一種多分辨層次化篩選的遙感圖像港口船舶檢測方法
【專利摘要】一種多分辨層次化篩選的遙感圖像港口船舶檢測方法，針對大尺寸高分辨率光學遙感圖像港口內船舶，采用coarse?to?fine(由粗到細)方法對圖像處理，結合突異檢測方法與Harris角點描述子(Harris Corner Detector)檢測方法，構建一種高效的港口內船舶檢測方法。首先，將大尺寸圖像抽樣后的圖像分別執行突異與多角度旋轉突異檢測，判斷兩種方法得到的疑似船舶面積，并將判斷結果進行區域拓展，得到港口區域的疑似顯著區。之后，取得原分辨率圖像中的疑似顯著區域，再對原分辨率下的疑似顯著區分別進行突異和多角度旋轉突異檢測，使用Harris角點描述子方法檢測兩種檢測方法得到的疑似船舶的船頭特征，將檢測得到的船舶坐標返回到原高分辨率圖像中進行標記，最終得到原高分辨率圖像中的船舶標記。
【專利說明】
一種多分辨層次化篩選的遙感圖像港口船舶檢測方法
技術領域
[0001] 本發明涉及遙感圖像的處理方法，特別是大尺寸高分辨率光學衛星遙感圖像快速 自動處理中的港口內船舶檢測方法。
【背景技術】
[0002] 近年，高分辨率光學遙感圖像已成為遙感圖像目標檢測的熱門領域。其中，基于光 學遙感圖像的船舶檢測更是研究中的重點，特別是針對船舶交通較為繁忙的港口區域的船 舶檢測研究更是成為熱點技術，并且隨著航空技術與傳感器技術發展的日益成熟，人們可 獲得海量高質量高分辨率的光學遙感圖像。因此緩慢的人工識別已經無法滿足實際操作中 的需要，從而產生了許多自動的快速檢測方法，例如:基于局部特征方差圖像的自適應確定 目標檢測閾值方法、雙參數恒虛警(CFAR)算法、基于直線鏈碼的船舶檢測方法等。
[0003] 但在實際應用這些方法的過程中，針對大尺寸的復雜背景下的港口光學遙感圖像 的檢測效果并不理想。自適應中的單一的閾值分割，所使用特征過于簡單，針對處在海洋背 景下的船舶檢測效果顯著，但無法有效的檢測靠港的船舶和剔除港口內多余的虛警。基于 直線鏈碼的檢查方法，雖然直線鏈碼可以有效的描述船舶結構，但港內碼頭的灰度和紋理 特征與船舶特征較為相似，直線鏈碼易受到此特征的干擾，導致檢測結果中存在大量漏檢。 恒虛警檢測方法可有效的檢測到船舶特征，但使用劃窗對每個像素進行計算的方法，針對 尺寸較小的圖像檢測效果較好，而對于大尺寸圖像來說計算量過大，導致計算過程時間較 長，無法實現高效的檢測。
[0004] 因此，針對大尺寸的港口光學遙感圖像的船舶快速檢測成為了遙感圖像目標檢測 的難點。于是，現階段大量基于光學遙感圖像的船舶檢測方法，多集中在較復雜的海洋背景 遙感圖像上。即使是涉及港口內船舶的檢測方法，也多為基于尺寸較小的光學遙感圖像上 的檢測，并將檢測得到的含有船舶的候選區當作檢測結果，使得檢測結果并不顯著。

【發明內容】

[0005] 本發明的目的在于針對上述技術的難點，提供一種多分辨層次化篩選的遙感圖像 港口船舶檢測方法，通過將低分辨率條件下圖像的粗篩選與原高分辨率下圖像的精篩選相 結合的方法對圖像進行處理，并結合突異檢測方法與Harris角點描述子(Harris Corner Detector)檢測方法，構建一種高效的港口內船舶檢測方法。
[0006] 本發明針對以上敘述的情況，采用一種多分辨層次化篩選的遙感圖像港口船舶檢 測方法，目前國內尚未有此類方法的報道。
[0007] 本發明提供的方法由一層低分辨港口疑似顯著區域粗篩選和二層原分率港內疑 似船舶精篩選兩個步驟組成。具體步驟如下：
[0008] 第一步:一層低分辨港口疑似顯著區域粗篩選
