基于多特征融合的热红外遥感影像的海上动目标检测方法与流程

本发明涉及一种遥感检测方法，尤其涉及一种基于高分辨率热红外遥感影像的海上运动目标检测方法。

背景技术：

目前，国内外以海上运动目标例如船只为对象的遥感检测主要基于高分辨率可见/近红外多光谱影像进行，影像分辨率造成对海上运动目标检测能力不足而且目视解译困难，另外，可见/近红外多光谱遥感数据源最大的缺点在于夜间无法成像，不能在夜间对海上运动目标进行检测。

技术实现要素：

为了克服上述现有技术的不足，本发明要解决的技术问题是提供一种通过热红外影像上海上运动目标区别于其他对象的特征将海上运动目标提取出来的基于多特征融合的热红外遥感影像的海上运动目标检测方法。

为解决上述技术问题，本发明采用如下技术方案：

提出一种基于多特征融合的热红外遥感影像的海上运动目标检测方法。该方法包括如下步骤：

对热红外影像进行海陆分割获得海域影像；

利用先验分割参数对海域影像进行多尺度分割得到对象；

提取分割得到的对象的亮度和几何特征；以及

通过将对象的亮度和几何特征分别对照训练得到的对应的分类规则对对象进行决策树分类，从而实现海上运动目标的检测。

对于上述基于多特征融合的热红外遥感影像的海上运动目标检测方法，对热红外影像进行海陆分割获得海域影像进一步包括：根据同一地理区域的可见光影像中海域和陆地的区分勾画出海面部分，并将海面部分作为海陆掩膜影像，将该可见光影像与对应的热红外影像配准，利用海陆掩膜影像对热红外影像进行掩膜，获取海面热红外影像。

对于上述基于多特征融合的热红外遥感影像的海上运动目标检测方法，利用先验分割参数对海域影像进行多尺度分割得到对象进一步包括：

根据要检测的海上运动目标的尺寸确定多尺度分割中的尺度参数，即确定用于对象合并的阈值；

首先将热红外影像中的每个像素作为独立的对象，任意选择相邻的两个对象进行试探性合并，试探性合并的具体处理为：计算两个对象的拟合度并与合并条件比较，如果两个对象的拟合度满足尺度参数，则进行真正的合并而且合并后的像素作为一个新对象，否则不合并；

选取下一对相邻对象进行试探性合并，循环选取不同的相邻对象进行试探性合并直至所有相邻对象都进行过试探性合并。

对于上述基于多特征融合的热红外遥感影像的海上运动目标检测方法，两个对象的拟合度包括光谱拟合度和/或形状拟合度。

对于上述基于多特征融合的热红外遥感影像的海上运动目标检测方法，亮度特征是对象的灰度平均值。

对于上述基于多特征融合的热红外遥感影像的海上运动目标检测方法，几何特征是对象的尺寸特征和/或形状特征。

对于上述基于多特征融合的热红外遥感影像的海上运动目标检测方法，尺寸特征包括对象的面积、周长以及长轴长度和短轴长度中任意个特征。

对于上述基于多特征融合的热红外遥感影像的海上运动目标检测方法，形状特征包括紧密度、凸度、完整度、圆度、形状因子、延伸率、以及矩形度中任意个特征。

对于上述基于多特征融合的热红外遥感影像的海上运动目标检测方法，实现海上运动目标的检测进一步包括：将检测到的海上运动目标对象进行边界矢量化，输出并叠加在热红外影像上。

对于上述基于多特征融合的热红外遥感影像的海上运动目标检测方法，海上运动目标是船只。

与现有技术相比，本发明技术方案主要的优点如下：

与现有的海上运动目标检测方法相比，本发明利用热红外遥感影像作为数据源，能够弥补可见/近红外多光谱影像夜间失效、SAR影像目视解译困难且处理步骤复杂等现有方法的缺点，有利于对检测结果的检验，进一步提高信息准确性；基于检测得到的海上运动目标提取得到的温度信息，有利于对海上运动目标的状态进行判别。

