CN113408615A - 一种基于光学卫星遥感影像的船只自动匹配方法 - Google Patents

Abstract

本发明涉及光学遥感影像处理技术领域，公开了一种基于光学卫星遥感影像的船只自动匹配方法，主要包括以下步骤：通过边缘检测和自适应阈值分割对遥感影像进行粗分类，提取包括船只在内的前景目标，缩小检测范围；自动生成模板，利用模板匹配对船只进行定位，使用GrabCut算法精确提取船只；计算船只面积、长宽比、角度、矩形度组成特征向量，构造两幅影像船只间二分图并进行赋权，进行影像间船只的精确匹配，输出船只匹配结果。本发明提供的方法具有计算简单、易于实现等优点，避免了GrabCut算法的交互式操作，排除了云层、海上其他目标和海上噪声的干扰，实现了船只的自动检测，解决了传统方法船只特征点较少的问题，实现了船只的自动匹配。

Description

一种基于光学卫星遥感影像的船只自动匹配方法

技术领域

本发明涉及光学遥感影像处理技术领域，具体涉及一种基于光学卫星遥感影像的船只自动匹配方法。

背景技术

近年来，随着静止光学轨道卫星和视频卫星的发射，使连续观测大面积区域内的船只成为可能，也为船只匹配提供了丰富的数据源。船只作为海上主要的运输载体，船只匹配无论在军事领域还是民用领域都具有重要价值。船只匹配可以找到两幅影像中的相同船只，获取船只的分布情况及特定船只的动向，为监管海上交通，监督非法排放污染物和非法捕捞等违法行为提供可靠的数据支撑。

在光学卫星遥感影像中，船只体积较小、纹理较少，特征不清晰，加上海面噪声、云层及海上其他目标的干扰，给船只匹配带来一定困难。现有的船只匹配方法大致分为船只检测和船只匹配两个步骤。

船只检测的主要方法有背景差分法和显著性检测。背景差分法对复杂背景下的运动船只检测有着良好的效果，但是对环境噪声较为敏感且只能检测固定背景下移速较快的船只，对于锚泊船只和移速较慢的船只检测效果较差。目前应用较多的显著性检测方法是基于对比度的显著性检测，具有计算效率高、可以输出全分辨率显著图的优点，但容易在局部物体上产生响应，在有云层覆盖或有其他海面目标干扰时容易失效。

船只匹配主要通过SIFT、SURF、ORB等方法进行局部特征点提取，再进行匹配。由于船只在卫星遥感影像中的占比较小，特征不明显，并且计算整幅影像的特征点产生的冗余数据较多，所以采用这种方法进行船只匹配的效果不是很理想。

发明内容

基于现有技术中存在的问题，本发明提出一种基于光学卫星遥感影像的船只自动匹配方法，该方法能够由粗到精的实现船只检测，并能够精确匹配目标船只，实现光学卫星遥感影像的船只自动匹配。

本发明采用以下的技术方案：

一种基于光学卫星遥感影像的船只自动匹配方法，包括以下步骤：

(1)定义拍摄时间在前的光学卫星遥感影像为p₁，拍摄时间在后的光学卫星遥感影像为p₂，对p_i分别进行粗分类，得到粗分类结果影像k_i，i表示第i幅影像，(i＝1,2)；

