CN114359720B - 一种基于卫星光学图像的海上目标检测方法、系统及装置 - Google Patents
一种基于卫星光学图像的海上目标检测方法、系统及装置 Download PDFInfo
- Publication number
- CN114359720B CN114359720B CN202111590843.8A CN202111590843A CN114359720B CN 114359720 B CN114359720 B CN 114359720B CN 202111590843 A CN202111590843 A CN 202111590843A CN 114359720 B CN114359720 B CN 114359720B
- Authority
- CN
- China
- Prior art keywords
- target
- image
- suspected
- sea area
- satellite
- 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 30
- 230000003287 optical effect Effects 0.000 title claims abstract description 28
- 238000000034 method Methods 0.000 claims abstract description 30
- 230000033001 locomotion Effects 0.000 claims abstract description 24
- 238000012216 screening Methods 0.000 claims abstract description 19
- 238000001914 filtration Methods 0.000 claims abstract description 15
- 238000000605 extraction Methods 0.000 claims abstract description 12
- 238000007781 pre-processing Methods 0.000 claims abstract description 11
- 230000011218 segmentation Effects 0.000 claims abstract description 10
- 238000013135 deep learning Methods 0.000 claims abstract description 7
- 238000006073 displacement reaction Methods 0.000 claims description 18
- 230000000877 morphologic effect Effects 0.000 claims description 18
- 238000012549 training Methods 0.000 claims description 16
- 238000013527 convolutional neural network Methods 0.000 claims description 13
- 230000015654 memory Effects 0.000 claims description 13
- 238000003384 imaging method Methods 0.000 claims description 10
- 238000012545 processing Methods 0.000 claims description 7
- 238000002310 reflectometry Methods 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000003672 processing method Methods 0.000 claims description 3
- 238000012546 transfer Methods 0.000 claims 1
- 238000003062 neural network model Methods 0.000 abstract description 4
- 230000006870 function Effects 0.000 description 9
- 238000011176 pooling Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 4
