21世纪,人类进入了大规模开发利用海洋的时代。船舶作为人类认知和探索海洋的主要工具,船舶的检测和监管关系到海洋资源的开发、海洋权益的维护、海洋科技的创新以及海洋生态文明的建设。船舶的检测可用于支援海上搜救和打击捕鱼等非法行为,船舶尾迹可用于估算船舶速度,为海上交通和船舶监管起到辅助作用。随着光学图像技术的不断进步,基于光学图像的船舶检测和尾迹提取成为了船舶研究中的热点。与SAR图像、遥感图像相比,卫星图像具有易于获得,直观性强、分辨率高等优点,在船舶监管中扮演中重要的角色。随着卫星数量的增加、访问周期的缩短和机器学习的发展,船舶检测和尾迹提取逐步向快速检测和机器学习的方向发展。但是目前对于船舶检测和尾迹提取的研究是分别展开的,这就无法利用它们之间的关联性,从而使得检测效率和准确度不高;而在算法方面,极少有研究者选用LightGBM这种快速高效且准确度高的算法。针对上述存在的问题和研究现状,本文在基于光学图像的船舶识别和尾迹提取方面做了如下研究。首先,利用双边滤波对光学图像做降噪平滑处理,降低海浪、光照等对船舶候选区域提取的干扰,利用K-Means++算法完成图像的分割,然后对分割后的图像做小区域去除、图像形态学处理以及孔洞填充操作,从而完成船舶候选区域的提取;提取船舶候选区域的形状特征和纹理特征,包括5个形状特征、Hu不变矩、LBP特征和HOG特征,然后采用皮尔逊相关系数和主成分分析,将特征维度降至15维,在保留数据信息的前提下降低模型训练的时间复杂度;之后,采用LightGBM算法完成船舶检测和带有尾迹的船舶检测的模型建立,其中在验证集上船舶检测的准确率为98.3%,带有尾迹的船舶检测准确率为95.8%;最后利用K-Means++算法将带有尾迹的船舶图像聚集为3类,分别为海洋背景、船舶目标和船舶尾迹,利用支持向量机训练船舶尾迹提取模型,最终计算得到的船舶尾迹提取模型的准确度为96.7%。本文将LightGBM算法引入到船舶检测和尾迹提取中,并且将船舶检测和尾迹提取有机的结合在起,提高了尾迹提取的准确率,为光学图像的船舶检测和尾迹提取提供了一套完整的技术方案,该方案准确率高,编程易于实现,具有较强的实际应用价值,为我国的船舶监管提供了新的方法和技术。