进一步地，步骤(1)中所述粗分类过程如下：

(1.1)使用标准差为0、大小为5×5的高斯矩阵对p_i进行高斯滤波平滑，将平滑后影像转为灰度影像g_i，公式如下：

g_i＝R_i·0.299+G_i·0.587+B_i·0.114

式中，R_i、G_i、B_i分别表示p_i高斯平滑后的红、绿、蓝三个通道，其中，高斯平滑使用的高斯矩阵如下：

(1.2)计算灰度影像g_i的边缘梯度影像Grad_i，公式如下：

式中，G_ix表示g_i横向边缘检测的灰度影像，G_iy表示g_i纵向边缘检测的灰度影像；

(1.3)利用阈值T_ia对步骤(1.2)得到的边缘梯度影像Grad_i进行二值化处理，得到掩膜图像ω_i，阈值T_ia计算公式如下：

T_ia＝max(Grad_i)·0.2

(1.4)基于掩膜图像ω_i得到灰度影像g_i的目标区域a_i，计算a_i灰度直方图H_i的频率变化值v_i[r]，得到影像自适应分割阈值T_ib，利用T_ib对g_i进行分割，大于阈值T_ib的为前景区域，小于阈值T_ib的为背景区域，定义分割后前景区域的像素值为1，背景区域的像素值为0，得到分割结果f_i；

上述技术方案中，前景中包含船只和一些其他目标，背景中包含海水和一些其他目标。其他目标包括云层、岛屿和噪声等。

其中，T_ib计算公式如下：

式中，h_imean表示图像灰度频率的平均值，h_i[r]表示灰度值为r处的频率(r＝0,1,…,255)，v_i[r]表示灰度值r处的频率变化值(r＝0,1,…,255)，

表示频率变化值最小处的灰度值；

(1.5)分别使用2×2内核对f_i进行腐蚀和膨胀，得到粗分类结果影像k_i。

(2)用矩形模板对粗分类结果影像k₁、k₂进行匹配，去除非船只连通域，提取船只目标区；

具体步骤如下：

(2.1)定义影像左上角点为原点，向右为x轴正方向，向下为y轴正方向；

(2.2)计算k₁、k₂中每个连通域的最小外接矩形，获取每个连通域的长度、宽度和角度，长度、宽度为对应最小外接矩形的长度、宽度，角度为最小外接矩形长边延长线与x轴正方向在x轴上方的夹角，计算连通域的长宽比，只保留长宽比大于1.5且小于15的连通域，得到剩余连通域；

(2.3)分别计算k₁、k₂中每个剩余连通域的船只矩形模板，得到k₁的模板集合TEM₁＝{temple_1,1,temple_1,2,…}和k₂的模板集合TEM₂＝{temple_2,1,temple_2,2,…}；

进一步地，步骤(2.3)中所述模板的计算过程如下：

模板中前景的长度和角度分别为对应连通域的长度和角度，以船长L为一个区间划分真实船只数据，统计每个区间的船只平均长宽比，根据连通域的近似真实长度length'所在区间c确定模板前景的长宽比

计算模板中前景宽度width，前景宽度width计算公式如下：

式中，length表示模板中前景长度，e表示统计数据中船长区间c内的船只个数，δ表示统计数据中的船只长宽比，res表示遥感影像空间分辨率；

根据模板中前景长度、宽度和角度对粗分类影像k₁中每个连通域生成对应的模板影像temple_1,1、temple_1,2、…，得到集合TEM₁，对粗分类影像k₂中每个连通域生成对应的模板影像temple_2,1、temple_2,2、…，得到集合TEM₂，模板中前景区域的像素值为1、背景区域的像素值为0。

进一步地，所述船长L为0-50米。

当L为50米时，

的具体值如下：

(2.4)使用TEM₁对粗分类影像k₁进行模板匹配，使用TEM₂对粗分类影像k₂进行模板匹配；

进一步地，步骤(2.4)中所述匹配方法为：

设定阈值T_S，模板从影像原点开始滑动，每次滑动一个像素，遍历整幅影像，在每个位置计算模板与模板覆盖区的相似性得分S，若相似性得分大于T_S则认为匹配成功，记录匹配成功时模板四个角点坐标，标记为船只目标区，若同一连通域被标记多次，则只保留相似性得分最高的一次作为船只目标区；

