一种星载遥感光学图像的船舶目标检测识别方法和系统与流程

本发明属于图像检测识别技术领域，更具体地，涉及一种星载遥感光学图像的船舶目标检测识别方法和系统。

背景技术：

船舶目标包括商船、货轮、客轮、甚至军舰，作为海上监测、及时海洋搜救、实时战时打击的重点目标,是星载遥感图像自动目标检测与识别的重要内容。

科研人员在SAR图像船舶目标自动检测与识别方面已开展了大量的研究，主要是利用船舶目标与水体之间不同的电磁散射特性在SAR图像上所表现出来的差异。目前已完成或正在开发的SAR船舶目标监视系统主要有：加拿大的海洋监视工作站(Ocean Monitoring Workstation,OMW)系统、美国阿拉斯加SAR演示验证(Alaska SAR demon-stration system,

AKDEMO)系统、欧盟联合研究中心(Joint Research Center,JRC)的VDS(Ves-sel detection system)系统、英国Qinetiq的MaST系统等。

而基于星载遥感图像的船舶目标检测与识别研究起步较晚，技术相对滞后，现在也有不少有关遥感图像舰船检测识别的算法，可是一般达不到上星的要求，整体方法复杂，实施起来困难，不能达到实时处理，无法处理复杂多变环境下如在太阳照射下海洋杂波比较明显等情况的船舶检测识别，虚警率高,识别速度慢，识别率低等问题。遥感图像数据量大，环境复杂，在星上处理带来一系列难题，更为重要的是星载卫星存储与计算资源有限，这要求现有方法在少量的资源下做到实时处理，能够可靠地，准确地输出结果。可是目前相关技术准确性不够，太过复杂，大多需要将数据传回地面进行处理，并不能达到实时处理，这样浪费了在海洋搜救情况下的宝贵的时间，且不可靠、不准确、性能不佳。

技术实现要素：

针对现有技术的以上缺陷或改进需求，本发明提供了一种星载遥感光学图像的船舶目标检测识别方法，其目的在于解决太阳照射下海洋杂波对海面船舶检测识别的影响，解决星上存储和计算资源有限，计算速度不如地面计算处理，由此解决在卫星上的有限硬件环境下检测识别船舶的实时性、可靠性、准确性的技术问题。

为实现上述目的，按照本发明的一个方面，提供了一种星载遥感光学图像的船舶目标检测识别方法，该方法包括以下步骤：

(1)预处理步骤：输入待处理图像，进行降采样操作和高斯滤波平滑处理；

(2)无效信息剔除步骤：输入预处理后图像，区分图像中海洋和陆地区域；同时输入预处理后图像，对图像进行边缘检测；将分离海陆区域的图像和边缘检测后的图像进行融合，剔除融合图像中的陆地和噪声点；

(3)连通区域标记步骤：基于等价对的图像连通域标记算法，通过逐像素扫描进过步骤(2)后所得图像，判断相邻像素之间的连通性，并对图像内连通区域依次标，并记定为候选目标；

(4)特征提取步骤：计算出候选目标的主方向并对候选目标进行旋转，之后提取出候选目标的图像特征；

(5)船舶分类器分类步骤：将候选目标的图像特征输入到船舶分类器，筛选出符合船舶特征的船舶目标，输出船舶目标的坐标信息、船舶类型及船舶ROI切片信息。

进一步地，所述步骤(2)包括以下子步骤：

(21)海/陆分离子步骤：对预处理后图像的采用同质区分割方法对海洋区域和陆地区域进行区分，陆地区域灰度值置1，海洋区域灰度值置0；

(22)边缘检测子步骤：对预处理后图像进行边缘检测，边缘点灰度值置1，背景点灰度值置0；

(23)噪点和陆地剔除子步骤：在海陆分离图像的基础上，融合边缘检测的结果，再设定一个n×n的局部区域，在融合后图像中扫描，统计局部区域内灰度值为1的像素点数目，数目小于噪点阈值的所有像素点都定为噪点剔除；数目大于陆地阈值的所有像素点都定为陆地剔除。

