海面目標檢測方法及裝置的制造方法
【技術領域】
[0001] 本發(fā)明實施例涉及數(shù)字圖像處理技術，尤其涉及一種海面目標檢測方法及裝置。
【背景技術】
[0002] 隨著遙感圖像數(shù)據(jù)獲取能力的不斷增強及其分辨率的提高，利用及發(fā)展遙感圖像 解譯技術已迫在眉睫。其中，利用遙感數(shù)據(jù)進行海面目標檢測在民用和軍事領域都有著巨 大的現(xiàn)實意義，尤其在艦船尋找與救助、捕魚船監(jiān)視、非法移民、保衛(wèi)領土、反毒品、艦船非 法傾倒油污的監(jiān)視與管理等方面有著廣泛的應用。
[0003] 由于可見光圖像在展現(xiàn)目標的形狀、結構、紋理、色彩等細節(jié)方面具有明顯優(yōu)勢， 能夠更好地檢測、分類、識別目標，利用衛(wèi)星可見光圖像來監(jiān)視、檢測、識別目標，特別是海 上艦船目標越來越引起人們的關注。利用遙感圖像進行艦船目標檢測主要包括對艦船本身 和艦船尾跡的檢測。一般認為，衡量艦船檢測方法的好壞有以下幾個方面：提取艦船的準確 性；檢測結果連通性，是否能夠指導實際應用以及計算的復雜度。
[0004] 海面艦船檢測的方法主要包括以下幾個步驟：預處理、海陸分割、候選艦船目標檢 測和艦船目標確認。其中候選艦船目標檢測是獲得艦船信息的關鍵步驟。目前候選艦船目 標的檢測方法主要有以下幾類。一是基于灰度統(tǒng)計特征的方法，該方法主要是利用水體與 艦船目標的灰度統(tǒng)計差異性特征進行圖像分割，從而獲取艦船目標候選區(qū)域。這些灰度差 異性特征包括灰度、圖像信息熵、形態(tài)學對比度、局部統(tǒng)計方差、類高階梯度等。但對于圖像 中出現(xiàn)大海浪、云層遮擋或水體灰度較亮，以及噪聲、陰影等干擾因素，加上艦船目標的黑 白極性，同一艦船目標不同部位的灰度特征也不一致的情況，在這類圖像中采用基于灰度 統(tǒng)計特征閾值分割的方法，則易產(chǎn)生較多的漏警和虛警。二是基于邊緣信息的方法，該方法 主要利用艦船船緣在高分辨率光學衛(wèi)星遙感圖像中邊緣特征較為明顯的特點，依據(jù)目標邊 緣信息，并結合形狀分析，獲取艦船目標候選區(qū)域或艦船疑似目標。典型的方法有通過對由 原始灰度和邊緣強度圖像線性組合而成的圖像，進行0TSU自適應閾值分割，并結合簡單的 形狀特征（包括面積、長、寬、區(qū)域外接矩形的長寬比），獲得艦船目標候選區(qū)域。但當海況 復雜，大海浪及海浪亮塊產(chǎn)生的邊緣會帶來很多干擾，嚴重時甚至會將艦船目標淹沒，導致 無法正確檢測。三是基于分形模型和模糊理論的方法，由于海浪、云層等自然背景具有分 形特征，而艦船等人造目標不具有分形特征，利用目標與背景之間分形特征的差異成為有 效解決?？毡尘皥D像中艦船目標自動檢測的可能途徑之一。典型的研究有利用紋理分形 維和縫隙特征進行海面艦船目標檢測的方法，還有采用多尺度分形理論檢測艦船目標的方 法。但當背景比較復雜，如可見光圖像受到云霧等干擾時，背景自相似性降低，用分形模型 擬合誤差較大，分割時易出現(xiàn)誤分割，此時，算法檢測效率比較低。四是基于視覺感知機理 的方法，這類方法主要是將人類視覺系統(tǒng)可快速聚焦于感興趣區(qū)域的特性引入到艦船目標 候選區(qū)域的提取中。一些方法基于選擇性注意機制，依據(jù)灰度及面積顯著特征的引導，快速 圈定可能存在艦船的疑似區(qū)域，形成可疑目標R0I切片。另外一些方法采用視覺顯著度模 型，通過紋理、亮度和方向等多特征視差計算來對疑似的目標進行篩選。還有的方法基于人 眼多級視覺感知和視覺非對稱機制，首先利用一種改進的計算頻譜殘差的方法得到視覺顯 著圖；其次利用Tophat形態(tài)學濾波去除視覺上不屬于艦船目標的區(qū)域，并計算興趣關注 點；最后利用一種方向自適應的Gabor濾波算法對興趣關注點周圍進行聚焦、聯(lián)想分析，從 復雜海況背景下檢測艦船目標。但是受光照、天氣、海況、艦船目標自身特性、成像傳感器參 數(shù)、艦船運動參數(shù)等多種因素的影響，不同成像條件下圖像復雜多變，顯著特征的自適應分 析與提取以及顯著圖的有效獲取是該類方法需要解決的難點問題。
[0005] 綜上所述，現(xiàn)有的檢測方法仍不能滿足高效、精確地提取海面目標的要求。

【發(fā)明內(nèi)容】