其中，计算相似性得分S公式如下：

式中，temple表示模板，X表示连通域，N(·)代表区域(·)内像素值为1的像素个数。

进一步地，步骤(2.4)中所述阈值T_S＝0.8。

(2.5)扩充船只目标区，确保船只完全包含在船只目标区内；

进一步地，步骤(2.5)中所述扩充公式如下：

式中，(x'₁,y'₁)、(x'₂,y'₂)分别表示船只目标区扩充后的左上角点和右下角点的坐标，(x₁,y₁)、(x₂,y₂)表示原船只目标区的对应坐标。

(3)将扩充后的船只目标区四个角点坐标输入到GrabCut算法中，精确提取遥感影像p₁、p₂中的船只，得到提取后的影像z₁和z₂；

进一步地，步骤(3)中船只精确提取流程如下：

(3.1)船只目标区内的船只为需要被分割出的前景，海水和其余目标为背景，在RGB空间中分别对p₁、p₂的前景和背景用高斯混合模型建模，将船只目标区外的像素标记为背景，将船只目标区内的像素标记为可能的前景或背景，使用K均值算法初始化高斯混合模型，取K＝5，给每个像素分配合适的高斯分量，第n个像素的高斯分量表示为k_n；

(3.2)分别计算p₁、p₂整幅影像的Gibbs能量E(α,k,θ,z)，公式如下：

式中，α表示不透明度，α∈{1,0}，θ＝{π(α,k),μ(α,k),∑(α,k),α＝0,1,k＝1,...,K}，z表示影像灰度值数组，U表示区域能量函数，π表示高斯分量的权重、μ表示每个高斯分量的均值向量、∑表示协方差矩阵，V表示边界能量函数，γ＝50，C表示某个像素点与相邻像素点组合的集合，m、n表示两邻域像素，β表示影像像素之间的对比度；

(3.3)更新遥感影像p₁、p₂中每个像素的高斯分量

和高斯混合矩阵的参数

直至收敛，找到能量函数E(α,k,θ,z)的最小值，获取p₁、p₂前景和背景的最佳分割界限，得到船只精确提取后影像z₁、z₂。

(4)计算提取后的影像z₁、z₂中每艘船只的特征向量；

进一步地，步骤(4)中计算步骤如下：

计算z₁、z₂中每艘船只的最小外接矩形，得到船只的面积area、长宽比lwr、角度dir和最小外接矩形面积area_MER，从而得到遥感影像p₁、p₂中的每艘船只的特征向量P1_w＝(rec_w,area_w,lwr_w,dir_w)和P2_j＝(rec_j,area_j,lwr_j,dir_j)，其中w表示p₁中提取到的第w艘船只，j表示p₂中提取到的第j艘船只，rec表示矩形度；

其中，矩形度rec计算公式如下：

(5)利用船只特征向量对遥感影像p₁、p₂中的船只进行匹配，输出船只匹配结果。

进一步地，步骤(5)中匹配过程如下：

(5.1)计算p₁中每艘船只的特征向量与p₂中每艘船只的特征向量间的相似度，建立两幅影像船只间的二分图，二分图的左顶点表示p₁中的船只，右顶点表示p₂中的船只，将相似度大于阈值T_d的船只进行连线，连线的权值为两艘船只特征向量间的相似度；

进一步地，步骤(5.1)中阈值T_d＝0.6。

进一步地，步骤(5.1)中相似度计算公式如下：

式中，R(P1_w,P2_j)表示p₁中第w艘船只与p₂中第j艘船只之间的相似度，0≤R(P1_w,P2_j)≤1，

和

分别表示P1_w和P2_j的均值。

(5.2)对二分图的每个顶点赋初始分数，左边顶点初始分数为与其相连边的最大权值，右边顶点初始分数为0；

(5.3)将连线左右两端顶点分数相加，若相加得分大于或等于连线的权值，则认为连线两边是同一艘船只，当p₁中两艘船只匹配到p₂中的同一艘船只时，匹配发生冲突，设定特定值d＝0.1，将两冲突连线对应的左边顶点分数减d，右边顶点分数加d；