进一步地，所述步骤(4)包括以下子步骤：

(41)图像旋转子步骤：计算出候选目标的主方向并对候选目标作旋转处理；

(42)特征提取子步骤：提取候选目标的图像特征，包括：高度特征、宽度特征、矩形度特征、横向对称度特征和边界扭曲度特征。

进一步地，所述步骤(5)包括以下子步骤：

(51)分类子步骤：将候选目标的图像特征输入到船舶分类器中，筛选出符合船舶特征的船舶目标；并能进一步根据不同种类船舶特征区分船舶目标的船舶类型；

(52)图像输出子步骤：根据船舶目标的连通区域标记确定船舶目标的坐标信息；根据船舶目标的连通区域确定船舶ROI切片信息；输出船舶目标的船舶类型、船舶目标的坐标信息和船舶ROI切片信息。

进一步地，所述船舶分类器的训练样本是大量星载遥感光学图像中船舶目标的图像特征，并对不同类型船舶目标的图像特征进行分类。

6、一种船舶目标检测识别系统，其特征在于，该方法包括以下模块：

(1)预处理模块，用于输入待处理图像，进行降采样操作和高斯滤波平滑处理；

(2)无效信息剔除模块，用于输入预处理后图像，区分图像中海洋和陆地区域；同时输入预处理后图像，对图像进行边缘检测；将分离海陆区域的图像和边缘检测后的图像进行融合，剔除融合图像中的陆地和噪声点；

(3)连通区域标记模块，用于基于等价对的图像连通域标记算法，通过逐像素扫描进过无效信息剔除模块后所得图像，判断相邻像素之间的连通性，并对图像内连通区域依次标，并记定为候选目标；

(4)特征提取模块，用于计算出候选目标的主方向并对候选目标进行旋转，之后提取出候选目标的图像特征；

(5)船舶分类器分类模块，用于将候选目标的图像特征输入到船舶分类器，筛选出符合船舶特征的船舶目标，输出船舶目标的坐标信息、船舶类型及船舶ROI切片信息。

进一步地，所述无效信息剔除模块包括以下子模块：

(21)海/陆分离子模块，用于对预处理后图像的采用同质区分割方法对海洋区域和陆地区域进行区分，陆地区域灰度值置1，海洋区域灰度值置0；

(22)边缘检测子模块，用于对预处理后图像进行边缘检测，边缘点灰度值置1，背景点灰度值置0；

(23)噪点和陆地剔除子模块，用于在海陆分离图像的基础上，融合边缘检测的结果，再设定一个n×n的局部区域，在融合后图像中扫描，统计局部区域内灰度值为1的像素点数目，数目小于噪点阈值的所有像素点都定为噪点剔除；数目大于陆地阈值的所有像素点都定为陆地剔除。

进一步地，所述特征提取模块包括以下子模块：

(41)图像旋转子模块，用于计算出候选目标的主方向并对候选目标作旋转处理；

(42)特征提取子模块，用于提取候选目标的图像特征，包括：高度特征、宽度特征、矩形度特征、横向对称度特征和边界扭曲度特征。

进一步地，所述船舶分类器分类模块包括以下子模块：

(51)分类子模块，用于将候选目标的图像特征输入到船舶分类器中，筛选出符合船舶特征的船舶目标；并能进一步根据不同种类船舶特征区分船舶目标的船舶类型；

(52)图像输出子模块，用于根据船舶目标的连通区域标记确定船舶目标的坐标信息；根据船舶目标的连通区域确定船舶ROI切片信息；输出船舶目标的船舶类型、船舶目标的坐标信息和船舶ROI切片信息。

