基于显著性候选区域的遥感船舶检测
发布时间：2021-06-19 21:13
近年来,随着遥感技术的不断突破,得益于大量的高分辨率遥感卫星,光学遥感影像可获取更加丰富的信息,船舶检测有了更加多样化的遥感图像数据,而随着日益增加的应用需求,更高效、更高识别能力的光学遥感船舶检测方法具有重要的研究意义和应用价值。为此,本文开展了遥感船舶检测算法的研究课题,本文算法研究主要包括显著性候选区域提取和船舶候选区域鉴别两个方面。首先,本文分析了光学遥感图像的特点和显著性检测模型的原理,对不同特点的光学遥感图像和几种常见的显著性模型分别进行了拟合实验和显著性检测实验,为后续的光学遥感船舶检测奠定了基础。其次,针对光学遥感船舶检测任务场景中与海面颜色相似船舶显著值低的问题,本文提出了一种将改进FT显著性检测和Hessian边缘检测显著性模型融合起来的显著性候选区域提取算法。本文先用改进FT显著性检测和Hessian矩阵边缘检测,分别对遥感图像进行处理,然后再采用脉冲耦合神经网络将得到的这两种显著图融合成总显著图,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片,并对该候选区域切片的尺寸做归一化操作,便于下一步的检测处理。实验表明,本文算法有效地提高了船舶检测...
【文章来源】：大连海事大学辽宁省 211工程院校
【文章页数】：75 页
【学位级别】：硕士
【部分图文】：
图２．３?ｌＵｉ显著性检测算法流程图??Ｆｉｇ．?２．３?Ｉｔｔｉ?ｓａｌｉｅｎｃｙ?ｄｅｔｅｃｔｉｏｎ?ａｌｇｏｒｉｔｈｍ?ｆｌｏｗ?ｃｈａｒｔ??详细的实现步骤如下所示：??（ｉ）高斯金字塔的建立：??针对一幅大小为２〃ｘ２ｗ图像／＾，乃，设ｓ为金字塔层数，及表示最底层，即为输入??的原始图像，金字塔第ｆ层与第／－Ｉ层的关系为：??７?ｊ）＝ＺＬ．ｖ?Ｙｌ＝－ｎ?ｗ（ｍ＞?ｉ２ｉ＋ｍ，ｖ＋＾）
均值与高斯平滑后的差值作为显著性标准，??在处理与海面背景颜色相近船舶时，该类船舶的显著值很低，这将会降低的船舶检测精??度。为了提高ＦＴ显著性模型提取的显著图的显著值，于等人［２７】提出一种改进的ＦＴ显??著性模型，本文以下简称改进ＦＴ显著性模型，虽然此方法提高了?ＦＴ显著图中船舶显??著区域的显著值，但是仍未解决与海面背景颜色相近船舶显著值低的问题。为此，本章??提出一种结合改进ＦＴ显著性检测与Ｈｅｓｓｉａｎ矩阵边缘检测的新型显著模型，从而提取??可靠的船舶候选区域，算法流程图如图３．１所示。??Ｈｅｓｓｉａｎ?Ｉ边缘显著．??＾边缘检测．ｎ?图ｒ￣］???????光ＩＩ感一?一?＿融合一总显著图一＾候选区域??改进ＦＴ、Ｗ．?改进丨??，Ｉ性计笕ｎ著阁１??图３．１?ＦＴＨ显著性检测算法流程图??Ｆｉｇ．?３．１?Ｆｌｏｗ?ｃｈａｒｔ?ｏｆ?ＦＦＨ?ｓａｌｉｅｎｃｙ?ｄｅｔｅｃｔｉｏｎ?ａｌｇｏｒｉｔｈｍ??？?ｉ?＇??根据流程图３．１可知，本章所提算法先根据改进ＦＴ显著性检测和Ｈｅｓｓｉａｎ矩阵边缘??