Representation[J].IEEE Journal ofSelected Topics in Applied Earth Observations and Remote Sensing,2020,13:2145-2160.和文献[4]F.Bi,J.Chen,Y.Zhuang,et al.A Decision Mixture Model-BasedMethod for Inshore Ship Detection Using High-Resolution Remote Sensing Images[J].Sensors,2017,17(1470):1-13.)。
2.2现有技术二的缺点
训练神经网络需要获取大量舰船目标遥感图像切片，并对其进行准确标注，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。
发明内容
本发明针对星载光学遥感图像的大量数据处理问题，根据舰船通常为细长型，且岸边停靠舰船的轮廓外形与码头存在差别的特点，提出一种基于舰船轮廓特征的星载光学遥感图像舰船目标检测方法。首先利用局域密度峰值搜索方法对原遥感图像进行分类处理，得到海域掩膜图像及海岸线轮廓图。随后利用全为1的2维正方形滤波器沿海岸线滑动，统计滤波器中海域像素单元数目，得到各海岸线像素单元的局域密度。将局域密度局部极小值属于门限范围内的像素单位视为可能的舰船与海岸的交汇点。接着依据判决准则连接特定的交汇点，连接线与海岸线形成的闭合区域为可能的舰船。通过图形学方法对闭合区域进行填充，利用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：一种星载光学遥感图像中驻泊舰船目标检测方法，包括如下步骤：
步骤1：基于光学遥感图像地物分类的海陆分割；
步骤2：海岸线像素单元局域密度统计及交汇点判决；
步骤3：交汇点连接判决，生成可能舰船目标的轮廓图；
步骤4：轮廓图填充生成初步检测结果；
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2具体包括：
利用峰值密度聚类等方法对原遥感图像进行地物分类处理，生成海域掩膜图像及海岸线图像；
统计以某一海岸线像素单元E″(k,l)为中心，(2L+1)×(2L+1)正方形区域内海域像素单元的数目，得到局域密度：
Figure BDA0002821775010000031
式中，ρk,l为海岸线图像E″中像素单元(k,l)的局域密度；
注意到对于平直海岸线局域密度ρk,l趋近于L/(2L+1)，海湾等凹陷海岸线区域的密度ρk,l小于L/(2L+1)，值越小，凹陷越显著；而对于海角等凸出海岸线区域的密度ρk,l大于L/(2L+1)，值越大凸出越显著。
进一步地，在遥感图像分辨率较高的理想情况下可以准确判断交汇点；然而，实际星载遥感图像分辨率有限且受大气扰动、平台振动等因素的影响，海陆分割结果并不理想，表现为交汇点中存在冗余或虚假交汇点，因而需要对连接的交汇点进行判；基本的判断准则包括连接线与海岸线曲线是否相交，海岸线曲线是否位于连接线的一侧，交汇点数上限，连接线长度；
将所有提取的交汇点按海岸线走向排序，若前后两个交汇点分别为起始A点(xa,ya)与终止B点(xb,yb)，则在图像中AB线段可以表示为：
Figure BDA0002821775010000032
式中，(xab,yab)为线段AB在图像中的坐标，有xab、yab为整数，且xab∈[min(xa,xb),max(xa,xb)]，yab∈[min(ya,yb),max(ya,yb)]；int为取整运算。假如海岸线图像E″中线段AB对应的像素单元均为0，表明线段AB与海岸线无交点，考察起始A点与后续交汇点C点(xc,yc)形成线段AC的情况；否则线段AB与海岸线有交点，将B作为起始点，考察其与后续交汇点C点形成线段BC的情况；
得到线段AB的方程后，可以利用正负号判断曲线AB是否位于连接线的相同侧，即：
Figure BDA0002821775010000041
式中，(x′ab,y′ab)为海岸线图像中曲线AB的各像素单元坐标；Δy为判断曲线AB是否位于线段AB同侧的依据：若所有像素单元Δy符号相同，则曲线AB位于线段AB同侧，否则位于两侧；
考虑到一些复杂舰船结构在传感器成像平面上的投影会出现凹陷，故舰船轮廓上亦可能出现交汇点，即曲线AB、曲线BC为同一舰船轮廓，不应该切分为两部分；合并曲线时，考虑交汇点过多的情形，设定交汇点数目上限门限；当交汇点数目超过门限时，若首尾两个交汇点不为该交汇点集中最小的两个局域密度，则依局域密度最小的交汇点将曲线分割为两部分，得到两片填充区域；若存在A、B、C、D、E五个交汇点，A、C点为两个局域密度最小值，那么依C点做线段AC与CE，即：
