【正文】 為光源梯度為p（,1）。因此，我們可以認(rèn)為，系統(tǒng)重建的遙感圖像三維形狀基本準(zhǔn)確。然后驗(yàn)證相對(duì)高度誤差。首先引入， (411)離散化后可以得到： (412)同理: (413)由灰度約束條件，如果重建出來(lái)的形狀完全正確，則可以得到如下結(jié)果 (414)由Tylor展開(kāi)可以得到: (415)上面這個(gè)等式可以形成一個(gè)線性方程，而可以用Jacobi遞歸的方法，得到這個(gè)方程的解。該約束可以表示為 (49)更進(jìn)一步，可以給每個(gè)約束條件加以權(quán)重，得到一個(gè)綜合的約束方程，即 (410)其中；另外，也可以令任意一個(gè)權(quán)重為0，則可以減少能量約束條件。光滑約束——是指重建出來(lái)的表面在一個(gè)極小的范圍內(nèi)，表面法向量趨于一致。最小化方法[3940]主要是計(jì)算出可以使一個(gè)基于整幅圖片的能量方程得到最小值的解，從而計(jì)算出整個(gè)場(chǎng)景的高度信息。在實(shí)際應(yīng)用中，建立一個(gè)計(jì)算鏡面反射光亮度的經(jīng)驗(yàn)?zāi)Ｐ蛯?duì)現(xiàn)實(shí)中的鏡面進(jìn)行擬合，其計(jì)算公式為： (42)其中：是入射光中鏡面反射分量強(qiáng)度，是物體表面鏡面反射系數(shù)，它與光源的入射角和光源的波長(zhǎng)有關(guān)；是觀察視線與反射光線的夾角；n為鏡面高光系數(shù)，近似描述了鏡面反射光分布的空間。如果所有入射光都被反射，無(wú)任何吸收，則稱該散射面為完全反射漫射體。“漫反射”或“漫射”是指當(dāng)一束平行的入射光線照射到粗糙表面時(shí)，因?yàn)榇植诒砻娓鼽c(diǎn)表面法向量不同，雖然入射光線相互平行，但是反射光線向不同的方向無(wú)規(guī)則反射。為了解決港口內(nèi)艦船檢測(cè)問(wèn)題，本文嘗試從圖片3D高度信息角度出發(fā)，設(shè)計(jì)了一套港口內(nèi)艦船檢測(cè)算法。其他少數(shù)不基于先驗(yàn)信息的算法，都是在港口內(nèi)艦船與岸邊接觸不多的情況。該算法采用基于地理信息的模板技術(shù),確定港口區(qū)域，從而實(shí)現(xiàn)了港口和艦船的分離 ,此外還完成了相互靠在一起船只的切割和某些斷裂船只的修補(bǔ)。由于陸地紋理復(fù)雜，靠岸的艦船與陸地相連，目前沒(méi)有有效的辦法進(jìn)行分割。 港口內(nèi)艦船檢測(cè)研究背景港口內(nèi)艦船檢測(cè)意義重大。從實(shí)驗(yàn)的效果上看，本章設(shè)計(jì)的艦船檢測(cè)算法檢測(cè)正確率比較高，能夠滿足需求。（3）由于選取的艦船特征比較多，進(jìn)行分類識(shí)別過(guò)程中，能夠保證檢測(cè)的準(zhǔn)確率。對(duì)上面的數(shù)據(jù)進(jìn)行了測(cè)試，：統(tǒng)計(jì)出算法的性能如下所示：實(shí)驗(yàn)測(cè)試圖片500幅算法漏警率%算法虛警率%算法檢測(cè)正確率%實(shí)驗(yàn)結(jié)果不緊能夠正確檢測(cè)出艦船位置，還能夠輸出艦船的位置，面積，長(zhǎng)寬比等基本結(jié)構(gòu)信息。 離岸艦船檢測(cè)算法實(shí)驗(yàn)驗(yàn)證分析 離岸艦船檢測(cè)算法的實(shí)驗(yàn)驗(yàn)證為了客觀的評(píng)價(jià)設(shè)計(jì)的算法，對(duì)遠(yuǎn)洋艦船檢測(cè)算法進(jìn)行了測(cè)試，實(shí)驗(yàn)數(shù)據(jù)來(lái)自Google Earth 上的光學(xué)遙感圖片。