[0009] 該步驟首先對輸入的大尺寸高分辨率遙感圖像進行抽樣，而后對抽樣后圖像分別 進行突異檢測以及多角度旋轉突異檢測，將這兩種檢測方法得到的疑似船舶合并，并對疑 似船舶進行粗篩選，之后拓展得到疑似船舶所在的顯著區，從而得到經過一層粗篩選后的 港口疑似顯著區域。
[0010]第二步:二層原分率港內疑似船舶精篩選
[0011]根據上一步中得到的疑似顯著區域坐標，返回原輸入高分辨率圖像中得到原分辨 下的疑似顯著區域的圖像。對此圖像分別進行突異檢測以及多角度旋轉突異檢測，將兩種 檢測方法得到的疑似船舶合并，并對疑似船舶進行精篩選，最終得到經過兩層篩選后的船 舶目標。并將船舶目標的坐標返回到原大尺寸圖像中標記。
[0012] 根據本發明的一個方面，提供了一種多分辨層次化篩選的遙感圖像港口船舶檢測 方法，用于自動檢測大尺寸高分辨率遙感光學圖像中復雜的港口區域，其特征在于包括：
[0013] 將輸入的大尺寸光學高分辨遙感圖像按一定規格抽樣，
[0014] 對抽樣后的圖像分別進行突異檢測與多角度旋轉突異檢測，
[0015] 將得到的疑似船舶合并，并針對每個疑似船舶的面積進行判斷，
[0016] 將判斷得到的疑似船舶進行區域拓展，進而得到港口區域中的疑似顯著區，從而 實現在一層低分辨率圖像條件下的疑似顯著區的粗篩選，
[0017] 將上一層中得到的疑似顯著區返回到原大尺寸高分辨遙感圖像上，從而得到原高 分辨率條件下的疑似顯著區，
[0018] 之后，對疑似顯著區域分別進行突異檢測與多角度旋轉突異檢測，將得到的疑似 船舶合并，并使用Harris角點描述子結構識別疑似船舶的船頭部分，
[0019] 將檢測得到的船舶結果標記回原大尺寸光學高分辨率遙感圖像中，從而實現二層 原分辨率的疑似船舶精篩選，最終輸出標記結果。
【附圖說明】
[0020] 圖1是根據本發明的一個實施例的一種多分辨層次化篩選的遙感圖像港口船舶檢 測方法的流程圖。
[0021] 圖2是根據本發明的一個實施例的一層低分辨港口疑似顯著區域粗篩選流程圖。
[0022] 圖3是根據本發明的一個實施例的二層原分率港內疑似船舶精篩選流程圖。
【具體實施方式】
[0023] 以下說明如何具體實施本發明提供的方法。圖1是是根據本發明的一個實施例的 多分辨層次化篩選的遙感圖像港口船舶檢測方法的流程框圖，其包括：
[0024]第一步:一層低分辨港口疑似顯著區域粗篩選
[0025] 針對輸入的大尺寸高分辨率港口遙感圖像，通過對其進行抽樣，產生分辨率較低 的圖像。在此圖像上，進行突異檢測方法與多角度旋轉突異檢測方法的結合，得到港口內疑 似船舶。再對這些疑似船舶進行合并與粗篩選，將篩選得到的疑似船舶拓展，從而得到港口 內疑似顯著區。其根據本發明的一個實施例的過程如圖2所示。
[0026] 第（1.1)步突異檢測：如圖2所示，首先對輸入的大尺寸光學高分辨率遙感圖像按 抽樣規格λ進行抽樣，然后對抽樣后的港口圖像進行突異檢測，得到疑似的船舶。
[0027] 第（1.2)步多角度旋轉突異檢測:針對上一步驟中抽樣后的圖像，使其以指定角度 {1α，1?，···，1α}順時針旋轉。并對旋轉了角度Iu的圖像，進行突異檢測。將檢測得到的疑似船 舶逆時針旋轉角度Iu，返回到抽樣后的圖像上，并將所有檢測得到的疑似船舶合并，得到多 角度旋轉檢測后的疑似船舶目標。
[0028]第（1.3)步合并疑似顯著區及虛警快速粗剔除:根據第（1.1)步與第（1.2)步中獲 得的疑似船舶，將兩者的疑似船舶進行或計算，從而得到兩種檢測方法共同作用下的疑似 船舶目標，形成一幅只含有疑似船舶的邏輯圖像。對合并后的疑似船舶圖像進行連通域標 記，得到連通域L 1，L2，…，L1。分別計算連通域L1的面積N1，并執行判斷：
