四波段多光谱遥感图像的船舶目标显著性检测
发布时间：2021-02-01 13:33
针对复杂背景下船舶目标检测率低和光学遥感传感器的多光谱近红外（NIR）波段利用率低的问题,提出一种四波段多光谱遥感图像船舶目标显著性检测算法。所提算法利用四波段遥感数据中可见光波段图像的色彩内容饱满、NIR图像细节突出的特点,首先将可见光蓝、绿、红三通道图像变换到CIE-Lab色彩空间;然后对NIR图像进行非下采样轮廓波变换分解,对得到的高频分量进行非线性增强,以抑制噪声并增强细节,对低频分量进行反锐化掩模处理增强,以改善图像亮度的均匀性,并将高频分量和低频分量与Lab空间的亮度图像相结合,得到新的Lab图像;最后利用最大对称环绕模型对Lab图像进行显著性分析,得到船舶目标的显著性图像。实验结果表明,所提算法能够充分抑制云层、海浪尾迹等杂波干扰的复杂背景信息,同时在低对比度背景下能够突出船舶目标,具有高的查准率和查全率。
【文章来源】：光学学报. 2020,40(17)北大核心
【文章页数】：9 页
【部分图文】：
MSS模型示意图
对图像的NSCT,是对NSPFB与NSDFB进行结合,从而得到多尺度多方向,其分解示意图如图2所示。首先使用NSPFB对输入的原图像进行第一级尺度分解,得到低频子带系数和带通子带系数,然后使用NSDFB对得到的带通子带系数进行多方向分解;再利用NSPFB对得到的第一级低频子带系数进行尺度分解,如此循环下去。所以NSCT的分解过程是分级进行的,每一级尺度下进行ml级分解,然后得到 1+ ∑ l 2 m l 个子带系数,这些子带系数中含有l个低频子带系数和 ∑ l 2 m l 个高频子带系数,这样就把图像分成了低频子带和高频子带。3 NSCT-MSS的多光谱遥感图像显著性检测算法
给定四通道多光谱输入图像后,首先将RGB三通道图像转换到CIE-Lab亮度-色度颜色空间,得到1个亮度L通道图像与2个色度a和b通道图像;然后利用NSCT算法分别对NIR通道图像和变换到CIE-Lab空间的亮度L通道图像进行变换,得到低频分量和高频分量两部分;再对得到的高频分量进行非线性增强,以抑制噪声并增强细节,对低频分量进行反锐化掩模处理增强,以改善图像亮度的均匀性。这样就得到了NIR图像的低频图像BNIR和细节高频图像DNIR、亮度通道L图像的低频图像BL和细节高频图像DL。RGB图像的低频图像包含人类视觉系统感知的低亮度信息,因此将NIR低频图像BNIR丢弃。将NIR图像的细节高频图像DNIR与亮度通道L的低频图像BL组合,以获得新的亮度图像Lnew。这张新的亮度图像Lnew增强了原始图像的对比度和细节。接下来将其与Lab图像的色度a和b通道图像结合起来以重建最终三通道Lab图像Lab,new。最后对新的图像进行MSS求图像的显著图,得到最终显著图像。算法流程如图4所示。3.2 NSCT高频分量的非线性增强
【参考文献】：
期刊论文
[1]旋转矩形区域的遥感图像舰船目标检测模型[J]. 仲伟峰,郭峰,向世明,潘春洪. 计算机辅助设计与图形学学报. 2019(11)
[2]基于CFAR-DCRF红外遥感舰船单帧目标检测方法[J]. 宋文韬,胡勇,匡定波,巩彩兰,张文奇,黄硕. 红外与毫米波学报. 2019(04)
[3]复杂海况下遥感图像舰船目标检测方法研究[J]. 陈彦彤,李雨阳,姚婷婷. 激光与光电子学进展. 2019(18)
[4]基于视觉显著性的海面舰船检测技术[J]. 丁鹏,张叶,贾平,常旭岭,刘让. 电子学报. 2018(01)
[5]含噪光学遥感图像海面弱小舰船目标检测[J]. 宋明珠,曲宏松,金光. 光学学报. 2017(10)
[6]基于非降采样Contourlet变换的非线性图像增强新算法[J]. 张林,朱兆达. 电子与信息学报. 2009(08)
本文编号：3012861
【文章来源】：光学学报. 2020,40(17)北大核心
【文章页数】：9 页
【部分图文】：
MSS模型示意图
对图像的NSCT,是对NSPFB与NSDFB进行结合,从而得到多尺度多方向,其分解示意图如图2所示。首先使用NSPFB对输入的原图像进行第一级尺度分解,得到低频子带系数和带通子带系数,然后使用NSDFB对得到的带通子带系数进行多方向分解;再利用NSPFB对得到的第一级低频子带系数进行尺度分解,如此循环下去。所以NSCT的分解过程是分级进行的,每一级尺度下进行ml级分解,然后得到 1+ ∑ l 2 m l 个子带系数,这些子带系数中含有l个低频子带系数和 ∑ l 2 m l 个高频子带系数,这样就把图像分成了低频子带和高频子带。3 NSCT-MSS的多光谱遥感图像显著性检测算法
给定四通道多光谱输入图像后,首先将RGB三通道图像转换到CIE-Lab亮度-色度颜色空间,得到1个亮度L通道图像与2个色度a和b通道图像;然后利用NSCT算法分别对NIR通道图像和变换到CIE-Lab空间的亮度L通道图像进行变换,得到低频分量和高频分量两部分;再对得到的高频分量进行非线性增强,以抑制噪声并增强细节,对低频分量进行反锐化掩模处理增强,以改善图像亮度的均匀性。这样就得到了NIR图像的低频图像BNIR和细节高频图像DNIR、亮度通道L图像的低频图像BL和细节高频图像DL。RGB图像的低频图像包含人类视觉系统感知的低亮度信息,因此将NIR低频图像BNIR丢弃。将NIR图像的细节高频图像DNIR与亮度通道L的低频图像BL组合,以获得新的亮度图像Lnew。这张新的亮度图像Lnew增强了原始图像的对比度和细节。接下来将其与Lab图像的色度a和b通道图像结合起来以重建最终三通道Lab图像Lab,new。最后对新的图像进行MSS求图像的显著图,得到最终显著图像。算法流程如图4所示。3.2 NSCT高频分量的非线性增强
【参考文献】：
期刊论文
[1]旋转矩形区域的遥感图像舰船目标检测模型[J]. 仲伟峰,郭峰,向世明,潘春洪. 计算机辅助设计与图形学学报. 2019(11)
[2]基于CFAR-DCRF红外遥感舰船单帧目标检测方法[J]. 宋文韬,胡勇,匡定波,巩彩兰,张文奇,黄硕. 红外与毫米波学报. 2019(04)
[3]复杂海况下遥感图像舰船目标检测方法研究[J]. 陈彦彤,李雨阳,姚婷婷. 激光与光电子学进展. 2019(18)
[4]基于视觉显著性的海面舰船检测技术[J]. 丁鹏,张叶,贾平,常旭岭,刘让. 电子学报. 2018(01)
[5]含噪光学遥感图像海面弱小舰船目标检测[J]. 宋明珠,曲宏松,金光. 光学学报. 2017(10)
[6]基于非降采样Contourlet变换的非线性图像增强新算法[J]. 张林,朱兆达. 电子与信息学报. 2009(08)
本文编号：3012861
本文链接：https://www.wllwen.com/guanlilunwen/gongchengguanli/3012861.html
