[发明专利]基于结构森林边缘候选区域提取的舰船目标检测算法

说明书

技术领域

本发明涉及数字图像处理领域，尤其是涉及一种遥感图像目标检测领域的数字图像处理技术。

背景技术

作为海上运输载体和重要的军事目标，舰船目标检测一直有着非常重要的意义和价值。在军用领域了解目标舰船的实时位置能够让我军对敌方舰队的布局和动态有清晰的认知，在监测敌情和制定作战策略方面有指导意义；并且在民用领域，实时关注目标海域过往船只的位置能够更好地对海域进行管理，对渔业管理、海上交通、海事安全、海上救援等均有重要作用。

随着航空航天事业的发展，对地观测技术有了显著的进步，各国争相发射的高分辨率成像卫星为遥感目标检测提供了大量的图像数据。因此，利用遥感图像进行舰船检测成为目前目标检测领域的一大热点问题，有着重要的军事意义和经济价值。

根据算法流程，舰船目标检测主要有候选区域提取和目标确认识别两个过程：首先利用候选区域提取算法对输入图像进行筛选，得到待测候选区域；再利用基于机器学习算法对候选区域进行特征提取和分类，即对提取出的候选区域进行判断，得到最终的舰船检测结果。其中候选区域提取算法主要包括：基于图割、小波变换、显著性检测、异常检测的方法(非监督方法)，以及形态学方法或者邻域分析方法。常用的机器学习算法包括：(1)监督方法，包括支持向量机(SVM)、极限学习机(ELM)，Adaboost，稀疏表示以及神经网络方法；(2)非监督方法，包括轮廓分析法和形状分析法。在目标识别算法中，特征的质量对舰船检测的结果有着决定性的影响。常用的人工特征描述有Gabor纹理特征、局部二值模式(LBP)特征、尺度不变量特征变换以及有向梯度直方图(HOG)特征等，这些特征在行人检测和人脸检测方面取得了较好的效果，同时传统的舰船检测方法大多基于此类人工提取的特征。光学遥感成像是地面上各种物体所感受的能量以光谱形式的综合反映，作为海上运输载体和重要的军事目标，遥感图像中的舰船目标检算法研究具有重要的应用价值。然而，目前的遥感图像成像易受到拍摄时间、季节、天气等的影响，在不同海况、云况和光照等影响下，成像亮度不均、质量不稳定，给后续处理带来困难；同时，海洋中的岛屿、海岸陆地等都会对检测结果造成影响，产生大量虚警，对算法性能要求高；随着对地观测传感器的快速发展，遥感图像分辨率迅速增加，数据量非常大，给数据处理带来困难。

因此，如何提供一种可以解决干扰物影响以及图像亮度不均的完善的遥感图像目标检测系统是本领域亟需解决的问题。

发明内容

本发明主要针对海洋背景遥感图像，利用随机森林分类器良好的分类性能，抑制光照不均的影响，检测出疑似目标边缘，以用于候选区域的提取；利用候选区域提取的策略可以有效地缩小检测范围，由此可知，本发明不仅可以适用于大幅宽遥感图像，而且利用边缘信息作为特征输入分类器进行分类识别，可以有效去除虚警干扰，得到最终的舰船目标检测结果。

为了实现上述目的，本发明采取的具体技术方案是：

一种基于结构森林边缘候选区域提取的舰船目标检测算法，具体包括：

(1)通过人工样本采集并标注的方式获得训练样本和测试样本，并标注边缘真值图和目标真值图；

(2)利用训练数据集对结构化随机森林模型和支持向量机(SVM)模型进行训练；

(3)利用训练好的结构化随机森林模型对输入图像进行边缘检测，并对边缘检测结果进行形态学处理，提取连通域作为目标候选区域；其中形态学处理具体包括：

a、对边缘图像进行类似阈值分割操作，其目的是将结构森林检测结果中低于指定阈值的弱边缘去除，公式为：

其中，I为输入的边缘灰度图像，P为经过类似阈值分割后的边缘结果图像，均为灰度图像，I(x，y)和P(x，y)分别为输入边缘图像与输出结果图像在(x，y)点处的灰度值，T为分割阈值；

b、对图像进行反色处理，主要目的是将边缘转变为白色，便于使用连通区域检测方法将边缘提取出来，公式为：

Q(x，y)＝255-P(x，y)

其中，P为阈值化后的边缘灰度图像，Q为经过反色处理的结果图像，均为灰度图像，P(x，y)和Q(x，y)分别为输入图像与输出结果图像在(x，y)点处的灰度值；

c、对图像进行腐蚀操作，去除边缘毛刺及孤立像素，公式为：

G_e(x，y)＝erode[Q(x，y)，B_e]

＝min{Q(x+x′，y+y′)-B_e(x′，y′)|(x′，y′)∈B_e}