基于红外图像的海面舰船检测方法技术

本发明专利技术公开一种基于红外图像的海面舰船检测方法，探测精度高、虚警率低、鲁棒性强。本发明专利技术的海面舰船检测方法，包括如下步骤：(10)红外图像预处理：对红外探测器采集到的包含舰船的海面图像进行预处理；(20)Dot

【技术实现步骤摘要】
基于红外图像的海面舰船检测方法


[0001]本专利技术属于红外目标探测
，特别是一种探测精度高、虚警率低、鲁棒性强的基于红外图像的海面舰船检测方法。

技术介绍

[0002]海洋舰船的检测跟踪与识别一直是军事及民用领域的热点研究问题，应用场景涉及捕捞监控、海面交通管制以及遇难船只救援等多个方面。近年来，搭载光学传感器的卫星、无人机获得的红外图像空间分辨率和光谱分辨率都越来越高，但也正由于获取的影像数据量加大、场景愈发复杂，舰船信号易被淹没在噪声信号中。
[0003]为有效检测海洋舰船，业界趋向于选取尺寸相对较大、不易隐藏的舰船尾迹特征作为辅助特征检测船只，即尾迹检测。与相对成熟的SAR图像舰船尾迹检测相比，基于光学图像的舰船尾迹检测研究起步较晚。在此领域较为知名的研究机构中，国外的如加拿大遥感中心(CCRS)、挪威国防研究中心和欧洲海事安全局(EMSA)等，国内的如国防科技大学和中国科学院等。部分学者在这方面也有了一定的研究成果，如相方莉等人基于小波变换提出了一种舰船尾迹检测方法；赵春晖等人改进CGHT算法，基于图像信息融合检测舰船尾迹。
[0004]当前的尾迹检测方法多是基于拉冬变换或霍夫变换进行一定的改进。其中，霍夫变换是拉东变换的一种特殊情况。但使用拉东变换进行线性特征检测有一些缺点：由于灰度积分是在图像的整个长度上进行的，因此很难检测到明显短于图像尺寸的线段；具备一定曲率的线性特征可能不会在变换域中产生合适的波峰或波谷。当变换应用于具有高噪声水平的图像时，这些问题甚至更为显著。因此现有算法只适用于已经被裁剪成最佳显示感兴趣区域的船舶尾流图像，且要求尾迹线性度好、图像信噪比高。但是，在一个连续分析光学图像数据以搜索船舶尾流的自动化系统中，尾流并不总是能完美覆盖整个图像；海上舰船尾迹特征由于舰船目标形状、尺寸、质量、船速不同具备多样性，空间分辨率、光照条件、拍摄视角、大气状况、海水运动情况等客观环境，也会对舰船及其尾迹特性产生不同程度的影响；海洋背景颇为复杂，耀斑、海洋内波、云层、岛屿、人工建筑、阴影等都会成为干扰项目。
[0005]因此，现有技术存在的问题是：基于红外图像的海面舰船检测普遍存在较高的漏检率和虚警率，检测效率低下，无法适应多种复杂场景，鲁棒性差。

