本發(fā)明屬于圖像檢測(cè)識(shí)別技術(shù)領(lǐng)域，更具體地，涉及一種星載遙感光學(xué)圖像的船舶目標(biāo)檢測(cè)識(shí)別方法和系統(tǒng)。

背景技術(shù)：

船舶目標(biāo)包括商船、貨輪、客輪、甚至軍艦，作為海上監(jiān)測(cè)、及時(shí)海洋搜救、實(shí)時(shí)戰(zhàn)時(shí)打擊的重點(diǎn)目標(biāo),是星載遙感圖像自動(dòng)目標(biāo)檢測(cè)與識(shí)別的重要內(nèi)容。

科研人員在SAR圖像船舶目標(biāo)自動(dòng)檢測(cè)與識(shí)別方面已開展了大量的研究，主要是利用船舶目標(biāo)與水體之間不同的電磁散射特性在SAR圖像上所表現(xiàn)出來(lái)的差異。目前已完成或正在開發(fā)的SAR船舶目標(biāo)監(jiān)視系統(tǒng)主要有：加拿大的海洋監(jiān)視工作站(Ocean Monitoring Workstation,OMW)系統(tǒng)、美國(guó)阿拉斯加SAR演示驗(yàn)證(Alaska SAR demon-stration system,

AKDEMO)系統(tǒng)、歐盟聯(lián)合研究中心(Joint Research Center,JRC)的VDS(Ves-sel detection system)系統(tǒng)、英國(guó)Qinetiq的MaST系統(tǒng)等。

而基于星載遙感圖像的船舶目標(biāo)檢測(cè)與識(shí)別研究起步較晚，技術(shù)相對(duì)滯后，現(xiàn)在也有不少有關(guān)遙感圖像艦船檢測(cè)識(shí)別的算法，可是一般達(dá)不到上星的要求，整體方法復(fù)雜，實(shí)施起來(lái)困難，不能達(dá)到實(shí)時(shí)處理，無(wú)法處理復(fù)雜多變環(huán)境下如在太陽(yáng)照射下海洋雜波比較明顯等情況的船舶檢測(cè)識(shí)別，虛警率高,識(shí)別速度慢，識(shí)別率低等問題。遙感圖像數(shù)據(jù)量大，環(huán)境復(fù)雜，在星上處理帶來(lái)一系列難題，更為重要的是星載衛(wèi)星存儲(chǔ)與計(jì)算資源有限，這要求現(xiàn)有方法在少量的資源下做到實(shí)時(shí)處理，能夠可靠地，準(zhǔn)確地輸出結(jié)果?？墒悄壳跋嚓P(guān)技術(shù)準(zhǔn)確性不夠，太過(guò)復(fù)雜，大多需要將數(shù)據(jù)傳回地面進(jìn)行處理，并不能達(dá)到實(shí)時(shí)處理，這樣浪費(fèi)了在海洋搜救情況下的寶貴的時(shí)間，且不可靠、不準(zhǔn)確、性能不佳。

技術(shù)實(shí)現(xiàn)要素：

針對(duì)現(xiàn)有技術(shù)的以上缺陷或改進(jìn)需求，本發(fā)明提供了一種星載遙感光學(xué)圖像的船舶目標(biāo)檢測(cè)識(shí)別方法，其目的在于解決太陽(yáng)照射下海洋雜波對(duì)海面船舶檢測(cè)識(shí)別的影響，解決星上存儲(chǔ)和計(jì)算資源有限，計(jì)算速度不如地面計(jì)算處理，由此解決在衛(wèi)星上的有限硬件環(huán)境下檢測(cè)識(shí)別船舶的實(shí)時(shí)性、可靠性、準(zhǔn)確性的技術(shù)問題。

為實(shí)現(xiàn)上述目的，按照本發(fā)明的一個(gè)方面，提供了一種星載遙感光學(xué)圖像的船舶目標(biāo)檢測(cè)識(shí)別方法，該方法包括以下步驟：

