CN117253150A - 一种基于高分辨率遥感图像的船舶轮廓提取方法及系统 - Google Patents

一种基于高分辨率遥感图像的船舶轮廓提取方法及系统 Download PDF

Info

Publication number
CN117253150A
CN117253150A CN202311263161.5A CN202311263161A CN117253150A CN 117253150 A CN117253150 A CN 117253150A CN 202311263161 A CN202311263161 A CN 202311263161A CN 117253150 A CN117253150 A CN 117253150A
Authority
CN
China
Prior art keywords
remote sensing
resolution remote
image
sensing image
pixel
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.)
Pending
Application number
CN202311263161.5A
Other languages
English (en)
Inventor
周志明
谢永虎
李梦薇
卜冬冬
刘欢
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.)
Beijing Guanwei Technology Co ltd
Original Assignee
Beijing Guanwei Technology Co ltd
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 Beijing Guanwei Technology Co ltd filed Critical Beijing Guanwei Technology Co ltd
Priority to CN202311263161.5A priority Critical patent/CN117253150A/zh
Publication of CN117253150A publication Critical patent/CN117253150A/zh
Pending legal-status Critical Current

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
    • G06V10/28—Quantising the image, e.g. histogram thresholding for discrimination between background and foreground patterns
    • 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
    • G06V10/30—Noise 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
    • 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
    • G06V10/54—Extraction of image or video features relating to texture
    • 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
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/07—Target detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/08—Detecting or categorising vehicles

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (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

本发明实施例公开了一种基于高分辨率遥感图像的船舶轮廓提取方法及系统，本发明实施例首先利用高斯滤波消除高分辨率遥感图像中的杂波；在此基础上采用对数变换函数实现图像增强，最后利用图像局部二值模式提取纹理特征，用于船舶目标纹理图像识别，采用区域生长法填充目标纹理图像识别结果，通过设定大小提取目标轮廓。本发明实施例能够有效提升高分辨率遥感图像中目标检测与识别的准确性，提高目标提取的鲁棒性和准确性，快速高效实现图像目标轮廓的提取，满足大规模海洋船舶目标的准确提取需求。

