《舰船与港口先验知识支持的大型舰船检测方法.pdf》由会员分享，可在线阅读，更多相关《舰船与港口先验知识支持的大型舰船检测方法.pdf（18页珍藏版）》请在专利查询网上搜索。
1、(10)申请公布号 CN 103679138 A (43)申请公布日 2014.03.26 CN 103679138 A (21)申请号 201310566692.1 (22)申请日 2013.11.15 G06K 9/00(2006.01) (71)申请人 中国科学院遥感与数字地球研究所 地址 100101 北京市朝阳区大屯路中国科学 院奥运园区遥感与数字地球研究所 (72)发明人 汪承义 孔赟珑 陈静波 岳安志 孟瑜 (54) 发明名称 舰船与港口先验知识支持的大型舰船检测方 法 (57) 摘要 本发明属于遥感影像处理与应用技术领域， 涉及一种在高分辨率多光谱遥感影像中， 检测万 吨级以上。
2、大型舰船目标的方法。 首先， 对影像进行 基于梯度的影像分割 ； 第二， 提取分割对象的几 何特征和色彩特征 ； 第三， 利用大型舰船特征先 验知识库， 对分割对象进行模糊规则分类， 得到大 型舰船对象。 另外， 对于港口区域的大型舰船的检 测， 利用港口先验知识库中的海陆分界信息进行 海陆分割， 去除港口陆面部分的影响 ； 通过加入 后处理步骤， 利用港口先验知识库中的泊位信息， 去除非万吨级以上泊位处检测到的错误结果。本 发明充分利用高分辨率多光谱遥感影像光谱信息 丰富、 分辨率高的优势， 利用先验知识库保证检测 结果较高的可靠性， 且检测过程中人工干预少。 (51)Int.Cl. 权利要。
3、求书 1 页 说明书 8 页 附图 8 页 (19)中华人民共和国国家知识产权局 (12)发明专利申请 权利要求书1页 说明书8页 附图8页 (10)申请公布号 CN 103679138 A CN 103679138 A 1/1 页 2 1. 一种先验知识支持的高分辨率多光谱遥感影像大型舰船检测方法， 其特征在于， 包 括的步骤有 ： 步骤 S1 ： 基于梯度的影像分割 ； 步骤 S2 ： 计算影像分割得到的对象的几何特征和色彩特征 ； 步骤 S3 ： 对于每个分割对象， 根据大型舰船先验知识库中的大型舰船特征规则， 进行 模糊规则分类， 提取舰船目标。 2. 根据权利要求 1 所述的步骤， 。
4、针对在港口区域停靠的大型舰船， 增加处理步骤， 其特 征在于 ： (1) 在步骤 S1 之前， 增加预处理步骤 S0 ： 利用港口先验知识库中的港口历史影像和相 应的海陆分界掩膜， 对原始影像进行海陆分割， 去除港口陆面部分对舰船检测的干扰。 (2)在步骤S3之后， 增加后处理步骤S4 ： 利用港口先验知识库中的泊位信息， 对于在非 万吨级以上的泊位上检测到的舰船， 判断为错误检测的目标， 从结果中予以剔除。 3. 根据权利要求 1 所述的先验知识支持的高分辨率遥感光学影像大型舰船检测方法， 其特征在于 ： 所述检测步骤中， 需要大型舰船特征先验知识库支持。 大型舰船特征先验知识库中， 记录的。
5、是大型舰船的几何特征和色彩特征的特征规则， 即各特征适用于大型舰船的取值范围， 相应的特征内容如下表所示 ： 4. 根据权利要求 2 所述的针对在港口区域停靠的大型舰船的检测方法， 其特征在于 ： 所述检测步骤中， 需要港口先验知识库支持。 港口先验知识库相应的内容如下表所示 ： 权 利 要 求 书 CN 103679138 A 2 1/8 页 3 舰船与港口先验知识支持的大型舰船检测方法 技术领域 0001 本发明属于遥感影像处理与应用技术领域， 涉及一种在高分辨率多光谱遥感影像 中， 检测万吨级以上大型舰船目标的方法。 背景技术 0002 利用遥感数据进行舰船目标的检测， 目前国内外已经利。