技术实现思路

[0006]本专利技术的目的在于提供一种基于红外图像的海面舰船检测方法，探测精度高、虚警率低、鲁棒性强。
[0007]实现本专利技术目的的技术解决方案为：
[0008]一种基于红外图像的海面舰船检测方法，包括如下步骤：
[0009](10)红外图像预处理：对红外探测器采集到的包含舰船的海面图像进行预处理，所述预处理包括红外图像分辨率调整、灰度拉伸；
[0010](20)Dot
‑
Curve初步定位：基于随机粗糙面理论，采用二维曲率滤波方法，对经预处理的红外图像进行Dot
‑
Curve提取，得到候选目标主副轴；
[0011](30)主副轴修正：基于残差分析理论，对候选目标主副轴的灰度曲线进行拟合，并对候选目标主副轴的位置进行修正；
[0012](40)特征提取：对候选目标进行特征提取，计算候选目标主副轴纹理特性和几何特性参数，包括灰度均值、灰度方差、斜率、线性度，架构特征集；
[0013](50)目标鉴别：比较需求项目和干扰项目的特征参数，对潜在目标进行特征分析，融合多种特征，剔除干扰项目，获得需求目标。
[0014]本专利技术与现有技术相比，其显著优点为：
[0015]1、探测精度高、虚警率低：
[0016]本专利技术方法基于二维曲率滤波，提出了Dot
‑
Curve体系，能够达到更好的目标检测性能。现有的海面舰船尾迹检测方法往往只考虑到尾迹的图像线性检测，对具备一定曲率的尾迹、目标背景对比度不高的弱尾迹检测效率较低，对虚警的抗干扰能力不足。而本方法基于随机粗糙面理论，把图像曲面分解成多组由一维曲线集合表征的Dot和 Curve，可以从物理机理上描述Dot与Curve曲线的各种特性与船只尾迹物理特征之间的联系，较好地区分出目标项目和干扰项目，提高了目标检测性能，达到了更好的目标探测结果，使得探测虚警率低、探测精度高。
[0017]2、鲁棒性强：
[0018]本专利技术方法结合舰船尾迹物理特性和图像特征，不仅能够实现单一波段干净海面场景下的目标检测功能，还能实现不同波段不同空间尺度复杂海面背景下的目标检测功能，因此具有更好的鲁棒性，能够实现多种场景多种波段的红外海面舰船探测功能。有效解决了现有海面舰船检测方法只适用于已经被裁剪成最佳显示感兴趣区域的船舶尾流图像，通常只能实现某种波段下较为简单的海面场景的检测功能的技术问题。
[0019]下面结合附图和具体实施方式对本专利技术作进一步的详细描述。
附图说明
[0020]图1是本专利技术基于红外图像的海面舰船检测方法的主流程图。
[0021]图2是原始红外图像示例图。
[0022]图3是预处理之后的红外图像示例。
[0023]图4是图1中Dot
‑
Curve初步定位步骤的流程图。
[0024]图5是Dot
‑
Curve初步定位之后的图像示例。
[0025]图6是主副轴修正之后的图像示例。
[0026]图7是图1中目标鉴别步骤的流程图。
[0027]图8是目标鉴别后的检测结果示例图。
具体实施方式
[0028]结合图1，本专利技术基于红外图像的海面舰船检测方法，包括如下步骤：
[0029](10)红外图像预处理：对红外探测器采集到的包含舰船的海面图像进行预处理，所述预处理包括红外图像分辨率调整、灰度拉伸；
[0030]通过分辨率调整、灰度拉伸等操作，对红外探测器采集到的包含舰船的复杂海面图像进行预处理，以调整图像尺寸，提高图像目标背景对比度。
[0031]作为原始输入的红外探测器采集到的包含海面舰船及干扰项(岛屿、内波)的红外图像如图2所示。
[0032]所述(10)红外图像预处理步骤包括：
[0033](11)分辨率调整：
[0034]采用如下所示的双线性插值法来完成分辨率调整：
[0035][0036]式中，g(i0,j0)表示原始图像中位置(i0,j0)的灰度值，g(i
′
,j
′
)、g(i
′
+1,j
′
)、 g(i
′
,j
′
+1)、g(i
′
+1,j
′
+1)表示调整后对应四邻点位置灰度值，α、β为插值系数。
[0037]由于探测器获取的影像分辨率较高、数据量较大，在不影响目标特性的条件下调整图像分辨率，可降低运算量，提高检测效率。
[0038](12)灰度拉伸：
[0039]通过如下所示的分段灰度拉伸过程以提高目标本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于红外图像的海面舰船检测方法，其特征在于，包括如下步骤：(10)红外图像预处理：对红外探测器采集到的包含舰船的海面图像进行预处理，所述预处理包括红外图像分辨率调整、灰度拉伸；(20)Dot
‑
Curve初步定位：基于随机粗糙面理论，采用二维曲率滤波方法，对经预处理的红外图像进行Dot
‑
Curve提取，得到候选目标主副轴；(30)主副轴修正：基于残差分析理论，对候选目标主副轴的灰度曲线进行拟合，并对候选目标主副轴的位置进行修正；(40)特征提取：对候选目标进行特征提取，计算候选目标主副轴纹理特性和几何特性参数，包括灰度均值、灰度方差、斜率、线性度，架构特征集；(50)目标鉴别：比较需求项目和干扰项目的特征参数，对潜在目标进行特征分析，融合多种特征，剔除干扰项目，获得需求目标。2.根据权利要求1所述的海面舰船检测方法，其特征在于，所述(10)红外图像预处理步骤包括：(11)分辨率调整：采用如下所示的双线性插值法来完成分辨率调整：式中，g(i0,j0)表示原始图像中位置(i0,j0)的灰度值，g(i
′
,j
′
)、g(i
′
+1,j
′
)、g(i
′
,j
′
+1)、g(i
′
+1,j
′
+1)表示调整后对应四邻点位置灰度值，α、β为插值系数。(12)灰度拉伸：通过如下所示的分段灰度拉伸过程以提高目标与背景的对比度：f＝k
n
×
g+b
n
,a
n
≤g≤b
n (2)，式中，f为拉伸后灰度，g为拉伸前灰度，k
n
、b
n
为拉伸系数，[a
n
,b
n
]为拉伸前灰度区间。3.根据权利要求2所述的海面舰船检测方法，其特征在于，所述(20)Dot
‑
Curve初步定位步骤包括：(21)单向曲率计算：按下式计算目标曲率：Cur＝|f”|
ꢀꢀꢀꢀ
(3)，式中，Cur为曲率，f
″
为图像灰度二阶导数；要想计算目标曲率，就要先计算出一阶导数为0的极值点区域，如下式：然后再计算所得区域内的二阶导数，如下式：式中，(i1,j1)是像素坐标点，ω为方向向量与图像横向的夹角，K2、K3、K4、K5、K6、K7、K8、
K9、K
10
为组合系数；根据Facet模型可知，组合系数K
n
可通过图像计算得到，计算公式为：K
n
＝f(i+r,j+c)*W
n
ꢀꢀꢀꢀ
(6)，式中，*是卷积符号，(r,c)是以像素(i,j)为中心的局部图像的平面坐标，W
n
是卷积核且P
n
(r,c)为离散基底，离散基底的表达式为：{P
n
(r,c)}＝{1,r,c,r...

【专利技术属性】
技术研发人员：钱惟贤，成艳，高丹，陈钱，顾国华，万敏杰，任侃，
申请(专利权)人：上海航天控制技术研究所，
类型：发明
国别省市：