光學(xué)遙感圖像在艦船目標(biāo)檢測中的應(yīng)用分析*

李　軍

(武漢藏龍北路1號　武漢　430205)

?

光學(xué)遙感圖像在艦船目標(biāo)檢測中的應(yīng)用分析*

李軍

(武漢藏龍北路1號武漢430205)

隨著光學(xué)遙感技術(shù)的日益發(fā)展，艦船作為海上重要的載體，對其進行自動檢測具有重要意義。首先為提高艦船目標(biāo)檢測效率，對圖像進行了預(yù)處理、海陸分割等；其次重點介紹了艦船目標(biāo)檢測問題，即分別從離岸、靠岸艦船目標(biāo)候選區(qū)域的提取和艦船目標(biāo)的確認三個方面進行了詳細闡述，最后針對目前幾種典型算法進行了歸納比較，并給出下一步研究方向。

艦船目標(biāo)檢測; 光學(xué)遙感圖像; 圖像預(yù)處理; 海陸分割; 候選區(qū)域提取

Class NumberTP751

1　引言

近年來，隨著科學(xué)技術(shù)的飛速發(fā)展，涌現(xiàn)出了多種數(shù)據(jù)格式表示的圖像類型，例如可見光與紅外、視頻、合成孔徑雷達(Synthetic Aperture Radar，SAR)。其中，SAR成像可以全天時、全天候進行觀測，因此它已被成功應(yīng)用在地球遙感領(lǐng)域和軍事監(jiān)視領(lǐng)域。而光學(xué)圖像與SAR圖像相比，雖然它不具備全天候、全天時工作的優(yōu)勢，但它以其表達形式直觀、圖像解譯原理簡單和可保留較多的圖像邊緣信息的特性倍受人們青睞。

艦船目標(biāo)檢測是海洋監(jiān)測的一項重要技術(shù)，其目的是從大量的光學(xué)遙感數(shù)據(jù)中找到感興趣的艦船目標(biāo)，是進行艦船目標(biāo)跟蹤、定位、識別的技術(shù)前提，因此開展基于光學(xué)衛(wèi)星遙感圖像艦船目標(biāo)檢測方法的研究對我國發(fā)揮光學(xué)成像衛(wèi)星在海洋監(jiān)測方面的能力具有重要意義，目前也涌現(xiàn)了許多主流算法。例如，Lan等利用改進的Zernike矩來識別含有大型艦船的航空遙感影像[1]，Antelo等設(shè)計了基于貝葉斯準(zhǔn)則的似然函數(shù)，以此來識別艦船的Quick Bird衛(wèi)星影像[2]，杜等通過設(shè)計基于層次判別算法的決策樹來對光學(xué)遙感艦船目標(biāo)進行分類識別處理[3]，Yang等運用基于類別概率分布算法來區(qū)分光學(xué)遙感艦船目標(biāo)和其他非艦船目標(biāo)[4]，王等人就目前基于光學(xué)遙感圖像檢測與識別的研究現(xiàn)狀給予了分析總結(jié)，重點給出了目前較為實用的一些目標(biāo)檢測和識別方法[5]。

2　艦船目標(biāo)檢測流程

針對一副可見光遙感圖像數(shù)據(jù)，里面可能包含陸地、云層的干擾，同時在海面背景中，可能含有一些小島嶼，并且海面背景本身會包含一定的噪聲，諸如模糊、亮斑等。因此采用分層處理的思想，這里以海陸背景下的艦船目標(biāo)檢測為例給出算法流程，如圖1所示。