6、用 SAR 数据取得了许多成 熟的研究成果。但 SAR 影像通常空间分辨率较低， 从检测结果中能够进一步提取的信息量 少， 识别困难 ； 另外 SAR 影像预处理十分复杂， 很大程度上影响了检测的精度和效率。 0003 随着光学影像分辨率的不断提高， 利用高分辨率光学影像进行舰船检测的方法逐 渐发展起来。 0004 高分辨率多光谱影像进行舰船目标检测通常采用影像分割的方法进行 1。 例如汪 闽等 4 提出的通过分析影像灰度直方图并根据直方图包络分割影像 ； 李开瑞等 3 利用小 波变换在小波域提取边缘检测目标的方法。对于港口区域停靠的舰船， 分离舰船与港口的 方法组要基于港口的几何特征或地理信。
7、息， 比如陈琨等 2 提出一种基于几何特征的舰船与 码头目标分割方法 ； 尤晓健等 5 利用地理信息引导进行海陆分离进而检测目标。 0005 现有利用光学影像进行舰船检测的方法主要存在以下几点不足 ： 0006 (1) 检测舰船的分割方法， 仅仅以区分海面和舰船为目的， 常用的阈值分割方法较 为简单。对于高分辨率影像， 海面情况复杂， 影像纹理细节丰富， 简单的阈值分割方法不利 于准确地检测舰船。 0007 (2) 仅通过几何信息或光谱信息检测舰船， 信息利用不充分， 可能造成检测结果中 包含的错检结果数量过多， 影响对检测结果的后续使用效率。 0008 (3) 对于港口区域内港口与舰船的分离。
8、， 全自动的算法分离结果的精度会直接影 响检测结果 ； 而人工参与过多的方法， 又会影响检测的效率。 0009 参考文献 ： 0010 1Xiao L.， Cao J.， Gao X.Detection for Ship Targets in Complicated Background of Sea and LandJ.Opto-Electronic Engineering， 2007， 34(6) ： 6-10. 0011 2 陈琨， 陈学佺 . 一种基于几何特征的舰船与码头目标分割的新方法 J. 计算 机工程与应用， 2004， 40(31) ： 197-199. 0012 3李开瑞， 。
9、赵友庚， 蒋定定等.利用小波变换进行海上目标识别研究J.光学技 术， 2003， 29(2) ： 153-155. 0013 4汪闽， 骆剑承， 明冬萍.高分辨率遥感影像上基于形状特征的船舶提取J.武 汉大学学报 ： 信息科学版， 2005， 30(8) ： 685-688. 0014 5尤晓建， 徐守时， 侯蕾.基于特征融合的可见光图像舰船检测新方法J.计算 机工程与应用， 2005， 41(19) ： 199-202. 发明内容 说 明 书 CN 103679138 A 3 2/8 页 4 0015 ( 一 ) 发明目标 0016 本发明要解决的技术问题是 ： 0017 针对高分辨率多光谱。
10、遥感影像中， 海面的复杂情况， 进行有效的影像分割， 得到完 整的大型舰船分割对象， 并充分结合大型舰船几何和色彩特征规则的先验知识， 将其检测 出来。对于港口区域的大型舰船， 结合港口的先验知识， 在人工干预少的条件下， 完成港口 与舰船的高效分离和错检剔除。 0018 ( 二 ) 技术解决方案 0019 本发明的原理是 ： 0020 在高分辨率多光谱遥感影像中， 舰船边缘和海面通常存在明显的梯度变化， 利用 基于梯度的分割方法， 有利于将舰船与海面分割开来。 由于大型舰船具有较为相似的形状， 能够形成明显的几何特征， 同时， 与海面又有明显的色彩差别， 可以结合几何特征与色彩特 征检测大型。
11、舰船对象。 0021 另外， 由于陆地上地物十分复杂， 常常存在与舰船目标特征接近的地物， 并且码头 常常与停靠的舰船连接， 对舰船的检测效果造成较大干扰。 可以通过海陆分割的方法， 去除 陆地影响， 降低检测难度， 提高检测效果。 0022 本发明的基本思路是 ： 0023 首先， 对海域影像进行基于梯度的影像分割 ； 第二， 提取分割对象的色彩、 几何特 征 ； 第三， 利用大型舰船特征规则对分割对象进行模糊规则分类， 从而实现大型舰船的检 测。 0024 对于影像内存在港口的情况， 加入预处理步骤， 即对影像进行海陆分割获得海域 影像以排除陆地干扰 ； 同时， 加入后处理步骤， 即利用港。