(1)預(yù)處理步驟：輸入待處理圖像，進(jìn)行降采樣操作和高斯濾波平滑處理；

(2)無(wú)效信息剔除步驟：輸入預(yù)處理后圖像，區(qū)分圖像中海洋和陸地區(qū)域；同時(shí)輸入預(yù)處理后圖像，對(duì)圖像進(jìn)行邊緣檢測(cè)；將分離海陸區(qū)域的圖像和邊緣檢測(cè)后的圖像進(jìn)行融合，剔除融合圖像中的陸地和噪聲點(diǎn)；

(3)連通區(qū)域標(biāo)記步驟：基于等價(jià)對(duì)的圖像連通域標(biāo)記算法，通過(guò)逐像素掃描進(jìn)過(guò)步驟(2)后所得圖像，判斷相鄰像素之間的連通性，并對(duì)圖像內(nèi)連通區(qū)域依次標(biāo)，并記定為候選目標(biāo)；

(4)特征提取步驟：計(jì)算出候選目標(biāo)的主方向并對(duì)候選目標(biāo)進(jìn)行旋轉(zhuǎn)，之后提取出候選目標(biāo)的圖像特征；

(5)船舶分類器分類步驟：將候選目標(biāo)的圖像特征輸入到船舶分類器，篩選出符合船舶特征的船舶目標(biāo)，輸出船舶目標(biāo)的坐標(biāo)信息、船舶類型及船舶ROI切片信息。

進(jìn)一步地，所述步驟(2)包括以下子步驟：

(21)海/陸分離子步驟：對(duì)預(yù)處理后圖像的采用同質(zhì)區(qū)分割方法對(duì)海洋區(qū)域和陸地區(qū)域進(jìn)行區(qū)分，陸地區(qū)域灰度值置1，海洋區(qū)域灰度值置0；

(22)邊緣檢測(cè)子步驟：對(duì)預(yù)處理后圖像進(jìn)行邊緣檢測(cè)，邊緣點(diǎn)灰度值置1，背景點(diǎn)灰度值置0；

(23)噪點(diǎn)和陸地剔除子步驟：在海陸分離圖像的基礎(chǔ)上，融合邊緣檢測(cè)的結(jié)果，再設(shè)定一個(gè)n×n的局部區(qū)域，在融合后圖像中掃描，統(tǒng)計(jì)局部區(qū)域內(nèi)灰度值為1的像素點(diǎn)數(shù)目，數(shù)目小于噪點(diǎn)閾值的所有像素點(diǎn)都定為噪點(diǎn)剔除；數(shù)目大于陸地閾值的所有像素點(diǎn)都定為陸地剔除。

進(jìn)一步地，所述步驟(4)包括以下子步驟：

(41)圖像旋轉(zhuǎn)子步驟：計(jì)算出候選目標(biāo)的主方向并對(duì)候選目標(biāo)作旋轉(zhuǎn)處理；

(42)特征提取子步驟：提取候選目標(biāo)的圖像特征，包括：高度特征、寬度特征、矩形度特征、橫向?qū)ΨQ度特征和邊界扭曲度特征。

進(jìn)一步地，所述步驟(5)包括以下子步驟：

(51)分類子步驟：將候選目標(biāo)的圖像特征輸入到船舶分類器中，篩選出符合船舶特征的船舶目標(biāo)；并能進(jìn)一步根據(jù)不同種類船舶特征區(qū)分船舶目標(biāo)的船舶類型；

(52)圖像輸出子步驟：根據(jù)船舶目標(biāo)的連通區(qū)域標(biāo)記確定船舶目標(biāo)的坐標(biāo)信息；根據(jù)船舶目標(biāo)的連通區(qū)域確定船舶ROI切片信息；輸出船舶目標(biāo)的船舶類型、船舶目標(biāo)的坐標(biāo)信息和船舶ROI切片信息。

進(jìn)一步地，所述船舶分類器的訓(xùn)練樣本是大量星載遙感光學(xué)圖像中船舶目標(biāo)的圖像特征，并對(duì)不同類型船舶目標(biāo)的圖像特征進(jìn)行分類。

