一种低分辨广域序列遥感影像船动目标实时检测算法制造技术

本发明专利技术公开了一种低分辨广域序列遥感影像船动目标实时检测算法，属于光学遥感影像数据处理技术领域。主要包括获取低分辨广域图像数据，并利用形态学重构算法进行图像增强；对图像增强后的图像数据进行自适应阈值分割；对分割后的二值图像进行连通域标记，根据连通域标记结果，获取一级疑似目标集合；对一级疑似目标集合，进行灰度特征计算，进行基于SVM的二分类计算，获取二级疑似目标集合；根据二级疑似目标集合中船动目标前后帧的相关性，获取三级疑似目标集合；针对三级疑似目标集合，采用S

【技术实现步骤摘要】
一种低分辨广域序列遥感影像船动目标实时检测算法


[0001]本专利技术涉及光学遥感影像数据处理
，更具体的说是涉及一种低分辨广域序列遥感影像船动目标实时检测算法。

技术介绍

[0002]以海上船目标检测识别为代表的光学遥感影像数据处理技术，已经成为当前星地一体化智能应用的核心关键，在渔业管理、海上救援、区域监测得到了广泛的应用。长期以来，船目标实时检测主要依赖于高分系列遥感卫星，但存在任务需求单位多、成像位置时间差异大、卫星任务规划难的问题，成像过程受到昼夜、云层、晨昏光暗因素干扰，一些实时观测需求难以满足。
[0003]近些年涌现出的一批民用遥感小卫星，有效填补了成像应用任务的缺口。相比于大平台高分系列卫星，小卫星成像分辨率较低、平均清晰度不高、平台稳定度性能一般，导致了所产生的原始图像产品质量不高。但考虑到时间
‑
空间覆盖率，以及紧急情况下的应用需求，低分辨广域海域的遥感影像能够有效展示目标周边状态，且序列图像能够展现目标自身运动信息，在实时应用场景中受到了广泛关注。
[0004]米级/十米级分辨率图像中，中小型船只呈现出楔形高斯状灰度分布，目标纹理细节消失只保留船体外观轮廓，从细节特征及目标周边上下文难以具体确认是否为船只。低分辨场景下，海况趋于平缓、船只拖尾痕迹难以识别，碎云所形成的类似船体形状对降低虚警造成了极大的影响。图像序列能够根据运动信息对虚警进行剔除，但需要考虑前后帧稀疏配准信息下的低置信度帧间目标关联如何处理，结合目标自身运动特征形成轨迹信息。
[0005]以往的遥感船动目标检测算法主要集中于基于机器学习、深度学习的识别分类，然而低分辨率数据难以形成准确的特征或纹理细节训练数据集，同时由于传动目标与虚警统计特性基本趋于一致导致部分虚警很难通过积累数据的方法实现剔除。深度卷积网络能够有效完成遥感图像的目标检测、语义分割及补全生成，但也面临着大幅宽数据无法实时处理、低分辨数据难以准确识别的问题。特别是面临背景碎云较多的场景，低分辨数据仅能依靠轮廓和目标灰度大致分布来区分目标，传统CNN算法往往会得到大量疑似船目标的虚警。
[0006]因此，如何提高遥感影像船动目标检测效率，有效剔除船只疑似目标虚警是本领域技术人员亟需解决的问题。

