一種光學遙感圖像中的海上艦船檢測方法

專利名稱：一種光學遙感圖像中的海上艦船檢測方法
技術領域：
本發明涉及遙感圖像分析領域的智能化艦船目標檢測技術，更具體地說，涉及一種復雜海面條件下的光學遙感圖像海上艦船檢測方法。
背景技術：
在光學遙感圖像中，復雜海面背景情況下的海上艦船目標檢測問題一直是難點。一方面，由于成像器件、大氣、拍攝角度、時間、氣象等諸多因素影響，以及不同的海面波浪狀況對光照的反射能力不同，使得光學遙感圖像的亮度、對比度等信息存在很大變化，海面背景具有不穩定性，平均亮度存在起伏，其高頻信息在幅度上受海浪、航跡的影響變化很大。具體到艦船檢測，由于受光照、艦船表面涂層的影響，艦船目標灰度表現不確定性，可見光艦船目標在亮度上可能高于或低于海面背景亮度，分別稱為艦船的白極性表現和黑極性表現。此時，傳統的基于閾值分割的檢測方法無法選擇ー個合適的閾值將目標與背景分離，造成較高的虛警率。另ー方面，由于可見光成像容易受天氣等因素的影響，所以可見光圖像中往往存在大量的云等情況，艦船檢測往往受到云、海浪等干擾，導致目前的艦船檢測方法往往虛警較多，雖然在目前ー些海上艦船檢測方法在海面區域目標的粗檢測得到疑似目標后，増加對艦船目標候選區域或艦船疑似目標的目標自身特征進行分析確認，去除部分虛警，獲取艦船檢測結果。這些方法中常用的艦船目標自身特征有灰度、尺寸、形狀、紋理特征，在提取目標自身多種特征描述后，采用分類器對疑似艦船目標進行分類確認識別。然而，對于云、海浪、海島等疑似目標干擾，有時在疑似目標塊上提取出的目標特征與實際艦船目標非常相似，并且不同分辨率、不同時相圖像中艦船目標反映出的特征又有差異，為艦船的確認識別帶來很多困難，所以目前基于目標自身特征分析方法仍然存在較多虛警，阻礙了可見光圖像海上艦船檢測方法的應用。

發明內容
本發明為了有效解決復雜海面光學遙感圖像的海上艦船檢測問題，提供了ー種基于局部對比度信息和空間金字塔特征的光學遙感圖像海上艦船檢測方法。本方法有效抑制了艦船的白極性表現和黑極性表現問題，同時對于艦船目標與其他干擾的相似性問題以及艦船目標本身具有的差異性問題，本方法引入目標的局部鄰域上下文信息用于艦船的特征描述與識別，區分目標與背景干擾，有效抑制艦船檢測的虛警率。本發明的基本思路是首先，針對艦船目標的黑白極性問題，基于局部對比度在海面區域滑動窗ロ進行艦船的疑似目標檢測，減少艦船檢測的漏警；然后，對分割得到的疑似目標區域按一定窗ロ大小取其鄰域，利用空間金字塔匹配模型提取空間上下文信息來進行分類，刪除背景干擾，獲取艦船檢測結果，減少艦船檢測的虛警。
本發明的技術方案是ー種光學遙感圖像海上艦船目標檢測方法，具體包括下述步驟
已知一幅輸入圖像Il是光學遙感圖像。第一歩海陸區域分割對輸入圖像Il進行海面區域與陸地區域的分割，得到對海面區域進行標記的海域圖像12。第二歩疑似艦船目標的粗檢測對海域圖像12，采用修訂了判決準則的Contrast Box算法進行處理，檢測得到一組包含疑似艦船目標的矩形區域，稱之為疑似艦船目標區域。特別的,在Contrast Box算法中定義如下判決準則來進行判斷 ( u T- u B) I / 6 B > K(I)其中表示Contrast Box算法中目標窗ロ的灰度均值，y B表示背景窗ロ的灰度均值，Sb表示背景窗ロ的灰度標準差，K為檢測閾值。滿足準則(I)則認為是疑似目標點，對多個相鄰的疑似目標點所組成的區域求得最小面積外接矩形即是疑似艦船目標區域，通常選擇包含2個以上相鄰疑似目標點的區域作為疑似艦船目標區域。第三步疑似艦船目標的上下文特征提取對每ー個疑似艦船目標區域使用如下方法得到疑似目標鄰域圖像塊以疑似艦船目標區域的中心為中心，長、寬分別為疑似艦船目標區域長、寬的2倍大小，得到包含疑似目標及其鄰域的矩形區域，稱之為疑似目標鄰域圖像塊。對疑似目標鄰域圖像塊利用空間金字塔匹配模型提取疑似艦船目標的空間上下文特征。第四步疑似艦船目標識別確認對疑似艦船目標的空間上下文特征，利用基于直方圖交叉核的SVM(SUpp0rtvector machine)分類器進行分類，得到該疑似艦船目標是否是艦船的確認結果。本發明的有益效果是一方面，根據艦船成像特性重新定義了 Contrast Box算法的判斷準則，從而克服了艦船在海域中存在的黑白極性問題，減小了目標漏警率。另一方面，在獲取到疑似艦船目標后，不同于傳統的只對艦船目標本身提取特征進行分析的方法，本發明針對艦船目標及其鄰域提取空間上下文特征進行分析，一定程度上解決了艦船目標與虛警之間特征可區分性不強的問題，可直接用于光學遙感圖像的海上艦船目標檢測。