Description

一种基于高分辨率遥感图像的船舶轮廓提取方法及系统
技术领域
本发明实施例涉及数字图像处理技术领域，具体涉及一种基于高分辨率遥感图像的船舶轮廓提取方法及系统。
背景技术
船舶轮廓提取作为船舶目标识别和检测的基本单元之一，在高分辨率遥感图像中也具有挑战性。船舶的形状和大小各异，常常伴随着复杂的背景和噪声，使得轮廓提取更加困难。
随着遥感技术的发展和应用范围的扩大，高分辨率遥感图像已经成为了目标识别和检测的主要数据来源之一。其中，船舶作为重要的海上交通工具，其在军事、商业、科学研究等领域的应用也越来越广泛。因此，在高分辨率遥感图像中对船舶目标进行有效、高效的识别和检测成为了一个重要的问题。
目前主要利用图像增强预处理技术进行目标检测提取目标轮廓，这些方法能够实现图像目标轮廓的提取，但鲁棒性和准确性较差。
因此，需要结合图像处理、分割、检测和筛选等方法，对船舶轮廓进行全面、有效的提取。
发明内容
为此，本发明实施例提供一种基于高分辨率遥感图像的船舶轮廓提取方法及系统，以解决现有技术利用图像增强预处理技术进行目标检测提取目标轮廓鲁棒性和准确性较差，无法对船舶轮廓进行全面提取的技术问题。
为了实现上述目的，本发明实施例提供如下技术方案：
根据本发明实施例的第一方面，提供了一种基于高分辨率遥感图像的船舶轮廓提取方法，所述方法应用于高分辨率遥感图像，其包括：
接收一张第一高分辨率遥感图像；
对所述第一高分辨率遥感图像进行高斯滤波处理，得到第二高分辨率遥感图像；
利用对数变换函数对所述第二高分辨率遥感图像进行图像增强，生成第三高分辨率遥感图像；
对所述第三高分辨率遥感图像进行二值化处理生成图像二值化数据并从所述图像二值化数据中提取纹理特征；
利用区域生长法与所述图像二值化数据对所述第三高分辨率遥感图像进行轮廓填充，将具有相似性质的像素融合，形成一个相似区域；
根据所述相似区域设定船舶目标特征数据，提取船舶目标轮廓图像。
进一步地，对所述第一高分辨率遥感图像进行高斯滤波处理，得到第二高分辨率遥感图像，构成所述第二高分辨率遥感图像的滤波后的像素值的表达式为：
其中，G(x,y)为滤波后的像素值，x为像素点在窗口内的横向距离，y为像素点在窗口内的纵向距离，σ为高斯函数标准差。
进一步地，利用对数变换函数对所述第二高分辨率遥感图像进行图像增强，生成第三高分辨率遥感图像，所述对数变换函数的表达式为：
其中，H(x,y)为对数变换后的像素值，G(x,y)为滤波后的像素值，c为常数。
进一步地，对所述第三高分辨率遥感图像进行二值化处理生成图像二值化数据并从所述图像二值化数据中提取纹理特征，包括：
选取预设长宽的窗口，计算所述窗口的区域均值；
定义局部区域的平滑指标并取邻域的像素最大值与像素最小值计算动态阈值，为其他邻域赋予不同的权值；
根据所述窗口的中心像素值与邻域像素的灰度值对所述第三高分辨率遥感图像进行局部二值模式编码，获得图像纹理特征。
进一步地，选取预设长宽的窗口，计算所述窗口的区域均值，所述区域均值的计算公式为：
其中，m为区域均值，x0为中心点像素值，xi为邻域像素值，p为邻域内的像素数。
进一步地，定义局部区域的平滑指标并取邻域的像素最大值与像素最小值计算动态阈值，为其他邻域赋予不同的权值，包括：
所述平滑指标的计算公式为：
其中，S为平滑指标，xmax为邻域的像素最大值，xmin为邻域的像素最小值；
所述动态阈值的计算公式为：
其中，t为动态阈值，m为区域均值，s为平滑指标，p为邻域内像素的数，x0为中心点像素值，xi为邻域像素值，xmax为邻域的像素最大值，xmin为邻域的像素最小值。
进一步地，根据所述窗口的中心像素值与邻域像素的灰度值对所述第三高分辨率遥感图像进行局部二值模式编码，获得图像纹理特征，包括：
