【導讀】遙感技術(shù)取得了長足的進步，己形成了由多種衛(wèi)星為觀測主體的強大觀測系統(tǒng)。隨著眾多的高分辨率星載光學傳感器的發(fā)射，獲得的遙感數(shù)據(jù)規(guī)模越來越大，圖片具有更清晰的結(jié)構(gòu)信息和紋理信息。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，導致傳統(tǒng)算法對海洋目標的分割、檢測和識別更加困難。本文通過分析公開的高分辨率光學遙感圖片數(shù)據(jù)的特點，結(jié)合以往的方法，提出了一套海洋目標的檢測、識別算法。該算法利用海洋區(qū)域統(tǒng)計信息進行初步分割，然后利用陸地和海洋區(qū)域統(tǒng)計信息的差異進行誤判目標的剔除。艦船目標是海洋目標中最引人關(guān)注的焦點之一。目前的算法主要集中于離岸艦船的檢測。艦船目標檢測以后需要進一步提取目標的深度信息，這就涉及到目標的匹配問題。Sift作為一種近年來提出的效果不錯的特征提取算法已經(jīng)廣泛運用到圖片匹配領(lǐng)域。實驗結(jié)果表明該算法能夠自適應(yīng)的匹配目標。

　　

【正文】 )可積性約束即需滿足可積性條件。該約束也可以被表示為 (48)灰度梯度約束是指重建出來形狀，在假設(shè)光源照射下，形成的灰度圖像在x,y方向的變化率，與所給的原始灰度圖像在x,y方向變化率趨于一致。該約束可以表示為 (49)更進一步，可以給每個約束條件加以權(quán)重，得到一個綜合的約束方程，即 (410)其中；另外，也可以令任意一個權(quán)重為0，則可以減少能量約束條件。在實際計算中，可以用Tylor展開，將積分式化為累加式進行計算。線性化方法[29]是計算效率較高的一種方法，由MIT的Pentland教授提出，之后Tsai和 Shah[30]由提出了改進算法。Tsai和Shah的算法原理如下：原始輸入圖為I,假設(shè)重建出來的場景在給定光源照射下所產(chǎn)生的灰度圖像為R。首先引入， (411)離散化后可以得到： (412)同理: (413)由灰度約束條件，如果重建出來的形狀完全正確，則可以得到如下結(jié)果 (414)由Tylor展開可以得到: (415)上面這個等式可以形成一個線性方程，而可以用Jacobi遞歸的方法，得到這個方程的解。首先，可以把該式簡化為： (416)在經(jīng)過n步迭代之后，可以得到: (417)當n足夠大時就有: (418) 3D高度恢復的實驗驗證 簡單的實驗驗證上述從理論上推倒了高度信息恢復的過程，下面用實驗證明該理論的正確性在黑色的非反光材質(zhì)背景下,將香蕉擺放在空間上不同的三個位置。記錄三個香蕉切面在桌面上的絕對深度，利用已建好的系統(tǒng)，對拍攝后的圖像進行三維形狀重建。找到三個香蕉最高點的位置，記錄相對高度。然后驗證相對高度誤差。 原始圖 重建3D偽彩圖標號實際位置(cm)重建深度香蕉1香蕉2香蕉3相對距離實際距離差(cm)歸一化重建深度差歸一化B2B111B3B2經(jīng)計算，重建出來的相對高度與實際相對高度相比，%。由于實驗條件所限，實際測量的距離精確度為1cm，將帶來一定誤差。在誤差允許范圍內(nèi)，我們可以認為，系統(tǒng)重建的深度準確。因此，我們可以認為，系統(tǒng)重建的遙感圖像三維形狀基本準確。 算法進一步分析當輸入圖像區(qū)域介質(zhì)差別過大時，即漫反射反射系數(shù)ρ差別較大，重建出來的三維效果較差。例如城市中建筑圍繞的花園，由于兩者介質(zhì)差別過大，尤其是很多的建筑在其頂部會有反光材質(zhì)，會導致重建出來的相對高度不準確。當輸入圖像區(qū)域鏡面反射比較嚴重時，該算法在計算過程中忽略了鏡面反射，所以恢復的相對高度不準確。 