CN113450413B - 基于gf4单帧图像的舰船目标检测方法 - Google Patents

Abstract

基于GF4单帧图像的舰船目标检测方法，本发明涉及单帧GF4数据海上弱小目标检测。本发明的目的是为了解决现有方法对GF4图像中目标检测的检测精度差的问题。基于GF4单帧图像的舰船目标检测方法具体过程为：步骤1：构建单帧GF4遥感图像的局部加权多波段切片张量；步骤2：求解局部加权多波段切片张量的低秩背景以及稀疏目标张量；步骤3：基于步骤2结合GF4多波段信息优化检测结果，获得舰船目标位置坐标。本发明用于遥感图像处理领域。

Description

基于GF4单帧图像的舰船目标检测方法

技术领域

本发明属于遥感图像处理领域，涉及单帧GF4数据海上弱小目标检测，具体的说是一种面向单帧GF4图像的局部加权低秩张量海上弱小目标检测方法。

背景技术

我国近10年发展规划中提出，在空间系统建设中要进一步加快海洋监控卫星方向的落地和应用，不断提高全天时、全天候的海洋区域舰船监察监控能力。我国于2015年12月成功发射了GF4凝视卫星，标志着我国高时间分辨率、高空间分辨率、高轨道大尺度地球观测时代的开始。自该凝视卫星发射以来，已被迅速安排用于监测火灾、洪涝等灾害。另外，GF4卫星载荷的可移动性可以24小时内覆盖我国整个领土范围。

随着科技日新月异的发展，海洋资源越来越受到社会乃至世界大国的青睐。海洋管辖，舰船监测，海上交通管制等应用也需要更短的重访周期、更大的幅宽。GF4卫星的发展和应用也一定会顺应时代，不仅为国家的国土安全、经贸往来提供持续的监管监测，也能够为相关领域的卫星应用提供宝贵的基础。

单帧图像目标检测的重点是如何有效利用目标和背景的差异性来进行目标检测，在实现过程中大多数都提取图像的边缘或者纹理特征后进行目标检测。对凝视卫星获取的海洋监控数据进行分析可以看出，一方面，海上弱目标的大小一般只有几个或十几个像素点，而且在成像过程中，还会因为时间间隔不定造成虚影问题，这也使得判断目标大小困难重重。另一方面，由于海杂波、大气干扰等自然噪声的干扰，使得成像质量不高，造成海上弱目标与背景的对比度不高，现阶段目标检测方法的检测效果较差。

发明内容

本发明的目的是为了解决现有方法对GF4图像中目标检测的检测精度差的问题，而提出基于GF4单帧图像的舰船目标检测方法。

基于GF4单帧图像的舰船目标检测方法具体过程为：

步骤1：构建单帧GF4遥感图像的局部加权多波段切片张量；

步骤2：求解局部加权多波段切片张量的低秩背景以及稀疏目标张量；

步骤3：基于步骤2结合GF4多波段信息优化检测结果，获得舰船目标位置坐标。

优选地，所述步骤1中构建单帧GF4遥感图像的局部加权多波段切片张量；具体过程为：

步骤11、将GF4遥感图像切成400×400的小图；选择全色和近红外的任意波段数据，将切后的400×400的切片图像建模为：

I_F′＝I_B+I_T+I_N (1)

其中，I_F′、I_B、I_T和I_N分别代表切后的400×400的切片图像以及与之对应的背景图像、目标图像和噪声图像；

步骤12、基于步骤11将切后的400×400的切片图像转换成保留局部信息的三维张量；具体过程为：

构建一个固定大小的二维滑窗，对每个400×400的切片图像进行从左上角到右下角的横向滑动切片，将每次取得的小切片叠加成一个三维立方体，得到将切后的400×400的切片图像转换成保留局部信息的三维张量：

F′＝B+T+N (2)

其中，F′，B，T和N分别为I_F′、I_B、I_T和I_N对应的三维张量，有F′,B,T,

其中I和J分别为滑窗后的小切片图像的长和宽，P为滑窗后的小切片图像的个数；

步骤13、基于步骤12将局部信息的三维张量进行简化；具体过程为：

假设GF4图像噪声为高斯噪声，且||N||_F≤δ，则F′＝B+T+N简化为：

||F′-B-T||_F≤δ (6)

其中，||||_F是F范数，

i为矩阵X的第i行，j为矩阵X的第j列，δ为GF4图像噪声最大值；

步骤14、构建矩阵L₁和矩阵L₂；

步骤15、基于步骤14计算边缘显著性局部权重；

步骤16、计算多尺度的局部差对比度；

步骤17、基于步骤15和步骤16得到最终权重；

步骤18、基于步骤17得到局部加权多波段切片张量。

优选地，所述步骤14中构建矩阵L₁和矩阵L₂；具体过程为：

利用局部正则化定义边缘显著性权重：

其中，u_σ是切后的400×400的切片图像I_F′利用高斯滤波进行平滑后的输出；G_α为正则化函数，J₁₁、J₁₂、J₂₁、J₂₂为I_F′的局部正则化特征，J_α是一个对称的半正定矩阵，J_α有两个标准正交特征向量表示为w和v；

