基于微小误差分割的海洋舰船遥感检测.docxVIP

基于微小误差分割的海洋舰船遥感检测 随着黎明卫星遥感技术的发展，利用黎明图像来监测、检测和识别地面目标变得越来越受到重视。在形状、结构、纹理、颜色等方面，黎明图像具有明显的优势，可以更好地确定和识别地面目标的性质、结构、纹理和颜色。随着高性能地球观测卫星SPOT-5和高分辨率Quickbird卫星的发射成功,图像的空间分辨率突破米级单位,使得可见光卫星遥感技术的应用更加广泛。 1 高尔基分析成像的自适应规则和直方图的调整 1.1 roi图像拟合 待处理的图像背景主要是海洋区域,根据概率论的中心极限定理可知,大面积的海洋区域灰度分布趋于“正态分布”。 图1(a)是一幅海洋背景ROI图像,图像大小为1 044×867,其直方图1(b)近似服从μ(80,4)正态分布。通过对多幅图像海洋背景ROI图像实验表明,其直方图均近似符合正态分布。 由图2、图3可知,海洋背景的灰度分布范围较窄,表现为拟合曲线的方差较小,由于舰船属于小目标,在窗口内的像素数目较少,灰度分布范围较宽,因此,拟合曲线的方差较大,峰值比海洋小,根据此种特性,可以判别出窗口内的舰船目标是“白”极性还是“黑”极性,为后续ROI分割创造了条件。 由于海洋背景往往受到云块和防波堤的影响,因此会错误地对部分ROI图像中的虚假目标进行拟合,误判为“包含舰船目标”,图4就是对云块目标拟合的结果。在实际情况中,还会出现如下的情况:在同一窗口内,同时出现黑、白极性舰船,如果以窗口内只出现一种极性舰船为假设前提,就会出现误检测。本文采用自适应定向正交投影分解原理,对直方图进行分解和曲线拟合。同一窗口内共存黑、白极性舰船ROI图像、直方图拟合示例如图5所示。 1.2 图像特征的分析 自适应定向正交投影的高斯分解法是一种新的参数化时频分析手段,由于它利用最大投影原理来循环搜索与原信号最匹配的基函数集,因此,能以最简洁的方式重构信号。目前,该方法已经成功地应用于语音信号分析、引信目标特征提取等领域。 设具有复杂目标或背景的图像的灰度直方图为H(z),其中0≤z≤L-1,L为图像的灰度等级。现可以把H(z)看作是高斯分布的叠加,即 其中,是均值为μi;方差为σi的能量归一化高斯信号;Ki是它的权值;R(z)为分解后的残量,N为分量的个数。 利用自适应定向正交投影分解原理对直方图进行高斯分解的原理如下: 设基函数集为 计算H(z)在其上的最大投影maxH,Gl(H,Gl表示H和Gi做内积运算,用H代表H(z)),可得剩余部分信号为 显然R和Gl正交。将剩余部分在基函数集中投影,找出投影最大的基函数,依次类推有 其中,Ri=Ri-1-maxRi-1,GiGi。 分解结束的条件由预先设定的N决定,在自适应定向正交投影分解法中,基函数为经过伸缩、时移、频移、线性调频的标准高斯函数,即 一般来说,由于图像的灰度直方图以低频成份为主,其高频成份通常表现为干扰,因此,本文结合应用对象的具体特点,去掉了频率中心ω和调频因子α两个参数,相当于加了一个低通滤波器,这样式(1)可以写为 2 改进的信息熵小误差分割海上船舶检验算法 2.1 混合分布pi的求解 由于ROI图像分割属于小目标分割范畴,背景和目标均近似服从Gauss分布,因此,选用Kiteller和Illingworth提出的极小误差分割算法。该算法假定目标和背景的灰度分布服从正态分布,通过实验分析,对小目标分割的效果较好。 图像的灰度直方图可视为组合目标和背景元灰度混合分布的概率密度函数p(z),假定混合分布的两个分量p(z/1)和p(z/2)都是正态分布,其均值、标准偏差和先验概率分别为μ1,μ2,σ1,σ2,P1和P2,即 已知p(z/i)和Pi,则存在一个门限值t,满足 这个灰度t就是Bayes极小误差门限。将式(3)两边取对数,有 于是可以找出最佳门限。然而,混合分布P(z)的参数μi,σi,Pi与待分割的图像有关,且通常不知道参数值,这给求解带来了很大的困难。Kittler等人提出了一种简单的求取最佳门限的方法。 设存在一门限t,0tl-1,则有 灰度层的条件概率e(z,t)可以表示为 其中,h(Z)与i和t无关,可以忽略。再对两边取对数,将结果乘以-2,将有 它是能反映正确分类性能的一种测量量。在此基础上,可定义一个准则函数J(t)以描述整副图像上平均的正确分类性能,即 对一个已知的门限t,准则函数间接地反映了目标和背景类分布高斯模型间的交叠量。代入式(5)得 将式(4)代入式(6),可得 使准则函数式(7)取极小值时的灰度值t*,即是有最小误差的门限值为 2.2 改进信息熵模型 对于部分ROI图像,仅仅包含海域、其他虚景目标(波浪等),为了防止误分割带来的虚警,引入了图像的信息熵,对极小误差分割算法进行改进。 按照Shannon函数,图像区