CN112966635B - 面向低分辨率时序遥感影像的运动舰船检测方法及装置 - Google Patents
面向低分辨率时序遥感影像的运动舰船检测方法及装置 Download PDFInfo
- Publication number
- CN112966635B CN112966635B CN202110297457.3A CN202110297457A CN112966635B CN 112966635 B CN112966635 B CN 112966635B CN 202110297457 A CN202110297457 A CN 202110297457A CN 112966635 B CN112966635 B CN 112966635B
- Authority
- CN
- China
- Prior art keywords
- remote sensing
- image
- ship
- low
- resolution
- 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
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 75
- 238000000034 method Methods 0.000 claims abstract description 44
- 238000012549 training Methods 0.000 claims abstract description 17
- 238000002372 labelling Methods 0.000 claims abstract description 14
- 238000012545 processing Methods 0.000 claims abstract description 10
- 238000012795 verification Methods 0.000 claims abstract description 8
- 238000013507 mapping Methods 0.000 claims abstract description 5
- 238000000605 extraction Methods 0.000 claims abstract description 4
- 238000001914 filtration Methods 0.000 claims description 18
- 238000011176 pooling Methods 0.000 claims description 16
- 230000003044 adaptive effect Effects 0.000 claims description 4
- 230000002776 aggregation Effects 0.000 claims description 4
- 238000004220 aggregation Methods 0.000 claims description 4
- 238000005520 cutting process Methods 0.000 claims description 3
- 230000001052 transient effect Effects 0.000 claims description 3
- 230000006872 improvement Effects 0.000 claims description 2
- 210000003739 neck Anatomy 0.000 claims 1
- 230000002194 synthesizing effect Effects 0.000 abstract description 2
- 101150080778 INPP5D gene Proteins 0.000 description 75
- 238000010586 diagram Methods 0.000 description 8
- 238000012360 testing method Methods 0.000 description 4
- 238000003384 imaging method Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000001228 spectrum Methods 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000013500 data storage Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000013139 quantization Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000013100 final test Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
