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。     

基于多尺度双邻域显著性的高分四号遥感图像运动船舶检测方法

静止轨道(GEO)的高分四号(GF-4)卫星具备对海上运动船舶进行连续观测的能力,由于轨道高,海面船舶在GF-4卫星遥感图像中比较弱小不易检测。该文分析海面运动船舶的尾迹特征,提出一种基于多尺度双邻域显著性(MDSM)的GF-4卫星遥感图像运动船舶检测方法。首先依据多尺度双邻域显著性模型计算显著度,生成显著图;然后使用自适应阈值分割提取运动船舶的位置;最后利用尾迹几何特征对候选目标的形状进行校验,进一步去除虚假目标。实验结果和分析表明,所提方法可以有效地检测GF-4卫星遥感图像中的多个运动船舶目标,相比目前主流的视觉显著性检测算法,该文所提算法具有更好的检测性能。     

基于视觉显著模型的遥感图像舰船快速检测

为了降低传统高分辨率海面遥感图像舰船目标检测方法的计算复杂度,提高检测速度,在舰船目标检测中引入了基于直方图对比度的视觉显著模型和空间降维算法,提出一种新的高分辨率海面遥感图像舰船目标快速检测算法。首先对高分辨率遥感图像进行空间降维,然后计算降维图的视觉显著图,突出感兴趣目标区域,最后利用最大类间方差法分割视觉显著图以获取舰船目标候选区域。结果表明,目标检测所消耗的时间减小为原来的10%~12%,弱化了复杂海面纹理背景对目标检测的影响。该研究提高了高分辨率遥感图像舰船目标的检测效率。     

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。     

基于色彩空间变换与异常检测的多光谱舰船感兴趣区域检测

针对多光谱遥感图像中复杂海面背景下海上舰船检测问题,在高斯模型RX异常检测算法的基础上进行改进,提出一种基于色彩空间变换的复杂海面上舰船感兴趣区域(ROI)的自动检测方法,解决了传统的阈值分割方法在遥感图像复杂海面背景下较难将目标与背景分离的问题。在多种不同复杂海面背景下的舰船ROI检测实验中,与传统阈值分割方法比较,该舰船ROI检测方法有较好的检测效果。     

基于谱残差和梯度纹理融合特征的舰船检测

本文提出一种谱残差和梯度纹理融合特征来检测可见光遥感图像中复杂海面背景下的舰船目标。首先,使用谱残差模型定位疑似舰船目标,并采用自适应动态阈值法获取候选目标区域。然后,根据舰船的形状特点,对梯度方向直方图特征进行改进,设计出表征舰船特性的梯度方向特征。同时,将提取候选目标区域的统一化LBP特征的方差以及灰度共生矩阵特征相结合来描述舰船的纹理信息,得到30维特征向量。最后,通过训练好的AdaBoost分类器来完成舰船目标鉴别。本文的检测算法,针对尺寸为1 024×1 024的可见光遥感图像,检测时间为4.792 6s,检测精度为95.51%,召回率为96.65%。实验结果表明:本文算法能准确提取海面舰船目标,获取舰船目标的数量和位置信息,从检测时间和精度上来看,可以作为实际工程参考。     

卫星遥感图像中河流的快速提取方法

利用高分辨率卫星遥感图像中河流的灰度和几何特性,提出了一种从卫星遥感图像中快速提取河流的方法.该方法首先将原图像划分成互不重叠的图像子块,利用图像子块的灰度均值和标准差的统计特征将其二值化,然后对图像子块进行四连通标记,最后利用连通区域的面积和体态比几何特征提取河流目标.对真实高分辨率卫星遥感图像进行的实验验证了该方法的有效性.     

基于Ecogniton的光学遥感图像舰船目标检测

利用卫星遥感技术对海上舰船目标进行识别定位具有重要的意义。提出了一种基于面向对象的图像分割和分类软件Ecognition的技术方法来提取高分辨率遥感卫星图像中的海上舰船目标。利用多尺度分割算法和光谱差异分割算法对高分辨率卫星图像进行初步分割;利用归一化差异水体指数（NDWI）或灰度共生矩阵（GLCM）同质性纹理特征对陆地和海洋进行辨别;利用对象的相邻关系特征和形状特征来获取潜在的舰船目标;利用数学形态学算子实现舰船目标的连续化,从而获得最终的海上舰船目标。利用高分辨率卫星图像进行了实验验证,实验结果说明了所提出的技术可以有效地实现海上舰船目标的识别与定位。     

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.     