Figure BDA0002821775010000042
式中，(xa,ya)、(xc,yc)、(xe,ye)分别为点A、C、E的坐标；(xac,yac)、(xce,yce)为线段AC与CE在图像中的坐标，与式(12)类似需要考虑密度及取整问题；
考虑到特殊情况，设定交汇点连接线的长度上限值；若线段长度超过门限，且交汇点数大于2，处理方式与交汇点数目超过门限时类似：则依局域密度最小的交汇点将曲线分割为两部分；若仅存在2个交汇点则不绘制该线段；线段AB的长度计算式与式(6)类似，有：
Figure BDA0002821775010000043
式中，dab为线段AB的长度；
利用式(12)至式(15)沿各海岸线进行搜索，得到疑似舰轮廓图；
得到疑似舰轮廓图后，对其进行封闭区域填充得到初步的舰船目标检测结果。
进一步地，所述的步骤4至步骤6具体包括：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中驻泊舰船目标检测方法相比，本发明提出的基于舰船轮廓特征的星载光学遥感图像中驻泊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岸边停靠舰船目标检测。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)本发明方法具有较好的可拓展性。得到的舰船目标结果切片保留了原光学遥感图像的全部信息，既可以用于标注舰船目标切片生成舰船探测识别数据集，也可以利用已有舰船光学图像识别网络对初步检测结果进行筛选，获得更高的检测概率。
附图说明
图1为本发明一种星载光学遥感图像中驻泊舰船目标检测方法的流程图；
图2为光学遥感图像海陆分割结果图。其中，图2(a)为原数据图像，尺寸为8163×12000像素；图2(b)为地物分类结果图，包含35类地物；图2(c)为海域掩膜图像；
图3为海岸线图像及交汇点判决图。其中，图3(a)为该场景区域提取得到的海岸线，总计2条；图3(b)为标注了交汇点的一条海岸线图像；
图4为交汇点连接判决生成的疑似舰船目标轮廓图；
图5为轮廓图填充后得到的岸边停靠舰船目标初步检测结果；
图6为根据形态学参数筛选连通区域后得到的驻泊舰船目标检测结果；
图7为在原遥感图像中添加检测边框得到的驻泊舰船目标检测图；
图8为部分检测得到的舰船目标数据切片。
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。
本发明一种星载光学遥感图像中驻泊舰船目标检测方法的流程图如图1所示，具体包括如下步骤：
步骤1：地物分类与海陆分割。
本发明采用基于光学遥感图像地物分类的海陆分割方法生成海域掩膜图像。具体实施过程中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 of Density 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,ZL 201810441780.1,2018.)。本节中讨论单谱段遥感数据处理。
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：
Figure BDA0002821775010000061
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：
Figure BDA0002821775010000062
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。
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：
Figure BDA0002821775010000063
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：
Figure BDA0002821775010000071
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：
Figure BDA0002821775010000072
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。