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
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration using local operators
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
-
- 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
-
- 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
- G06T2207/20024—Filtering details
- G06T2207/20032—Median filtering
-
- 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
- G06T2207/20081—Training; Learning
-
- 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
- G06T2207/20084—Artificial neural networks [ANN]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Multimedia (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Evolutionary Biology (AREA)
- Astronomy & Astrophysics (AREA)
- Remote Sensing (AREA)
- Bioinformatics & Computational Biology (AREA)
- Biomedical Technology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种面向低分辨率时序遥感影像的运动舰船检测方法及装置,检测方法包括:获取不同时序的低分辨率遥感影像;拼接两个不同时序的遥感影像并映射至RGB颜色空间,合成假彩色影像;对假彩色影像进行量化处理,并对舰船目标进行标注,得到带标注的图像训练集和图像验证集;利用预先构建的基于改进YOLOv4网络的舰船检测模型对待检测的低分辨率时序遥感影像进行特征提取,并对舰船目标进行标注。本发明能够提取遥感影像的时序特征和空间特征,提高对舰船目标的检测精度,并减少漏检和虚警概率。
Description
技术领域
本发明涉及计算机图像处理技术领域,更具体的说是涉及一种面向低分辨率时序遥感影像的运动舰船检测方法及装置。
背景技术
低分辨率遥感影像舰船检测技术在海洋监测方面有广袤的前景,可以有效的应用于港口动态监控、海战场态势感知、海域安全保障、军事目标的探测等诸多方面,因此具有重大的研究价值。
目前,流行的深度学习方法已经能够实现在中高分辨率遥感影像中的舰船检测,但低分辨率遥感影像成像质量较差、空间分辨率低,且碎云厚云干扰严重,导致舰船检测容易出现大量漏检和虚警,检测准确率难以提升。
因此,如何提供一种能够提高对低分辨率时序遥感影像舰船检测的精确度的检测方法是本领域技术人员亟需解决的问题。
发明内容
有鉴于此,本发明提供了一种面向低分辨率时序遥感影像的运动舰船检测方法及装置,能够提取遥感图像中的时序特征和空间特征,进而提高对舰船目标的检测精度,并减少漏检和虚警概率。
为了实现上述目的,本发明采用如下技术方案:
一种面向低分辨率时序遥感影像的运动舰船检测方法,包括:
获取不同时序的低分辨率遥感影像;
拼接两个或三个不同时序的遥感影像并映射至RGB颜色空间,合成假彩色影像;对假彩色影像进行量化处理,并对舰船目标进行标注,得到带标注的图像训练集和图像验证集;
构建基于改进的YOLOv4网络的舰船检测模型;
利用带标注的图像训练集对舰船检测模型进行训练,得到初始舰船检测模型;
利用带标注的图像验证集对初始舰船检测模型的检测结果进行验证,得到检测误差值;
基于检测误差值对改进的YOLOv4网络中各模块参数进行修正,直至检测误差值满足预设阈值,得到最终舰船检测模型;
基于最终舰船检测模型对待检测的低分辨率时序遥感影像进行特征提取,并对舰船目标进行标注。
优选的,在上述一种面向低分辨率时序遥感影像的运动舰船检测方法中,所述假彩色影像中包含舰船目标的时序特征和空间特征。
优选的,在上述一种面向低分辨率时序遥感影像的运动舰船检测方法中,所述对假彩色影像进行量化处理,并对舰船目标进行标注,包括:
采用自适应中值滤波方法抑制所述假彩色影像中的信号噪声;
对所述假彩色影像的全图像素值进行最大最小值拉伸;
对所述假彩色影像中的舰船目标进行标注,并将全图裁剪成图像块,对图像块的像素值进行最大最小值拉伸。
优选的,在上述一种面向低分辨率时序遥感影像的运动舰船检测方法中,所述自适应中值滤波方法根据预设条件,动态调整滤波窗口的尺寸;当检测到的噪声大于预设噪声阈值时,自适应增大滤波窗口尺寸;当检测到的噪声小于预设噪声阈值时,滤波窗口尺寸不变。