圖1　海陸背景中的艦船目標(biāo)檢測處理流程

從圖1看出，海陸背景下的艦船目標(biāo)檢測包括三大模塊：一是圖像預(yù)處理，二是海陸分離部分，三是艦船目標(biāo)檢測部分。其中，圖像預(yù)處理的目的是提升待處理圖像的原始質(zhì)量；海陸分離指的是把艦船目標(biāo)從海陸環(huán)境中分離出來；而艦船目標(biāo)檢測部分又可細分為三個子部分，其一為離岸目標(biāo)疑似區(qū)域提取，其二為靠岸目標(biāo)疑似區(qū)域提取，其三為艦船目標(biāo)確認。而離岸目標(biāo)疑似區(qū)域提取指的是將包含目標(biāo)的疑似區(qū)域從海洋環(huán)境中分離出來；靠岸目標(biāo)疑似區(qū)域提取指的是將靠岸停放艦船的疑似區(qū)域進行確認，艦船目標(biāo)確認指的是在艦船目標(biāo)疑似區(qū)域提取的基礎(chǔ)上，根據(jù)艦船目標(biāo)的共性特征找出真實存在的艦船目標(biāo)。

3　圖像預(yù)處理

3.1一般預(yù)處理技術(shù)

圖像的預(yù)處理工作是在基于圖像的像素級層面上進行處理的。圖像的預(yù)處理工作一般包括二值化處理、圖像尺寸調(diào)整、圖像旋轉(zhuǎn)、圖像變換、圖像的色彩校正、圖像的灰度變換、圖像的銳化、圖像的直方圖均衡化、圖像平滑等。

所謂二值化，其本質(zhì)是將圖像黑白化，設(shè)置其值為0或1，即處理后圖像的像素點對應(yīng)的灰度值要么為0要么為1。其中，“0”表示黑色，“1”表示白色。

圖像尺寸調(diào)整，是采用重采樣的方法，重新設(shè)置其長、寬尺寸的處理過程。

在圖像處理中，有時候為方便處理，常將原圖像進行旋轉(zhuǎn)操作。所謂圖像旋轉(zhuǎn)，它是指原圖像旋轉(zhuǎn)一定角度后得到的新圖像，一般設(shè)置其旋轉(zhuǎn)角度為0°～359°。

圖像變換，指的是將圖像從空域轉(zhuǎn)換到頻域的過程。常用的變換方法主要有傅里葉和小波變化。其中，傅里葉變換是最為典型的一種變換方法，它是在復(fù)指數(shù)函數(shù)的基礎(chǔ)上，將原圖像所在的二維頻譜進行頻域變換的。后來，隨著工程實踐的需要，快速傅里葉變換應(yīng)運而生。小波變換是處理圖像的信號時頻的一種有效工具，經(jīng)過小波處理后的圖像頻率不隨局部區(qū)域大小的改變而改變。因此，小波變換應(yīng)用范圍不斷得到擴展，尤其是基于小波變換的離散算法也以成為目前研究的熱點，其應(yīng)用前景也十分可觀。

色彩校正，是指調(diào)節(jié)圖像的亮度和對比度，而圖像的亮度指的是圖像的亮調(diào)和暗調(diào)的比例，對比度是指圖像的最亮調(diào)和最暗調(diào)的差異范圍。

一般情況下，人眼對紅、黃和藍三種顏色的敏感度按照從高到低的順序為：綠色，紅色，藍色，所以采用如下計算公式對遙感圖像進行灰度化處理，即：

Gray=0.587×G+0.299×R+0.114×B

其中，R,G,B分別表示圖像處理前的像素的紅色、綠色和藍色數(shù)值，Gray表示圖像經(jīng)灰度化處理后的像素灰度值。

所謂圖像增強，是指加強或突出人們感興趣區(qū)域的信息，最大可能地減弱或去除那些無關(guān)緊要的信息的一個處理過程，其最終目的是獲取一個高品質(zhì)的圖像，為提高后續(xù)圖像的分類識別效率奠定基礎(chǔ)。而圖像平滑作為常用的增強方法，它主要分為空域增強平滑方法和頻域增強平滑方法，雖然這兩種方法的最終目的是一致的，但空域增強的方法以其自身的優(yōu)勢，受到了人們的青睞。

