英语原文共 11 页，剩余内容已隐藏，支付完成后下载完整资料
一种基于星载光学图像的关于形状和纹理特征舰船检测分级方法
朱长仁，周慧，王润生，郭军
摘要
从遥感图像中提取舰船是非常重要的，在渔业管理、船舶交通服务和海战等领域有着广泛的应用。本文主要研究了利用星载光学图像(SDSOI)进行舰船探测的问题。虽然合成孔径雷达(SAR)的优点是目前大多数舰船探测方法都是基于SAR图像的，但SAR仍然存在着SAR传感器数量有限、重访周期长、分辨率相对较低等缺点。随着光学传感器的不断增加和不断覆盖，SDSOI可以部分克服基于SAR的方法的不足，满足实时船舶监测的要求。在SDSOI中，云、海浪和小岛屿等因素影响着船舶检测的性能。本文提出了一种新的基于形状和纹理特征的层次化、完备性和可操作性的SDSOI方法，该方法考虑了对虚警的连续粗细消去过程。首先，采用简单的形状分析方法，利用全局和局部信息消除图像分割产生的明显虚伪性，并尽可能地提取出缺少告警的船舶候选点。其次，提出了一种新的基于不同特征的半调式分级分类方法，用于区分船舶和非船舶，消除大部分虚警。除了一种完整的、可操作的SDSOI方法外，该方法的其他贡献还包括以下三个方面：1)利用类概率分布而不是直接提取的特征对候选船舶进行分类；2)相关类是由样本集及其特征属性在半调式模式下自动生成；3)在特征提取中，除了常用的形状和纹理特征外，还引入了一种新的纹理算子，即局部多重模式，以提高特征集的表示能力。SDSOI在多颗卫星光学传感器采集的大图像上的实验结果表明，我们的方法能有效地区分船舶和非船舶，并取得了令人满意的舰船检测性能。
2009年3月16日收到手稿；2009年10月6日、2010年2月1日和2010年2月25日修订。公布日期：2010年4月26日；本版本日期：2010年8月25日。
朱长仁和王润生是国防科技大学ATR国家实验室的研究员，长沙4 10073(电子邮件：Changren-ju@yahoo.com.cn；rswang@nudt.edu.cn)。
周海平在国防科技大学ATRN国家实验室任职，长沙，410073。他现供职于北京跟踪与电信技术研究所，北京100094，中国(电邮：hui_zhou_atr4@yahoo.com.cn)。
郭军曾供职于ATR国家实验室，现供职于国防科技大学电气科学与工程学院，长沙4 10073(电子邮件：国军@nudt.edu.cn)。
本文中的一个或多个图形的颜色版本可在网上获得http://explore.ieee.org.。
数字对象标识符10.1 109/TGRS.2010.2046330
索引术语-分级分类：形状分析，船检，星载光学图像，纹理分析。
第一章 导言
从遥感图像中检测船舶是非常重要的，并具有广泛的应用，如渔业管理，船舶交通服务，海战等。特别是近几年来，由于世界上渔业资源的减少，船舶探测对于有效、高效的船舶监测对禁止非法捕捞活动的及时进行显得尤为重要。
遥感技术具有操作距离长、监测范围宽等优点，在船舶监测中发挥着非常重要的作用。由于合成孔径雷达(SAR)具有相对较小的天气和时间影响等优点，对SAR中的舰船检测进行了较为深入的研究[1]-[15]。最常见的舰船检测算法是基于具有特定SAR图像背景分布的恒虚警率(CFAR)检测器，如高斯分布[10]、k分布和Gamma分布[13]，或它们的组合[14]。HANN和Chong[9]对极化SAR图像中的舰船检测算法进行了简要的回顾。Greidanus等人[11]通过对不同模式的RADARSAT图像进行标记测试，比较了八个基于星载系统的卫星SAR船舶探测系统（其中大多数处于运行状态）的性能。
然而，基于SAR的舰船检测有其局限性。首先，在SAR卫星数量有限的情况下，重访周期相对较长，无法满足船舶实时监测应用的需要。其次，大多数卫星SAR图像的分辨率往往不够高，无法提取出详细的舰船信息。
另一方面，由于光学传感器技术的进步，光学遥感图像的数量继续以巨大的速度增长，这些系统包括高时空分辨率系统，如卫星观测地(SPOT)、QuickBird和中国-巴西地球资源卫星(CBERS)。此外，人们还注意到，在白天，只要浓重的云层不覆盖整个图像，从星载光学图像进行的船舶监测就可以工作得很好。基于卫星光学图像的船舶检测可以部分克服基于SAR的舰船检测的不足，是对基于SAR的舰船检测的补充。因此，研究SDSOI有利于更好地满足船舶监测的要求。
图1.典型的海洋图像。(A)云层大的图像。(B)云层较小的图像。(C)具有强烈海浪的图像。(D)小岛屿图片。
