高分辨率光学遥感图像中海洋目标检测技术的研究(编辑修改稿)

高分辨率光学遥感图像中海洋目标检测技术的研究(编辑修改稿)内容摘要：

法进行分类。 这类算法存在的问题在于需要进行特征训练，所以算法只能针对一类图片进行海陆分割，算法普适性不是很高。 下面是这几种算法的原理:（1）OTSU： OTSU作为一种非常有效的阈值分割方法。 OTSU又叫最大类间方差法，它根据图像的灰度值选择阈值，将图像分为两类，并且使得这两类之间的方差达到最大。 设图像的灰度范围为{0,1,2…}，则阈值将这些灰度分成两类，：{0, 1, 2…}，：{,…}。 和出现的概率分别为： （21） （22）和各自的均值分别为和，而整幅图像的均值为则两类的类间方差定义如下： （23）则最佳的阈值就是使得上式中达到最大时的。 这种方法获得的阈值较为稳定，计算较为简单。 （2）最大熵自动门限法：这种方法的主要思想是从香农信息论中有关熵的概念出发，利用图像灰度分布密度函数定义图像信息熵，通过阈值的选取，使得前景和背景分布的信息量最大。 简单说，当前景和背景总熵达到最大时，我们可以从图像中得到更多的信息，我们认为这等同于更加清楚的看出前景中的物体。 与OTSU一样，假设阈值将图像的灰度分成两类：{0,1,2…,}，：{,…}。 两类在图中出现的概率分别为： （24） （25）则每一类中的灰度值在该类中出现的概率分别为：，…，；，…。 那么和对应的熵和分别为： （26） （27）其中是图像本身的熵，定义如下： （28）总熵为与之和，即： （29）最佳门限为使得总熵达到最大时的。 （3）贝叶斯分割法：极小误差阈值分割法是利用一个像素点分别属于前景、背景的条件概率，根据有关信号与系统中贝叶斯平均最小误差准则的相关知识，对图像进行分割。 假设图像的灰度直方图分布为，背景和前景均服从高斯分布，它们的分布分别为和，则它们的分布函数如下： （210）假设像素本来属于前景，错判为背景的概率为，属于背景错判为前景的概率为，那么平均错判的概率可以表示为： （211）其中表示背景的先验概率，表示前景的先验概率。 由于假设前景和背景均服从高斯分布，如过所选门限为，那么式（223）可以表示为： （212）为了使得平均误差最小，即使得上式中的最小，需要使得求出上式取得极值点的值。 这样，需要对上式进行求导并令导数为零，整理后得到下面的准则： （213）但由于前景和背景分布的均值，方差等无法确定，最小误差阈值分割法对上式提出了一个修正，即： （214）其中，，。 最后，选取一个值，使得达到最小。 （4）基于二维直方图的极小误差阈值分割方法：这种方法是对依据贝叶斯概率分割方法的一种改进，它不仅仅使用灰度值作为统计的对象，而是对像素点邻域内的均值也进行统计，由此得出一个二维直方图，再利用上面提到的方法进行阈值的提取。 使用二维直方图时，常常会出现两个峰值，一个谷值，两个峰值分别代表前景和背景，这样，可以得到一个更好的阈值。 ，x和y轴分别表示灰度和像素领域内的均值，从图中可见，这种二维直方图会出现两个波峰，在两个波峰之间会有一个明显的波谷。 其中和就是我们需要找到的用于分割的阈值。 在具体计算和时，使用了与极小误差阈值分割法相同的方法，只是将各种公式推导到二维空间。 在此不再赘述。 二维直方图 XOY平面基于纹理的分割方法一般是针对某一类图。 首先提取出某一区域的纹理，然后对提取的纹理进行训练，最后对待分割图像进行分类。 ： 基于纹理海陆分割基本流程首先对样本图片进行分块，选取陆地区域或者海洋区域的小分块进行训练，训练提取小样本的图片的纹理信息，这时候可以选用共生矩阵或者其他纹理表示方法。 然后对待分类图片进行分块，最后用训练好的样本向量对待分类的图片的小样本图片进行分类。 上述过程中所用的训练和分类器目前常用的为支持向量机（SVM），： SVM二维分类示意图H为分类线，设H1，H2分别为过各类中离分类线最近的且平行于分类线的直线，那么H1和H2间的垂直距离叫做分类间隔（margin）。 通过最优分类函数：可以求得一组最优解。 基于纹理的分割方法首先针对的是某一类遥感图片，分割的效果很大程度上取决于样本和待分类图片分块的大小，分块越小，分割的越精确。 但是分块越小就会在效率上有所降低，对于处理大规模数据量的遥感图片不怎么实用。 基于区域统计特性的海陆分割算法设计本章通过提出一种基于海洋区域统计学模型的海陆分割算法对高分辨率光学遥感海洋图片进行精确的海陆分割。 高分辨率光学遥感图片的特征根据遥感图像成像的电磁波段不同，遥感图像可以分为以下几类：SAR图像、可见光图像、红外图像等。 本文 研究的图像载体是光学遥感图像随着1999年和2001年的IKONOS和QuickBird卫星的发射，遥感图像的空间分辨率越来越高。 波段段影像的空间分辨率达到了1m以内[34]。 ： 高分辨率遥感图像实例 从这幅图上，可以看出目前能够获取的高分辨率遥感图像的内容信息很大，图像的纹理复杂。 该算法处理的对象是高分辨光学遥感海洋图片， 高分辨率遥感海洋图片高分辨率光学海洋遥感图片获得的图像内容信息丰富，但对于图片分割来说图像内容越丰富，就难以将其分割。 原因主要有两点：一是难以找到合适的纹理特征来表现某一区域特征，利用纹理差异的分割方法难以凑效。 二是陆地上有很多区域和海洋的灰度相似，利用灰度差异的分割方法难以实现精确的海陆分割。 基于区域统计特性的海陆分割算法设计该算法自适应的建立海洋区域的统计学模型，从统计学角度分析比较海洋和陆地的区域差别。 利用区域整体像素的统计学差别进行分割，实现了图像内容复杂的高分辨率光学遥感图像精确海陆分割。 该算法利用海洋和陆地两个不同区域的像素的统计学差别，分割过程中不需要进行任何形态学滤波，不会造成任何分割后图像的局部细节丢失，能够保留重要的地貌信息，便于进一步对图像的内容的理解。 该算法包括四个步骤：1）自适应的建立模型；2）统计学模型的比较；3）统计学海陆分割；4）误判区域剔除。 （1）自适应建立模型算法分割的依据是从统计学角度找出海洋区域和陆地区域的差别，算法的第一步是自适应的建立模型。 所述自适应建立模型步骤包括：1)OTSU粗分割图像；2）海洋区域的确定；3)海洋统计模型的建立。 （a)OTSU粗分割图像建立海洋模型，必须自适应的找到海洋区域。 OTSU分割算法的原理是找到一个阈值使的两类数据类间方差最大。 对于高分辨率海洋遥感图片，陆地区域纹理复杂，灰度跨度大。 但由于海洋区域时一片水域，在图片表现为灰度值均匀纹理单一的一片区域。 OTSU分割算法不能分割灰度变化大，纹理不均匀的陆地区域，可能会将部分陆地区域误判为海洋，但不会将海洋区域判为陆地区域。 下图是经过OTSU处理过的一幅图片: OTSU处理后的图片从分割结果上看，海洋区域由于灰度值较低，且为一片连续的区域，经过OTSU算法分割后划为了一类，虽然有很多陆地区域被错划分为海洋，但海洋区域不会划分为陆地。 （b)海洋区域的确定海洋为一片连续的水域，在遥感图像中表现为一片灰度值较低，局部方差较小的区域。 从后面的叙述可知，对于遥感海洋图像海洋区域的方差，为常数，这里设为10。 陆地区域经过OTSU分割以后标记为黑白交错的区域，但是海洋区域被标记成一片黑色区域。 我们只要在这张图片中找到面积比较大的黑色区域，且这片区域的局部方差叫小，本章设为10，我们就能断定为海洋区域，理由是陆地区域时黑白相间的，难以找到面积足够大的黑色区域。 算法选取的海洋区域面积约为图片面积的1/20，为了叙述方便记为M，将这片海洋区域的灰度值作为一个海洋矩阵。 算法要自适应的找到海洋矩阵，所述方法如下：OTSU分割后的图片进行膨胀，膨胀矩阵的大小和海洋矩阵的面积相等大小的正方形矩阵M。 OTSU分割后的图片经过相同面积大小的矩阵膨胀后，膨胀后的图片还存在黑点，这表明该黑点周围的M个像素在OTSU分割后的图片中都为黑点，也就表明以该点为中心，面积大小为M 的区域都为黑色区域，然后我们在计算该矩阵的局部方差，如果小于10，也就能够确定该区域为海洋矩阵，否则取下一个待选矩阵，直到找到需要的海洋矩阵。 （c)建立海洋模型用上述的方法找到了海洋矩阵，由于海洋区域为一片水域，在遥感图像中海洋区域的灰度拟合服从正态分布，。 海洋区域的灰度统计分布上图的结果说明了海洋区域的灰度分布服从正态分布。 通过对确定的海洋区域建立海洋统计模型，其中需要统计的参数包括海洋区域灰度的均值和方差。 (2)基于区域统计特性差异的海陆分割我们利用海洋矩阵的统计学参数，用假设检验的方法对图像中的像素进行判别。 由于海洋区域服从正态分布，前述已经对海洋区域进行了统计学建模。 我们将海洋遥感图片中的海洋区域提取出来。 方法如下，算法设定阈值。 我们在置信度为95%的单边估计下选取=3，由于海洋像素比陆地像素整体上要低很多，算法选取了=： 统计学海陆分割（3）误判区域剔除由于陆地灰度不均匀，陆地区域的很多像素在灰度上与海洋区域接近。 前述利用海洋矩阵的统计学参数，用假设检验的方法难以剔除陆地上灰度与海洋矩阵均值接近的像素，图片中陆地上的森林区域难以剔除。 误判区域以上问题用如下方法进行误判目标的剔除（a）海洋区域和陆地区域方差比较由于海洋区域均为水面，该区域方差较小。 陆地区域由于内容复杂，区域方差很大。 下面选取几个灰度和海洋区域接近的区域作为比较。 陆地 海洋 陆地和海洋统计差异（b）陆地区域方差计算从上面的示例中可以看到，陆地区域某些与和海洋矩阵灰度接近的区域的方差远远大于海洋矩阵的方差。 利用这点我们就能够剔除误判区域。 我们要计算陆地的方差。 前述OTSU方法会将陆地误判为海洋，不会将海洋误判为陆地，这也表明用OTSU分割后的图片，标为陆地区域的像素都为陆地。 为此算法选取OTSU分割后图片中最大的一块白色区域作为陆地区域的样本，我们计算陆地样本的标准差。 （c）误判区域的剔除通过海洋矩阵的标准差和陆地样本的标准差的差别，算法就能够剔除误判的陆地区域。 设定阈值t为：剔除误判陆的方法如下：计算初步分割后标为黑色区域的中心，计算该中心周围20*20像素的标准差，如果t，就认为该区域为陆地，反之则为海洋。 ： 误判区域剔除后的图片 基于区域统计特性的海陆分割算法实验验证分析在这一部分将从分割精确度和算法复杂度上验证比较该算法和其他算法的效果。 本章实验数据源来自Google Earth。 部分验证图片实验验证图片中包括拥有桥梁、港口、防坡堤、树林等复杂地貌，：实验图片OTSU分割贝叶斯分割最大熵分割本章分割 海陆分割算法比较从实验结果上看，本文的海陆分割算法能够精确的做到海陆分割，不会误判陆地上的与海洋像素灰度相似的区域，比如成片的树林，房屋和桥梁等。 本文算法在分割过程中没有采用形态学滤波，所以分割后的图片保存了完整性，这样算法就能够提取海岸线。 海岸线提取海岸线的监测和管理一直是海洋目标检测的一个关注点之一。 精确的海岸线位置坐标的获取，需要进行精确的地理测量。 这样得到的数据库非常大。 海岸线易受环境变化的影响。 比如洋流、潮水的侵蚀都会造成海岸线的变化。 因为海岸线数据库的维护需要进行人工的更正，所以具有相对的时间滞后性。 在某些情况下，我们需要及时了解某个位置海岸线信息的变化。 比如了解港口地理结构的变化。 从本章设计的基于区域统计特性的海陆分割算法的过程和结果上看，该算法能够精确的实现海陆分割，且整个过程中，没有采用形态学滤波，保存了分割后图像的局部完整性，所以适用于对海岸线的提取。 下图是部分海岸线提取的结果，实验图片来自Google Earth上，地理位置为山东半岛的某一海湾。 海湾海岸线检测本文算法能够精确的分割港口，保存港口的局部细节信息，适用于分析比较港口结构变化。 ： 港口海岸线提取结果 本章小结本章在调研目前一些海陆分割算法的基础上，设计了一套利用区域统计特性的差异的海陆分割算法。 该算法的创新点是提出了区域统计特征作为海陆分割的一个标准，能够大大修改基于灰度差异的分割算法误判概率。 传统基于像素差异的算法，由于陆地上某些区域和海洋具有相似的灰度，如桥梁、树林等，这类算法会产生误判。 本章算法解决了这个问题，且过程中没有任何的形态学滤波，保证了分割图片的局部细节完整性，因此算法适用于提取海岸线，特别适合提取港口海岸线，了解港口结构信息的变化等深度信息。 海陆分割算法的好坏直接关系到后续海洋目标提取的优劣。 基于区域统计特性的海陆分割算法大大降低了后续舰船检测的漏警率和虚警率，提高了目标检测的正确率。 第3章 离岸舰船检测第3章 离岸舰船检测在第2章中介绍了海陆分割算法，在本章中介绍数据源筛选和离岸舰。