对所述第三高分辨率遥感图像进行局部二值计算，生成LBP数据；
对所述LBP数据进行二值化编码，获得图像纹理特征；
所述局部二值计算的表达式为：
其中，LBP为局部二值计算结果数据，s为平滑指标，x0为中心点像素值，xi为邻域像素值，p为邻域内的像素数；
所述二值化编码的表达式为：
其中，S（x）为阶跃函数，t为第一预设阈值。
进一步地，利用区域生长法与所述图像二值化数据对所述第三高分辨率遥感图像进行轮廓填充，将具有相似性质的像素融合，形成一个相似区域，包括：
选取一个种子像素并建立一个含有所述种子像素的区域集；
依次判断所述种子像素的相邻像素的差异值是否小于第二预设阈值；
如果所述种子像素的相邻像素的差异值小于第二预设阈值，则将所述相邻像素加入至区域集中；
如果所述种子像素的相邻像素的差异值大于或等于第二预设阈值，则判断下一相邻像素；
所述区域集的表达式为：
其中，R为区域集，(x1, y1)表示种子像素；
第二预设阈值判断的表达式为：
其中，R为区域集，(x1, y1)表示种子像素，(xi, yi)表示邻域像素，T表示第二预设阈值。
进一步地，所述二值化处理以8邻域作为处理单元。
根据本发明实施例的第二方面，提供了一种基于高分辨率遥感图像的船舶轮廓提取系统，所述系统包括：
接收模块，用于接收一张第一高分辨率遥感图像；
高斯滤波模块，用于对所述第一高分辨率遥感图像进行高斯滤波处理，得到第二高分辨率遥感图像；
图像增强模块，用于利用对数变换函数对所述第二高分辨率遥感图像进行图像增强，生成第三高分辨率遥感图像；
纹理特征提取模块，用于对所述第三高分辨率遥感图像进行二值化处理生成图像二值化数据并从所述图像二值化数据中提取纹理特征；
轮廓填充模块，用于利用区域生长法与所述图像二值化数据对所述第三高分辨率遥感图像进行轮廓填充，将具有相似性质的像素融合，形成一个相似区域；
提取模块，用于根据所述相似区域设定船舶目标特征数据，提取船舶目标轮廓图像。
本发明实施例具有如下优点：
本发明实施例首先利用高斯滤波消除高分辨率遥感图像中的杂波；在此基础上采用对数变换函数实现图像增强，最后利用图像局部二值模式提取纹理特征，用于船舶目标纹理图像识别，采用区域生长法填充目标纹理图像识别结果，通过设定大小提取目标轮廓。本发明实施例能够有效提升高分辨率遥感图像中目标检测与识别的准确性，提高目标提取的鲁棒性和准确性，快速高效实现图像目标轮廓的提取，满足大规模海洋船舶目标的准确提取需求。
附图说明
为了更清楚地说明本发明的实施方式或现有技术中的技术方案，下面将对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，下面描述中的附图仅仅是示例性的，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引伸获得其它的实施附图。
本说明书所绘示的结构、比例、大小等，均仅用以配合说明书所揭示的内容，以供熟悉此技术的人士了解与阅读，并非用以限定本发明可实施的限定条件，故不具技术上的实质意义，任何结构的修饰、比例关系的改变或大小的调整，在不影响本发明所能产生的功效及所能达成的目的下，均应仍落在本发明所揭示的技术内容得能涵盖的范围内。
图1为本发明实施例提供的一种基于高分辨率遥感图像的船舶轮廓提取系统的逻辑结构示意图；
图2为本发明实施例提供的一种基于高分辨率遥感图像的船舶轮廓提取方法的流程示意图；
图3为本发明实施例提供的一种基于高分辨率遥感图像的船舶轮廓提取方法的提取效果示意图。
具体实施方式
以下由特定的具体实施例说明本发明的实施方式，熟悉此技术的人士可由本说明书所揭露的内容轻易地了解本发明的其他优点及功效，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。
