本發(fā)明屬于中高等分辨率下可見光遙感圖像目標檢測和識別技術(shù)領(lǐng)域，尤其涉及一種基于擴展小波變換的復(fù)雜背景下艦船檢測方法。

背景技術(shù)：

遙感圖像目標檢測與識別一直是遙感圖像處理和模式識別領(lǐng)域研究的熱點課題，而艦船目標作為海上監(jiān)測和戰(zhàn)時打擊的重點目標，其自動檢測與識別具有非常重要的現(xiàn)實意義，無論在民用還是軍事領(lǐng)域都有著廣闊的應(yīng)用前景。目前海面艦船檢測的算法主要是利用SAR圖像艦船目標與水體之間不同的電磁散射的特性，SAR圖像可以全天時、全天候?qū)Φ赜^測，但是其分辨率和信噪比都較低(大約5m～25m)，并且重訪周期長，不利于實時海域監(jiān)測；隨著高分辨率遙感圖像的出現(xiàn)，圖像細節(jié)豐富。結(jié)構(gòu)特征明顯，近年來受到學(xué)者的青睞。

當(dāng)海面較為平靜、紋理均勻且水體較暗的圖像，海面與艦船對比度明顯時，常見算法能夠取得良好的效果，但是受氣候條件、太陽角度、天氣狀況、海面狀況等因素的影響，海域灰度分布復(fù)雜，波浪、尾跡、云塊的干擾使得常見算法效果大大降低，甚至無法定位到目標的感興趣區(qū)域。本發(fā)明的方法結(jié)合遙感相機同時產(chǎn)生的多光譜數(shù)據(jù)，能夠快速、準確的檢測到海面復(fù)雜海況的艦船。

技術(shù)實現(xiàn)要素：

為了解決現(xiàn)有技術(shù)中存在的技術(shù)問題，本發(fā)明提供一種基于擴展小波變換的復(fù)雜背景下艦船檢測方法。

為了解決上述問題，本發(fā)明的技術(shù)方案具體如下：

一種基于擴展小波變換的復(fù)雜背景下艦船檢測方法，包括如下步驟：

步驟1：通過綠波段的灰度值B_G和近紅外波段的灰度值B_Nir，計算待識別圖像img0(w*h)每個像素位置(i,j)的Fun_MSS＝B_G-B_Nir/B_G+B_Nir值，同時設(shè)定閾值threshold；

步驟2：建立一幅和原始圖像一樣大小(w*h)全0圖像img1；

步驟3：判斷img0每個像素位置(i，j)的Fun_MSS的值，若大于threshold，img0(i，j)置255，至此，完成海洋和陸地的分離；

步驟4：將img0沿著垂直方向卷積高通濾波器G(Z₁)，得到第一層高頻垂直細節(jié)系數(shù)：D¹₁，大小為w*h；

步驟5：將img0沿著水平方向卷積高通濾波器G(Z₂)，得到第一層高頻水平細節(jié)系數(shù)：D¹₂，大小為w*h；

步驟6：將img0先卷積水平方向低通濾波器H(Z₂)，再卷積垂直方向低通濾波器H(Z₁)，得到第一層低頻近似系數(shù)：X，大小為w*h；

步驟7：將X沿著垂直方向卷積高通濾波器G(Z₁)，得到第二層高頻垂直細節(jié)系數(shù)：D²₁，大小為w*h；

步驟8：將X沿著水平方向卷積高通濾波器G(Z₂)，得到第二層高頻水平細節(jié)系數(shù)：D²₂，大小為w*h；

步驟9：將D¹₁、D¹₂、D²₁、D²₂各自取絕對值得到abs_D¹₁、abs_D¹₂、abs_D²₁、abs_D²₂；

步驟10：將abs_D¹₁、abs_D²₁、abs_D¹₂和abs_D²₂相乘得到Res_VH；

步驟11：采用局部極大值抑制的方法，在窗口m0*m0內(nèi)尋找Res_VH的局部極大值點pt＝{pt₁,pt₂,...,pt_n}，共n個；

步驟12：設(shè)定閾值threshold1，判斷n個點之間任意兩個點距離，若任意兩點間的距離小于threshold1，將其合并為一個質(zhì)心點；這樣得到合并后的點pt_new＝{pt₁_new,pt₂_new,...,pt_m_new}，共m個。