其中，

v＝w^T；上角标T为转置，w指向几何结构的最大对比方向，v指向几何结构的最小对比方向；w、v对应的特征值为：

其中，λ₁和λ₂是切后的400×400的切片图像I_F′在(x,y)的像素所对应的局部几何结构的两个特征描述符；

切后的400×400的切片图像每个像素得到λ₁和λ₂，所有λ₁构成矩阵L₁，所有λ₂构成矩阵L₂。

优选地，所述步骤15中基于步骤14计算边缘显著性局部权重；具体过程为：

其中，reCI和reEI分别为I_F′的两种边缘感知指标，其中，h为权值拉伸参数，β为reCI和reEI的加权因子，0<β<1，norm()为归一化函数。

优选地，所述归一化函数norm()为：

其中，A.min为A的最小值，A.max为A的最大值。

优选地，所述步骤16中计算多尺度的局部差对比度；具体过程为：

给定I_F′中的一个像素点(x,y)，像素点(x,y)第k邻域定义为：

Ω_k＝{(p,q)∣max(|p-x|,|q-y|)≤k},k＝1,2,...,L (12)

其中，L是一个正整数，p、q为第k邻域中在I_F′图像上的坐标；

第k个邻域的灰度均值为：

其中，N_k为第k个邻域Ω_k包含的像素个数，f(s,t)为Ω_k包含的像素点(s,t)处的灰度值；

因此，第k个局部差对比可以表示为：

其中，C_k(x,y)为第k个局部差对比，A_L(x,y)为第L个邻域的灰度均值，α_max为L个邻域的灰度均值的最大值，α_min为L个邻域的灰度均值的最小值；

据此，多尺度局部差对比为：

C(x,y)＝max{C₁(x,y),C₂(x,y),...,C_L-1(x,y),0} (15)。

优选地，所述步骤17中基于步骤15和步骤16得到最终权重；具体过程为：

将上述两种局部权重结合，如下式所示：

Wc(x,y)＝C(x,y)×W_LS(x,y) (16)。

优选地，所述步骤18中基于步骤17得到局部加权多波段切片张量；

表示为：

Wc⊙F′＝B+T+N (17)

其中，⊙为点乘。

优选地，所述步骤2中求解局部加权切片张量的低秩背景以及稀疏目标张量；具体过程为：

步骤21、通过主成分追踪求解一个局部加权多波段切片张量的低秩稀疏分解，求解问题如下：

min_B,Trank(B)+λ||T||₀,s.t.||F′-B-T||_F≤δ (18)

利用凸代替塔克秩代替原始秩rank，即

将式(18)的问题通过求解式(19)的最小化来解决：

其中，B_(i)为背景图像三维矩阵在第i维上的二维展开，||||₂为2范数，||||₁为1范数，||||_F为F范数，λ是一个加权参数；

局部加权多波段的切片张量模型如式(20)所示，式(19)不能直接求解，而是转换为相应的对偶问题：

其中，μ是一个正权重参数；

步骤22、稀疏增强权值定义为：

其中，T^k′(i,j,p)为三维目标张量，i、j、p为三维目标张量T的坐标值，k′为迭代次数；

是一个防止上式分母为0的常数；

将局部权重和稀疏增强权重相结合得到自适应权重为：

W＝Wc⊙W_XS (22)

对此，式(20)可以转化为：

通过交替方向乘法器ADMM将公式(23)转换成重新加权的鲁棒张量恢复问题；ADMM将上述问题最小值分解成两个子问题，分别使B_i和T最小；

其中，

为中间变量，

为F范数的平方；

求解更新的目标切片张量T可通过相应算子求解：

其中，W^k′为第k′次循环的自适应权重；

利用矩阵分解误差与原始图像的F范数的相对误差作为迭代停止的标志，迭代停止的标志为：

||F′-B^k′+1-T^k′+1||_F/||F′||_F<ε (28)

其中，ε为停止的标志阈值；

若满足||F′-B^k′+1-T^k′+1||_F/||F′||_F<ε，得到局部加权切片张量的低秩背景以及稀疏目标张量；

否则重新执行公式(21)-(28)，直至满足||F′-B^k′+1-T^k′+1||_F/||F′||_F<ε。

优选地，所述步骤3步骤3中基于步骤2结合GF4多波段信息优化检测结果，获得舰船目标位置坐标；具体过程为：

分别从背景张量B和目标张量T中重构出背景I_B和目标图像I_T；

将目标图像I_T进行阈值分割得到初始的检测结果：

其中，mean(I_T)为目标图像矩阵均值，var(I_T)为目标图像矩阵标准差；

计算初始的检测结果I′_T(x,y)中近红外波段每一个目标与全色波段所有目标的距离，表示为列表D1nir，若该列表的最小值min(D1nir)小于20，则认为该目标T是真实目标，否则为虚假目标；最终获得舰船目标位置坐标。

