光学遥感图像典型目标检测方法研究

发布时间：2020-07-24 11:56

【摘要】：随着遥感卫星传感器技术的发展,获得卫星、航空及无人机平台的高分辨率、多源数据已不再是难题。在如此多数据信息的不断驱动下,过去由于数据限制无法完成的检测任务在现阶段逐渐可以实现,促进了人们在目标检测领域对技术不断的研究与探索,以便满足日益增长的广泛需求。尤其是面向与人类息息相关的城市区域或者与国防领域相关的军事热点区域,针对车辆、飞机等目标的精准检测,无论是服务于民用的城市道路规划、交通管理,还是军用战术目标定位、打击提供情报支撑,都是具有重要的理论研究意义和实用价值。目标检测流程通常包含三个阶段:图像分割、目标特征提取及目标检测阶段。对于图像中目标区域的分割,传统基于像素和区域的图像分割方法,主要利用分析纹理信息的类间差异来获取分割结果,适合大区域的遥感分割,缺乏针对目标对象的考虑。因此,人们提出了面向目标对象的超像素图像分割算法,通过构建多种约束条件并以超像素块替代像素为处理单元,大幅提高了图像分割精度和处理效率,但是依然存在超像素分割边界像素与真实物体边界像素契合度低、分割割裂等问题,引起后续目标块提取及特征表达不准确等问题。此外,图像分割方法通常针对无噪声理想图像,而在实际的数据处理过程中,噪声对图像的影响是不容忽视的问题。对于目标特征提取阶段,传统模型特征信息表达能力有限,已经无法满足日益复杂城市背景的目标检测要求。近年,深度学习技术表现出了强大的特征学习能力并获得了广泛应用,但是对于训练样本数量、网络结构设计、参数设置等不具有普适性。此外,目前基于深度学习的目标检测方法大多数采用已建立完备的训练数据库,然而针对具体任务并不适用,因此需要针对具体检测任务选择和构建训练样本集,但是传统的人工或者随机样本选择方法都存在一些缺陷,影响最优训练样本的选择,进而制约目标的特征表达影响检测精度。对于目标检测阶段,大多数方法采用不同分类器对目标和背景进行分类,实现最终检测结果的输出,但依旧局限于使用单一数据源信息或者单一特征,如何利用现今如此丰富的不同平台、不同传感器的数据,充分挖掘和发挥单源数据或者多源数据的信息协同性、互补性,提高目标检测精度还有很大提升空间。因此本文通过分析目标检测不同阶段所面临的问题,提供新思路、新技术实现精准的目标检测具有重要的研究意义。首先,为了提取图像中完整目标结构,针对图像中目标区域的分割,提出了基于多重局部信息约束的图像超像素分割方法,通过在颜色、空间约束基础上引入对分割边界像素的多重局部信息约束,提高了超像素分割边界像素与真实物体边界像素的契合度,降低了分割割裂现象,从而保证后续提取目标块的准确性。针对图像分割过程中噪声对分割结果的不利影响,提出了基于3D稀疏编码的图像降噪算法,以提取包含空谱特征的三维图像块作为输入,采用K-SVD算法对稀疏字典和稀疏系数进行迭代更新,最后利用稀疏恢复模型输出高质量的恢复图像。实验验证共包含提出的超像素分割方法与其它两种先进的超像素分割算法比较,提出的图像降噪算法与传统基于稀疏表示的降噪算法比较,两组实验结果都证明了本文提出的两个算法无论在视觉感官还是量化评价指标都获的了最好的表现,为后续的特征提取和检测提供了重要基础保障。其次,在上述超像素分割结果基础上,可以提取和获得以超像素中心为原点的目标块(目标块泛指包含目标或者背景的图像块)。针对目标块特征提取阶段,传统特征表达能力弱、训练样本选择方法不足所导致检测结果精度差的问题,提出了基于CNN特征提取的目标检测方法,首先利用卷积神经网络强大的特征学习及表达能力,获取目标样本的深度语义信息,然后采用训练样本自动迭代选择方法,使训练样本集类内样本具有高差异性类间样本具有高相似性,从而建立最优的训练样本集并获取高判别性的样本特征。同时,为了解决由于目标方向不同导致目标块裁剪后目标结构不完整以及目标特征表达不一致,采用目标块主方向自动旋转算法,对目标方向进行统一化。实验验证包括训练样本集选择方法的对比,本文方法与多种基于传统特征和最优CNN特征提取方法的检测结果对比,实验结果证明了提出的基于CNN特征提取的目标检测算法表现出了很好的优越性。最后,通过上述基于CNN特征的目标检测方法可以获得显著的检测精度提升,但是在已获得的检测结果中存在高召回率时检测精度低的问题,因此针对单源数据在检测结果中受到单一空间特征的限制,提出了基于背景信息约束的目标检测结果优化方法。首先,为了充分挖掘和利用图像的光谱特征,提出了基于局部张量判别分析的图像分类算法,通过谱空特征协同结合张量判别特征提取实现图像地物精确分类,然后采用基于环境要素约束方法,将图像地物分类结果与已有的检测结果相融合,去除已有检测结果中的虚假目标,提高在高召回率时的检测精度。此外,在针对小目标、训练样本数量少的多源图像目标检测情况,提出了面向多源数据的空间-光谱特征协同的目标检测方法,通过超像素分割算法在图像分割的优势和多源数据丰富的空谱特征,提取多源目标块的空间和局部池化光谱特征,显著改善了使用单一数据源的检测精度。
【学位授予单位】：哈尔滨工业大学
【学位级别】：博士
【学位授予年份】：2019
【分类号】：TP751
【图文】：

