基于多源遥感卫星的海面舰船目标检测方法

围绕光学卫星遥感图像中的海面舰船目标检测问题,考虑静止轨道遥感卫星和低轨道高分辨率遥感卫星的优缺点,提出一种基于多源遥感卫星的海面舰船目标检测方法。该方法首先通过多结构多尺度形态学滤波和自适应阈值分割对静止轨道卫星遥感图像进行目标预检测,然后将预检测结果与卫星图像的地理位置信息相结合来确定高分辨率遥感图像候选目标区域,最后提取候选目标区域中目标的主要特征,进行舰船目标判别,将判别结果反映到静止轨道遥感卫星图像上。仿真结果表明,该方法能有效检测出海洋背景遥感图像中的多个运动舰船目标,具有目标检测率高、虚警率低、时效性好等优点,为静止轨道遥感卫星对海面运动舰船目标的实时监视跟踪提供了技术支撑。     

静止轨道遥感卫星海面运动舰船快速检测方法

面向静止轨道光学遥感卫星,该文提出一种海上运动舰船目标快速检测方法。该方法首先利用多结构多尺度形态学滤波对海洋背景遥感图像进行背景抑制;然后采用自适应阈值分割和自组织聚类获得候选目标;再根据目标运动特征,利用静止轨道卫星凝视序列图像对候选目标进行多目标移动式邻域判决,剔除虚假目标;最后关联舰船目标以及融合卫星平台数据,可快速计算舰船状态等深层次动态信息。实验结果与分析表明,所提方法能有效检测海洋背景遥感图像中的多个运动舰船目标,准确获取各个舰船位置、航速、航向、运动轨迹等信息,具有算法简单,目标检测率高、虚警率低,稳定性好等优点。该方法为我国静止轨道光学遥感卫星在轨数据处理与应用提供了技术支撑。     

基于多尺度圆周频率滤波与卷积神经网络的遥感图像飞机目标检测方法研究

针对遥感图像飞机目标检测因目标尺度不一存在漏警、虚警等问题,该文基于遥感图像中飞机目标形状特征和灰度变化特点提出了一种多尺度圆周频率滤波(MSCFF)与卷积神经网络(CNN)相结合的MSCFF+CNN飞机目标自动检测算法。该算法首先采用多尺度圆周频率滤波器滤除遥感图像复杂背景,实现不同尺度飞机目标候选区域提取;然后,通过构建卷积神经网络(CNN)模型实现候选区域有效分类,最终精确确定飞机目标位置。最后,基于获取的真实遥感图像进行目标检测算法实验验证,经统计该算法的飞机目标检测率为94.38%,虚警率为3.76%,实验结果充分验证了该文算法的有效性,该算法可为机场监管、军事侦察等应用提供重要的技术支持。     

基于多尺度圆周频率滤波与卷积神经网络的遥感图像飞机目标检测方法研究

针对遥感图像飞机目标检测因目标尺度不一存在漏警、虚警等问题,该文基于遥感图像中飞机目标形状特征和灰度变化特点提出了一种多尺度圆周频率滤波(MSCFF)与卷积神经网络(CNN)相结合的MSCFF+CNN飞机目标自动检测算法.该算法首先采用多尺度圆周频率滤波器滤除遥感图像复杂背景,实现不同尺度飞机目标候选区域提取;然后,通过构建卷积神经网络(CNN)模型实现候选区域有效分类,最终精确确定飞机目标位置.最后,基于获取的真实遥感图像进行目标检测算法实验验证,经统计该算法的飞机目标检测率为94.38%,虚警率为3.76%,实验结果充分验证了该文算法的有效性,该算法可为机场监管、军事侦察等应用提供重要的技术支持.     

光学遥感图像舰船目标视觉显著性检测方法

为了从光学遥感卫星图像中快速提取船舶目标显著性区域,同时为解决显著性数据集稀缺以及标注困难的问题,文中设计了一种多尺度全卷积神经网络,实现了基于眼动注视数据的船舶目标显著性图的生成,并针对遥感图像舰船检测任务,利用Google Earth采集包含舰船的高分辨率光学遥感图像,再使用TobiiProX3-120台式眼动仪构...     