进一步地，所述船舶分类器的训练样本是大量星载遥感光学图像中船舶目标的图像特征，并对不同类型船舶目标的图像特征进行分类。

总体而言，通过本发明所构思的以上技术方案与现有技术相比，具有以下技术特征及有益效果：

(1)可有效抑制太阳照射下海面杂波强、虚警率高，提高算法检测识别效率；

(2)在卫星环境约束，存储与计算资源受限等约束下仍能保持很高的处理效率，达到实时处理，保证处理过程的简单易控、可靠准确；

(3)整个方法模块化程度高、通用性好，只需少量的修改即可用于其他目标检测识别任务；

附图说明

图1是本发明方法的流程示意图；

图2是本发明方法的预处理流程示意图；

图3是本发明方法的海/陆分离子步骤流程示意图；

图4是本发明方法的边缘检测流程示意图；

图5是本发明方法的噪点和陆地剔除流程示意图；

图6是本发明方法的分类器设计流程；

图7是本发明系统的结构示意图；

图8是本发明预处理后的实例图像；

图9是本发明同质区预分割结果图像；

图10是本发明四个方向滤波器边缘检测结果图像；

图11是本发明边缘图像视觉非线性曲面二值化结果图像；

图12是本发明图像融合后结果图像；

图13是本发明剔除孤立噪声点结果图像；

图14是本发明船舶检测结果图像。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。

如图1所示本发明方法的流程包括以下步骤：

(1)预处理步骤：由于输入的数据量过大，直接对原始数据进行目标检测识别操作需要耗费巨大的存储与计算资源，在现有硬件基础条件上尚无法实现流水式处理，且检测性能并不能显著地提高。因此如图2所示，将原始数据(10～14bit/像素)量化到8bit/像素基础上，进行等间隔采样处理。为减少AD转换、图像量化、降采样处理等操作可能引入的噪声，本项目中我们使用一个3×3的高斯低通滤波器用于平滑降采样后数据，从而完成整个图像预处理过程,处理后如图8。

(2)无效信息剔除步骤：包含以下子步骤：

(21)海/陆分离子步骤：如图3所示本实施例采用同质区分割方法对海洋区域和陆地区域进行分离，具体为：将预处理后图像的局部区域灰度均值乘以灰度标准差，得到的值和海陆分离阈值对比，大于分离阈值的局部区域标记为陆地区域，灰度值置1，小于分离阈值的局部区域标记为海洋区域，灰度值置0，处理后如图9；

其中，最优分离阈值学习方法如下：

(211)选择k帧图像集合imgs＝{im₁,im₂...im_k}，该图像集合不能全部为陆地图像或海洋图像，需同时包含陆地和海洋；

(212)使用人工标定的方式将海洋和陆地分割成二值图像；

(213)选择局部窗口大小，本方案中选择3×3大小的窗口统计图像集合imgs＝{im₁,im₂...im_k}的特征值集合F，F＝局部均值*局部标准差；

(214)设置分离阈值从F_min依次递增为F_max，利用分离阈值分离图像集合imgs＝{im₁,im₂...im_k}中所有图像的海洋和陆地，当某次划分结果与人工标定的结果最接近时，当时所设置分离阈值即为最优分离阈值。

(22)边缘检测子步骤：如图4所示本实施例采用基于一阶导数算子方法获取预处理后图像的边缘轮廓形状信息，具体为：取四个方梯度模最大值G_R(x,y)＝{|G_x|,|G_y|,|G_z1|,|G_z2|}_max，其中滤波器形式为

分别将梯度模与原图做卷积，将当前像素点四个方向的梯度最大值作为预选的边缘，如图10所示，当预选边缘灰度值大于视觉非线性曲面阈值，即标记为边缘点，灰度值置1；否则就是背景点，灰度值置0；处理后图像如图11；这里，曲面阈值的取值范围为0到60，优选35；

(23)噪点和陆地剔除子步骤：在海陆分离图像的基础上，融合边缘检测的结果，得到一个新图像，如图12，之后引入一个7*7大小的滤波器，将新图像中灰度值为1的像素点记为目标点，统计滤波器局部区域目标点的个数，若二值分割图像中的目标点个数大于陆地阈值，则被划分为陆地区域，若小于噪点阈值，则被划分为孤立噪声点；这里陆地阈值取值范围为0到255，优选150；噪点阈值取值范围为0到255，优选50；将陆地区域和孤立噪声点灰度值置0；若小于陆地阈值且大于噪点阈值则将对应像素点灰度值置1；如图13。

(3)连通区域标记步骤：基于等价对的图像连通域标记算法，通过两次逐行逐列逐像素扫描步骤(2)后所得图像，按照8连通准则判断相邻像素之间的连通性，并对图像内连通区域依次标记，标记的连通区域记为候选目标：

(31)图像初步标记子步骤：通过逐行逐列逐像素的扫描过程，为每一个像素赋予一个临时标记和相应的坐标输出，并且将临时标记的等价关系和坐标记录在等价表中。

算法原理：这一部分完成每个像素的初步标记以及临时标记等价关系的收集和初步整理。在由上到下，由左至右进行逐行逐像素扫描图像的过程中，如果发现即将标记的像素与已经标记的像素之间不存在连通关系，即该像素与所有相邻的已经标记的像素灰度值均不相同，则赋予该像素一个新的临时标记；如果在工作窗口中检测到相邻像素灰度值相同而临时标记不同，则认为这两个临时标记具有等价关系，属于相同的连通区域，并将该等价关系记录在等价表中。