6、一種船舶目標(biāo)檢測(cè)識(shí)別系統(tǒng)，其特征在于，該方法包括以下模塊：

(1)預(yù)處理模塊，用于輸入待處理圖像，進(jìn)行降采樣操作和高斯濾波平滑處理；

(2)無(wú)效信息剔除模塊，用于輸入預(yù)處理后圖像，區(qū)分圖像中海洋和陸地區(qū)域；同時(shí)輸入預(yù)處理后圖像，對(duì)圖像進(jìn)行邊緣檢測(cè)；將分離海陸區(qū)域的圖像和邊緣檢測(cè)后的圖像進(jìn)行融合，剔除融合圖像中的陸地和噪聲點(diǎn)；

(3)連通區(qū)域標(biāo)記模塊，用于基于等價(jià)對(duì)的圖像連通域標(biāo)記算法，通過(guò)逐像素掃描進(jìn)過(guò)無(wú)效信息剔除模塊后所得圖像，判斷相鄰像素之間的連通性，并對(duì)圖像內(nèi)連通區(qū)域依次標(biāo)，并記定為候選目標(biāo)；

(4)特征提取模塊，用于計(jì)算出候選目標(biāo)的主方向并對(duì)候選目標(biāo)進(jìn)行旋轉(zhuǎn)，之后提取出候選目標(biāo)的圖像特征；

(5)船舶分類器分類模塊，用于將候選目標(biāo)的圖像特征輸入到船舶分類器，篩選出符合船舶特征的船舶目標(biāo)，輸出船舶目標(biāo)的坐標(biāo)信息、船舶類型及船舶ROI切片信息。

進(jìn)一步地，所述無(wú)效信息剔除模塊包括以下子模塊：

(21)海/陸分離子模塊，用于對(duì)預(yù)處理后圖像的采用同質(zhì)區(qū)分割方法對(duì)海洋區(qū)域和陸地區(qū)域進(jìn)行區(qū)分，陸地區(qū)域灰度值置1，海洋區(qū)域灰度值置0；

(22)邊緣檢測(cè)子模塊，用于對(duì)預(yù)處理后圖像進(jìn)行邊緣檢測(cè)，邊緣點(diǎn)灰度值置1，背景點(diǎn)灰度值置0；

(23)噪點(diǎn)和陸地剔除子模塊，用于在海陸分離圖像的基礎(chǔ)上，融合邊緣檢測(cè)的結(jié)果，再設(shè)定一個(gè)n×n的局部區(qū)域，在融合后圖像中掃描，統(tǒng)計(jì)局部區(qū)域內(nèi)灰度值為1的像素點(diǎn)數(shù)目，數(shù)目小于噪點(diǎn)閾值的所有像素點(diǎn)都定為噪點(diǎn)剔除；數(shù)目大于陸地閾值的所有像素點(diǎn)都定為陸地剔除。

進(jìn)一步地，所述特征提取模塊包括以下子模塊：

(41)圖像旋轉(zhuǎn)子模塊，用于計(jì)算出候選目標(biāo)的主方向并對(duì)候選目標(biāo)作旋轉(zhuǎn)處理；

(42)特征提取子模塊，用于提取候選目標(biāo)的圖像特征，包括：高度特征、寬度特征、矩形度特征、橫向?qū)ΨQ度特征和邊界扭曲度特征。

進(jìn)一步地，所述船舶分類器分類模塊包括以下子模塊：

(51)分類子模塊，用于將候選目標(biāo)的圖像特征輸入到船舶分類器中，篩選出符合船舶特征的船舶目標(biāo)；并能進(jìn)一步根據(jù)不同種類船舶特征區(qū)分船舶目標(biāo)的船舶類型；

(52)圖像輸出子模塊，用于根據(jù)船舶目標(biāo)的連通區(qū)域標(biāo)記確定船舶目標(biāo)的坐標(biāo)信息；根據(jù)船舶目標(biāo)的連通區(qū)域確定船舶ROI切片信息；輸出船舶目標(biāo)的船舶類型、船舶目標(biāo)的坐標(biāo)信息和船舶ROI切片信息。