- 238000012544 monitoring process Methods 0.000 description 3
- 230000002093 peripheral effect Effects 0.000 description 3
- 238000013459 approach Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明提供的一种基于卫星光学图像的海上目标检测方法、系统及装置，根据卫星采集的影像，通过影像预处理、海域提取、基于局部对比度的阈值分割、运动方向一致性过滤及人工智能深度学习的先进神经网络模型筛选，有效去除陆地、云层、礁石等虚警干扰信息，可快速准确地得到海上船舶检测目标。
Description
技术领域
本发明涉及卫星遥感技术领域，尤其是涉及一种基于卫星光学图像的海上目标检测方法、系统及装置。
背景技术
目前，随着现代化高新技术的迅速发展，海洋开发利用强度与日俱增，海上船只来往愈加频繁，海上交通管制、航运安全、海上船舶监控等任务对海上监视监控系统的“实时性”、“机动性”的要求也越来越高。而高轨凝视卫星采用地球同步轨道，相对低轨卫星而言，极大地提高了卫星的时间分辨率与覆盖范围，能够实现大范围内目标的连续、实时、长时间的检测，在海洋监视方面具有重大的应用潜力。
由于高轨凝视卫星传感器轨道高、成像机理和外界环境复杂等因素，导致其影像空间分辨率低，海上的目标，特别是船舶目标成为弱点目标，且易受云层、岛屿、海浪等因素干扰，影响船舶的观测效果。
目前，用于高轨凝视卫星海上船舶检测的方法主要有灰度统计特征检测、恒虚警率检测、形态学滤波检测、中值滤波去噪和非线性灰度拉伸方法，但由于高轨凝视卫星图像中船舶的尾迹纹理和几何特征很少，而且很容易受到行驶速度、行驶方向和光照的影响，这就对灰度统计等造成困难，进而影响上述检测方法的准确性，从而造成虚警和漏检，最终导致船舶检测结果不准确。
发明内容
本发明的目的在于提供一种基于卫星光学图像的海上目标检测方法、系统及装置，以解决现有技术中存在的至少一个上述技术问题。
为解决上述技术问题，本发明提供的一种基于卫星光学图像的海上目标检测方法，包括如下步骤：
步骤1：影像预处理，将卫星拍摄到的一级影像进行纠正，形成含有地理坐标信息的二级影像数据；
步骤2：海域提取，基于所述二级影像数据，提取其中的海域区域；
步骤3：基于局部对比度的阈值分割，根据步骤2得到的海域区域，将一预设窗口中亮度最大的点，作为疑似目标点；
步骤4：运动方向一致性过滤，基于步骤3所述疑似目标点，采集形态学运动方向和波段成像时间内的位移方向，并根据两种方向的一致性进行疑似目标过滤，获得优选疑似目标；
步骤5：船舶目标筛选，步骤4优选疑似目标的几何中心为中心，切割一块自定义像素大小的目标图像作为输入，通过深度学习网络模型进行预测，筛除虚警干扰信息，输出准确船舶目标。
进一步地，所述步骤4中的形态学运动方向和位移方向分别表示如下：
(a)形态学运动方向：
船舶目标在卫星拍摄的单波段影像上呈现为纺锤形，并带有尾迹，船身的亮度明显高于尾迹，该目标中心T(x,y)在第i个方向上的有效像素的灰度均值定义为：
Di＝mean(Ii,j)j＝1,2,…,H；
设l为k的反向，当Dk>Dl且Dl大于其它方向的有效像素均值时，则第k个方向为船舶的形态学运动方向。
(b)位移方向：
船舶从时刻T1到时刻T2有成像时间差，这段时间目标在影像上会沿着它的运动方向形成一段位移。
设船舶在T1时刻的位置为(x1,y1),T2时候的位置为(x2,y2),目标的位移方向TDirection，计算公式如下：
令Bearing＝180*arctan((x2-x1)/(y2-y1))/π；
则
除了上述形态运动学方向及位移方向的界定方法，还可以使用本领域中常用的其它方法。
当形态运动学方向和位移方向的差值绝对值大于所设定的阈值时，意味着此疑似目标并不具备船舶的运动特性，则剔除该疑似目标，剩余疑似目标即为优选疑似目标，缩小了检测范围。
进一步地，阈值可以设定为30°、35°、40°、45°或50°。
进一步地，所述步骤2中海域提取采用归一化差值处理方法，具体为：
基于绿光波段反射率强、NIR波段反射率弱的特点，通过阈值比较方式，得到二值图像，基于所述二值图像获得海域区域；
除了上述处理方法，还可以采用本领域其它公知方法得到海域区域。
进一步地，所述步骤3中根据海域区域创建一个双层滑动窗口，对于任选位置(x,y),其第i个方向上的有效像素的灰度值均值定义为：
Mi(x,y)＝mean(Ii,j)；
其中i表示第i个方向，i＝1,2,…,8；
Ii,j表示第i个方向上的第j个有效像素的灰度值，j＝1,2,…,H；
H表示内层窗口和外层窗口间的宽度；
像素(x,y)的背景估计选择均值中的最大值，被定义为：