下面讨论单谱段遥感图像依像素单元幅值进行分类的方法。单谱段遥感图像的概率密度曲线为离散函数，其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：
Figure BDA0002821775010000073
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：
Figure BDA0002821775010000074
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。
将海域峰值对应的像素单元幅值所属幅值区间设为海域，可以得到海域初步掩膜图像：
Figure BDA0002821775010000075
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；Esea-min与Esea-max分别为海域像素单元的最小与最大幅值。
考虑到阴影区域、海面云层的因素的影响，排除海域初步掩膜图像中面积较小的连通区域，剩余区域填充处理后得到海域检测结果图。
步骤2：海岸线像素单元局域密度计算与交汇点筛选。
利用边缘提取算法提取海域掩膜图像中海岸线的像素单元坐标(参见文献[7]R.C.Gonzalez,R.E.Woods,and S.L.Eddins.Digital Image Processing Using MATLAB[M].New Jersey,Pearson Prentice Hall,2004.)。若原遥感图像为EM×N，得到的海域掩膜图像为E′M×N，那么海岸线为海域图像的边缘：
Figure BDA0002821775010000081
式中，E″为海岸线图像；E′为海域掩膜图像；W为图像轮廓滤波器；*为卷积运算符号。
统计以某一海岸线像素单元E″(k,l)为中心，(2L+1)×(2L+1)正方形区域内海域像素单元的数目，得到局域密度：
Figure BDA0002821775010000082
式中，ρk,l为海岸线图像E″中像素单元(k,l)的局域密度。
注意到对于平直海岸线局域密度ρk,l趋近于L/(2L+1)，海湾等凹陷海岸线区域的密度ρk,l小于L/(2L+1)，值越小，凹陷越显著；而对于海角等凸出海岸线区域的密度ρk,l大于L/(2L+1)，值越大，凸出越显著。理论上而言，通过设定阈值门限可以判定舰船与海岸的交汇处。
假如海岸边停靠有舰船，则船首与船尾均与海岸形成夹角，类似于凹陷区域。考虑到该凹陷区域附近的多个海岸线像素单元的局域密度可能均小于设定的阈值门限ρc，故选取该凹陷区域中海岸线像素单元局域密度最小的位置，将其设置为舰船与海岸线的交汇点。局域最小值的计算方法与局域最大值类似：局域最小值为概率密度函数一阶导数符号由负变正的拐点。
步骤3：交汇点连接与疑似舰船轮廓图生成。
在遥感图像分辨率较高的理想情况下，可以准确判断交汇点。然而，实际星载遥感图像分辨率有限，且受大气扰动、平台振动等因素的影响，海陆分割的结果并不理想，表现为交汇点中存在冗余或虚假交汇点，因而需要对待连接的交汇点进行判。基本的判断准则包括交汇点连接线段与海岸线曲线是否相交，海岸线曲线是否位于连接线的一侧，交汇点数上限，交汇点连接线段长度等等。
将所有提取的交汇点按海岸线走向排序。若前后两个交汇点分别为起始A点(xa,ya)与终止B点(xb,yb)，则在图像中AB线段可以表示为：
Figure BDA0002821775010000091
式中，(xab,yab)为线段AB在图像中的坐标，有xab、yab为整数，且xab∈[min(xa,xb),max(xa,xb)]，yab∈[min(ya,yb),max(ya,yb)]；int为取整运算。假如海岸线图像E″中线段AB对应的像素单元均为0，表明线段AB与海岸线无交点，考察起始A点与后续交汇点C点(xc,yc)形成线段AC的情况；否则线段AB与海岸线有交点，将B作为起始点，考察其与后续交汇点C点形成线段BC的情况。
得到线段AB的方程后，可以利用正负号判断曲线AB是否位于连接线的相同侧，即：
Figure BDA0002821775010000092
式中，(x′ab,y′ab)为海岸线图像中曲线AB的各像素单元坐标；Δy为判断曲线AB是否位于线段AB同侧的依据：若所有像素单元Δy符号相同，则曲线AB位于线段AB同侧，否则位于两侧。该准则主要用于码头栈桥两侧均停靠了舰船的情形。