圖I為本發明所提供的光學遙感圖像中的海上艦船檢測方法流程圖；圖2為仿真實驗中第二步進行疑似艦船目標粗檢測示意圖；圖3為仿真實驗中第三步疑似艦船目標的空間上下文特征描述方法示意圖；圖4為仿真實驗中第四步對空間上下文特征利用基于直方圖交叉核的SVM分類器進行分類的流程圖。
具體實施例方式下面結合附圖對本發明提供的光學遙感圖像艦船目標檢測方法進行詳細說明。圖I是本發明所提供的光學遙感圖像中的海上艦船檢測方法流程圖。該流程圖的第一歩是海陸區域分割，通過海陸區域分割獲取海面區域，首先基于海面與陸地的灰度差異根據OTSU方法確定ニ值化分割閾值，得到海域和陸地初始分割，再在海域中選擇種子點采用區域生長法得到海面區域。第二步疑似艦船目標的粗檢測，是利用修訂了判決準則的Contrast Box算法在海面區域中逐像素滑動窗ロ檢測得到ー組疑似艦船目標區域，Contrast Box 算法具體實現詳見文章“CASASENT D. P. SU ff.，TURAGA D.，et al, SARship detection using new conditional contrast box filter[C」，SPIE,1999,3721 :274-284. ”。第三步疑似艦船目標的上下文特征提取，對疑似艦船目標區域獲取疑似目標鄰域圖像塊，利用空間金字塔匹配模型提取空間上下文特征。第四步疑似艦船目標識別確認，是使用基于直方圖交叉核的SVM分類器對疑似艦船目標的空間上下文特征進行分類得到確認結果。圖2是仿真實驗中第二步進行疑似艦船目標粗檢測示意圖。圖2(a)為輸入的一幅光學遙感圖像的海域圖像，為了表示清楚，在該海域圖像中指示出艦船、海島和云，圖2(b)所示為通過檢測得到的4個疑似艦船目標區域，圖2 (c)所示為分別對4個疑似艦船目標區域獲取到的疑似目標鄰域圖像塊。在利用修訂了判決準則的Contrast Box算法進行疑似艦船目標的粗檢測中，目標窗ロ T的大小為遙感圖像中最大艦船目標尺寸，為保證背景窗 ロ覆蓋足夠充分的背景特征數據，取背景窗ロ B為目標窗ロ T面積的4倍。檢測閾值K控制檢測虛警率，通常取I. 25。圖3是仿真實驗中第三步疑似艦船目標的空間上下文特征描述方法示意圖。首先對疑似目標鄰域圖像塊進行規則網格的劃分，再利用空間金字塔匹配模型提取疑似艦船目標的空間上下文特征。具體描述如下圖3左側圖像為檢測到的一幅疑似目標鄰域圖像塊，對其進行規則的均勻網格分割，如圖3中間圖像所示，稱之為圖像塊節點，再提取每個圖像塊節點的SIFT(ScaleInvariant Feature Transform)特征，SIFT 具體實現詳見文章“ David G. Lowe,Distinctive image features from scale-invariant Keypomts. InternationalJourna丄of Computer Vision, 200460 (2) :91_110”。圖像塊節點尺寸根據遙感圖像分辨率的高低不同來確定，中高分辨率可取16X16像素、8X8像素，低分辨率可取4X4像素。同時隨機選出一部分疑似目標鄰域圖像塊作為訓練圖像，將這些訓練圖像的各個圖像塊節點所提取的SIFT特征進行K均值聚類，實驗中K均值聚類數目，即視覺詞匯數目設為100，得到圖像的視覺詞匯碼本。然后對所有疑似目標鄰域圖像塊的圖像塊節點提取的SIFT特征都按照此視覺詞匯碼本進行量化。這樣每個圖像塊節點將對應一個視覺詞匯。從而完成了圖像的像素空間表示到圖像的視覺詞匯空間表示的轉換，轉換得到的圖稱之為詞匯圖，圖3右側圖像為輸入的疑似目標鄰域圖像塊轉換得到的詞匯圖。對于得到的詞匯圖再利用空間金字塔匹配模型獲取疑似艦船目標的空間上下文特征。其中空間金字塔匹配模型具體詳見文獻“Lazibnik etc. Beyond Bags of Features Spatial Pyramid Matching for Recognizing Natural Scene Categories. Proceedingsof IEEE Computer Society Conference on Computer Vision and Pattern Recognition.New York :2006 :2169-2178”。