本发明的有益效果为：

本发明提出基于GF4单帧图像的舰船目标检测方法，充分考虑了单帧GF4数据的局部和非局部特性，能有效解决单帧GF4图像海上弱小目标检测问题。

本发明的目的在于针对GF4数据目标空间信息缺失、高亮噪点严重影响检测结果等问题，一方面，以GF4海域图像低秩特性为出发点，研究了基于局部加权的切片张量弱小目标检测算法；另一方面，利用不同波段的光谱反射率差异以及波段间时差等特性，剔除与真实目标光谱反射率差异较大的虚假目标以及随机噪点，有效降低了单帧图像目标检测虚警率；提高了对GF4图像中目标检测的检测精度。

实验结果表明，本发明与其他技术相比，一种面向单帧GF4图像的局部加权低秩张量海上弱小目标检测方法的漏警率降低了30％-40％，虚警率降低了10％左右，体现出了本发明的有效性。

附图说明

图1是根据本发明实施例的一种面向单帧GF4图像的局部加权低秩张量海上弱小目标检测方法的实现流程示意图；

图2a是本发明第一个实施例的目标真值检测结果图；

图2b是本发明第一个实施例的IPI方法检测结果图；

图2c是本发明第一个实施例的LIG方法检测结果图；

图2d是本发明第一个实施例的NRAM方法检测结果图；

图2e是本发明第一个实施例的RIPT方法检测结果图；

图2f是本发明第一个实施例的本发明LWGPT方法检测结果图；

图3a是本发明第二个实施例的目标真值检测结果图；

图3b是本发明第二个实施例的IPI方法检测结果图；

图3c是本发明第二个实施例的LIG方法检测结果图；

图3d是本发明第二个实施例的NRAM方法检测结果图；

图3e是本发明第二个实施例的RIPT方法检测结果图；

图3f是本发明第二个实施例的本发明LWGPT方法检测结果图；

图4a是本发明第三个实施例的目标真值检测结果图；

图4b是本发明第三个实施例的IPI方法检测结果图；

图4c是本发明第三个实施例的LIG方法检测结果图；

图4d是本发明第三个实施例的NRAM方法检测结果图；

图4e是本发明第三个实施例的RIPT方法检测结果图；

图4f是本发明第三个实施例的本发明LWGPT方法检测结果图。

具体实施方式

具体实施方式一：结合图1说明本实施方式，本实施方式基于GF4单帧图像的舰船目标检测方法具体过程为：

步骤1：构建单帧GF4遥感图像的局部加权多波段切片张量；

步骤2：求解局部加权多波段切片张量的低秩背景以及稀疏目标张量；

步骤3：基于步骤2结合GF4多波段信息优化检测结果，获得舰船目标位置坐标。

具体实施方式二：本实施方式与具体实施方式一不同的是，所述步骤1中构建单帧GF4遥感图像的局部加权多波段切片张量；具体过程为：

步骤11、由于GF4图像整体成像幅宽过大，因此需要先将GF4遥感图像切成400×400的小图，为减少计算量，排除掉切片中像素值全为零的图像；选择全色和近红外的任意波段数据，都可以将切后的400×400的切片图像建模为：

I_F′＝I_B+I_T+I_N (1)

其中，I_F′、I_B、I_T和I_N分别代表切后的400×400的切片图像(输入图像)以及与之对应的背景图像、目标图像和噪声图像；

步骤12、基于步骤11将切后的400×400的切片图像(将每个400×400的切片图像转换成三维张量)转换成保留局部信息的三维张量；具体过程为：

在此基础上，构建一个固定大小的二维滑窗，对每个400×400的切片图像进行从左上角到右下角的横向滑动切片，将每次取得的小切片叠加成一个三维立方体(如图4中的构建步骤)，得到将切后的400×400的切片图像(将每个400×400的切片图像转换成三维张量)转换成保留局部信息的三维张量：

F′＝B+T+N (2)

其中，F′，B，T和N分别为I_F′、I_B、I_T和I_N对应的三维张量，有F′,B,T,

其中I和J分别为滑窗后的小切片图像的长和宽，P为滑窗后的小切片图像的个数；

步骤13、基于步骤12将局部信息的三维张量进行简化；具体过程为：

目标图像I_T特性分析：

GF4数据中的船只目标虽然在成像过程中受到海浪、大气等干扰，使得船只弱小目标的反射率、尺寸大小均在变化，船只目标大小大约在5×5-10×10像素值之间，但是此目标相对于整幅海域图像，所占比例仍然很小。因此可以将船只目标看作为稀疏矩阵，周围背景信息可以看作为低秩矩阵。在GF4图像的全色波段和近红外波段都能体现出此规律，将海面上的舰船目标看作为元素1，海面背景看作为元素0，则在整个海域矩阵中，非零元素的个数远少于为零元素，且没有相应的分布规律，因此可以将GF4单波段图像看作稀疏矩阵：

||T||₀＜k (3)