检测得到两种显著图，然后采用ＰＣＮＮ融合策略得到总显著图，即频率调谐Ｈｅｓｓｉａｎ??（Ｆｒｅｑｕｅｎｃｙ－Ｔｕｎｅｄ－ＩＩｅｓｓｉａｎ，?ＦＴＩＩ）显著图，从而提取船舶候选区域。算法的详细步骤??将在接下来的小节中进行论述。??３．１改进ＦＴ显著性检测??本节将针对改进ＦＴ显著性模型的原理进行论述，并选取光学遥感图像进行显著性??实验，对改进ＦＴ显著图的不足进行分析总结，为接下来提出在改进ＦＴ显著性模型的??基础上引入Ｈｅｓｓｉａｎ矩阵边缘检测，提供了实验依据。??３．１．１改进ＦＴ显著
?基于显著性候选区域的遥感船舶检测???著区域的显著值，于等人［２７］在ＦＴ算法的基础上，先将各颜色分量所对应的显著值进行??归一化处理，然后再线性组合得到最终的显著图，计算过程如式（３．１）？（３．３）所示：??伽）ｍ?（３．１）??ｍａｘ?（ｊ?—?ｗｉｎ［ＳＬ?）??伽）ｙｎ?（３．２）??，剩二?ｎ?（３．３）??式中，和分别为Ｌａｂ颜色空间Ｌ，ａ和Ｚ？通道的归一化后的??显著值。最后将各通道归一化的显著值进行线性组合得到合成后的显著值，获得最终的??显著图计算过程如下：??；＝?（ｘ，ｊ）?＋?＾；（＾ｊ）＋＾；?（ｘ，ｙ）?（３＿４）??３．?１．２显著性实验??为了与ＦＴ显著性模型进行对比分析，本次实验的光学遥感图像仍然采用２．４节的??实验图像。??实验—：：：?，??复杂海琬的光学遥感图像的对此实验，结果如图：３．２和图３：３所亲：Ｉ．?＇?？??，?．．?＇？?．＇丨?’；???ｓ??，?．？?■??Ｉ?１?？???Ｌ?＇?”?ｉ??ＨＨＨ??１）?ＦＴ显著图?２）?改进ＦＴ显著图??１）?ＦＴ?Ｓａｌｉｅｎｃｙ?ｍａｐ?２）?Ｉｍｐｒｏｖｅｍｅｎｔ?ＦＴ?ｓａｌｉｅｎｃｙ?ｍａｐ??图３．２两种算法显著图对比结果??Ｆｉｇ．?３．２?Ｃｏｍｐａｒｉｓｏｎ?ｒｅｓｕｌｔｓ?ｏｆ?ｓａｌｉｅｎｔ?ｇｒａｐｈｓ?ｏｆ?ｔｈｅ?ｔｗｏ?ａｌｇｏｒｉｔｈｍｓ??－２６?－??
【参考文献】：
期刊论文
[1]脉冲耦合神经网络在图像融合中的应用研究[J]. 邓辉,王长龙,胡永江,张玉华. 电光与控制. 2019(11)
[2]基于显著性的SAR图像船舶目标检测方法[J]. 闫成章,刘畅. 中国科学院大学学报. 2019(03)
[3]基于深度学习的显著性检测方法模型——SCS[J]. 张洪涛,路红英,刘腾飞,张玲玉,张晓明. 计算机与现代化. 2018(04)
[4]改进频率调谐显著算法在疵点辨识中的应用[J]. 王传桐,胡峰,徐启永,吴雨川,余联庆. 纺织学报. 2018(03)
[5]基于卷积神经网络迁移学习的SAR图像目标分类[J]. 刘晨,曲长文,周强,李智,李健伟. 现代雷达. 2018(03)
[6]基于多列深度3D卷积神经网络的手势识别[J]. 易生,梁华刚,茹锋. 计算机工程. 2017(08)
[7]基于CNN-GRNN模型的图像识别[J]. 江帆,刘辉,王彬,孙晓峰,代照坤. 计算机工程. 2017(04)
[8]基于DCT零系数与局部结构张量的局部模糊检测[J]. 王奎奎,玉振明. 计算机工程. 2017(06)
