1 北京信息科技大学机电工程学院, 北京 100192
2 中国科学院长春光学精密机械与物理研究所, 吉林 长春 130033
针对复杂背景下船舶目标检测率低和光学遥感传感器的多光谱近红外(NIR)波段利用率低的问题,提出一种四波段多光谱遥感图像船舶目标显著性检测算法。所提算法利用四波段遥感数据中可见光波段图像的色彩内容饱满、NIR图像细节突出的特点,首先将可见光蓝、绿、红三通道图像变换到CIE-Lab色彩空间;然后对NIR图像进行非下采样轮廓波变换分解,对得到的高频分量进行非线性增强,以抑制噪声并增强细节,对低频分量进行反锐化掩模处理增强,以改善图像亮度的均匀性,并将高频分量和低频分量与Lab空间的亮度图像相结合,得到新的Lab图像;最后利用最大对称环绕模型对Lab图像进行显著性分析,得到船舶目标的显著性图像。实验结果表明,所提算法能够充分抑制云层、海浪尾迹等杂波干扰的复杂背景信息,同时在低对比度背景下能够突出船舶目标,具有高的查准率和查全率。
遥感 图像处理 多光谱遥感 显著性检测 船舶检测 光学学报
2020, 40(17): 1728001
1 中国科学院 长春光学精密机械与物理研究所, 吉林 长春 130033
2 中国科学院大学, 北京 100049
3 北京信息科技大学 机电工程学院,北京 100192
本文提出一种谱残差和梯度纹理融合特征来检测可见光遥感图像中复杂海面背景下的舰船目标。首先, 使用谱残差模型定位疑似舰船目标, 并采用自适应动态阈值法获取候选目标区域。然后, 根据舰船的形状特点, 对梯度方向直方图特征进行改进, 设计出表征舰船特性的梯度方向特征。同时, 将提取候选目标区域的统一化LBP特征的方差以及灰度共生矩阵特征相结合来描述舰船的纹理信息, 得到30维特征向量。最后, 通过训练好的AdaBoost分类器来完成舰船目标鉴别。本文的检测算法, 针对尺寸为1 024×1 024的可见光遥感图像, 检测时间为4.792 6 s, 检测精度为95.51%, 召回率为96.65%。实验结果表明: 本文算法能准确提取海面舰船目标, 获取舰船目标的数量和位置信息, 从检测时间和精度上来看, 可以作为实际工程参考。
舰船检测 谱残差 梯度方向特征 统一化LBP 灰度共生矩阵 AdaBoost分类器 ship detection spectral residual gradient direction feature uniform LBP gray level co-occurrence matrix AdaBoost classifier
1 中国科学院 长春光学精密机械与物理研究所, 吉林 长春 130033
2 中国科学院大学, 北京 100049
3 东北电力设计研究院, 吉林 长春 130021
Canny算法在PC机上的执行速度较慢, 这极大地限制了其实用性。本文在前人的研究基础上对算法进行更深的优化和改进。首先在VS2012开发环境下利用数字图像处理技术对原算法进行原理上的改进, 再利用GPU流处理器数量众多的优势以及强大的多线程并发执行能力对Canny算法进行并行加速。在500 pixel×500 pixel的图片上, 对本文算法和原Canny算法进行了实验验证。实验结果表明, 在4 096 pixel×4 096 pixel大小的图片上采用本文的GPU移植算法处理后, 执行速度从80 ms降到了6 ms以内。在不影响边缘检测效果的前提下极大地提高了算法的实用性。
边缘检测 并行处理 连通域提取 edge detection GPU GPU parallel processing connected component extraction
