基於多特徵融合的熱紅外遙感影像的海上動目標檢測方法與流程

2023-10-17 20:08:04 1

本發明涉及一種遙感檢測方法，尤其涉及一種基於高解析度熱紅外遙感影像的海上運動目標檢測方法。

背景技術：

目前，國內外以海上運動目標例如船隻為對象的遙感檢測主要基於高解析度可見/近紅外多光譜影像進行，影像解析度造成對海上運動目標檢測能力不足而且目視解譯困難，另外，可見/近紅外多光譜遙感數據源最大的缺點在於夜間無法成像，不能在夜間對海上運動目標進行檢測。

技術實現要素：

為了克服上述現有技術的不足，本發明要解決的技術問題是提供一種通過熱紅外影像上海上運動目標區別於其他對象的特徵將海上運動目標提取出來的基於多特徵融合的熱紅外遙感影像的海上運動目標檢測方法。

為解決上述技術問題，本發明採用如下技術方案：

提出一種基於多特徵融合的熱紅外遙感影像的海上運動目標檢測方法。該方法包括如下步驟：

對熱紅外影像進行海陸分割獲得海域影像；

利用先驗分割參數對海域影像進行多尺度分割得到對象；

提取分割得到的對象的亮度和幾何特徵；以及

通過將對象的亮度和幾何特徵分別對照訓練得到的對應的分類規則對對象進行決策樹分類，從而實現海上運動目標的檢測。

對於上述基於多特徵融合的熱紅外遙感影像的海上運動目標檢測方法，對熱紅外影像進行海陸分割獲得海域影像進一步包括：根據同一地理區域的可見光影像中海域和陸地的區分勾畫出海面部分，並將海面部分作為海陸掩膜影像，將該可見光影像與對應的熱紅外影像配準，利用海陸掩膜影像對熱紅外影像進行掩膜，獲取海面熱紅外影像。

對於上述基於多特徵融合的熱紅外遙感影像的海上運動目標檢測方法，利用先驗分割參數對海域影像進行多尺度分割得到對象進一步包括：

根據要檢測的海上運動目標的尺寸確定多尺度分割中的尺度參數，即確定用於對象合併的閾值；

首先將熱紅外影像中的每個像素作為獨立的對象，任意選擇相鄰的兩個對象進行試探性合併，試探性合併的具體處理為：計算兩個對象的擬合度並與合併條件比較，如果兩個對象的擬合度滿足尺度參數，則進行真正的合併而且合併後的像素作為一個新對象，否則不合併；

選取下一對相鄰對象進行試探性合併，循環選取不同的相鄰對象進行試探性合併直至所有相鄰對象都進行過試探性合併。

對於上述基於多特徵融合的熱紅外遙感影像的海上運動目標檢測方法，兩個對象的擬合度包括光譜擬合度和/或形狀擬合度。

對於上述基於多特徵融合的熱紅外遙感影像的海上運動目標檢測方法，亮度特徵是對象的灰度平均值。

對於上述基於多特徵融合的熱紅外遙感影像的海上運動目標檢測方法，幾何特徵是對象的尺寸特徵和/或形狀特徵。

對於上述基於多特徵融合的熱紅外遙感影像的海上運動目標檢測方法，尺寸特徵包括對象的面積、周長以及長軸長度和短軸長度中任意個特徵。

對於上述基於多特徵融合的熱紅外遙感影像的海上運動目標檢測方法，形狀特徵包括緊密度、凸度、完整度、圓度、形狀因子、延伸率、以及矩形度中任意個特徵。

對於上述基於多特徵融合的熱紅外遙感影像的海上運動目標檢測方法，實現海上運動目標的檢測進一步包括：將檢測到的海上運動目標對象進行邊界矢量化，輸出併疊加在熱紅外影像上。

對於上述基於多特徵融合的熱紅外遙感影像的海上運動目標檢測方法，海上運動目標是船隻。

與現有技術相比，本發明技術方案主要的優點如下：

與現有的海上運動目標檢測方法相比，本發明利用熱紅外遙感影像作為數據源，能夠彌補可見/近紅外多光譜影像夜間失效、SAR影像目視解譯困難且處理步驟複雜等現有方法的缺點，有利於對檢測結果的檢驗，進一步提高信息準確性；基於檢測得到的海上運動目標提取得到的溫度信息，有利於對海上運動目標的狀態進行判別。

本發明的其它特徵和優點將在隨後的說明書中闡述，並且，部分地從說明書中變得顯而易見，或者通過實施本發明而了解。本發明的目的和其他優點可通過在所寫的說明書、權利要求書、以及附圖中所特別指出的結構來實現和獲得。