随着遥感技术的发展和应用范围的扩大，高分辨率遥感图像已经成为了目标识别和检测的主要数据来源之一。其中，船舶作为重要的海上交通工具，其在军事、商业、科学研究等领域的应用也越来越广泛。因此，在高分辨率遥感图像中对船舶目标进行有效、高效的识别和检测成为了一个重要的问题。
目前主要利用图像增强预处理技术进行目标检测提取目标轮廓，这些方法能够实现图像目标轮廓的提取，但鲁棒性和准确性较差。
因此，需要结合图像处理、分割、检测和筛选等方法，对船舶轮廓进行全面、有效的提取。
为了解决上述利用图像增强预处理技术进行目标检测提取目标轮廓鲁棒性和准确性较差，无法对船舶轮廓进行全面提取的技术问题。
参考图1，本发明实施例公开了一种基于高分辨率遥感图像的船舶轮廓提取系统，该系统包括：接收模块100；高斯滤波模块200；图像增强模块300；纹理特征提取模块400；轮廓填充模块500；提取模块600。
与上述公开的一种基于高分辨率遥感图像的船舶轮廓提取系统相对应，本发明实施例还公开了一种基于高分辨率遥感图像的船舶轮廓提取方法。以下结合上述描述的一种基于高分辨率遥感图像的船舶轮廓提取系统详细介绍本发明实施例中公开的一种基于高分辨率遥感图像的船舶轮廓提取方法。
参考图2，本发明公开了一种基于高分辨率遥感图像的船舶轮廓提取方法，接收模块100接收一张第一高分辨率遥感图像；高斯滤波模块200对所述第一高分辨率遥感图像进行高斯滤波处理，得到第二高分辨率遥感图像；图像增强模块300利用对数变换函数对所述第二高分辨率遥感图像进行图像增强，生成第三高分辨率遥感图像；纹理特征提取模块400对所述第三高分辨率遥感图像进行二值化处理生成图像二值化数据并从所述图像二值化数据中提取纹理特征；轮廓填充模块500利用区域生长法与所述图像二值化数据对所述第三高分辨率遥感图像进行轮廓填充，将具有相似性质的像素融合，形成一个相似区域；提取模块600根据所述相似区域设定船舶目标特征数据，提取船舶目标轮廓图像。
进一步地，对所述第一高分辨率遥感图像进行高斯滤波处理，得到第二高分辨率遥感图像，构成所述第二高分辨率遥感图像的滤波后的像素值的表达式为：
其中，G(x,y)为滤波后的像素值，x为像素点在窗口内的横向距离，y为像素点在窗口内的纵向距离，σ为高斯函数标准差。
其中，先对每个像素周围设置一个固定大小的窗口，窗口大小通常为奇数，本方法采用3×3的固定窗口，根据高斯函数公式计算每个像素点的权重值，利用像素的所有权重值与其对应的像素点值相乘，并对结果求和得到该像素点的新像素值。
进一步地，利用对数变换函数对所述第二高分辨率遥感图像进行图像增强，生成第三高分辨率遥感图像，所述对数变换函数的表达式为：
其中，H(x,y)为对数变换后的像素值，G(x,y)为滤波后的像素值，c为常数。
将图像的灰度值范围归一化到0-1之间，设置常数c，c的取值范围为1-255，本发明实施例中c的取值为10；对每个像素值进行对数变换，得到新的像素值，对变换后的像素值进行归一化并进行线性映射，将像素值重新映射至0-255之间。
其中，对数变换为将像素值进行对数变换，从而扩展亮度范围，增强图像的对比度和细节。
进一步地，对所述第三高分辨率遥感图像进行二值化处理生成图像二值化数据并从所述图像二值化数据中提取纹理特征，包括：选取预设长宽的窗口，计算所述窗口的区域均值；定义局部区域的平滑指标并取邻域的像素最大值与像素最小值计算动态阈值，为其他邻域赋予不同的权值；根据所述窗口的中心像素值与邻域像素的灰度值对所述第三高分辨率遥感图像进行局部二值模式编码，获得图像纹理特征。
局部二值模式（Local Binary Pattern，简称LBP）是一种用于图像纹理分析和分类的算法，基于像素点周围像素的灰度值对该像素点进行编码，从而提取图像纹理特征。