12、口的泊位信息剔除非万吨级以上的 泊位上检测到的错检目标。 0025 本发明的技术方案如图 1 所示。 0026 本发明的技术方案由 3 个主要步骤构成 ： 0027 步骤 S1 基于梯度的影像分割 0028 本步骤将待检测影像进行影像分割， 目的是为大型舰船检测提供可用于提取特征 的对象。本步骤由 5 个子步骤构成， 各子步骤可描述为 ： 0029 (S11) 计算待检测影像的梯度影像。 0030 首先选用待检测多光谱影像的所有波段。利用 Canny 算子， 逐波段计算梯度影像。 0031 对于单波段像素 (x， y) 处 x， y 方向的偏导可用 22 一阶有限差分近似 ： 0032 f x。
13、(x， y) Gx f(x+1， y)-f(x， y)+f(x+1， y+1)-f(x， y+1)/2 (11) 0033 f y(x， y) Gy f(x， y+1)-f(x， y)+f(x+1， y+1)-f(x+1， y)/2 (12) 0034 其中， f(x， y) 为 (x， y) 处的像素值。 0035 像素 (x， y) 处的梯度 M 为 0036 0037 对于多波段光学影像， 为充分利用所有波段信息， 可将所有参与计算的波段的梯 度值相加， 获取合成单一波段的梯度影像。 0038 (S12) 为方便阈值的选取， 根据梯度的最大值和最小值， 将梯度值归一化为 0-1 范 围内。
14、。 说 明 书 CN 103679138 A 4 3/8 页 5 0039 0040 其中， Gn为归一化的梯度值， G 为梯度值， Gmax为梯度最大值， Gmin为梯度最小值。 0041 设定梯度阈值， 将小于该阈值的梯度值去除， 以压制较小的梯度， 去除低对比度的 细节， 将高对比度的地物从背景中区分出来。 0042 (S13) 将修改后的梯度影像， 进行分水岭分割， 分割线为梯度较强的像素， 也就是 影像中较强的边缘。该步骤能够将高对比度的地物分割出来。 0043 (S14) 为修正由于高分辨率影像的高对比细节造成的过分割现象， 需对分割结果 进行合并。 0044 对于相邻对象 i、 。
15、j， 综合考虑对象的形状与光谱信息， 计算合并代价 tij 0045 0046 其中， Oi表示分割对象 i， |Oi| 表示 Oi的面积， ui表示 Oi各波段的灰度平均值向 量， |ui-uj| 表示 Oi与 Oj灰度平均光谱的欧氏距离，表示 Oi与 Oj的相交边界 的长度。 0047 为方便阈值的选取， 根据合并代价的最大值和最小值， 将合并代价值归一化为 0-1 范围内。 0048 0049 其中， On为归一化的合并代价， O 为合并代价， Omax为合并代价的最大值， Omin为合 并代价的最小值。 0050 设定合并代价阈值， 当相邻对象的合并对象小于阈值时， 合并相邻对象。 0。
16、051 (S15) 选取两个相邻对象重复 (S14)， 直至没有对象可以继续合并。 0052 步骤 S2 对象特征提取 0053 本步骤对步骤 S1 分割得到的结果， 分别提取各对象其几何和色彩特征。本步骤由 2 个子步骤构成， 各子步骤可描述为 ： 0054 (S21) 计算对象的几何特征， 包括 ： 0055 1) 面积 S 0056 S aN (21) 0057 其中， a 为单个像素代表的面积， 与遥感影像空间分辨率的平方相等， N 为对象像 素数。 0058 面积为对象的尺寸特征， 可用来区分大型舰船与小面积的对象。 0059 2) 边长 L 0060 L lN (22) 0061 。
17、其中， l 为单个像素的边长， 与遥感影像的空间分辨率相等， N 为对象边界包含的 像素个数。 0062 边长也是对象的尺寸特征， 与面积作用相同。 说 明 书 CN 103679138 A 5 4/8 页 6 0063 3) 延伸率 E 0064 0065 其中， Lmax为对象最小外接矩形的长轴长， L 为对象最小外接矩形的短轴长。 0066 延伸率即为长宽比， 是舰船的重要特征。 与大多数对象相比， 舰船通常具有较大的 长宽比， 能达到 3.5 以上。 0067 4) 圆度 R 0068 0069 其中， S 为对象面积， Lmax为对象长轴长。 0070 圆度是用于度量对象形状与圆的接。