港口內(nèi)艦船檢測算法設(shè)計 港口內(nèi)高度信息恢復理論上遙感圖片的拍攝角度為垂直拍攝，但為了驗證算法可行性本文認為光源梯度為p（,1）。下圖來自Google Earth上一幅遙感圖片。利用SFS算法恢復出的港口內(nèi)高度信息如圖43。 港口內(nèi)圖片SFS的結(jié)果根據(jù)恢復的相對高度差，將圖片分為兩類，一類是高度相對較高的部分，另一類是高度相對較低的部分。從上圖上看，靠岸的艦船比港口高的事實可以用SFS算法來恢復，這為后續(xù)的艦船目標檢測提供了基礎(chǔ)。 港口內(nèi)艦船檢測流程： 港口內(nèi)艦船檢測算法流程算法模塊介紹：濾波處理模塊：圖像預(yù)處理過程SFS算法：遙感圖片的光源梯度為（,1）采用線性化方法；海陸分割：采用基于區(qū)域統(tǒng)計特性的海陸分割；艦船目標檢測：采用形狀特征進行檢測，詳細見離岸艦船檢測部分；偽目標去除：主要根據(jù)海陸分割的結(jié)果，去除港口上的偽目標；整個算法流程如下：首先對圖片進行預(yù)處理，得到待檢測的港口內(nèi)圖片。如下是一幅港口內(nèi)圖片。，我們發(fā)現(xiàn)陸地上有很多區(qū)域也有著相對較高的高度。剔除這些誤判目標的方法如下：首先對圖片進行基于區(qū)域統(tǒng)計特性的海陸分割。： 海陸分割經(jīng)過SFS得出的高度信息和艦船的特征，我們可以檢測艦船，但是陸地上也有很多誤判目標，剔除這些誤判目標的方法是在海陸分割后的圖片中計算這些目標周圍一個矩陣范圍內(nèi)的像素灰度均值。因為陸地區(qū)域在海陸分割后大部分被標為白色，那么誤判目標周圍像素大部分為白色。而靠岸的艦船因為一邊靠海，一邊靠岸，其周圍的像素有一部分為黑色，那么誤判目標周圍一個矩陣的灰度均值要大于靠岸的艦船，本文設(shè)置閾值為180。： 港口內(nèi)艦船檢測結(jié)果 港口內(nèi)艦船檢測算法實驗驗證分析 測試圖片的結(jié)果為了客觀的評價設(shè)計的算法，對本章設(shè)計的港口內(nèi)艦船檢測算法進行了測試，實驗數(shù)據(jù)源來自100幅港口內(nèi)艦船檢測圖片。這些圖片包括不同分辨率、不同港口區(qū)域、不同陸地紋理的港口圖片。： 港口內(nèi)艦船檢測圖片從上面的測試數(shù)據(jù)上看，測試數(shù)據(jù)源包括了不同分辨率、不同區(qū)域和不同紋理分布陸地區(qū)域的港口圖片，基本包含了各種港口圖片。： 港口內(nèi)艦船檢測結(jié)果 算法分析討論本文依據(jù)高度信息的港口內(nèi)艦船檢測算法能夠部分處理港口內(nèi)靠岸艦船的檢測。本文算法不需要先驗數(shù)據(jù)庫，從處理問題的實用性上講，也比基于鏈碼的算法的適用面寬。由于難以估計光源角度，一般遙感圖片又在高空拍攝，所以恢復的高度差難以用精確的實驗數(shù)據(jù)來驗證，導致該算法的檢測正確率不是很高，只能處理一部分圖片。但是本章設(shè)計的算法提供了港口內(nèi)艦船檢測算法一個思路，希望在以后的工作中，通過衛(wèi)星遙感數(shù)據(jù)直接提供光源的角度，然后進行精確的數(shù)學運算，并進行精確的實驗驗證，最后恢復出相對可靠的高度差，這樣本章的算法的正確率將大大提高。 本章小結(jié)港口內(nèi)艦船檢測具有非常重要的現(xiàn)實意義，但是由于港口和艦船分割的困難，目前還沒有效果比較良好的檢測算法。本章設(shè)計的艦船檢測算法創(chuàng)新點是以港口內(nèi)高度信息作為艦船識別的一個標準，這樣不需要基于先驗信息進行港口匹，也能夠檢測和岸邊接觸面比較多的船只。本章設(shè)計的依據(jù)高度信息的港口內(nèi)艦船檢測算法，雖然檢測效率不高，但是在工程應(yīng)用中，我們可以利用衛(wèi)星傳感器提供的光源角度，就可以恢復出相對精確的高度信息，這樣港口內(nèi)艦船檢測就能得到一個相對符合要求的檢測正確率?？