数据产品

(c) 高光谱伪彩色合成图像(1.3m) (d) RGB 图像(0.15m)(c) False RGB composite of hyperspectral image(1.3m) (d) RGB image(0.15m)图 1-1 不同数据产品Fig.1-1 Different data products割。因此，超像素分割方法在图像分割中越来越受到重视，相比于传统的基于区域和像素的图像分割方法，超像素分割方法主要面向目标对象而不是大尺度区域分割，更适合分割和提取图像中的小目标，同时超像素分割面向目标区域而不是单个像素，有效改善由于目标空间信息缺失造成目标的欠分割或者未分割等问题，是目前较为优秀的图像分割方法，但是依然存在当分割边界召回率较高时，由于分割边界与物体实际边界契合度低、分割割裂等导致超像素中心位置偏移，造成目标块提取不准确等问题，因为目标块的提取是以图像分割结果中超像素中心为原点提取的矩形区域。在目标特征提取方面，传统目标特征提取方法如模型特征 HOG（Histogramof Oriented Gradient）[23]、 SIFT（Scale-Invariant Feature Transform）[24]及 LBP（Local Binary Pattern）[25]等特征，这些特征信息表达能力有限，且通过人工预先定义，在特征提取阶段不能改变。随着近些年深度学习的发展，深度特征

必要性,合理性,内容,目标检测

第 1 章绪论本文结构安排如下：第 1 章，首先阐述了本课题的研究背景以及研究目的与意义，并对遥感标检测基本流程进行介绍，其次针对目标检测过程所涉及关键技术的国展研究现状进行系统阐述，对其存在的缺陷与不足进行分析，提出本文研究思路及内容逻辑关系。第 2 章，重点从目标检测中的图像分割和特征提取两方面，分别介绍了像分割及特征提取方法的基础理论，同时分析了本文在目标检测过程中的挑战，并通过实验验证这些问题对本文目标检测过程的影响以及研究基于3D稀疏基于多重局部信息三章第图像超像素

示意图,算法,示意图,极大值点

a 等人在 1975 年首次提出了 MS（Mean shift）的。2002 年，Comaniciu 等人[128]提出了基于 MS 概率密度的极大值点，将具有相同模的像素点聚像分割。MS 的基本形式为：1( ) ( )∈= ∑ i hh ix sM x x xk h 为半径的圆形区域并包含 K 个数据样本点。 h 为半径圆形区域的样本点到中心点的向量总和到概率密度极大值点（如图 2-4 所示）。其分割过221arg min ( ) ( + = ∑ mean i kk izix yy x zh定性和鲁棒性较好，但当分割图像语义信息较少果较差且超像素块数量不可控。因此 Vedaldi 等算法，即 QS（Quick Shift）方法，因为 QS 方算速度相比 MS 方法更快同时边缘贴合度更好。初始窗口

【参考文献】