18、近程度的特征， 圆形的圆度为1。 由于舰船具有 较大的长宽比， 其长轴较长， 因此通常其圆度较小。 0071 5) 矩形度 Rec 0072 0073 其中， S 为对象面积， Lmax为对象长轴长， Lmin为对象短轴长。 0074 矩形度是用于度量对象形状与矩形的接近程度的特征， 矩形的矩形度为 1， 其他多 边形的矩形度小于 1。与圆度相反， 舰船对象形状更接近于矩形， 矩形度值较大。 0075 6) 形状因子 F 0076 0077 其中， S 为对象面积， L 为对象周长。 0078 形状因子是一个度量对象面积与周长平方比的特征， 圆的形状因子为1。 与圆度类 似， 由于舰船形状较为。
19、狭长， 其形状因子偏小。 0079 (S22) 计算对象的色彩在 HSI 彩色空间的色彩特征， 包括 ： 0080 1) 色调 H 0081 0082 0083 其中， R、 G、 B 分别为对象在红、 绿、 蓝 3 个波段所包含像素的灰度平均值。 0084 色调是直接表征对象色彩的特征。 0085 2) 饱和度 S 0086 0087 其中， R、 G、 B 分别为对象在红、 绿、 蓝 3 个波段所包含像素的灰度平均值。 0088 饱和度表征对象色彩的纯度特征。 说 明 书 CN 103679138 A 6 5/8 页 7 0089 3) 强度 I 0090 0091 其中， R、 G、 B。
20、 分别为对象在红、 绿、 蓝 3 个波段所包含像素的灰度平均值。 0092 强度表征对象整体的灰度值。相比于海面， 舰船通常强度较大。 0093 步骤 S3 大型舰船检测 0094 本步骤对步骤 S2 计算得到的每一个对象的几何和色彩特征， 利用先验大型舰船 特征规则， 进行模糊分类， 提取大型舰船目标。 0095 本步骤由 3 个子步骤构成， 各子步骤可描述为 ： 0096 (S31) 构建大型舰船特征规则知识库。通过对多组影像中的已知大型舰船对象几 何和色彩特征的提取， 得到先验的特征的取值范围， 即特征规则。根据需要， 可根据不同的 舰船类型， 构建不同的特征规则， 组成先验特征规则知识。
21、库。 先验的大型舰船特征知识库中 已构建的先验知识， 可在不同的检测中反复使用。同时， 知识库也可进行更新和修改。 0097 在实际检测中， 若知识库中已有能满足需求的特征规则， 可直接使用， 略过此步 骤。 0098 (S32) 逐特征计算待分类对象在某特征上对于大型舰船类别的隶属度 。这里采 用的隶属度 的计算方法为 ： 0099 首先， 设定模糊容差 t， 用于计算隶属度 。 0100 在模糊规则中， 利用特征值的上下边界值表达特征值的范围。模糊容差代表对边 界值偏离的容忍程度。 例如， 当设定t为0.05时， 对于偏离边界值95范围内的数值， 通过 隶属度表达对类别的归属程度。当设定 。
22、t 为 0 时， 模糊分类成为确定性分类。 0101 当该特征规则为特征值 x 大于特征下边界值 b 时， 0102 0103 其中， a b(1-t)， c b(1+t)。 0104 当该特征规则为特征值 x 小于上边界值 b 时， 0105 0106 其中， a b(1-t)， c b(1+t)。 0107 当该特征规则为特征值 x 介于下边界值 b 和上边界值 e 之间时， 0108 说 明 书 CN 103679138 A 7 6/8 页 8 0109 其中， a b(1-t)， c b(1+t)， d e(1-t)， f e(1+t)。 0110 (S33) 设定隶属度阈值， 当待分。
