[发明专利]一种单幅多光谱遥感图像深灰色飞机快速检测方法

说明书

本发明公开了一种单幅多光谱遥感图像深灰色飞机快速检测方法，包含以下步骤：A、输入多光谱遥感图像；B、判断输入图像是否为彩色遥感图像，并且是否包含有深灰色飞机；C、对原始彩色RGB遥感图像进行归一化处理；D、获取RGB图像的各个通道图像；E、合成新的RGB遥感图像；F、获得HSI模型图像；G、把归一化后的RGB图像转换成灰度图像，并根据图像内容自适应产生检测阈值；H、提取HSI模型图像的H分量图像；I、对H分量图像进行维纳滤波处理；J、用自适应产生的阈值对处理后的H分量图像进行目标区域检测。本发明是对遥感图像中的飞机目标区域进行快速检测，因此对飞机的形状没有要求，同时针对的是单幅遥感彩色图像。

技术领域

本发明涉及遥感图像颜色特征表示模型、图像内容分布特征、信号滤波预测和阈值检测技术领域，具体是一种单幅多光谱遥感图像深灰色飞机快速检测方法。

背景技术

目标检测、分类与识别是遥感图像处理与应用的重要内容，特别是军事领域的情报侦测和战场监测，目标情报信息的获取主要来源于各种遥感图像。利用遥感图像对机场中的飞机目标进行有效检测和监测，能完成飞机目标的分类和识别以及对飞机活动规律和活动目的进行判断与预测的依据。对于飞机目标检测与识别技术一直是学者们研究的热点，他们提出了许多有效的算法和模型，并得到了很好的应用。这些方法大体上可分成两类：基于特征的传统检测方法和基于深度学习网络模型的检测方法。传统方法一般是先提取特征，然后对目标区域进行有效分割，或利用各种分类器来实现飞机目标的分类。当然，也可以直接利用特征或阈值来检测飞机，如直方图特征检测、恒虚警率检测和马尔科夫随机场检测等。例如Zhu等人通过提取多维不变矩特征，然后选择关键的几个特征作为识别特征，最后利用支持向量机分类器实现飞机目标的检测。传统的方法实现飞机目标检测过程简单，运算量少，但是对于复杂背景的飞机目标检测，或者是小型飞机目标的检测，正确检测率低，易产生较多的虚检率，同时对于飞机目标特征的描述和提取表现不太理想。随着深度学习技术的飞速发展和应用，其在遥感图像处理中的应用也不大增加。特别是以深度卷积神经网络技术为代表的深度机器学习理论的发展与应用，促进了目标检测理论的不断完善。例如，Shelhamer等人利用全卷积网络(Fully Convolutional Networks,FCN)实现了遥感图像中的飞机目标的检测，但是其对于小尺寸飞机目标的检测效果仍然不佳。Long等人则通过采用多个简单卷积神经网络的框架实现对候选区域特征的提取，比较精确地标出了飞机目标区域，但是对于大幅面遥感图像，其对飞机的检测的效果同样不理想。董永峰等人利用特征重用技术来描述目标的语义特征，并设计不同类型飞机尺寸比例的候选框尺度集合，获得了较高的小目标检测精度。

基于深度学习的图像目标检测算法能够很好地提取到图像高层抽象的语义特征，因此具有较强的泛化能力，避免传统方法需要大量先验知识来描述复杂特征和优化参数调整。但是，深度学习用于图像处理，主要步骤包括：数据集的构造，网络模型选择与建立，模型的测试与训练。特别是数据集的构建，是深度学习方法用于遥感图像处理的一个关键和基础环节。目前，基于深度学习的各种神经网络模型处理的图像的大小是横向和纵向为几百个像素，而一幅遥感图像的大小横纵向都是几万个像素。而且，随着遥感技术的发展，图像的宽幅继续增大，空间分辨率继续提高，图像内容更加丰富多彩、更加复杂，这对于深度学习理论应用于遥感图像将面临更多的要求和更高的挑战。同时，模型的测试与训练需要大量的时间。所以，从快速发现目标的角度，对于单幅遥感图像而言，传统方法的优势比较明显。本文采用颜色模型结合信号处理和图像内容的方式对遥感图像中深灰色飞机目标实现快速的检测。

从上面的分析可知，每种方法都有其局限性，根本原因是某种方法的提出是针对具体的应用需求。为了快速检测遥感图像中的深灰色飞机目标，本发明提出了一种通过变换多光谱遥感图像模型以增强目标区域信息、自动根据输入图像的光谱特性产生检测阈值以及利用维纳滤波处理理论提高目标区域的检测率的多光谱遥感图像飞机目标快速检测方法。本发明是基于遥感图像的目标检测与应用的方法，能丰富和完善遥感图像目标检测理论以及促进遥感图像的理解和应用，因此具有重要的理论意义和应用推广价值。

发明内容