步驟13：以pt_new＝{pt₁_new,pt₂_new,...,pt_m_new}中每一個點為中心，判斷m1*m1大小范圍內(nèi)海陸分離圖像img1的像素值，若m1*m1范圍內(nèi)所有點的值都是255，則保留該中心點，否則刪除該中心點，最后得到k個點pt_res＝{pt₁_res,pt₂_res,...,pt_k_res}；

步驟14：以pt_res＝{pt₁_res,pt₂_res,...,pt_k_res}為中心，在圖img0截取m2*m2切片圖像，得到k個切片圖像img_s＝{img1_s,img2_s,…,imgk_s}；

步驟15：以pt_res＝{pt₁_res,pt₂_res,...,pt_k_res}每個點為中心，利用活動輪廓的方法檢測每個切片圖像的邊緣，得到邊緣圖像img_b＝{img1_b,img2_b,…,imgk_b}；

步驟16：統(tǒng)計每個邊緣圖像輪廓的外接矩形、長、寬和區(qū)域面積、周長；

步驟17：計算每個邊緣圖像長寬比、緊致度、矩形度和灰度共生矩陣的四個參數(shù)能量、熵、對比度和相關(guān)性；

步驟18；將步驟16和步驟17中得到的參數(shù)輸入到SVM分類器中，將對應(yīng)切片圖像進行分類，確認艦船切片，剔除虛警切片。

本發(fā)明具有以下優(yōu)點和積極效果：

1、結(jié)合多光譜信息，在快速分割得到的海域圖像上，利用擴展小波變換的方法定位到候選艦船的區(qū)域；能夠克服復(fù)雜海況下艦船檢測困難，該法具有很高的檢測率，虛警和漏警較少，便于硬件實現(xiàn)。

2、利用了擴展小波變換的方法，并且將高頻子帶相乘，能夠使算法應(yīng)用到信噪比較低的情況下，擴展了算法的使用范圍。

附圖說明

下面結(jié)合附圖和具體實施方式對本發(fā)明作進一步詳細說明。

圖1是基于擴展小波變換的復(fù)雜背景下艦船檢測方法的大體流程圖。

圖2是步驟4到步驟12中涉及到的擴展小波算法流程圖。

圖3是步驟1中待處理原圖示意圖。

圖4是步驟3海陸分解結(jié)果示意圖。

圖5是步驟6進行了第一次擴展小波變換的得到低頻近似圖像。

圖6是步驟10將四個高頻系數(shù)相乘后三維顯示效果圖。

圖7是切片示意圖。

圖8是邊緣提取示意圖。

具體實施方式

本發(fā)明的發(fā)明思想為：

一種基于擴展小波變換的復(fù)雜背景下艦船檢測方法，關(guān)鍵是在復(fù)雜背景中快速定位到目標所在區(qū)域，本方法采取“在預(yù)篩選階段最大化可疑目標個數(shù)，在后處理階段最小化虛警概率”的策略，分三步驟進行：預(yù)處理階段進行海洋和陸地分離；預(yù)篩選階段快速檢測海域上的感興趣區(qū)域，定位目標所在位置區(qū)域；后處理階段提取有利于區(qū)分目標和虛警的特征，排除大部分虛警保留最終的目標。

本方法通過結(jié)合多光譜圖像提供的冗余信息快速進行海陸分離，然后利用擴展小波變換法實現(xiàn)查找感興趣區(qū)域，該方法速度快，同時有良好的抗噪聲能力；當(dāng)找到目標所在圖像的位置時，利用活動輪廓方法提取目標的輪廓區(qū)域，統(tǒng)計長、寬、面積、周長、細長度、緊致度和矩形度等11維特征，并輸入到SVM分類器中，最終將目標和虛警分離。

為了更好的表述本發(fā)明的特征，下面結(jié)合具體實施方式對本發(fā)明作進一步詳細的說明。

實施例1：本發(fā)明在艦船夾雜在云層中圖像上的應(yīng)用。

步驟1：如圖3，通過綠波段的灰度值B_G和近紅外波段的灰度值B_Nir，計算待識別圖像img0(273*273)每個像素位置(i,j)的Fun_MSS＝B_G-B_Nir/B_G+B_Nir值，根據(jù)經(jīng)驗值，設(shè)定閾值threshold＝0.3；