傊?，本章給港口內(nèi)艦船檢測算法提供了一個思路，希望在以后的研究中能夠進一步優(yōu)化 。第5章 特定船只匹配第5章 特定船只匹配目前的艦船檢測算法，主要用于艦船的檢測。為了進一步挖掘船只的深度信息，比如船只的型號，位置等，需要關(guān)注一些特殊的船只并及時跟蹤這些船只。艦船匹配是深度信息挖掘的根本，本章介紹一種基于SITF算法的特定船只匹配算法。 圖片匹配算法介紹目前的圖像匹配算法主要分為兩種：一種是基于灰度匹配，由于需要遍歷圖片的灰度，并比較不同圖片灰度的差異，所以這種算法計算量很大；另一種是基于圖像像素特征點的匹配，這種算法是目前圖片匹配的主流算法?；趫D像像素特征點匹配的算法有兩類：一類是基于全局特征的，如Harris算子等，另一類是基于局部特征的，如SIFT算子等?；趫D像局部特征算子的算法能夠處理所有的圖片，適用性更廣。 SIFT算子原理簡單介紹SIFT算法是加拿大的David G. Lowe于1999年提出，并在2004[41]年進行完善的。SIFT算法是一種提取圖像局部特征的算法，在多尺度空間尋找特征點。選擇的特征點具有光照不變性、反射不變性、旋轉(zhuǎn)不變性和尺度不變性等優(yōu)良特性。SIFT算子分為兩步：一是提取極值點，二是形成特征點向量。： SIFT算子極值點示意圖在多尺度空間里選取極值點，即所選的極值點是上下兩層和周圍的26個點的極值，尺度空間有DOG[40]濾波器的標準差決定。對極值點的篩選和描述這里不贅敘。： 特征向量的形成原理在對關(guān)鍵點進行描述時，選取關(guān)鍵點周圍的的窗口。我們將64個窗口分成四個區(qū)域，并以關(guān)鍵點的主方向為基準每隔45度確定一個方向，共八個方向，； 然后將每個區(qū)域內(nèi)的16個窗口的梯度向量經(jīng)過圖52左圖中藍色圓盤表示的高斯函數(shù)加權(quán)后投影到八個方向上去，由此得到八個值，這樣，四個區(qū)域一共形成了32個值，以這64個值作為描述關(guān)鍵點的特征，就得到了一個32維的向量。實際應(yīng)用時，為了增加SIFT特征點的獨特性，選取特征點周圍的區(qū)域進行上述計算，這樣，可以得到一個128維的特征向量。 SIFT匹配算法分析SIFT算子經(jīng)常運用圖像匹配，其過成如下：首先計算原始圖片和待匹配圖片的特征點，然后進行SIFT算子匹配。匹配的依據(jù)是最近匹配距離和次近匹配距離的比值小于一個常數(shù)，： 匹配SIFT特征點從上圖上看SIFT算子用于圖像匹配的效果很好，依據(jù)人工可以很好的將匹配目標給識別出來。但是由于遙感數(shù)據(jù)量的巨大，在進行遙感目標匹配的過程中依據(jù)人工判斷真假目標是不可行的。傳統(tǒng)的依據(jù)匹配密度來判斷也是不可取的。如上圖，兩張圖中都有真目標，但是很明顯兩幅圖的匹配密度是不一樣的。由于圖片內(nèi)容的復雜性，沒有一個匹配密度閾值來判斷真假目標。本章設(shè)計了一套簡單的圖像中物體是否匹配的自適應(yīng)判斷方法。 基于SIFT算子的圖像匹配算法 算法思想本文改變了以往圖像匹配算法中進行全圖特征點匹配的做法，提出一種基于局部區(qū)域匹配的算法。首先將待匹配圖進行區(qū)域分割，灰度上具有相似性的區(qū)域構(gòu)成一個連通域；本文采用基于區(qū)域統(tǒng)計特性的分割算法，將光學遙感圖片中的艦船劃分為一個個區(qū)域；然后利用SIFT算法進行特征點匹配，統(tǒng)計每個區(qū)域的匹配特征點數(shù)，用匹配的特征點數(shù)目構(gòu)成一個匹配向量。理論上，如果待匹配的圖中有真目標，那么該圖的匹配向量應(yīng)該為一矩形窗或者沖擊函數(shù)。