BE(x,y)＝max(Mi(x,y))；其中i＝1,2,…,8；
当Mi(x,y)<Ix,y、且BE(x,y)<Ix,y时，则说明此像素点比周围像素点更亮，判定为疑似目标点。
进一步地，引入平均灰度值，其定义为以位置(x,y)为中心的L个像素的平均灰度值，公式如下：
判定标准提升为当Mi(x,y)<Ix,y、BE(x,y)<Ix,y，AVG(x,y)<Ix,y时，判定此像素点比周围像素点更亮，确定为疑似目标点，这样可更准确地判定疑似目标点；
除了上述判定方法，还可以采用本领域其它公知方法确定疑似目标点。
进一步地，步骤5利用卷积神经网络模型，采用误差反向传播的算法进行训练，将误差分摊给各层所有单元，从而获得各层单元的误差信号，进而修正各单元的权重值，使模型不断得到优化；
除了上述模型，还可以使用本领域中常用的其它公知算法。
进一步地，所述卷积神经网络的主体结构主要包括卷积层、池化层和全连接层，由卷积层导入数据，并与池化层交替连接，自定义层级，由全连接层导出数据，形成可深度学习的神经网络。
优选地，设置十一层网络主体结构，在计算精度及运算速度上达到平衡。
进一步地，所述训练还包括预训练；
其中BatchSize为批大小参数，指每次训练集中取batchsize个样本进行训练；
Epoch为时期参数，一个时期等于使用训练集中的全部样本训练一次。
进一步地，所述训练还包括损失函数和准确率判定，通过损失函数和准确率来评估网络模型学习率，当达到使用要求时，卷积神经网络模型训练完毕。
进一步地，若学习率在15个Epoch内没有下降，则通过调整大小BatchSize、时期Epoch参数的方法进行改善，直至神经网络模型训练的损失函数和准确率达到要求，然后保存模型参数。
将步骤4的优选疑似目标信息导入训练完毕的卷积神经网络模型进行船舶目标筛选，剔除船形散云等干扰信息，得到准确船舶信息。
另一方面，本发明还公开了一种基于卫星光学图像的海上目标检测系统，包括图像接收模块、图像处理模块以及图像生成模块。
所述图像接收模块用于接收卫星发送的一级影像。
所述图像处理模块用于根据一种基于卫星光学图像的海上目标检测方法中步骤1～5对一级影像进行操作，主要包括影像预处理单元、海域提取单元、基于局部对比度的阈值分割单元、运动方向一致性过滤单元、船舶目标筛选单元：
所述影像预处理单元，将卫星拍摄到的一级影像进行纠正，导出含有地理坐标信息的二级影像数据；
所述海域提取单元，导入二级影像数据，提取其中的海域，导出海域区域；
所述基于局部对比度的阈值分割单元，导入海域区域，通过相关算法得到预设窗口中亮度最大的点，作为疑似目标点输出；
所述运动方向一致性过滤单元，导入疑似目标点，通过算法及阈值判断其形态运动学方向和波段成像时间内的位移方向是否一致，得到优选疑似目标作为输出；
所述船舶目标筛选单元，导入优选疑似目标，以其几何中心为中心，切割一块自定义像素大小的目标图像经过卷积神经网络模型进行预测，筛除虚警干扰信息，生成准确船舶目标。
所述图像生成模块用于输出船舶目标。
又一方面，本发明还提供了一种基于卫星光学图像的海上目标检测装置，主要包括处理器、存储器及总线，所述存储器存储可由处理器读取的指令，所述处理器用于调用所述存储器中的指令，以执行一种基于卫星光学图像的海上目标检测方法，所述总线连接各功能部件之间传送信息。
采用上述技术方案，本发明具有如下有益效果：
本发明提供的一种基于卫星光学图像的海上目标检测方法、系统及装置，根据卫星采集的图像，通过影像预处理、海域提取、基于局部对比度的阈值分割、运动方向一致性过滤及人工智能深度学习的先进神经网络模型筛选，有效去除陆地、云层、礁石等虚警干扰信息，可快速准确地得到船舶检测目标。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案下面将对具体实施方式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，下面描述中的附图是本发明的一些实施方式，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，还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的海域提取的效果图；
图2为本发明实施例提供的滑动窗口结构图；
图3为本发明实施例提供的卫星影像中真实船舶目标图；
图4为本发明实施例提供的网络训练的损失函数图；
图5为本发明实施例提供的网络训练的准确率图；
图6为本发明实施例提供的流程图；
图7为本发明实施例提供的一种基于卫星光学图像的海上目标检测系统图。
具体实施方式
