论文阅读笔记

摘要

本文主要研究海陆背景下的光学遥感图像舰船目标检测与识别技术，重点研究了海陆分离、舰船目标疑似区域检测技术与疑似区域目标识别技术。
海陆分离：

采用了OTSU与形态学相结合的方法实现海路区域初步划分；
再以孤立区域内像素的欧氏距离为判别依据，对孔洞进行精确划分；
根据分离结果屏蔽陆地；
对于屏蔽时带来的大量虚警的问题，利用随机填充与滑动窗口局部滤波的方法。

舰船目标检测：

通过Top-Hat算子与显著性结合的方法提取ROI；
针对遥感图像的数据量的、背景复杂和目标稀疏的问题，本文提出了视觉显著性融合方法，利用不同显著性算法对图像前后背景的区分方式不同，抑制了云雾、碎浪等干扰，提高了目标的显著性；
针对舰船目标形态多样的问题，提出了根据舰船目标的形状特征和ROI邻域信息更新ROI，补全目标缺失的部分；
针对舰船目标尾迹的问题，提出了基于尾迹灰度变化的尾迹去除方法。

舰船目标识别：
针对舰船目标的复杂多样性，提出局部特征描述子（SHIFT、HOG、LBP）与Fisher Vector相结合的方法表示舰船目标。

通过局部描述子描述图像的局部结构信息，降低了背景对特征的影响；
采用Fisher Vector量化特征，去除冗余信息的干扰，并使用线性SVM进行目标识别。

第一章绪论

本文包括三个部分：

基于海陆分离技术确定海洋区域；
基于遥感图像和舰船特征的目标疑似区域的提取；
针对疑似区域的目标识别部分；

1.2.1 海陆分离技术现状

基于图像特征分析的海陆分离方法则是利用海洋与陆地之间的纹理、灰度等特征差异进行海洋与陆地的分离，常用方法有阈值分割法[12. 18. 19]、区域生长法[20-22]和港口轮廓提取法[19]。

文献[23]中则是采用图像阈值分割方法实现海洋和陆地的基本划分，通过形态学滤波消除图像分割带来的“孔洞”，实现海路分离。
文献[24]用梯度直方图曲线拟合法获得初始生长种子点，采用区域生长法实现海陆分离。
文献[19]根据港口轮廓的几何特征和海岸线平直的特性，通过Hough变换检测港口轮廓的直线部分，通过这些直线的信息，提取港口轮廓找到海岸线，实现海陆分离。

缺点：

阈值分割法对复杂海况下的云雾、阴影等噪声较敏感；
区域生长法种子点的自动选取困难；
港口轮廓提取法则不适用与港口沿岸舰船密集的情况，且直线检测往往误差较大。

1.2.2 舰船目标检测技术现状

滑动窗口搜索方法
基于感兴趣区域提取的方法
基于目标样本学习方法

1.3 研究目标和内容

采用由粗到精的思想实现海陆分离和舰船目标疑似区域的精确检测，对于海杂波、云雾、海上人工设备等引入的虚警，利用图像特征和机器学习的方法去除虚警目标，实现了舰船目标的有效识别。

本文的研究目标为：

基于海陆特征差异实现鲁棒性能良好的海陆分离，对复杂地物信息和海上礁石等带来的“孔洞”进行正确划分，消除陆地屏蔽之后引入的海陆分界线。
基于视觉显著性方法提取大幅遥感图像上的ROI，并解决目标形态多样性引起的舰船目标检测不完整的情况，去除舰船的尾迹，得到精确的舰船区域。
利用图像特征和机器学习的方法，有效区分舰船目标与虚警

