一种光学遥感图像船舶检测方法技术

本发明专利技术涉及一种光学遥感图像船舶检测方法，首先获取具有高空间分辨率的遥感图像，并进行灰度以及平滑滤波处理；接着创建观察模型，利用分层贝叶斯模型将船舶检测问题转化为简单的去噪声问题；然后进行分层贝叶斯模型先验估计；最后采用贝叶斯推理估计目标值。本发明专利技术可以解决复杂背景光谱应用的的局限性，也可以解决利用神经网络学习的前期的大量准备工作问题。

【技术实现步骤摘要】
一种光学遥感图像船舶检测方法
本专利技术涉及船舶检测
，特别是一种光学遥感图像船舶检测方法。
技术介绍
现在大部分对于遥感图像中特定物体检测依靠的是红外光谱或者需要神经网络对大量该物体进行提前学习。如专利201710958291.9中对海上人工设施的识别中，利用高光谱传感器，在光谱域进行提取光谱特征，在图像域提取目标图像特征，该方法适用于背景较为单一的大海上，在港口或陆地区域多光谱图像上会由于干扰因素太多而无法实现。在专利201810254091.X中舰船检测方法中，利用深度学习单步检测器(其原理是卷积神经网络)先对大量含有舰船的光学遥感图像中的舰船目标进行学习，这项操作需要搜集大量图像，而图像的获取并不容易，网上的图像数量有限，不能保证学习效果，而且进行深度学习要花费很长时间，导致前期工作过于繁琐。
技术实现思路
有鉴于此，本专利技术的目的是提出一种光学遥感图像船舶检测方法，可以解决复杂背景光谱应用的的局限性，也可以解决利用神经网络学习的前期的大量准备工作问题。本专利技术采用以下方案实现：一种光学遥感图像船舶检测方法，具体包括以下步骤：步骤S1：获取具有高空间分辨率的遥感图像，并进行灰度以及平滑滤波处理；步骤S2：创建观察模型，利用分层贝叶斯模型将船舶检测问题转化为简单的去噪声问题；步骤S3：进行分层贝叶斯模型先验估计；步骤S4：采用贝叶斯推理估计目标值。进一步地，步骤S2具体包括以下步骤：步骤S21：假设背景与船舶差异向量为：d＝x1-x2；式中，x1对应灰度图像，x2对应x1的低通滤波图像；在检测到船舶边缘时d将具有最大值，包含船舶的区域d将具有较大的值，其他区域值接近于0；步骤S22：建立观察模型：y＝d+n；式中，y为背景噪声向量，n为具有协方差矩阵为的加法高斯噪声向量；其中噪声像素与船舶像素有显著差异，通过观测y推导估计值de；其中，为噪声变量，I为单位对角矩阵。进一步地，步骤S3具体包括以下步骤：步骤S31：设噪声变量服从加法高斯分布，其似然性为式中，y∈RM×N为背景噪声向量，d∈RM×N为背景与船舶差异向量，M表示矩阵的行，N表示矩阵的列；步骤S32：用先验分布估计未知参数向量进一步地，步骤S32具体包括以下步骤：步骤S321：为促进原始信号中目标信号的稀疏性，利用伯努利-拉普拉斯作为先验分布，将图像中非船舶像素设置为0，假设每个像素间具有独立性，先验d为f(d|w,λ)：其中，式中，di是差分图像中像素i对应矢量d的第i个分量，ω是属于[0,1]的权重，λ(λ≥0)是拉普拉斯分布的参数，δ(.)是狄拉克δ函数；步骤S322：利用逆伽马IG先验分布对建模，则先验为式中，Γ(.)代表准伽马函数，α和β分别为形状和比例超参数，且均为正实数；步骤S323：进行超参数先验：定义分层贝叶斯模型，从观测数据中估计超参数Φ{λ,ω}：先验ω反映非零系数，用[0,1]上的均匀分布；先验λ∈[0,+∞]，假设λ～IG(λ|a,b)，若超参数统计独立，则完整超参数先验分布为f(Φ|a,b)；其中，f(Φ|a,b)＝f(λ|a,b)f(ω)，式中，a和b均为超参数，且为了保持非信息先验都需调整至10-3。进一步地，步骤S4具体包括以下步骤：步骤S41：借助马尔科夫链蒙特卡洛MCMC采样技术获得目标后验分布的近似数值；利用吉布斯采样GS方法联合后验分布采样，从而建立推理；需要进行迭代过程，每次迭代都从条件分布采样并为每个变量生成马尔科夫链样本，当该样本值达到稳定时，此时获得的样本全部丢弃，采用余下样本计算目标估计量；步骤S42：使用最大后验分布MAP估计寻求估计量de的最大化后验分布。进一步地，步骤S41中，所述迭代过程通过下列条件后验分布来产生样本：五、通过采样：目标分布结合了似然性和的先验分布：六、通过f(λ|d)采样：λ|d～IG(λ|a+||d||0,b+||d||1)；七、通过f(ω|d)采样：ω|d～B(1+||d||0,1+M×N-||d||0)；式中，B表示贝塔分布；八、通过采样：式中，N+和N-为在实数上的截断高斯分布；权重ωl,i可通过下式计算：式中，μ1,i＝1-ω。进一步地，步骤S42具体包括以下步骤：步骤S421：引入离散变量γi判断每个系数di是否等于0；步骤S422：当di≠0时，估计di的值。本专利技术的方法将船舶检测重新定义，其推理在贝叶斯框架中进行。该模型依赖于目标图像和平滑图像之间的差异图像的定义。使用伯努利-拉普拉斯混合模型对该差分图像进行建模，该混合模型包括伯努利分布以捕获零系数，而非零系数由拉普拉斯分布建模。与现有技术相比，本专利技术有以下有益效果：本专利技术利用分层贝叶斯模型对高空间分辨率光学遥感图像中的船舶进行检测，可以解决复杂背景光谱应用的局限性，也可以解决利用神经网络学习的前期的大量准备工作问题，同时，本专利技术执行贝叶斯推理以基于可靠的先验直接从数据估计模型参数和超参数，无需在地面实况数据集上训练模型。此外，本专利技术利用分层贝叶斯模型进行检测，不需要像利用光谱波段方法时要考虑如何抑制复杂背景，消除了局限性；本专利技术也不需要像利用卷积神经网络学习时那样复杂，不需要对大量样本图像进行学习，而且样本图像本来就难以获取，这就大大简化了操作，节省了时间和资源。本专利技术可以应用在海运交通监控领域，海上救援领域，海上捕鱼，排污等的监管领域，还可以运用在军事侦查和预警，随时掌握敌方海上军事目标的部署情况。附图说明图1为本专利技术实施例的方法流程示意图。具体实施方式下面结合附图及实施例对本专利技术做进一步说明。应该指出，以下详细说明都是示例性的，旨在对本申请提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本申请所属
的普通技术人员通常理解的相同含义。需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本申请的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。如图1所示，本实施例提供了一种光学遥感图像船舶检测方法，具体包括以下步骤：步骤S1：获取具有高空间分辨率的遥感图像，并进行灰度以及平滑滤波处理；步骤S2：创建观察模型，利用分层贝叶斯模型将船舶检测问题转化为简单的去噪声问题；步骤S3：进行分层贝叶斯模型先验估计；步骤S4：采用贝叶斯推理估计目标值。在本实施例中，步骤S2具体包括以下步骤：步骤S21：假设背景与船舶差异向量为：d＝x1-x2；式中，x1对应灰度图像，x2对应x1的低通滤波图像；在检测到船舶边缘时d将具有最大值，包含船舶的区域d将具有较大的值，其他区域值接近于0；步骤S22：建立观察模型：y＝d+n；式中，y为背景噪声向量，n为具有协方差矩阵为的加法高斯噪声向量；其中噪声像素与船舶像素有显著差异，通过观测y推导估计值de；其中，为噪声变量，I为单位对角矩阵。在本实施例中，步骤S3具体包括以下步骤：步骤S31：设噪声变量服从加法高斯分布，其似然性为式中，y∈RM×N为背景噪声向量，d∈RM×N为背景与船舶差异向量，M表示矩阵的行，N表示矩阵的列；步骤S32：用先验分布估计未知参数本文档来自技高网...