优选的,在上述一种面向低分辨率时序遥感影像的运动舰船检测方法中,利用最大最小值拉伸方法将所述假彩色影像的全图像素值限制在0-255之间。
优选的,在上述一种面向低分辨率时序遥感影像的运动舰船检测方法中,所述最大最小值拉伸方法的线性拉伸公式为:
其中xi,x’i表示某点拉伸前后的像素值,xmin表示全图最小像素值,xmax表示全图最大像素值,x’min表示拉伸后全图最小像素值,x’max表示拉伸后全图最大像素值。
优选的,在上述一种面向低分辨率时序遥感影像的运动舰船检测方法中,所述YOLOv4网络以CSPdarknet53作为主干网络,空间金字塔池化模块和路径聚合网络模块作为颈部,并利用YOLO作为头部模块预测输出。
优选的,在上述一种面向低分辨率时序遥感影像的运动舰船检测方法中,所述YOLOv4网络的改进包括:
将CSPdarknet53第三层的残差卷积块替换为1x1大小的卷积操作;
修改空间金字塔池化模块中的最大池化卷积核的尺寸。
优选的,在上述一种面向低分辨率时序遥感影像的运动舰船检测方法中,,空间金字塔池化模块中的最大池化卷积核尺寸由(5,9,13)修改为 (3,5,7)。
经由上述的技术方案可知,与现有技术相比,本发明公开提供了一种面向低分辨率时序遥感影像的运动舰船检测方法,通过拼接不同时序的单波段遥感影像,合成假彩色影像,以假彩色影像中的舰船目标作为真值,该真值不仅包括舰船原有的结构、纹理等特征,也包括运动方向、速度等时序特征。解决了低分辨率遥感影像运动舰船特征不明显的问题,使得改进的YOLOv4 网络深度网络能够抓取更多特征,增加检测识别的准确率。
本发明还提供一种面向低分辨率时序遥感影像的运动舰船检测装置,包括:
图像获取设备,用于获取待检测的低分辨率遥感影像,并对不同时序的遥感影像进行拼接,得到时序遥感影像;
存储器,用于存储与最终舰船检测模型对应的非暂态软件程序或指令,;
处理器,分别与所述图像获取设备和所述存储器连接,其用于运行所述非暂态软件程序或指令,对所述时序遥感影像进行特征提取。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据提供的附图获得其他的附图。
图1附图为本发明提供的低分辨率遥感影像运动舰船检测方法的流程图;
图2(a)-图2(c)附图为本发明提供的低分辨率时序遥感影像的拼接示意图;
图3(a)-图3(b)附图为本发明提供的假彩色影像中时序舰船目标标注真值示意图;
图4附图为本发明提供的原YOLOv4网络示意图;
图5是改进后的改进后CSPdarknet53网络和空间金字塔池化模块示意图;
图6(a)-图6(d)附图为本发明提供的是采用面向低分辨率时序遥感影像的运动舰船检测方法进行舰船检测的一个示例;其中,(a)为低分辨率遥感影像,(b)为低分辨率时序遥感影像,(c)为标注真值图,(d)为检测结果示例图;
图7附图为本发明提供的低分辨率遥感影像舰船检测装置结构示意图。
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、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
如图1所示,本发明实施例公开了一种面向低分辨率时序遥感影像的运动舰船检测方法,包括以下步骤:
S1、获取不同时序的低分辨率遥感影像;
本实施例中获取的遥感影像为对同一区域定点拍摄的间隔20秒到1分钟的卫星单波段低分辨率遥感影像数据,来源取自保密项目内卫星。
单波段低分辨率遥感影像是通过搭载在该卫星上的光学传感器,在电磁波谱的紫外、可见光、近红外和中红外区域,以八个不连续的光谱波段对目标区域按相同时间间隔拍摄成像所得。在获得地表图像信息的同时,也获得其光谱信息,其真正做到了光谱与图像的结合。这种分波段、分时序成像的方式不仅在信息丰富程度方面有了极大的提高,在处理技术上为图像数据进行更为合理、有效的分析提供了可能。
S2、拼接两个或三个不同时序的遥感影像并映射至RGB颜色空间,合成假彩色影像;对假彩色影像进行量化处理,并对舰船目标进行标注,得到带标注的图像训练集和图像验证集。
本实施例获取不同时序的低分辨率遥感影像后,还对其进行预处理,具体为:
S21,拼接不同时序的遥感影像,并映射到RGB颜色空间。
本发明实施例将两个低分辨率遥感影像拼接成含有时序信息的RGB假彩色影像如图2所示。其中,图2(a)、(b)为两张不同波段、不同时序的遥感影像,图2(c)为假彩色拼接影像。
拼接方法包括两种可选的数据输入:①不同波段、不同时序的遥感影像数据,②相同波段、不同时序的遥感影像数据。将两个不同时序单波段遥感数据拼接到红、绿、蓝三原色波段,其中时序靠前的波段(图2(a))重复拼接到绿和蓝波段,时序靠后(图2(b))的波段拼接到红色波段,构成一张含有时序、空间信息的假彩色影像(图2(c))。
在其他实施例中,也可以将三个不同时序的遥感数据按照时序分别地拼接到红、绿、蓝三原色波段。