一般情況下，空域增強算法主要有三種方法：直方圖均衡算法、線性拉伸算法、分段線性拉伸算法。其中，直方圖均衡增強算法的優(yōu)點是圖像處理前后的整體對比性差異明顯，但易丟失圖像的信息，尤其是遙感圖像，加之其自身圖像的質(zhì)量欠佳，像素灰度直方圖分布往往存在抖動的情況，因此將其進行變換處理后，圖像所展現(xiàn)的層次效果更差，原始圖像的細節(jié)信息更易丟失[6]；而線性拉伸算法的優(yōu)點是處理前后的圖像灰度直方圖近似，且計算簡單、實現(xiàn)快速。

在原始圖像中不可避免地存在各種噪聲，而圖像受到噪聲干擾后其對應(yīng)的信號和相位也隨之變化，這無疑造成圖像準(zhǔn)確性方面較大的誤差，因此，必須對噪聲進行處理。而均值濾波、中值濾波和高斯濾波是幾種常用的濾波方法。

中值濾波的優(yōu)缺點顯而易見，優(yōu)點是它能較好地保留圖像的邊緣信息，且對黑白點即常見的椒鹽噪聲的處理效果比較理想。缺點是由于中值濾波的處理手段比較固定，它盡管改變了圖像中含有噪聲的區(qū)域，但也影響了其他區(qū)域，消減了圖像的細節(jié)信息。

考慮中值濾波處理手段的單一性，對它進行改進是必要的。而在圖像中，灰度值抖動較為劇烈的像素一般為噪聲點或邊緣點所在的像素，而區(qū)分是噪聲點還是邊緣點的主要依據(jù)是噪聲點通常是像素所在的局部鄰域的像素灰度的極值，據(jù)此，給出改進的中值濾波的處理流程：首先，給定一個模板區(qū)域，然后將模板在圖像上逐行滑動，當(dāng)滑動到某一點處時，判斷該點處的像素灰度值與模板所在局部區(qū)域內(nèi)的像素的灰度極值是否相等，若相等，則可采用中值濾波進行處理，否則，繼續(xù)滑動，直到滑動完整個圖像為止。

3.2海陸分割

考慮到后續(xù)要提取的艦船目標(biāo)所處的環(huán)境可能包含陸地部分，為提高后續(xù)的目標(biāo)檢測的效率，需要將陸地部分隔離出來，即需要進行陸地掩膜(海陸分離)處理。

目前來講，用于海陸分離的方法主要包括兩種方法，即，港口知識法和圖像分析法。

1) 基于港口先驗知識的分割方法

港口一旦竣工，其周圍的分布情況相對比較穩(wěn)定，短時間內(nèi)不會發(fā)生變化。據(jù)此，可根據(jù)港口海岸線或背景圖像等先驗知識，通過模板匹配來實現(xiàn)海陸分離。

對于基于港口先驗知識的分割方法而言，提取出相對準(zhǔn)確的港口的地理分布、背景和碼頭等先驗知識是實現(xiàn)海陸分離不可缺少的前提條件，而篩選出與待處理圖像相匹配的港口先驗知識是實現(xiàn)海陸分離的基礎(chǔ)。由于該方法主要依賴于港口的先驗知識來實現(xiàn)海陸分離的，因此存在如下問題：

(1)港口結(jié)構(gòu)發(fā)生變化時會導(dǎo)致模板配準(zhǔn)失誤的問題；

(2)當(dāng)待匹配圖像的背景比較復(fù)雜時，難以找到與待處理圖像相吻合的特征點，也會導(dǎo)致模板匹準(zhǔn)誤差過大的問題；

(3)對于海陸區(qū)域分割界限模糊的情景，例如水深較淺時，也會造成模板匹配誤差較大的問題；

(4)受成像天氣、衛(wèi)星的拍攝角度等因素的影響，待處理圖像與匹配模板之間也很難實現(xiàn)準(zhǔn)確意義上的匹配。

2) 基于圖像分析的方法

當(dāng)獲取港口的先驗知識比較困難或港口分布結(jié)構(gòu)更新稍頻繁時，采用基于港口先驗知識的分割方法來實現(xiàn)海陸分離工作的難度較大，可考慮使用圖像分析方法來實現(xiàn)。

