CN115049928B - 一种基于角点特征和岸线封闭特征的级联港口检测方法 - Google Patents

一种基于角点特征和岸线封闭特征的级联港口检测方法 Download PDF

Info

Publication number
CN115049928B
CN115049928B CN202210696811.4A CN202210696811A CN115049928B CN 115049928 B CN115049928 B CN 115049928B CN 202210696811 A CN202210696811 A CN 202210696811A CN 115049928 B CN115049928 B CN 115049928B
Authority
CN
China
Prior art keywords
corner
port
detection
coastline
shoreline
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
CN202210696811.4A
Other languages
English (en)
Other versions
CN115049928A (zh
Inventor
杨海光
黄钰林
尚元哲
廖丹灵
陈涛
杨建宇
张寅�
裴季方
霍伟博
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.)
University of Electronic Science and Technology of China
Original Assignee
University of Electronic Science and Technology of China
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 University of Electronic Science and Technology of China filed Critical University of Electronic Science and Technology of China
Priority to CN202210696811.4A priority Critical patent/CN115049928B/zh
Publication of CN115049928A publication Critical patent/CN115049928A/zh
Application granted granted Critical
Publication of CN115049928B publication Critical patent/CN115049928B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/255—Detecting or recognising potential candidate objects based on visual cues, e.g. shapes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/36—Applying a local operator, i.e. means to operate on image points situated in the vicinity of a given point; Non-linear local filtering operations, e.g. median filtering
    • 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
    • G06V10/443—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 by matching or filtering
    • G06V10/446—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 by matching or filtering using Haar-like filters, e.g. using integral image techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
    • G06V20/54—Surveillance or monitoring of activities, e.g. for recognising suspicious objects of traffic, e.g. cars on the road, trains or boats
    • 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
    • Y02A10/00—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE at coastal zones; at river basins
    • Y02A10/40—Controlling or monitoring, e.g. of flood or hurricane; Forecasting, e.g. risk assessment or mapping

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Nonlinear Science (AREA)
  • Computing Systems (AREA)
  • Databases & Information Systems (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本发明公开一种基于角点特征和岸线封闭特征的级联港口检测方法，应用于目标检测领域，针对漫长的海岸线很可能会有突出、内陷等复杂地形，且这些复杂地形会因港口多样的形态引起虚警，从而影响港口的检测识别率的问题；本发明首先进行海陆分割提取海岸线。其次在第一步粗检测中，由于港口轮廓角点丰富，对海岸线进行角点检测并对角点进行自动聚类，生成港口建议区域。最后对港口建议区域海岸线进行第二步精检测，通过角点完成岸线特征检测，去除港口建议区域中的伪港口目标。实验结果证明，与现有的方法相比，本发明所提出的方法在复杂海岸线地形下具备良好的检测性能。仿真证明了算法的有效性。