标记算法符号约定：本算法中读取的像素的灰度值用字母a、b、c、d、e表示，对相应像素生成的临时标记用符号la、lb、lc、ld、le表示；即将赋给像素的新生成的临时标记用l表示，l初始化为1；分别用N，M表示图像的行数和列数。本算法采用8连通判断准则。工作窗口为2×3。本算法不考虑边界效应，只处理图像的第二行第二列开始到图像的N-1行M-1列。工作窗口中的a、b、d、c为已经标记的图像，e为未标记图像。算法具体过程如下：

首先，判断读取像素e，如果e＝1，就进行下一步；

第二，读取像素c，与e比较，如果c＝e，则le＝lc；否则，读取像素a，如果a＝e，则le＝la；否则，读取像素b,如果b＝e，则le＝lb；否则，读取像素d，如果d＝e，则le＝ld；否则le＝l，l++；

第三，判断标记等价关系，读取像素e,d,b,如果e＝d＝1，b＝0，再读取像素a,如果a＝1,那么再读取la和ld，如果la≠ld，则将la、ld写入等价表；又如果a＝0，再读取像素c，如果c＝1，就读取lc和ld，如果lc≠ld，则将lc、ld写入等价表；

(32)等价表生成子步骤：将具有等价关系的临时标记全部等价于其中的最小值。

算法原理：图像初步标记结束后，需要对等价表进行整理。从等价表地址1开始扫描等价表，依次检查其中各个临时标记是否存在等价关系，如果存在，则执行追踪过程，以具有等价关系的最小标记更新等价表。由于整理过程从等价表地址1开始，即从最小的临时标记值开始，因此对整个等价表的扫描可以一遍结束，即：对每个具有等价关系的临时标记追踪一遍后，整个等价表中具有等价关系的标记均对应相同的最小标记。

(33)等价表整理子步骤：对连通区域以自然数顺序重新编号，该标记作为最终标记。经过以上三个步骤处理后，算法输出存有最终标记值和相应坐标的等价表，以供后续算法调用。

算法原理：从自然数1开始，对等价表中的标记重新赋值，具体做法是：令k＝1，j＝1，如果E(k)＝k，则写入E(k)＝j，j++；否则写入E(k)＝E(E(k))，j为对临时标记压缩后的最终标记值，其中取消了具有连通关系的重复的临时标记。经过重新赋值后，等价表中所有临时标记均指向具有连通关系的最终标记，并且最终标记的个数等于图像中连通区域的个数。

(4)特征提取步骤：包含以下子步骤：

(41)图像旋转子步骤：由于遥感图像中目标俯视拍摄，目标方向可处于任意方向，因此，为了准确提取目标检测的高度、宽度、矩形度、边界扭曲度等特征用于识别，需要计算出船舶目标的主方向并作旋转处理；本实施例采用中心矩法计算连通区域主轴旋转角度

其中，M是行数，N是列数，p和q是阶数，f(x,y)是当前横纵坐标的灰度值；

(42)特征提取子步骤：

提取舰船高度特征：候选目标长边的两直线a和b的距离即为目标区域高度,依次从上往下扫描，从下往上扫描得到a和b的横纵坐标即可计算高度；

提取舰船宽度特征：候选目标短边直线c和d的距离即为目标区域宽度,依次左上往右扫描，从右往左扫描得到c和d的横纵坐标即可计算宽度；

提取矩形度特征：矩形度定义为候选目标面积与其最小外界矩形面积的比值；

提取横向对称度特征：横向对称度定位为候选目标左半部分的面积与其右半部分的面积的比值；

提取边界扭曲度特征：候选目标的上边缘上有x1、x2和x3三点，x2位于x1和x3之间；上边缘上有y1、y2和y3三点，y2位于y1和y3之间；x1到y1距离为d1,x2到y2距离为d2,x3到y3距离为d3，得到距离数组[d1,d2,d3...dn]数组的均值和标准差表示区域边界的扭曲程度。

(5)分类器分类步骤：如图6所示，将获取候选目标特征输入到预先训练好的分类器中，进一步筛选出船舶目标，如图14所示，输出舰船位置信息、舰船分类信息和舰船ROI切片信息；其中，所述分类器具体为线性SVM分类器，将数据离线训练得到训练后的线性SVM分类器，就可以做检测识别任务。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。