式中，||||₀表示0范数；k的值取决于GF4单波段图像中目标的尺寸与数量，且k＜＜m×n，其中m，n是GF4单波段图像的长和宽；

背景图像I_B特性分析：

在GF4数据中，一般认为海面背景是缓慢过渡的，这意味着图像中不同区域的海面切片之间的相关性很高，可以将背景切片图像B视为一个低秩矩阵：

rank(B)≤r (4)

其中r为人为设定的阈值，可以理解为该矩阵的冗余度，r越小代表图像越简单，否则代表图像越复杂；目前对张量进行二维转换的操作都在张量的第一或第二维进行的，相当于相应切片张量的3阶模态展开矩阵，因此该操作本质上可以看作是切片张量的特殊展开形式；在GF4图像中检测舰船弱小目标的主要困难是缺乏足够的像素信息，仅仅考虑3阶模态展开矩阵的低秩结构不足以处理信杂比低的海面场景。GF4切片张量的1阶模态和2阶模态展开矩阵都是低秩的，这是由于在海面上大部分信息都为海浪等信息，冗余较多。因此可以将背景切片图像B视为一个低秩张量，背景切片图像B展开矩阵为：

rank(B₁)≤r₁,rank(B₂)≤r₂,rank(B₃)≤r₃ (5)

其中r₁、r₂、r₃为常量，表示背景切片图像B的复杂度，值越大，背景就越复杂；

噪声图像I_N特性分析：

由前两节的目标和背景特性可知，GF4图像可以分解为如公式(3-6)所述的背景、目标和杂波：

F′＝B+T+N

为了能够更好解决目标检测问题，假设GF4图像(单波段和多波段都包括)噪声为高斯噪声，且||N||_F≤δ，则F′＝B+T+N简化为：

||F′-B-T||_F≤δ (6)

其中，||||_F是F范数，

i为矩阵X的第i行，j为矩阵X的第j列，δ为GF4图像噪声最大值；

步骤14、构建矩阵L₁和矩阵L₂；

步骤15、基于步骤14计算边缘显著性局部权重；

步骤16、计算多尺度的局部差对比度；

步骤17、基于步骤15和步骤16得到最终权重；

步骤18、基于步骤17得到局部加权多波段切片张量。

其它步骤及参数与具体实施方式一相同。

具体实施方式三：本实施方式与具体实施方式一或二不同的是，所述步骤14中构建矩阵L₁和矩阵L₂；具体过程为：

为了能够更有效的检测到目标，在此着重放在将局部相关特性和非局部相关特性相结合的方法中。首先，为了对目标的边缘进行提取和分析，在图像结构张量的基础上设计了局部结构权值，也就是边缘显著性权重。在此利用局部正则化定义边缘显著性权重：

其中，u_σ是切后的400×400的切片图像I_F′利用高斯滤波进行平滑后的输出；G_α为正则化函数，J₁₁、J₁₂、J₂₁、J₂₂为I_F′的局部正则化特征，J_α是一个对称的半正定矩阵，J_α有两个标准正交特征向量表示为w和v；

其中，

v＝w^T；上角标T为转置，w指向几何结构的最大对比方向，v指向几何结构的最小对比方向；w、v对应的特征值为：

w对应λ₁，v对应λ₂，λ₁是+，λ₂是-；

其中，λ₁和λ₂是切后的400×400的切片图像I_F′在(x,y)的像素所对应的局部几何结构的两个特征描述符，其中在海域平坦区域，有λ₁≈λ₂，在海岸或者云边区域，有λ₁＞＞λ₂，在目标区域活梯度起伏不大区域，有λ₁≥λ₂。RIPT方法为了降低计算成本，利用边缘像素的值远大于平坦区域和角落的值这一先验信息，选择λ₁-λ₂作为边缘感知特征；在分析不同的GF4海面场景，用λ₁-λ₂来计算它们对应的边缘结构图。可以观察到对应的边缘结构图能够有效的消除海域背景中的角点区域，实现了部分目标的识别。换句话说，利用λ₁-λ₂作为边缘特征，由于目标本身具有一定的边缘信息，因此难以突出显示背景中的边缘信息。因此，基于该指标的局部结构权值无法去除角点残差，给RIPT模型保留目标和抑制背景边缘带来了困境。因此，加权后的目标图像往往存在残留或目标过缩现象。