Description

一种基于角点特征和岸线封闭特征的级联港口检测方法
技术领域
本发明属于目标检测领域，特别涉及一种SAR图像目标检测技术。
背景技术
在遥感图像处理中，SAR因其强大的全天时、全天候、高分辨率成像能力而得到广泛应用。SAR图像港口检测方法应用广泛，对于海运监测、战场侦察监视以及遥感图像的港口识别具有重要意义。
近年来，有大量的研究专注于SAR图像的港口检测问题。基于地理信息系统(GIS)的港口检测方法在过去的十几年中受到广泛运用。该方法利用准确的GIS为港口检测提供有效的地理先验信息，但是对系统更新的及时性有着较高的要求，且在未知区域应用中存在局限性。近年来，人们更加专注于基于特征提取的目标检测方法，这类方法利用港口拥有的高曲率点、直线等特征信息实现港口检测率的提升。然而，基于特征提取的目标检测方法仅当海岸线平滑时有效。由于漫长的海岸线很可能会有突出、内陷等复杂地形，这些复杂地形会与港口形态多样的结构类似，从而影响港口的检测识别率。
发明内容
为解决上述技术问题，本发明提出一种基于角点特征和岸线封闭特征的级联港口检测方法，在复杂海岸线地形下具备良好的检测性能。
本发明采用的技术方案为：一种基于角点特征和岸线封闭特征的级联港口检测方法，包括：
S1、利用基于最大类间方差的OTSU算法对高斯滤波后的SAR图像完成海陆分割，提取海岸线；
S2、进行第一级粗检测，具体的：对海岸线进行角点检测，选出特征值大的角点进行自动聚类，获得聚类数与各类中心位置，根据各类中心位置生成港口建议区域；
S3、进行第二级精检测，具体的：对港口建议区域的海岸线再次进行角点检测，依据港口的岸线特征，利用角点计算候选区域的闭合度和长宽比，判断是否有港口，完成第二级精检测。
本发明的有益效果：本发明的方法首先利用基于最大类间方差的OTSU算法对高斯滤波后的SAR图像完成海陆分割，提取海岸线。然后在第一级粗检测中，对海岸线进行角点检测，选出特征值大的角点进行自动聚类，获得聚类数与各类中心位置，根据各类中心位置生成港口建议区域。最后对港口建议区域的海岸线再次进行角点检测，依据港口的岸线特征，利用角点计算候选区域的闭合度和长宽比，判断是否有港口，完成第二级精检测；实验结果证明，与现有的方法相比，本发明所提出的方法在复杂海岸线地形下具备良好的检测性能。仿真证明了算法的有效性。
附图说明
图1为本发明方法流程示意图；
图2为本实施方式中闭合度定义示意图；
图3为本发明对平滑海岸线的港口检测效果图；
其中，(a)为原始SAR图像，(b)为对海岸线角点检测的图像，(c)为角点自动聚类结果，(d)为第一级粗检测建议区域，(e)为CFAR方法的检测结果，(f)为本发明方法的检测结果；
图4为本发明对复杂海岸线的港口检测效果图；
其中，(a)为原始SAR图像，(b)为对海岸线角点检测的图像，(c)为角点自动聚类结果，(d)为第一级粗检测建议区域，(e)为CFAR方法的检测结果，(f)为本发明方法的检测结果。
具体实施方式
为便于本领域技术人员理解本发明的技术内容，下面结合附图对本发明内容进一步阐释。
如图1所示，本发明的方法包括以下步骤：
步骤一：将SAR图像灰度级分为N级，灰度级为第i(i＝1,2,…,N)级的像素有ni个，第i级灰度出现的概率为并对SAR图像求类间方差σ2(t)作为评价函数，通过最大化类间方差，确定灰度门限阈值t*，按灰度级将图像像素分为两类C0,C1，C0由灰度值在区间[1,t*]内所有像素组成，C1由灰度值在区间[t*+1,N]内所有像素组成。
其中，类间方差计算式为：
计算最佳灰度门限阈值t*由下式确定：
其中两部分图像的类内均值μ0(t),μ1(t)，以及图像灰度总均值μ分别为：
通过获取自适应阈值完成海陆分割，随后利用边界跟踪算法从海陆分割的结果中提取海洋区域的边界。
步骤二：海陆分割之后，获得海岸线，利用Harris角点检测算法便利海岸线以获得港口建议区域。
用Qw表示加权平方差和用于计算灰度点变化的幅值。给定点(x,y)的位移为(m,n)，自相关函数定义为
其中P代表图像，P(x,y)为图像P上坐标为(x,y)的点，Px(x,y)代表x方向的梯度，Py(x,y)代表y方向的梯度，G(x,y)是以(x,y)为中心的高斯加权窗函数，J是结构张量
这里的Px、Py分别为Px(x,y)、Py(x,y)的简写。
Harris角点检测中，角点由结构张量J的特征值决定。考虑到特征值分解的高计算复杂度，定义判断函数为
E＝det(J)-k(trace(J))2 (6)
其中det(J)和trace(J)分别为求J的行列式和迹，k为超参数，通常取0.04到0.06。超过了判断函数阈值的点被定义为角点。
通过Harris角点检测算法遍历海岸线，利用判断函数获得海岸线角点，选取张量J特征值较大的角点，构建角点样本xi(i＝1,2,···,n)，n为角点样本数，进行自动聚类。
自动聚类算法不预设聚类个数，对于未知港口数量的检测是合理的。算法将角点做自动聚类，每类角点(复数)都是一个疑似港口区域。
在x上定义聚类向量
其中，x为检测出来的角点，w(xi)≥0是样本权重，h是核函数的带宽，/>是均值核函数，表示为
假设初始点为x，允许的误差为ε，自动聚类算法流程如下：
(1)计算mh(x)
(2)如果mh(x)-x<ε，结束循环，否则执行步骤(3)
(3)令x＝mh(x)，执行步骤(1)。
自动聚类获得结果后，根据各聚类中心位置生成建议区域，达到初步定位港口区域的效果。
步骤三：利用Harris角点检测算法，对一级粗检测生成的建议区域海岸再次进行角点检测，利用检测出的角点进行岸线特征检测，保留真实港口目标。定义海岸线闭合度和港口长宽比的概念，并利用港口轮廓的长度要远大于港口封口处的距离，和港口相比于伪港口有较大的长宽比这两个特点降低由于复杂海岸线引起的虚警，提高港口检测率。
假设通过Harris角点检测提取的海岸线角点表示为Coastline＝{Pi,i＝1,2,···,n}，其中Pi表示海岸线上的第i个角点，n表示海岸线所包含的角点数目。对于海岸线上任意两个角点Pi,Pj∈Coastline，假设位于Pi和Pj之间的海岸线为Rij，海岸线Rij的长度|Rij|以位于Pi和Pj(包括Pi和Pj)之间的海岸线Rij上的像素数目来表示，连接Pi和Pj的直线段为Lij，直线段Lij的长度|Lij|是角点Pi和Pj的欧氏距离。
Pi和Pj之间的海岸线Rij的闭合度Close(i,j)定义为
计算建议区域Coastline上任意两个角点之间的闭合度。对所有的闭合度采用非极大抑制，得到该建议区域的闭合度。将闭合度大于闭合度阈值c*的建议区域保留。
定义港口长宽比r＝L/W，计算港口长度L，宽度W时，采用计算周长P和面积S的间接方法。由
可得
其中，L＝|Rij|+|Lij|，S是Rij和Lij围成的面积。
最后，将长宽比大于长宽比阈值r*的建议区域保留。
通过先后计算闭合度和长宽比并与其对应阈值比较，在有效去除伪港口目标之后，本发明完成了港口目标的检测。
如图2所示为封闭度检测效果，图3、图4分别为简单场景下的检测结果和复杂场景下的检测结果；可以看出，本发明所提出的方法在复杂海岸线地形下具备良好的检测性能。
本领域的普通技术人员将会意识到，这里所述的实施例是为了帮助读者理解本发明的原理，应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的权利要求范围之内。