下面将结合附图对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例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。
在本发明的描述中，需要说明的是，术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一”、“第二”、“第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。
在本发明的描述中，需要说明的是，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
下面结合具体的实施方式对本发明做进一步的解释说明。
如图1-6所示，本实施例提供的一种基于卫星光学图像的海上目标检测方法，包括如下步骤：
步骤1：影像预处理，将卫星拍摄到的一级影像进行二级纠正，添加地理坐标信息后，形成二级影像数据。
这样提高了影像内目标的定位精度，满足船舶检测需要。
步骤2：海域提取，通过步骤1得到卫星数据中的绿光和近红外波段数据，进行归一化差值处理，以凸显影像中的海洋区域信息；这种差值处理方法简称NDWI,其利用水体在绿光波段反射率强、NIR波段反射率弱的特点，增加水体与其它地物的差异性，公式如下：
其中ρG，ρNIR分别表示绿光波段、NIR波段反射率。
设置阈值Twater即可得到海域的二值图像函数B:
这样确定了海域区域，缩小船舶检测范围，并得到二值图像数据，如图1所示。
步骤3：基于局部对比度的阈值分割，根据步骤2中得到的海域区域创建一个双层滑动窗口，如图2所示，对于某个位置(x,y),第i个方向上的有效像素的灰度值均值定义为：
Mi(x,y)＝mean(Ii,j)；
其中i表示第i个方向，i＝1,2,…,8；
Ii,j表示第i个方向上的第j个有效像素的灰度值，j＝1,2,…,H；H表示内层窗口和外层窗口间的宽度。
像素(x,y)的背景估计选择均值中的最大值，被定义为：
BE(x,y)＝max(Mi(x,y))；其中i＝1,2,…,8；
当Mi(x,y)<Ix,y、且BE(x,y)<Ix,y时，说明位置(x,y)比它周围的像素点更亮，则将此点作为疑似目标点。
进一步地，除上述实施例之外，在另一个实施例中为更加精确的筛选疑似目标点，引入平均灰度值判定条件，其定义为以位置(x,y)为中心的L个像素的平均灰度值，公式如下：
判定标准提升为当Mi(x,y)<Ix,y、BE(x,y)<Ix,y，AVG(x,y)<Ix,y时，判定此像素点比周围像素点更亮，确定为疑似目标点，这样可更准确地判定疑似目标点。
步骤4：运动方向一致性过滤，根据步骤3中得到的疑似目标点，采集其形态学运动方向和波段成像时间内目标的位移方向，并根据其一致性进行疑似目标过滤；
(a)形态学运动方向：
船舶目标在卫星拍摄的单波段影像上呈现为纺锤形，并带有尾迹，船身的亮度明显高于尾迹，如图3所示，该目标中心T(x,y)在第i个方向上的有效像素的灰度均值定义为：
Di＝mean(Ii,j)j＝1,2,…,H；
设l为k的反向，当Dk>Dl且Dl大于其它方向的有效像素灰度均值，则第k个方向为船舶的形态学运动方向。
(b)位移方向：
由于卫星拍摄的多光谱影像各波段成像时间具有一定的时间差，船舶从b1波段成像时刻T1到b5波段成像时刻T2的时间差约为40秒，所以这段时间目标在影像上会沿着它的运动方向形成一段位移。
设船舶在T1时刻的位置为(x1,y1),T2时候的位置为(x2,y2),目标的位移方向TDirection，计算公式如下：
令Bearing＝180*arctan((x2-x1)/(y2-y1))/π；
则
当形态运动学方向和位移方向的差值绝对值>45°阈值时，则可剔除该疑似目标，剩余疑似目标即为优选疑似目标。
步骤5：船舶目标筛选，选用卷积神经网络(CNN网络)，网络的主体结构主要包括卷积层、池化层和全连接层，设置十一层网络主体结构，通过不断训练迭代优化模型，实现准确筛除船形散云、礁石等干扰信息的作用。
除上述实施例描述之外，还可以采用其它深度学习网络模型或其它公知的算法进行判断预测。
设计卷积神经网络主要结构如下表所示：
其中Conv2D：图像二维数据卷积；MaxPooling2D:图像二维数据最大池化层；GlobalAveragePooling2D：全局池化层，对二维特征进行平均化求值，具有优异的抗过拟合性能；Dense:全连接层。
卫星船舶目标数据集，经预处理后形成二值图像数据；导入至卷积层，进行特征提取；激活函数起到非线性变换作用，协助表达复杂特征判定是否达到阈值；卷积层特征提取后，输出的特征图会被传递至池化层进行特征选择和降维，将特征图中单个点的结果替换为其相邻区域的特征图统计量，从而降低模型的过拟合；最后通过全连接层，对提取的特征进行非线性组合以得到输出。
