基于多特征融合的熱紅外遙感影像的海上動目標檢測方法與流程

本發明涉及一種遙感檢測方法，尤其涉及一種基于高分辨率熱紅外遙感影像的海上運動目標檢測方法。

背景技術：

目前，國內外以海上運動目標例如船只為對象的遙感檢測主要基于高分辨率可見/近紅外多光譜影像進行，影像分辨率造成對海上運動目標檢測能力不足而且目視解譯困難，另外，可見/近紅外多光譜遙感數據源最大的缺點在于夜間無法成像，不能在夜間對海上運動目標進行檢測。

技術實現要素：

為了克服上述現有技術的不足，本發明要解決的技術問題是提供一種通過熱紅外影像上海上運動目標區別于其他對象的特征將海上運動目標提取出來的基于多特征融合的熱紅外遙感影像的海上運動目標檢測方法。

為解決上述技術問題，本發明采用如下技術方案：

提出一種基于多特征融合的熱紅外遙感影像的海上運動目標檢測方法。該方法包括如下步驟：

對熱紅外影像進行海陸分割獲得海域影像；

利用先驗分割參數對海域影像進行多尺度分割得到對象；

提取分割得到的對象的亮度和幾何特征；以及

通過將對象的亮度和幾何特征分別對照訓練得到的對應的分類規則對對象進行決策樹分類，從而實現海上運動目標的檢測。

對于上述基于多特征融合的熱紅外遙感影像的海上運動目標檢測方法，對熱紅外影像進行海陸分割獲得海域影像進一步包括：根據同一地理區域的可見光影像中海域和陸地的區分勾畫出海面部分，并將海面部分作為海陸掩膜影像，將該可見光影像與對應的熱紅外影像配準，利用海陸掩膜影像對熱紅外影像進行掩膜，獲取海面熱紅外影像。

對于上述基于多特征融合的熱紅外遙感影像的海上運動目標檢測方法，利用先驗分割參數對海域影像進行多尺度分割得到對象進一步包括：

根據要檢測的海上運動目標的尺寸確定多尺度分割中的尺度參數，即確定用于對象合并的閾值；

首先將熱紅外影像中的每個像素作為獨立的對象，任意選擇相鄰的兩個對象進行試探性合并，試探性合并的具體處理為：計算兩個對象的擬合度并與合并條件比較，如果兩個對象的擬合度滿足尺度參數，則進行真正的合并而且合并后的像素作為一個新對象，否則不合并；

選取下一對相鄰對象進行試探性合并，循環選取不同的相鄰對象進行試探性合并直至所有相鄰對象都進行過試探性合并。

對于上述基于多特征融合的熱紅外遙感影像的海上運動目標檢測方法，兩個對象的擬合度包括光譜擬合度和/或形狀擬合度。

對于上述基于多特征融合的熱紅外遙感影像的海上運動目標檢測方法，亮度特征是對象的灰度平均值。

對于上述基于多特征融合的熱紅外遙感影像的海上運動目標檢測方法，幾何特征是對象的尺寸特征和/或形狀特征。

對于上述基于多特征融合的熱紅外遙感影像的海上運動目標檢測方法，尺寸特征包括對象的面積、周長以及長軸長度和短軸長度中任意個特征。

對于上述基于多特征融合的熱紅外遙感影像的海上運動目標檢測方法，形狀特征包括緊密度、凸度、完整度、圓度、形狀因子、延伸率、以及矩形度中任意個特征。

對于上述基于多特征融合的熱紅外遙感影像的海上運動目標檢測方法，實現海上運動目標的檢測進一步包括：將檢測到的海上運動目標對象進行邊界矢量化，輸出并疊加在熱紅外影像上。

對于上述基于多特征融合的熱紅外遙感影像的海上運動目標檢測方法，海上運動目標是船只。

與現有技術相比，本發明技術方案主要的優點如下：

與現有的海上運動目標檢測方法相比，本發明利用熱紅外遙感影像作為數據源，能夠彌補可見/近紅外多光譜影像夜間失效、SAR影像目視解譯困難且處理步驟復雜等現有方法的缺點，有利于對檢測結果的檢驗，進一步提高信息準確性；基于檢測得到的海上運動目標提取得到的溫度信息，有利于對海上運動目標的狀態進行判別。

本發明的其它特征和優點將在隨后的說明書中闡述，并且，部分地從說明書中變得顯而易見，或者通過實施本發明而了解。本發明的目的和其他優點可通過在所寫的說明書、權利要求書、以及附圖中所特別指出的結構來實現和獲得。