Claims (4)

1.一种基于角点特征和岸线封闭特征的级联港口检测方法，其特征在于，包括：
S1、利用基于最大类间方差的OTSU算法对高斯滤波后的SAR图像完成海陆分割，提取海岸线；
S2、进行第一级粗检测，具体为：对海岸线进行角点检测，选出特征值大的角点进行自动聚类，获得聚类数与各类中心位置，根据各类中心位置生成港口建议区域；
S3、进行第二级精检测，具体为：对港口建议区域的海岸线再次进行角点检测，依据港口的岸线特征，利用角点计算候选区域的闭合度和长宽比，判断是否有港口，完成第二级精检测；
所述候选区域的闭合度计算式为：
其中，Close(i,j)表示Pi和Pj之间的海岸线Rij的闭合度，Pi表示海岸线上的第i个角点，Pj表示海岸线上的第j个角点，|Rij|为海岸线Rij的长度，|Lij|为连接Pi和Pj的直线段Lij的长度
定义港口长宽比r＝L/W，计算港口长度L，宽度W时，采用计算周长P和面积S的间接方法；具体的：
L+W＝P/2
S＝L×W
可得
其中，L＝|Rij|+|Lij|，S是Rij和Lij围成的面积。
2.根据权利要求1所述的一种基于角点特征和岸线封闭特征的级联港口检测方法，其特征在于，步骤S1所述海陆分割，具体为：将高斯滤波后的SAR图像灰度级分为N级，灰度级为第i级的像素有ni个，i＝1,2,…,N，并对高斯滤波后的SAR图像求类间方差σ2(t)作为评价函数；通过最大化类间方差，确定灰度门限阈值t*，根据t*将图像像素分为两类，从而得到海陆分割结果。
3.根据权利要求2所述的一种基于角点特征和岸线封闭特征的级联港口检测方法，其特征在于，步骤S1利用边界跟踪算法从海陆分割的结果中提取海洋区域的边界。
4.根据权利要求3所述的一种基于角点特征和岸线封闭特征的级联港口检测方法，其特征在于，步骤S2具体为：
Harris角点检测中，角点由结构张量J的特征值决定；定义判断函数为
E＝det(J)-k(trace(J))2，
其中det(J)和trace(J)分别为求J的行列式和迹，k为超参数；
大于判断函数阈值的点被定义为角点；
利用判断函数获得海岸线角点，选取张量J特征值大的角点，构建角点样本，对角点样本进行自动聚类，根据各聚类中心位置生成建议区域。
CN202210696811.4A 2022-06-20 2022-06-20 一种基于角点特征和岸线封闭特征的级联港口检测方法 Active CN115049928B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210696811.4A CN115049928B (zh) 2022-06-20 2022-06-20 一种基于角点特征和岸线封闭特征的级联港口检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210696811.4A CN115049928B (zh) 2022-06-20 2022-06-20 一种基于角点特征和岸线封闭特征的级联港口检测方法

Publications (2)

Publication Number Publication Date
CN115049928A CN115049928A (zh) 2022-09-13
CN115049928B true CN115049928B (zh) 2024-05-07

Family

ID=83163130

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210696811.4A Active CN115049928B (zh) 2022-06-20 2022-06-20 一种基于角点特征和岸线封闭特征的级联港口检测方法

Country Status (1)