考虑到一些复杂舰船结构在传感器成像平面上的投影会出现类凹陷处，故舰船轮廓上亦可能出现交汇点，即曲线AB、曲线BC为同一舰船轮廓，不应该切分为两部分。合并曲线时，考虑交汇点过多的情形，设定交汇点数目上限门限。当交汇点数目超过门限时，若首尾两个交汇点不为该交汇点集中最小的两个局域密度，则依局域密度最小的交汇点将曲线分割为两部分，得到两片填充区域。若存在A、B、C、D、E五个交汇点，A、C点为两个局域密度最小值，那么依C点做线段AC与CE，即：
Figure BDA0002821775010000093
式中，(xa,ya)、(xc,yc)、(xe,ye)分别为点A、C、E的坐标；(xac,yac)、(xce,yce)为线段AC与CE在图像中的坐标，与式(12)类似需要考虑密度及取整问题。
考虑到特殊情况，设定交汇点连接线的长度上限值。若线段长度超过门限，且交汇点数大于2，处理方式与交汇点数目超过门限时类似，则依局域密度最小的交汇点将曲线分割为两部分。若仅存在2个交汇点则不绘制该线段。线段AB的长度计算式与式(6)类似，有：
Figure BDA0002821775010000101
式中，dab为线段AB的长度。
利用式(12)至式(15)沿各海岸线进行搜索，得到疑似舰轮廓图。
步骤4：轮廓图填充得到舰船检测初步结果图。
从形态学角度说，未被标记且不与图像边缘连通的像素单元为空洞区域。可以利用3×3的滤波器对各闭合轮廓进行填充(参见文献[8]P.Soille.Morphological ImageAnalysis:Principles and Applications[M].Springer-Verlag,pp.173–174,1999.)。对填充后的各连通区域进行编号，得到岸边驻泊舰船初步检测结果图。
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：
Figure BDA0002821775010000102
式中，(xc,yc)为连通区域的中心坐标。
长轴与短轴长度为：
Figure BDA0002821775010000103
Figure BDA0002821775010000111
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：
Figure BDA0002821775010000112
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处理一景星载传感器全色谱段图像数据，对本发明做进一步说明。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。为减少处理数据量仅选取海边区域，裁剪后的图像大小为8163×12000像素。
步骤1：地物分类与海陆分割。
图2(a)所示为全色单谱段原始数据图像；设定像素单元幅值差异门限Ec为4，得到的地物分类图如图2(b)所示；将幅值属于海域幅值区间的像素单元设定为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2(c)所示。
步骤2：海岸线像素单元局域密度计算与交汇点筛选。
利用边缘提取算法得到的海岸线图像如图3(a)所示。利用17×17像素单元滤波器计算海岸线像素单元的局域密度，设置局域密度门限ρc的区间为(0.06,0.47)，筛选得到的交汇点由图3(b)示出。
步骤3：交汇点连接与疑似舰船轮廓图生成。
设置交汇点数目至多为5，依据图像分辨率及大型舰船实际尺寸设置门限dab为600像素单元，得到的疑似舰船轮廓图如图4所示。
步骤4：掩膜图像填充得到舰船检测初步结果。
填充轮廓图中的封闭区域，将轮廓图转换为离散连通区域图像，每一连通区域可能包含一艘舰船，结果如图5所示。
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6所示。检测结果包含海面及岸边舰船，存在虚警及漏警现象。
步骤6：检测结果可视化。
图7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，可以看出本发明方法可以用于检测不同外形、不同尺寸的驻泊舰船目标。
本发明还可以采用的替代方案同样能完成发明目的：可以采用峰值密度聚类算法以外的方法得到海域掩膜图像与海岸线图像；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，提高检测概率并降低虚警；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 (3)

