《基于可见光遥感图像的船只目标检测识别方法》由会员分享，可在线阅读，更多相关《基于可见光遥感图像的船只目标检测识别方法（17页珍藏版）》请在金锄头文库上搜索。
1、基于可见光遥感图像的船只目标检测识别方法 陈亮 王志茹 韩仲 王冠群 周浩天 师皓 胡程 龙腾 北京理工大学信息与电子学院雷达技术研究所嵌入式实时信息处理技术北京市重点实验室 清华大学电子系 摘 要： 基于光学遥感图像提取船只目标是海洋信息感知中的重要应用方向, 主要任务包括在广域大视场图像中快速检测定位船只目标, 并在检测船只目标的基础上对目标信息进行进一步的提取与分类, 该研究无论在民用及军事方面都具有重要意义。本文围绕船只检测识别方法中预处理及目标检测、分类等主要环节, 阐述了各环节面临的难点问题及主要解决方法, 指出了目前存在的问题, 展望了基于光学遥感图像技术的发展趋势。关键词： 遥
2、感图像; 船只检测; 目标识别; 特征提取; 深度学习; 作者简介：陈亮, 副研究员, 研究方向为遥感信息实时处理, 电子信箱:收稿日期：2017-09-25基金：国家自然科学基金项目 (91438203) A review of ship detection and recognition based on optical remote sensing imageCHEN Liang WANG Zhiru HAN Zhong WANG Guanqun ZHOU Haotian SHI Hao HU Cheng LONG Teng Beijing Key Laboratory of Embed
3、ded Real- time Information Processing Technology; Lab of Radar Research, Schoool ofInformation and Electronics, Beijing Institute of Technology; Abstract： Ship detection based on optical remote sense images is an important application direction in the marine information perception.Its primary tasks
4、include the fast detection of ship targets in a large view field and the further extraction and classification of the targets based on the ship detection. It is of great significance both in civilian and military applications. This paper reviews the main achievements in that field, focusing on the d
5、ifficulties involved. Finally, the existing problems and the future development are discussed.Keyword： remote sensing image; ship detection; target recognition; feature extraction; deep learning; Received： 2017-09-25随着遥感信息科学的迅猛发展, 遥感技术作为一门综合性的技术被广泛应用于军用、民用的各领域, 在陆地资源调查、海洋勘探、军事侦查、打击分析和评估等方面发挥着重要作用。同时
6、, 随着空、天平台遥感数据获取能力的日益增强及高分辨率卫星的飞速发展, 利用空间遥感技术进行船只目标检测和识别受到越来越多的重视。基于遥感图像的船只目标检测识别技术, 是指利用空、天遥感平台所获取扫描区域的遥感图像数据, 通过计算机对其进行相应探测算法自动处理, 获得图像中海面船只目标的精确定位及相关目标信息的技术。与传统船只探测技术相比, 基于遥感图像的船只目标检测识别技术具有高时效性, 且随着空、天平台载荷的频、空、时、谱分辨率不断提高, 为船只目标的进一步识别提供了可能。近年来, 随着光学遥感成像技术的发展, 光学遥感图像凭借其目视判读直观性强、解译容易等优点, 逐渐引起了国内外学者和研
7、究机构的广泛关注。随着遥感图像数据获取量增多及分辨率的不断提升, 基于光学遥感图像的船只目标检测与分类研究也引起了各国海洋检测局的高度重视。欧洲海事安全局 (EMSA) 的 Optical Satellite Service for EMSA (Op SSERVE) 项目于 2012 年 10 月启动, 为期 3 年, 集中了来自德国宇航中心 (DLR) 和欧洲空间成像公司 (EUSI) 等机构的研究力量, 针对光学图像中的船只检测进行研究。欧盟提出的Development of Pre-operational Services for Highly Innovative Maritime S
8、urveillance Capabilities (DOLPHIN) 项目中由意大利空间局以及荷兰国家应用科学研究机构 (TNO) 分别承担基于光学图像的船只检测和分类识别的研究任务。2015 年项目总结报告中, 意大利空间局旗下 e-GEOS 公司基于K 均值的模糊聚类方法, 提出一种基于光学图像的船只目标半自动检测方法;荷兰国家应用科学研究机构研究改进了船只尾迹分离和船只长度估计的方法, 并将船只分类准确度提高至 89%。由此可见, 基于光学遥感图像的船只检测研究逐渐成为热点课题, 相关的技术文献也日益增多。1 总体技术思路船只作为海洋信息感知中的重要目标, 是遥感领域开展自动目标检测识别
