一种光学遥感图像中的海上舰船检测方法

摘要

本发明提供了一种基于局部对比度信息和空间金字塔特征的光学遥感图像海上舰船检测方法。技术方案路是：首先，基于局部对比度在海面区域滑动窗口进行舰船的疑似目标检测，减少舰船检测的漏警；然后，对分割得到的疑似目标区域按一定窗口大小取其邻域，利用空间金字塔匹配模型提取空间上下文信息来进行分类，删除背景干扰，获取舰船检测结果，减少舰船检测的虚警。本方法有效抑制了舰船的白极性表现和黑极性表现问题，同时对于舰船目标与其他干扰的相似性问题以及舰船目标本身具有的差异性问题，本方法引入目标的局部邻域上下文信息用于舰船的特征描述与识别，区分目标与背景干扰，有效抑制舰船检测的虚警率。

说明书

技术领域

本发明涉及遥感图像分析领域的智能化舰船目标检测技术，更具体地说， 涉及一种复杂海面条件下的光学遥感图像海上舰船检测方法。

背景技术

在光学遥感图像中，复杂海面背景情况下的海上舰船目标检测问题一直是 难点。一方面，由于成像器件、大气、拍摄角度、时间、气象等诸多因素影响， 以及不同的海面波浪状况对光照的反射能力不同，使得光学遥感图像的亮度、 对比度等信息存在很大变化，海面背景具有不稳定性，平均亮度存在起伏，其 高频信息在幅度上受海浪、航迹的影响变化很大。具体到舰船检测，由于受光 照、舰船表面涂层的影响，舰船目标灰度表现不确定性，可见光舰船目标在亮 度上可能高于或低于海面背景亮度，分别称为舰船的白极性表现和黑极性表现。 此时，传统的基于阈值分割的检测方法无法选择一个合适的阈值将目标与背景 分离，造成较高的虚警率。

另一方面，由于可见光成像容易受天气等因素的影响，所以可见光图像中 往往存在大量的云等情况，舰船检测往往受到云、海浪等干扰，导致目前的舰 船检测方法往往虚警较多，虽然在目前一些海上舰船检测方法在海面区域目标 的粗检测得到疑似目标后，增加对舰船目标候选区域或舰船疑似目标的目标自 身特征进行分析确认，去除部分虚警，获取舰船检测结果。这些方法中常用的 舰船目标自身特征有：灰度、尺寸、形状、纹理特征，在提取目标自身多种特 征描述后，采用分类器对疑似舰船目标进行分类确认识别。然而，对于云、海 浪、海岛等疑似目标干扰，有时在疑似目标块上提取出的目标特征与实际舰船 目标非常相似，并且不同分辨率、不同时相图像中舰船目标反映出的特征又有差 异，为舰船的确认识别带来很多困难，所以目前基于目标自身特征分析方法仍 然存在较多虚警，阻碍了可见光图像海上舰船检测方法的应用。

发明内容

本发明为了有效解决复杂海面光学遥感图像的海上舰船检测问题，提供了 一种基于局部对比度信息和空间金字塔特征的光学遥感图像海上舰船检测方 法。本方法有效抑制了舰船的白极性表现和黑极性表现问题，同时对于舰船目 标与其他干扰的相似性问题以及舰船目标本身具有的差异性问题，本方法引入 目标的局部邻域上下文信息用于舰船的特征描述与识别，区分目标与背景干扰， 有效抑制舰船检测的虚警率。

本发明的基本思路是：首先，针对舰船目标的黑白极性问题，基于局部对 比度在海面区域滑动窗口进行舰船的疑似目标检测，减少舰船检测的漏警；然 后，对分割得到的疑似目标区域按一定窗口大小取其邻域，利用空间金字塔匹 配模型提取空间上下文信息来进行分类，删除背景干扰，获取舰船检测结果， 减少舰船检测的虚警。