1.一种星载光学遥感图像中驻泊舰船目标检测方法，其特征在于：包括如下步骤：
步骤1：基于光学遥感图像地物分类的海陆分割；
步骤2：海岸线像素单元局域密度统计及交汇点判决；
步骤3：交汇点连接判决，生成可能舰船目标的轮廓图；
步骤4：轮廓图填充生成初步检测结果；
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；
其中，所述的步骤2具体包括：
利用峰值密度聚类方法对原遥感图像进行地物分类处理，生成海域掩膜图像及海岸线图像；
统计以某一海岸线像素单元E″(k,l)为中心，(2L+1)×(2L+1)正方形区域内海域像素单元的数目，得到局域密度：
Figure FDA0003777693860000011
式中，ρk,l为海岸线图像E″中像素单元(k,l)的局域密度；
注意到对于平直海岸线局域密度ρk,l趋近于L/(2L+1)，海湾等凹陷海岸线区域的密度ρk,l小于L/(2L+1)，值越小，凹陷越显著；而对于海角等凸出海岸线区域的密度ρk,l大于L/(2L+1)，值越大凸出越显著。
2.根据权利要求1所述的星载光学遥感图像中驻泊舰船目标检测方法，其特征在于：所述的步骤3具体包括：在遥感图像分辨率较高的理想情况下可以准确判断交汇点；然而，实际星载遥感图像分辨率有限且受大气扰动、平台振动因素的影响，海陆分割结果并不理想，表现为交汇点中存在冗余或虚假交汇点，因而需要对连接的交汇点进行判；基本的判断准则包括连接线与海岸线曲线是否相交，海岸线曲线是否位于连接线的一侧，交汇点数上限，连接线长度；
将所有提取的交汇点按海岸线走向排序，若前后两个交汇点分别为起始A点(xa,ya)与终止B点(xb,yb)，则在图像中AB线段可以表示为：
Figure FDA0003777693860000021
式中，(xab,yab)为线段AB在图像中的坐标，有xab、yab为整数，且xab∈[min(xa,xb),max(xa,xb)]，yab∈[min(ya,yb),max(ya,yb)]；int为取整运算；假如海岸线图像E″中线段AB对应的像素单元均为0，表明线段AB与海岸线无交点，考察起始A点与后续交汇点C点(xc,yc)形成线段AC的情况；否则线段AB与海岸线有交点，将B作为起始点，考察其与后续交汇点C点形成线段BC的情况；
得到线段AB的方程后，可以利用正负号判断曲线AB是否位于连接线的相同侧，即：
Figure FDA0003777693860000022
式中，(x′ab,y′ab)为海岸线图像中曲线AB的各像素单元坐标；Δy为判断曲线AB是否位于线段AB同侧的依据：若所有像素单元Δy符号相同，则曲线AB位于线段AB同侧，否则位于两侧；
考虑到一些复杂舰船结构在传感器成像平面上的投影会出现凹陷，故舰船轮廓上亦可能出现交汇点，即曲线AB、曲线BC为同一舰船轮廓，不应该切分为两部分；合并曲线时，考虑交汇点过多的情形，设定交汇点数目上限门限；当交汇点数目超过门限时，若首尾两个交汇点不为该交汇点集中最小的两个局域密度，则依局域密度最小的交汇点将曲线分割为两部分，得到两片填充区域；若存在A、B、C、D、E五个交汇点，A、C点为两个局域密度最小值，那么依C点做线段AC与CE，即：
Figure FDA0003777693860000023
式中，(xa,ya)、(xc,yc)、(xe,ye)分别为点A、C、E的坐标；(xac,yac)、(xce,yce)为线段AC与CE在图像中的坐标，与式(12)类似需要考虑密度及取整问题；
考虑到特殊情况，设定交汇点连接线的长度上限值；若线段长度超过门限，且交汇点数大于2，处理方式与交汇点数目超过门限时类似：则依局域密度最小的交汇点将曲线分割为两部分；若仅存在2个交汇点则不绘制该线段；线段AB的长度计算式与式(6)类似，有：
Figure FDA0003777693860000031
式中，dab为线段AB的长度；
利用式(12)至式(15)沿各海岸线进行搜索，得到疑似舰轮廓图；
得到疑似舰轮廓图后，对其进行封闭区域填充得到初步的舰船目标检测结果。
3.根据权利要求1所述的星载光学遥感图像中驻泊舰船目标检测方法，其特征在于：所述的步骤4至步骤6具体包括：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。
CN202011419947.8A 2020-12-07 2020-12-07 一种星载光学遥感图像中驻泊舰船目标检测方法 Active CN112464849B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011419947.8A CN112464849B (zh) 2020-12-07 2020-12-07 一种星载光学遥感图像中驻泊舰船目标检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011419947.8A CN112464849B (zh) 2020-12-07 2020-12-07 一种星载光学遥感图像中驻泊舰船目标检测方法

