论文部分内容阅读
大型港口内的舰船目标种类丰富,数量众多,对港内舰船目标进行检测能够加强港口的利用和管理,在渔业管理、海港保护、港内舰船交通监控等方面发挥着不可或缺的作用。随着遥感技术的发展,所获得的遥感图像也呈现高分辨率的特点。在高分辨率遥感图像中,地物目标的细节信息非常丰富,这为港内舰船目标的检测提供了良好的条件。但是高分辨率光学遥感港口图像中的舰船检测仍面临着很多的问题。港口内的靠岸舰船与码头等人工设施的灰度、纹理等特征非常相似,不容易区分;而且港内舰船还受到来自甲板上设施阴影的干扰,比如舰岛设施的阴影等:同时复杂海况给港内离岸舰船的检测也造成了很大的困难。并且由于靠岸舰船往往是多艘并横排地进行停靠,这种停靠方式所带来的相互干扰使得难以进行舰船目标区域的精确提取,影响了目标的识别。另外,随着高分辨率遥感图像资源日益丰富,数据获取更加便捷,需要处理的数据量也迅速增加,在现有的软硬件条件下,这无疑将给舰船目标的检测带来较大的压力。在检测之后准确的舰船目标区域提取对关系到准确的目标信息的获取,从而对识别非常重要。因此本文主要研究如何在海量、复杂的高分辨率光学港口图像上快速、准确地进行港内舰船目标的检测及舰船目标区域的提取。
本文基于分层的思想来进行高分辨光学遥感港口内舰船目标的检测,分为粗略检测和精细检测两个层次:在粗略检测层次上,主要是研究如何快速地定位港内舰船目标的候选区域,在精细检测层次上,主要研究如何在候选区域中通过提取舰船目标的不变精细特征来准确地进行港内舰船的检测并进行目标区域的提取。本文的主要创新点如下:
1.提出了一种基于级联结构的港内舰船目标快速定位方法。为提高港内舰船目标的定位速度,我们采用级联结构来组织舰船目标特征进行目标的定位。为快速排除陆地、码头等这些明显的非目标区域,在第一级中利用先验港口信息来减少陆地以及码头区域带来的干扰;然后在后面几级的处理中,利用舰船目标与背景区域的显著灰度特性差异,以及舰船目标的长宽、面积等细致特征来完成准确的目标定位。针对港口先验信息与实际信息之间存在的偏差,采用了一种结合区域与边缘信息的模板匹配方法来完成信息之间的精匹配。基于区域及边缘信息来构建匹配精度的能量函数,并以基于SIFT特征的匹配结果作为初始值,对能量函数求极值来获得最佳的匹配结果,从而能更准确地提取舰船目标的感兴趣区域。
2.提出了一种基于鲁棒性广义霍夫变换的港内舰船目标的提取方法。通过对舰船目标轮廓特征匹配的分析,提出了一种迭代最大间隔训练方法来自动学习鲁棒性形状模板,它改善了不变性广义霍夫变换对目标局部变形的容忍性,并且对遮掩、噪声、形状变换等有着更强的适应性。基于该模板来进行舰船目标精细轮廓特征的匹配能够很好地提高港内舰船目标尤其是靠岸舰船的检测精度。同时,提出了一种基于霍夫逆映射的分割方法来提取舰船目标区域。对霍夫空间中的局部极值点依据投票准则在图像空间进行逆映射,并在方向相关性和灰度相似性准则下进行区域生长,达到准确提取舰船目标区域的目的。该方法对多个舰船目标并横排停放时所带来的相互干扰有着很好的鲁棒性,从而能提供更准确的舰船目标数量信息和更精确的目标特征信息,有利于舰船目标的识别。