基于视觉显著性的SAR遥感图像NanoDet舰船检测方法

在合成孔径雷达遥感图像中,舰船由金属材质构成,后向散射强;海面平滑,后向散射弱,因此舰船是海面背景下的视觉显著目标。然而,SAR遥感影像幅宽大、海面背景复杂,且不同舰船目标特征差异大,导致舰船快速准确检测困难。为此,该文提出一种基于视觉显著性的SAR遥感图像NanoDet舰船检测方法。该方法首先通过自动聚类算法划分图像样本为不同场景类别;其次,针对不同场景下的图像进行差异化的显著性检测;最后,使用优化后的轻量化网络模型NanoDet对加入显著性图的训练样本进行特征学习,使系统模型能够实现快速和高精确度的舰船检测效果。该方法对SAR图像应用实时性具有一定的帮助,且其轻量化模型利于未来实现硬件移植。该文利用公开数据集SSDD和AIR-SARship-2.0进行实验验证,体现了该算法的有效性。      

基于视觉显著性的海面舰船检测技术

海面舰船检测技术有着特殊的军用以及民用意义,为了在宽广且环境复杂多变的海面上快速、高效、精确地检测到舰船目标,本文提出了一种基于多特征、多尺度视觉显著性的海面舰船检测方法.该方法充分利用了四元数图像可在多个通道上同时进行操作,节省操作时间,并保证不同尺度特征之间关联性的特点;除此之外,该方法还利用人眼对不用大小的图像关注目标不同的特点对图像进行尺度大小变换以避免漏检.该方法先用顶帽算法对原图进行简单的图像预处理以抑制云层、油污的干扰;其次提取多种特征构成四元数图像进行舰船目标显著性检测;在得到显著图后利用OTSU分割算法确定舰船所在的区域,并在原图上标定、提取舰船目标.通过在多种海面情况下分别进行实验分析,实验结果表明该算法可以排除云、雾、油污等干扰,精确、快速地检测到舰船目标,真正率达96.52%,虚警率低至2.11%,相较于他显著性检测算法在舰船检测方面有明显的优势.     

用于卫星遥感图像的多尺度目标检测算法

为解决在卫星遥感图像的多尺度目标检测中出现的背景混乱、小目标检测精度低、漏检率高等问题，提出一种用于卫星遥感图像的多尺度目标检测算法。在主干网络中使用通道和空间注意力模块，并重新设计特征融合网络，实现上采样-下采样-上采样的多重融合，并在其中加入通道权重参数，让网络更加关注重要的层次，实现不同层次特征信息的充分利用，使细节特征信息得到增强。在DIOR数据集中的实验结果表明，所提算法不仅显著提升对小目标的检测效果，而且提高对复杂场景中目标的检测精度，与YOLOv5m相比，对部分较小或者复杂的目标检测效果提升明显，精度提升4.5个百分点以上，整体精度提升3.1个百分点。     

基于显著性候选区域的遥感船舶检测算法

针对遥感船舶检测任务场景中与海面颜色相似船舶显著值低以及海岸线、岛屿等背景干扰问题,提出一种基于显著性候选区域的遥感船舶检测算法.首先,该算法采用脉冲耦合神经网络将根据改进频率调谐显著性检测与Hessian矩阵边缘检测得到的两种显著图相融合得到总显著图,以提高与海面背景颜色相近船舶的显著值,从而提取有效的船舶候选区域切...     

有云层干扰的光学遥感图像舰船检测算法

针对海面光学卫星遥感图像舰船检测中云层干扰所产生高虚警率的情况,提出一种基于串并联混合多维特征融合判决的舰船目标检测算法。首先,利用高斯灰度阈值分割目标与海面云层背景,并对分割后的二值图像进行区域标记;然后,利用感兴趣区域的几何形态和边缘能量两类特征,包括中心偏移度、长宽比、面积变化比、曲折度和填充度,构建了串并联混合多维特征融合判决方法;最后,通过对感兴趣区域进行综合鉴别,有效剔除了云层干扰导致的虚警,解决了含云层背景检测结果虚警率高的问题。对多幅SPOT4光学遥感卫星图像的实验结果表明算法的有效性。     