其中，xc、yc表示中心像素点的坐标，ic是中心像素点的灰度值，ip是邻域内第p个像素的灰度值，S（x）是一个阶跃函数，当x≥0时结果为1，否则结果为0。P是邻域内像素的数量，通常为8或者24，本发明实施例中的P值为8。
进一步地，选取预设长宽的窗口，计算所述窗口的区域均值，所述区域均值的计算公式为：
其中，m为区域均值，x0为中心点像素值，xi为邻域像素值，p为邻域内的像素数。
其中，所述预设长宽的窗口为3×3的窗口，单位为像素。
进一步地，定义局部区域的平滑指标并取邻域的像素最大值与像素最小值计算动态阈值，为其他邻域赋予不同的权值，包括：
所述平滑指标的计算公式为：
其中，S为平滑指标，xmax为邻域的像素最大值，xmin为邻域的像素最小值；
所述动态阈值的计算公式为：
其中，t为动态阈值，m为区域均值，s为平滑指标，p为邻域内像素的数，x0为中心点像素值，xi为邻域像素值，xmax为邻域的像素最大值，xmin为邻域的像素最小值。
进一步地，根据所述窗口的中心像素值与邻域像素的灰度值对所述第三高分辨率遥感图像进行局部二值模式编码，获得图像纹理特征，包括：对所述第三高分辨率遥感图像进行局部二值计算，生成LBP数据；对所述LBP数据进行二值化编码，获得图像纹理特征；所述局部二值计算的表达式为：
其中，LBP为局部二值计算结果数据，s为平滑指标，x0为中心点像素值，xi为邻域像素值，p为邻域内的像素数；
所述二值化编码的表达式为：
其中，S（x）为阶跃函数，t为第一预设阈值。
其中，像素值大于等于阈值t时赋值1，小于阈值t时赋值0。
进一步地，利用区域生长法与所述图像二值化数据对所述第三高分辨率遥感图像进行轮廓填充，将具有相似性质的像素融合，形成一个相似区域，包括：选取一个种子像素并建立一个含有所述种子像素的区域集；依次判断所述种子像素的相邻像素的差异值是否小于第二预设阈值；如果所述种子像素的相邻像素的差异值小于第二预设阈值，则将所述相邻像素加入至区域集中；如果所述种子像素的相邻像素的差异值大于或等于第二预设阈值，则判断下一相邻像素；所述区域集的表达式为：
其中，R为区域集，(x1, y1)表示种子像素；
第二预设阈值判断的表达式为：
其中，R为区域集，(x1, y1)表示种子像素，(xi, yi)表示邻域像素，T表示第二预设阈值。
通过判断相邻像素之间的差异，将小于阈值T的像素进行合并，判断该点与周围的8个像素(xi, yi)的差异，如果相邻像素之间的差异小于某一阈值T，则将相邻的8个像素(xi, yi)加入到区域R中。
进一步地，所述二值化处理以8邻域作为处理单元。
参考图3，图3(a)为水面背景下的船舶图像，图3 (b)为港口背景下的船舶图像，图3(c)为水面背景下的船舶图像区域生长结果，图3(d)为港口背景下的船舶图像区域生长结果，图3(e)为水面背景下的船舶图像轮廓提取结果，图3(f)为港口背景下的船舶图像轮廓提取结果，由此可见，本发明实施例的轮廓提取精度达到了95.0%。
本发明实施例有如下优点：
1. 基于局部二值模式LBP算法提取目标的纹理信息，对于图像分类、目标检测、船舶轮廓识别等任务表现出卓越的性能。
2. 区域生长法填充轮廓基于像素的连通性来实现轮廓提取，可以精准地保留图像中对象的连通性，从而得到更加准确的目标轮廓。
本发明实施例可有效提升高分辨率遥感图像中目标检测与识别的准确性，对高分辨率遥感图像的机器分析具有重要意义。该技术的应用范围广泛，可以用于海上安全监管、天气预报、海洋环境保护等领域，具备广阔的市场前景和应用前景。
虽然，上文中已经用一般性说明及具体实施例对本发明作了详尽的描述，但在本发明基础上，可以对之作一些修改或改进，这对本领域技术人员而言是显而易见的。因此，在不偏离本发明精神的基础上所做的这些修改或改进，均属于本发明要求保护的范围。