除上述卷积神经网络结构外，还可以使用本领域其它常用结构，以得到相同的输出结果。
进一步地，网络的训练采用误差反向传播的算法进行训练，将误差分摊给各层所有单元，从而获得各层单元的误差信号，进而修正各单元的权重值，降低卷积神经网络模型的错误率。
进一步地，其中梯度下降的算法选择Adam算法进行偏置修正，防止优化过程进入局部最优解。
预训练时的批大小BatchSize参数设置为128；时期Epoch参数设置为300。
除上述算法及参数外，还可以使用本领域其它公知算法及相关参数进行训练。
通过上述步骤及方法，反复训练迭代后，得到的卷积训练模型损失函数如图4所示，曲线逐步减小逼近0并趋于稳定；准确率如图5所示，曲线逐渐升高逼近1并趋于稳定，符合使用要求，保存参数。
利用卷积神经网络模型筛选船舶目标，提取步骤4所得到的优选疑似目标，以其几何中心为中心，切割一块32x32像素大小的目标图像，放入训练成功的神经网络模型中进行预测，可有效的筛除散云、礁石等虚警干扰信息，最终准确检测到船舶目标。
以上操作流程详见图6。
另一方面，本实施例还提供一种基于卫星光学图像的海上目标检测系统，包括图像接收模块、图像处理模块以及图像生成模块，如图7所示；
所述图像接收模块用于接收卫星发送的一级影像；
所述图像处理模块用于对一级影像进行一种基于卫星光学图像的海上目标检测方法中步骤1～5的操作，主要包括影像预处理单元、海域提取单元、基于局部对比度的阈值分割单元、运动方向一致性过滤单元、船舶目标筛选单元；
影像预处理单元，将卫星拍摄到的一级影像进行纠正，导出含有地理坐标信息的二级影像数据；
海域提取单元，导入二级影像数据，提取其中的海域，导出海域区域；
基于局部对比度的阈值分割单元，导入海域区域，通过相关算法得到预设窗口中亮度最大的点，作为疑似目标点输出；
运动方向一致性过滤单元，导入疑似目标点，通过算法及阈值判断其形态运动学方向和波段成像时间内的位移方向是否一致，得到优选疑似目标作为输出；
船舶目标筛选单元，导入优选疑似目标，以其几何中心为中心，切割一块自定义像素大小的目标图像经过卷积神经网络模型进行预测，筛除虚警干扰信息，生成准确船舶目标。
所述图像生成模块用于输出船舶目标。
在另一个实施例中，本发明的方案还可以通过一种基于卫星光学图像的海上目标检测装置来实现，主要包括处理器、存储器及总线；
所述存储器存储可由处理器读取的指令，根据存储需要灵活配置大小；
所述总线连接计算机各功能部件之间传送信息；
所述处理器用于调用所述存储器中的指令，以执行一种基于卫星光学图像的海上目标检测方法。
在一个优选的实施方式中处理器配置信息可以如下：
CPU：i9-10900X；显卡：rtx2080ti。
本方案在又一种实施方式下，可以通过设备的方式来实现，该设备可以包括执行上述各个实施方式中各个或几个步骤的相应模块。因此，可以由相应模块执行上述各个实施方式的每个步骤或几个步骤，并且该电子设备可以包括这些模块中的一个或多个模块。模块可以是专门被配置为执行相应步骤的一个或多个硬件模块、或者由被配置为执行相应步骤的处理器来实现、或者存储在计算机可读介质内用于由处理器来实现、或者通过某种组合来实现。
该设备可以利用总线架构来实现。总线架构可以包括任何数量的互连总线和桥接器，这取决于硬件的特定应用和总体设计约束。总线将包括一个或多个处理器、存储器和/或硬件模块的各种电路连接到一起。总线还可以将诸如外围设备、电压调节器、功率管理电路、外部天线等的各种其它电路连接。
总线可以是工业标准体系结构(ISA，Industry Standard Architecture)总线、外部设备互连(PCI，Peripheral Component)总线或扩展工业标准体系结构(EISA，ExtendedIndustry Standard Component)总线等。总线可以分为地址总线、数据总线、控制总线等。为便于表示，该图中仅用一条连接线表示，但并不表示仅有一根总线或一种类型的总线。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或更多个用于实现特定逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本方案的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本方案的实施方式所属技术领域的技术人员所理解。处理器执行上文所描述的各个方法和处理。例如，本方案中的方法实施方式可以被实现为软件程序，其被有形地包含于机器可读介质，例如存储器。在一些实施方式中，软件程序的部分或者全部可以经由存储器和/或通信接口而被载入和/或安装。当软件程序加载到存储器并由处理器执行时，可以执行上文描述的方法中的一个或多个步骤。备选地，在其他实施方式中，处理器可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行上述方法之一。
