基于NSCT和ACO的SAR图像舰船检测

为更好地获取舰船检测的图像信息,通过对雷达图像中舰船目标与相干斑噪声的分布特点进行分析,提出1种基于非下采样变换(Nonsubsampled Contourlet Transform, NSCT)与蚁群优化(Ant Colony Optimization, ACO)算法相结合的合成孔径雷达(Synthetic Aperture Radar, SAR)图像舰船目标检测方法.该方法通过对SAR图像进行NSCT自适应阈值去噪,再应用ACO进行边缘检测,实现舰船目标的精确检测.仿真结果显示,该方法能够在复杂相干斑噪声背景中有效提取舰船目标的轮廓信息,很好地保持图像纹理和舰船结构,具有理想的抗干扰性能,保证检测结果的准确性.     

一种在轨海上多运动舰船目标检测和跟踪方法

传统遥感卫星图像处理采用在地面进行目标检测和跟踪处理的模式,卫星将拍摄到的图像数据下传至地面数据处理中心,由地面数据处理系统对接收到的遥感图像数据进行目标检测和跟踪。然而,随着遥感图像分辨率的不断提高,需要下传的数据量增大,导致星地数据传输的时间大大增加,最终造成目标检测和跟踪的时效性降低。针对上述问题,提出一种基于多特征量判别的Canny边缘检测和联合概率数据关联的在轨海上多运动舰船目标检测和跟踪方法。将该方法利用中国科学院微小卫星创新研究院的高分微纳卫星实测数据在模拟星载的嵌入式开发平台上进行验证,结果表明该方法能够在轨对海上多运动舰船目标进行快速、准确的检测和跟踪。     

一种基于独立联合K-分布CFAR的舰船检测算法

分析了中高分辨率SAR海洋图像的目标和海杂波特点. 利用舰船目标的灰度相关性和形状特性与背景杂波的差异,提出了一种基于独立联合K-分布CFAR的舰船检测算法. 算法建立了海杂波的二维独立联合K-分布概率模型,通过给定的虚警率得到检测阈值以对图像进行检测. 该算法能够极大地抑制斑点噪声和背景局部不均匀对检测带来的影响,有效地降低了虚警数,检测效果得到了明显改善.     

一种基于局部K-分布的新的SAR图像舰船检测算法

提出了一种基于局部K-分布的新的SAR图像舰船检测算法.取目标窗口和背景窗口,通过把泄露到背景窗口中的舰船部分去除,对背景窗口中的剩余部分统计均值和方差,最终得到杂波分布概率模型进行恒虚警检测.相对于K-分布CFAR检测算法和基于局部窗口的K-分布CFAR检测算法,该算法能够适应杂波的局部变化, 对距离很近的舰船不会产生漏检.仿真结果表明了方法的有效性.     

基于改进CGHT的光学遥感图像舰船尾迹检测

根据遥感图像舰船目标检测的实时性要求,提出了一种应用改进CGHT算法检测舰船尾迹的方法.通过加入舰船船体的检测结果,改进CGHT算法中种子点的选取方式,以改善尾迹检测的计算复杂度,并将检测重点侧重于舰船船体附近区域,避免尾迹检测的盲目性.实验表明,该算法显著减少了尾迹检测的运行时间,降低了伪尾迹引起的虚警,提高了尾迹定位的准确性.     

ScanSAR与TOPSAR的对比研究

基于ScanSAR工作模式的特点,研究了scalloping效应产生的机理.从成像机理、信号特点及成像算法等方面对TOPSAR进行了详细的分析.ScanSAR和TOPSAR的点目标仿真结果表明,TOPSAR较好地解决了ScanSAR的scalloping效应问题,即幅度不均匀调制问题.     

基于相对全变分的复杂背景SAR图像舰船尾迹检测

SAR图像舰船尾迹检测不仅能够反演运动舰船的航速航向信息,也有助于发现图像中弱小的舰船目标。现有的舰船尾迹检测方法对于简单背景SAR图像的检测效果较好,但复杂背景下的检测效果难以满足使用要求。提出一种基于能量泛函极小化的复杂背景SAR图像舰船尾迹检测方法。该方法采用相对全变分技术将图像分解为包含舰船尾迹的光滑成分和海背景纹理成分,通过剪切波变换高频系数重构增强光滑成分,再通过Radon变换检测光滑成分中的尾迹线。比对实验结果表明,本文所提方法对于复杂背景SAR图像的舰船尾迹检测效果明显优于现有的方法。     

基于改进RA-CNN的舰船光电目标识别方法

针对光电图像中舰船分类检测困难的问题,提出一种基于改进循环注意卷积神经网络(recurrent attention convolutional neural network,RA-CNN)的舰船目标识别方法。该方法中的VGG19采用多个卷积层提取图像特征,注意建议网络(attention proposal network,APN)通过全连接层的输出定位特征区域,然后采用尺度依赖池化(scale-dependent pooling,SDP)算法选择VGG19中合适的卷积层输出进行类别判定,最后引入多特征描述特征区域,交叉训练VGG19和APN来加速收敛和提高模型精度。利用自建舰船数据集对方法进行测试,识别准确率较VGG19和RA-CNN有较大提升,识别准确率最高可达86.7%。     

相位谱的光学遥感图像舰船目标检测

考虑到舰船检测问题为在平稳变化的场景提取稀疏小目标,引入了基于相位谱显著性的方法进行舰船目标检测.实验结果表明,此方法在计算速度上优于双参CFAR和Gabor滤波器方法,在检测性能上与Gabor滤波器方法相近,优于双参CFAR,能满足实际舰船检测系统的应用需求.     