Claims (10)

1.一种基于高分辨率遥感图像的船舶轮廓提取方法，其特征在于，所述方法应用于高分辨率遥感图像，其包括：
接收一张第一高分辨率遥感图像；
对所述第一高分辨率遥感图像进行高斯滤波处理，得到第二高分辨率遥感图像；
利用对数变换函数对所述第二高分辨率遥感图像进行图像增强，生成第三高分辨率遥感图像；
对所述第三高分辨率遥感图像进行二值化处理生成图像二值化数据并从所述图像二值化数据中提取纹理特征；
利用区域生长法与所述图像二值化数据对所述第三高分辨率遥感图像进行轮廓填充，将具有相似性质的像素融合，形成一个相似区域；
根据所述相似区域设定船舶目标特征数据，提取船舶目标轮廓图像。
2.如权利要求1所述的一种基于高分辨率遥感图像的船舶轮廓提取方法，其特征在于，对所述第一高分辨率遥感图像进行高斯滤波处理，得到第二高分辨率遥感图像，构成所述第二高分辨率遥感图像的滤波后的像素值的表达式为：
其中，G(x,y)为滤波后的像素值，x为像素点在窗口内的横向距离，y为像素点在窗口内的纵向距离，σ为高斯函数标准差。
3.如权利要求2所述的一种基于高分辨率遥感图像的船舶轮廓提取方法，其特征在于，利用对数变换函数对所述第二高分辨率遥感图像进行图像增强，生成第三高分辨率遥感图像，所述对数变换函数的表达式为：
其中，H(x,y)为对数变换后的像素值，G(x,y)为滤波后的像素值，c为常数。
4.如权利要求3所述的一种基于高分辨率遥感图像的船舶轮廓提取方法，其特征在于，对所述第三高分辨率遥感图像进行二值化处理生成图像二值化数据并从所述图像二值化数据中提取纹理特征，包括：
选取预设长宽的窗口，计算所述窗口的区域均值；
定义局部区域的平滑指标并取邻域的像素最大值与像素最小值计算动态阈值，为其他邻域赋予不同的权值；
根据所述窗口的中心像素值与邻域像素的灰度值对所述第三高分辨率遥感图像进行局部二值模式编码，获得图像纹理特征。
5.如权利要求4所述的一种基于高分辨率遥感图像的船舶轮廓提取方法，其特征在于，选取预设长宽的窗口，计算所述窗口的区域均值，所述区域均值的计算公式为：
其中，m为区域均值，x0为中心点像素值，xi为邻域像素值，p为邻域内的像素数。
6.如权利要求5所述的一种基于高分辨率遥感图像的船舶轮廓提取方法，其特征在于，定义局部区域的平滑指标并取邻域的像素最大值与像素最小值计算动态阈值，为其他邻域赋予不同的权值，包括：
所述平滑指标的计算公式为：
其中，S为平滑指标，xmax为邻域的像素最大值，xmin为邻域的像素最小值；
所述动态阈值的计算公式为：
其中，t为动态阈值，m为区域均值，s为平滑指标，p为邻域内像素的数，x0为中心点像素值，xi为邻域像素值，xmax为邻域的像素最大值，xmin为邻域的像素最小值。
7.如权利要求6所述的一种基于高分辨率遥感图像的船舶轮廓提取方法，其特征在于，根据所述窗口的中心像素值与邻域像素的灰度值对所述第三高分辨率遥感图像进行局部二值模式编码，获得图像纹理特征，包括：
对所述第三高分辨率遥感图像进行局部二值计算，生成LBP数据；
对所述LBP数据进行二值化编码，获得图像纹理特征；
所述局部二值计算的表达式为：
其中，LBP为局部二值计算结果数据，s为平滑指标，x0为中心点像素值，xi为邻域像素值，p为邻域内的像素数；
所述二值化编码的表达式为：
其中，S（x）为阶跃函数，t为第一预设阈值。
8.如权利要求7所述的一种基于高分辨率遥感图像的船舶轮廓提取方法，其特征在于，利用区域生长法与所述图像二值化数据对所述第三高分辨率遥感图像进行轮廓填充，将具有相似性质的像素融合，形成一个相似区域，包括：
选取一个种子像素并建立一个含有所述种子像素的区域集；
依次判断所述种子像素的相邻像素的差异值是否小于第二预设阈值；
如果所述种子像素的相邻像素的差异值小于第二预设阈值，则将所述相邻像素加入至区域集中；
如果所述种子像素的相邻像素的差异值大于或等于第二预设阈值，则判断下一相邻像素；
所述区域集的表达式为：
其中，R为区域集，(x1, y1)表示种子像素；
第二预设阈值判断的表达式为：
其中，R为区域集，(x1, y1)表示种子像素，(xi, yi)表示邻域像素，T表示第二预设阈值。
9.如权利要求8所述的一种基于高分辨率遥感图像的船舶轮廓提取方法，其特征在于，所述二值化处理以8邻域作为处理单元。
10.一种基于高分辨率遥感图像的船舶轮廓提取系统，其特征在于，所述系统包括：
接收模块，用于接收一张第一高分辨率遥感图像；
高斯滤波模块，用于对所述第一高分辨率遥感图像进行高斯滤波处理，得到第二高分辨率遥感图像；
图像增强模块，用于利用对数变换函数对所述第二高分辨率遥感图像进行图像增强，生成第三高分辨率遥感图像；
纹理特征提取模块，用于对所述第三高分辨率遥感图像进行二值化处理生成图像二值化数据并从所述图像二值化数据中提取纹理特征；
轮廓填充模块，用于利用区域生长法与所述图像二值化数据对所述第三高分辨率遥感图像进行轮廓填充，将具有相似性质的像素融合，形成一个相似区域；
提取模块，用于根据所述相似区域设定船舶目标特征数据，提取船舶目标轮廓图像。
CN202311263161.5A 2023-09-27 2023-09-27 一种基于高分辨率遥感图像的船舶轮廓提取方法及系统 Pending CN117253150A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311263161.5A CN117253150A (zh) 2023-09-27 2023-09-27 一种基于高分辨率遥感图像的船舶轮廓提取方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311263161.5A CN117253150A (zh) 2023-09-27 2023-09-27 一种基于高分辨率遥感图像的船舶轮廓提取方法及系统