Country Link
CN (1) CN115049928B (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104166853A (zh) * 2014-04-24 2014-11-26 中国人民解放军海军航空工程学院 从高分辨率遥感图像中快速提取规则化舰船切片的方法
CN104331886A (zh) * 2014-10-29 2015-02-04 中国人民解放军国防科学技术大学 基于高分辨sar图像的港口区域舰船检测方法
WO2017071160A1 (zh) * 2015-10-28 2017-05-04 深圳大学 一种大幅面遥感图像海陆分割的方法及系统
CN107886094A (zh) * 2017-09-28 2018-04-06 北京华航无线电测量研究所 一种基于小波不变矩和模糊c均值的目标识别分类方法
CN110751640A (zh) * 2019-10-17 2020-02-04 南京鑫和汇通电子科技有限公司 一种基于角点配对的深度图像的四边形检测方法
CN112115891A (zh) * 2020-09-24 2020-12-22 电子科技大学 一种基于一维多向抽取的sar图像港口检测方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20190079213A1 (en) * 2017-09-13 2019-03-14 United States Of America, As Represented By The Secretary Of The Navy Automatic Harbor Surveillance System

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104166853A (zh) * 2014-04-24 2014-11-26 中国人民解放军海军航空工程学院 从高分辨率遥感图像中快速提取规则化舰船切片的方法
CN104331886A (zh) * 2014-10-29 2015-02-04 中国人民解放军国防科学技术大学 基于高分辨sar图像的港口区域舰船检测方法
WO2017071160A1 (zh) * 2015-10-28 2017-05-04 深圳大学 一种大幅面遥感图像海陆分割的方法及系统
CN107886094A (zh) * 2017-09-28 2018-04-06 北京华航无线电测量研究所 一种基于小波不变矩和模糊c均值的目标识别分类方法
CN110751640A (zh) * 2019-10-17 2020-02-04 南京鑫和汇通电子科技有限公司 一种基于角点配对的深度图像的四边形检测方法
CN112115891A (zh) * 2020-09-24 2020-12-22 电子科技大学 一种基于一维多向抽取的sar图像港口检测方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
A Cascaded Harbor Detection Method for SAR Image Based on Corner and Coastline Features;Yuanzhe Shang等;《 IGARSS 2022 - 2022 IEEE International Geoscience and Remote Sensing Symposium》;20220928;全文 *
一种基于知识的港口识别与理解方法;郭丽艳;徐海樵;王元斌;;火力与指挥控制;20100615(06);全文 *
基于内港区域的港口目标识别;邢坤;付宜利;;电子与信息学报;20090615(06);全文 *

Also Published As

Publication number Publication date
CN115049928A (zh) 2022-09-13

Similar Documents

Publication Publication Date Title
Modava et al. Integration of spectral histogram and level set for coastline detection in SAR images
CN108805904B (zh) 一种基于卫星序列图像的运动舰船检测与跟踪方法
CN104200495B (zh) 一种视频监控中的多目标跟踪方法
CN111681197B (zh) 一种基于Siamese网络结构的遥感图像无监督变化检测方法
Xia et al. A novel sea-land segmentation algorithm based on local binary patterns for ship detection
CN107169972B (zh) 一种非合作目标快速轮廓跟踪方法
CN110458160A (zh) 一种基于深度压缩神经网络的无人艇水面目标识别算法
CN106778742B (zh) 一种基于Gabor滤波器背景纹理抑制的车标检测方法
CN105321189A (zh) 基于连续自适应均值漂移多特征融合的复杂环境目标跟踪方法
CN113920436A (zh) 一种基于改进YOLOv4算法的遥感图像海上船舶识别系统及其方法
CN113763427B (zh) 一种基于从粗到精遮挡处理的多目标跟踪方法
CN109063669B (zh) 一种基于图像识别的桥区船舶航行态势分析方法及装置
CN111353371A (zh) 基于星载sar影像的海岸线提取方法
Xu et al. An efficient method of locating vehicle license plate
Venugopal Sample selection based change detection with dilated network learning in remote sensing images
CN107169412B (zh) 基于混合模型决策的遥感图像靠港船只检测方法
CN108765440B (zh) 一种单极化sar图像的线引导超像素海岸线提取方法
CN115049928B (zh) 一种基于角点特征和岸线封闭特征的级联港口检测方法
CN109785318B (zh) 基于面线基元关联约束的遥感图像变化检测方法
CN107256399B (zh) 一种基于Gamma分布超像素方法和基于超像素TMF的SAR图像海岸线检测方法
CN115512310A (zh) 一种基于视频监控下车脸特征的车型识别方法及系统
CN114219996A (zh) 一种sar图像停泊舰船目标检测方法
CN113420594A (zh) 基于改进Faster R-CNN的SAR图像舰船检测方法
Zhao et al. Change detection based on similarity measure and joint classification for polarimetric SAR images
Sun et al. A novel spatiotemporal filtering for dim small infrared maritime target detection

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