基于精细分割的SAR图像舰船目标几何结构特征提取

随着高分辨率星载合成孔径雷达（synthetic aperture radar,SAR）系统的研制和使用,利用SAR图像实现快速准确的舰船目标识别分类成为了海上目标侦察监视的重要手段.文中针对SAR舰船目标切片图像,提出一种基于精细分割的SAR图像舰船目标几何结构特征提取方法.首先,采用基于Radon变换的分割方法将舰船目标和成像干扰区域进行分离,对分离出的舰船目标切片进行阈值分割处理,并利用形态学手段处理分割图像,减小旁瓣影响,准确提取目标主区域;然后基于椭圆形状约束进行目标区域的细化分割,解决分割区域"毛刺"现象和区域断裂现象,得到舰船目标的最佳图像分割区域;最后,通过逼近目标区域获得其对应的最小外接矩形（minimum enclosing rectangle,MER）,进而实现目标区域几何结构特征的精确提取.通过对获取的高分三号卫星SAR图像数据进行仿真实验,证明了本文方法提取舰船目标几何结构特征的高准确性和强稳定性,对海上舰船目标的识别与分类具有重要意义.     

基于显著性与稠密光流的红外船只烟幕检测方法研究

船只目标是海上的一种重要目标。红外成像系统由于其可白天、夜间同时工作的特点已被广泛应用于船只检测系统中。但是,红外成像系统容易受到烟幕干扰,导致船只检测系统失效。因此及时有效地检测到红外船只图像中的烟幕干扰区域,对于提高船只目标检测系统的准确性具有重要意义。针对红外图像中船只释放的烟幕区域的检测问题,提出了一种基于显著性与稠密光流融合的烟幕检测方法。由于舰船释放的烟幕有明显区别于背景的特性,因此首先采用多尺度邻域滤波的AC算法对图像进行显著性区域检测,提取显著的烟幕区域;然后利用烟幕扩散的运动特点,对图像前后帧进行稠密光流计算得到图像的运动信息,通过设置阈值筛选得到明显的运动点、扩充运动点区域、合并分裂的运动区域,得到运动的烟幕区域;最后对显著性区域与运动烟幕区域进行合并得到最终的烟幕区域。实验结果表明,该方法能有效检测到烟幕区域,并且能够很好地适应烟幕反射光以及背景亮度的变化。     

基于级联卷积神经网络的大场景遥感图像舰船目标快速检测方法

针对大场景遥感图像舰船目标的快速检测问题,该文设计了一种级联型卷积神经网络检测框架。该检测框架由目标预筛选全卷积网络(P-FCN)和目标精确检测全卷积网络(D-FCN)两个全卷积网络级联而成。P-FCN是一个轻量级的图像分类网络,负责对大场景图像中可能的舰船区域进行快速预筛选,其层数少、训练简单,候选框冗余较少,能够减少后续网络的计算负担;D-FCN是一个改进的U-Net网络,通过在传统U-Net结构中加入目标掩膜和舰船朝向估计层以进行多任务的学习,实现任意朝向舰船目标的精细定位。该文分别使用TerraSAR-X雷达遥感图像和从91卫图、DOTA数据集中获得的光学遥感图像对算法进行了测试,结果表明该方法的检测准确率分别为0.928和0.926,与传统滑窗法相当,但目标检测时间仅为滑窗法的1/3左右。该文所提的级联型卷积神经网络检测框架在保持检测精度的前提下能显著提高目标检测效率,可实现大场景遥感图像中舰船目标的快速检测。      

基于中心点回归的大场景SAR图像舰船检测方法

合成孔径雷达(synthetic aperture radar,SAR)图像舰船目标检测在军事和民用领域有着重要的应用.然而随着SAR图像成像能力的提升,SAR成像场景越来越大,舰船目标检测存在两个难点:一是舰船目标在整幅图像中所占比例极小,很难与周围背景分开;二是靠岸舰船目标通常密集排列,目标之间难以区分.目前常用基...     

复杂海天背景下红外舰船目标实时检测算法

针对复杂海空背景条件下的低信噪比舰船目标检测问题,在分析海面背景舰船目标红外图像特点的基础上,提出首先进行红外图像预滤波以抑制噪声背景增强目标,然后通过检测图像水平与垂直边缘得到潜在目标区域,最后通过小范围的图像分割检测舰船目标。实际录取数据实验结果表明,算法针对各种海面场景与目标类型均能准确检测目标,实时性好。