区域卷积神经网络的高分辨率遥感影像舰船目标提取方法与流程

本发明属于数字影像处理技术领域，特别涉及一种区域卷积神经网络的高分辨率遥感影像舰船目标提取方法。

背景技术：

高分辨率遥感图像的图像分割、特征提取和目标自动提取，在军事目标侦察和战场环境监测方面意义重大。遥感影像目标提取技术主要分为以下几种：图像分解和神经网络自动提取目标的方法，基于轮廓的目标提取方法，利用多传感器影像目标融合进而完成目标提取的方法和基于视觉感知模型的方法。

图像分解和神经网络自动提取目标的方法主要通过对影像的分析和分解，找到图像中目标物体的典型描述方法，并利用神经网络的方法对特征进行训练和迭代，最终训练出目标的提取方法。这种方法需要大量的针对目标的描述方法研究，不具有很好的鲁棒性。

基于轮廓的目标提取方法主要考虑待提取目标的轮廓信息，对轮廓信息的各个方面进行统一和结合，最终得到待提取目标物特有的轮廓信息，并根据该轮廓信息的描述对目标进行提取。该方法针对目标特有的轮廓信息，完成提取过程，但是对于与陆地相连的靠岸舰船目标，轮廓提取的方法不能得到较好的提取结果。

利用多传感器影像目标融合进行目标提取的方法，主要设定一个期望的输出函数(EOMF)，通过输入多传感器影像进行不停迭代，找到能输出目标的最终函数参数结果。该方法具有较好的提取结果，但是获取多传感器影像对硬件设备要求高，耗费较大的财力和物力。

基于视觉感知模型的方法主要学习人眼的感知目标方法，根据显著特征的选择，形成亮度、纹理和方向等多种不同特征的显著图，进一步对可能的目标区域进行提取。同时，基于视觉感知模型的方法还可以通过计算频率谱的残差来得到视觉显著图，再结合形态学滤波和其他滤波方法，最终对舰船目标区域进行提取。视觉感知模型的方法充分模拟人眼的感知技术，结合人类自身的感知目标方法，对离岸舰船目标的提取有很好地效果。但是，使用该方法同样易受光照、天气条件、云雾、海况等多方面影响，在不同成像条件下如何通过对视觉显著图模型的自适应性分析和改进，得到更好的舰船离岸目标的提取结果，还需要进一步进行研究。

技术实现要素：

本发明的目的就在于克服现有技术存在的缺点和不足，提供一种区域卷积神经网络的高分辨率遥感影像舰船目标提取方法。

本发明的目的是这样实现的：

一、高分辨率遥感影像舰船目标提取系统(简称系统)

本系统包括依次交互的影像获取模块、舰船提取平台和应用平台；

所述的影像获取模块使用高分辨率遥感传感器获取海洋区域的高分辨率遥感影像，并下传数据到舰船目标提取模块；

所述的舰船提取平台进行舰船目标的提取，将舰船目标异常等情况传入应用平台；

所述的应用平台包括目标分析平台、舰船行为预测平台、舰船监督平台，对舰船目标的分布和行动分析，做出合理预测和规划。

二、高分辨率遥感影像舰船目标提取方法(简称方法)

本方法是一种基于区域卷积神经网络的高分辨率遥感影像舰船目标提取方法，包括下列步骤：

①进行遥感影像数据准备；

②对获取的影像进行预处理，完成样本的准备工作：

A、对高分辨率遥感影像进行预处理，主要包括影像平滑和图像分割；

采用中值滤波方法对影像进行平滑，并使用Mean-shift分割方法进行图像分割；Mean-shift图像分割算法主要利用聚类过程逐步迭代得到分割结果，其本质即为均值漂移过程；

B、完成正负样本的准备工作：对于舰船目标提取的正样本，主要选取大量待提取舰船目标相似的遥感影像，负样本一方面人工选取非舰船区域，另一方面自动在正样本周围提取；

③采用舰船模型的提取方法，提取舰船目标候选区域：

a、利用LSD线特征提取方法，生成直线候选区域；

b、构建船头“V”形结构模型和船身“||”形结构模型；船头“V”形结构主要适用于船头较为突出的舰船区域；船身“||”形结构模型主要适用于船身较长、“||”结构较为突出的舰船区域，如货船等；将存在“V”形线特征和“||”结构线特征的区域作为候选区域；

④采用基于区域的卷积神经网络方法，对舰船目标样本进行模型训练；

将步骤②完成的高分辨率遥感影像舰船目标的正负样本数据进行标准格式化，转换成数据库格式，并输入到卷积神经网络中进行训练，得到高分辨率遥感影像中的舰船目标的训练结果模型；