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。
Claims (10)
1.一种基于卫星光学图像的海上目标检测方法，其特征在于，包括如下步骤：
步骤1、影像预处理：将卫星拍摄到的一级影像进行纠正，形成含有地理坐标信息的二级影像数据；
步骤2、海域提取：基于所述二级影像数据，提取其中的海域区域；
步骤3、基于局部对比度的阈值分割，根据步骤2得到的海域区域，将预设窗口中亮度最大的点，作为疑似目标点；
步骤4、运动方向一致性过滤：基于步骤3所述疑似目标点，采集所述疑似目标点的形态学运动方向和波段成像时间内的位移方向，并根据两种方向的一致性进行疑似目标过滤，获得优选疑似目标；
步骤5、船舶目标筛选：以步骤4优选疑似目标的几何中心为中心，切割一块自定义像素大小的目标图像作为输入，通过深度学习网络模型进行预测，筛除虚警干扰信息，输出准确船舶目标。
2.根据权利要求1所述的基于卫星光学图像的海上目标检测方法，其特征在于，步骤4中的形态学运动方向表示如下：
疑似目标几何中心T(x,y)在第i个方向上的有效像素的灰度均值定义为：
Di＝mean(Ii,j)j＝1,2,…,H；
设l为k的反向，当Dk>Dl且Dl大于其它方向的有效像素均值时，则第k个方向为疑似目标的形态学运动方向。
3.根据权利要求1所述的基于卫星光学图像的海上目标检测方法，其特征在于，步骤4中的位移方向表示如下：
疑似目标在T1时刻的位置为(x1,y1),T2时刻的位置为(x2,y2),位移方向TDirection的计算公式如下：
令Bearing＝180*arctan((x2-x1)/(y2-y1))/π；
则
4.根据权利要求1所述的基于卫星光学图像的海上目标检测方法，其特征在于，步骤4中的依据一致性进行疑似目标过滤的方式为：
当形态运动学方向和位移方向的差值绝对值大于设定阈值时，则剔除该疑似目标，剩余疑似目标为优选疑似目标。
5.根据权利要求1所述的基于卫星光学图像的海上目标检测方法，其特征在于，所述步骤2中海域提取采用归一化差值处理方法，具体为：
基于绿光波段反射率强、NIR波段反射率弱的特点，通过阈值比较方式，得到二值图像，基于所述二值图像获得海域区域。
6.根据权利要求1所述的基于卫星光学图像的海上目标检测方法，其特征在于，所述步骤3包括：根据海域区域创建一个双层滑动窗口，对于任选位置(x,y),其第i个方向上的有效像素的灰度值均值定义为：
Mi(x,y)＝mean(Ii,j)；
其中i表示第i个方向，i＝1,2,…,8；
Ii,j表示第i个方向上的第j个有效像素的灰度值，j＝1,2,…,H；
H表示内层窗口和外层窗口间的宽度；
像素(x,y)的背景估计选择均值中的最大值，被定义为：
BE(x,y)＝max(Mi(x,y))；其中i＝1,2,…,8；
当Mi(x,y)<Ix,y、且BE(x,y)<Ix,y时，则判定为疑似目标点。
7.根据权利要求6所述的基于卫星光学图像的海上目标检测方法，其特征在于，还包括平均灰度值，其定义为以任选位置(x,y)为中心的L个像素的平均灰度，公式如下：
当Mi(x,y)<Ix,y、BE(x,y)<Ix,y，AVG(x,y)<Ix,y时，则判定为疑似目标点。
8.根据权利要求1所述的基于卫星光学图像的海上目标检测方法，其特征在于，所述步骤5利用卷积神经网络模型，采用误差反向传播的算法进行训练，将误差分摊给各层所有单元，从而获得各层单元的误差信号，进而修正各单元的权重值。
9.一种基于卫星光学图像的海上目标检测系统，其特征在于，包括图像接收模块、图像处理模块以及图像生成模块；
所述图像接收模块接收卫星发送的一级影像；
所述图像处理模块对一级影像进行处理，进一步包括影像预处理单元、海域提取单元、基于局部对比度的阈值分割单元、运动方向一致性过滤单元和船舶目标筛选单元：
所述影像预处理单元，将一级影像进行纠正，导出含有地理坐标信息的二级影像；
所述海域提取单元，导入二级影像，提取其中的海域，导出海域区域；
所述基于局部对比度的阈值分割单元，导入海域区域，通过算法得到预设窗口中最亮的点，作为疑似目标点输出；
所述运动方向一致性过滤单元，导入疑似目标点，通过算法及阈值判断其形态运动学方向和位移方向一致性，得到优选疑似目标作为输出；
所述船舶目标筛选单元，导入优选疑似目标，以其几何中心为中心，切割一块自定义像素大小的目标图像经过深度学习网络模型进行预测，生成准确船舶目标；
所述图像生成模块输出船舶目标。