[0029]
[0030] 其中，G1(Xj)為連通域1^中坐標J1為連通域面積所允許的下線;S2為連通域面積 所允許的上線。如果連通域面積N 1在面積要求的范圍內，則連通域L1中的像素都別標記為1; 反之，則被標記為〇。從而粗篩選出疑似船舶。
[0031] 第（1.4)步截取疑似目標區域:針對上一步中得到的疑似船舶目標圖像，重新進行 連通域標記，得到新的連通域L ^，L'2，···，!/i。取出單個連通域L ' i，并計算其尺寸：
[0032]
[0033]
[0034] 其中，{1_#111￡?，7_，7^￡?}為使用行掃描與列掃描的方法確定的連通域1/：1的像 素坐標極值點。通過極值點確定ΙΛ的長W1與寬lu，并分別橫縱方向延長dmdu距離，從而拓 展了的疑似船舶的范圍，最終確定了疑似顯著區域的位置。將得到的疑似顯著區域標記為 Di，D2，.··，Di〇
[0035]第二步:二層原分率港內疑似船舶精篩選
[0036]針對上一步中得到的疑似顯著區域DllD2,…，D1，將這些區域的坐標返回到原高分 辨率圖像中，從而得到了原高分辨率下的疑似顯著區圖像〇'1，〇'2，一，〇'1。對這些圖像，再 次進行突異檢測與多角度突異檢測的結合，并將兩方法得到的疑似船舶合并，對合并后的 疑似船舶進行精篩選，之后將篩選得到的船舶坐標返回到原大尺寸的遙感圖像中，并標記。 其根據本發明的一個實施例的過程如圖3所示。
[0037]第(2.1)步突異檢測：將第一步中得到的顯著區域D1，D2，…，Di返回到原高分辨率 圖像中，從而得到原分辨率下的疑似顯著區域D'^D'2,…，圖像，分別進行突異檢測。得 到含有疑似船舶的圖像。
[0038] 第(2.2)步多角度旋轉突異檢測：針對第一步中得到的原高分辨率疑似顯著區域 圖像D'^D'2,…，，使其以指定角度，…，M順時針旋轉。并對旋轉了角度h的圖 像，進行突異檢測。將檢測得到的疑似船舶逆時針旋轉角度h，返回到疑似顯著區域圖像D ?'2,…，0\上，并將所有檢測得到的疑似船舶合并，得到多角度旋轉檢測后的疑似船舶。
[0039] 第(2.3)步合并疑似船舶及虛警精細剔除:將上兩步中突異檢測與多角度旋轉突 異檢測得到的疑似船舶通過與運算合并，形成一幅只含有疑似船舶的邏輯圖像。之后對合 并得到的疑似船舶進行精細篩選。首先，將邏輯圖像進行連通域標記，得到連通域H 1, H2，… H1。取出連通域出后，使用Harris角點描述子結構識別疑似船舶的船頭部分，將檢測得到的 船頭特征保存在一幅邏輯圖像中，從而實連通域中船舶的精細篩選。
[0040]第(2.4)步返回原圖像標記目標:將疑似顯著區篩選后得到的船舶坐標返回到抽 樣后的圖像，以此生成一幅大小與抽樣后遙感圖像相同的邏輯圖像。再按照抽樣λ，對此邏 輯圖像進行規格為l/λ的差值放大。并對放大后的邏輯圖像進行連通域標記，得到Η、，Η 'vH'i連通域。之后對連通域進行列掃描和行掃描，同樣取得船舶目標的像素坐標極 值點{ X ' imin，X ' imax，y ' imin，y ' imax}。通過這些極值點，可標記出船舶目標在大尺寸圖像中的 位置。
[0041 ]本發明與現有檢測方法相比具有以下優點：