23、类对象的某特征隶属度小于给定阈值时， 即说明该 对象不是大型舰船目标对象， 当某对象的所有特征的隶属度都大于给定阈值时， 即认为该 对象为大型舰船目标。 0111 T f1|f1 t f2|f2 t . fn|fn t (54) 0112 其中， T 为大型舰船对象， f1， f2， .， fn为各特征的隶属度， 为 t隶属度阈 值。 0113 对于停靠在港口区域的大型舰船， 为保证检测结果的可靠性， 加入预处理步骤和 后处理步骤 ： 0114 预处理步骤 S0 海陆分割 0115 本步骤利用先验的海陆分界掩膜对待检测影像进行海陆分割， 排除影像中陆地部 分的干扰， 获取海域影像用于检测大型舰。
24、船。本步骤由 4 个子步骤构成， 各子步骤可描述 为 ： 0116 (S01) 构建港口海陆分割知识库。 0117 若待检测的港口没有对应的海陆分割先验知识， 需要先构建相应的知识库。 0118 对于待检测的港口， 获取相应的高分辨率可见光历史影像。若影像未经过几何精 校正， 先进行几何精校正。 0119 对历史影像进行目视解译， 勾画出海陆的分界线， 并产生海陆分界掩膜影像 ( 掩 膜陆地， 保留海面 )， 并保证掩膜影像与历史影像具有相同的地理信息。 0120 在实际检测中， 对于相应港口， 若知识库中已建立， 可直接使用， 略过此步骤。 0121 (S02) 利用尺度不变特征转换 (Sc。
25、ale-Invariant Feature Transform， SIFT) 算 法， 将待检测的影像与历史影像进行自动匹配， 寻找匹配的控制点。由于遥感影像中地物 复杂， 相似物体多， 容易造成误匹配点。可采用随机抽样一致 (RANdom SAmple Consensus， RANSAC) 方法， 剔除误匹配点。 0122 (S03) 由于历史影像与海陆分界掩膜影像的地理信息完全对应， 因此可以利用找 到的控制点， 配准待检测的影像和对应的掩膜影像。 0123 根据需要， 若需要对待检测影像做几何精校正， 可纠正待检测的原始影像 ； 若需要 保持原始影像， 则纠正对应的掩膜影像。 0124 。
26、(S04) 利用配准的海陆分界掩膜影像对待检测的原始影像进行掩膜， 掩膜陆地部 分， 获取海域影像。 0125 后处理步骤 S4 错检剔除 0126 本步骤利用港口的泊位信息， 若在非万吨级泊位上， 存在检测到的大型舰船对象， 可能是由多艘小型舰船被分割为同一个对象造成， 可以将该对象剔除。 0127 ( 三 ) 技术效果 0128 与现有技术相比， 本发明的有益效果如下 ： 说 明 书 CN 103679138 A 8 7/8 页 9 0129 与现有的舰船目标检测方法相比， 本发明以万吨级以上大型舰船为特定目标进行 目标检测， 针对性较强 ； 充分利用先验的舰船几何和色彩的先验知识， 检验。
27、结果较为可靠 ； 针对港口区域的复杂情况， 利用港口先验知识库， 提高停靠在港口的大型舰船的检验效率 和精度。 附图说明 0130 图 1 为本发明的技术方案流程图 ； 0131 图 2 为原始实验影像 ( 美国弗吉尼亚州诺福克港 2007 年 2 月 19 日快鸟影像 ) ； 0132 图 3 为诺福克港的历史影像 ； 0133 图 4 为由历史影像生成的海陆掩膜影像 ； 0134 图 5 为经过海陆分割的待检测影像 ； 0135 图 6 为基于梯度的影像分割后的影像 ( 图中每个图斑代表一个对象 ) ； 0136 图 7 为分割对象合并后的结果 ； 0137 图 8 为大型舰船的检测结果。。
28、 具体实施方式 0138 本发明以美国诺福克港的快鸟影像为例， 说明大型舰船检测的具体实施方式。实 验影像拍摄时间为 2007 年 2 月 19 日， 实验影像如图 2 所示。下面结合附图对本发明进一 步说明。 0139 预处理步骤 S0 海陆分割 0140 由于该实验影像包含港口区域， 影像中存在停靠在港口的舰船， 因此需要进行海 陆分割预处理， 排除影像中陆地部分的干扰， 获取海面影像用于检测大型舰船。 0141 (S01) 构建港口海陆分割知识库。 0142 对于待检测的港口， 获取相应的高分辨率可见光历史影像， 并进行几何精校正。 0143 诺福克港的历史影像如图 3 所示。 0144。