海陸分割：基于區(qū)域統(tǒng)計(jì)特性差異的海陸分割算法。一幅二維數(shù)字圖象用表示，其大小為，灰度級(jí)別為，那么灰度共生矩陣定義為： （35）能量：灰度共生矩陣元素值的平方和稱為能量，圖像灰度分布均勻程度和紋理粗細(xì)度能夠在能量中得到反映。包括形狀特征，簡(jiǎn)單紋理特征，局部區(qū)域特征等。 當(dāng)處理的是白噪聲時(shí)，噪聲功率譜是一個(gè)常數(shù)，設(shè)該常數(shù)為則此時(shí)可以使用下面的表達(dá)式： （34）離岸艦船檢測(cè)圖片預(yù)處理包括三個(gè)部分：分別為無(wú)目標(biāo)圖片剔除，無(wú)內(nèi)容圖片剔除和噪聲剔除。對(duì)于椒鹽噪聲，它們往往是一個(gè)窗口中的最大最小值，經(jīng)過(guò)排序、選取中值后，這些椒鹽噪聲點(diǎn)會(huì)被中值點(diǎn)取代，從而達(dá)到去除椒鹽噪聲的目的。（c）圖片噪聲剔除對(duì)含有大量噪聲的圖片也要進(jìn)行剔除，因?yàn)閾碛写罅吭肼暤拇嬖?，這些圖片內(nèi)容已經(jīng)沒(méi)有價(jià)值了，光學(xué)遙感圖像中常見(jiàn)的噪聲為：椒鹽噪聲和高斯噪聲。經(jīng)過(guò)SVM訓(xùn)練后得到云樣本的特征向量。（b）無(wú)內(nèi)容圖片剔除無(wú)內(nèi)容即圖片本生具有大量的云層等遮擋物，文獻(xiàn)[35]介紹了一種剔除云層的方法，下面簡(jiǎn)要敘述： 去云算法流程。一般艦船目標(biāo)的檢測(cè)都是首先對(duì)圖片進(jìn)行預(yù)處理，篩選大量無(wú)價(jià)值圖片，然后將預(yù)處理后的圖片中陸地區(qū)域和海洋區(qū)域分割，然后利用艦船的形狀特征進(jìn)行目標(biāo)識(shí)別，： 艦船檢測(cè)一般流程光學(xué)遙感圖片的艦船檢測(cè)首先要進(jìn)行圖片預(yù)處理。目前針對(duì)光學(xué)遙感圖片的離岸艦船檢測(cè)研究處于起步階段。由于數(shù)據(jù)源篩選部分都是些簡(jiǎn)單的方法。本章算法解決了這個(gè)問(wèn)題，且過(guò)程中沒(méi)有任何的形態(tài)學(xué)濾波，保證了分割圖片的局部細(xì)節(jié)完整性，因此算法適用于提取海岸線，特別適合提取港口海岸線，了解港口結(jié)構(gòu)信息的變化等深度信息。 海灣海岸線檢測(cè)本文算法能夠精確的分割港口，保存港口的局部細(xì)節(jié)信息，適用于分析比較港口結(jié)構(gòu)變化。在某些情況下，我們需要及時(shí)了解某個(gè)位置海岸線信息的變化。這樣得到的數(shù)據(jù)庫(kù)非常大。 部分驗(yàn)證圖片實(shí)驗(yàn)驗(yàn)證圖片中包括擁有橋梁、港口、防坡堤、樹(shù)林等復(fù)雜地貌，：實(shí)驗(yàn)圖片OTSU分割貝葉斯分割最大熵分割本章分割 海陸分割算法比較從實(shí)驗(yàn)結(jié)果上看，本文的海陸分割算法能夠精確的做到海陸分割，不會(huì)誤判陸地上的與海洋像素灰度相似的區(qū)域，比如成片的樹(shù)林，房屋和橋梁等。（c）誤判區(qū)域的剔除通過(guò)海洋矩陣的標(biāo)準(zhǔn)差和陸地樣本的標(biāo)準(zhǔn)差的差別，算法就能夠剔除誤判的陸地區(qū)域。利用這點(diǎn)我們就能夠剔除誤判區(qū)域。 誤判區(qū)域以上問(wèn)題用如下方法進(jìn)行誤判目標(biāo)的剔除（a）海洋區(qū)域和陸地區(qū)域方差比較由于海洋區(qū)域均為水面，該區(qū)域方差較小。