【正文】 利用艦船的形狀特征進行目標識別，： 艦船檢測一般流程光學遙感圖片的艦船檢測首先要進行圖片預處理。如果用CFRA算法在處理陸地區(qū)域時，算法執(zhí)行效率更低，所以一般針對光學遙感圖片的離岸艦船檢測算法和SAR圖像中的艦船檢測算法不同。目前針對光學遙感圖片的離岸艦船檢測研究處于起步階段。 艦船檢測流程離岸艦船檢測的研究目前主要集中于SAR圖像，CFAR是SAR圖像中艦船檢測的常見方法。由于數據源篩選部分都是些簡單的方法?；趨^(qū)域統計特性的海陸分割算法大大降低了后續(xù)艦船檢測的漏警率和虛警率，提高了目標檢測的正確率。本章算法解決了這個問題，且過程中沒有任何的形態(tài)學濾波，保證了分割圖片的局部細節(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，了解港口結構信息的變化等深度信息。該算法的創(chuàng)新點是提出了區(qū)域統計特征作為海陸分割的一個標準，能夠大大修改基于灰度差異的分割算法誤判概率。 海灣海岸線檢測本文算法能夠精確的分割港口，保存港口的局部細節(jié)信息，適用于分析比較港口結構變化。從本章設計的基于區(qū)域統計特性的海陸分割算法的過程和結果上看，該算法能夠精確的實現海陸分割，且整個過程中，沒有采用形態(tài)學濾波，保存了分割后圖像的局部完整性，所以適用于對海岸線的提取。在某些情況下，我們需要及時了解某個位置海岸線信息的變化。比如洋流、潮水的侵蝕都會造成海岸線的變化。這樣得到的數據庫非常大。 海岸線提取海岸線的監(jiān)測和管理一直是海洋目標檢測的一個關注點之一。 部分驗證圖片實驗驗證圖片中包括擁有橋梁、港口、防坡堤、樹林等復雜地貌，：實驗圖片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驗結果上看，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，比如成片的樹林，房屋和橋梁等。： 誤判區(qū)域剔除后的圖片 基于區(qū)域統計特性的海陸分割算法實驗驗證分析在這一部分將從分割精確度和算法復雜度上驗證比較該算法和其他算法的效果。（c）誤判區(qū)域的剔除通過海洋矩陣的標準差和陸地樣本的標準差的差別，算法就能夠剔除誤判的陸地區(qū)域。前述OTSU方法會將陸地誤判為海洋，不會將海洋誤判為陸地，這也表明用OTSU分割后的圖片，標為陸地區(qū)域的像素都為陸地。利用這點我們就能夠剔除誤判區(qū)域。下面選取幾個灰度和海洋區(qū)域接近的區(qū)域作為比較。 誤判區(qū)域以上問題用如下方法進行誤判目標的剔除（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。我們在置信度為95%的單邊估計下選取=3，由于海洋像素比陸地像素整體上要低很多，算法選取了=： 統計學海陸分割（3）誤判區(qū)域剔除由于陸地灰度不均勻，陸地區(qū)域的很多像素在灰度上與海洋區(qū)域接近。我們將海洋遙感圖片中的海洋區(qū)域提取出來。(2)基于區(qū)域統計特性差異的海陸分割我們利用海洋矩陣的統計學參數，用假設檢驗的方法對圖像中的像素進行判別。 海洋區(qū)域的灰度統計分布上圖的結果說明了海洋區(qū)域的灰度分布服從正態(tài)分布。OTSU分割后的圖片經過相同面積大小的矩陣膨脹后，膨脹后的圖片還存在黑點，這表明該黑點周圍的M個像素在OTSU分割后的圖片中都為黑點，也就表明以該點為中心，面積大小為M 的區(qū)域都為黑色區(qū)域，然后我們在計算該矩陣的局部方差，如果小于10，也就能夠確定該區(qū)域為海洋矩陣，否則取下一個待選矩陣，直到找到需要的海洋矩陣。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海洋矩陣。陸地區(qū)域經過OTSU分割以后標記為黑白交錯的區(qū)域，但是海洋區(qū)域被標記成一片黑色區(qū)域。（b)海洋區(qū)域的確定海洋為一片連續(xù)的水域，在遙感圖像中表現為一片灰度值較低，局部方差較小的區(qū)域。OTSU分割算法不能分割灰度變化大，紋理不均勻的陸地區(qū)域，可能會將部分陸地區(qū)域誤判為海洋，但不會將海洋區(qū)域判為陸地區(qū)域。對于高分辨率海洋遙感圖片，陸地區(qū)域紋理復雜，灰度跨度大。（a)OTSU粗分割圖像建立海洋模型，必須自適應的找到海洋區(qū)域。