Publications (1)

Publication Number Publication Date
CN117253150A true CN117253150A (zh) 2023-12-19

Family

ID=89134647

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311263161.5A Pending CN117253150A (zh) 2023-09-27 2023-09-27 一种基于高分辨率遥感图像的船舶轮廓提取方法及系统

Country Status (1)

Country Link
CN (1) CN117253150A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117876286A (zh) * 2024-03-13 2024-04-12 哈船通航(三亚)技术服务合伙企业(有限合伙) 一种水下机器人用智能船舶清洗系统
CN118247229A (zh) * 2024-03-11 2024-06-25 雷州市佳升应急设备有限公司 提升消防安全等级的应对策略定制系统

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118247229A (zh) * 2024-03-11 2024-06-25 雷州市佳升应急设备有限公司 提升消防安全等级的应对策略定制系统
CN117876286A (zh) * 2024-03-13 2024-04-12 哈船通航(三亚)技术服务合伙企业(有限合伙) 一种水下机器人用智能船舶清洗系统
CN117876286B (zh) * 2024-03-13 2024-05-17 哈船通航(三亚)技术服务合伙企业(有限合伙) 一种水下机器人用智能船舶清洗系统

Similar Documents

Publication Publication Date Title
CN117253150A (zh) 一种基于高分辨率遥感图像的船舶轮廓提取方法及系统
CN103020605B (zh) 基于决策层融合的桥梁识别方法
CN111985329A (zh) 基于FCN-8s和改进Canny边缘检测的遥感图像信息提取方法
CN108846844B (zh) 一种基于海天线的海面目标检测方法
CN109961416B (zh) 一种基于形态学梯度多尺度融合的营业执照信息提取方法
CN113538331A (zh) 金属表面损伤目标检测识别方法、装置、设备及存储介质
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
CN105160355A (zh) 一种基于区域相关和视觉单词的遥感图像变化检测方法
CN114863493B (zh) 一种低质量指纹图像和非指纹图像的检测方法及检测装置
CN111353371A (zh) 基于星载sar影像的海岸线提取方法
CN106778661A (zh) 一种基于形态学变换和自适应阈值的快速车道线检测方法
CN111091071B (zh) 基于探地雷达双曲波拟合的地下目标检测方法及系统
CN112215104A (zh) 一种基于超像素分割的海冰提取方法、装置和设备
CN107169412B (zh) 基于混合模型决策的遥感图像靠港船只检测方法
CN107230210A (zh) 一种遥感图像港口水面目标的快速分割方法
CN113705433A (zh) 一种基于可见光航拍图像的电力线检测方法
CN113378837A (zh) 车牌遮挡识别方法、装置、电子设备和存储介质
CN109785318B (zh) 基于面线基元关联约束的遥感图像变化检测方法
Omidalizarandi et al. Segmentation and classification of point clouds from dense aerial image matching
CN110969128A (zh) 一种基于多特征融合的海面背景下红外船舰的检测方法
CN116452809A (zh) 一种基于语义分割的线条物体提取方法
CN110751150A (zh) 一种基于fpga的二值神经网络车牌识别方法及系统
CN115965796A (zh) 一种基于图像识别的金属锈蚀检测方法及系统
CN114742849A (zh) 一种基于图像增强的水准仪距离测量方法
Wu et al. Object-Enhanced YOLO Networks for Synthetic Aperture Radar Ship 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