(5.4)重复步骤(5.3)，当冲突连线对应的左顶点分数为0时，放弃对此船只的匹配，继续匹配其它船只，直至完成所有船只的匹配，输出船只匹配结果。

(三)有益效果

提出一种基于光学卫星遥感影像的船只自动匹配方法，该方法能有效地排除海面噪声、云层及海面其他目标的干扰，在移动背景和固定背景下都能够精确提取船只，在船只特征少、纹理不清晰的情况下也能够实现船只的自动匹配；

提出一种自适应阈值的方法对光学遥感影像进行粗分类，提取可能的前景目标，然后自动生成模板对前景目标中的船只进行精确定位，通过GrabCut算法精确提取船只，由粗到精缩小检测范围，避免了GrabCut算法的交互式操作，排除了云层、海上其他目标和海上噪声的干扰，实现了船只的自动检测；构建两幅影像船只间的二分图，通过特征向量间的相似度对其进行赋权，解决了船只特征点较少的问题，实现了船只的自动匹配。

附图说明：

图1为本发明实施的步骤流程示意图；

图2为本发明粗分类结果图；

图3为本发明统计的船长与长宽比统计图；

图4为本发明制作的船长区间模板示意图；

图5为本发明船只提取结果图；

图6为本发明船只匹配二分图示意图。

具体实施方式：

为使本发明的目的、内容和优点更加清楚，下面结合附图和实施例，对本发明的具体实施方式作一步详细描述：

参照图1，本发明的具体实施步骤为：

(1)定义拍摄时间在前的光学卫星遥感影像为p₁，拍摄时间在后的光学卫星遥感影像为p₂，对p_i分别进行粗分类，得到粗分类结果影像k_i，i表示第i幅影像(i＝1,2)；

粗分类过程如下：

1.1)使用标准差为0、大小为5×5的高斯矩阵对p_i进行高斯滤波平滑，将平滑后影像转为灰度影像g_i，公式如下：

g_i＝R_i·0.299+G_i·0.587+B_i·0.114

式中，R_i、G_i、B_i分别表示p_i高斯平滑后的红、绿、蓝三个通道，其中，高斯平滑使用的高斯矩阵如下：

1.2)计算灰度影像g_i的边缘梯度影像Grad_i，公式如下：

式中，G_ix表示g_i横向边缘检测的灰度影像，G_iy表示g_i纵向边缘检测的灰度影像；

1.3)利用阈值T_ia对步骤2)得到的边缘梯度影像Grad_i进行二值化处理，得到掩膜图像ω_i，阈值T_ia计算公式如下：

T_ia＝max(Grad_i)·0.2

1.4)基于掩膜图像ω_i得到灰度影像g_i的目标区域a_i，计算a_i灰度直方图H_i的频率变化值v_i[r]，得到影像自适应分割阈值T_ib，利用T_ib对g_i进行分割，分割后前景区域的像素值为1，背景区域的像素值为0，前景中包含船只和一些其他目标，背景中包含海水和一些其他目标，得到分割结果f_i；

其中，T_ib计算公式如下：

式中，h_imean表示图像灰度频率的平均值，h_i[r]表示灰度值为r处的频率(r＝0,1,…,255)，v_i[r]表示灰度值r处的频率变化值(r＝0,1,…,255)，

表示频率变化值最小处的灰度值；

1.5)分别使用2×2内核对f_i进行腐蚀和膨胀，得到粗分类结果影像k_i，示例如图2所示。

(2)用矩形模板对粗分类结果影像k₁、k₂进行匹配，去除非船只连通域，提取船只目标区；

具体步骤如下：

2.1)定义影像左上角点为原点，向右为x轴正方向，向下为y轴正方向；

2.2)计算k₁、k₂中每个连通域的最小外接矩形，获取每个连通域的长度、宽度和角度，长度、宽度为对应最小外接矩形的长度、宽度，角度为最小外接矩形长边延长线与x轴正方向在x轴上方的夹角，计算连通域的长宽比，只保留长宽比大于1.5且小于15的连通域，得到剩余连通域；