進(jìn)一步地，所述船舶分類器的訓(xùn)練樣本是大量星載遙感光學(xué)圖像中船舶目標(biāo)的圖像特征，并對(duì)不同類型船舶目標(biāo)的圖像特征進(jìn)行分類。

總體而言，通過(guò)本發(fā)明所構(gòu)思的以上技術(shù)方案與現(xiàn)有技術(shù)相比，具有以下技術(shù)特征及有益效果：

(1)可有效抑制太陽(yáng)照射下海面雜波強(qiáng)、虛警率高，提高算法檢測(cè)識(shí)別效率；

(2)在衛(wèi)星環(huán)境約束，存儲(chǔ)與計(jì)算資源受限等約束下仍能保持很高的處理效率，達(dá)到實(shí)時(shí)處理，保證處理過(guò)程的簡(jiǎn)單易控、可靠準(zhǔn)確；

(3)整個(gè)方法模塊化程度高、通用性好，只需少量的修改即可用于其他目標(biāo)檢測(cè)識(shí)別任務(wù)；

附圖說(shuō)明

圖1是本發(fā)明方法的流程示意圖；

圖2是本發(fā)明方法的預(yù)處理流程示意圖；

圖3是本發(fā)明方法的海/陸分離子步驟流程示意圖；

圖4是本發(fā)明方法的邊緣檢測(cè)流程示意圖；

圖5是本發(fā)明方法的噪點(diǎn)和陸地剔除流程示意圖；

圖6是本發(fā)明方法的分類器設(shè)計(jì)流程；

圖7是本發(fā)明系統(tǒng)的結(jié)構(gòu)示意圖；

圖8是本發(fā)明預(yù)處理后的實(shí)例圖像；

圖9是本發(fā)明同質(zhì)區(qū)預(yù)分割結(jié)果圖像；

圖10是本發(fā)明四個(gè)方向?yàn)V波器邊緣檢測(cè)結(jié)果圖像；

圖11是本發(fā)明邊緣圖像視覺非線性曲面二值化結(jié)果圖像；

圖12是本發(fā)明圖像融合后結(jié)果圖像；

圖13是本發(fā)明剔除孤立噪聲點(diǎn)結(jié)果圖像；

圖14是本發(fā)明船舶檢測(cè)結(jié)果圖像。

具體實(shí)施方式

為了使本發(fā)明的目的、技術(shù)方案及優(yōu)點(diǎn)更加清楚明白，以下結(jié)合附圖及實(shí)施例，對(duì)本發(fā)明進(jìn)行進(jìn)一步詳細(xì)說(shuō)明。應(yīng)當(dāng)理解，此處所描述的具體實(shí)施例僅僅用以解釋本發(fā)明，并不用于限定本發(fā)明。此外，下面所描述的本發(fā)明各個(gè)實(shí)施方式中所涉及到的技術(shù)特征只要彼此之間未構(gòu)成沖突就可以相互組合。

如圖1所示本發(fā)明方法的流程包括以下步驟：

(1)預(yù)處理步驟：由于輸入的數(shù)據(jù)量過(guò)大，直接對(duì)原始數(shù)據(jù)進(jìn)行目標(biāo)檢測(cè)識(shí)別操作需要耗費(fèi)巨大的存儲(chǔ)與計(jì)算資源，在現(xiàn)有硬件基礎(chǔ)條件上尚無(wú)法實(shí)現(xiàn)流水式處理，且檢測(cè)性能并不能顯著地提高。因此如圖2所示，將原始數(shù)據(jù)(10～14bit/像素)量化到8bit/像素基礎(chǔ)上，進(jìn)行等間隔采樣處理。為減少AD轉(zhuǎn)換、圖像量化、降采樣處理等操作可能引入的噪聲，本項(xiàng)目中我們使用一個(gè)3×3的高斯低通濾波器用于平滑降采樣后數(shù)據(jù)，從而完成整個(gè)圖像預(yù)處理過(guò)程,處理后如圖8。