本文主要的研究难点和解决方案如下：

（1）基于图像特征的海路分离方法
研究难点： 多种多样的海陆情况是影响海陆分离精度的重要因素。海陆分界线也是舰船目标检测阶段一个重要的虚警来源。因此，提升海陆分离的快速性和准确性，以及有效地消除海陆分界线时当前研究的热点和难点。
解决方案： 首先，基于由粗到精的思想，采用图像特征分析的分割方法实现海洋和陆地主体区域的分离，之后，计算“孔洞”形成的孤立区域与主体陆地、海洋之间的距离，结合该距离和“孔洞”的面积，将误分的“孔洞”重新分配属性。针对海陆分界线问题，本文提出基于随机填充与滑动窗口局部滤波的方法进行陆地屏蔽。该方法通过统计海洋区域灰度直方图，随机选择直方图峰值和80%峰值范围内的像素填充陆地区域，再利用局部滑动窗口滤波消除海陆之间的分界线，实现陆地屏蔽，减少了海陆分界线的干扰。

（2）基于视觉显著性的舰船目标精确检测

（3）基于特征编码的舰船目标识别

1.4 流程

第二章海陆分离

陆地和海洋之间最主要的区别就是其纹理、灰度等特征的差异，多采用图像分割方法进行海陆分离。但是由于陆地区域地物复杂，可能存在部分区域与海洋区域特征相近，因而产生“孔洞”，而海洋区域，由于岛屿和各种复杂海况的影响也会出现类似于陆地特征的区域，从而在海洋区域形成“孔洞”。
为解决这些问题，本章采用由粗到精的海陆分离策略：

首先，通过海洋与陆地的图像特征差异，采用阈值分割实现海洋和陆地的初步划分，形成两大初始区域；
然后，对分离后的属性不明确的“孔洞”，即孤立区域，采用欧氏距离作为判别依据进行二次精确划分[37]；
组后提出区域随机填充和局部窗口华东滤波的方法将检测出的陆地区域屏蔽，进一步排除陆地干扰。

2.2 海洋陆地的初步分离

在初步进行海洋和陆地的划分中，可以采用的方法有图像分割与形态学相结合的方法和图像区域分割的方法[38]。

2.2.1 基于阈值分割的海陆分离

基于阈值的分割方法的关键是图像分割阈值如何确定，根据阈值确定方法常用效果比较好的有：最大类间方差法（OTSU）[39]、直方图谷底法[40]、自动迭代法[41]。
这些方法主要基于海洋与陆地之间的灰度差异确定阈值，然后以选择的灰度值为阈值，将海洋和陆地区域分开。

（1）OTSU阈值，该方法选择的阈值能以最佳性能分离目标与背景，采用类间方法度量，其计算方法如下：
δ2(T)=Wa(μa−μ)2+Wb(μb−μ)2\delta ^ {2} (T) = W _ a (\mu _ a - \mu) ^ {2} + W _ b (\mu _ b - \mu) ^ {2}δ2(T)=Wa(μa−μ)2+Wb(μb−μ)2
其中,δ2\delta ^ {2}δ2表示类间方法，WaW _ aWa表示目标区域的面积与图像总面积的比值，μa\mu _ aμa表示所有目标区域像素的均值，WbW _ bWb表示背景区域的面积与图像总面积的比值，μb\mu _ bμb表示背景所在区域内的像素平均值，μ\muμ表示全幅图像所有像素的灰度平均值。TTT从0到255遍历，使δ2\delta ^ {2}δ2取得最大值的TTT就是图像分割的最佳阈值。OTSU分割方法比较稳定，因而也是目前最常用的分割方法。

（2）直方图谷底法

（3）自动迭代法

评价：
迭代法存在“孔洞”最多，对灰度变化比较敏感，而直方图方法则最少，陆地边缘部分信息相对模糊，OTSU法的“孔洞”则居于三种方法的中间，能比较好的展现陆地边缘信息与不会引入较多的“孔洞”。

2.2.2 基于区域分割的海陆分离

基于区域分割的海陆分离关键是如何自动选取种子点、如何选择区域变化准则以及如何确定区域边界阈值。
基于区域的图像分割方法计算简单，但是对噪声敏感，容易出现过分割状况。
下面介绍三种常用的基于区域的图像分割方法：区域生长[42]、区域分裂[43]、形态学分水岭法[44]。