本发明的技术方案是：一种光学遥感图像海上舰船目标检测方法，具体包 括下述步骤：

已知：一幅输入图像I1是光学遥感图像。

第一步：海陆区域分割

对输入图像I1进行海面区域与陆地区域的分割，得到对海面区域进行标记 的海域图像I2。

第二步：疑似舰船目标的粗检测

对海域图像I2，采用修订了判决准则的Contrast Box算法进行处理，检测得 到一组包含疑似舰船目标的矩形区域，称之为疑似舰船目标区域。

特别的，在Contrast Box算法中定义如下判决准则来进行判断：

|(μ_T-μ_B)|/δ_B＞K        (1)

其中μ_T表示Contrast Box算法中目标窗口的灰度均值，μ_B表示背景窗口的 灰度均值，δ_B表示背景窗口的灰度标准差，K为检测阈值。满足准则(1)则认 为是疑似目标点，对多个相邻的疑似目标点所组成的区域求得最小面积外接矩 形即是疑似舰船目标区域，通常选择包含2个以上相邻疑似目标点的区域作为 疑似舰船目标区域。

第三步：疑似舰船目标的上下文特征提取

对每一个疑似舰船目标区域使用如下方法得到疑似目标邻域图像块：以疑 似舰船目标区域的中心为中心，长、宽分别为疑似舰船目标区域长、宽的2倍 大小，得到包含疑似目标及其邻域的矩形区域，称之为疑似目标邻域图像块。 对疑似目标邻域图像块利用空间金字塔匹配模型提取疑似舰船目标的空间上下 文特征。

第四步：疑似舰船目标识别确认

对疑似舰船目标的空间上下文特征，利用基于直方图交叉核的SVM(support  vector machine)分类器进行分类，得到该疑似舰船目标是否是舰船的确认结果。

本发明的有益效果是：一方面，根据舰船成像特性重新定义了Contrast Box 算法的判断准则，从而克服了舰船在海域中存在的黑白极性问题，减小了目标 漏警率。另一方面，在获取到疑似舰船目标后，不同于传统的只对舰船目标本 身提取特征进行分析的方法，本发明针对舰船目标及其邻域提取空间上下文特 征进行分析，一定程度上解决了舰船目标与虚警之间特征可区分性不强的问题， 可直接用于光学遥感图像的海上舰船目标检测。

附图说明

图1为本发明所提供的光学遥感图像中的海上舰船检测方法流程图；

图2为仿真实验中第二步进行疑似舰船目标粗检测示意图；

图3为仿真实验中第三步疑似舰船目标的空间上下文特征描述方法示意图；

图4为仿真实验中第四步对空间上下文特征利用基于直方图交叉核的SVM 分类器进行分类的流程图。

具体实施方式

下面结合附图对本发明提供的光学遥感图像舰船目标检测方法进行详细说 明。

图1是本发明所提供的光学遥感图像中的海上舰船检测方法流程图。该流 程图的第一步是海陆区域分割，通过海陆区域分割获取海面区域，首先基于海 面与陆地的灰度差异根据OTSU方法确定二值化分割阈值，得到海域和陆地初 始分割，再在海域中选择种子点采用区域生长法得到海面区域。第二步疑似舰 船目标的粗检测，是利用修订了判决准则的Contrast Box算法在海面区域中逐像 素滑动窗口检测得到一组疑似舰船目标区域，Contrast Box算法具体实现详见文 章“CASASENT D.P.SU W.，TURAGA D.，et al，SAR ship detection using new  conditional contrast box filter[C]，SPIE，1999，372l：274-284.”。第三步疑似舰船目 标的上下文特征提取，对疑似舰船目标区域获取疑似目标邻域图像块，利用空 间金字塔匹配模型提取空间上下文特征。第四步疑似舰船目标识别确认，是使 用基于直方图交叉核的SVM分类器对疑似舰船目标的空间上下文特征进行分类 得到确认结果。