本发明拼接不同时序的单波段遥感影像,合成假彩色影像,以假彩色影像中的舰船目标作为真值,该真值不仅包括舰船原有的结构、纹理等特征,也包括运动方向、速度等时序特征,解决了低分辨率遥感影像运动舰船特征不明显的问题,使得本发明构建的深度学习网络YOLOv4能够抓取更多特征,增加检测识别的准确率。
S22,将生成的三通道时序遥感影像进行量化处理,使用自适应中值滤波抑制遥感影像中的信号噪声。
S23,将时序舰船视为一个真值,进行标注并且裁剪标注后的宽幅时序遥感影像成512*512大小的图像块,对图像块使用最大最小拉伸方法提高运动舰船目标的对比度。使用最大最小拉伸方法将图像块的像素值限制到0-255 之间,以便标注舰船目标真值。对裁剪后的图像块进行筛选,筛选出包含舰船目标的作为图像训练集。
下面分别对低分辨率遥感影像进行量化处理中采用自适应中值滤波方法和最大最小拉伸方法进行详细介绍。
其中,自适应中值滤波方法具体为:
假设Sxy表示滤波窗口的工作区域;Zmin表示Sxy区域内像素灰度级的最小值;Zmax表示Sxy区域内像素灰度级的最大值;Zmid表示Sxy区域内像素灰度级的中值;Smax表示滤波窗口的最大尺寸。
自适应中值滤波器分为以下两个过程,A和B:
自适应中值滤波算法根据预设好的条件,动态地改变中值滤波器的窗口尺寸,当检测到的噪声较强时,算法通过自适应增大滤波窗口来增大去噪能力;当检测到的噪声较弱时,滤波窗口尺寸不变;这样既体现出自适应性,又减少了时间开销,提高了速度。自适应中值滤波算法使得未受脉冲噪声污染的点不用修改,很好地保护了图像的点、线等细节及边界信息,以同时兼顾去噪声作用和保护细节的效果。
利用最大最小值拉伸方法进行直接线性拉伸,其线性拉伸公式如下:
其中xi,x'i表示某点拉伸前后的像素值,xmin表示全图最小像素值,xmax表示全图最大像素值,x'min表示拉伸后全图最小像素值,x'max表示拉伸后全图最大像素值。在本实施例中,x'max=255且x'min=0。利用全图最大最小拉伸方法,将遥感数据转为8位,以便标注舰船目标真值。
如图3(a)所示,为普通标注方法标注的时序遥感影像,图3(b)所示为采用本实施例标注方法标注的时序遥感影像。本实施例使用软件LabelImg 进行数据标注,从而形成YOLOv4网络训练适用格式的标注文件。
S3、构建基于改进的YOLOv4网络的舰船检测模型。
如图4所示,本发明舰船检测模型利用CSPdarknet53网络,基于图像块以及标注真值提取预处理后的低分辨率时序遥感影像数据的时序特征和空间特征;利用YOLOv4网络回归特征图上的舰船目标的位置。
YOLOv4以CSPdarknet53作为主干网络,空间金字塔池化模块和路径聚合网络模块作为颈部,并且利用YOLO作为头部模块来预测输出。多通道(CSP) 只将特征图的一部分直接进行卷积操作,其卷积结果和另一部分原始特征进行组合,可以增强神经网络的学习能力,能够在轻量化的同时保持准确性、降低计算瓶颈、降低内存成本。空间金字塔池化模块将空间金字塔匹配特征法集成到卷积神经网络上,无论输入图像的尺寸多大,空间金字塔池化模块均可以产生固定大小的输出。路径聚合网络模块在进行上采样后又进行下采样,改善了神经网络中信息的流通路径,加强了特征金字塔。
图5示出了改进后CSPdarknet53网络和空间金字塔池化模块示意图。其中,通过将CSPdarknet53第三层的残差卷积块(Resblock_body)替换为1x1 大小的卷积操作,可以将特征图尺寸由(129,128,128),扩大为(256,256,128)。这样在保证特征图通道不变的同时,有效地减少了图像下采样比率。此外,将空间金字塔池化模块(SPP)中的最大池化卷积核的尺寸由(5,9,13)修改为(3,5,7)。更小的池化尺寸使特征图保留更多的细节信息,并且增加YOLOv4 网络对低分辨率遥感影像中弱小舰船目标的识别能力。
本发明利用改进的YOLOv4网络检测时序低分辨率遥感影像中的运动舰船目标,其中,CSPdarknet53作为主干网络提取输入图像中运动舰船目标的时序、空间特征。通过引入假彩色输入图像中的舰船目标的时序特征,提高 YOLOv4网络对运动舰船目标的检测能力;通过1x1大小卷积核减少图像下采样比率;通过修改空间金字塔池化模块中的卷积核尺寸,增加YOLOv4网络对低分辨率遥感影像中弱小舰船目标的识别能力。
S4、利用带标注的图像训练集对舰船检测模型进行训练,得到初始舰船检测模型。
S5、利用带标注的图像验证集对初始舰船检测模型的检测结果进行验证,得到检测误差值。
S6、基于检测误差值对改进的YOLOv4网络中各模块参数进行修正,直至检测误差值满足预设阈值,得到最终舰船检测模型;
最终舰船检测模型的具体生成过程如下:
首先,将完成预处理的图像训练集输入到图4所示网络模型中。使用构建的网络模型对带标签的图像训练集(如图6(b))进行学习,得到初始化参数的初始舰船检测模型。使用该模型对图像验证集进行运动舰船目标预测,得到预测检测结果。
然后,通过对比检测结果(如图6(d))与在假彩色图像上标注的真值 (如图6(c))之间的区别,得到预测误差loss值。
最后,将预测误差loss值传回主干网络CSPdarknet53中,进行梯度反馈,修正网络中各个模块单元参数;最终网络测试结果正确率由预测值和标注真值决定。