（1）基于区域生长的海陆分离方法
区域生长的基本思想是利用一定的准则将图像中某些特征相似的像素合并成一个区域。
区域生长首先需要选择一个合适的像素点作为生长起始位置，本章选择灰度值最大的点作为种子点。生长准则是指以种子点为中心，在种子点的邻域内寻找满足生长条件的像素点并合并到种子点所在区域。然后将新加入合并区域的像素点作为新的种子点，按照相同的生长法则继续生长，当满足停止条件时，则生长操作停止。

（2）基于区域分裂的海陆分离方法
不同于区域生长法，区域分裂是将整个图像看作一个区域，利用四叉树结构进行迭代分裂。其分裂的过程：设定一个区域算子P，每当P满足分裂条件时就将区域一分为四，对新生成的区域重新进行类似计算，直到所有区域都不满足分离条件为止。一般会选取区域内像素反差或梯度幅值作为分裂判断条件。

（3）基于形态学分水岭的海路分离方法
分水岭算法是基于区域的、利用形态学的一种有效稳定的图像分割算法。分水岭的概念来自于地理概念，其基本思想是：将图像看作一块地形，像素梯度变化比较小的区域对应地面上海拔低的地方，如山谷，像素变化比较大的区域对应地面上的山脊，当海平面不断上升时，首先被淹没的是山谷，当两个山谷中的水要汇合时，在将要汇合的连接处筑上一道堤坝，直到每片区域都被堤坝完全包围时，则海平面停止上涨，图像分割完成。

优势：

其计算模型相对简单，但是需要大量的重复迭代，对大幅图像而言，计算时会占据大量资源；
易受噪声影响，造成过分割现象，但是若是对原始图像进行滤波处理，又容易出现不同区域难以分割开的问题，这是一个难解决的矛盾问题。

2.3 海洋陆地的精细划分

大部分的遥感图像的海洋和陆地分布很复杂，这就会带来大量的孤立区域，只是初步分离的话很难确定是海洋还是陆地，因此，需要进一步对这些孤立区域进行划分。

本章采用区域距离判定孤立区域是海洋还是陆地[45]，进而实现二次划分。假设某邻域模式下的孤立区域为A1,A2A_1 , A_2A1,A2，P1P_1P1表示A1A_1A1内的像素点，P2P_2P2表示A2A_2A2内的像素点，则A1,A2A_1 , A_2A1,A2之间的距离按如下方式定义：
D(A1,A2)=min⁡P1∈A1,P2∈A2(d(P1,P2),c)D(A_1 , A_2) = \min \limits _ {P_1 \in A_1 , P_2 \in A_2} (d(P_1 , P_2) , c)D(A1,A2)=P1∈A1,P2∈A2min(d(P1,P2),c)
其中，d(⋅,⋅)d(\cdot , \cdot)d(⋅,⋅)表示像素点之间的欧式距离，ccc可取值4或者8，表示4邻域或者8邻域。