我們將海洋遙感圖片中的海洋區(qū)域提取出來(lái)。 海洋區(qū)域的灰度統(tǒng)計(jì)分布上圖的結(jié)果說(shuō)明了海洋區(qū)域的灰度分布服從正態(tài)分布。算法選取的海洋區(qū)域面積約為圖片面積的1/20，為了敘述方便記為M，將這片海洋區(qū)域的灰度值作為一個(gè)海洋矩陣。（b)海洋區(qū)域的確定海洋為一片連續(xù)的水域，在遙感圖像中表現(xiàn)為一片灰度值較低，局部方差較小的區(qū)域。對(duì)于高分辨率海洋遙感圖片，陸地區(qū)域紋理復(fù)雜，灰度跨度大。（1）自適應(yīng)建立模型算法分割的依據(jù)是從統(tǒng)計(jì)學(xué)角度找出海洋區(qū)域和陸地區(qū)域的差別，算法的第一步是自適應(yīng)的建立模型。 基于區(qū)域統(tǒng)計(jì)特性的海陸分割算法設(shè)計(jì)該算法自適應(yīng)的建立海洋區(qū)域的統(tǒng)計(jì)學(xué)模型，從統(tǒng)計(jì)學(xué)角度分析比較海洋和陸地的區(qū)域差別。： 高分辨率遙感圖像實(shí)例 從這幅圖上，可以看出目前能夠獲取的高分辨率遙感圖像的內(nèi)容信息很大，圖像的紋理復(fù)雜。 基于區(qū)域統(tǒng)計(jì)特性的海陸分割算法設(shè)計(jì)本章通過(guò)提出一種基于海洋區(qū)域統(tǒng)計(jì)學(xué)模型的海陸分割算法對(duì)高分辨率光學(xué)遙感海洋圖片進(jìn)行精確的海陸分割。上述過(guò)程中所用的訓(xùn)練和分類器目前常用的為支持向量機(jī)（SVM），： SVM二維分類示意圖H為分類線，設(shè)H1，H2分別為過(guò)各類中離分類線最近的且平行于分類線的直線，那么H1和H2間的垂直距離叫做分類間隔（margin）。 二維直方圖 XOY平面基于紋理的分割方法一般是針對(duì)某一類圖。x和y軸分別表示灰度和像素領(lǐng)域內(nèi)的均值，從圖中可見(jiàn)，這種二維直方圖會(huì)出現(xiàn)兩個(gè)波峰，在兩個(gè)波峰之間會(huì)有一個(gè)明顯的波谷。這樣，需要對(duì)上式進(jìn)行求導(dǎo)并令導(dǎo)數(shù)為零，整理后得到下面的準(zhǔn)則： （213）但由于前景和背景分布的均值，方差等無(wú)法確定，最小誤差閾值分割法對(duì)上式提出了一個(gè)修正，即： （214）其中。那么和對(duì)應(yīng)的熵和分別為： （26） （27）其中是圖像本身的熵，定義如下： （28）總熵為與之和，即： （29）最佳門(mén)限為使得總熵達(dá)到最大時(shí)的。（2）最大熵自動(dòng)門(mén)限法：這種方法的主要思想是從香農(nóng)信息論中有關(guān)熵的概念出發(fā)，利用圖像灰度分布密度函數(shù)定義圖像信息熵，通過(guò)閾值的選取，使得前景和背景分布的信息量最大。OTSU又叫最大類間方差法，它根據(jù)圖像的灰度值選擇閾值，將圖像分為兩類，并且使得這兩類之間的方差達(dá)到最大。該算法將區(qū)域作為了一個(gè)分類標(biāo)準(zhǔn)，但是基本思想還是針對(duì)像素的。 研究背景傳統(tǒng)的海陸分割算法主要分為兩類，一類是基于像素灰度的差異，這類算法中主要有OTSU[1],貝葉斯概率和最大熵法。第2章 光學(xué)遙感圖像的海陸分割算法第2章 光學(xué)遙感圖像的海陸分割算法海陸分割是對(duì)圖片內(nèi)容分為海洋和陸地。在這部分介紹利用3D高度信息的港口內(nèi)艦船檢測(cè)算法。并將這種算法運(yùn)用于海岸線的檢測(cè)。