步驟2：建立一幅和原始圖像一樣大小(273*273)全0圖像img1；

步驟3：如圖4所示，判斷img0每個像素位置(i，j)的Fun_MSS的值，若大于threshold，img0(i，j)置255，至此，完成海洋和陸地的分離；

步驟4：將img0沿著垂直方向卷積高通濾波器G(Z₁)，該方案中采用Haar小波的高通濾波器得到第一層高頻垂直細節(jié)系數(shù)：D¹₁，大小為273*273；

步驟5：將img0沿著水平方向卷積高通濾波器G(Z₂)，該方案中采用Haar小波的高通濾波器得到第一層高頻水平細節(jié)系數(shù)：D¹₂，大小為273*273；

步驟6：如圖5所示，將img0先卷積水平方向低通濾波器H(Z₂)，再卷積垂直方向低通濾波器H(Z₁)，該方案中采用Haar小波的高通濾波器得到第一層低頻近似系數(shù)：X，大小為273*273；

步驟7：將X沿著垂直方向卷積高通濾波器G(Z₁)，該方案中采用Haar小波的高通濾波器得到第二層高頻垂直細節(jié)系數(shù)：D²₁，大小為273*273；

步驟8：將X沿著水平方向卷積高通濾波器G(Z₂)，該方案中采用Haar小波的高通濾波器得到第二層高頻水平細節(jié)系數(shù)：D²₂，大小為273*273；

步驟9：將D¹₁、D¹₂、D²₁、D²₂各自取絕對值得到abs_D¹₁、abs_D¹₂、abs_D²₁、abs_D²₂；

步驟10：如圖6所示，將abs_D¹₁、abs_D²₁、abs_D¹₂和abs_D²₂相乘得到Res_VH，大小為273*273；

步驟11：采用局部極大值抑制的方法，在窗口61*61內(nèi)尋找Res_VH局部極大值點pt＝{pt₁,pt₂,...,pt₈}，共8個；

步驟12：設(shè)定閾值10，判斷8個點之間任意兩個點的距離，若任意兩點間的距離小于10，將其合并為一個質(zhì)心點；這樣得到合并后的點pt_new＝{pt₁_new,pt₂_new,...,pt₃_new}，共3個。

步驟13：以pt_new＝{pt₁_new,pt₂_new,...,pt₃_new}中每一個點為中心，img0圖像分辨率為2m，該步驟取m1＝100，統(tǒng)計100*100范圍內(nèi)海陸分離圖像img1的像素值，若100*100范圍內(nèi)所有點的值都是255，則保留該中心點，否則刪除該中心點，最后得到2個點pt_res＝{pt₁_res,pt₂_res}；

步驟14：如圖7，該步驟設(shè)定m2＝100，分別以pt₁_res和pt₂_res為中心，在圖img0截取100*100切片圖像，得到2個切片img1_s和img2_s；

步驟15：如圖8，以pt₁_res和pt₂_res分別為中心，用活動輪廓方法的分割的方法，檢測每個切片圖像的邊緣img1_b和img2_b；

步驟16：統(tǒng)計邊緣圖像img1_b的輪廓的外接矩形的長、寬、區(qū)域的面積和周長為(75 15 1080 180)；統(tǒng)計邊緣圖像img2_b的輪廓的外接矩形的長、寬、區(qū)域的面積和周長為(64 30 1780 188)；

步驟17：計算img1_b的邊緣圖像長寬比、緊致度和矩形度為(5 30 1.041)和灰度共生矩陣的四個參數(shù)能量、熵、對比度和相關(guān)性(0.195 1.369 3.109 4841.893)；計算img2_b的邊緣圖像長寬比、緊致度和矩形度為(2 19.8 1.07)和灰度共生矩陣的四個參數(shù)能量、熵、對比度和相關(guān)性(0.228 0.794 0.179 1171888.663)

步驟18；將步驟16和步驟17中得到的11個參數(shù)輸入到SVM分類器中，將對應(yīng)切片圖像進行分類，確認艦船切片img1_s、剔除虛警切片img2_s。

顯然，上述實施例僅僅是為清楚地說明所作的舉例，而并非對實施方式的限定。對于所屬領(lǐng)域的普通技術(shù)人員來說，在上述說明的基礎(chǔ)上還可以做出其它不同形式的變化或變動。這里無需也無法對所有的實施方式予以窮舉。而由此所引伸出的顯而易見的變化或變動仍處于本發(fā)明創(chuàng)造的保護范圍之中。