一种基于遥感图像的海面异常漂浮物检测方法
【技术领域】
[0001] 本发明涉及计算机视觉监控技术领域，海上搜救领域，具体涉及用于对海面异常 漂浮物（可能是飞机残骸，或者生还者）的检测方法。
【背景技术】
[0002] 对于在空中解体的飞机，传统的搜救方法是根据飞机失事时所报告的方位，从而 计算出该飞机可能的着陆地点，然后根据这个可能的地点来进行搜救，主要包括海面舰艇 搜救和飞机搜救，这两种方法都依靠人眼的观察。这种方法针对于传统的有着完整的飞机 失事时所提供的方位信息的搜救环境，是非常可行的，但是，对于那些失联客机或者由于飞 机的通讯故障导致搜救队伍无法获取准确的失事时的方位信息的搜救任务，传统的方法就 很难胜任。
[0003] 对于基于图像的异常物体检测和异常物体识别，是计算机视觉领域的比较成熟的 方法，本发明通过将现如今较为成熟的物体检测方法（基于哈尔（haar)特征和级联强分类 器（Adaboost)算法），与线性判别分析（LDA)算法相结合，并结合已知的信息，提供了一种 成本低速度快的异常漂浮物检测方法，从而能够为搜救任务提供一个较为可靠的搜救位置 信息。
【发明内容】
[0004] 本发明所要解决的技术问题是为了克服在传统搜救方法必须依靠飞机失事时所 提供的方位信息的限制，尤其在飞机失事时无法提供准确的方位信息的时候所遇到的搜救 困难，提出了一种基于遥感图像的海面异常漂浮物检测方法。
[0005] 本发明解决其技术问题所采用的技术方案是：
[0006] 一种基于遥感图像的海面异常漂浮物检测方法，包括图像去噪模块，异常物体检 测模块，排除已知信息模块，异常物体识别模块，异常信息汇总模块，输出模块；所述的图像 去噪模块将遥感卫星图像导入到所述的漂浮物检测系统中，使用中值滤波方法对读入遥感 图像进行去噪，并将去噪后的遥感卫星图像传递给异常物体检测模块；所述的异常物体检 测模块将接收到的去噪后的遥感卫星图像使用基于哈尔特征的级联强分类器方法进行异 常物体检测，并将检测出的疑似异常物体所对应的子图像传递给排除已知信息模块；所述 的排除已知信息模块将接收到的异常物体的子图像根据其上附带的方位信息，与在遥感图 像所采集时刻海面上船只所报告的方位进行对比、与海面上岛屿信息作对比、以及其他已 知的海面物体作对比，排除海面上已知的正常信息，将未被排除的异常物体的子图像传递 给异常物体识别模块；所述的异常物体识别模块将接收到异常物体子图像使用线性判别分 析算法进行识别，从而区分出所述的异常物体是未知的合法物体（例如飞鸟，浮于海面的 动物等）还是所要寻找的异常物体，并将异常物体的子图像以及所对应的分类信息传递给 异常信息汇总模块；所述的异常信息汇总模块，将接收到的异常物体的子图像，根据其上所 附带的坐标方位，与原始的遥感图像作对比，由于接收到的子图像之间可能会出现重合，那 么将根据某一区域重合块数的多少以及分类结果给以不同的权值进行合并，并将合并后的 附带权值的图像传递给输出模块；所述的输出模块，将得到的附带权值的图像，根据其上的 权值不同给以不同的颜色，标注颜色依据权重由大到小依次从红色过渡到蓝色，对于权重 为0的区域给以灰色标注。
[0007] 所述的一种基于遥感图像的海面异常漂浮物检测方法，所需的设备为计算机，考 虑到遥感图像像素值通常非常高，导致运算量非常大，为了减少时间消耗，建议使用多核心 的工作站或者更高级别的计算机。
