光学遥感图像的港口内舰船检测算法研究

发布时间：2020-05-29 15:32

【摘要】：由于光学遥感图像具有目视判读直观、解译容易等突出优势,且其在民用和军用巨大的作用,近年来,光学遥感图像中完成目标检测与识别得到内外诸多研究机构和学者的研究,取得了一系列进展。本文聚焦于光学遥感图像港口内舰船的精确检测。相比于海面舰船检测,港口内舰船检测难度更大。因为港口内舰船存在多船粘连、舰船与舰岛粘连、舰船与港口地面建筑混淆等问题。这些问题目前依然是充满挑战的开放性问题,还没有行之有效的解决方案。本文一方面结合港口先验知识,构造港口模板完成港口精确检测与提取,将复杂的港口内舰船检测问题简化为水面舰船问题,避免了港口建筑对检测算法的影响。另一方面,在此前基础上,结合深度学习强大的表示学习能力,提出了基于深度神经网络的港口内舰船检测检测提取算法,获得较为满意的结果。本文主要工作和贡献如下:(1)提出基于混合特征的光学遥感图像配准算法。针对现有高分辨率光学遥感图像的高精度配准,由于形状、颜色、纹理的变化,使得特征点随机性大、匹配率较低,误匹配率高、且易受环境噪声影响的问题,我们提出一种高精度光学遥感图像配准算法,算法通过对遥感图像提取ROEWA-Harris特征,后结合Lo G-Polar和SIFT的混合描述算子,以此混合特征实现港口图像的精确配准。(2)针对光学遥感港口图像,依据港口遥感图像特点,结合(1)所提算法,提出了港口海域高精度分割提取算法。算法首先根据港口先验信息创建F(Feature)模板和B(Binary)模板,F模板的作用是实现检测图像到港口模板的精确配准,B模板的作用是实现港口海域的精确分割提取。实际检测过程中,首先通过遥感图像数据包含的经纬度坐标大致定位感兴趣的港口区域,然后依据港口对应的F(Feature)模板完成检测图像到B(Binary)模板的精确配准,最后根据B模板完成港口高精度分割提取。实验结果分析表明图像与模板图像大小、方向一致,具有精确的海陆分割,更有利于后续港口内舰船的高精度检测与识别。(3)提出了基于卷积神经网络的港口内舰船检测算法,针对光学遥感舰船检测的问题,利用卷积神经网络方法,对光学遥感港口图像进行舰船检测,输入遥感图像,算法输出舰船目标数量、区域和分类置信度。本文具体研究了训练数据的构建与标定,神经网络结构与参数优化,基于CNN的舰船检测算法和算法的性能评价等内容,并通过具体的实验分析了算法的性能。
【图文】：

遥感图像,遥感图像,示例

目标的成像质量受多种因素的干扰，其中包括成像设备的限制、海以及舰船运动随机性等，使得光学图像方面应用较少。，随着空间遥感影像分辨率的提高以及遥感侦察的广泛应用，国内外高效利用投入了更多关注，目标检测识别领域的研究也逐步增加。遥检测领域发挥了重要作用。遥感图像舰船检测是对光学遥感海域及港口图像进行读译，并利用设法，计算得出舰船目标的精准定位等工作，其本质上是从影像资料提 1970 年以来，，由于遥感信息技术商业化的不断增速，推动了其研究于舰船目标等在遥感领域可视为小目标，并且高分辨率卫星所产生的，同时舰船目标本身在国家安全、战略需求、经济发展等领域的重要标检测成为遥感技术领域耳熟能详的话题。对光学遥感图像数据的研究，总结它具有两个主要特征：一是图像数据有丰富的细节信息。以“必应”所获取的港口为例，其在遥感图像存储同，像素量依次成倍增长，图片所占存储量依相邻级数为 4 倍。如图。

舰船,示例,类型,港口区

图 1.4 舰船类型示例Fig. 1.4 Example of Ship Type特定情况下的舰船检测依然是困扰研究者的一的情形如例，港口区域由于地面建筑物极多，之码头凸堤等在灰度上同舰船基本相近，甚至若存在云雾等因素，将导致其检测难度更大，图 1.5 陆地建筑干扰示例Fig. 1.5 Example of Terrestrial Interference
【学位授予单位】：西华大学
【学位级别】：硕士
【学位授予年份】：2018
【分类号】：TP751

【参考文献】