附圖說明

通過閱讀下文優選實施方式的詳細描述，各種其他的優點和益處對於本領域普通技術人員將變得清楚明了。附圖僅用於示出優選實施方式的目的，而並不認為是對本發明的限制。而且在整個附圖中，用相同的參考符號表示相同的部件。在附圖中：

圖1是本發明所述的基於多特徵融合的熱紅外遙感影像的海上運動目標檢測方法的流程圖；

圖2是本發明以大型船隻為例的實施例所述的基於多特徵融合的熱紅外遙感影像的海上運動目標檢測方法的流程圖；

圖3是圖2中步驟S10的處理過程的流程圖；

圖4是圖2中步驟S20的處理過程的流程圖；

圖5是圖2中步驟S30的處理過程的流程圖；

圖6是圖2中步驟S40的處理過程的流程圖。

具體實施方式

下面將參照附圖更詳細地描述本公開的示例性實施例。雖然附圖中顯示了本公開的示例性實施例，然而應當理解，可以以各種形式實現本公開而不應被這裡闡述的實施例所限制。相反，提供這些實施例是為了能夠更透徹地理解本公開，並且能夠將本公開的範圍完整地傳達給本領域的技術人員。

本發明的原理是由於海水與運動目標相比比熱較大，使得熱紅外影像上海面的亮度與運動目標的亮度明顯不同，且海面亮度較均一，因此可以利用亮度特徵實現海面物體與海面的區分。

如圖1所示，本發明一個實施例所述的基於多特徵融合的熱紅外遙感影像的海上運動目標檢測方法包括如下步驟：

步驟S1，對熱紅外影像進行海陸分割獲得海域影像。具體過程如下：

根據同一地理區域的可見光影像中海域和陸地的區分勾畫出海面部分，並將海面部分作為海陸掩膜影像，將該可見光影像與對應的熱紅外影像配準，利用海陸掩膜影像對熱紅外影像進行掩膜，獲取海面熱紅外影像。

步驟S2，利用先驗分割參數對海域影像進行多尺度分割得到對象。具體過程如下：

根據要檢測的海上運動目標的尺寸確定多尺度分割中的尺度參數，即確定用於對象合併的閾值。首先將熱紅外影像中的每個像素作為獨立的對象，任意選擇相鄰的兩個對象進行試探性合併，試探性合併的具體處理為：計算兩個對象的擬合度並與合併閾值比較，如果兩個對象的擬合度滿足合併條件即滿足尺度參數，則進行真正的合併而且合併後的像素作為一個新對象，否則不合併。選取下一對相鄰對象進行試探性合併，循環選取不同的相鄰對象進行試探性合併直至所有相鄰對象都進行過試探性合併。其中，擬合度包括光譜擬合度和/或形狀擬合度。

步驟S3，提取分割得到的對象的亮度和幾何特徵。具體過程如下：

對步驟S2分割得到的各個對象分別計算亮度和幾何特徵，為後續分類檢測做準備。其中，亮度特徵優選為對象的灰度平均值。幾何特徵可以是尺寸特徵和/或形狀特徵。尺寸特徵包括對象的面積、周長以及長軸長度和短軸長度中任意個特徵。形狀特徵包括緊密度、凸度、完整度、圓度、形狀因子、延伸率、以及矩形度中任意個特徵。

步驟S4，通過將得到的分割對象的亮度和幾何特徵分別對照訓練得到的對應的分類規則對分割對象進行決策樹分類，從而實現海上運動目標的檢測。具體過程如下：

利用由步驟S3計算得到的各對象的各方面特徵，對照針對預定的海上運動目標訓練的分類規則，對各對象進行決策樹分類，以判斷各對象是否為預定的海上運動目標。其中，特徵分類規則是通過特徵值優選得到的。將檢測到的海上運動目標對象進行邊界矢量化，輸出併疊加在熱紅外影像上，即完成海上運動目標的檢測。

下面，以海上運動目標為大型船隻來舉例說明本發明的技術方案。

如圖2所示，該實施例所述的基於多特徵融合的熱紅外遙感影像的海上運動目標檢測方法包括如下步驟：

步驟S10，海陸分割。

本步驟利用先驗的海陸數據對熱紅外影像進行海陸分割。如圖3所示，本步驟包括如下3個子步驟：

步驟S101，對大型船隻母港的高解析度可見光影像進行目視解譯，勾畫出其中的海面部分作為海陸掩膜影像，並保證可見光影像與海陸掩膜影像具有相同的地理信息。

步驟S102，選擇適量控制點將熱紅外影像與可見光影像進行配準。

步驟S103，利用海陸掩膜影像對熱紅外影像進行掩膜，獲取海面熱紅外影像。

步驟S20，先驗知識約束的多尺度影像分割。

本步驟對步驟S1中獲取的熱紅外海面影像進行多尺度影像分割，將海面影像分割為獨立對象，目的是為特徵提取和大型船隻檢測提供對象。如圖4所示，本步驟包括如下3個子步驟：