[0008] 所述的图像去噪模块在初始化的过程中，将典型海面上正常物体和异常物体的彩 色样本图片导入到所述的一基于遥感图像的海面异常漂浮物检测系统中，这些样本图片的 维度统一为nXn维，对每一张彩色图像，按照其R分量所构成的矩阵，G分量所构成的矩阵， B分量所构成的矩阵进行滤波，滤波过程为：首先，设置一个3X3维的窗口，对于得到的基 于R'、G'和B'分量中的某一分量所构成的矩阵X，考虑该图像X的每个像素点Xy，以 该点为中心点的3X3维矩阵所对应的像素值分别为[X^,m，Xg,」，Xi,m，Xm，Xi, j+1，Xi+1,h，Xi+1,」，Xi+1,j+1]进行从大到小排列，取其排在中间的值为新的像素X'i,」所对应 滤波后值，注意对于X的边界点，会出现其3X3维的窗口所对应的某些像素点不存在的情 况，那么只需计算落在窗口内存在的像素点的中间值即可，若窗口内为偶数个点，将排在中 间两个像素值的平均值作为该像素点滤波后的值X'm，从而，新的图像矩阵X'即为滤波 后所得的图片矩阵；然后将滤波处理过的图像传递给异常物体检测模块和异常物体识别模 块；在检测的过程中，将拟检测的遥感图像导入到所述的海面异常漂浮物检测系统中，在这 里我们约定对于彩色遥感图像X，可以将该图像看作为一个M行N列的矩阵，则对于矩阵的 第i行第j列的像素点Xu，其共有红绿蓝三个分量，对于整张遥感图像的每一个点辅以该 点所对应的经度Longy和炜度Latm，从而对于矩阵的每一个像素点，一共有5个维度，分 别为（氏,」，Gy，By，Longi,j，Lati,」），其中，每一个经炜度的坐标以度分秒的形式，秒精确到 小数点后1位；然后，将该图片按照其R分量所构成的矩阵，G分量所构成的矩阵，B分量所 构成的矩阵进行滤波，得到对应的滤波后的R'、G'和B'分量，从而构成新的分量（R'i, j，G'i.pB' ^，1^1^,」，1^&,」），然后将该滤波后的数据传递给异常物体检测模块。
[0009] 所述的异常物体检测模块，在初始化的过程中，接收到从图像去噪模块传递来的 已经过滤波处理的典型海面上正常物体和异常物体的彩色样本图片，这些样本图片的维度 统一为nXn维，然后对每一张样本图片P，构建该图片P所对应的积分图PP，然后使用所有 积分图对级联分类器进行参数初始化，最后将训练所得的级联分类器保存起来用于检测过 程；在检测过程中，首先将接收到的一整幅去噪后的遥感图像X'按照窗口大小为nXn进 行多层分割，对于分割后所得的所有子图片，构建其积分图，最后用训练所得的级联分类器 进行分类筛选，得到所有异常物体的子图片，将这些子图片附带其在原始图片的坐标及经 炜度信息传递给排除已知信息模块。
[0010] 所述的构建图片P所对应的积分图PP，其过程为：
[0011] 对于图像X'的（R'，G'，B')分量，分别构造其积分图，这里首先提取X'所对 应的R分量所构成的矩阵R'，该矩阵与X'有着相同的维度。我们从该矩阵的第1行第1 列开始构造积分图，初始时设s(l，l) =R(1，1)，RR(1，1) =R(1，1)，构造过程为一个二层 循环：
[0012]Forx=l，2，...，M
[0013] Fory=l，2，...，N
[0014] s(x，y) =s(x，y_l)+R(x，y);
[0015] RR(x，y) =RR(x，y_l)+s(x，y);
[0016] end
[0017]end
[0018] 从而构造出R分量所对应的积分图RR;
[0019] 同样的方法可以构造出G分量所对应的积分图GG，B分量所对应的积分图BB。
[0020] 所述的使用积分图PP对级联分类器进行训练，其过程为：
[0021] 第一步，定义弱分类器的函数h(x，f，p，0)为：
[0022]
[0023] 其中f为特征函数，0为阈值，p取值为1或-1，x代表根据积分图PP所构建的 子窗口，对于每一个子窗口x，f(X)为该子窗口x对应于特征函数f的特征值。