为了克服这一困境，同时识别边缘和角落已经成为一个重要的问题。首先，在此使用拐角感知指标：

其中，reCI(x,y)为I_F′的边缘感知指标；

切后的400×400的切片图像每个像素得到λ₁和λ₂，所有λ₁构成矩阵L₁，所有λ₂构成矩阵L₂。

其它步骤及参数与具体实施方式一或二相同。

具体实施方式四：本实施方式与具体实施方式一至三之一不同的是，所述步骤15中基于步骤14计算边缘显著性局部权重；具体过程为：

其中，reCI和reEI分别为I_F′的两种边缘感知指标，其中，h为权值拉伸参数，β为reCI和reEI的加权因子，用来度量reCI和reEI的相对重要性；通过调整β，可以使reCI和reEI适应不同的场景。在数学上，当β＝1时，reCI和reEI相等；当β>1，reEI更重要；当β<1，reCI更重要,因此，0<β<1，norm()为归一化函数。

其它步骤及参数与具体实施方式一至三之一相同。

具体实施方式五：本实施方式与具体实施方式一至四之一不同的是，所述归一化函数norm()为：

其中，A.min为A的最小值，A.max为A的最大值。

其它步骤及参数与具体实施方式一至四之一相同。

具体实施方式六：本实施方式与具体实施方式一至五之一不同的是，所述步骤16中计算多尺度的局部差对比度；具体过程为：

一般认为GF4数据的目标区域是一个小的、均匀的、紧凑的区域，在此利用的方法本质上是基于相邻像素来确定平均灰度差的性质。因此，本节将场景中根据平均灰度差的具体度量来确定的局部权重，另外，在设计具体方案时也应考虑到虽然遥感成像距离较远，目标大小较为固定，但是也不应排除目标尺寸变化的情况。因此在单一尺寸窗口基础上考虑目标的尺寸变化情况，利用多尺度的局部差对比度来度量目标与背景的差异，具体内容如下：

给定I_F′中的一个像素点(x,y)，像素点(x,y)第k邻域定义为：

Ω_k＝{(p,q)∣max(|p-x|,|q-y|)≤k},k＝1,2,...,L (12)

其中，L是一个正整数，p、q为第k邻域中在I_F′图像上的坐标；

第k个邻域的灰度均值为：

其中，N_k为第k个邻域Ω_k包含的像素个数，f(s,t)为Ω_k包含的像素点(s,t)处的灰度值；

因此，第k个局部差对比可以表示为：

其中，C_k(x,y)为第k个局部差对比，A_L(x,y)为第L个邻域的灰度均值，α_max为L个邻域的灰度均值的最大值，α_min为L个邻域的灰度均值的最小值；

据此，多尺度局部差对比为：

C(x,y)＝max{C₁(x,y),C₂(x,y),...,C_L-1(x,y),0} (15)。

其它步骤及参数与具体实施方式一至五之一相同。

具体实施方式七：本实施方式与具体实施方式一至六之一不同的是，所述步骤17中基于步骤15和步骤16得到最终权重；具体过程为：

对于给定尺度上的每个像素点，可以通过这种方法获取其多尺度局部差对比，进而增强复杂多云背景下的弱小目标。虽然利用此方法可以抑制大量的背景杂波和噪声，但仍然存在一些残留。为此，将上述两种局部权重结合以提高干扰对象与目标在反射率强度相近情况下的可分性，如下式所示：

Wc(x,y)＝C(x,y)×W_LS(x,y) (16)

其它步骤及参数与具体实施方式一至六之一相同。

具体实施方式八：本实施方式与具体实施方式一至七之一不同的是，所述步骤18中基于步骤17得到局部加权多波段切片张量；

表示为：

Wc⊙F′＝B+T+N (17)

其中，⊙为点乘。

其它步骤及参数与具体实施方式一至七之一相同。

具体实施方式九：本实施方式与具体实施方式一至八之一不同的是，所述步骤2中求解局部加权切片张量的低秩背景以及稀疏目标张量；具体过程为：

步骤21、如前所述，是一个低秩矩阵，是一个稀疏矩阵。因此，GF4弱小目标检测问题本质上是一个典型的从原始切片张量中恢复低秩分量和稀疏分量的问题。通过主成分追踪(PCP)求解一个局部加权多波段切片张量的低秩稀疏分解，求解问题如下：

min_B,Trank(B)+λ||T||₀,s.t.||F′-B-T||_F≤δ (18)

一方面，给定张量的秩计算通常是非常困难的，即便能够解出给定张量的秩，其所耗时间也难以满足要求；另一方面，求矩阵的0阶矩也十分困难。因此可以利用凸代替塔克秩(convex surrogate Tucker-rank,CTrank)代替原始秩rank，并且由于矩阵的0阶矩代表矩阵中非0值的和，而矩阵的1阶矩代表矩阵的均值，二者在某种程度上可以替代，因此在此利用矩阵的1阶矩代替0阶矩，且引入高阶RPCA(鲁棒张量恢复)，使问题易于处理。在此处，张量秩正则化项被定义为模型展开的所有核范数之和，即