通过计算网络检测结果与标注真值之间的误差,并由梯度反馈将误差传回,可以修正各模块参数,通过迭代训练可以收敛损失函数值。
最终的测试检测结果依据50张测试集的检测结果,判断最终预测误差是否在设定阈值范围内,进而判断预测结果正确率是否在期望范围内。
若不符合则调整学习率、增加和清洗训练数据集,继续迭代训练过程直到测试结果符合要求,得到具有准确检测低分辨率时序遥感影像中运动舰船目标的网络模型。本实施例的具体要求为测试结果的map在95%及以上。
S7、基于最终舰船检测模型提取并标注待检测的低分辨率遥感影像中的舰船目标。
训练好的检测模型具有最优组合参数,将待检测的遥感图像(如图6(b) 所示)输入最终舰船检测模型中,利用已经调整好参数的卷积、池化等模块对图像进行计算,实现特征提取,最后输入检测网络中实现低分辨率时序遥感影像中运动舰船目标准确检测。
本发明实施例还提供了一种低分辨率时序遥感影像中舰船目标检测装置,实现单波段低分辨率遥感影像运动舰船的准确检测,该舰船检测装置可以由软件和/或硬件实现。
如图7所示,该装置300包括图像获取设备301、存储器302以及处理器 303。其中,图像获取设备301、存储器302以及处理器303可以通过总线或者其他方式连接。
其中,图像获取设备301用以采集低分辨率时序遥感影像,并将该低分辨率时序遥感影像发送至处理器303。
处理器303可以为中央处理器(Central Processing Unit,CPU),或者其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路 (ApplicationSpecific Integrated Circuit,ASIC)、现场可编程门阵列 (Field-Programmable GateArray,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等芯片,或者上述各类芯片的组合。
存储器302作为一种非暂态计算机可读存储介质,可用于存储非暂态软件程序、非暂态计算机可执行程序以及模块,如本发明上述实施例提供的低分辨率时序遥感影像舰船检测方法对应的程序或指令。
处理器303通过运行存储在存储器302中的非暂态软件程序或指令,从而执行处理器的各种功能应用以及数据处理,即实现上述方法实施例中的低分辨率时序遥感影像舰船检测方法。
存储器302可以包括程序存储区和数据存储区,其中,程序存储区可存储操作系统、至少一个功能所需要的应用程序;数据存储区可存储处理器302 所创建的数据等。
此外,存储器302可以包括高速随机存取存储器,还可以包括非暂态存储器,例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。
在一些方面中,存储器302可选地包括相对于处理器303远程设置的存储器,这些远程存储器可以通过网络连接至处理器303。
可选地,上述网络包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其它实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (8)
1.一种面向低分辨率时序遥感影像的运动舰船检测方法,其特征在于,包括:
获取不同时序的低分辨率遥感影像;
拼接两个或三个不同时序的遥感影像并映射至RGB颜色空间,合成假彩色影像;对假彩色影像进行量化处理,并对舰船目标进行标注,得到带标注的图像训练集和图像验证集;
构建基于改进的YOLOv4网络的舰船检测模型;所述YOLOv4网络以CSPdarknet53作为主干网络,空间金字塔池化模块和路径聚合网络模块作为颈部,并利用YOLO作为头部模块预测输出;
所述YOLOv4网络的改进包括:
将CSPdarknet53第三层的残差卷积块替换为1x1大小的卷积操作;
修改空间金字塔池化模块中的最大池化卷积核的尺寸;
利用带标注的图像训练集对舰船检测模型进行训练,得到初始舰船检测模型;
利用带标注的图像验证集对初始舰船检测模型的检测结果进行验证,得到检测误差值;
基于检测误差值对改进的YOLOv4网络中各模块参数进行修正,直至检测误差值满足预设阈值,得到最终舰船检测模型;
基于最终舰船检测模型提取并标注待检测的低分辨率遥感影像中的舰船目标。
2.根据权利要求1所述的一种面向低分辨率时序遥感影像的运动舰船检测方法,其特征在于,所述假彩色影像中包含舰船目标的时序特征和空间特征。
3.根据权利要求1所述的一种面向低分辨率时序遥感影像的运动舰船检测方法,其特征在于,所述对假彩色影像进行量化处理,并对舰船目标进行标注,包括:
采用自适应中值滤波方法抑制所述假彩色影像中的信号噪声;
对所述假彩色影像的全图像素值进行最大最小值拉伸;
对所述假彩色影像中的舰船目标进行标注,并将全图裁剪成图像块,对图像块的像素值进行最大最小值拉伸。
4.根据权利要求3所述的一种面向低分辨率时序遥感影像的运动舰船检测方法,其特征在于,所述自适应中值滤波方法根据预设条件,动态调整滤波窗口的尺寸;当检测到的噪声大于预设噪声阈值时,自适应增大滤波窗口尺寸;当检测到的噪声小于预设噪声阈值时,滤波窗口尺寸不变。