图2是仿真实验中第二步进行疑似舰船目标粗检测示意图。图2(a)为输入的 一幅光学遥感图像的海域图像，为了表示清楚，在该海域图像中指示出舰船、 海岛和云，图2(b)所示为通过检测得到的4个疑似舰船目标区域，图2(c)所示为 分别对4个疑似舰船目标区域获取到的疑似目标邻域图像块。在利用修订了判 决准则的Contrast Box算法进行疑似舰船目标的粗检测中，目标窗口T的大小为 遥感图像中最大舰船目标尺寸，为保证背景窗口覆盖足够充分的背景特征数据， 取背景窗口B为目标窗口T面积的4倍。检测阈值K控制检测虚警率，通常取 1.25。

图3是仿真实验中第三步疑似舰船目标的空间上下文特征描述方法示意图。 首先对疑似目标邻域图像块进行规则网格的划分，再利用空间金字塔匹配模型 提取疑似舰船目标的空间上下文特征。具体描述如下：

图3左侧图像为检测到的一幅疑似目标邻域图像块，对其进行规则的均匀 网格分割，如图3中间图像所示，称之为图像块节点，再提取每个图像块节点 的SIFT(Scale Invariant Feature Transform)特征，SIFT具体实现详见文章“David  G.Lowe，Distinctive image features from scale-invariant keypoints.International Journal of Computer Vision，200460(2)：91-110”。图像块节点尺寸根据遥感图像分 辨率的高低不同来确定，中高分辨率可取16×16像素、8×8像素，低分辨率可 取4×4像素。同时随机选出一部分疑似目标邻域图像块作为训练图像，将这些 训练图像的各个图像块节点所提取的SIFT特征进行K均值聚类，实验中K均值 聚类数目，即视觉词汇数目设为100，得到图像的视觉词汇码本。然后对所有疑 似目标邻域图像块的图像块节点提取的SIFT特征都按照此视觉词汇码本进行量 化。这样每个图像块节点将对应一个视觉词汇。从而完成了图像的像素空间表 示到图像的视觉词汇空间表示的转换，转换得到的图称之为词汇图，图3右侧 图像为输入的疑似目标邻域图像块转换得到的词汇图。

对于得到的词汇图再利用空间金字塔匹配模型获取疑似舰船目标的空间 上下文特征。其中空间金字塔匹配模型具体详见文献“Lazibnik etc.Beyond Bags  of Features：Spatial Pyramid Matching for Recognizing Natural Scene Categories. Proceedings of IEEE Computer Society Conference on Computer Vision and Pattern  Recognition.New York：2006：2169-2178”。记得到的空间上下文特征为P_w。

图4是本发明仿真实验中第四步对空间上下文特征利用基于直方图交叉核 的SVM分类器进行分类的流程图。该分类算法流程分为训练和测试两个部分， 图4垂直方向的虚线左侧为训练阶段，右侧为测试阶段。样本库共包含海岛、 云、海浪和舰船这四类样本。在训练阶段，训练样本库由每一类样本中随机抽 取一部分疑似目标邻域图像块构成，图4虚线左侧最上方为输入的训练样本示 意，然后根据第三步方法获得视觉词汇码本，提取训练样本库中的所有疑似目 标邻域图像块的空间上下文特征P_w，再基于直方图交叉核函数由训练样本对 SVM分类器进行训练，获取SVM分类模型。图4虚线右侧最上方为输入的一 幅疑似目标邻域图像块，在测试阶段，对疑似目标邻域图像块根据训练阶段得 到的视觉词汇码本，得到其空间上下文特征，再利用SVM分类模型对测试样本 进行分类，得到疑似目标是否是舰船目标的确认结果。其中，直方图交叉核函 数详见文章“Barla A，Odone F，and Verri A.Histogram intersection kernel for image classification[C].Proceedings of the International Conference on Image Processing， Barcelona，Catalonia，Spain，Sept.14-17，2003，Vol.2：513-516.”。