步驟S201，根據大型船隻的尺寸確定多尺度分割中的尺度參數，即確定用於對象合併的閾值。

步驟S202，首先將熱紅外影像中的每個像素作為獨立的對象，任意選擇相鄰的兩個對象，進行試探性合併，試探性合併的處理為：計算兩個對象的擬合度，當擬合度滿足合併條件，即小於設定的尺度參數，則進行真正的合併而且合併後的像素作為一個新對象，否則不合併。

擬合度包括光譜擬合度fc和形狀擬合度fs兩類，通常計算的兩個對象的擬合度是光譜擬合度和形狀擬合度的加權和：

f＝wcfc+(1-wc)fs (1)

其中，wc為光譜擬合度的權重。

無論是光譜擬合度還是形狀擬合度，計算公式相同，都是通過對象的異質性計算得到，擬合度fdiff計算公式如下：

其中，h1、h2分別為兩對象的異質性，hm為試探性合併生成的對象的異質性，n1、n2分別為兩對象的面積。

對於光譜擬合度，需要計算光譜異質性，光譜異質性的計算公式如下：

hc＝σn (3)

其中，hc為對象的光譜異質性，σn為灰度的標準差。

對於形狀擬合度，需要計算形狀異質性，形狀異質性包括光滑度hsm和緊湊度hcm兩個參量，計算公式如下：

其中，l為對象的周長，b為對象最小外接矩形的周長，n為對象的面積。

對象的形狀異質性可以表達為光滑度和緊湊度的加權和：

hs＝wsmhsm+(1-wsm)hcm (6)

其中，wsm為光滑度的權重。

步驟S203，選取第二對相鄰對象進行試探性合併，循環選取不同的相鄰對象進行試探性合併，直至沒有對象可以繼續合併。

步驟S30，對象特徵提取。

本步驟對步驟S2分割得到的每一個對象，分別計算其亮度和幾何特徵，為後續分類檢測做準備。如圖5所示，本步驟包括如下兩個子步驟：

步驟S301，在熱紅外影像上，大型船隻目標通常與海面有較大的亮度差異，而對象內部各像素差異較小，因此可以計算對象的亮度特徵，即灰度平均值，利用本步驟計算得到的亮度特徵在步驟S40中剔除海面，獲取海面上孤立對象。

計算對象的亮度特徵mg公式如下：

其中，I為對象內各像素的灰度，N為對象的像素數。

步驟S302，對於海面上的孤立對象，針對大型船隻目標，可以利用對象的幾何特徵將其檢測出來。其中，幾何特徵主要分為兩類，第一類為與尺寸相關的幾何特徵，該類特徵可描述對象的幾何尺寸，用於在步驟S40中找到尺寸相近的對象；第二類為與形狀相關的幾何特徵，該類特徵可描述對象的幾何形狀，用於在步驟S40中將形狀差異較大的對象剔除出去。計算對象的幾何特徵包括：

1)面積S

S＝a·N (8)

其中，a為單個像素代表的面積，N為對象像素數。

面積是重要特徵之一，有利於區分大型船隻目標與一般艦船。大型船隻甲板有較為固定的面積，通常在17000m2到25000m2之間。

2)邊長L

L＝l·N (9)