2.3)分别计算k₁、k₂中每个剩余连通域的船只矩形模板，得到k₁的模板集合TEM₁＝{temple_1,1,temple_1,2,…}和k₂的模板集合TEM₂＝{temple_2,1,temple_2,2,…}；

模板的计算过程如下：

模板中前景的长度和角度分别为对应连通域的长度和角度，以船长50米为一个区间划分真实船只数据，统计每个区间的船只平均长宽比，根据连通域的近似真实长度length'所在区间c确定模板前景的长宽比

计算模板中前景宽度width，前景宽度width计算公式如下：

式中，length表示模板中前景长度，e表示统计数据中船长区间c内的船只个数，δ表示统计数据中的船只长宽比，res表示遥感影像空间分辨率，

的值如图3所示，具体如下：

根据模板中前景的长度、宽度和角度对粗分类影像k₁中每个连通域生成对应的模板影像temple_1,1、temple_1,2、…，得到集合TEM₁，对粗分类影像k₂中每个连通域生成对应的模板影像temple_2,1、temple_2,2、…，得到集合TEM₂，模板中前景区域的像素值为1、背景区域的像素值为0，每个船长区间的模板示例如图4所示；

2.4)使用TEM₁对粗分类影像k₁进行模板匹配，使用TEM₂对粗分类影像k₂进行模板匹配，匹配方法为：设定阈值T_S＝0.8，模板从影像原点开始滑动，每次滑动一个像素，遍历整幅影像，在每个位置计算模板与模板覆盖区的相似性得分S，若相似性得分大于T_S则认为匹配成功，记录匹配成功时模板四个角点坐标，标记为船只目标区，若同一连通域被标记多次，则只保留相似性得分最高的一次作为船只目标区；

其中，计算相似性得分S公式如下：

式中，temple表示模板，X表示连通域，N(·)代表区域(·)内像素值为1的像素个数；

2.5)扩大船只目标区，确保船只完全包含在船只目标区内，扩充公式如下：

式中，(x'₁,y'₁)、(x'₂,y'₂)分别表示船只目标区扩充后的左上角点和右下角点的坐标，(x₁,y₁)、(x₂,y₂)表示原船只目标区的对应坐标。

(3)将扩充后的船只目标区四个角点坐标输入到GrabCut算法中，精确提取遥感影像p₁、p₂中的船只，得到提取后的影像z₁和z₂；

船只精确提取流程如下：

3.1)船只目标区内的船只为需要被分割出的前景，海水和其余目标为背景，在RGB空间中分别对p₁、p₂的前景和背景用高斯混合模型建模，将船只目标区外的像素标记为背景，将船只目标区内的像素标记为可能的前景或背景，使用K均值算法初始化高斯混合模型，取K＝5，给每个像素分配合适的高斯分量，第n个像素的高斯分量表示为k_n；

3.2)分别计算p₁、p₂整幅影像的Gibbs能量E(α,k,θ,z)，公式如下：

式中，α表示不透明度，α∈{1,0}，θ＝{π(α,k),μ(α,k),∑(α,k),α＝0,1,k＝1,...,K}，z表示影像灰度值数组，U表示区域能量函数，π表示高斯分量的权重、μ表示每个高斯分量的均值向量、∑表示协方差矩阵，V表示边界能量函数，γ＝50，C表示某个像素点与相邻像素点组合的集合，m、n表示两邻域像素，β表示影像像素之间的对比度；

3.3)更新遥感影像p₁、p₂中每个像素的高斯分量

和高斯混合矩阵的参数

直至收敛，找到能量函数E(α,k,θ,z)的最小值，获取p₁、p₂前景和背景的最佳分割界限，得到船只精确提取后影像z₁、z₂，示例如图5所示。

(4)计算提取后的影像z₁、z₂中每艘船只的特征向量，计算步骤如下：

计算z₁、z₂中每艘船只的最小外接矩形，得到船只的面积area、长宽比lwr、角度dir和最小外接矩形面积area_MER，从而得到遥感影像p₁、p₂中的每艘船只的特征向量P1_w＝(rec_w,area_w,lwr_w,dir_w)和P2_j＝(rec_j,area_j,lwr_j,dir_j)，其中w表示p₁中提取到的第w艘船只，j表示p₂中提取到的第j艘船只，rec表示矩形度；