有了这种替换，将(18)的问题通过求解式(19)的最小化来解决：

其中，B_(i)为背景图像三维矩阵在第i维上的二维展开，||||₂为2范数，||||₁为1范数，||||_F为F范数，λ是一个加权参数，它控制着背景切片张量和目标切片张量之间的权衡。

根据上述描述，局部加权多波段的切片张量模型如式(20)所示，式(19)不能直接求解，而是转换为相应的对偶问题(如式(20)所示)：

其中，μ是一个正权重参数；

步骤22、稀疏增强权值定义为：

其中，T^k′(i,j,p)为三维目标张量，i、j、p为三维目标张量T的坐标值，k′为迭代次数；

是一个防止上式分母为0的常数；

将局部权重和稀疏增强权重相结合得到自适应权重为：

W＝Wc⊙W_XS (22)

对此，式(20)可以转化为：

为了解决上述问题，通过交替方向乘法器ADMM将公式(23)转换成重新加权的鲁棒张量恢复问题；ADMM将上述问题最小值分解成两个子问题，分别使B_i和T最小；ADMM的迭代如下：

其中，

为中间变量，

为F范数的平方；

求解更新的目标切片张量T可通过相应算子求解(式25转27)：

其中，W^k′为第k′次循环的自适应权重；

加权参数决定可调阈值，控制目标切片张量和背景切片张量之间的权衡。因此本文的元素自适应权值张量可以在保留小目标的同时抑制强边缘。

最后，利用矩阵分解误差与原始图像的F范数的相对误差作为迭代停止的标志，迭代停止的标志为：

||F′-B^k′+1-T^k′+1||_F/||F′||_F<ε (28)

其中，ε为停止的标志阈值；

若满足||F′-B^k′+1-T^k′+1||_F/||F′||_F<ε，得到局部加权切片张量的低秩背景以及稀疏目标张量；

否则重新执行公式(21)-(28)，直至满足||F′-B^k′+1-T^k′+1||_F/||F′||_F<ε。

在求解上述方程之前，计算时间也是LWGPT模型求解弱小目标检测中的一个重要问题。一般情况下，RPCA算法的停止准则是重构误差小于某个值。因此为满足此准则，则需要对此模型进行数十次的迭代。在算法收敛之前，张量分解后的目标切片张量存在着的非零元素个数不变的情况。事实上，在GF4数据的目标图像中，真正的舰船目标仅仅占据着一小部分且像素个数相对海域背景较少；在迭代的后半段，分解后的值几乎没有变化。因此，考虑到GF4海上舰船弱小目标的特殊性，在上述模型中，用目标切片张量稀疏性代替重构误差是合理的。

其它步骤及参数与具体实施方式一至八之一相同。

具体实施方式十：本实施方式与具体实施方式一至九之一不同的是，所述步骤3步骤3中基于步骤2结合GF4多波段信息优化检测结果，获得舰船目标位置坐标；具体过程为：

分别从背景张量B和目标张量T中重构出背景I_B和目标图像I_T；

将目标图像I_T进行阈值分割得到初始的检测结果：

其中，mean(I_T)为目标图像矩阵(二维)均值，var(I_T)为目标图像矩阵(二维)标准差；

以GF4数据多波段分时成像特性为出发点(相邻波段的成像时间差约为10秒)，利用该成像间隔目标的移动进而对虚假目标进行剔除。计算初始的检测结果I′_T(x,y)中近红外波段每一个目标与全色波段所有目标的距离，表示为列表D1nir，若该列表的最小值min(D1nir)小于20，则认为该目标T是真实目标，否则为虚假目标；最终获得舰船目标位置坐标。

首先由云优化部分所介绍的GF4凝视卫星多谱段连续成像波段时间差可知，相邻波段的成像时间差约为10秒。虽然对于平时生活中的视频来说，10秒钟已经足够长，但是在GF4的成像条件下，针对海面上的弱小舰船，速度大约可以达到30海里/小时，也就是每小时55公里，但是在实际情况下，由于海面上的环境变化多端、海浪较大等极端环境，造成舰船的形式速度很少能够达到此速度。换言之，一帧GF4图像，舰船目标的移动距离大约为1-5个像素点。因此可以利用该成像间隔目标的移动进而对虚假目标进行剔除。

其次对GF4凝视数据而言，不同波段在同样的目标或背景上的反射率是不同的，在海洋区域中，舰船目标和背景海域对可见光范围内的B2、B3和B4波段的吸收都较弱，导致在利用这三个波段进行成像的目标会出现随机噪点多、目标边缘模糊的现象；而在全色波段中，由于此波段的光谱范围最广，所吸收的能量最多，信息量也是最大的，导致利用该光谱成像的目标较可见光范围的其他三个波段更为清晰；另外，在近红外波段，海水对此波段的光谱吸收率相较舰船目标更高，因此该波段中，舰船目标与海水背景的差异性是最大的，也是最能够容易检测的。

