[发明专利]基于视觉显著性的海面船只候选区域检测方法

说明书

本发明公开了一种基于视觉显著性的海面船只候选区域检测方法，包括：步骤一、采用FT视觉显著性模型获取包含海面船只目标的光学遥感图像的频域特征图；步骤二、采用Scharr边缘检测算子获取光学遥感图像的边缘梯度特征图；步骤三、采用高斯混合函数对频域特征图和边缘梯度特征图进行融合，得到融合特征图；步骤四、基于otsu自适应阈值分割算法，对融合特征图进行二值化，用于将包含船只目标的区域从图像中提取出来，获取海面船只候选区域。融合了FT视觉显著性模型和Scharr边缘检测算子在海面船只检测中的优点，有效抑制了背景噪声的影响并突出所有尺度大小的船只目标，使得候选区域提取结果更加准确；融合模型提取海面船只候选区域的检测速度快。

技术领域

本发明涉及一种基于视觉显著性的海面船只候选区域检测方法，属于图像处理技术领域。

背景技术

目前，世界各国日益重视对其海上利益的保护，光学遥感卫星由于具有观测区域大、可周期性重访且不受国界约束等优势，基于光学遥感卫星的光学遥感图像的海面船只检测技术逐渐成为各国对海上态势的重要监测手段，广泛应用于人道主义救援和打击贩毒、非法捕捞等海上非法活动。

传统的船只检测方法通常采用滑动窗口遍历整幅光学遥感图像的方式提取船只目标候选区域，并利用人工设计的特征来提取候选区域的特征信息，然后利用分类器确定子窗口内是否包含船只目标，此类方法简单、易于实现。

发明人在研究的过程中发现，传统的目标检测方法的检测性能依赖人工设计特征的质量，针对不同类型的检测对象需设计不同的特征，若特征设计的不合适，将直接影响分类器的分类性能，而且检测窗口大量冗余，特征的重复提取使得算法的检测速度较慢。

基于深度学习的目标检测技术不需要人为设计特征，可采用卷积神经网络自动提取特征并进行特征学习。通过大量标注过的样本数据训练卷积神经网络，确定每一个网络层的权重参数，使卷积神经网络模型具备识别船只目标的能力。

但基于深度学习的端到端目标检测方法大多针对尺度较小、目标占图比例较大的图像，并且需要大量的标注过的样本训练神经网络。遥感图像幅宽较大以及船只目标尺度小、样本数据较难获取等问题，制约了深度学习技术在船只检测上的应用。

借鉴人类视觉系统中的视觉注意机制能够帮助人眼从复杂场景中快速提取重要区域的原理，研究人员将视觉注意机制应用到图像的视觉显著性检测中。所谓视觉显著性检测，就是计算图像中各个部分吸引人们视觉注意的程度，该程度称为显著性，计算得到的结果称为显著图，一般用显著图表示视觉显著性检测的结果。显著图以灰度图的形式直观描述图像中那些显著的区域或物体，显著区域的灰度值通常要高于邻近区域，显著区域所包含的目标称为显著目标。当采用视觉显著性方法进行遥感图像的船只目标检测时，显著图中包含船只目标的显著区域被称为船只候选区域，显著目标指船只目标。视觉显著性方法大多通过提取图像的颜色、亮度、方向等特征，基于目标在不同特征上与背景的灰度值的不同得到图像显著图。此外，也有采用傅里叶变换或者小波变换将图像转换到频域进行分析，通过比较需要检测的目标与背景在频域上的信号变化特点将两者进行区分，滤除背景噪声信息，保留显著目标。

但现有基于视觉显著性的目标检测方法，大多采用图像的颜色、方向、亮度等特征，未充分利用图像丰富的特征信息。此外，视觉显著性方法虽然能有效去除无关信息，但受检测环境的影响大，例如海上云雾、海浪及岛屿等均会对海面船只检测带来干扰。

发明内容

为解决现有目标检测技术在进行光学遥感图像中的海面船只目标检测时存在的检测速度慢、需要大量船只图像以及受检测环境影响大等问题，本发明提供了一种基于视觉显著性的海面船只候选区域检测方法，是一种基于光学遥感图像的海面船只候选区域快速检测算法，在不需要先验信息的情况下，结合FT视觉显著性模型(Frequency-tuned)和Scharr边缘检测算子在海面船只检测上的优点，利用高斯混合函数对两种模型提取的图像特征图进行融合，实现对遥感图像中海面船只候选区域的快速提取。

本发明的目的通过以下技术方案来具体实现：