其中，l為單個像素的邊長，N為對象邊界包含的像素個數。

邊長是表徵尺寸的特徵，大型船隻目標對象通常在700m到880m之內。

3)長軸長Lmax與短軸長Lmin

即對象外接矩形的長和寬，有利於區分大型船隻目標與其他相似目標。大型船隻目標對象長軸長通常在250m到380m之內，短軸長通常在50m到100m之內。

4)緊密度C

其中，S為對象面積，L為對象邊長。

表徵形狀緊湊程度的特徵，圓是緊密度最高的形狀，緊密度為1/π。大型船隻目標對象緊密度通常在0.18到0.23之內。

5)凸度Con

其中，l為對象凸包長度，L為對象邊長。

表徵形狀凹凸程度的特徵，沒有洞的凸多邊形凸度為1。大型船隻目標對象的凸度通常小於等於1.19。

6)完整度So

其中，S為對象面積，s為對象凸包面積。

表徵形狀完整程度的特徵，沒有洞的凸多邊形完整度為1，凹多邊形完整度小於1。大型船隻目標對象的完整度通常在0.80到0.96之內。

7)圓度R

其中，S為對象面積，Lmax為對象長軸長。

表徵形狀與圓形的相似程度的特徵，圓的圓度為1。大型船隻目標對象的圓度通常在0.17到0.26之間。

8)形狀因子F

其中，S為對象面積，L為對象周長。

表徵形狀複雜程度的特徵，圓的形狀因子為1。大型船隻目標對象的形狀因子通常在0.32到0.47之間。

9)延伸率E

其中，Lmax為對象長軸長，Lmin為對象短軸長。

即長寬比，是檢測艦船目標的重要特徵。大型船隻目標對象的延伸率通常在3.40到4.80之間。

10)矩形度Rec

其中，S為對象面積，Lmax為對象長軸長，L為對象短軸長。

表徵形狀與矩形的相似程度的特徵，矩形的矩形度為1。大型船隻目標對象的矩形度通常在0.60到0.75之間。

步驟S40，決策樹分類。

本步驟利用由步驟S3計算得到的各對象的幾方面特徵，根據針對大型船隻目標訓練的分類規則的決策樹，對各對象進行分類，以判斷各對象是否為大型船隻目標。如圖6所示，本步驟包括如下3個子步驟：

步驟S401，根據熱紅外影像中海面像素的亮度情況，設定亮度閾值，通過閾值分割將海面上的對象與海面區分開來。

步驟S402，將對象及其計算出來的幾何特徵，帶入針對大型船隻目標訓練的決策樹分類規則，進行分類判斷。只有所有特徵都滿足決策樹分類規則的對象，才被分類為大型船隻對象。

其中，面積特徵值優選為10000m2≤S≤25000m2，面積處於這個數值範圍的對象繼續進行下一特徵值比較，面積不在這個數值範圍內的對象被剔除；邊長特徵值優選為500m≤L≤880m，邊長處於這個數值範圍的對象繼續進行下一特徵值比較，邊長不在這個數值範圍內的對象被剔除；長軸長度特徵值優選為100m≤Lmax≤380m，長軸長度處於這個數值範圍的對象繼續進行下一特徵值比較，長軸長度不在這個數值範圍內的對象被剔除；短軸長度特徵值優選為80m≤Lmin≤150m，短軸長度處於這個數值範圍的對象繼續進行下一特徵值比較，短軸長度不在這個數值範圍內的對象被剔除；緊密度特徵值優選為0.18≤C≤0.23，緊密度處於這個數值範圍的對象繼續進行下一特徵值比較，緊密度不在這個數值範圍內的對象被剔除；凸度特徵值優選為Con≤1.19，凸度處於這個數值範圍的對象繼續進行下一特徵值比較，凸度不在這個數值範圍內的對象被剔除；完整度特徵值優選為0.80≤So≤0.96，完整度處於這個數值範圍的對象繼續進行下一特徵值比較，完整度不在這個數值範圍內的對象被剔除；圓度特徵值優選為0.17≤R≤0.26，圓度處於這個數值範圍的對象繼續進行下一特徵值比較，圓度不在這個數值範圍內的對象被剔除；形狀因子特徵值優選為0.32≤F≤0.47，形狀因子處於這個數值範圍的對象繼續進行下一特徵值比較，形狀因子不在這個數值範圍內的對象被剔除；延伸率特徵值優選為3.40≤E≤4.80，延伸率處於這個數值範圍的對象繼續進行下一特徵值比較，延伸率不在這個數值範圍內的對象被剔除；矩形度特徵值優選為0.60≤Rec≤0.75，矩形度處於這個數值範圍的對象被判斷為大型船隻目標，矩形度不在這個數值範圍內的對象被剔除。

上述決策樹中各個特徵的比較的具體順序只是為了說明方便而舉的一個例子，實際上決策樹中各個特徵之間的順序可以任意調換。另外，決策樹中任意個特徵可以替換為其他特徵，並且特徵的數量也可以增加或減少。

步驟S403，將檢測到的大型船隻目標對象進行邊界矢量化，輸出併疊加在熱紅外影像上，即完成大型船隻目標的檢測。

顯然，本領域的技術人員可以對本發明進行各種改動和變型而不脫離本發明的精神和範圍。這樣，倘若本發明的這些修改和變型屬於本發明權利要求及其等同技術的範圍之內，則本發明也意圖包含這些改動和變型在內。