一种基于角点特征和岸线封闭特征的级联港口检测方法

1.本发明属于目标检测领域，特别涉及一种sar图像目标检测技术。


背景技术：

2.在遥感图像处理中，sar因其强大的全天时、全天候、高分辨率成像能力而得到广泛应用。sar图像港口检测方法应用广泛，对于海运监测、战场侦察监视以及遥感图像的港口识别具有重要意义。
3.近年来，有大量的研究专注于sar图像的港口检测问题。基于地理信息系统(gis)的港口检测方法在过去的十几年中受到广泛运用。该方法利用准确的gis为港口检测提供有效的地理先验信息，但是对系统更新的及时性有着较高的要求，且在未知区域应用中存在局限性。近年来，人们更加专注于基于特征提取的目标检测方法，这类方法利用港口拥有的高曲率点、直线等特征信息实现港口检测率的提升。然而，基于特征提取的目标检测方法仅当海岸线平滑时有效。由于漫长的海岸线很可能会有突出、内陷等复杂地形，这些复杂地形会与港口形态多样的结构类似，从而影响港口的检测识别率。


技术实现要素：

4.为解决上述技术问题，本发明提出一种基于角点特征和岸线封闭特征的级联港口检测方法，在复杂海岸线地形下具备良好的检测性能。
5.本发明采用的技术方案为：一种基于角点特征和岸线封闭特征的级联港口检测方法，包括：
6.s1、利用基于最大类间方差的otsu算法对高斯滤波后的sar图像完成海陆分割，提取海岸线；
7.s2、进行第一级粗检测，具体的：对海岸线进行角点检测，选出特征值大的角点进行自动聚类，获得聚类数与各类中心位置，根据各类中心位置生成港口建议区域；
8.s3、进行第二级精检测，具体的：对港口建议区域的海岸线再次进行角点检测，依据港口的岸线特征，利用角点计算候选区域的闭合度和长宽比，判断是否有港口，完成第二级精检测。
9.本发明的有益效果：本发明的方法首先利用基于最大类间方差的otsu算法对高斯滤波后的sar图像完成海陆分割，提取海岸线。然后在第一级粗检测中，对海岸线进行角点检测，选出特征值大的角点进行自动聚类，获得聚类数与各类中心位置，根据各类中心位置生成港口建议区域。最后对港口建议区域的海岸线再次进行角点检测，依据港口的岸线特征，利用角点计算候选区域的闭合度和长宽比，判断是否有港口，完成第二级精检测；实验结果证明，与现有的方法相比，本发明所提出的方法在复杂海岸线地形下具备良好的检测性能。仿真证明了算法的有效性。
附图说明
10.图1为本发明方法流程示意图；
11.图2为本实施方式中闭合度定义示意图；
12.图3为本发明对平滑海岸线的港口检测效果图；
13.其中，(a)为原始sar图像，(b)为对海岸线角点检测的图像，(c)为角点自动聚类结果，(d)为第一级粗检测建议区域，(e)为cfar方法的检测结果，(f)为本发明方法的检测结果；
14.图4为本发明对复杂海岸线的港口检测效果图；
15.其中，(a)为原始sar图像，(b)为对海岸线角点检测的图像，(c)为角点自动聚类结果，(d)为第一级粗检测建议区域，(e)为cfar方法的检测结果，(f)为本发明方法的检测结果。
具体实施方式
16.为便于本领域技术人员理解本发明的技术内容，下面结合附图对本发明内容进一步阐释。
17.如图1所示，本发明的方法包括以下步骤：
18.步骤一：将sar图像灰度级分为n级，灰度级为第i(i＝1,2,
…
,n)级的像素有ni个，第i级灰度出现的概率为并对sar图像求类间方差σ2(t)作为评价函数，通过最大化类间方差，确定灰度门限阈值t
*
，按灰度级将图像像素分为两类c0,c1，c0由灰度值在区间[1,t
*
]内所有像素组成，c1由灰度值在区间[t
*
+1,n]内所有像素组成。
[0019]
其中，类间方差计算式为：
[0020][0021]
计算最佳灰度门限阈值t
*
由下式确定：
[0022][0023]
其中两部分图像的类内均值μ0(t),μ1(t)，以及图像灰度总均值μ分别为：
[0024][0025]
通过获取自适应阈值完成海陆分割，随后利用边界跟踪算法从海陆分割的结果中提取海洋区域的边界。
[0026]
步骤二：海陆分割之后，获得海岸线，利用harris角点检测算法便利海岸线以获得港口建议区域。