針對不同分辨率下的光學(xué)遙感圖像，現(xiàn)歸納出目前常用的幾種方法：

(1)閾值分割法

閾值分割方法主要是利用海面、陸地、艦船個體等像素灰度值和紋理特征等方面的差異性進行區(qū)域提取的一種技術(shù)方法，而將閾值分割法細化之，經(jīng)常使用的方法又可分為像素灰度閾值法和基于區(qū)域的紋理分析法。

①像素灰度閾值法

基于像素灰度閾值的分割方法主要是根據(jù)海面、陸地、艦船等灰度值大小的不同實現(xiàn)圖像分割的，它的閾值是按照某種度量規(guī)則計算獲得的，并以獲取的閾值為界限，將圖像中的像素點進行分離，從而將圖像中的目標(biāo)和背景區(qū)別開來。關(guān)于閾值計算的方法有多種，常用的有局部閾值法[7]、Otsu法[8]、最大熵值法[9]、多閾值分割法[10]等。受所使用的傳感器、較暗區(qū)域等多種因素的影響，采用像素灰度閾值法進行閾值分割時，容易導(dǎo)致孤立點或孤立小區(qū)域的出現(xiàn)。所以，基于像素灰度值閾值分割方法經(jīng)常搭配其他方法(例如形態(tài)學(xué)濾波方法等)綜合使用。

像素灰度閾值法是一種高效的分割方法。然在工程項目的實施中，由于受海況，云霧、光照等不可預(yù)料的因素的影響，多數(shù)情況下海平面灰度分布并不均勻，因此灰度閾值分割的效果并不理想。

②區(qū)域紋理分析法

區(qū)域紋理分析方法主要是根據(jù)海面、陸地、艦船等紋理特點的不同進行分割的。常用方法有區(qū)域方差、直方圖等。

(2)區(qū)域生長法

關(guān)于基于區(qū)域生長的分割方法，究其實質(zhì)，它是采用某一種子點的區(qū)域生長來完成海面區(qū)域提取工作的。該方法涉及的核心技術(shù)問題在于種子點的獲取。為此，沈等人采用了基于紋理特征近似度的種子點的獲取方式[11]；廖熠采用了梯度直方圖擬合的種子點的獲取方式[12]。

區(qū)域生長方法的閃光點在于其計算過程簡單，而缺點在于：

①種子點的獲取比較困難，一般需要人工干預(yù)，自適應(yīng)性較差；

②抗噪性能差，一般提取出的區(qū)域的完整性差，常存在斷點或漏洞等缺陷。

(3)港口輪廓提取法

圖2　3D重建分割流程

基于港口先驗知識的方法和基于圖像分析的海陸分離方法相比，前者的匹配原理簡單，但獲取相對準(zhǔn)確的港口先驗知識較為困難，而且待處理圖像的匹配模板的實時更新也存在難度，這樣不可避免地存在一定的誤差。所以，后者基于圖像分析原理的分割方法，逐漸成為目前應(yīng)用較為廣泛的一種研究方法，其中，3D重建分割技術(shù)是目前最為先進的一種技術(shù)。3D重建分割技術(shù)為克服動態(tài)閾值分割算法單純利用亮度信息作為唯一閾值分割依據(jù)的弱點，引入了圖像亮度變化信息即間接增加了圖像高度這一信息(Shape from Shading，SFS)，從而將原始待處理遙感圖像映射為3D圖像，然后在3D圖像的基礎(chǔ)上進行海陸分離工作，算法流程如圖2所示。

4　艦船目標(biāo)檢測

4.1離岸艦船目標(biāo)候選區(qū)域的提取

在單一海洋背景中，對于離岸艦船目標(biāo)檢測而言，可根據(jù)目標(biāo)與背景的區(qū)別提取艦船目標(biāo)候選區(qū)域，并利用艦船與其它非艦船目標(biāo)(如小型島嶼等)的差異，去除虛警，從而獲取真正的艦船目標(biāo)。