[0006] 本發(fā)明提供一種海面目標檢測方法及裝置，以實現(xiàn)準確高效地提取海面目標。
[0007] 第一方面，本發(fā)明實施例提供了一種海面目標檢測方法，包括：
[0008] 獲取海面圖像并將其分塊；
[0009] 利用基于可擴展區(qū)域能量模型RSF的水平集演化方法對每個子圖像進行邊緣分 割；
[0010] 拼接分割后的子圖像；
[0011] 根據(jù)拼接后的圖像獲取候選目標；
[0012] 篩選滿足預設形狀特征參數(shù)閾值要求的候選目標。
[0013] 第二方面，本發(fā)明實施例還提供了一種海面目標檢測裝置，包括：
[0014] 圖像劃分模塊，用于獲取海面圖像并將其分塊；
[0015] 圖像分割模塊，用于利用基于RSF的水平集演化方法對每個子圖像進行邊緣分 割；
[0016] 圖像拼接模塊，用于拼接分割后的子圖像；
[0017] 候選目標獲取模塊，用于根據(jù)拼接后的圖像獲取候選目標；
[0018] 篩選模塊，用于篩選滿足預設形狀特征參數(shù)閾值要求的候選目標。
[0019] 本發(fā)明與現(xiàn)有技術相比的有益效果在于：
[0020] 本發(fā)明使用基于RSF模型的水平集（levelset)演化方法檢測海面區(qū)域中候選的 目標如艦船，與傳統(tǒng)邊緣檢測方法相比較而言，本發(fā)明所述方法能夠更精確的提取圖像中 目標的輪廓，并且保證檢測結果連通性，從而有助于提高目標形狀特征參數(shù)計算的準確性， 進而提高目標檢測的正確率。
【附圖說明】
[0021] 圖1是本發(fā)明實施例一所述的海面目標檢測方法流程圖；
[0022] 圖2是本發(fā)明實施例二所述的海面目標檢測裝置結構框圖。
【具體實施方式】
[0023] 下面結合附圖和實施例對本發(fā)明作進一步的詳細說明?？梢岳斫獾氖?，此處所描 述的具體實施例僅僅用于解釋本發(fā)明，而非對本發(fā)明的限定。另外還需要說明的是，為了便 于描述，附圖中僅示出了與本發(fā)明相關的部分而非全部結構。
[0024] 實施例一
[0025] 圖1為本發(fā)明實施例一提供的海面目標檢測方法的流程圖，具體包括如下步驟：
[0026] 步驟110、獲取海面圖像并將其分塊。
[0027] 通常以遙感方式拍攝得到原始圖像，該圖像中除海面部分外一般還會包含陸地部 分。為了降低后續(xù)處理的難度，先對原始圖像進行海陸分割處理，從中提取海面區(qū)域的圖 像。具體可以采用以下方式進行海陸分割，需要指出的是，此處及本說明書后面內(nèi)容中給 出的具體處理方法僅僅是示意性的，而并非對本發(fā)明的限制。
[0028] 1)輸入原始圖像，逐行記錄像素灰度值；
[0029] 2)對圖像的有效行的灰度值做前后差分，若有連續(xù)i個元素（這里i優(yōu)選為圖 像每行像素數(shù)的五分之一）的值小于區(qū)域填充算法的灰度閾值，則認為出現(xiàn)連續(xù)的平坦區(qū) 域，即為海面區(qū)域，取該連續(xù)像素的中點作為種子點；
[0030] 4)基于掃描圖像得到的海面種子點進行區(qū)域增長，并對區(qū)域增長后的結果進行二 值化，海面區(qū)域為前景，陸地區(qū)域為背景；最后通過閉運算填充海面的孤立點，得到海面區(qū) 域圖像。
[0031] 5)在得到海面圖像后，需要按照一定大小對海面圖像進行分塊，形成m個子圖；圖 像塊大小通常取512*512或256*256 (單位為像素）。
[0032] 步驟120、利用基于RSF的水平集演化方法對每個子圖像進行邊緣分割。
[0033] 1)抽取m個子圖的原始圖像數(shù)據(jù)，并對每個子圖初始化邊緣模板圖像；
[0034] 其中，初始化邊緣模板圖像即選定一個閉合的初始輪廓，一般選擇略小于圖像邊 框的矩形即可。
[0035] 2)運行基于可擴展區(qū)域能量模型的水平集邊緣演化，直至多次迭代后收斂，獲得 每個子圖的邊緣分割結果。
[0036] 水平集演化（Levelset)方法的基本思想是將二維（或三維）的閉合曲線的演化 問題轉化為高維空間中水平集函數(shù)曲面演化的隱含方程式來求解。在一個平面內(nèi)有一條閉 合曲線r，定義一距離函數(shù)Φ (x，y)，表示平面內(nèi)的點到曲線r的最短距離，同時規(guī)定，在曲 線內(nèi)部的距離函數(shù)值為負