本文共分為六個(gè)章節(jié)：第1章為緒論部分。因此研究一種能夠區(qū)分港口和艦船的算法有著迫切的意義，也有著廣泛的應(yīng)用前景?？偟膩?lái)說(shuō)由于難以找到陸地和艦船的區(qū)別，目前關(guān)于這方面的研究成果比較少。依據(jù)先驗(yàn)信息的港口內(nèi)艦船檢測(cè)算法關(guān)鍵的地方在于精確匹配港口，然后進(jìn)行圖片與運(yùn)算，轉(zhuǎn)化為沒(méi)有港口的艦船檢測(cè)。這兩種方法有以下幾個(gè)問(wèn)題：1）機(jī)器學(xué)習(xí)的方法很難找到合適的特征來(lái)學(xué)習(xí)陸地的特征。在離岸的情況下，海洋和艦船區(qū)別比較明顯，一般依據(jù)灰度特征和形狀學(xué)特征就能夠很好的將離岸的艦船進(jìn)行提取。為了能夠得到精確的海岸線數(shù)據(jù)，人們開(kāi)始依據(jù)衛(wèi)星遙感技術(shù)來(lái)獲取海岸線數(shù)據(jù)庫(kù)。但是由于衛(wèi)星遙感數(shù)據(jù)規(guī)模的巨大，所以完全依靠人工的方法是不可行的。人工搜集海岸線數(shù)據(jù)庫(kù)需要花費(fèi)大量的人力物力。由于對(duì)數(shù)據(jù)源的篩選是一個(gè)重要，但是方法較為簡(jiǎn)單的過(guò)程，這部分內(nèi)容。所謂分類，就是將圖片分為目標(biāo)可能出現(xiàn)區(qū)域和目標(biāo)不可能出現(xiàn)區(qū)域。往往在光學(xué)遙感圖片集中，由于受天氣的限制，導(dǎo)致拍攝的圖片很多內(nèi)容被云層等遮擋，這些無(wú)內(nèi)容圖片必須首先剔除，減少圖片存儲(chǔ)空間。 海洋目標(biāo)識(shí)別系統(tǒng)結(jié)構(gòu)和一般目標(biāo)檢測(cè)算法相似，海洋目標(biāo)檢測(cè)分為三大步：首先進(jìn)行數(shù)據(jù)源的篩選，然后對(duì)圖片內(nèi)容進(jìn)行分割和分類，找到感興趣區(qū)域，最后根據(jù)目標(biāo)的特征進(jìn)行目標(biāo)識(shí)別。近年來(lái)關(guān)于SFS的算法也有很大發(fā)展，2008年Abdelrehim[32]改進(jìn)了SFS算法，并成功運(yùn)用于人臉識(shí)別。文獻(xiàn)[29]總結(jié)了SFS（shape from shading）的種方法，主要分為四類：最小化方法、擴(kuò)散生長(zhǎng)方法、局部方法和線性方法?；趭A角鏈碼的算法只能解決那種船只和岸邊接觸不是很多的問(wèn)題，但是在港口中大部分船只都和岸邊接觸很大，所以這類算法適用面也比較窄。近年來(lái)有人將視覺(jué)注意機(jī)制引入到艦船檢測(cè)中來(lái)，這類算法思想基本上是利用圖像的顯著性，將艦船目標(biāo)突顯出來(lái)，然后進(jìn)行形狀學(xué)檢測(cè)。目前關(guān)于這方面的算法，都是利用一定的先驗(yàn)信息。國(guó)內(nèi)關(guān)于光學(xué)遙感圖片中遠(yuǎn)洋艦船的檢測(cè)研究取得了不錯(cuò)的成果。CFAR算法在進(jìn)行SAR圖像中艦船檢測(cè)時(shí)計(jì)算量很大。由于斑點(diǎn)噪聲的存在，SAR圖像中艦船檢測(cè)主要是利用CFAR算法[1114]，國(guó)內(nèi)很多文獻(xiàn)針對(duì)不同的SAR圖像，用不同的分布函數(shù)擬合SAR圖像，提出了不同的CFAR算法，文獻(xiàn)[15]認(rèn)為GO分布能夠很好的對(duì)SAR圖像區(qū)域精確建模。