附圖說明

通過閱讀下文優選實施方式的詳細描述，各種其他的優點和益處對于本領域普通技術人員將變得清楚明了。附圖僅用于示出優選實施方式的目的，而并不認為是對本發明的限制。而且在整個附圖中，用相同的參考符號表示相同的部件。在附圖中：

圖1是本發明所述的基于多特征融合的熱紅外遙感影像的海上運動目標檢測方法的流程圖；

圖2是本發明以大型船只為例的實施例所述的基于多特征融合的熱紅外遙感影像的海上運動目標檢測方法的流程圖；

圖3是圖2中步驟S10的處理過程的流程圖；

圖4是圖2中步驟S20的處理過程的流程圖；

圖5是圖2中步驟S30的處理過程的流程圖；

圖6是圖2中步驟S40的處理過程的流程圖。

具體實施方式

下面將參照附圖更詳細地描述本公開的示例性實施例。雖然附圖中顯示了本公開的示例性實施例，然而應當理解，可以以各種形式實現本公開而不應被這里闡述的實施例所限制。相反，提供這些實施例是為了能夠更透徹地理解本公開，并且能夠將本公開的范圍完整地傳達給本領域的技術人員。

本發明的原理是由于海水與運動目標相比比熱較大，使得熱紅外影像上海面的亮度與運動目標的亮度明顯不同，且海面亮度較均一，因此可以利用亮度特征實現海面物體與海面的區分。

如圖1所示，本發明一個實施例所述的基于多特征融合的熱紅外遙感影像的海上運動目標檢測方法包括如下步驟：

步驟S1，對熱紅外影像進行海陸分割獲得海域影像。具體過程如下：

根據同一地理區域的可見光影像中海域和陸地的區分勾畫出海面部分，并將海面部分作為海陸掩膜影像，將該可見光影像與對應的熱紅外影像配準，利用海陸掩膜影像對熱紅外影像進行掩膜，獲取海面熱紅外影像。

步驟S2，利用先驗分割參數對海域影像進行多尺度分割得到對象。具體過程如下：

根據要檢測的海上運動目標的尺寸確定多尺度分割中的尺度參數，即確定用于對象合并的閾值。首先將熱紅外影像中的每個像素作為獨立的對象，任意選擇相鄰的兩個對象進行試探性合并，試探性合并的具體處理為：計算兩個對象的擬合度并與合并閾值比較，如果兩個對象的擬合度滿足合并條件即滿足尺度參數，則進行真正的合并而且合并后的像素作為一個新對象，否則不合并。選取下一對相鄰對象進行試探性合并，循環選取不同的相鄰對象進行試探性合并直至所有相鄰對象都進行過試探性合并。其中，擬合度包括光譜擬合度和/或形狀擬合度。

步驟S3，提取分割得到的對象的亮度和幾何特征。具體過程如下：

對步驟S2分割得到的各個對象分別計算亮度和幾何特征，為后續分類檢測做準備。其中，亮度特征優選為對象的灰度平均值。幾何特征可以是尺寸特征和/或形狀特征。尺寸特征包括對象的面積、周長以及長軸長度和短軸長度中任意個特征。形狀特征包括緊密度、凸度、完整度、圓度、形狀因子、延伸率、以及矩形度中任意個特征。

步驟S4，通過將得到的分割對象的亮度和幾何特征分別對照訓練得到的對應的分類規則對分割對象進行決策樹分類，從而實現海上運動目標的檢測。具體過程如下：

利用由步驟S3計算得到的各對象的各方面特征，對照針對預定的海上運動目標訓練的分類規則，對各對象進行決策樹分類，以判斷各對象是否為預定的海上運動目標。其中，特征分類規則是通過特征值優選得到的。將檢測到的海上運動目標對象進行邊界矢量化，輸出并疊加在熱紅外影像上，即完成海上運動目標的檢測。

下面，以海上運動目標為大型船只來舉例說明本發明的技術方案。

如圖2所示，該實施例所述的基于多特征融合的熱紅外遙感影像的海上運動目標檢測方法包括如下步驟：

步驟S10，海陸分割。

本步驟利用先驗的海陸數據對熱紅外影像進行海陸分割。如圖3所示，本步驟包括如下3個子步驟：

步驟S101，對大型船只母港的高分辨率可見光影像進行目視解譯，勾畫出其中的海面部分作為海陸掩膜影像，并保證可見光影像與海陸掩膜影像具有相同的地理信息。

步驟S102，選擇適量控制點將熱紅外影像與可見光影像進行配準。

步驟S103，利用海陸掩膜影像對熱紅外影像進行掩膜，獲取海面熱紅外影像。

步驟S20，先驗知識約束的多尺度影像分割。

本步驟對步驟S1中獲取的熱紅外海面影像進行多尺度影像分割，將海面影像分割為獨立對象，目的是為特征提取和大型船只檢測提供對象。如圖4所示，本步驟包括如下3個子步驟：