10.一种基于卫星光学图像的海上目标检测装置，其特征在于，所述装置主要包括处理器、存储器、总线，所述存储器存储可由处理器读取的指令；所述处理器用于调用所述存储器中的指令，以执行如权利要求1至8任一所述的一种基于卫星光学图像的海上目标检测方法；所述总线连接各功能部件之间传送信息。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111590843.8A CN114359720B (zh) | 2021-12-23 | 2021-12-23 | 一种基于卫星光学图像的海上目标检测方法、系统及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111590843.8A CN114359720B (zh) | 2021-12-23 | 2021-12-23 | 一种基于卫星光学图像的海上目标检测方法、系统及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114359720A CN114359720A (zh) | 2022-04-15 |
| CN114359720B true CN114359720B (zh) | 2024-04-26 |
Family
ID=81101669
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111590843.8A Active CN114359720B (zh) | 2021-12-23 | 2021-12-23 | 一种基于卫星光学图像的海上目标检测方法、系统及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114359720B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114862928B (zh) * | 2022-07-07 | 2022-09-16 | 中国科学院空天信息创新研究院 | 利用云运动特性的同步轨道光学卫星稳像方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106845372A (zh) * | 2016-12-31 | 2017-06-13 | 华中科技大学 | 一种星载遥感光学图像的船舶目标检测识别方法和系统 |
| CN109117802A (zh) * | 2018-08-21 | 2019-01-01 | 东北大学 | 面向大场景高分遥感影像的舰船检测方法 |
| CN113158806A (zh) * | 2021-03-24 | 2021-07-23 | 山东科技大学 | 一种基于OTD_Loglogistic的SAR数据海洋目标检测方法 |
| CN113344148A (zh) * | 2021-08-06 | 2021-09-03 | 北京航空航天大学 | 一种基于深度学习的海上舰船目标识别方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20170016987A1 (en) * | 2015-07-17 | 2017-01-19 | Her Majesty The Queen In Right Of Canada, As Represented By The Minister Of National Defence | Processing synthetic aperture radar images for ship detection |
-
2021
- 2021-12-23 CN CN202111590843.8A patent/CN114359720B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106845372A (zh) * | 2016-12-31 | 2017-06-13 | 华中科技大学 | 一种星载遥感光学图像的船舶目标检测识别方法和系统 |
| CN109117802A (zh) * | 2018-08-21 | 2019-01-01 | 东北大学 | 面向大场景高分遥感影像的舰船检测方法 |
| CN113158806A (zh) * | 2021-03-24 | 2021-07-23 | 山东科技大学 | 一种基于OTD_Loglogistic的SAR数据海洋目标检测方法 |
| CN113344148A (zh) * | 2021-08-06 | 2021-09-03 | 北京航空航天大学 | 一种基于深度学习的海上舰船目标识别方法 |
Non-Patent Citations (2)
| Title |
|---|