[9]基于显著性分析的HOG快速船舶检测方法[J]. 元海文,肖长诗,文元桥,周春辉,张康贺,邹雄. 中国航海. 2016(01)
[10]基于改进小波神经网络和灰色模型的装备性能参数预测[J]. 李梦妍,于文震. 电子测量技术. 2016(03)
博士论文
[1]脉冲耦合神经网络在图像处理中的应用研究[D]. 李建锋.中南大学 2013
硕士论文
[1]基于深度神经网络的图像显著性检测[D]. 高东东.西安建筑科技大学 2018
本文编号：3238550
【文章来源】：大连海事大学辽宁省 211工程院校
【文章页数】：75 页
【学位级别】：硕士
【部分图文】：
图２．３?ｌＵｉ显著性检测算法流程图??Ｆｉｇ．?２．３?Ｉｔｔｉ?ｓａｌｉｅｎｃｙ?ｄｅｔｅｃｔｉｏｎ?ａｌｇｏｒｉｔｈｍ?ｆｌｏｗ?ｃｈａｒｔ??详细的实现步骤如下所示：??（ｉ）高斯金字塔的建立：??针对一幅大小为２〃ｘ２ｗ图像／＾，乃，设ｓ为金字塔层数，及表示最底层，即为输入??的原始图像，金字塔第ｆ层与第／－Ｉ层的关系为：??７?ｊ）＝ＺＬ．ｖ?Ｙｌ＝－ｎ?ｗ（ｍ＞?ｉ２ｉ＋ｍ，ｖ＋＾）
均值与高斯平滑后的差值作为显著性标准，??在处理与海面背景颜色相近船舶时，该类船舶的显著值很低，这将会降低的船舶检测精??度。为了提高ＦＴ显著性模型提取的显著图的显著值，于等人［２７】提出一种改进的ＦＴ显??著性模型，本文以下简称改进ＦＴ显著性模型，虽然此方法提高了?ＦＴ显著图中船舶显??著区域的显著值，但是仍未解决与海面背景颜色相近船舶显著值低的问题。为此，本章??提出一种结合改进ＦＴ显著性检测与Ｈｅｓｓｉａｎ矩阵边缘检测的新型显著模型，从而提取??可靠的船舶候选区域，算法流程图如图３．１所示。??Ｈｅｓｓｉａｎ?Ｉ边缘显著．??＾边缘检测．ｎ?图ｒ￣］???????光ＩＩ感一?一?＿融合一总显著图一＾候选区域??改进ＦＴ、Ｗ．?改进丨??，Ｉ性计笕ｎ著阁１??图３．１?ＦＴＨ显著性检测算法流程图??Ｆｉｇ．?３．１?Ｆｌｏｗ?ｃｈａｒｔ?ｏｆ?ＦＦＨ?ｓａｌｉｅｎｃｙ?ｄｅｔｅｃｔｉｏｎ?ａｌｇｏｒｉｔｈｍ??？?ｉ?＇??根据流程图３．１可知，本章所提算法先根据改进ＦＴ显著性检测和Ｈｅｓｓｉａｎ矩阵边缘??检测得到两种显著图，然后采用ＰＣＮＮ融合策略得到总显著图，即频率调谐Ｈｅｓｓｉａｎ??（Ｆｒｅｑｕｅｎｃｙ－Ｔｕｎｅｄ－ＩＩｅｓｓｉａｎ，?ＦＴＩＩ）显著图，从而提取船舶候选区域。算法的详细步骤??将在接下来的小节中进行论述。??３．１改进ＦＴ显著性检测??本节将针对改进ＦＴ显著性模型的原理进行论述，并选取光学遥感图像进行显著性??实验，对改进ＦＴ显著图的不足进行分析总结，为接下来提出在改进ＦＴ显著性模型的??基础上引入Ｈｅｓｓｉａｎ矩阵边缘检测，提供了实验依据。??３．１．１改进ＦＴ显著