本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。

附图说明

通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本发明的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：

图1是本发明所述的基于多特征融合的热红外遥感影像的海上运动目标检测方法的流程图；

图2是本发明以大型船只为例的实施例所述的基于多特征融合的热红外遥感影像的海上运动目标检测方法的流程图；

图3是图2中步骤S10的处理过程的流程图；

图4是图2中步骤S20的处理过程的流程图；

图5是图2中步骤S30的处理过程的流程图；

图6是图2中步骤S40的处理过程的流程图。

具体实施方式

下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本公开，并且能够将本公开的范围完整地传达给本领域的技术人员。

本发明的原理是由于海水与运动目标相比比热较大，使得热红外影像上海面的亮度与运动目标的亮度明显不同，且海面亮度较均一，因此可以利用亮度特征实现海面物体与海面的区分。

如图1所示，本发明一个实施例所述的基于多特征融合的热红外遥感影像的海上运动目标检测方法包括如下步骤：

步骤S1，对热红外影像进行海陆分割获得海域影像。具体过程如下：

根据同一地理区域的可见光影像中海域和陆地的区分勾画出海面部分，并将海面部分作为海陆掩膜影像，将该可见光影像与对应的热红外影像配准，利用海陆掩膜影像对热红外影像进行掩膜，获取海面热红外影像。

步骤S2，利用先验分割参数对海域影像进行多尺度分割得到对象。具体过程如下：

根据要检测的海上运动目标的尺寸确定多尺度分割中的尺度参数，即确定用于对象合并的阈值。首先将热红外影像中的每个像素作为独立的对象，任意选择相邻的两个对象进行试探性合并，试探性合并的具体处理为：计算两个对象的拟合度并与合并阈值比较，如果两个对象的拟合度满足合并条件即满足尺度参数，则进行真正的合并而且合并后的像素作为一个新对象，否则不合并。选取下一对相邻对象进行试探性合并，循环选取不同的相邻对象进行试探性合并直至所有相邻对象都进行过试探性合并。其中，拟合度包括光谱拟合度和/或形状拟合度。

步骤S3，提取分割得到的对象的亮度和几何特征。具体过程如下：

对步骤S2分割得到的各个对象分别计算亮度和几何特征，为后续分类检测做准备。其中，亮度特征优选为对象的灰度平均值。几何特征可以是尺寸特征和/或形状特征。尺寸特征包括对象的面积、周长以及长轴长度和短轴长度中任意个特征。形状特征包括紧密度、凸度、完整度、圆度、形状因子、延伸率、以及矩形度中任意个特征。

步骤S4，通过将得到的分割对象的亮度和几何特征分别对照训练得到的对应的分类规则对分割对象进行决策树分类，从而实现海上运动目标的检测。具体过程如下：

利用由步骤S3计算得到的各对象的各方面特征，对照针对预定的海上运动目标训练的分类规则，对各对象进行决策树分类，以判断各对象是否为预定的海上运动目标。其中，特征分类规则是通过特征值优选得到的。将检测到的海上运动目标对象进行边界矢量化，输出并叠加在热红外影像上，即完成海上运动目标的检测。

下面，以海上运动目标为大型船只来举例说明本发明的技术方案。

如图2所示，该实施例所述的基于多特征融合的热红外遥感影像的海上运动目标检测方法包括如下步骤：

步骤S10，海陆分割。

本步骤利用先验的海陆数据对热红外影像进行海陆分割。如图3所示，本步骤包括如下3个子步骤：

步骤S101，对大型船只母港的高分辨率可见光影像进行目视解译，勾画出其中的海面部分作为海陆掩膜影像，并保证可见光影像与海陆掩膜影像具有相同的地理信息。

步骤S102，选择适量控制点将热红外影像与可见光影像进行配准。

步骤S103，利用海陆掩膜影像对热红外影像进行掩膜，获取海面热红外影像。

步骤S20，先验知识约束的多尺度影像分割。

本步骤对步骤S1中获取的热红外海面影像进行多尺度影像分割，将海面影像分割为独立对象，目的是为特征提取和大型船只检测提供对象。如图4所示，本步骤包括如下3个子步骤：