當(dāng)前，離岸艦船目標(biāo)候選區(qū)域的常用提取方法主要包括以下幾類：

1) 基于灰度統(tǒng)計特征的提取方法

基于灰度統(tǒng)計特征的提取方法主要是根據(jù)水域和艦船目標(biāo)灰度特性的不同進行圖像分割，進而來獲取艦船目標(biāo)的候選區(qū)域。這些灰度特征有：灰度、形態(tài)學(xué)上的對比度、圖像信息熵等。該方法比較適用于海面較平靜、水域灰度較暗的特定場合。

2) 基于邊緣信息的提取方法

基于邊緣信息的提取方法主要根據(jù)艦船邊緣信息，并結(jié)合形狀特征，來獲取艦船目標(biāo)候選區(qū)域的。代表方法有，Zhu等首先將圖像原始灰度和邊緣強度通過線性組合來得到合成圖像，然后在合成圖像的基礎(chǔ)上，用最大類間方差(Maximum between-class variance)，亦即Otsu法[8]，進行閾值分割，最后結(jié)合目標(biāo)的某些特征(例如長、寬、面積及外接矩形的長和寬的比值)來完成艦船目標(biāo)候選區(qū)域的提取工作。

3) 分形模型和模糊理論相結(jié)合的提取方法

分形模型和模糊理論相結(jié)合的提取方法根據(jù)艦船目標(biāo)和其他背景，例如海浪、云霧等是否具有明顯的分型特征來完成自動檢測工作的。例如，在復(fù)雜海況下，何等將縫隙特征和紋理分形維數(shù)相結(jié)合，實現(xiàn)了艦船目標(biāo)的自動檢測[13]；張等使用多尺度分形的方法完成了艦船目標(biāo)的檢測[14]。

4) 基于視覺感知原理的提取方法

該方法是結(jié)合人類的視覺特性來完成艦船目標(biāo)候選區(qū)域提取的。例如張俊格設(shè)計了基于視覺結(jié)構(gòu)表達的目標(biāo)檢測模型[15]，施鵬利用人類的視覺感知特性，然后結(jié)合形態(tài)學(xué)濾波方法如Tophat等對復(fù)雜海況下的艦船目標(biāo)進行檢測，這些方法收效顯著[16]。

基于視覺感知原理的提取方法是近年來用于艦船目標(biāo)檢測工作的一個研究熱點，該方法雖然有效利用了人類視覺系統(tǒng)對周圍事物具有強大的感知能力，但是由于受天氣、海況、成像參數(shù)等多種因素的影響，使得對原始圖像顯著圖的獲取比較困難。

4.2靠岸艦船目標(biāo)候選區(qū)域的提取

對于靠岸艦船目標(biāo)檢測而言，由于停放的艦船常常與碼頭祁連在一起，加上二者的灰度、紋理等特征的差異性比較小，所以對于此類艦船目標(biāo)的檢測更加困難。不過，據(jù)目前的發(fā)展?fàn)顩r而言，也出現(xiàn)了兩類比較成形的算法，具體分析如下：

1) 基于港口先驗知識的提取法

對于靠岸艦船的檢測問題，首先必須根據(jù)所處港口的先驗知識將其周圍的環(huán)境分割為陸地與海洋兩個獨立的區(qū)域，然后以海洋為背景進行檢測，具體的處理過程可參考上面介紹的離岸艦船目標(biāo)的檢測算法。然而在檢測的過程中，往往存在艦船并排停放和遮擋的情況，為此，隆等人根據(jù)經(jīng)驗“遮擋的部分基本上為船頭”以及“被遮擋部分的重心連線基本上與主軸平行”，實現(xiàn)了對艦船的目標(biāo)檢測問題[17]。