【技术保护点】
1.一种光学遥感图像船舶检测方法，其特征在于：包括以下步骤：步骤S1：获取具有高空间分辨率的遥感图像，并进行灰度以及平滑滤波处理；步骤S2：创建观察模型，利用分层贝叶斯模型将船舶检测问题转化为简单的去噪声问题；步骤S3：进行分层贝叶斯模型先验估计；步骤S4：采用贝叶斯推理估计目标值。

【技术特征摘要】
1.一种光学遥感图像船舶检测方法，其特征在于：包括以下步骤：步骤S1：获取具有高空间分辨率的遥感图像，并进行灰度以及平滑滤波处理；步骤S2：创建观察模型，利用分层贝叶斯模型将船舶检测问题转化为简单的去噪声问题；步骤S3：进行分层贝叶斯模型先验估计；步骤S4：采用贝叶斯推理估计目标值。2.根据权利要求1所述的一种光学遥感图像船舶检测方法，其特征在于：步骤S2具体包括以下步骤：步骤S21：假设背景与船舶差异向量为：d＝x1-x2；式中，x1对应灰度图像，x2对应x1的低通滤波图像；在检测到船舶边缘时d将具有最大值，包含船舶的区域d将具有较大的值，其他区域值接近于0；步骤S22：建立观察模型：y＝d+n；式中，y为背景噪声向量，n为具有协方差矩阵为的加法高斯噪声向量；其中噪声像素与船舶像素有显著差异，通过观测y推导估计值de；其中，为噪声变量，I为单位对角矩阵。3.根据权利要求1所述的一种光学遥感图像船舶检测方法，其特征在于：步骤S3具体包括以下步骤：步骤S31：设噪声变量服从加法高斯分布，其似然性为式中，y∈RM×N为背景噪声向量，d∈RM×N为背景与船舶差异向量，M表示矩阵的行，N表示矩阵的列；步骤S32：用先验分布估计未知参数向量4.根据权利要求3所述的一种光学遥感图像船舶检测方法，其特征在于：步骤S32具体包括以下步骤：步骤S321：为促进原始信号中目标信号的稀疏性，利用伯努利-拉普拉斯作为先验分布，将图像中非船舶像素设置为0，假设每个像素间具有独立性，先验d为f(d|w,λ)：其中，式中，di是差分图像中像素i对应矢量d的第i个分量，ω是属于[0,1]的权重，λ(λ≥0)是拉普拉斯分布的参数，δ(.)是狄拉克δ函数；步骤S322：利用逆伽马IG先验分布对建模，则先验为式中...

【专利技术属性】
技术研发人员：周海峰，卢其炎，熊超，王荣杰，陈景锋，陈清林，王佳，宋佳声，吴金地，张兴杰，林忠华，陈雨菡，
申请(专利权)人：集美大学，
类型：发明
国别省市：福建,35