其中，矩形度rec计算公式如下：

(5)利用船只特征向量对遥感影像p₁、p₂中的船只进行匹配，输出船只匹配结果。

其中，匹配过程如下：

5.1)计算p₁中每艘船只的特征向量与p₂中每艘船只的特征向量间的相似度，建立两幅影像船只间的二分图，二分图的左顶点表示p₁中的船只，右顶点表示p₂中的船只，将相似度大于阈值T_d＝0.6的船只进行连线，连线的权值为两艘船只特征向量间的相似度，相似度计算公式如下：

式中，R(P1_w,P2_j)表示p₁中第w艘船只与p₂中第j艘船只之间的相似度，0≤R(P1_w,P2_j)≤1，

和

分别表示P1_w和P2_j的均值；

5.2)对二分图的每个顶点赋初始分数，左边顶点初始分数为与其相连边的最大权值，右边顶点初始分数为0，构造的二分图示例如图6所示；

5.3)将连线左右两端顶点分数相加，若相加得分大于或等于连线的权值，则认为连线两边是同一艘船只，当p₁中两艘船只匹配到p₂中的同一艘船只时，匹配发生冲突，设定特定值d＝0.1，将两冲突连线对应的左边顶点分数减d，右边顶点分数加d；

举例说明匹配发生冲突的情况：图6中，当a3选择权值为0.9的连线对b1进行匹配时，与a1权值为0.8的连线冲突，此时将a1和a3的分数分别减0.1，将b1的分数加0.1，发现a1与b2间权值为0.75的连线符合匹配要求，于是a1与b2配对，a3与b1配对，解决冲突；

5.4)重复步骤5.3)，当冲突连线对应的左顶点分数为0时，放弃对此船只的匹配，继续匹配其它船只，直至完成所有船只的匹配，输出船只匹配结果。

经过匹配运算，图6中左边顶点的分数分别变为0.7、0.75、0.8、0.77，右边顶点的分数分别变为0.1、0、0.1、0，最终匹配成功的船只为(a1,b2)、(a2,b4)、(a3,b1)、(a4,b3)。

Claims (10)

1.一种基于光学卫星遥感影像的船只自动匹配方法，其特征在于，包括以下步骤：

(1)定义拍摄时间在前的光学卫星遥感影像为p₁，拍摄时间在后的光学卫星遥感影像为p₂，对p_i分别进行粗分类，得到粗分类结果影像k_i，i表示第i幅影像，(i＝1，2)；

(2)用矩形模板对粗分类结果影像k₁、k₂进行匹配，去除非船只连通域，提取船只目标区；

具体步骤如下：

(2.1)定义影像左上角点为原点，向右为x轴正方向，向下为y轴正方向；

(2.2)计算k₁、k₂中每个连通域的最小外接矩形，获取每个连通域的长度、宽度和角度，长度、宽度为对应最小外接矩形的长度、宽度，角度为最小外接矩形长边延长线与x轴正方向在x轴上方的夹角，计算连通域的长宽比，只保留长宽比大于1.5且小于15的连通域，得到剩余连通域；

(2.3)分别计算k₁、k₂中每个剩余连通域的船只矩形模板，得到k₁的模板集合TEM₁＝{temple_1，1，temple_1，2，…}和k₂的模板集合TEM₂＝{temple_2，1，temple_2，2，…}；

