[发明专利]基于SVM的高分辨率遥感影像船只提取方法

说明书

技术领域

本发明涉及遥感影像识别提取的技术领域，尤其涉及一种基于SVM的高分辨率遥感影像船只提取方法。

背景技术

随着遥感技术的进步，遥感影像分辨率的不断提高，遥感在各行各业都将有着广阔的应用前景。在航运管理中，船只及其运行状态是关键要素，基于高分辨率遥感影像对船只进行自动检测和状态识别能够快速分析大范围内的航运水域，对水上事故辅助分析、交通流量统计等具有重要意义。现有方法大多针对中低分辨率影像，并且重点在于检测，对于船只状态的分析很少涉及。因此很难满足需求，需进一步加以改进。

发明内容

有鉴于现有技术的上述不足，本发明提出一种能够对船只进行自动检测和状态识别，快速分析大范围内的航运水域船只情况的基于SVM的高分辨率遥感影像船只提取方法。

为实现上述目的，本发明提供了一种基于SVM的高分辨率遥感影像船只提取方法，包括以下步骤：

步骤S101，从高分辨率遥感影像中手动选取船只作为训练样本。

步骤S102，基于所述训练样本的特征向量，利用SVM训练船只识别分类器。

步骤S103，对高分辨率遥感影像基于图像像素灰度方差进行两类分割，得到水面孤立目标和近岸区域。

步骤S104，对所述水面孤立目标和近岸区域，搜索每个固定大小的矩形窗口，计算所述矩形窗口的特征向量。

步骤S105，将所述矩形窗口的特征向量代入到步骤S102中得到的船只识别分类器进行识别，将船只目标提取出来。

较佳的，步骤S101中所述的训练样本为包括船只的一个矩形框，在所述矩形框中以每16×16个像素的小窗口为单位，计算局部梯度统计直方图，将图像框中所有小窗口的统计直方图并联，组成该样本的HOG特征向量。

较佳的，步骤S102中所述特征向量为HOG特征向量；在训练中，训练样本包括输出值和输入值两个部分，输出值为[-1,1]，-1表示非船只、1表示船只；输入值为样本HOG特征向量；最终训练得到的模型为一个判别决策函数，只要输入待识别的图像的HOG特征向量，即可得到预测值；所述预测值为[-1,1]，-1表示非船只，1表示船只。

支持向量机（Support Vector Machine,SVM）在目标识别领域具有非常广泛的应用，并且已经被证明具有非常好的推广能力和鲁棒性。本发明将SVM引入到高分辨率遥感影像船只识别当中，基于SVR（Support Vector Regression）进行基于星载多光谱遥感影像的船只识别，能够在检测船只的基础上，完成船只类别和状态的识别。此外，还利用梯度统计直方图也叫方向梯度直方图（Histogram of Oriented Gradients，HOG）进行高分辨率遥感影像船只特征描述，可比传统的基于纹理、梯度等方法具有更好的船只目标描述能力。

以下将结合附图对本发明的构思、具体结构及产生的技术效果作进一步说明，以充分地了解本发明的目的、特征和效果。

附图说明

图1为本实施例基于SVM的高分辨率遥感影像船只提取方法的流程示意图。

具体实施方式

图1为本实施例基于SVM的高分辨率遥感影像船只提取方法的流程示意图。如图1所示，本实施例提出一种基于SVM的高分辨率遥感影像船只提取方法，包括以下步骤：

步骤S101，从高分辨率遥感影像中手动选取船只作为训练样本。

步骤S102，基于所述训练样本的特征向量，利用SVM训练船只识别分类器。

步骤S103，对高分辨率遥感影像基于图像像素灰度方差进行两类分割，得到水面孤立目标和近岸区域。

步骤S104，对所述水面孤立目标和近岸区域，搜索每个固定大小的矩形窗口，计算所述矩形窗口的特征向量。

步骤S105，将所述矩形窗口的特征向量代入到步骤S102中得到的船只识别分类器进行识别，将船只目标提取出来。

具体的，步骤S101中所述的训练样本为包括船只的一个矩形框，在所述矩形框中以每16×16个像素的小窗口为单位，计算局部梯度统计直方图，将图像框中所有小窗口的统计直方图并联，组成该样本的HOG特征向量。

具体的，步骤S102中所述特征向量为HOG特征向量；在训练中，训练样本包括输出值和输入值两个部分，输出值为[-1,1]，-1表示非船只、1表示船只；输入值为样本HOG特征向量；最终训练得到的模型为一个判别决策函数，只要输入待识别的图像的HOG特征向量，即可得到预测值；所述预测值为[-1,1]，-1表示非船只，1表示船只。

以上详细描述了本发明的较佳具体实施例。应当理解，本领域的普通技术人员无需创造性劳动就可以根据本发明的构思做出诸多修改和变化。因此，凡本技术领域中技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的实验可以得到的技术方案，皆应在由权利要求书所确定的保护范围内。