一种交互式视频卫星遥感图像车辆目标检测与跟踪方法

提出了一种卫星遥感图像中具有少纹理特征的车辆弱目标检测与跟踪的交互式方法。首先,采用多边形对遥感图像中的道路区域进行人工标记,然后利用区域生长法提取道路区域。其次,融合迭代阈值法和Otsu阈值法分割道路区域图像,并通过面积约束检测车辆目标。最后,通过相邻帧图像模板匹配和距离约束实现多个车辆目标的同步跟踪。测试数据采用1米分辨率的视频卫星遥感图像,结果表明提出方法对弱小车辆目标检测的召回率为83.3%,虚警概率为2.44%。     

海面目标高分辨率卫星成像仿真方法

海洋目标高空间分辨率遥感成像仿真技术在海面目标探测识别等方面得到了广泛应用。舰船与海水流体交互作用在高分辨率下得以显现,对其产生的复杂流场辐射模拟是成像仿真的主要难点。重点研究了舰船航行过程中与海水交互产生的流场几何形态和物性变化,提出了与海面方向辐射特性的耦合作用模型及海洋目标高分辨率遥感成像仿真方法。通过频谱分析的方法构建海面三维模型,使用计算流体力学的方法构造了船只航行流场的三维几何模型。根据海面组分分布的不同将其辐射特性与三维结构关联,构建了亚米级海洋场景三维辐射模型。通过辐射传输计算、场景内部多次反射模拟及大气影响和传感器效应仿真,最终得到观测条件下的卫星遥感图像。结果表明,将GF-6卫星全色波段实测图像与相同成像条件下的仿真图像对比,图像均值的误差为9.17%,标准差误差为9.21%,在平均灰度值、灰度分布、纹理细节等方面都具有较好的一致性,可以较真实地模拟高分辨率卫星成像下的海洋目标场景。     

基于Google Earth Engine的海量舰船目标SAR图像处理应用研究

传统基于单机的合成孔径雷达(Synthetic Aperture Radar,SAR)图像舰船目标检测需要在本地计算机上进行数据下载、处理和分析,这极大受限于本地计算机的性能,只能对少量SAR图像进行检测。本文利用Google Earth Engine(GEE)遥感云计算平台的海量数据存储和强大运算能力,通过在云端部署SAR卫星数据、模型算法和计算机算力,在GEE平台上进行了大范围海域的海量舰船目标SAR图像处理应用研究,实现了舰船目标检测同时还可以获取舰船目标信息、统计舰船目标数量、批量下载目标检测结果图像等。通过在Sentinel-1 SAR数据上进行相关实验,结果表明本文研究可在线对海量SAR数据进行实时、高效、快速地处理,对海上舰船监视具有较高的实际应用价值。      

光学卫星遥感图像舰船目标检测综述

遥感图像的目标检测是把海量遥感数据转化为应用成果的重要一环,而光学遥感图像中舰船目标的检测更是遥感图像处理分析的研究热点,具有重要的应用价值.本文的主要目的是研究光学遥感图像中舰船目标检测的各种方法,对目前采用的检测方法做出系统性总结.重点介绍了基于灰度信息统计特征、视觉显著性、模板匹配和分类学习的四种传统舰船目标检测方法和深度学习方法在舰船目标检测中的应用,并分析了各种方法的优缺点和适用性,同时对舰船目标检测的未来发展进行了展望.     

静轨光学卫星与自动识别系统的目标点迹关联与误差校正

静轨光学卫星对舰船目标监视时,由于探测距离较远存在较大的目标定位误差,影响后续目标跟踪的准确性。由于任务区域主要是海面,可能无法找到地面控制点(GCP)进行坐标校正。为了提高无控下静轨光学卫星对舰船目标的定位精度,同时实现多源数据的融合,该文提出一种基于船舶自动识别系统(AIS)数据的静轨光学卫星舰船目标点迹关联与误差校正方法。利用有理多项式系数(RPC)模型实现物方坐标到像方坐标的转换,通过迭代最近点(ICP)与全局最近邻(GNN)算法进行点迹关联,由关联点对实现误差校正。利用高分4号卫星图像与AIS数据进行了实验,实验结果表明该算法具有很高的关联正确率,同时极大提高了定位精度,基本可以满足实用性要求。     

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。      

高分辨率SAR图像舰船目标几何结构特征提取

随着SAR图像分辨率的提高,利用SAR图像进行舰船识别成为遥感卫星获取海洋情报的新途径。几何结构特征是对目标的直观描述,提取方法简单,成为对舰船目标进行初分类的重要依据。本文首先介绍了几种典型的几何结构特征及其计算方法,并分析了它们在舰船识别中的作用,然后介绍了一种基于方位角估计的几何结构特征提取方法:对图像进行预处理抑制旁瓣,利用矩技术估计方位角,旋转目标至水平状态,采用逐步逼近的方法获得最小外接矩形,进而提取其他几何结构特征。实验结果证明本文方法提取的几何结构特征准确度高,算法稳定性好。