最后，全色波段和近红外波段图像中目标与背景的差异性是最大的，其他三个波段数据不仅对比度不足，而且还引入了较多额外的杂波噪声。因此以近红外波段为基础，结合相同区域的全色波段数据进行检测结果优化。

其它步骤及参数与具体实施方式一至九之一相同。

采用以下实施例验证本发明的有益效果：

为了充分评估所提出的算法，本发明使用GF4图像进行了一系列实验，并与其他先进的方法进行比较。在此使用所描述的数据，所涵盖的目标背景从平坦背景到具有大量杂波和极弱目标的复杂背景。由于一些目标非常模糊，肉眼很难直接观察到，因此在此扩大了划定的区域。考虑到目前凝视海上弱小目标检测的最大困难是如何检测出那些具有很强杂波的非常微弱的目标，在那些极其复杂的图像上有良好的检测性能比在相对简单的图像上得到满意的结果更令人信服。

与其他方法相比，本发明方法在不同杂波背景下具有更少的杂波和噪声残留，例如图像中存在海岸等信息时，海岸的亮度与大小都远远高于真实目标，当存在此影响时，大部分的现有检测方法都很难排除海岸的干扰，进而将海岸的边缘或者岛屿上较量的圆斑当做了目标，在低秩算法中真实目标就被埋没在背景中，而在基于滤波方法和基于局部差异性度量的方法中，都会将岛屿的特性当做目标的特性，难以进一步分出真实目标；而在图像中存在着云层的影响时，可以看出，低秩方法、基于滤波方法和基于局部差异性度量方法能够检测出部分真实目标，但是云层自身的离散性会造成某些小片云也会被分离出来从而使虚警上升；而本发明所使用的方法是利用了GF4数据自身的特性，能够有效的排除掉海岸以及云层特性所带来的负面影响，进而提升目标的检测结果。如表1和图2a、2b、2c、2d、2e、2f、3a、3b、3c、3d、3e、3f、4a、4b、4c、4d、4e、4f。

表1

本发明还可有其它多种实施例，在不背离本发明精神及其实质的情况下，本领域技术人员当可根据本发明作出各种相应的改变和变形，但这些相应的改变和变形都应属于本发明所附的权利要求的保护范围。

Claims (1)

1.基于GF4单帧图像的舰船目标检测方法，其特征在于：所述方法具体过程为：

步骤1：构建单帧GF4遥感图像的局部加权多波段切片张量；

步骤2：求解局部加权多波段切片张量的低秩背景以及稀疏目标张量；

步骤3：基于步骤2结合GF4多波段信息优化检测结果，获得舰船目标位置坐标；

所述步骤1中构建单帧GF4遥感图像的局部加权多波段切片张量；具体过程为：

步骤11、将GF4遥感图像切成400×400的小图；选择全色和近红外的任意波段数据，将切后的400×400的切片图像建模为：

I_F′＝I_B+I_T+I_N (1)

其中，I_F′、I_B、I_T和I_N分别代表切后的400×400的切片图像以及与之对应的背景图像、目标图像和噪声图像；

步骤12、基于步骤11将切后的400×400的切片图像转换成保留局部信息的三维张量；具体过程为：

构建一个固定大小的二维滑窗，对每个400×400的切片图像进行从左上角到右下角的横向滑动切片，将每次取得的小切片叠加成一个三维立方体，得到将切后的400×400的切片图像转换成保留局部信息的三维张量：

F′＝B+T+N (2)

其中，F′，B，T和N分别为I_F′、I_B、I_T和I_N对应的三维张量，有

其中I和J分别为滑窗后的小切片图像的长和宽，P为滑窗后的小切片图像的个数；

步骤13、基于步骤12将局部信息的三维张量进行简化；具体过程为：

假设GF4图像噪声为高斯噪声，且||N||_F≤δ，则F′＝B+T+N简化为：

||F′-B-T||_F≤δ (6)

其中，|| ||_F是F范数，

i为矩阵X的第i行，j为矩阵X的第j列，δ为GF4图像噪声最大值；

步骤14、构建矩阵L₁和矩阵L₂；

步骤15、基于步骤14计算边缘显著性局部权重；

步骤16、计算多尺度的局部差对比度；

步骤17、基于步骤15和步骤16得到最终权重；

步骤18、基于步骤17得到局部加权多波段切片张量；

所述步骤14中构建矩阵L₁和矩阵L₂；具体过程为：

利用局部正则化定义边缘显著性权重：

其中，u_σ是切后的400×400的切片图像I_F′利用高斯滤波进行平滑后的输出；G_α为正则化函数，J₁₁、J₁₂、J₂₁、J₂₂为I_F′的局部正则化特征，J_α是一个对称的半正定矩阵，J_α有两个标准正交特征向量表示为w和v；