[0042] 由于輸入的待檢測圖像為大尺寸高分辨遙感圖像，本方法首先對原圖像進行一定 規格的抽樣，之后經過粗篩選得到了小塊的疑似顯著區域。再從原圖像中截取高分辨率下 的相應疑似顯著區，進而可對其進行精細的篩選。這使得本方法在處理大尺寸高分辨遙感 圖像時，合理的減少了計算大量像素坐標所消耗的時間，同時在對小塊候選區處理時也能 保證圖像的特征能夠被較好的保留，高效的利用突異檢測方法描述港口輪廓的性能，又提 高局部描述子方法檢測的效果。從而實現了針對大尺寸遙感圖像的船舶目標的高效檢測。
[0043] 本方法使用多種檢測方法，將這些方法合理的交叉使用，可有效的實現目標的精 確檢測。使用突異檢測方法，可有效獲取港口圖像中海岸凸起的區域，在一層粗篩選時，此 方法可有效確定港口內部的輪廓以及疑似顯著區域。再通過篩選疑似顯著區域的面積特 征，可得到港口內可能含有船舶目標的疑似候選區。在二層篩選中，通過對原分辨率下的顯 著區域進行突異掃描，可得到更為精確且范圍更小的海岸凸起目標。因此，在對這些疑似船 舶進行局部描述子方法檢測時，可有效的提高算法的檢測精度并減少運算過程的時間。最 終，實現了本方法在針對大尺寸高分辨率遙感圖像的精確檢測。
【主權項】
1. 一種多分辨層次化篩選的遙感圖像港口船舶檢測方法，用于自動檢測大尺寸高分辨 率遙感光學圖像中復雜的港口區域，其特征在于包括： 將輸入的大尺寸光學高分辨遙感圖像按一定規格抽樣， 對抽樣后的圖像分別進行突異檢測與多角度旋轉突異檢測， 將得到的疑似船舶合并，并針對每個疑似船舶的面積進行判斷， 將判斷得到的疑似船舶進行區域拓展，進而得到港口區域中的疑似顯著區，從而實現 在一層低分辨率圖像條件下的疑似顯著區的粗篩選， 將上一層中得到的疑似顯著區返回到原大尺寸高分辨遙感圖像上，從而得到原高分辨 率條件下的疑似顯著區， 之后，對疑似顯著區域分別進行突異檢測與多角度旋轉突異檢測，將得到的疑似船舶 合并，并使用Harris角點描述子結構識別疑似船舶的船頭部分， 將檢測得到的船舶結果標記回原大尺寸光學高分辨率遙感圖像中，從而實現二層原分 辨率的疑似船舶精篩選，最終輸出標記結果。2. 根據權利要求1所述的方法，其特征在于： 針對抽樣后的圖像，使其以指定角度{lu，k2，···上}順時針旋轉， 對旋轉了角度lu的圖像，進行突異檢測， 將檢測得到的疑似船舶逆時針旋轉角度lu，返回到抽樣后的圖像上，并將所有檢測得到 的疑似船舶合并，得到多角度旋轉檢測后的疑似船舶目標。3. 根據權利要求1所述的方法，其特征在于： 對原大尺寸高分辨率遙感圖像進行一定規格的抽樣，之后對圖像分別進行突異檢測和 多角度旋轉突異檢測，將兩種檢測方法得到的疑似船舶進行或計算，從而得到兩種檢測方 法共同作用下的疑似船舶目標，形成一幅只含有疑似船舶的邏輯圖像， 對合并后的疑似船舶圖像進行連通域標記，得到連通域Li，L2，…，U， 分別計算連通域U的面積K，并執行判斷：其中，Gdxj)為連通域1^中坐標;Si*連通域面積所允許的下線；&為連通域面積所允 許的上線， 如果連通域面積化在面積要求的范圍內，則連通域U中的像素都別標記為1;反之，則被 標記為0。從而粗篩選出疑似船舶。4. 根據權利要求1所述的方法，其特征在于： 將一層低分辨率顯著區域粗篩選中得到的顯著區域返回到原高分辨率圖 像中，從而得到原分辨率下的疑似顯著區域D'^D'2,…，圖像，對每個疑似顯著區分辨分 別進行突異檢測與多角度旋轉突異檢測，將得到的疑似船舶合并。
【文檔編號】G06K9/32GK106056084SQ201610382461
【公開日】2016年10月26日
【申請日】2016年6月1日
【發明人】畢福昆, 陳婧, 李琳, 張旭
【申請人】北方工業大學