初步分割完成后，海洋和陆地区域存在大量“孔洞”，即孤立区域。
首先，根据“孔洞“与主体陆地、主体海洋之间的距离将这些”孔洞“的归属重新划分。设”孔洞“与主体海洋区域ASMA_{SM}ASM距离阈值为T1T_1T1，“孔洞”与主体陆地区域ALMA_{LM}ALM的距离阈值为T2T_2T2，当距离大于T1T_1T1时，“孔洞”属于陆地，当距离大于T2T_2T2时，“孔洞”属于海洋。用ASiAS_iASi表示属性为海洋的区域，ALiAL_iALi表示属性为陆地的区域，则对孤立区域Ai,i=1,2,...,nA_i , i=1, 2, ..., nAi,i=1,2,...,n进行如下判断：
Ai={ALi,ifD(Ai,ASM)>T1ASi,ifD(Ai,ALM)>T2A_i=\left\{ \begin{aligned} AL_i , & & if & D(A_i, A_{SM})\gt T_1 \\ AS_i , & & if & D(A_i, A_{LM})\gt T_2 \end{aligned} \right. Ai={ALi,ASi,ififD(Ai,ASM)>T1D(Ai,ALM)>T2
其次，根据孤立区域的面积对这些位置已经确定的孤立区域进行划分，将确定为陆地的孤立区域进行屏蔽处理，如将陆地区域“孔洞”的像素值重新设置为255，海洋区域“孔洞”的像素值重置为0。对于某个孤立区域AiA_iAi，其判断方法为：
I={255ifAi=I0ifAi=0I=\left\{ \begin{aligned} 255 & & if & A_i=I \\ 0 & & if A_i = 0 \end{aligned} \right. I={2550ififAi=0Ai=I

2.4 陆地区域屏蔽

经过前面两步处理之后，海洋和陆地区域已经分离开，未来进一步舰船检测防备需要将陆地区域屏蔽处理。现有的大部分陆地屏蔽方法都是将陆地区域的灰度值设置为0（黑色），这种方法在海路相连接处形成明显的边界线，会给舰船检测带来干扰。因此，本章对分离后的陆地邻域范围内的海洋部分进行直方图统计，以统计量最大的灰度值和统计量大小80%的灰度值为取值区间，随机地填充陆地区域[37]，然后沿着海路边界，以滑动窗口的形式进行滤波处理，这样既屏蔽了陆地区域，又不会形成明显的分界线，不会对后续的检测工作造成影响。

2.5 海陆分离结果分析与评价

2.5.1 海陆分离方法的定性对比分析

基于阈值的海陆分离方法，原理简单，稳定性好，具有较好的泛化能力，但其分割效果受海浪和海面的灰度影响较大。基于区域生长的海陆分离方法，算法模型简单，但是种子点的选取、生长条件和生长停止条件对分割结果影响很大。在本章的实验中，选取亮度最大的点作为起始种子点，实验结果并不理想。由于目前种子点的自动化选取尚无较好的策略，因此需要人工干预选择种子点，不太适用于本文需求。

2.5.2 海陆分离的定量对比分析

为了客观评价各算法性能，采用如下的评价方法[38]：
{陆地检测率=N(检测到的陆地∩真实陆地)N(真实陆地)陆地检测错误率=N(检测到的陆地)−N(检测到的陆地∩真实陆地)N(真实陆地)陆地检测正确率=N(检测到的陆地∩真实陆地)N(检测到的陆地)\left \{ \begin{array}{l} 陆地检测率=\frac{N(检测到的陆地\cap真实陆地)}{N(真实陆地)}\\ 陆地检测错误率=\frac{N(检测到的陆地)-N(检测到的陆地\cap真实陆地)}{N(真实陆地)}\\ 陆地检测正确率=\frac{N(检测到的陆地\cap真实陆地)}{N(检测到的陆地)} \end{array} \right.⎩⎪⎨⎪⎧陆地检测率=N(真实陆地)N(检测到的陆地∩真实陆地)陆地检测错误率=N(真实陆地)N(检测到的陆地)−N(检测到的陆地∩真实陆地)陆地检测正确率=N(检测到的陆地)N(检测到的陆地∩真实陆地)