2) 基于圖像分析的提取法

該方法需要對圖像進行兩次分割：第一次是進行海陸分割，第二次是將艦船目標(biāo)與碼頭分割開來。其中，第二次分割的工作較為困難，因為艦船與碼頭在其灰度和紋理等特征上區(qū)分性較小，因此選取合適的區(qū)分性較強的特征是解決該方法的有效途徑之一。

目前，有兩類艦船目標(biāo)特征較常用：一類是全局性的幾何形狀特征；另一類是局部性的視覺顯著性特征。對于第一類特征，汪等利用長寬比等特征并結(jié)合多數(shù)艦船向水域方向凸出這一特點來提取靠岸艦船目標(biāo)候選區(qū)域的[18]。對于第二類特征，胡等提取了艦船的方向、尺寸等特征并結(jié)合鄰域自相似的算子來檢測靠岸停放的艦船目標(biāo)[19]。

4.3艦船目標(biāo)的確認

艦船目標(biāo)確認是在上述候選區(qū)域提取的基礎(chǔ)上，根據(jù)艦船自身的特征，通過對非艦船目標(biāo)的篩選，最終提取出真正的艦船目標(biāo)。具體可用的艦船目標(biāo)特征有：長、寬、長寬比、面積、灰度、偏心率、不變距、統(tǒng)計特征等。

在艦船目標(biāo)確認中，一般不會采取單一的特征進行艦船確認，而是綜合運用多個特征進行艦船確認。如Wang等將形狀約束與形態(tài)學(xué)濾波聯(lián)合在一起進行目標(biāo)確認[20]；蔣李兵將目標(biāo)輪廓與平行線特征相結(jié)合，從而最終完成目標(biāo)的確認工作[21]。

不同分辨率下的圖像的艦船目標(biāo)所呈現(xiàn)的特征有所差異，一般情況下，分辨率較低的遙感圖像(即分辨率低于3m)，常采用一階灰度特征，如一階能量、一階熵等來構(gòu)建目標(biāo)向量；而分辨率較高的遙感圖像(即分辨率大于3m)，通常使用灰度矩陣的二階紋理特征，如二階熵、慣性矩等和不變矩特征相結(jié)合來構(gòu)建目標(biāo)向量。

表1　典型方法比較

5　結(jié)語

本文首先給出基于遙感圖像艦船目標(biāo)檢測處理的處理流程；其次為提高后續(xù)的目標(biāo)檢測效率，對圖像進行了預(yù)處理：二值化處理、圖像增強、圖像平滑等，以及海陸分割。其中，介紹了基于3D重建技術(shù)的分割算法，它通過增加高度信息，即圖像亮度變化信息這一約束項，提高了算法的分割精度；再次給出了海陸背景下的艦船目標(biāo)檢測方法，最后從離岸艦船目標(biāo)候選區(qū)域的提取、靠岸艦船目標(biāo)候選區(qū)域的提取和艦船目標(biāo)的確認三個方面重點介紹了海陸背景下的艦船目標(biāo)檢測處理方法；最后對幾種典型方法給予了總結(jié)。下一步，將根據(jù)工程應(yīng)用需求，重點研究以下兩個方面：

1) 進一步挖掘更加高效的目標(biāo)提取方法；

2) 構(gòu)建更加高效的艦船目標(biāo)檢測模型。

[1] Lan J, Wan L. Automatic ship target classification based on aerial images[C]//Proceedings of SPIE.Bellingham Wash: SPIE,2009,7156(12):1-10.

[2] Antelo J, Ambrosio G, Gonzalez J, et al. Ship detection and recognition in high resolution satellite images[C]//IEEE International Geoscience and Remote Sensing Symposium. Washington DC.USA: IEEE Computer Society,2009(4):514-517.

[3] 杜春,孫即祥,李智勇,等.光學(xué)遙感艦船目標(biāo)識別方法[J].中國圖象圖形學(xué)報,2012,17(4):592-593.

[4] Yang Guang, Li Bo, Ji Shufan, et al. Ship Detection form Optical Satellite Images Based on Sea Surface Analysis [J]. Geoscience and Remote Sensing Letters,2014,11(3):641-645.