（1）自適應建立模型算法分割的依據是從統計學角度找出海洋區(qū)域和陸地區(qū)域的差別，算法的第一步是自適應的建立模型。該算法利用海洋和陸地兩個不同區(qū)域的像素的統計學差別，分割過程中不需要進行任何形態(tài)學濾波，不會造成任何分割后圖像的局部細節(jié)丟失，能夠保留重要的地貌信息，便于進一步對圖像的內容的理解。 基于區(qū)域統計特性的海陸分割算法設計該算法自適應的建立海洋區(qū)域的統計學模型，從統計學角度分析比較海洋和陸地的區(qū)域差別。原因主要有兩點：一是難以找到合適的紋理特征來表現某一區(qū)域特征，利用紋理差異的分割方法難以湊效。： 高分辨率遙感圖像實例 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容信息很大，圖像的紋理復雜。本文 研究的圖像載體是光學遙感圖像隨著1999年和2001年的IKONOS和QuickBird衛(wèi)星的發(fā)射，遙感圖像的空間分辨率越來越高。 基于區(qū)域統計特性的海陸分割算法設計本章通過提出一種基于海洋區(qū)域統計學模型的海陸分割算法對高分辨率光學遙感海洋圖片進行精確的海陸分割。基于紋理的分割方法首先針對的是某一類遙感圖片，分割的效果很大程度上取決于樣本和待分類圖片分塊的大小，分塊越小，分割的越精確。上述過程中所用的訓練和分類器目前常用的為支持向量機（SVM），： SVM二維分類示意圖H為分類線，設H1，H2分別為過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）。： 基于紋理海陸分割基本流程首先對樣本圖片進行分塊，選取陸地區(qū)域或者海洋區(qū)域的小分塊進行訓練，訓練提取小樣本的圖片的紋理信息，這時候可以選用共生矩陣或者其他紋理表示方法。 二維直方圖 XOY平面基于紋理的分割方法一般是針對某一類圖。在具體計算和時，使用了與極小誤差閾值分割法相同的方法，只是將各種公式推導到二維空間。x和y軸分別表示灰度和像素領域內的均值，從圖中可見，這種二維直方圖會出現兩個波峰，在兩個波峰之間會有一個明顯的波谷。（4）基于二維直方圖的極小誤差閾值分割方法：這種方法是對依據貝葉斯概率分割方法的一種改進，它不僅僅使用灰度值作為統計的對象，而是對像素點鄰域內的均值也進行統計，由此得出一個二維直方圖，再利用上面提到的方法進行閾值的提取。這樣，需要對上式進行求導并令導數為零，整理后得到下面的準則： （213）但由于前景和背景分布的均值，方差等無法確定，最小誤差閾值分割法對上式提出了一個修正，即： （214）其中。假設圖像的灰度直方圖分布為，背景和前景均服從高斯分布，它們的分布分別為和，則它們的分布函數如下： （210）假設像素本來屬于前景，錯判為背景的概率為，屬于背景錯判為前景的概率為，那么平均錯判的概率可以表示為： （211）其中表示背景的先驗概率，表示前景的先驗概率。那么和對應的熵和分別為： （26） （27）其中是圖像本身的熵，定義如下： （28）總熵為與之和，即： （29）最佳門限為使得總熵達到最大時的。與OTSU一樣，假設閾值將圖像的灰度分成兩類：{0,1,2…,}，：{,…}。（2）最大熵自動門限法：這種方法的主要思想是從香農信息論中有關熵的概念出發(fā)，利用圖像灰度分布密度函數定義圖像信息熵，通過閾值的選取，使得前景和背景分布的信息量最大。和出現的概率分別為： （21） （22）和各自的均值分別為和，而整幅圖像的均值為則兩類的類間方差定義如下： （23）則最佳的閾值就是使得上式中達到最大時的。OTSU又叫最大類間方差法，它根據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到最大。這類算法存在的問題在于需要進行特征訓練，所以算法只能針對一類圖片進行海陸分割，算法普適性不是很高。該算法將區(qū)域作為了一個分類標準，但是基本思想還是針對像素的。這類方法難以解決本章開頭提到的問題。 研究背景傳統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。還有些海洋是環(huán)繞在陸地中的，比如被橋梁間隔的海灣和有防坡堤的港口等。第2章 光學遙感圖像的海陸分割算法第2章 光學遙感圖像的海陸分割算法海陸分割是對圖片內容分為海洋和陸地。在這部分介紹利用SIFT特征艦船檢測算法。在這部分介紹利用3D高度信息的港口內艦船檢測算法。在這部分介紹利用多維形狀結構參數來描述離岸艦船特征的目標檢測算法。