高分辨率光学遥感影像舰船目标检测与识别算法研究（尹莹莹）相关推荐

目标检测论文解读复现之十五：基于YOLOv5的光学遥感图像舰船目标检测算法
前言此前出了目标改进算法专栏,但是对于应用于什么场景,需要什么改进方法对应与自己的应用场景有效果,并且多少改进点能发什么水平的文章,为解决大家的困惑,此系列文章旨在给大家解读最新目标检测算法论文,帮 ...
目标检测YOLO实战应用案例100讲-基于YOLO模型的遥感影像飞机目标检测技术研究
目录基于YOLOv5模型的遥感影像飞机目标检测基于深度学习的目标检测算法 POLO系列模型原理
目标检测与识别算法综述：从传统算法到深度学习(二)
作者:XJTU_Ironboy 时间:2018年11月联系方式:tzj19970116@163.com 本文结构: 摘要介绍 2.1 大致框架 2.2 测试评价指标 2.3 相关比赛介 ...
目标检测YOLO实战应用案例100讲-基于卷积神经网络的可见光遥感影像船只目标检测研究
目录基于卷积神经网络的遥感船舰目标检测传统目标检测方法基于机器学习的检测算法
计算机识别技术检测交通标志,基于计算机视觉的交通标志检测与识别算法研究...
摘要: 据有关数据统计,2017年全国道路交通事故中死亡率达到18.2%,因此交通安全问题已经成为我们日常生活中最常见的问题.而解决交通事故问题的有效途径之一就是准确有效的识别道路交通标志,目前,人工 ...
基于光学遥感图像的舰船目标检测技术研究——尹雅
论文阅读笔记摘要针对光学遥感图像,围绕舰船目标检测的一般处理流程, 综述了目前各环节采用的主要处理方法, 分析比较了各方法的优劣, 指出了各环节面临的瓶颈问题, 阐述了自然图像上的检测方法应用于舰 ...
双向特征融合的数据自适应SAR图像舰船目标检测模型
双向特征融合的数据自适应SAR图像舰船目标检测模型人工智能技术与咨询昨天本文来自<中国图象图形学报>,作者张筱晗等摘要: 利用合成孔径雷达(synthetic aperture r ...
图像处理手写体英文字母的目标检测与识别实验报告
获取本实验的项目代码和实验报告,请>=点击此处=< [0] 摘要近年来,随着python的迅速崛起,人工智能.图像识别.计算机视觉等新兴学科变得火热起来.Python的发展也伴随着它 ...
基于深度学习的高分辨率遥感图像目标检测技术目前的研究现状
参考基于深度学习的高分辨率遥感图像目标检测技术目前的研究现状 - 云+社区 - 腾讯云目录一.概述二.通用目标检测方法 1.类不平衡问题 2.复杂背景 3.目标的尺度变化 4.特殊视角 5 ...

高分辨率光学遥感影像舰船目标检测与识别算法研究（尹莹莹）

论文阅读笔记

摘要

第一章绪论

1.2.1 海陆分离技术现状

1.2.2 舰船目标检测技术现状

1.3 研究目标和内容

1.4 流程

第二章海陆分离

2.2 海洋陆地的初步分离

2.2.1 基于阈值分割的海陆分离

2.2.2 基于区域分割的海陆分离

2.3 海洋陆地的精细划分

2.4 陆地区域屏蔽

2.5 海陆分离结果分析与评价

2.5.1 海陆分离方法的定性对比分析

2.5.2 海陆分离的定量对比分析

高分辨率光学遥感影像舰船目标检测与识别算法研究（尹莹莹）相关推荐

最新文章

热门文章

高分辨率光学遥感影像舰船目标检测与识别算法研究（尹莹莹）

论文阅读笔记

摘要

第一章 绪论

1.2.1 海陆分离技术现状

1.2.2 舰船目标检测技术现状

1.3 研究目标和内容

1.4 流程

第二章 海陆分离

2.2 海洋陆地的初步分离

2.2.1 基于阈值分割的海陆分离

2.2.2 基于区域分割的海陆分离

2.3 海洋陆地的精细划分

2.4 陆地区域屏蔽

2.5 海陆分离结果分析与评价

2.5.1 海陆分离方法的定性对比分析

2.5.2 海陆分离的定量对比分析

高分辨率光学遥感影像舰船目标检测与识别算法研究（尹莹莹）相关推荐

最新文章

热门文章

第一章绪论

第二章海陆分离