[0024] 为了叙述方便，我们将子窗口x的四个边界分别定义为左上点A，右上点B，左下点 C，右下点D，A与B的中心点为ab，A与B的三分之一靠近A点为aab，三分之一靠近B点为 abb，其余类推，区域内的中心点用0来表示。贝ljx(A)表示子窗口在左上点A的积分图所对 应的值，其余同理。
[0025] 则定义：
[0026] =[x(bd)+x(A)-X(B)-X(ac) ] -[x(ac)+x⑶-X(bd)-X(C)]，并且定义s= 1，t= 2 ；
[0027] f2 =[x(A)+x(cd)-x(BC)-x(ab) ] -[x(ab)+x(D)-x(B)-x(cd)]，并且定义s= 2，t =1 ;
[0028] f3=[x(A)+x(bbd)-x(aac)-x(B) ] _2X[x(bdd)+x(aac)-x(acc)-x(bbd) ] +[x(D) + x(acc)-x(bdd)-x(C)]，并且定义s= 1，t= 3 ;
[0029] f4=[x(A)+x(ccd)-x(aab)-x(C) ] _2X[x(cdd)+x(aab)-x(abb)-x(ccd) ] +[x(D) + x(abb)-x(B)-x(cdd)]，并且定义s= 3，t= 1 ;
[0030] f5=[x(A)+x(0)-x(ab)-x(ac) ] +[x(D)+x(0)-x(bd)-x(cd) ] -[x(ab)+x(bd)-x(B) -x(0)]-[x(ac)+x(cd)_x(0)-x(C)]，并且定义s= 2,t= 2 ;
[0031] 第二步：构建积分图PP分别所对应积分图RR，GG，BB的子窗口x。该子窗口x的 选择过程如下：
[0032] 定义自然数s和t，这两个数为子窗口的倍数，这两个数值的选定由特征函 数给定，于是，x所对应的子窗口区域为：[(i，j)，（i，j+tX(b-1))，（i+sX(a-1)，j)， (i+sX(a-l)，j+tX(b_l))]，其中：i，j，a，b分别为从1开始递增的整数，并且能够保证 i+sX(a-1)彡n，j+tX(b-1)彡n成立的所有取值。
[0033] 第三步：对于定义的5个特征函数，计算所有训练样本的所有RGB分量对应于当前 子窗口x的特征值f(x)，我们此称之为在当前RGB分量下当前子窗口x的特征，如果当前窗 口下有wf个子窗口，那么一共有T= 3XwfX5个特征，每一个特征表示为ht。设海面上正 常物体的图片和异常物体的图片各有K张，则对分类器的训练过程如下：
[0034] 1.对于每一张图片\^为该图片的分类，若yi= 1表示该图片为异常物体的图 片，若yi=_l表示该图片为正常物体的图片；
[0035] 2?对于t= 1，2，…，T，（T为特征个数）
[0036] 1).所有样本在特征ht下的特征值，其中（r= 1，2，…，2K)，2K为正常物体和 异常物体图片的总数；
[0037] 2).将所得的所有特征值按照从大到小的顺序进行排序；
[0038] 3).计算全部异常物体子图的权重之和：T+=sum(f,(X))，xe异常物体的子图；
[0039] 4).计算全部正常物体子图的权重之和：r=sum(f\(x))，xG正常物体的子图；
[0040] 5).对于排序好的每个元素，从第一个开始处理，设当前处理的元素为i:
[0041] a).计算所有大于当前元素异常物体的子图的权重值和： \￡异常物体的子图，并且j<i;
[0042] b).计算所有大于当前元素的正常物体的子图的权重值和 XjG正常物体的子图并且j<i;
[0043] c) ?计算分类器在当前元素下的误差：e