5.根据权利要求3所述的一种面向低分辨率时序遥感影像的运动舰船检测方法,利用最大最小值拉伸方法将所述假彩色影像的全图像素值限制在0-255之间。
7.根据权利要求1所述的一种面向低分辨率时序遥感影像的运动舰船检测方法,其特征在于,空间金字塔池化模块中的最大池化卷积核尺寸由(5,9,13)修改为(3,5,7)。
8.一种面向低分辨率时序遥感影像的运动舰船检测装置,其特征在于,包括:
图像获取设备,用于获取待检测的低分辨率遥感影像,并对不同时序的遥感影像进行拼接,得到时序遥感影像;
存储器,用于存储与权利要求1-7任一项所述的最终舰船检测模型对应的非暂态软件程序或指令;
处理器,分别与所述图像获取设备和所述存储器连接,其用于运行所述非暂态软件程序或指令,对所述时序遥感影像进行特征提取。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110297457.3A CN112966635B (zh) | 2021-03-19 | 2021-03-19 | 面向低分辨率时序遥感影像的运动舰船检测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110297457.3A CN112966635B (zh) | 2021-03-19 | 2021-03-19 | 面向低分辨率时序遥感影像的运动舰船检测方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112966635A CN112966635A (zh) | 2021-06-15 |
CN112966635B true CN112966635B (zh) | 2022-05-31 |
Family
ID=76277846
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110297457.3A Active CN112966635B (zh) | 2021-03-19 | 2021-03-19 | 面向低分辨率时序遥感影像的运动舰船检测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112966635B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113393497B (zh) * | 2021-07-07 | 2022-08-09 | 中国人民解放军海军航空大学 | 碎云条件下序列遥感图像舰船目标跟踪方法、装置及设备 |
CN113702393B (zh) * | 2021-09-29 | 2023-10-27 | 安徽理工大学 | 一种本安型矿用输送带表面损伤检测系统及检测方法 |
CN115294439B (zh) * | 2022-08-02 | 2023-04-07 | 北京卫星信息工程研究所 | 空中弱小运动目标检测方法、系统、设备及存储介质 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110516606A (zh) * | 2019-08-28 | 2019-11-29 | 北京观微科技有限公司 | 高分辨率卫星影像任意方向舰船目标检测方法 |
CN111723748A (zh) * | 2020-06-22 | 2020-09-29 | 电子科技大学 | 一种红外遥感图像舰船检测方法 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190138830A1 (en) * | 2015-01-09 | 2019-05-09 | Irvine Sensors Corp. | Methods and Devices for Cognitive-based Image Data Analytics in Real Time Comprising Convolutional Neural Network |
WO2020033967A1 (en) * | 2018-08-10 | 2020-02-13 | Buffalo Automation Group Inc. | Training a deep learning system for maritime applications |
CN109492561B (zh) * | 2018-10-29 | 2021-09-14 | 北京遥感设备研究所 | 一种基于改进的yolo v2模型的光学遥感图像舰船检测方法 |
CN110414509B (zh) * | 2019-07-25 | 2021-10-01 | 中国电子科技集团公司第五十四研究所 | 基于海陆分割和特征金字塔网络的港口停靠舰船检测方法 |
CN111241970B (zh) * | 2020-01-06 | 2023-06-27 | 电子科技大学 | 基于yolov3算法与滑动窗口策略的SAR影像海面舰船检测方法 |