其中，

v＝w^T；上角标T为转置，w指向几何结构的最大对比方向，v指向几何结构的最小对比方向；w、v对应的特征值为：

其中，λ₁和λ₂是切后的400×400的切片图像I_F′在(x,y)的像素所对应的局部几何结构的两个特征描述符；

切后的400×400的切片图像每个像素得到λ₁和λ₂，所有λ₁构成矩阵L₁，所有λ₂构成矩阵L₂；

所述步骤15中基于步骤14计算边缘显著性局部权重；具体过程为：

其中，reCI和reEI分别为I_F′的两种边缘感知指标，其中，h为权值拉伸参数，β为reCI和reEI的加权因子，0<β<1，norm()为归一化函数；

所述归一化函数norm()为：

其中，A.min为A的最小值，A.max为A的最大值；

所述步骤16中计算多尺度的局部差对比度；具体过程为：

给定I_F′中的一个像素点(x,y)，像素点(x,y)第k邻域定义为：

Ω_k＝{(p,q)∣max(|p-x|,|q-y|)≤k},k＝1,2,...,L (12)

其中，L是一个正整数，p、q为第k邻域中在I_F′图像上的坐标；

第k个邻域的灰度均值为：

其中，N_k为第k个邻域Ω_k包含的像素个数，f(s,t)为Ω_k包含的像素点(s,t)处的灰度值；

因此，第k个局部差对比可以表示为：

其中，C_k(x,y)为第k个局部差对比，A_L(x,y)为第L个邻域的灰度均值，α_max为L个邻域的灰度均值的最大值，α_min为L个邻域的灰度均值的最小值；

据此，多尺度局部差对比为：

C(x,y)＝max{C₁(x,y),C₂(x,y),...,C_L-1(x,y),0} (15)

所述步骤17中基于步骤15和步骤16得到最终权重；具体过程为：

将上述两种局部权重结合，如下式所示：

Wc(x,y)＝C(x,y)×W_LS(x,y) (16)

所述步骤18中基于步骤17得到局部加权多波段切片张量；

表示为：

Wc⊙F′＝B+T+N (17)

其中，⊙为点乘；

所述步骤2中求解局部加权切片张量的低秩背景以及稀疏目标张量；具体过程为：

步骤21、通过主成分追踪求解一个局部加权多波段切片张量的低秩稀疏分解，求解问题如下：

min_B,Trank(B)+λ‖T‖₀,s.t.||F′-B-T||_F≤δ (18)

利用凸代替塔克秩代替原始秩rank，即

将式(18)的问题通过求解式(19)的最小化来解决：

其中，B_(i)为背景图像三维矩阵在第i维上的二维展开，||||₂为2范数，||||₁为1范数，||||_F为F范数，λ是一个加权参数；

局部加权多波段的切片张量模型如式(20)所示，式(19)不能直接求解，而是转换为相应的对偶问题：

其中，μ是一个正权重参数；

步骤22、稀疏增强权值定义为：

其中，T^k′(i,j,p)为三维目标张量，i、j、p为三维目标张量T的坐标值，k′为迭代次数；

是一个防止上式分母为0的常数；

将局部权重和稀疏增强权重相结合得到自适应权重为：

W＝Wc⊙W_XS (22)

对此，式(20)可以转化为：

通过交替方向乘法器ADMM将公式(23)转换成重新加权的鲁棒张量恢复问题；ADMM将上述问题最小值分解成两个子问题，分别使B_i和T最小；

其中，

为中间变量，

为F范数的平方；

求解更新的目标切片张量T可通过相应算子求解：

其中，W^k′为第k′次循环的自适应权重；

利用矩阵分解误差与原始图像的F范数的相对误差作为迭代停止的标志，迭代停止的标志为：

||F′-B^k′+1-T^k′+1||_F/‖F′‖_F<ε (28)

其中，ε为停止的标志阈值；

若满足||F′-B^k′+1-T^k′+1||_F/‖F′‖_F<ε，得到局部加权切片张量的低秩背景以及稀疏目标张量；

否则重新执行公式(21)-(28)，直至满足||F′-B^k′+1-T^k′+1||_F/‖F′‖_F<ε；

所述步骤3中基于步骤2结合GF4多波段信息优化检测结果，获得舰船目标位置坐标；具体过程为：

分别从背景张量B和目标张量T中重构出背景I_B和目标图像I_T；

将目标图像I_T进行阈值分割得到初始的检测结果：

其中，mean(I_T)为目标图像矩阵均值，var(I_T)为目标图像矩阵标准差；

计算初始的检测结果I′_T(x,y)中近红外波段每一个目标与全色波段所有目标的距离，表示为列表D1nir，若该列表的最小值min(D1nir)小于20，则认为该目标T是真实目标，否则为虚假目标；最终获得舰船目标位置坐标。

Images