[0027]
用qw表示加权平方差和用于计算灰度点变化的幅值。给定点(x,y)的位移为(m,n)，自相关函数定义为
[0028][0029]
其中p代表图像，p(x,y)为图像p上坐标为(x,y)的点，p
x
(x,y)代表x方向的梯度，py(x,y)代表y方向的梯度，g(x,y)是以(x,y)为中心的高斯加权窗函数，j是结构张量
[0030][0031]
这里的p
x
、py分别为p
x
(x,y)、py(x,y)的简写。
[0032]
harris角点检测中，角点由结构张量j的特征值决定。考虑到特征值分解的高计算复杂度，定义判断函数为
[0033]
e＝det(j)-k(trace(j))2(6)
[0034]
其中det(j)和trace(j)分别为求j的行列式和迹，k为超参数，通常取0.04到0.06。超过了判断函数阈值的点被定义为角点。
[0035]
通过harris角点检测算法遍历海岸线，利用判断函数获得海岸线角点，选取张量j特征值较大的角点，构建角点样本xi(i＝1,2,
···
,n)，n为角点样本数，进行自动聚类。
[0036]
自动聚类算法不预设聚类个数，对于未知港口数量的检测是合理的。算法将角点做自动聚类，每类角点(复数)都是一个疑似港口区域。
[0037]
在x上定义聚类向量
[0038][0039]
其中，x为检测出来的角点，w(xi)≥0是样本权重，h是核函数的带宽，是均值核函数，表示为
[0040][0041]
假设初始点为x，允许的误差为ε，自动聚类算法流程如下：
[0042]
(1)计算mh(x)
[0043]
(2)如果mh(x)-x《ε，结束循环，否则执行步骤(3)
[0044]
(3)令x＝mh(x)，执行步骤(1)。
[0045]
自动聚类获得结果后，根据各聚类中心位置生成建议区域，达到初步定位港口区域的效果。
[0046]
步骤三：利用harris角点检测算法，对一级粗检测生成的建议区域海岸再次进行角点检测，利用检测出的角点进行岸线特征检测，保留真实港口目标。定义海岸线闭合度和港口长宽比的概念，并利用港口轮廓的长度要远大于港口封口处的距离，和港口相比于伪港口有较大的长宽比这两个特点降低由于复杂海岸线引起的虚警，提高港口检测率。
[0047]
假设通过harris角点检测提取的海岸线角点表示为coastline＝{pi,i＝1,2,
···
,n}，其中pi表示海岸线上的第i个角点，n表示海岸线所包含的角点数目。对于海岸线上任意两个角点pi,pj∈coastline，假设位于pi和pj之间的海岸线为r
ij
，海岸线r
ij
的长度|r
ij
|以位于pi和pj(包括pi和pj)之间的海岸线r
ij
上的像素数目来表示，连接pi和pj的直线段为l
ij
，直线段l
ij
的长度|l
ij
|是角点pi和pj的欧氏距离。
[0048]
pi和pj之间的海岸线r
ij
的闭合度close(i,j)定义为
[0049][0050]
计算建议区域coastline上任意两个角点之间的闭合度。对所有的闭合度采用非极大抑制，得到该建议区域的闭合度。将闭合度大于闭合度阈值c
*
的建议区域保留。
[0051]
定义港口长宽比r＝l/w，计算港口长度l，宽度w时，采用计算周长p和面积s的间接方法。由
[0052][0053]
可得
[0054][0055]
其中，l＝|r
ij
|+|l
ij
|，s是r
ij
和l
ij
围成的面积。
[0056]
最后，将长宽比大于长宽比阈值r
*
的建议区域保留。
[0057]
通过先后计算闭合度和长宽比并与其对应阈值比较，在有效去除伪港口目标之后，本发明完成了港口目标的检测。
[0058]
如图2所示为封闭度检测效果，图3、图4分别为简单场景下的检测结果和复杂场景下的检测结果；可以看出，本发明所提出的方法在复杂海岸线地形下具备良好的检测性能。
[0059]
本领域的普通技术人员将会意识到，这里所述的实施例是为了帮助读者理解本发明的原理，应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的权利要求范围之内。