Publications (2)

Publication Number Publication Date
CN112464849A CN112464849A (zh) 2021-03-09
CN112464849B true CN112464849B (zh) 2022-11-08

Family

ID=74800851

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011419947.8A Active CN112464849B (zh) 2020-12-07 2020-12-07 一种星载光学遥感图像中驻泊舰船目标检测方法

Country Status (1)

Country Link
CN (1) CN112464849B (zh)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106485722A (zh) * 2016-09-21 2017-03-08 北京航天宏图信息技术股份有限公司 一种遥感影像中靠港舰船检测方法
CN107145874A (zh) * 2017-05-13 2017-09-08 复旦大学 复杂背景sar图像中的舰船目标检测与鉴别方法
CN108229433A (zh) * 2018-02-01 2018-06-29 中国电子科技集团公司第十五研究所 一种基于直线段检测和形状特征的靠岸舰船检测方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106485722A (zh) * 2016-09-21 2017-03-08 北京航天宏图信息技术股份有限公司 一种遥感影像中靠港舰船检测方法
CN107145874A (zh) * 2017-05-13 2017-09-08 复旦大学 复杂背景sar图像中的舰船目标检测与鉴别方法
CN108229433A (zh) * 2018-02-01 2018-06-29 中国电子科技集团公司第十五研究所 一种基于直线段检测和形状特征的靠岸舰船检测方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
Inshore ship detection using highresolution synthetic aperture radar images based on maximally stable extremal region;Qingping Wang 等;《Qingping Wang》;20150224;第9卷;全文 *
Inshore Ship Detection with High-Resolution SAR Data;Wei Liu 等;《Eighth International Conference on Digital Image Processing (ICDIP 2016)》;20160829;全文 *
高分辨率遥感图像投影分析的靠岸舰船检测;张磊等;《中国图象图形学报》;20180916(第09期);全文 *

Also Published As

Publication number Publication date
CN112464849A (zh) 2021-03-09

Similar Documents

Publication Publication Date Title
Hou et al. FUSAR-Ship: Building a high-resolution SAR-AIS matchup dataset of Gaofen-3 for ship detection and recognition
CN109766811B (zh) 一种星载sar图像中海面船只的端到端检测与识别方法
CN107563303B (zh) 一种基于深度学习的鲁棒性舰船目标检测方法
CN108875659B (zh) 一种基于多光谱遥感影像的海图养殖区识别方法
Singha et al. Satellite oil spill detection using artificial neural networks
CN109740460B (zh) 基于深度残差密集网络的光学遥感图像舰船检测方法
Lu et al. Object-oriented change detection for landslide rapid mapping
CN110378308B (zh) 改进的基于Faster R-CNN的港口SAR图像近岸舰船检测方法
CN109427055B (zh) 基于视觉注意机制和信息熵的遥感图像海面舰船检测方法
CN104217196B (zh) 一种遥感影像圆形油罐自动检测方法
CN110443201B (zh) 基于多源影像联合形状分析与多属性融合的目标识别方法
Solberg et al. Automatic detection of oil spills in Envisat, Radarsat and ERS SAR images
CN103020975A (zh) 一种结合多源遥感图像特征的码头和船舶分割方法
CN108229433B (zh) 一种基于直线段检测和形状特征的靠岸舰船检测方法
Peng et al. Urban flood mapping with bitemporal multispectral imagery via a self-supervised learning framework
CN107239755A (zh) 基于高分卫星遥感数据的海上油气平台提取系统
CN106886760A (zh) 一种基于空谱信息结合的高光谱舰船检测方法
CN108830224A (zh) 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
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
Demir et al. Integrated shoreline extraction approach with use of Rasat MS and SENTINEL-1A SAR Images
CN116109936B (zh) 基于光学遥感的目标检测与识别方法
Yekeen et al. Automated marine oil spill detection using deep learning instance segmentation model
Isiacik Colak et al. Coastline zone extraction using Landsat-8 OLI imagery, case study: Bodrum Peninsula, Turkey
Saur et al. Detection and classification of man-made offshore objects in terrasar-x and rapideye imagery: Selected results of the demarine-deko project
CN103810487A (zh) 一种海洋航拍图像的目标检测与识别方法及系统

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