如果待匹配的圖中無真目標，那么該圖的匹配向量應(yīng)該是一無任何特征的序列。但是由于誤匹配的存在，這些特征向量只是近似為矩形窗或者沖擊函數(shù)。為此，本文提出了一種頻域分析的方法，比較匹配向量的頻譜和標準窗函數(shù)和沖擊函數(shù)頻譜的差異，采用歸一化的辦法計算出了一個相似度。經(jīng)過很多實驗的證明，本文設(shè)定了一個閾值，只要匹配向量的頻譜和標準函數(shù)的頻譜相似度超過一定閾值，就能夠斷定真目標的存在，且根據(jù)窗函數(shù)的截止頻率，能夠確定真目標的個數(shù)。最后根據(jù)匹配的區(qū)域，能夠確定真目標的位置。下面是進行的實驗。為了證明擁有真目標時，匹配向量近似為窗函數(shù)或沖擊函數(shù)，： 圖 本文首先對圖片進行基于區(qū)域統(tǒng)計特性的分割，然后做SIFT特征提取，最后形成匹配向量，再對匹配向量做快速傅里葉變化，：圖 特征向量匹配圖 匹配向量的頻譜圖，其匹配向量的頻譜就近似于寬度為2的矩形窗的頻譜，組二中有一個真目標，其匹配向量的頻譜就近似于沖擊函數(shù)的頻譜。組三中無真目標，所以其匹配向量的頻譜就無任何特點。本章還進行了大量的實驗，實驗表明只要有真目標，匹配向量頻譜就近似于窗函數(shù)或者沖擊函數(shù)的頻譜。如果無真目標，匹配向量的頻譜就無任何特征。 特定船只匹配算法設(shè)計模塊：圖 特定船只匹配系統(tǒng)的算法模塊算法模塊介紹：1）基于區(qū)域統(tǒng)計特性的分割：將輸入圖片分割，這樣就構(gòu)成了多個單連通域；2）SIFT匹配特征點：用SIFT算法，將待檢圖片與先驗圖片進行特征點匹配，標示出匹配的特征點；3）形成匹配向量：統(tǒng)計每個連通域匹配的特征點個數(shù)，構(gòu)造出該匹配圖組的匹配向量；4）匹配向量頻域分析：比較匹配向量的頻譜和標準窗函數(shù)或沖擊函數(shù)的相似度；5）輸出結(jié)果：根據(jù)頻域分析的結(jié)果，給出真目標的個數(shù)和位置。對于匹配向量的頻域分析，其算法結(jié)構(gòu)如下：匹配向量頻譜并歸一化頻譜和SA函數(shù)的相似度有一真目標計算截止頻率得到窗函數(shù)的寬度A匹配向量頻譜和窗函數(shù)頻譜的相似度A個真目標無真目標 特征向量頻譜比較模塊下面給出相關(guān)公式說明：頻譜歸一化公式： （51）頻譜相似度計算公式： （52）其中N是待檢圖片連通域個數(shù)。為單個匹配船只是的沖擊函數(shù)或者多個船只匹配時的矩形窗函數(shù)的頻譜值。為驗證算法的有效性，下面選取了5組實驗圖片。： 特定船只匹配系統(tǒng)的實驗圖片： 特定船只匹配系統(tǒng)的實驗結(jié)果本章選取了不同圖片，針對不同真目標數(shù)目的圖片進行了實驗。上圖中給出了特征點匹配的結(jié)果，用每個連通域的匹配的特征點個數(shù)，構(gòu)成匹配向量，最后進行頻域分析，得到了艦船的目標位置和個數(shù)。上圖用紅框和綠框標識了匹配的船只的位置。此外還得到了匹配向量的頻譜與標準窗函數(shù)或沖擊函數(shù)頻譜的相似度，如下表：表 51 相似度測定的實驗組號12345真目標個數(shù)22210本章測試了很多實驗圖片。從上面的實驗數(shù)據(jù)也可以看出這個結(jié)論。 本章小結(jié)SIFT算法作為近年來提出的基于局部特征的圖像匹配算法，其應(yīng)用十分廣泛。但是在處理大規(guī)模遙感數(shù)據(jù)時，需要人工判斷匹配與否的做法不實際。由于圖片內(nèi)容的復雜，根據(jù)圖片匹配點的數(shù)量和密度來判斷待檢圖片中是否有真目標的做法也是不行的。本章設(shè)計的基于SIFT算子的圖像匹配算法，創(chuàng)新點是能夠自適應(yīng)判斷待檢圖