步骤S201，根据大型船只的尺寸确定多尺度分割中的尺度参数，即确定用于对象合并的阈值。

步骤S202，首先将热红外影像中的每个像素作为独立的对象，任意选择相邻的两个对象，进行试探性合并，试探性合并的处理为：计算两个对象的拟合度，当拟合度满足合并条件，即小于设定的尺度参数，则进行真正的合并而且合并后的像素作为一个新对象，否则不合并。

拟合度包括光谱拟合度f_c和形状拟合度f_s两类，通常计算的两个对象的拟合度是光谱拟合度和形状拟合度的加权和：

f＝w_cf_c+(1-w_c)f_s (1)

其中，w_c为光谱拟合度的权重。

无论是光谱拟合度还是形状拟合度，计算公式相同，都是通过对象的异质性计算得到，拟合度f_diff计算公式如下：

其中，h₁、h₂分别为两对象的异质性，h_m为试探性合并生成的对象的异质性，n₁、n₂分别为两对象的面积。

对于光谱拟合度，需要计算光谱异质性，光谱异质性的计算公式如下：

h_c＝σ_n (3)

其中，h_c为对象的光谱异质性，σ_n为灰度的标准差。

对于形状拟合度，需要计算形状异质性，形状异质性包括光滑度h_sm和紧凑度h_cm两个参量，计算公式如下：

其中，l为对象的周长，b为对象最小外接矩形的周长，n为对象的面积。

对象的形状异质性可以表达为光滑度和紧凑度的加权和：

h_s＝w_smh_sm+(1-w_sm)h_cm (6)

其中，w_sm为光滑度的权重。

步骤S203，选取第二对相邻对象进行试探性合并，循环选取不同的相邻对象进行试探性合并，直至没有对象可以继续合并。

步骤S30，对象特征提取。

本步骤对步骤S2分割得到的每一个对象，分别计算其亮度和几何特征，为后续分类检测做准备。如图5所示，本步骤包括如下两个子步骤：

步骤S301，在热红外影像上，大型船只目标通常与海面有较大的亮度差异，而对象内部各像素差异较小，因此可以计算对象的亮度特征，即灰度平均值，利用本步骤计算得到的亮度特征在步骤S40中剔除海面，获取海面上孤立对象。

计算对象的亮度特征m_g公式如下：

其中，I为对象内各像素的灰度，N为对象的像素数。

步骤S302，对于海面上的孤立对象，针对大型船只目标，可以利用对象的几何特征将其检测出来。其中，几何特征主要分为两类，第一类为与尺寸相关的几何特征，该类特征可描述对象的几何尺寸，用于在步骤S40中找到尺寸相近的对象；第二类为与形状相关的几何特征，该类特征可描述对象的几何形状，用于在步骤S40中将形状差异较大的对象剔除出去。计算对象的几何特征包括：

1)面积S

S＝a·N (8)

其中，a为单个像素代表的面积，N为对象像素数。

面积是重要特征之一，有利于区分大型船只目标与一般舰船。大型船只甲板有较为固定的面积，通常在17000m²到25000m²之间。

2)边长L

L＝l·N (9)