[5] 王彥情,馬雷,田原.光學(xué)遙感圖像艦船目標(biāo)檢測與識別綜述[J].自動化學(xué)報,2011,37(9):1034-1036.

[6] 李耀輝,劉保軍.基于直方圖均衡的圖像增強[J].華北科技學(xué)院學(xué)報,2003,12(10):65-68.

[7] Lie W N. Automatic target segmentation by locally adaptive image threshold [J]. IEEE Transactions on Image Processing,1995,4(7):1036-1041.

[8] Otsu N. A threshold selection method from gray-level histogram [J]. IEEE Transactions on Systems, Man, and Cybernetics,1979,9(1):62-66.

[9] 孫即祥.圖像分析[M].北京:科學(xué)出版社,2005:166-168.

[10] 瞿繼雙,王超,王正志.一種基于多閾值的形態(tài)學(xué)提取遙感圖像海岸線特征方法[J].中國圖象圖形學(xué)報,2003,8(7):805-809.

[11] 沈葉健,徐守時.一種有效的可見光圖像中水壩目標(biāo)的識別方法[J].計算機應(yīng)用,2006,26(8):1972-1974.

[12] Kass M, Witkin A, Terzopoulos D. Snakes: Active contour models [J]. International Journal of Computer Vision,1988,1(4):321-331.

[13] 何四華,楊紹清,石愛國,等.紋理高階分型特征在海面艦船目標(biāo)檢測中的應(yīng)用[J].光學(xué)與光電技術(shù),2008,6(4):79-82.

[14] 張東曉,何四華,楊紹清.一種多尺度分形的艦船目標(biāo)檢測方法[J].激光與紅外,2009,39(3):315-318.

[15] 張俊格.基于視覺結(jié)構(gòu)表達與建模的物體檢測研究[D].北京:中國科學(xué)院自動化研究所,2013:190-198.

[16] 施鵬.基于光學(xué)遙感圖像的艦船目標(biāo)自動檢測技術(shù)[D].北京:中國科學(xué)技術(shù)大學(xué),2010:66-67.

[17] 隆剛,陳學(xué)佺.高分辨率遙感圖像港內(nèi)艦船的自動檢測方法[J].計算機仿真,2007,24(5):198-201.

[18] 汪閩,駱劍承,明冬萍.高分辨率遙感影像上基于形狀特征的船舶提取[J].武漢大學(xué)學(xué)報(信息科學(xué)版),2005,30(8):685-688.

[19] 胡俊華,徐守時,陳海林,等.基于局部自相似性的遙感圖像港口艦船檢測[J].中國圖象圖形學(xué)報,2009,14(4):591-597.

[20] Wang M, Luo J C, Zhou C H, et al. A shape constraint based method to recognize ship objects from high spatial resolution remote sensed imagery[C]//Proceedings of the International Conference on Computational Science. Atlanta. USA: Springer,2005:963-970.

[21] 蔣李兵.基于高分辨光學(xué)遙感圖像的艦船目標(biāo)檢測方法研究[D].長沙:國防科學(xué)技術(shù)大學(xué),2010:55-56.

Application Analysis of Optical Remote Sensing Image in Ship Detection

LI Jun

(No. 1 Canglong North Road, Wuhan430205)

With the development of the optical satellite remote sensing technology, ship is an important carrier in the sea, of which the detection and recognition is of great significance. Firstly, image preprocessing and sea-land segmentation are processed to improve efficiency of ship-target detection. Secondly, ship-target detection is introduced from the aspects of candidate region extraction such as in shore and off shore, as well as the recognition. At last, several typical algorithms are summarized, and the next study directions are given out.

ship-target detection, optical remote sensing image, image preprocessing, sea-land segmentation, candidate region extraction

2016年4月1日,

2016年5月19日

李軍,男，碩士，工程師，研究方向：指控系統(tǒng)，信息系統(tǒng)。

TP751

10.3969/j.issn.1672-9730.2016.10.009