(2)無(wú)效信息剔除步驟：包含以下子步驟：

(21)海/陸分離子步驟：如圖3所示本實(shí)施例采用同質(zhì)區(qū)分割方法對(duì)海洋區(qū)域和陸地區(qū)域進(jìn)行分離，具體為：將預(yù)處理后圖像的局部區(qū)域灰度均值乘以灰度標(biāo)準(zhǔn)差，得到的值和海陸分離閾值對(duì)比，大于分離閾值的局部區(qū)域標(biāo)記為陸地區(qū)域，灰度值置1，小于分離閾值的局部區(qū)域標(biāo)記為海洋區(qū)域，灰度值置0，處理后如圖9；

其中，最優(yōu)分離閾值學(xué)習(xí)方法如下：

(211)選擇k幀圖像集合imgs＝{im₁,im₂...im_k}，該圖像集合不能全部為陸地圖像或海洋圖像，需同時(shí)包含陸地和海洋；

(212)使用人工標(biāo)定的方式將海洋和陸地分割成二值圖像；

(213)選擇局部窗口大小，本方案中選擇3×3大小的窗口統(tǒng)計(jì)圖像集合imgs＝{im₁,im₂...im_k}的特征值集合F，F(xiàn)＝局部均值*局部標(biāo)準(zhǔn)差；

(214)設(shè)置分離閾值從F_min依次遞增為F_max，利用分離閾值分離圖像集合imgs＝{im₁,im₂...im_k}中所有圖像的海洋和陸地，當(dāng)某次劃分結(jié)果與人工標(biāo)定的結(jié)果最接近時(shí)，當(dāng)時(shí)所設(shè)置分離閾值即為最優(yōu)分離閾值。

(22)邊緣檢測(cè)子步驟：如圖4所示本實(shí)施例采用基于一階導(dǎo)數(shù)算子方法獲取預(yù)處理后圖像的邊緣輪廓形狀信息，具體為：取四個(gè)方梯度模最大值G_R(x,y)＝{|G_x|,|G_y|,|G_z1|,|G_z2|}_max，其中濾波器形式為

分別將梯度模與原圖做卷積，將當(dāng)前像素點(diǎn)四個(gè)方向的梯度最大值作為預(yù)選的邊緣，如圖10所示，當(dāng)預(yù)選邊緣灰度值大于視覺非線性曲面閾值，即標(biāo)記為邊緣點(diǎn)，灰度值置1；否則就是背景點(diǎn)，灰度值置0；處理后圖像如圖11；這里，曲面閾值的取值范圍為0到60，優(yōu)選35；

(23)噪點(diǎn)和陸地剔除子步驟：在海陸分離圖像的基礎(chǔ)上，融合邊緣檢測(cè)的結(jié)果，得到一個(gè)新圖像，如圖12，之后引入一個(gè)7*7大小的濾波器，將新圖像中灰度值為1的像素點(diǎn)記為目標(biāo)點(diǎn)，統(tǒng)計(jì)濾波器局部區(qū)域目標(biāo)點(diǎn)的個(gè)數(shù)，若二值分割圖像中的目標(biāo)點(diǎn)個(gè)數(shù)大于陸地閾值，則被劃分為陸地區(qū)域，若小于噪點(diǎn)閾值，則被劃分為孤立噪聲點(diǎn)；這里陸地閾值取值范圍為0到255，優(yōu)選150；噪點(diǎn)閾值取值范圍為0到255，優(yōu)選50；將陸地區(qū)域和孤立噪聲點(diǎn)灰度值置0；若小于陸地閾值且大于噪點(diǎn)閾值則將對(duì)應(yīng)像素點(diǎn)灰度值置1；如圖13。

(3)連通區(qū)域標(biāo)記步驟：基于等價(jià)對(duì)的圖像連通域標(biāo)記算法，通過(guò)兩次逐行逐列逐像素掃描步驟(2)后所得圖像，按照8連通準(zhǔn)則判斷相鄰像素之間的連通性，并對(duì)圖像內(nèi)連通區(qū)域依次標(biāo)記，標(biāo)記的連通區(qū)域記為候選目標(biāo)：