基于显著图融合的高分四号卫星光学遥感图像多运动舰船检测方法

高分四号（GF-4）卫星是目前世界上分辨率最高的静止轨道光学遥感卫星,它具有高时间分辨率、高空间分辨率和大成像幅宽等优点,可对指定区域进行连续观测。提出一种适用于GF-4卫星光学遥感图像的多运动舰船检测方法。首先,对遥感图像进行中值滤波去噪和非线性灰度拉伸;然后,通过谱残差法提取显著图;最后,使用基于加权Dempster-Shafer证据理论的图像融合方法对显著图进行融合处理后,进行舰船检测。GF-4卫星遥感图像真实数据的实验表明,本文所提方法能够对GF-4卫星光学遥感图像进行快速、准确的多运动舰船检测。     

可见光视频图像中的船舶目标自适应检测

为降低海事监控视频图像背景中运动物体引起的杂波和噪声对船舶目标检测的影响,根据采集的可见光视频图像特性,提出一种海天背景下船舶目标自适应检测算法。将待检测图像进行预处理,使用自适应中值滤波和均值漂移(mean-shift)滤波对图像进行滤波去噪。采用密度峰聚类对传统K均值聚类算法进行改进,自适应确定初始聚类中心及其数量。对海面船舶进行自适应聚类分割。仿真实验显示:该算法的检测准确率为90.3%,验证了其准确性和可靠性;单帧视频图像的船舶目标检测用时可控制在100 ms以内,满足实时检测的要求。结果表明:该算法可以实现海天背景下船舶目标的准确、快速检测,为海上船舶目标跟踪奠定了可靠的基础。     

一种基于显著性的高海况SAR图像船舶目标检测方法

提出一种基于显著性的高海况SAR图像船舶目标检测方法Itti-SAR,该方法由显著图提取与连接性判断两个阶段组成。在显著图提取阶段,针对SAR图像特性,将改进的方向特征和一致性特征引入传统视觉注意模型,以构建适用于SAR图像的显著性模型,实现高海况SAR图像船舶目标显著图的提取。在连接性判断阶段,采用密度约束对显著区域的连接性进行判断,防止将单个目标检测为多个,从而进一步降低虚警。在多幅SAR图像上的实验结果验证该方法的有效性,与经典CFAR算法的对比实验显示出其查准率、召回率高和不依赖于先验知识的优点。     

基于回归深度卷积网络的船舶图像与视频检测

为解决船舶图像与视频检测算法识别率低、实时性差的问题,提出基于回归深度卷积网络的船舶图像与视频检测方法。结合YOLOv2特征提取层和YOLOv3的特征金字塔网络(feature pyramid network, FPN)层思想设计新的网络结构,验证不同激活函数效果,采用聚类算法设计锚框大小。实验表明,相比于YOLO系列网络,本文的方法在船舶图像与视频检测中效果更好,在测试集上平均精度均值为0.920 9,召回率为0.981 8,平均交并比为0.799 1,在视频检测中每秒钟检测的帧数为78～80。为港口船舶智能管理和无人船视觉处理提供一种准确度高和实时性好的船舶检测方法。     

一种基于图像处理的船舶水尺标志识别方法

为解决传统水尺计重(目测水尺)主观性强、效率低等问题,提出一种基于图像处理的船舶水尺标志自动识别方法。对待识别的目标图像进行纵向颜色梯度处理,辨明水线;基于标准水尺标志样本图像,目标图像经二值化处理后与样本图像进行匹配;根据计算公式自动求取船舶吃水值。试验结果表明,该方法是有效的。     

基于自适应K均值聚类和霍夫变换的船舶干舷视觉检测

针对内河船舶监管过程中对船舶干舷的测量还需人工巡航,增加了海事部门管理成本问题,提出一种不借助船舶水尺标志检测船舶干舷的方法。对采集的图像进行中值滤波预处理,去除孤立点、降低噪声敏感性;考虑图像颜色特性,应用自适应K均值聚类算法识别船舶区域;联合Canny边缘检测和霍夫直线检测的方法,标记船舶吃水线和甲板边线,并利用数学形态学方法提高检测准确性;基于标定相机和双目测距原理建立图像坐标与世界坐标转换关系,找到甲板中间位置,取其与水面的距离作为船舶实际干舷值。用相机拍摄内河船舶进行检测,结果表明,该方法可以对内河船舶的吃水线和船舷线进行检测并计算干舷值,用于判断船舶是否超载并及时发出预警,满足海事部门的监管需求。     

基于图像处理的船舶水尺刻度识别

为克服传统船舶水尺刻度识别方法的不足,提出一种基于图像处理的自动识别方法.首先对船舶水尺图像进行二值化等预处理,采用结构特征提取算法检测图像中船舶水尺刻度的三叉点特征.三叉点特征从细化处理后的图像上提取,是图像中多个彼此相邻的同类特征点的集合.利用三叉点的位置特征构造图像的特征模板;利用模板匹配方法实现船舶水尺刻度的自动识别.该方法可有效解决采集的船舶水尺数字图像与特征模板尺寸不一致的问题.