29、 对历史影像进行目视解译， 勾画出海陆的分界线， 并产生海陆分界掩膜影像 ( 掩 膜陆地， 保留海面 )， 并保证掩膜影像与历史影像具有相同的地理信息。 0145 由历史影像生成的海陆掩膜影像如图 4 所示。 0146 (S02)利用SIFT算法， 将待检测的影像与历史影像进行自动匹配， 寻找控制点。 采 用 RANSAC 方法， 剔除误匹配点。 0147 (S03) 利用找到的控制点， 采用二次多项式纠正的方式， 配准待检测的影像和对应 的掩膜影像。 0148 (S04) 利用配准海陆分界掩膜影像对待检测的原始影像进行掩膜， 掩膜陆地部分， 获取海域影像。 0149 海陆分割的结果影像如图 。
30、5 所示 ( 图中陆地部分被掩膜为黑色 )。 0150 步骤 S1 基于梯度的影像分割 0151 本步骤对预处理步骤获取的海域影像进行基于梯度的影像分割， 将海域影像分割 为独立对象， 为大型舰船检测提供可用于提取特征的对象。 0152 (S11) 计算待检测影像的梯度影像。 说 明 书 CN 103679138 A 9 8/8 页 10 0153 (S12) 设定梯度阈值为 0.966， 去除小于该阈值的梯度值。 0154 (S13) 将修改后的梯度影像， 进行分水岭分割， 分割线为梯度较强的像素。 0155 分割后的影像如图 6 所示 ( 图中每个色块代表一个对象 )。 0156 (S14。
31、) 为修正由于高分辨率影像的高对比细节造成的过分割现象， 对分割结果进 行合并， 设定合并阈值为 0.979。 0157 (S15) 选取两个相邻对象重复 (S14)， 直至没有对象可以继续合并。 0158 合并分割对象后的影像如图 7 所示 ( 图中每个色块代表一个对象 )。 0159 步骤 S2 对象特征提取 0160 本步骤对步骤 S1 分割得到的每一个对象， 分别计算其几何和特征。 0161 (S21) 计算对象的面积、 边长、 延伸率、 圆度、 矩形度、 圆度和形状因子 6 个几何特 征。 0162 (S22)分别计算对象在红、 绿、 蓝3个波段的灰度平均值， 并将其转换到HSI彩色。
32、空 间， 获取对象在色调、 饱和度和强度特征。 0163 步骤 S3 大型舰船检测 0164 本步骤对步骤 S2 计算得到的每一个对象的几何和色彩特征， 利用先验的大型舰 船特征规则知识库， 进行模糊分类， 提取大型舰船目标。 0165 (S31) 在本实验中， 选用的先验特征规则如下所示 ： 0166 0167 (S32) 设定模糊容差为 0.05。逐特征计算待分类对象在某特征上对于大型舰船类 别的隶属度。 0168 (S33) 设定隶属度阈值为 0.5。当待分类对象的某特征隶属度小于给定阈值时， 即 说明该对象不是大型舰船目标对象， 当某对象的所有特征的隶属度都大于给定阈值时， 即 认为该。
33、对象为大型舰船目标。 0169 后处理步骤 S4 错检剔除 0170 本实验中， 检测到的大型舰船都在万吨级以上泊位上， 没有可剔除的对象。 0171 大型舰船目标检测结果如图8所示(图中红色矢量标注部分为检测到的大型舰船 目标 )。 说 明 书 CN 103679138 A 10 1/8 页 11 图 1 说 明 书 附 图 CN 103679138 A 11 2/8 页 12 图 2 说 明 书 附 图 CN 103679138 A 12 3/8 页 13 图 3 说 明 书 附 图 CN 103679138 A 13 4/8 页 14 图 4 说 明 书 附 图 CN 103679138 A 14 5/8 页 15 图 5 说 明 书 附 图 CN 103679138 A 15 6/8 页 16 图 6 说 明 书 附 图 CN 103679138 A 16 7/8 页 17 图 7 说 明 书 附 图 CN 103679138 A 17 8/8 页 18 图 8 说 明 书 附 图 CN 103679138 A 18 。