(2.4)使用TEM₁对粗分类影像k₁进行模板匹配，使用TEM₂对粗分类影像k₂进行模板匹配；

(2.5)扩充船只目标区，确保船只完全包含在船只目标区内；

(3)将扩充后的船只目标区四个角点坐标输入到GrabCut算法中，精确提取遥感影像p₁、p₂中的船只，得到提取后的影像z₁和z₂；

(4)计算提取后的影像z₁、z₂中每艘船只的特征向量；

(5)利用船只特征向量对遥感影像p₁、p₂中的船只进行匹配，输出船只匹配结果。

2.根据权利要求1所述的一种基于光学卫星遥感影像的船只自动匹配方法，其特征在于，步骤(1)中所述粗分类过程如下：

(1.1)使用标准差为0、大小为5×5的高斯矩阵对p_i进行高斯滤波平滑，将平滑后影像转为灰度影像g_i，公式如下：

g_i＝R_i·0.299+G_i·0.587+B_i·0.114

式中，R_i、G_i、B_i分别表示p_i高斯平滑后的红、绿、蓝三个通道，其中，高斯平滑使用的高斯矩阵如下：

(1.2)计算灰度影像g_i的边缘梯度影像Grad_i，公式如下：

式中，G_ix表示g_i横向边缘检测的灰度影像G_iy表示g_i纵向边缘检测的灰度影像；

(1.3)利用阈值T_ia对步骤(1.2)得到的边缘梯度影像Grad_i进行二值化处理，得到掩膜图像ω_i，阈值T_ia计算公式如下：

T_ia＝max(Grad_i)·0.2

(1.4)基于掩膜图像ω_i得到灰度影像g_i的目标区域a_i，计算a_i灰度直方图H_i的频率变化值v_i[r]，得到影像自适应分割阈值T_ib，利用T_ib对g_i进行分割，大于阈值T_ib的为前景区域，小于阈值T_ib的为背景区域，定义分割后前景区域的像素值为1，背景区域的像素值为0，得到分割结果f_i；

其中，T_ib计算公式如下：

式中，h_imean表示图像灰度频率的平均值，h_i[r]表示灰度值为r处的频率(r＝0，1，…，255)，v_i[r]表示灰度值r处的频率变化值(r＝0，1，…，255)，

表示频率变化值最小处的灰度值；

(1.5)分别使用2×2内核对f_i进行腐蚀和膨胀，得到粗分类结果影像ki。

3.根据权利要求1所述的一种基于光学卫星遥感影像的船只自动匹配方法，其特征在于，步骤(2.3)中所述模板的计算过程如下：

模板中前景的长度和角度分别为对应连通域的长度和角度，以船长L为一个区间划分真实船只数据，统计每个区间的船只平均长宽比，根据连通域的近似真实长度length′所在区间c确定模板前景的长宽比

计算模板中前景宽度width，前景宽度width计算公式如下：

式中，length表示模板中前景长度，e表示统计数据中船长区间c内的船只个数，δ表示统计数据中的船只长宽比，res表示遥感影像空间分辨率；

根据模板中前景长度、宽度和角度对粗分类影像k₁中每个连通域生成对应的模板影像temple_1，1、temple_1，2、…，得到集合TEM₁，对粗分类影像k₂中每个连通域生成对应的模板影像temple_2，1、temple_2，2、…，得到集合TEM₂，模板中前景区域的像素值为1、背景区域的像素值为0。

4.根据权利要求3所述的一种基于光学卫星遥感影像的船只自动匹配方法，其特征在于，所述船长L为0-50米。

5.根据权利要求1所述的一种基于光学卫星遥感影像的船只自动匹配方法，其特征在于，步骤(2.4)中所述匹配方法为：

设定阈值T_S，模板从影像原点开始滑动，每次滑动一个像素，遍历整幅影像，在每个位置计算模板与模板覆盖区的相似性得分S，若相似性得分大于T_S则认为匹配成功，记录匹配成功时模板四个角点坐标，标记为船只目标区，若同一连通域被标记多次，则只保留相似性得分最高的一次作为船只目标区；