?基于显著性候选区域的遥感船舶检测???著区域的显著值，于等人［２７］在ＦＴ算法的基础上，先将各颜色分量所对应的显著值进行??归一化处理，然后再线性组合得到最终的显著图，计算过程如式（３．１）？（３．３）所示：??伽）ｍ?（３．１）??ｍａｘ?（ｊ?—?ｗｉｎ［ＳＬ?）??伽）ｙｎ?（３．２）??，剩二?ｎ?（３．３）??式中，和分别为Ｌａｂ颜色空间Ｌ，ａ和Ｚ？通道的归一化后的??显著值。最后将各通道归一化的显著值进行线性组合得到合成后的显著值，获得最终的??显著图计算过程如下：??；＝?（ｘ，ｊ）?＋?＾；（＾ｊ）＋＾；?（ｘ，ｙ）?（３＿４）??３．?１．２显著性实验??为了与ＦＴ显著性模型进行对比分析，本次实验的光学遥感图像仍然采用２．４节的??实验图像。??实验—：：：?，??复杂海琬的光学遥感图像的对此实验，结果如图：３．２和图３：３所亲：Ｉ．?＇?？??，?．．?＇？?．＇丨?’；???ｓ??，?．？?■??Ｉ?１?？???Ｌ?＇?”?ｉ??ＨＨＨ??１）?ＦＴ显著图?２）?改进ＦＴ显著图??１）?ＦＴ?Ｓａｌｉｅｎｃｙ?ｍａｐ?２）?Ｉｍｐｒｏｖｅｍｅｎｔ?ＦＴ?ｓａｌｉｅｎｃｙ?ｍａｐ??图３．２两种算法显著图对比结果??Ｆｉｇ．?３．２?Ｃｏｍｐａｒｉｓｏｎ?ｒｅｓｕｌｔｓ?ｏｆ?ｓａｌｉｅｎｔ?ｇｒａｐｈｓ?ｏｆ?ｔｈｅ?ｔｗｏ?ａｌｇｏｒｉｔｈｍｓ??－２６?－??
【参考文献】：
期刊论文
[1]脉冲耦合神经网络在图像融合中的应用研究[J]. 邓辉,王长龙,胡永江,张玉华. 电光与控制. 2019(11)
[2]基于显著性的SAR图像船舶目标检测方法[J]. 闫成章,刘畅. 中国科学院大学学报. 2019(03)
[3]基于深度学习的显著性检测方法模型——SCS[J]. 张洪涛,路红英,刘腾飞,张玲玉,张晓明. 计算机与现代化. 2018(04)
[4]改进频率调谐显著算法在疵点辨识中的应用[J]. 王传桐,胡峰,徐启永,吴雨川,余联庆. 纺织学报. 2018(03)
[5]基于卷积神经网络迁移学习的SAR图像目标分类[J]. 刘晨,曲长文,周强,李智,李健伟. 现代雷达. 2018(03)
[6]基于多列深度3D卷积神经网络的手势识别[J]. 易生,梁华刚,茹锋. 计算机工程. 2017(08)
[7]基于CNN-GRNN模型的图像识别[J]. 江帆,刘辉,王彬,孙晓峰,代照坤. 计算机工程. 2017(04)
[8]基于DCT零系数与局部结构张量的局部模糊检测[J]. 王奎奎,玉振明. 计算机工程. 2017(06)
[9]基于显著性分析的HOG快速船舶检测方法[J]. 元海文,肖长诗,文元桥,周春辉,张康贺,邹雄. 中国航海. 2016(01)
[10]基于改进小波神经网络和灰色模型的装备性能参数预测[J]. 李梦妍,于文震. 电子测量技术. 2016(03)
博士论文
[1]脉冲耦合神经网络在图像处理中的应用研究[D]. 李建锋.中南大学 2013
硕士论文
[1]基于深度神经网络的图像显著性检测[D]. 高东东.西安建筑科技大学 2018
本文编号：3238550
本文链接：https://www.wllwen.com/shoufeilunwen/xixikjs/3238550.html