(31)圖像初步標(biāo)記子步驟：通過(guò)逐行逐列逐像素的掃描過(guò)程，為每一個(gè)像素賦予一個(gè)臨時(shí)標(biāo)記和相應(yīng)的坐標(biāo)輸出，并且將臨時(shí)標(biāo)記的等價(jià)關(guān)系和坐標(biāo)記錄在等價(jià)表中。

算法原理：這一部分完成每個(gè)像素的初步標(biāo)記以及臨時(shí)標(biāo)記等價(jià)關(guān)系的收集和初步整理。在由上到下，由左至右進(jìn)行逐行逐像素掃描圖像的過(guò)程中，如果發(fā)現(xiàn)即將標(biāo)記的像素與已經(jīng)標(biāo)記的像素之間不存在連通關(guān)系，即該像素與所有相鄰的已經(jīng)標(biāo)記的像素灰度值均不相同，則賦予該像素一個(gè)新的臨時(shí)標(biāo)記；如果在工作窗口中檢測(cè)到相鄰像素灰度值相同而臨時(shí)標(biāo)記不同，則認(rèn)為這兩個(gè)臨時(shí)標(biāo)記具有等價(jià)關(guān)系，屬于相同的連通區(qū)域，并將該等價(jià)關(guān)系記錄在等價(jià)表中。

標(biāo)記算法符號(hào)約定：本算法中讀取的像素的灰度值用字母a、b、c、d、e表示，對(duì)相應(yīng)像素生成的臨時(shí)標(biāo)記用符號(hào)la、lb、lc、ld、le表示；即將賦給像素的新生成的臨時(shí)標(biāo)記用l表示，l初始化為1；分別用N，M表示圖像的行數(shù)和列數(shù)。本算法采用8連通判斷準(zhǔn)則。工作窗口為2×3。本算法不考慮邊界效應(yīng)，只處理圖像的第二行第二列開始到圖像的N-1行M-1列。工作窗口中的a、b、d、c為已經(jīng)標(biāo)記的圖像，e為未標(biāo)記圖像。算法具體過(guò)程如下：

首先，判斷讀取像素e，如果e＝1，就進(jìn)行下一步；

第二，讀取像素c，與e比較，如果c＝e，則le＝lc；否則，讀取像素a，如果a＝e，則le＝la；否則，讀取像素b,如果b＝e，則le＝lb；否則，讀取像素d，如果d＝e，則le＝ld；否則le＝l，l++；

第三，判斷標(biāo)記等價(jià)關(guān)系，讀取像素e,d,b,如果e＝d＝1，b＝0，再讀取像素a,如果a＝1,那么再讀取la和ld，如果la≠ld，則將la、ld寫入等價(jià)表；又如果a＝0，再讀取像素c，如果c＝1，就讀取lc和ld，如果lc≠ld，則將lc、ld寫入等價(jià)表；

(32)等價(jià)表生成子步驟：將具有等價(jià)關(guān)系的臨時(shí)標(biāo)記全部等價(jià)于其中的最小值。

算法原理：圖像初步標(biāo)記結(jié)束后，需要對(duì)等價(jià)表進(jìn)行整理。從等價(jià)表地址1開始掃描等價(jià)表，依次檢查其中各個(gè)臨時(shí)標(biāo)記是否存在等價(jià)關(guān)系，如果存在，則執(zhí)行追蹤過(guò)程，以具有等價(jià)關(guān)系的最小標(biāo)記更新等價(jià)表。由于整理過(guò)程從等價(jià)表地址1開始，即從最小的臨時(shí)標(biāo)記值開始，因此對(duì)整個(gè)等價(jià)表的掃描可以一遍結(jié)束，即：對(duì)每個(gè)具有等價(jià)關(guān)系的臨時(shí)標(biāo)記追蹤一遍后，整個(gè)等價(jià)表中具有等價(jià)關(guān)系的標(biāo)記均對(duì)應(yīng)相同的最小標(biāo)記。