并將這種算法運用于海岸線的檢測。第2章為海陸分割部分。本文共分為六個章節(jié)：第1章為緒論部分。最后由于需要挖掘目標檢測的深度信息，本文在SIFT算法基礎上，提出了一種基于匹配特征點頻域信息的艦船匹配算法。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，也有著廣泛的應用前景。因為我們不僅關注海洋里的艦船，我們也需要及時了解港口內艦船的信息?？偟膩碚f由于難以找到陸地和艦船的區(qū)別，目前關于這方面的研究成果比較少。由于難以獲得所有港口精確的地理信息，所以這種方法適用面比較窄。依據先驗信息的港口內艦船檢測算法關鍵的地方在于精確匹配港口，然后進行圖片與運算，轉化為沒有港口的艦船檢測。此外不同的圖片的陸地紋理差異很大，這種算法的適用面很窄，只能處理一小塊特征比較單一的陸地港口。這兩種方法有以下幾個問題：1）機器學習的方法很難找到合適的特征來學習陸地的特征。由于港口灰度不均勻和紋理的復雜的特性，很難將港口內的艦船和陸地分割開。在離岸的情況下，海洋和艦船區(qū)別比較明顯，一般依據灰度特征和形狀學特征就能夠很好的將離岸的艦船進行提取。在滿足一定精度的要求下，該算法能夠實現實時的判斷。為了能夠得到精確的海岸線數據，人們開始依據衛(wèi)星遙感技術來獲取海岸線數據庫。由于海潮的變化，我們搜集的海岸線數據只能是某個時間點的數據，并不能實時的變化。但是由于衛(wèi)星遙感數據規(guī)模的巨大，所以完全依靠人工的方法是不可行的。由于國別的限制，我們只能精確搜集到我們國家的海岸線的數據庫，對于搜集一些敏感地區(qū)或者他國的海岸線數據庫是不可能的。人工搜集海岸線數據庫需要花費大量的人力物力。第3章和第4章介紹了離岸艦船和港口內艦船的識別過程。由于對數據源的篩選是一個重要，但是方法較為簡單的過程，這部分內容。海洋目標識別中，圖片內容分類是海陸分割。所謂分類，就是將圖片分為目標可能出現區(qū)域和目標不可能出現區(qū)域。噪聲是受拍攝環(huán)境影響的，比如拍攝的海洋受巨大風浪的影響，造成拍攝的圖片含有大量噪聲，為了提高數據處理效率，這部分圖片也要剔除。往往在光學遙感圖片集中，由于受天氣的限制，導致拍攝的圖片很多內容被云層等遮擋，這些無內容圖片必須首先剔除，減少圖片存儲空間。經過一系列的方法對數據進行篩選，大大縮小了待處理數據源規(guī)模，提高后續(xù)的處理效率。 海洋目標識別系統結構和一般目標檢測算法相似，海洋目標檢測分為三大步：首先進行數據源的篩選，然后對圖片內容進行分割和分類，找到感興趣區(qū)域，最后根據目標的特征進行目標識別。眾所周知，靠岸的艦船和那邊存在一定的高度差，所以如果能從二維圖片中恢復出相對高度，然后利用高度信息區(qū)分陸地和艦船，這樣靠岸的艦船就可以進行檢測了。近年來關于SFS的算法也有很大發(fā)展，2008年Abdelrehim[32]改進了SFS算法，并成功運用于人臉識別。這個方程可以與一些約束條件，例如灰度約束、平滑約束，可積性約束、梯度約束和單位法向量一致性約束等，共同形成一個泛函表達。文獻[29]總結了SFS（shape from shading）的種方法，主要分為四類：最小化方法、擴散生長方法、局部方法和線性方法。3D重建算法主要分為從明暗變化、陰影、移動和紋理等恢復形狀?；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。由于陸地紋理和艦船紋理難以加以區(qū)分，所以傳統的依據紋理、灰度特征的分割算法都不適合檢測港口內的艦船。近年來有人將視覺注意機制引入到艦船檢測中來，這類算法思想基本上是利用圖像的顯著性，將艦船目標突顯出來，然后進行形狀學檢測。文獻[26]講述了一套基于先驗港口地貌信息檢測算法。目前關于這方面的算法，都是利用一定的先驗信息?？傮w來說，遠洋背景下的艦船，因為目標和背景在灰度上有很大的差距，相關研究已經比較成熟，這點從調研情況已經得到證明。國內關于光學遙感圖片中遠洋艦船的檢測研究取得了不錯的成果。光學傳感器成像受氣象、云層覆蓋和光照等因素限制，實用性有限。CFAR算法在進行SAR圖像中艦船檢測時計算量很大。文獻[17] 提出了一種利用小波分解，用K分布擬合雜波模型的艦船CFAR檢測方法。由于斑點噪聲的存在，SAR圖像中艦船檢測主要是利用CFAR算法[1114]，國內很多文獻針對不同的SAR圖像，用不同的分布函數擬合SAR圖像，提出了不同的CFAR算法，文獻[15]認為GO分布能夠很好的對SAR圖像區(qū)域精確建模。統計學是