⑤输入高分辨率遥感待提取影像，进行舰船目标提取。

对比现有技术，本发明具有下列优点和积极效果：

1、本发明主要使用了区域限制的舰船模型和卷积神经网络相结合的方法，完成高分辨率遥感影像中舰船目标的提取，速度快，准确度高，具有较好的鲁棒性；

2、通过区域卷积神经网络进行训练，对于离岸舰船目标和靠岸舰船目标的提取均能得到较好的提取结果，尤其是针对轮廓很可能与陆地相连的靠岸舰船目标，本发明依然能得到较好的提取结果；

3、同时，基于区域卷积神经网络下完成的舰船目标提取训练过程，只要获取的样本足够丰富，能够在光照、天气条件、云雾和海况等多方面影响情况下得到较好的提取结果，具有较强的自适应性。

附图说明

图1是本系统的结构方框图，

图中：

10—影像获取模块；

20—舰船提取平台；

30—应用平台，

31—目标分析平台，

32—舰船行为预测平台，

33—舰船监督平台。

图2是本方法的流程图。

具体实施方式

下面结合附图和实施例详细说明：

一、系统

1、总体

如图1本系统包括依次交互的影像获取模块10、舰船提取平台20和应用平台30。

2、功能块

1)影像获取模块10

主要使用高分辨率遥感传感器(主要指高分辨率遥感卫星，如Quickbird卫星，GeoEye-1卫星等)获取海洋区域的高分辨率遥感影像，并下传数据到舰船目标提取平台20。

2)舰船提取平台20

舰船提取平台20进行舰船目标的提取，将舰船目标异常情况传入应用平台30。

3)应用平台30

应用平台30包括目标分析平台31、舰船行为预测平台32和舰船监督平台33，对舰船目标的分布和行动分析，做出合理预测和规划。

二、方法

本方法的流程如图2。

1、针对步骤②B：

第一步：利用步骤①得到的遥感卫星影像，并通过旋转、平移等方式，对影像进行一定的扩充；

第二步：得到每个舰船目标在遥感影像中竖直的最小包围矩形的四个顶点坐标和对应影像，将影像和其上的所有舰船目标坐标共同输出，作为正样本；

第三步：在正样本周围随机截取非舰船目标区域，得到其竖直的最小包围矩形的四个顶点坐标，作为负样本坐标，将影像和其上的负样本坐标一同输出。

2、针对步骤③b：

所述的构建船头“V”形结构模型和船身“||”形结构模型：船头“V”形结构主要适用于船头较为突出的舰船区域，该方法首先得到影像的特征点作为船头候选点，然后通过找到在船头候选点附近的直线，找到船头候选点附近存在的夹角符合船头可能夹角范围的两条直线，作为候选舰船船头；再根据船身部分应该存在的“||”形结构进行验证，判断构成船头“V”形候选的两条直线和船身直线是否满足应有的角度限制，最终确定该区域是否存在舰船模型；

所述的船身“||”形结构模型主要适用于船身较长、“||”形结构较为突出的舰船区域，该方法首先在影像线特征中找到距离恰当、满足舰船要求的两条平行线结构，即构成“||”形结构的候选直线对；再在该候选“||”形结构附近找是否存在一条直线，满足舰船特征船头与船身夹角要求，以此进行候选结构的验证，最终确定该区域是否存在舰船模型；

将存在“V”形线特征和“||”形结构线特征的区域作为候选区域。

3、针对步骤④：

所述的卷积神经网络主要由多个交替组成的卷积层、池化层和全连接层组成，主要采用反向传播算法(BP算法)，有一个输入层、多个隐藏层和一个输出层；用公式表示BP算法中两层之间的计算关系如下：

$X_j^l=f(\underset{i=1}{\Σ}{X}_i^{l-1}{\mathrm{\ω}}_{ij}^l+b_j^l)---\left(1\right)$

其中：i是输入层单元的索引值，j是隐藏层单元的索引值，l代表第l层，代表输入层和隐含层之间的权重，表示各个层之间的激活偏置，f()表示该输出层的激活函数；

对于卷积神经网络中的卷积层，网络采用BP神经网络模式进行更新；在一个卷积层，上一层的特征图被一个可学习的卷积核进行卷积运算，然后通过一个激活函数，就可以得到输出特征图；

具体加入卷积操作后的下层更新算法如下：

$X_j^l=f(\underset{i\∈M_j}{\Σ}{X}_i^{l-1}\⊗k_{ij}^l+b_j^l)---\left(2\right)$

其中：M_j表示输入层的所有选择集合，表示输入层i和隐含层j之间的卷积核，表示卷积运算过程，因此，该公式反应了第l层和l-1层之间的运算关系；

卷积神经网络中除了卷积层，还有一个重要的运算过程，即池化过程与池化层的计算；池化过程即一个对大图像中不同位置的特征进行聚合统计的过程，该过程大大降低了特征冗余，减少统计特征维数；池化层的计算公式如下：

$X_j^l=f\[B_j^{l}D\left(X_j^{l-1}\right)+b_j^l\]---\left(3\right)$

其中，D()表示池化过程的降采样函数，和为设置不同的激活偏置，每一个偏置均对应每个输出层。