步驟S201，根據大型船只的尺寸確定多尺度分割中的尺度參數，即確定用于對象合并的閾值。

步驟S202，首先將熱紅外影像中的每個像素作為獨立的對象，任意選擇相鄰的兩個對象，進行試探性合并，試探性合并的處理為：計算兩個對象的擬合度，當擬合度滿足合并條件，即小于設定的尺度參數，則進行真正的合并而且合并后的像素作為一個新對象，否則不合并。

擬合度包括光譜擬合度f_c和形狀擬合度f_s兩類，通常計算的兩個對象的擬合度是光譜擬合度和形狀擬合度的加權和：

f＝w_cf_c+(1-w_c)f_s (1)

其中，w_c為光譜擬合度的權重。

無論是光譜擬合度還是形狀擬合度，計算公式相同，都是通過對象的異質性計算得到，擬合度f_diff計算公式如下：

其中，h₁、h₂分別為兩對象的異質性，h_m為試探性合并生成的對象的異質性，n₁、n₂分別為兩對象的面積。

對于光譜擬合度，需要計算光譜異質性，光譜異質性的計算公式如下：

h_c＝σ_n (3)

其中，h_c為對象的光譜異質性，σ_n為灰度的標準差。

對于形狀擬合度，需要計算形狀異質性，形狀異質性包括光滑度h_sm和緊湊度h_cm兩個參量，計算公式如下：

其中，l為對象的周長，b為對象最小外接矩形的周長，n為對象的面積。

對象的形狀異質性可以表達為光滑度和緊湊度的加權和：

h_s＝w_smh_sm+(1-w_sm)h_cm (6)

其中，w_sm為光滑度的權重。

步驟S203，選取第二對相鄰對象進行試探性合并，循環選取不同的相鄰對象進行試探性合并，直至沒有對象可以繼續合并。

步驟S30，對象特征提取。

本步驟對步驟S2分割得到的每一個對象，分別計算其亮度和幾何特征，為后續分類檢測做準備。如圖5所示，本步驟包括如下兩個子步驟：

步驟S301，在熱紅外影像上，大型船只目標通常與海面有較大的亮度差異，而對象內部各像素差異較小，因此可以計算對象的亮度特征，即灰度平均值，利用本步驟計算得到的亮度特征在步驟S40中剔除海面，獲取海面上孤立對象。

計算對象的亮度特征m_g公式如下：

其中，I為對象內各像素的灰度，N為對象的像素數。

步驟S302，對于海面上的孤立對象，針對大型船只目標，可以利用對象的幾何特征將其檢測出來。其中，幾何特征主要分為兩類，第一類為與尺寸相關的幾何特征，該類特征可描述對象的幾何尺寸，用于在步驟S40中找到尺寸相近的對象；第二類為與形狀相關的幾何特征，該類特征可描述對象的幾何形狀，用于在步驟S40中將形狀差異較大的對象剔除出去。計算對象的幾何特征包括：

1)面積S

S＝a·N (8)

其中，a為單個像素代表的面積，N為對象像素數。

面積是重要特征之一，有利于區分大型船只目標與一般艦船。大型船只甲板有較為固定的面積，通常在17000m²到25000m²之間。

2)邊長L

L＝l·N (9)

