[发明专利]面向大场景高分遥感影像的舰船检测方法

权利要求书

1.面向大场景高分遥感影像的舰船检测方法，其特征在于，包括以下步骤：

步骤1：对检测区域进行海陆分割处理；

步骤1.1：在高分三号遥感影像数据中采用下采样的方法去除船只目标，自适应的下采样率的设置如下：

x＝shiplength/pixelsize (1)

shiplength表示目标区域长度，对应舰船目标最大长度，pixelsize表示像素大小，对应分辨率；

步骤1.2：经过该步骤处理后舰船被处理成孤立的点，然后通过滤波器滤波并进行平滑处理，处理后，船舶目标被消除；

步骤1.3：进行形态学的膨胀操作，使陆地的河流区域连通。最后将陆地标记为黑色，海洋标记为白色，得到海岸线信息，并在原图上将陆地部分处理为黑色，输出结果；

膨胀运算的计算公式如下：

步骤2：对海陆分割处理后输出的图像进行图片分割；采用基于累加迭代的总和区域表的快速滑动的方案，在避免同一目标被分割成不同的子图像的条件下将图片分割成适当大小的子图像；

步骤2.1：使场景图像中的任何潜在目标都将被至少一个滑动窗口完全覆盖，舰船目标长度为x_t，宽度为y_t，则以滑窗的形式每次分割图像的大小为滑动窗口尺寸p，p＝x_ty_t；分割后的子图像相邻区域之间的重叠通过滑动步长n进行限制，能够自适应目标的大小，既提高了效率又能避免漏检，滑动步长n计算如下：

n≥max(x_t,y_t)/p (3)

步骤2.2：滑动步长根据遍历的像素信息自适应调节，设置保护窗口大小略大于滑动窗口大小，背景区域为整个图像。

步骤3：图像分割后将所得到的图像进行基于像素的恒虚警率检测方法进行半监督制作数据集；

步骤3.1：通过基于K分布的杂波建模方法建立审查机制，求解CFAR阈值，并重新审查像素，将像素值大于阈值的输出为白色像素，其他输出为黑色像素，剔除杂波区域目标信息；

步骤3.2：对遥感影像信息进行基于像素的CFAR进行关键信息提取，根据雷达回波信号特征，提出初步假设：

H₀假设：当接收信号只有干扰信号时，H₁假设：当接收信号存在目标时，X干扰信号，N目标信号；

步骤3.2：基于SAT算法滑动窗口内部像素均值，计算后得到目标像素显示为白色，其余显示为黑色；将获得的高分遥感卫星数据，在给定一个虚警概率值T的情况下，判断是否存在目标。通过滑动窗口法审查像素均值，在均值计算过程中，采用基于累积迭代的SAT算法具体如下：

S_x,y窗口内部像素的和，x为总行数，y为总列数，当前位置第m行，第n列，z_mn为第m行，第n列像素的值；

步骤3.3：进行形态学闭运算，进行腐蚀运算去除孤立点，进行膨胀运算查找连通区域，得到一个初步的结果，然后通过人工辨识，调整检测结果，半监督制作数据集：

形态学闭运算：

先膨胀后腐蚀；腐蚀原理：求局部最小值；定义一个卷积核B，核可以是任何的形状和大小，且拥有一个单独定义出来的锚点；通常核 为带参考点的正方形或者圆盘，可将核称为模板或掩膜；将核B与图像A进行卷积，计算核B覆盖区域的像素点最小值；将这个最小值赋值给参考点指定的像素；因此，图像中的高亮区域逐渐减小；

膨胀原理：求局部最大值；定义一个卷积核B，核可以是任何的形状和大小，且拥有一个单独定义出来的锚点；通常核为带参考点的正方形或者圆盘，可将核称为模板或掩膜；将核B与图像A进行卷积，计算核B覆盖区域的像素点最大值；将这个最大值赋值给参考点指定的像素；因此，图像中的高亮区域逐渐增长；

A读入图像的矩阵，该式子表示用结构B膨胀A，将结构元素B的原点平移到图像像元(x,y)位置；

步骤4：深度神经网络特征学习：采用两层卷积层进行特征提取，并将特征图的尺寸进行上采样，将图像放大，合并两张特征图信息，提取更多的特征信息，每层增加卷积层融合多尺寸的特征图特征信息，通过一层卷积神经网络进行下下采样，降低复杂度，最后通过两层全连接层学习特征信息，得到权重文件；

步骤5：采用卷积神经网络的方法对所得权重文件进行检测

激活函数采用softmax激活函数，具体如下：

检测时采用滑动窗口法首先计算置信度C，具体计算方法如下：

P(obj)为存在目标的概率B_t为窗口内含有目标的真实值，B_p为窗口内含有目标的经验值。

把每个窗口的置信度与类别概率相乘的到最后的检测分数：

P(score)＝P(C|obj)*C (8)

P(score)为检测分数，P(C|obj)为类别概率，将检测分数大于50％的视为目标，输出其检测边框信息。