尽管如此，由于受到云层和夜间的一些负面影响，目前只有少数关于从星载光学图像(SDSOI)中检测船舶的出版物，除了关于利用先进的高分辨率辐射计(AVHRR)图像[19]、[20]和舰船检测[16]、[17]或从具有天空、海洋背景的机载红外图像中识别[18]的长航迹的出版物。只有Burgess[23]，Wua等人。[24]和Corbane等人。[21]、[22]对卫星图像中的SDSOI进行了研究，取得了有益的结果，包括舰船检测卫星多光谱图像[23]、[24]、SPOT-5 HRG 5-m图像的神经网络分类和遗传算法[21]，以及利用形态滤波结合小波分析和拉东变换消除错误的候选对象[22]。然而，由于云海杂波造成的高误报率等许多悬而未决的问题仍有待我们研究和解决。SDSOI是一个挑战问题。
我们希望进一步研究如何解决SDSOI中的问题。SDSOI包括两个阶段：1)海上探测和2)海上船舶探测。本文主要研究如何利用已有的地理信息或算法对海洋区域进行检测。此外，在本文中，我们只对全色波段或多光谱图像波段上的舰船探测感兴趣，而对多光谱图像则不感兴趣。
在SDSOI中，由于相似的特性，经常将诸如云，海浪和小岛等多种因素检测为错误的候选船舶，从而影响船舶检测的性能。典型的海洋图像如图1所示。小云是最困难的因素，因为它的随机变化没有固定的形状，没有固定的灰度分布。虽然已经对云检测进行了一些研究[25]，但这些研究大多是基于多光谱信息，因此在缺乏多光谱信息的情况下，对SDSOI没有帮助。
如图2所示，本文提出了一种新的具有多特征的层次化完全和可操作的SDSOI方法，该方法被认为是一种级联消除虚警的过程。它包括以下粗到细的两个阶段。
第一阶段-提取候选船舶：这一阶段包括分割和简单分析。一方面，利用全局和局部信息(包括灰度和边缘特征)进行图像分割，以获得可能的候选区域。在另一方面，由于船舶一般都很细，而且很长，因此提取简单的形状特征，以消除明显的虚假候选。在这一阶段，主要的目标是尽可能低地提取具有警报的候选船舶，并且可以提取像小云和岛屿这样的对象的虚假警报。
第二阶段-船舶候选类别的分类：在此阶段，基于形状和纹理特征对船舶烛台数据进行分级分类，以消除大多数虚假警报并获得检测结果。
可以注意到舰船与非舰船特征分布之间的一些差异，从而可以通过模式分类来去除非船舶候选物，检测船舶。此外，一个类别内不同样本的特征分布通常存在显着性差异，这往往会对分类性能产生负面影响。因此，所有候选物都根据各自的应用程序划分为几个子类，并通过特征聚类(所谓的半调理)将子类划分为独立类，以提高性能。此外，本文还提出了一种基于小块分布的分层聚类方法，而不是基于有向提取特征的候选识别方法。
此外，在特征提取中，除了常用的形状特征和灰度分布特征外，还引入了一种新的纹理算子--局部多重模式(LMP)，以提高特征集的可表示性。LMP的基本思想是将二进制模式扩展到多个模式，并且LMP保存了更多的结构信息，比LBP更适合于图像分析。
本文的其余部分如下所示。第二节描述了船舶候选图像的提取，包括图像分割和简单的形状分析.第二节描述了船舶候选形状和纹理特征的提取。第四节讨论了船舶候选的分类，包括三个辅助策略。第五节给出了由多个光学传感器采集的一组大图像进行舰船检测的实验结果。最后，第六节给出了本文的讨论和结论。
第二章 候选船舶的提取、图像分割
2.1 图像分割
在星载光学图像中，通常存在平稳的灰度分布，且在海面区域变化较慢，而W型图像中，由于船体高度较高，船与海之间存在明显的边缘。因此，利用边缘信息进行图像分割，可以提取出可能的候选区域，这些区域可能包含岛屿、云和海浪等多种虚假警报，因为它们与舰船的边缘特征相似。
另一方面，在低分辨率的光学图像中，通常存在较强的尾迹，而在光学图像中区分船尾和尾流有时是很困难的。当船尾和尾流被分割成一个区域时，区域就会扩大，这通常会帮助我们找到小船。因此，在下面的处理中，它们被认为是一个完整的部分。
图2.所提出的船舶侦测方法流程图
实验中涉及到候选船的提取，只考虑尺寸大于10个像素，长度大于4个像素的原始区域进行分析。算法描述如下。
1)图像预处理。船舶分布有时会出现深灰色，这对船舶分割有不利影响。然而，船的周围通常有明显的边缘信息。为了增强船舶与海洋的区分度，提取整艘船舶的图像，提出了一种新的混合图像。利用原始灰度值和边缘幅值计算新的混合图像，如下图所示。
假设f(i,j)是图像中一个点(i,j)的灰度值。然后，应用Sobel算子计算边缘幅值Mag(i,j). 混合图像定义为
其中a为控制边缘幅值与灰度值的比例的系数，在我们的实验中，我们根据经验将其设置为1.