(33)等價(jià)表整理子步驟：對(duì)連通區(qū)域以自然數(shù)順序重新編號(hào)，該標(biāo)記作為最終標(biāo)記。經(jīng)過(guò)以上三個(gè)步驟處理后，算法輸出存有最終標(biāo)記值和相應(yīng)坐標(biāo)的等價(jià)表，以供后續(xù)算法調(diào)用。

算法原理：從自然數(shù)1開始，對(duì)等價(jià)表中的標(biāo)記重新賦值，具體做法是：令k＝1，j＝1，如果E(k)＝k，則寫入E(k)＝j(luò)，j++；否則寫入E(k)＝E(E(k))，j為對(duì)臨時(shí)標(biāo)記壓縮后的最終標(biāo)記值，其中取消了具有連通關(guān)系的重復(fù)的臨時(shí)標(biāo)記。經(jīng)過(guò)重新賦值后，等價(jià)表中所有臨時(shí)標(biāo)記均指向具有連通關(guān)系的最終標(biāo)記，并且最終標(biāo)記的個(gè)數(shù)等于圖像中連通區(qū)域的個(gè)數(shù)。

(4)特征提取步驟：包含以下子步驟：

(41)圖像旋轉(zhuǎn)子步驟：由于遙感圖像中目標(biāo)俯視拍攝，目標(biāo)方向可處于任意方向，因此，為了準(zhǔn)確提取目標(biāo)檢測(cè)的高度、寬度、矩形度、邊界扭曲度等特征用于識(shí)別，需要計(jì)算出船舶目標(biāo)的主方向并作旋轉(zhuǎn)處理；本實(shí)施例采用中心矩法計(jì)算連通區(qū)域主軸旋轉(zhuǎn)角度

其中，M是行數(shù)，N是列數(shù)，p和q是階數(shù)，f(x,y)是當(dāng)前橫縱坐標(biāo)的灰度值；

(42)特征提取子步驟：

提取艦船高度特征：候選目標(biāo)長(zhǎng)邊的兩直線a和b的距離即為目標(biāo)區(qū)域高度,依次從上往下掃描，從下往上掃描得到a和b的橫縱坐標(biāo)即可計(jì)算高度；

提取艦船寬度特征：候選目標(biāo)短邊直線c和d的距離即為目標(biāo)區(qū)域?qū)挾?依次左上往右掃描，從右往左掃描得到c和d的橫縱坐標(biāo)即可計(jì)算寬度；

提取矩形度特征：矩形度定義為候選目標(biāo)面積與其最小外界矩形面積的比值；

提取橫向?qū)ΨQ度特征：橫向?qū)ΨQ度定位為候選目標(biāo)左半部分的面積與其右半部分的面積的比值；

提取邊界扭曲度特征：候選目標(biāo)的上邊緣上有x1、x2和x3三點(diǎn)，x2位于x1和x3之間；上邊緣上有y1、y2和y3三點(diǎn)，y2位于y1和y3之間；x1到y(tǒng)1距離為d1,x2到y(tǒng)2距離為d2,x3到y(tǒng)3距離為d3，得到距離數(shù)組[d1,d2,d3...dn]數(shù)組的均值和標(biāo)準(zhǔn)差表示區(qū)域邊界的扭曲程度。

(5)分類器分類步驟：如圖6所示，將獲取候選目標(biāo)特征輸入到預(yù)先訓(xùn)練好的分類器中，進(jìn)一步篩選出船舶目標(biāo)，如圖14所示，輸出艦船位置信息、艦船分類信息和艦船ROI切片信息；其中，所述分類器具體為線性SVM分類器，將數(shù)據(jù)離線訓(xùn)練得到訓(xùn)練后的線性SVM分類器，就可以做檢測(cè)識(shí)別任務(wù)。

以上所述僅為本發(fā)明的較佳實(shí)施例而已，并不用以限制本發(fā)明，凡在本發(fā)明的精神和原則之內(nèi)所作的任何修改、等同替換和改進(jìn)等，均應(yīng)包含在本發(fā)明的保護(hù)范圍之內(nèi)。