文獻(xiàn)[9]認(rèn)為SAR圖像的背景分布接近K分布。這兩種方法由于處理過(guò)程中，一般都存在圖像形態(tài)學(xué)運(yùn)算，這很可能丟失海岸線的細(xì)節(jié)信息，使得獲得的海岸線不精確。依據(jù)陸地和海洋紋理的差異區(qū)分海洋和陸地的方法思想是認(rèn)為海洋和陸地的紋理具有不同的紋理。分辨率的提高能夠更加精確的突出海岸帶具體位置，此外分辨率的逐漸提高，也能更加清晰的呈現(xiàn)陸地的細(xì)節(jié)信息。這些標(biāo)準(zhǔn)包括最大類間方差[1]，最大貝葉斯概率[2]和最大類間熵[34]等。 研究現(xiàn)狀海洋目標(biāo)主要集中于艦船，港口和海岸線等具有敏感信息的地理位置，本文選取離岸艦船、港口內(nèi)艦船和海岸線作為研究?jī)?nèi)容。民用方面，外貿(mào)發(fā)展越來(lái)越快，綿延的海岸線上各種外貿(mào)活動(dòng)頻繁，隨之而來(lái)的各種交通問(wèn)題（如海運(yùn)監(jiān)控和調(diào)度）、環(huán)境問(wèn)題（如海上漏油）和經(jīng)濟(jì)犯罪問(wèn)題（如海洋走私）也越來(lái)越嚴(yán)重，因此急需一種高精度、高重訪率的遙感技術(shù)來(lái)監(jiān)測(cè)我國(guó)漫長(zhǎng)的海岸線，有效保護(hù)沿海的自然環(huán)境和經(jīng)濟(jì)環(huán)境，預(yù)防和減少海運(yùn)事故的發(fā)生。實(shí)驗(yàn)結(jié)果表明該算法能夠自適應(yīng)的匹配目標(biāo)。Sift作為一種近年來(lái)提出的效果不錯(cuò)的特征提取算法已經(jīng)廣泛運(yùn)用到圖片匹配領(lǐng)域。該算法通過(guò)3D高度信息的重建，提取出港口內(nèi)高度比岸邊高靠岸艦船。該算法首先利用區(qū)域統(tǒng)計(jì)差異，進(jìn)行海陸分割，然后根據(jù)連通域面積的大小，剔除陸地部分，最后利用艦船的形狀學(xué)特征對(duì)離岸艦船進(jìn)行檢測(cè)。(2)提出了一種處理高分辨率遙感圖像的艦船檢測(cè)算法。該算法利用海洋區(qū)域統(tǒng)計(jì)信息進(jìn)行初步分割，然后利用陸地和海洋區(qū)域統(tǒng)計(jì)信息的差異進(jìn)行誤判目標(biāo)的剔除。由于遙感數(shù)據(jù)規(guī)模的巨大和圖片內(nèi)容信息的豐富，導(dǎo)致傳統(tǒng)算法對(duì)海洋目標(biāo)的分割、檢測(cè)和識(shí)別更加困難。隨著眾多的高分辨率星載光學(xué)傳感器的發(fā)射，獲得的遙感數(shù)據(jù)規(guī)模越來(lái)越大，圖片具有更清晰的結(jié)構(gòu)信息和紋理信息。以往的方法主要是利用像素信息進(jìn)行分割，由于高分辨率圖片內(nèi)容信息的豐富，很多陸地區(qū)域和海洋區(qū)域有著相似的像素灰度，導(dǎo)致這些方法進(jìn)行海陸分割時(shí)產(chǎn)生很多錯(cuò)誤分割，為解決這個(gè)問(wèn)題，本文提出了一種利用區(qū)域統(tǒng)計(jì)特征差異的海陸分割算法。該算法沒(méi)有運(yùn)用任何圖像形態(tài)學(xué)運(yùn)算，能夠比較完整的保存分割后的圖片的局部細(xì)節(jié)信息，因此該算法不僅實(shí)現(xiàn)了高分辨率光學(xué)海洋圖片的海陸分割，還可以運(yùn)用該算法提取海岸線。目前離岸艦船檢測(cè)算法主要是利用艦船的形狀學(xué)特征，由于高分辨率遙感光學(xué)海洋圖片中離岸艦船輪廓清晰，本文針