記得到的空間上下文特征為Pw。圖4是本發明仿真實驗中第四步對空間上下文特征利用基于直方圖交叉核的SVM分類器進行分類的流程圖。該分類算法流程分為訓練和測試兩個部分，圖4垂直方向的虛線左側為訓練階段，右側為測試階段。樣本庫共包含海島、云、海浪和艦船這四類樣本。在訓練階段，訓練樣本庫由每一類樣本中隨機抽取一部分疑似目標鄰域圖像塊構成，圖4虛線左側最上方為輸入的訓練樣本示意，然后根據第三步方法獲得視覺詞匯碼本，提取訓練樣本庫中的所有疑似目標鄰域圖像塊的空間上下文特征Pw，再基于直方圖交叉核函數由訓練樣本對SVM分類器進行訓練，獲取SVM分類模型。圖4虛線右側最上方為輸入的一幅疑似目標鄰域圖像塊，在測試階段，對疑似目標鄰域圖像塊根據訓練階段得到的視覺詞匯碼本，得到其空間上下文特征，再利用SVM分類模型對測試樣本進行分類，得到疑似目標是否是艦船目標的確認結果。其中，直方圖交叉核函數詳見文章“ Barla A, Odone F, andVerri A. histogram intersection Kerne丄 for imageclassirication[し」 Proceedings of the International Conference on Image Processing，Barcelona，Catalonia，Spain，Sept. 14-17，2003，Vol. 2 :513-516. ”。
權利要求
1.一種光學遙感圖像海上艦船目標檢測方法，已知一幅輸入圖像Ii是光學遙感圖像，其特征在于，具體包括下述步驟 第一步海陸區域分割； 對輸入圖像Il進行海面區域與陸地區域的分割，并對海面區域進行標記，得到海域圖像12 ； 第二步疑似艦船目標的粗檢測； 對海域圖像12，采用修訂了判決準則的Contrast Box算法進行處理，檢測得到一組包含疑似艦船目標的矩形區域，稱之為疑似艦船目標區域；即在Contrast Box算法中定義如下判決準則來進行判斷 I( μ τ- μ B) I / δ B > K 其中μτ表示Contrast Box算法中目標窗口的灰度均值，1^表示背景窗口的灰度均值，&表示背景窗口的灰度標準差，K為檢測閾值，滿足上述判決準則就認為是疑似目標點；對多個相鄰的疑似目標點所組成的區域求得最小面積外接矩形即是疑似艦船目標區域； 第三步疑似艦船目標的上下文特征提取； 對每一個疑似艦船目標區域使用如下方法得到疑似目標鄰域圖像塊以疑似艦船目標區域的中心為中心，長、寬分別為疑似艦船目標區域長、寬的2倍大小，得到包含疑似目標及其鄰域的矩形區域，稱之為疑似目標鄰域圖像塊；對疑似目標鄰域圖像塊利用空間金字塔匹配模型提取疑似艦船目標的空間上下文特征； 第四步疑似艦船目標識別確認； 對疑似艦船目標的空間上下文特征，利用基于直方圖交叉核的SVM(support vectormachine)分類器進行分類，得到該疑似艦船目標是否是艦船的確認結果。
2.根據權利要求I所述的光學遙感圖像海上艦船目標檢測方法，其特征在于，選擇包含2個以上相鄰疑似目標點的區域作為疑似艦船目標區域。
全文摘要
本發明提供了一種基于局部對比度信息和空間金字塔特征的光學遙感圖像海上艦船檢測方法。技術方案路是首先，基于局部對比度在海面區域滑動窗口進行艦船的疑似目標檢測，減少艦船檢測的漏警；然后，對分割得到的疑似目標區域按一定窗口大小取其鄰域，利用空間金字塔匹配模型提取空間上下文信息來進行分類，刪除背景干擾，獲取艦船檢測結果，減少艦船檢測的虛警。本方法有效抑制了艦船的白極性表現和黑極性表現問題，同時對于艦船目標與其他干擾的相似性問題以及艦船目標本身具有的差異性問題，本方法引入目標的局部鄰域上下文信息用于艦船的特征描述與識別，區分目標與背景干擾，有效抑制艦船檢測的虛警率。
文檔編號G06K9/00GK102663348SQ20121007740
公開日2012年9月12日 申請日期2012年3月21日 優先權日2012年3月21日
發明者朱長仁, 郭軍 申請人:中國人民解放軍國防科學技術大學