其中，l为单个像素的边长，N为对象边界包含的像素个数。

边长是表征尺寸的特征，大型船只目标对象通常在700m到880m之内。

3)长轴长L_max与短轴长L_min

即对象外接矩形的长和宽，有利于区分大型船只目标与其他相似目标。大型船只目标对象长轴长通常在250m到380m之内，短轴长通常在50m到100m之内。

4)紧密度C

其中，S为对象面积，L为对象边长。

表征形状紧凑程度的特征，圆是紧密度最高的形状，紧密度为1/π。大型船只目标对象紧密度通常在0.18到0.23之内。

5)凸度Con

其中，l为对象凸包长度，L为对象边长。

表征形状凹凸程度的特征，没有洞的凸多边形凸度为1。大型船只目标对象的凸度通常小于等于1.19。

6)完整度So

其中，S为对象面积，s为对象凸包面积。

表征形状完整程度的特征，没有洞的凸多边形完整度为1，凹多边形完整度小于1。大型船只目标对象的完整度通常在0.80到0.96之内。

7)圆度R

其中，S为对象面积，L_max为对象长轴长。

表征形状与圆形的相似程度的特征，圆的圆度为1。大型船只目标对象的圆度通常在0.17到0.26之间。

8)形状因子F

其中，S为对象面积，L为对象周长。

表征形状复杂程度的特征，圆的形状因子为1。大型船只目标对象的形状因子通常在0.32到0.47之间。

9)延伸率E

其中，L_max为对象长轴长，L_min为对象短轴长。

即长宽比，是检测舰船目标的重要特征。大型船只目标对象的延伸率通常在3.40到4.80之间。

10)矩形度Rec

其中，S为对象面积，L_max为对象长轴长，L为对象短轴长。

表征形状与矩形的相似程度的特征，矩形的矩形度为1。大型船只目标对象的矩形度通常在0.60到0.75之间。

步骤S40，决策树分类。

本步骤利用由步骤S3计算得到的各对象的几方面特征，根据针对大型船只目标训练的分类规则的决策树，对各对象进行分类，以判断各对象是否为大型船只目标。如图6所示，本步骤包括如下3个子步骤：

步骤S401，根据热红外影像中海面像素的亮度情况，设定亮度阈值，通过阈值分割将海面上的对象与海面区分开来。

步骤S402，将对象及其计算出来的几何特征，带入针对大型船只目标训练的决策树分类规则，进行分类判断。只有所有特征都满足决策树分类规则的对象，才被分类为大型船只对象。

其中，面积特征值优选为10000m²≤S≤25000m²，面积处于这个数值范围的对象继续进行下一特征值比较，面积不在这个数值范围内的对象被剔除；边长特征值优选为500m≤L≤880m，边长处于这个数值范围的对象继续进行下一特征值比较，边长不在这个数值范围内的对象被剔除；长轴长度特征值优选为100m≤L_max≤380m，长轴长度处于这个数值范围的对象继续进行下一特征值比较，长轴长度不在这个数值范围内的对象被剔除；短轴长度特征值优选为80m≤L_min≤150m，短轴长度处于这个数值范围的对象继续进行下一特征值比较，短轴长度不在这个数值范围内的对象被剔除；紧密度特征值优选为0.18≤C≤0.23，紧密度处于这个数值范围的对象继续进行下一特征值比较，紧密度不在这个数值范围内的对象被剔除；凸度特征值优选为Con≤1.19，凸度处于这个数值范围的对象继续进行下一特征值比较，凸度不在这个数值范围内的对象被剔除；完整度特征值优选为0.80≤So≤0.96，完整度处于这个数值范围的对象继续进行下一特征值比较，完整度不在这个数值范围内的对象被剔除；圆度特征值优选为0.17≤R≤0.26，圆度处于这个数值范围的对象继续进行下一特征值比较，圆度不在这个数值范围内的对象被剔除；形状因子特征值优选为0.32≤F≤0.47，形状因子处于这个数值范围的对象继续进行下一特征值比较，形状因子不在这个数值范围内的对象被剔除；延伸率特征值优选为3.40≤E≤4.80，延伸率处于这个数值范围的对象继续进行下一特征值比较，延伸率不在这个数值范围内的对象被剔除；矩形度特征值优选为0.60≤Rec≤0.75，矩形度处于这个数值范围的对象被判断为大型船只目标，矩形度不在这个数值范围内的对象被剔除。

上述决策树中各个特征的比较的具体顺序只是为了说明方便而举的一个例子，实际上决策树中各个特征之间的顺序可以任意调换。另外，决策树中任意个特征可以替换为其他特征，并且特征的数量也可以增加或减少。

步骤S403，将检测到的大型船只目标对象进行边界矢量化，输出并叠加在热红外影像上，即完成大型船只目标的检测。

显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。