9、的重要内容。早期的船只检测基于合成孔径雷达 (SAR) 载荷图像开展, 后来随着光学载荷分辨率及成像质量的不断提高, 基于可见光遥感图像进行船只目标检测逐渐受到国内外学者的高度关注, 并开展了检测、识别、精细分类等多方面的研究。基于可见学遥感图像的船只检测主要有以下特点。1) 图像易受光照、天气、海况、成像时间及视角、传感器参数等多种因素影响, 云层、风浪等的存在使统计描述模型的建立更加困难, 不同状态下船只目标的特征存在一定差异。2) 光学载荷种类多, 图像分辨率多样。当前光学卫星载荷主要有 2 类:一类载荷具有大幅宽、大视场、中低分辨率等特点, 可用于船只目标普查;另一类载荷分辨率高但视场
10、和幅宽小, 可用于船只目标详查。3) 光学船只目标识别研究主要针对高分辨率光学遥感图像展开, 随着卫星载荷发展, 目前星载光学传感器的分辨率高达 0.3 m, 图像中目标的形状、纹理等特征丰富, 为船只目标检测提供了许多有用的信息。4) 遥感图像为顶视观测, 船只目标一般为狭长的外形结构。不同船只目标在形状大小、行驶速度、纹理结构、角度方向等方面存在较大差异, 因而其在图像中表现出来的特征也不尽相同。根据上述特点, 纵观国内外学者的研究思路, 大多数会采取一种由粗到精的检测策略。在船只检测整体流程中, 主要分为包括图像预处理和船只目标检测识别 2 个阶段。图像预处理阶段根据不同载荷的成像质量、
11、图像场景等条件差异采取相应的处理措施, 为后续目标检测提供质量更高的图像源。在船只目标检测阶段, 可划分为候选区域提取和船只目标确认 2 个步骤。其中, 候选区域提取主要在图像中搜寻可能存在船只目标的区域;目标确认通过提取特征和模式识别等手段, 对每一个单独的候选区域进行进一步的分析, 确认是否包含船只目标。算法整体流程如图 1 所示。图 1 遥感图像船只目标检测算法流程 Fig.1 Flow chart of ship target detection algorithm 下载原图2 可见光遥感图像预处理可见光遥感载荷容易受到载荷的成像特性、光照气象等外界条件的影响, 因此在基于可见光遥感图
12、像进行船只目标检测之前, 需根据获取的遥感图像成像效果进行预先处理, 抑制图像噪声及外界因素所引起的干扰, 提升目标显著性。以下从图像增强、云判别及海陆分割 3 个方面进行阐述。2.1 图像增强由于光学传感器可能会受到热噪声、电磁干扰引起的背景噪声以及环境气候等因素影响, 使得图像出现失真现象, 对后续目标特征提取造成很大影响。可通过下列途径进行图像增强。1) 图像去噪处理。可见光遥感图像的噪声包括传感器内部噪声、传输过程电磁干扰、数字量化噪声、解码引起的误差噪声等。根据主要成因可以分为椒盐噪声和高斯噪声, 其中椒盐噪声占比最大, 严重阻碍了后续的目标解译过程。针对光学遥感图像中存在的噪声,
13、常用中值滤波和维纳滤波去噪。此外, 还提出了很多基于传统方法的改进方法。如许军毅等1提出了一种基于灰度统计的快速中值滤波方法, 通过在滤波窗口内对像素值进行灰度直方统计, 减少计算中值的时间, 提升了滤波效率。2) 辐射校正。在遥感图像获取过程中, 成像传感器获得的辐射能量会包含太阳辐射及大气等干扰, 同时成像传感器本身制造误差、仪器老化等原因对成像质量造成影响。因此, 在遥感图像投入应用前, 一般需要经过辐射校正处理, 去除图像整体的辐射不均匀性、条带噪声、坏线等问题。根据辐射系数获取方式不同, 辐射校正方法主要有定标法、统计法及综合法 3种。定标法虽然可从根源上实现校正, 但由于其具有复杂
14、度高、实验条件苛刻等问题, 实际应用中多采用统计法实现辐射校正。近年来, 通过定标法和统计法等传统校正方法优势互补, 大量综合方法被提出。如曾湧等2提出一种基于实验室定标和均匀景统计的相对辐射校正方法, 有效消除了 CBERS-02 卫星影像中的片内条纹和片间色差;Jung 等3综合运用坏线检测算法与坏线修复算法有效去除了遥感图像中条带和坏线。综合法充分利用了传统方法中的优势, 可以较为高效地实现遥感图像的辐射校正。3) 图像去薄云雾干扰。当星载可见光传感器对地面进行拍摄时, 很多时候都会受到云雾的遮挡。当云层较厚时, 无法观测到地面上的物体, 此时只能通过其他载荷或手段进行观测;但是当云雾较
15、薄时, 造成光学传感器接收到的反射光线被衰减从而出现成像模糊的现象, 对后续的目标检测造成影响。当图像中有薄云雾干扰时, 先通过去雾处理提升图像的清晰度, 提高检测准确率。近年来应用最多的去雾算法是 He 等4提出的基于暗原色先验的方法, 通过对多数自然场景的统计建立暗原色先验规律, 从而简化了雾成像模型的反演计算, 可快速计算得到去除干扰后的图像。该算法在遥感图像的目标检测预处理环节也得到应用5, 并基于灰度直方图中暗像素的百分比, 增加了智能判断是否需要进行去雾的功能。虽然此方法成为目前使用最广泛的去雾算法, 但是只适用于包含红绿蓝 (RGB) 多谱段的光学遥感图像。2.2 厚云检测及剔除
16、光学遥感图像最常遇到的难题是图像中存在厚云遮挡, 它降低了遥感图像的利用率, 对后续的船只目标识别过程造成阻碍。因此需对获取的遥感图像进行厚云剔除, 提高信息的利用率。目前最常用的云检测方法可以分为阈值法和模式识别法。其中阈值法由于运算简单, 在早期云检测中被广泛应用。其基本原理是将像素的亮度和反射率与预设阈值进行比较, 如 AVHRR Processing Over Land Cloud and Ocean (AP-PLO) 法、International Satellite Cloud Climatology Project (ISC-CP) 法等。在模式识别类方法中, 一类是通过聚类分析实现, 比如直方图聚类、动态阈值聚类、自适应聚类等。近年来, 随着机器学习研究的不断进步, 基于支持向量机的云检测方法开始被广泛引用。如王睿等6提出了一种基于最小二乘支持向量机 (LS-SVM) 法进行云检测, 同时结合人工神经网络完成厚云去除, 其主要缺点是对于训练样本的敏感度较强, 样本选