技术实现思路

[0007]有鉴于此，本专利技术提供了一种低分辨广域序列遥感影像船动目标实时检测算法，通过船动目标在大数据中的关联以及船只运动状态剔除虚警。
[0008]为了实现上述目的，本专利技术采用如下技术方案：一种低分辨广域序列遥感影像船动目标实时检测算法，包括以下步骤：S1、获取低分辨广域图像数据，并对所述低分辨广域图像数据利用形态学重构算
法进行图像增强；S2、对图像增强后的低分辨广域图像数据进行自适应阈值分割，获取分割后的二值图像；S3、对二值图像进行连通域标记，根据连通域标记结果，获取一级疑似目标集合；S4、对一级疑似目标集合中的所有目标，进行灰度特征计算，并根据灰度特征进行基于SVM的二分类计算，获取二级疑似目标集合；S5、根据二级疑似目标集合中船动目标前后帧的相关性，获取三级疑似目标集合；S6、针对三级疑似目标集合，采用S
‑
Yolo算法，进行进一步特征识别，获取四级疑似目标集合，得到最终的遥感影像船动目标。
[0009]优选的，步骤S1中利用形态学重构算法进行图像增强，具体包括，根据低分辨广域图像数据，获取大小为M
×
N的图像矩阵I并进行迭代Top
‑
Hat变换： I
m+1 =
(OTH
β
(x，y)μ1+CTH
β
(x，y)μ2）其中，OTH
β
(x，y)=( I
m
‑ꢀ
(I
m
Θβ )
⊕
β)(x,y)；CTH
β
(x，y)=((I
m
⊕
β )Θβ
‑ꢀ
I
m
)(x,y)；式中，β代表正方形全1结构元素，x，y分别表示图像矩阵中像素点的横纵坐标，x∈[0, M
ꢀ‑ꢀ
1]，y∈[0, N
ꢀ‑ꢀ
1]，m表示当前迭代次数，m∈[0, R
ꢀ‑ꢀ
1]，R代表迭代总次数，OTH和CTH分别代表正Top
‑
Hat变换和逆Top
‑
Hat变换，
⊕
代表膨胀操作，Θ代表腐蚀操作，μ1和μ2分别代表正Top
‑
Hat变换的权重参数和逆Top
‑
Hat变换的权重参数。
[0010]优选的，步骤S2，具体包括，S21、针对图像增强后的低分辨广域图像数据，获取目标窗口T
b
、保护窗口P和背景窗口B，其中，所述目标窗口T
b
包括待检测目标的灰度信息；所述保护窗口P包括待检测目标与背景过度之间的灰度信息，用于保护待检测目标弥散部分不被统计到背景窗口；所述背景窗口涵盖海面噪声信息；S22、根据目标窗口T
b
的均值μ
Tb
和背景窗口B的均值μ
B
进行阈值分割，获取二值图像:,式中，T
Thr
为二值化比较阈值。
[0011]优选的，步骤S21中，目标窗口T
b
检测到目标的判断依据是目标区域重构增强结果的均值信噪比δ
e
满足：优选的，步骤S3具体包括：S31、对二值图像Y
b
(x,y)进行连通域标记得到连通域集合其中，G表示连通域集合中的区域个数，表示第i个区域x坐标的序列集合，表示第i个区域y坐标的序列集合；S32、根据连通域集合中每个连通区域的面积大小进行筛选，获取一级疑似目标集
合：其中，φ表示空，S
low
=5和S
high
=100分别表示面积阈值的下限和上限，Area
i
代表一级疑似目标集合中第i个目标区域A
i
的面积大小。
[0012]优选的，步骤S4中对一级疑似目标集合中的所有目标，进行灰度特征计算，具体包括：S411、对任一一级疑似目标集合中的目标区域，以区域质心为中心，提取长度为52像素的正方形切片，进行S
‑
HOG特征计算；S412：将每个正方形切片分割成若干大小为13*13像素Cell，将分割的每个Cell的梯度方向分为8个方向，计算每个Cell位于同一方向梯度的梯度幅值，获取8维的Cell特征向量；S413：将每相邻4个Cell的特征向量组合成一个Block的特征向量；S414：将每个Block的特征向量进行合并获取每个正方形切片的特征向量，并获取每个正方形切片的特征向量对应的特征值。
[0013]优选的，步骤S4中根据灰度特征进行基于SVM的二分类计算，获取二级疑似目标集合，具体包括：S421、输入待训练的特征值，本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种低分辨广域序列遥感影像船动目标实时检测算法，其特征在于，所述算法包括以下步骤：S1、获取低分辨广域图像数据，并对所述低分辨广域图像数据利用形态学重构算法进行图像增强；S2、对图像增强后的低分辨广域图像数据进行自适应阈值分割，获取分割后的二值图像；S3、对二值图像进行连通域标记，根据连通域标记结果，获取一级疑似目标集合；S4、对一级疑似目标集合中的所有目标，进行灰度特征计算，并根据灰度特征进行基于SVM的二分类计算，获取二级疑似目标集合；S5、根据二级疑似目标集合中船动目标前后帧的相关性，获取三级疑似目标集合；S6、针对三级疑似目标集合，采用S
‑
Yolo算法，进行进一步特征识别，获取四级疑似目标集合，得到最终的遥感影像船动目标。2.根据权利要求1所述的低分辨广域序列遥感影像船动目标实时检测算法，其特征在于，步骤S1中利用形态学重构算法进行图像增强，具体包括，根据低分辨广域图像数据，获取大小为M
×
N的图像矩阵I并进行迭代Top
‑
Hat变换：I
m+1 =
(OTH
β
(x，y)μ1+CTH
β
(x，y)μ2）其中，OTH
β
(x，y)=( I
m
‑ꢀ
(I
m
Θβ )
⊕
β)(x,y)；CTH
β
(x，y)=((I
m
⊕
β )Θβ
‑ꢀ
I
m
)(x,y)；式中，β代表正方形全1结构元素，x，y分别表示图像矩阵中像素点的横纵坐标，x∈[0, M
ꢀ‑ꢀ
1]，y∈[0, N
ꢀ‑ꢀ
1]，m表示当前迭代次数，m∈[0, R
ꢀ‑ꢀ
1]，R代表迭代总次数，OTH和CTH分别代表正Top
‑
Hat变换和逆Top
‑
Hat变换，
⊕
代表膨胀操作，Θ代表腐蚀操作，μ1和μ2分别代表正Top
‑
Hat变换的权重参数和逆Top
‑
Hat变换的权重参数。3.根据权利要求2所述的低分辨广域序列遥感影像船动目标实时检测算法，其特征在于，步骤S2，具体包括，S21、针对图像增强后的低分辨广域图像数据，获取目标窗口T
b
、保护窗口P和背景窗口B，其中，所述目标窗口T
b
包括待检测目标的灰度信息；所述保护窗口P包括待检测目标与背景过度之间的灰度信息，用于保护待检测目标弥散部分不被统计到背景窗口；所述背景窗口涵盖海面噪声信息；S22、根据目标窗口T
b
的均值μ
Tb
和背景窗口B的均值μ
B
进行阈值分割，获取二值图像:,式中，T
Thr
为二值化比较阈值。4.根据权利要求3所述的低分辨广域序列遥感影像船动目标实时检测算法，其特征在于，步骤S21中，目标窗口T
b
检测到目标的判断依据是目标区域重构增强结果的均值信噪比δ
e
满足：。5.根据权利要求4所述的低分辨广域序列遥感影像船动目标实时检测算法，其特征在
于，步骤S3具体包括：S31、对二值图像Y
b
(x,y)进行连通域标记得到连通域集合其中，G表示连通域集合中的区域个数，表示第i个区域x坐标的序列集合，表示第i个区域y坐标的序列集合；S32、...

【专利技术属性】
技术研发人员：黄丹，禹霁阳，沈平生，李金洋，罗华军，张顺利，
申请(专利权)人：重庆高新区飞马创新研究院，
类型：发明
国别省市：