| A Novel Hierarchical Method of Ship Detection from Spaceborne Optical Image Based on Shape and Texture Features;changren zhu 等;《IEEE Transactions on Geoscience and Remote Sensing》;20100426;全篇 * |
| 遥感舰船目标检测识别方法;李宗凌;汪路元;禹霁阳;程博文;郝梁;;遥感信息;20200220(第01期);全篇 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114359720A (zh) | 2022-04-15 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Cheng et al. | Robust small object detection on the water surface through fusion of camera and millimeter wave radar | |
| CN108460382B (zh) | 基于深度学习单步检测器的光学遥感图像舰船检测方法 | |
| CN101214851B (zh) | 船舶行驶智能型全天候主动安全预警系统及其预警方法 | |
| CN106170819B (zh) | 一种合成孔径雷达图像舰船目标快速检测方法 | |
| Miao et al. | An improved lightweight RetinaNet for ship detection in SAR images | |
| KR102345873B1 (ko) | 해양관측 부이용 영상촬영 카메라를 이용한 파랑관측 방법 및 시스템 | |
| CN109215018A (zh) | 基于Canny算子和高斯形态学的船舶检测方法 | |
| CN112766221B (zh) | 基于船舶方向和位置多任务的sar图像船舶目标检测方法 | |
| CN109859202B (zh) | 一种基于usv水面光学目标跟踪的深度学习检测方法 | |
| CN112149620A (zh) | 基于无锚点的自然场景文字区域检测模型的构建方法 | |
| CN114359720B (zh) | 一种基于卫星光学图像的海上目标检测方法、系统及装置 | |
| CN113673385B (zh) | 基于红外图像的海面舰船检测方法 | |
| CN114926726A (zh) | 基于多任务网络的无人船感知方法及相关设备 | |
| CN115100741B (zh) | 一种点云行人距离风险检测方法、系统、设备和介质 | |
| CN117218380A (zh) | 无人船遥感图像的动态目标检测追踪方法 | |
| Zha et al. | SAR ship localization method with denoising and feature refinement | |
| Lyu et al. | Real-time ship detection system for wave glider based on YOLOv5s-lite-CBAM model | |
| CN117635904A (zh) | 一种动态自适应特征感知的可信低慢小无人机检测方法 | |
| CN117115436A (zh) | 舰船姿态检测方法、装置、电子设备及存储介质 | |
| Qi et al. | Addressing Fine-Grained Lake Water Body Extraction: A Hybrid Approach Combining Vision Transformer and Geodesic Active Contour | |
| CN112001896B (zh) | 一种甲状腺边界不规则度检测装置 | |
| Jian et al. | Maritime target detection and tracking | |
| CN111123267A (zh) | 合成孔径雷达图像舰船检测方法及装置 | |
| Chen et al. | Underwater Drowning People Detection Based On Bottleneck Transformer And Feature Pyramid Network | |
| CN114842195B (zh) | 海上船舶小目标可见光图像实时自动识别方法及系统 |
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 |