2)图像粗分割。由于混合图像中整幅船舶区域相对突出，对混合图像进行粗分割，选择合适的阈值即可获得候选船舶。本文提出了一种以类内方差最大值和类内最小方差最优原则的简单有效的分割方法来计算全局自适应阈值。
此外， 采用区域填充算法[41]来删除区域内的空洞，并采用三像素直径圆元素[41]的形态开闭算子来消除非常细的线和随机噪声区域，这些噪声区域可能是由海浪产生的。
3)细化图像分割。由于只使用全局阈值，粗分割结果可能存在边缘定位误差。 该处理的目的是利用局部特征细化每个区域的轮廓，进行后续的特征提取。采用Chan-Vese模型设定的水平[26]对图像分割进行细化。Chan和Vese(2001)提出了一种基于Mumford-Shah模型的可以提供两类的最优划分的算法。简单能量函数如下：
其中c0是曲线C内的均值，cb是曲线C外的均值。该模型给出的最小能量将是边缘的最优分段光滑逼近。从原始图像中切割出相应的子图像，对其进行水平集，其范围取决于具有自适应阈值的分割区域的范围。初始曲线C作为粗分割的边缘。
3.2简单的形状分析
经过图像分割后，可以通过简单的形状分析来消除明显的假目标。
首先，舰船的面积、长度和宽度范围有限。根据这一约束条件，可以通过适当的阈值来消除诸如非常大或非常小的岛屿和云之类的候选错误，这些阈值应该考虑到尾迹成像。
然后，船通常又长又薄。因此，区域边界矩形[41]、[42]的长度与宽度之比大于给定的阈值。根据这一条件，明显的错误警报，包括岛屿和云的比例非常小，被消除。经过实证分析，阈值设置为1。在我们的实验中。这个相对较低的阈值旨在防止我们淘汰那些可能处于弯曲尾流或太小而无法准确提取比值的船只。它的目标是有一个低的失误率。
如前所述，可以通过图像分割和简单的形状分析来检测候选船只。在我们的实验中，为了减少时间消耗，水平集是在简单的形状分析之后完成的:只有候选船只需要细化的图像分割与水平集。图3给出了一个典型图像样本的中间结果。利用局部灰度特征，可以很容易地得出水平集的细化分割结果比自适应阈值的分割结果更接近真实的船舶边缘。
图三. 一个典型图像样本的中间结果。(a)原始图像。(b)新的混合图像。(c)具有自适应阈值的分割结果。(d)形态学手术后区域。(e)简单形状分析后的区域。(f)使用level set进行细分。为了显示清楚，这两艘候选船只以详细的表格显示。(g1)和(h1)两艘候选船的原始图像。(g2)和(h2)的分割结果，具有两个候选ship的自适应阈值。(g3)和(h3)细化分割结果，水平集为(g1)和(h1)。
表一
特性集。点括号中的数字反映每个特征集中使用的特征的维数
第三章 船舶候选特征提取
提取有效的特征来区分船舶和其他物体是非常重要的，这些物体主要包括云和海浪。形状和外观属性对于每个对象类都是至关重要的。在我们的方法中，各种特征，包括形状和纹理，从候选船只中提取出来，并作为特征向量连接起来进行分类。它们被分为五种类型(在表I中总结)，它们的描述如下。注意，在我们的实验中，为了提取稳定的特征，所有的小区域都被均匀地扩展到不小于100像素。
3.1船舶候选形状特征提取
从图像分割中得到的二值图像，很容易提供简单的几何性质，如周长和面积。在我们的方法中，采用了以下形状描述符。
欧几里得空间中最紧密的区域是圆。
2)Convexness。设S表示从水平集中得到的一组等高线点，CH(S)[41]，[42]定义为其凸包。凹凸度的定义为
3)矩形度和偏心度。最简单的离心率[42]是用最合适的椭圆近似一个物体的长短轴之比。船通常又长又薄;因此，它可以作为一种形状特征。
矩形度[42]是根据矩形的不同方向区域面积与矩形边界面积的最大比值。它假设区间(0,1)内的值，1表示一个完美的矩形区域。
4)矩不变量。矩不变量广泛应用于形状表示、模式识别、[28]和图像重建等领域，是一种非常有用的特征集。这里，我们采用Hu[29]引入的前七个矩不变量。
3.2舰船候选目标的纹理特征提取
在仔细观察这些扩展到100像素以上的候选对象之后，我们认为大多数候选对象都足够大，
剩余内容已隐藏，支付完成后下载完整资料
资料编号：[239519]，资料为PDF文档或Word文档，PDF文档可免费转换为Word
以上是毕业论文外文翻译，课题毕业论文、任务书、文献综述、开题报告、程序设计、图纸设计等资料可联系客服协助查找。
