[发明专利]一种基于高光谱图像的海上舰船目标检测方法

说明书

本发明公开了一种基于高光谱图像的海上舰船目标检测方法，本发明采用孪生网络策略，对增强后的目标数据以及原始背景数据进行预处理，形成对目标检测数据具有泛化性的训练数据像素对代替原始单个像素作为训练网络的输入，构造像素对代替单个像元输入，使得检测算法具有较理想的检测效果和较高实用性。将深度学习的思想引入到高光谱目标检测是通过构建深度网络结构将低级特征组合合并变换得到更高层次的抽象特征，特别是其中的卷积神经网络，利用卷积操作的网络层次，更适合于光谱特征的提取，从而提升检测精度。

技术领域

本发明涉及高光谱图像的海上舰船目标检测领域，采用深度学习的方法，生成样本进行数据增强，并充分提取高光谱像素对特征，适用于高光谱目标检测领域的小样本少类别目标检测。

背景技术

随着遥感卫星技术的飞速发展，光学遥感影像的分辨率逐步提高，对遥感影像上的关键目标进行检测与识别具有重要研究价值和现实意义，舰船是海上最重要的运输载体，也是军事活动中的重点打击目标，对其进行检测与识别在民用和军事领域都有巨大的应用前景。遥感图像具有成像清晰直观、细节丰富，分辨率高等优点，在舰船检测方面有着很大的优势，基于遥感影像的舰船目标检测技术作为一种主动式的舰船动态监测新兴技术，使得大范围，远距离的监测成为可能，极大地丰富军事、海事部门的监测手段。

高光谱遥感能够以连续光谱对同一目标同时成像，能够鉴别背景像元与伪装目标的光谱特征的不同，发现军事装备。高光谱目标检测根据光谱信息中异常点与背景统计特征的差异来进行检测，致力于在高光谱图像上寻找与先验目标光谱相似的像素点，使其作为目标从广阔的背景中分离出来。因此可以将高光谱图像目标检测看作是二分类问题，即对图像进行像素级的分类，确定哪些是目标，哪些是背景。高光谱遥感数据中蕴含了丰富的地物光谱信息,能发掘纹理、边缘等空间特征无法或难以探测的地面目标,对于影像中小像素甚至亚像素目标或成份的检测与识别非常有利。因此，利用高光谱遥感影像进行目标检测与识别,一直是高光谱遥感数据信息处理领域比较活跃的研究方向,也是高光谱遥感技术在军事上的重要应用之一。高光谱目标检测在经历了十多年的发展后，从早期的单一光谱信息利用方式，慢慢转变为空间信息与光谱信息相结合的使用策略。在基于高光谱遥感影像的小目标检测研究中,人们提出过不同的方法。例如:光谱匹配、混合光谱分解和正交子空间投影等方法是比较常用的目标检测算法。但这些方法属于监督分析方法,需要预先描述兴趣目标的特征模型参数，再通过对原始影像数据进行匹配、分解、变换等操作进而突出目标点；此外,这些方法仅局限在对光谱信息的处理上，存在目标先验知识的依赖。

借助预警雷达获取的图像数据检测舰船目标是传统的舰船检测技术之一，但由于小型舰船目标具有较为严重的海面背景杂波现象,背景杂波的雷达回波信号强于目标回波特性,淹没了目标的反射特性,使得误检和漏检率较高。基于高光谱图像的海上舰船目标检测方法充分利用舰船目标与海水背景的光谱差异,在实现舰船位置、形状等空间特征探测的同时,捕获了舰船目标的光谱信息,有利于目标材质分析、目标属性信息判定,在船只识别、监控、跟踪方面发挥重要作用。

为改善海上舰船面向突发情况的实时响应力，海上舰船检测系统需具备良好的实时性以及鲁棒性。受海洋季风影响，海洋环境气候复杂多变，实际遥感影像存在云块、光照、雾气、海浪等不确定因素的干扰。传统海上舰船目标检测算法在复杂海洋背景下，受限于太阳光照、海面雾气及船舶自身分布状况等海面不确定因素的影响，虚警率高，难以满足舰船智能检测的需要。而深度学习模型在特征学习方面具有突出的优势，多隐层的多层感知器结构使其能够学习到刻画数据本质特性的特征，该类特征具备更为丰富的信息储量，提高检测和目标识别性能。基于深度学习的海上舰船目标检测算法具有独特优势，该方法结合神经网络在大数据特征学习方面的优势，可以快速有效地从海量数据中以层次学习的方法提取目标的代表性和区别性特征。

发明内容