CN112347895A (zh) * | 2020-11-02 | 2021-02-09 | 北京观微科技有限公司 | 一种基于边界优化神经网络的舰船遥感目标检测方法 |
-
2021
- 2021-03-19 CN CN202110297457.3A patent/CN112966635B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110516606A (zh) * | 2019-08-28 | 2019-11-29 | 北京观微科技有限公司 | 高分辨率卫星影像任意方向舰船目标检测方法 |
CN111723748A (zh) * | 2020-06-22 | 2020-09-29 | 电子科技大学 | 一种红外遥感图像舰船检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112966635A (zh) | 2021-06-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112966635B (zh) | 面向低分辨率时序遥感影像的运动舰船检测方法及装置 | |
CN115442515B (zh) | 图像处理方法和设备 | |
US10708525B2 (en) | Systems and methods for processing low light images | |
US9569695B2 (en) | Adaptive search window control for visual search | |
CN110276767A (zh) | 图像处理方法和装置、电子设备、计算机可读存储介质 | |
WO2021022983A1 (zh) | 图像处理方法和装置、电子设备、计算机可读存储介质 | |
WO2020152521A1 (en) | Systems and methods for transforming raw sensor data captured in low-light conditions to well-exposed images using neural network architectures | |
US9870600B2 (en) | Raw sensor image and video de-hazing and atmospheric light analysis methods and systems | |
US10706558B2 (en) | Foreground and background detection method | |
WO2014070273A1 (en) | Recursive conditional means image denoising | |
CN110366048A (zh) | 视频传输方法、装置、电子设备和计算机可读存储介质 | |
CN111784624B (zh) | 目标检测方法、装置、设备及计算机可读存储介质 | |
CN112424795A (zh) | 卷积神经网络、人脸防伪方法、处理器芯片及电子设备 | |
US20230127009A1 (en) | Joint objects image signal processing in temporal domain | |
WO2023086194A1 (en) | High dynamic range view synthesis from noisy raw images | |
WO2019228450A1 (zh) | 一种图像处理方法、装置及设备、可读介质 | |
Xu et al. | COCO-Net: A dual-supervised network with unified ROI-loss for low-resolution ship detection from optical satellite image sequences | |
CN115861823B (zh) | 一种基于自监督深度学习的遥感变化检测方法和装置 | |
CN115830064B (zh) | 一种基于红外脉冲信号的弱小目标跟踪方法及装置 | |
WO2023215371A1 (en) | System and method for perceptually optimized image denoising and restoration | |
CN111062384A (zh) | 一种基于深度学习的车窗精确定位方法 | |
CN111127355A (zh) | 一种对缺损光流图进行精细补全的方法及其应用 | |
CN116403200A (zh) | 基于硬件加速的车牌实时识别系统 | |
Wang et al. | Low-light traffic objects detection for automated vehicles | |
CN110475044A (zh) | 图像传输方法和装置、电子设备、计算机可读存储介质 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |