發(fā)布時間：2021-06-19 21:13

　　近年來,隨著遙感技術(shù)的不斷突破,得益于大量的高分辨率遙感衛(wèi)星,光學(xué)遙感影像可獲取更加豐富的信息,船舶檢測有了更加多樣化的遙感圖像數(shù)據(jù),而隨著日益增加的應(yīng)用需求,更高效、更高識別能力的光學(xué)遙感船舶檢測方法具有重要的研究意義和應(yīng)用價值。為此,本文開展了遙感船舶檢測算法的研究課題,本文算法研究主要包括顯著性候選區(qū)域提取和船舶候選區(qū)域鑒別兩個方面。首先,本文分析了光學(xué)遙感圖像的特點(diǎn)和顯著性檢測模型的原理,對不同特點(diǎn)的光學(xué)遙感圖像和幾種常見的顯著性模型分別進(jìn)行了擬合實驗和顯著性檢測實驗,為后續(xù)的光學(xué)遙感船舶檢測奠定了基礎(chǔ)。其次,針對光學(xué)遙感船舶檢測任務(wù)場景中與海面顏色相似船舶顯著值低的問題,本文提出了一種將改進(jìn)FT顯著性檢測和Hessian邊緣檢測顯著性模型融合起來的顯著性候選區(qū)域提取算法。本文先用改進(jìn)FT顯著性檢測和Hessian矩陣邊緣檢測,分別對遙感圖像進(jìn)行處理,然后再采用脈沖耦合神經(jīng)網(wǎng)絡(luò)將得到的這兩種顯著圖融合成總顯著圖,以提高與海面背景顏色相近船舶的顯著值,從而提取有效的船舶候選區(qū)域切片,并對該候選區(qū)域切片的尺寸做歸一化操作,便于下一步的檢測處理。實驗表明,本文算法有效地提高了船舶檢測... 

【文章來源】：大連海事大學(xué)遼寧省 211工程院校

【文章頁數(shù)】：75 頁

【學(xué)位級別】：碩士

【部分圖文】：

圖２．３?ｌＵｉ顯著性檢測算法流程圖??Ｆｉｇ．?２．３?Ｉｔｔｉ?ｓａｌｉｅｎｃｙ?ｄｅｔｅｃｔｉｏｎ?ａｌｇｏｒｉｔｈｍ?ｆｌｏｗ?ｃｈａｒｔ??詳細(xì)的實現(xiàn)步驟如下所示：??（ｉ）高斯金字塔的建立：??針對一幅大小為２〃ｘ２ｗ圖像／＾，乃，設(shè)ｓ為金字塔層數(shù)，及表示最底層，即為輸入??的原始圖像，金字塔第ｆ層與第／－Ｉ層的關(guān)系為：??７?ｊ）＝ＺＬ．ｖ?Ｙｌ＝－ｎ?ｗ（ｍ＞?ｉ２ｉ＋ｍ，ｖ＋＾）

均值與高斯平滑后的差值作為顯著性標(biāo)準(zhǔn)，??在處理與海面背景顏色相近船舶時，該類船舶的顯著值很低，這將會降低的船舶檢測精??度。為了提高ＦＴ顯著性模型提取的顯著圖的顯著值，于等人［２７】提出一種改進(jìn)的ＦＴ顯??著性模型，本文以下簡稱改進(jìn)ＦＴ顯著性模型，雖然此方法提高了?ＦＴ顯著圖中船舶顯??著區(qū)域的顯著值，但是仍未解決與海面背景顏色相近船舶顯著值低的問題。為此，本章??提出一種結(jié)合改進(jìn)ＦＴ顯著性檢測與Ｈｅｓｓｉａｎ矩陣邊緣檢測的新型顯著模型，從而提取??可靠的船舶候選區(qū)域，算法流程圖如圖３．１所示。??Ｈｅｓｓｉａｎ?Ｉ邊緣顯著．??＾邊緣檢測．ｎ?圖ｒ￣］???????光ＩＩ感一?一?＿融合一總顯著圖一＾候選區(qū)域??改進(jìn)ＦＴ、Ｗ．?改進(jìn)丨??，Ｉ性計筧ｎ著閣１??圖３．１?ＦＴＨ顯著性檢測算法流程圖??Ｆｉｇ．?３．１?Ｆｌｏｗ?ｃｈａｒｔ?ｏｆ?ＦＦＨ?ｓａｌｉｅｎｃｙ?ｄｅｔｅｃｔｉｏｎ?ａｌｇｏｒｉｔｈｍ??？?ｉ?＇??根據(jù)流程圖３．１可知，本章所提算法先根據(jù)改進(jìn)ＦＴ顯著性檢測和Ｈｅｓｓｉａｎ矩陣邊緣??檢測得到兩種顯著圖，然后采用ＰＣＮＮ融合策略得到總顯著圖，即頻率調(diào)諧Ｈｅｓｓｉａｎ??（Ｆｒｅｑｕｅｎｃｙ－Ｔｕｎｅｄ－ＩＩｅｓｓｉａｎ，?ＦＴＩＩ）顯著圖，從而提取船舶候選區(qū)域。算法的詳細(xì)步驟??將在接下來的小節(jié)中進(jìn)行論述。??３．１改進(jìn)ＦＴ顯著性檢測??本節(jié)將針對改進(jìn)ＦＴ顯著性模型的原理進(jìn)行論述，并選取光學(xué)遙感圖像進(jìn)行顯著性??實驗，對改進(jìn)ＦＴ顯著圖的不足進(jìn)行分析總結(jié)，為接下來提出在改進(jìn)ＦＴ顯著性模型的??基礎(chǔ)上引入Ｈｅｓｓｉａｎ矩陣邊緣檢測，提供了實驗依據(jù)。??３．１．１改進(jìn)ＦＴ顯著

?基于顯著性候選區(qū)域的遙感船舶檢測???著區(qū)域的顯著值，于等人［２７］在ＦＴ算法的基礎(chǔ)上，先將各顏色分量所對應(yīng)的顯著值進(jìn)行??歸一化處理，然后再線性組合得到最終的顯著圖，計算過程如式（３．１）？（３．３）所示：??伽）ｍ?（３．１）??ｍａｘ?（ｊ?—?ｗｉｎ［ＳＬ?）??伽）ｙｎ?（３．２）??，剩二?ｎ?（３．３）??式中，和分別為Ｌａｂ顏色空間Ｌ，ａ和Ｚ？通道的歸一化后的??顯著值。最后將各通道歸一化的顯著值進(jìn)行線性組合得到合成后的顯著值，獲得最終的??顯著圖計算過程如下：??；＝?（ｘ，ｊ）?＋?＾；（＾ｊ）＋＾；?（ｘ，ｙ）?（３＿４）??３．?１．２顯著性實驗??為了與ＦＴ顯著性模型進(jìn)行對比分析，本次實驗的光學(xué)遙感圖像仍然采用２．４節(jié)的??實驗圖像。??實驗—：：：?，??復(fù)雜海琬的光學(xué)遙感圖像的對此實驗，結(jié)果如圖：３．２和圖３：３所親：Ｉ．?＇?？??，?．．?＇？?．＇丨?’；???ｓ??，?．？?■??Ｉ?１?？???Ｌ?＇?”?ｉ??ＨＨＨ??１）?ＦＴ顯著圖?２）?改進(jìn)ＦＴ顯著圖??１）?ＦＴ?Ｓａｌｉｅｎｃｙ?ｍａｐ?２）?Ｉｍｐｒｏｖｅｍｅｎｔ?ＦＴ?ｓａｌｉｅｎｃｙ?ｍａｐ??圖３．２兩種算法顯著圖對比結(jié)果??Ｆｉｇ．?３．２?Ｃｏｍｐａｒｉｓｏｎ?ｒｅｓｕｌｔｓ?ｏｆ?ｓａｌｉｅｎｔ?ｇｒａｐｈｓ?ｏｆ?ｔｈｅ?ｔｗｏ?ａｌｇｏｒｉｔｈｍｓ??－２６?－??

【參考文獻(xiàn)】：
期刊論文
[1]脈沖耦合神經(jīng)網(wǎng)絡(luò)在圖像融合中的應(yīng)用研究[J]. 鄧輝,王長龍,胡永江,張玉華.  電光與控制. 2019(11)
[2]基于顯著性的SAR圖像船舶目標(biāo)檢測方法[J]. 閆成章,劉暢.  中國科學(xué)院大學(xué)學(xué)報. 2019(03)
[3]基于深度學(xué)習(xí)的顯著性檢測方法模型——SCS[J]. 張洪濤,路紅英,劉騰飛,張玲玉,張曉明.  計算機(jī)與現(xiàn)代化. 2018(04)
[4]改進(jìn)頻率調(diào)諧顯著算法在疵點(diǎn)辨識中的應(yīng)用[J]. 王傳桐,胡峰,徐啟永,吳雨川,余聯(lián)慶.  紡織學(xué)報. 2018(03)
[5]基于卷積神經(jīng)網(wǎng)絡(luò)遷移學(xué)習(xí)的SAR圖像目標(biāo)分類[J]. 劉晨,曲長文,周強(qiáng),李智,李健偉.  現(xiàn)代雷達(dá). 2018(03)
[6]基于多列深度3D卷積神經(jīng)網(wǎng)絡(luò)的手勢識別[J]. 易生,梁華剛,茹鋒.  計算機(jī)工程. 2017(08)
[7]基于CNN-GRNN模型的圖像識別[J]. 江帆,劉輝,王彬,孫曉峰,代照坤.  計算機(jī)工程. 2017(04)
[8]基于DCT零系數(shù)與局部結(jié)構(gòu)張量的局部模糊檢測[J]. 王奎奎,玉振明.  計算機(jī)工程. 2017(06)
[9]基于顯著性分析的HOG快速船舶檢測方法[J]. 元海文,肖長詩,文元橋,周春輝,張康賀,鄒雄.  中國航海. 2016(01)
[10]基于改進(jìn)小波神經(jīng)網(wǎng)絡(luò)和灰色模型的裝備性能參數(shù)預(yù)測[J]. 李夢妍,于文震.  電子測量技術(shù). 2016(03)

博士論文
[1]脈沖耦合神經(jīng)網(wǎng)絡(luò)在圖像處理中的應(yīng)用研究[D]. 李建鋒.中南大學(xué) 2013

碩士論文
[1]基于深度神經(jīng)網(wǎng)絡(luò)的圖像顯著性檢測[D]. 高東東.西安建筑科技大學(xué) 2018



本文編號：3238550