其中，计算相似性得分S公式如下：

式中，temple表示模板，X表示连通域，N(·)代表区域(·)内像素值为1的像素个数。

6.根据权利要求1所述的一种基于光学卫星遥感影像的船只自动匹配方法，其特征在于，步骤(2.5)中所述扩充公式如下：

式中，(x′₁，y′₁)、(x′₂，y′₂)分别表示船只目标区扩充后的左上角点和右下角点的坐标，(x₁，y₁)、(x₂，y₂)表示原船只目标区的对应坐标。

7.根据权利要求1所述的一种基于光学卫星遥感影像的船只自动匹配方法，其特征在于，步骤(3)中船只精确提取流程如下：

(3.1)船只目标区内的船只为需要被分割出的前景，海水和其余目标为背景，在RGB空间中分别对p₁、p₂的前景和背景用高斯混合模型建模，将船只目标区外的像素标记为背景，将船只目标区内的像素标记为可能的前景或背景，使用K均值算法初始化高斯混合模型，取K＝5，给每个像素分配合适的高斯分量，第n个像素的高斯分量表示为k_n；

(3.2)分别计算p₁、p₂整幅影像的Gibbs能量E(α，k，θ，z)，公式如下：

式中，α表示不透明度，α∈{1，0}，θ＝{π(α，k)，μ(α，k)，∑(α，k)，α＝0，1，k＝1，...，K}，z表示影像灰度值数组，U表示区域能量函数，π表示高斯分量的权重、μ表示每个高斯分量的均值向量、∑表示协方差矩阵，V表示边界能量函数，γ＝50，C表示某个像素点与相邻像素点组合的集合，m、n表示两邻域像素，β表示影像像素之间的对比度；

(3.3)更新遥感影像p₁、p₂中每个像素的高斯分量

和高斯混合矩阵的参数

直至收敛，找到能量函数E(α，k，θ，z)的最小值，获取p₁、p₂前景和背景的最佳分割界限，得到船只精确提取后影像z₁、z₂。

8.根据权利要求1所述的一种基于光学卫星遥感影像的船只自动匹配方法，其特征在于，

步骤(4)中计算步骤如下：

计算z₁、z₂中每艘船只的最小外接矩形，得到船只的面积area、长宽比lwr、角度dir和最小外接矩形面积area_MER，从而得到遥感影像p₁、p₂中的每艘船只的特征向量P1_w＝(rec_w，area_w，lwr_w，dir_w)和P2_j＝(rec_j，area_j，lwr_j，dir_j)，其中w表示p₁中提取到的第w艘船只，j表示p₂中提取到的第j艘船只，rec表示矩形度；

其中，矩形度rec计算公式如下：

9.根据权利要求1所述的一种基于光学卫星遥感影像的船只自动匹配方法，其特征在于，步骤(5)中匹配过程如下：

(5.1)计算p₁中每艘船只的特征向量与p₂中每艘船只的特征向量间的相似度，建立两幅影像船只间的二分图，二分图的左顶点表示p₁中的船只，右顶点表示p₂中的船只，将相似度大于阈值T_d的船只进行连线，连线的权值为两艘船只特征向量间的相似度；

(5.2)对二分图的每个顶点赋初始分数，左边顶点初始分数为与其相连边的最大权值，右边顶点初始分数为0；

(5.3)将连线左右两端顶点分数相加，若相加得分大于或等于连线的权值，则认为连线两边是同一艘船只，当p₁中两艘船只匹配到p₂中的同一艘船只时，匹配发生冲突，设定特定值d＝0.1，将两冲突连线对应的左边顶点分数减d，右边顶点分数加d；

(5.4)重复步骤(5.3)，当冲突连线对应的左顶点分数为0时，放弃对此船只的匹配，继续匹配其它船只，直至完成所有船只的匹配，输出船只匹配结果。

10.根据权利要求9所述的一种基于光学卫星遥感影像的船只自动匹配方法，其特征在于，步骤(5.1)中相似度计算公式如下：

式中，R(P1_w，P2_j)表示p₁中第w艘船只与p₂中第j艘船只之间的相似度，0≤R(P1_w，P2_j)≤1，

和

分别表示P1_w和P2_j的均值。

Images