其中，l為單個像素的邊長，N為對象邊界包含的像素個數。

邊長是表征尺寸的特征，大型船只目標對象通常在700m到880m之內。

3)長軸長L_max與短軸長L_min

即對象外接矩形的長和寬，有利于區分大型船只目標與其他相似目標。大型船只目標對象長軸長通常在250m到380m之內，短軸長通常在50m到100m之內。

4)緊密度C

其中，S為對象面積，L為對象邊長。

表征形狀緊湊程度的特征，圓是緊密度最高的形狀，緊密度為1/π。大型船只目標對象緊密度通常在0.18到0.23之內。

5)凸度Con

其中，l為對象凸包長度，L為對象邊長。

表征形狀凹凸程度的特征，沒有洞的凸多邊形凸度為1。大型船只目標對象的凸度通常小于等于1.19。

6)完整度So

其中，S為對象面積，s為對象凸包面積。

表征形狀完整程度的特征，沒有洞的凸多邊形完整度為1，凹多邊形完整度小于1。大型船只目標對象的完整度通常在0.80到0.96之內。

7)圓度R

其中，S為對象面積，L_max為對象長軸長。

表征形狀與圓形的相似程度的特征，圓的圓度為1。大型船只目標對象的圓度通常在0.17到0.26之間。

8)形狀因子F

其中，S為對象面積，L為對象周長。

表征形狀復雜程度的特征，圓的形狀因子為1。大型船只目標對象的形狀因子通常在0.32到0.47之間。

9)延伸率E

其中，L_max為對象長軸長，L_min為對象短軸長。

即長寬比，是檢測艦船目標的重要特征。大型船只目標對象的延伸率通常在3.40到4.80之間。

10)矩形度Rec

其中，S為對象面積，L_max為對象長軸長，L為對象短軸長。

表征形狀與矩形的相似程度的特征，矩形的矩形度為1。大型船只目標對象的矩形度通常在0.60到0.75之間。

步驟S40，決策樹分類。

本步驟利用由步驟S3計算得到的各對象的幾方面特征，根據針對大型船只目標訓練的分類規則的決策樹，對各對象進行分類，以判斷各對象是否為大型船只目標。如圖6所示，本步驟包括如下3個子步驟：

步驟S401，根據熱紅外影像中海面像素的亮度情況，設定亮度閾值，通過閾值分割將海面上的對象與海面區分開來。

步驟S402，將對象及其計算出來的幾何特征，帶入針對大型船只目標訓練的決策樹分類規則，進行分類判斷。只有所有特征都滿足決策樹分類規則的對象，才被分類為大型船只對象。

其中，面積特征值優選為10000m²≤S≤25000m²，面積處于這個數值范圍的對象繼續進行下一特征值比較，面積不在這個數值范圍內的對象被剔除；邊長特征值優選為500m≤L≤880m，邊長處于這個數值范圍的對象繼續進行下一特征值比較，邊長不在這個數值范圍內的對象被剔除；長軸長度特征值優選為100m≤L_max≤380m，長軸長度處于這個數值范圍的對象繼續進行下一特征值比較，長軸長度不在這個數值范圍內的對象被剔除；短軸長度特征值優選為80m≤L_min≤150m，短軸長度處于這個數值范圍的對象繼續進行下一特征值比較，短軸長度不在這個數值范圍內的對象被剔除；緊密度特征值優選為0.18≤C≤0.23，緊密度處于這個數值范圍的對象繼續進行下一特征值比較，緊密度不在這個數值范圍內的對象被剔除；凸度特征值優選為Con≤1.19，凸度處于這個數值范圍的對象繼續進行下一特征值比較，凸度不在這個數值范圍內的對象被剔除；完整度特征值優選為0.80≤So≤0.96，完整度處于這個數值范圍的對象繼續進行下一特征值比較，完整度不在這個數值范圍內的對象被剔除；圓度特征值優選為0.17≤R≤0.26，圓度處于這個數值范圍的對象繼續進行下一特征值比較，圓度不在這個數值范圍內的對象被剔除；形狀因子特征值優選為0.32≤F≤0.47，形狀因子處于這個數值范圍的對象繼續進行下一特征值比較，形狀因子不在這個數值范圍內的對象被剔除；延伸率特征值優選為3.40≤E≤4.80，延伸率處于這個數值范圍的對象繼續進行下一特征值比較，延伸率不在這個數值范圍內的對象被剔除；矩形度特征值優選為0.60≤Rec≤0.75，矩形度處于這個數值范圍的對象被判斷為大型船只目標，矩形度不在這個數值范圍內的對象被剔除。

上述決策樹中各個特征的比較的具體順序只是為了說明方便而舉的一個例子，實際上決策樹中各個特征之間的順序可以任意調換。另外，決策樹中任意個特征可以替換為其他特征，并且特征的數量也可以增加或減少。

步驟S403，將檢測到的大型船只目標對象進行邊界矢量化，輸出并疊加在熱紅外影像上，即完成大型船只目標的檢測。

顯然，本領域的技術人員可以對本發明進行各種改動和變型而不脫離本發明的精神和范圍。這樣，倘若本發明的這些修改和變型屬于本發明權利要求及其等同技術的范圍之內，則本發明也意圖包含這些改動和變型在內。