[发明专利]面向大场景高分遥感影像的舰船检测方法

说明书

本发明提供了一种面向大场景高分遥感影像的舰船检测方法,该方案包含五个阶段：海陆分割、图像分割、半监督制作数据集、深度神经网络特征学习、卷积神经网络目标检测；本发明通过海陆分割能够排除陆地部分及近海岸处的干扰信息，使后续的检测更加精准；将大场景遥感影像分为小的图影像信息，通过并行计算的方法，降低时间复杂度，且对小目标和深度神经网络学习过程具有较好的适应性；为减少人工制作数据集的任务量，采用半监督的方式制作数据集，以快速、稳健、自适应的方式识别所有潜在的舰船目标，再进行人工筛选；基于特征的卷积神经网络目标检测结合第三步的基于像素的处理方法，能够有效提升检测精度。

技术领域

本发明属于图像解译领域，特别涉及一种基于像素和特征的面向大场景高分遥感影像的舰船检测算法。

背景技术

合成孔径雷达(Synthetic Aperture Radar,SAR)图像的解释是充分获取特定SAR图像信息的必然途径。然而，由于SAR图像的散射成像机理和散斑噪声，对SAR图像的解释和理解要比光学照片困难得多。SAR不受气候、天气光照等条件影响，全天候获取高分辨率的雷达影像的特点，与光学遥感相比，在侦查、监视等军事领域更具优势。随着星载合成孔径雷达SAR的迅速发展，SAR舰船检测在海洋监测、海上交通等领域发挥着越来越重要的作用，自动目标识别(Automatic Target Recognition,ART)是其重要应用之一。随着星载SAR卫星分辨率的不断提升，遥感数据呈大数据化，蕴含丰富的信息有待提取，而大数据导致的价值密度低的特点，对数据的处理和分析能力提出了较高的要求。因此，如何有效利用海量的遥感影像数据信息，是亟待解决的问题。随着舰船制造工业的进步，大型高速舰船的数量呈指数式增长，军事舰船性能的提高对国家领海监管和防卫提出新挑战，同时，造成的海上交通问题仍需解决。因此，必须提高海上交通监管水平和舰船监测技术。(1)传统的舰船检测方法难以满足遥感影像数据海量增长的需求，且其精度与检测速度仍需进一步提升；(2)SAR影响相对于光学图像具有较少的特征，直接将应用于光学图像的深度神经网络引入导致适应性较差，且人工标注数据集任务繁重，应尽可能减少人工制作数据集的任务量。因此，本发明提出一种高适应性的面向大场景高分遥感影像的精确、高效的半监督舰船检测方法。

发明内容

面向大场景高分遥感影像的舰船检测方法，其特征在于，包括以下步骤：

步骤1：对检测区域进行海陆分割处理；

步骤1.1：在高分三号遥感影像数据中采用下采样的方法去除船只目标，自适应的下采样率的设置如下：

x＝shiplength/pixelsize (1)

shiplength表示目标区域长度，对应舰船目标最大长度，pixelsize表示像素大小，对应分辨率；

步骤1.2：经过该步骤处理后舰船被处理成孤立的点，然后通过滤波器滤波并进行平滑处理，处理后，船舶目标被消除；

步骤1.3：进行形态学的膨胀操作，使陆地的河流区域连通。最后将陆地标记为黑色，海洋标记为白色，得到海岸线信息，并在原图上将陆地部分处理为黑色，输出结果；

膨胀运算的计算公式如下：

步骤2：对海陆分割处理后输出的图像进行图片分割；采用基于累加迭代的总和区域表的快速滑动的方案，在避免同一目标被分割成不同的子图像的条件下将图片分割成适当大小的子图像；

步骤2.1：使场景图像中的任何潜在目标都将被至少一个滑动窗口完全覆盖，舰船目标长度为x_t，宽度为y_t，则以滑窗的形式每次分割图像的大小为滑动窗口尺寸p，p＝x_ty_t；分割后的子图像相邻区域之间的重叠通过滑动步长n进行限制，能够自适应目标的大小，既提高了效率又能避免漏检，滑动步长n计算如下：