高分辨率光学遥感图像舰船检测研究

发布时间：2020-04-23 02:51

【摘要】：遥感图像的目标检测是目标识别领域的研究热点,舰船目标作为遥感目标一种在民用及军事领域有重要的研究意义。高分辨率遥感图像提供了更加丰富的细节信息,为舰船目标研究提供了一个新的方向。而高分辨率遥感图像带来的海量数据将制约检测效率,因此从高分辨率遥感图像中快速准确地提取舰船目标是当前遥感图像目标提取领域的研究热点。针对传统舰船检测方法提取特征复杂、时间复杂度高和检测准确率低的问题,本文基于高分辨率光学遥感图像对象提出了基于机器学习的舰船检测方法,可有效提高舰船检测准确率和时间效率。近年来,深度学习在目标检测识别领域取得优异成绩,本文将Faster R-CNN算法引入遥感图像舰船检测中,构建了适用于舰船检测的结构模型,通过与传统机器学习结合特征的算法以及其他相关检测的方法进行对比,验证了该算法的准确性和检测效率。本文的主要工作包括:首先,分析了传统基于规则的舰船检测基本思路,并提出海岸线快速提取的方法。通过边缘检测和闭运算对待检测遥感图像进行海岸线快速提取,然后通过目标增强和目标二值化提取目标几何信息用于区分舰船和其他目标。其次,针对基于规则的舰船检测方法对靠岸舰船检测性能差、准确率低及泛化能力弱等一系列问题,提出了一种基于方向梯度直方图特征和线性支持向量机方法的光学遥感图像舰船检测方法。样本获取阶段,舰船正样本由人工旋转至同一方向,然后借助超像素分割和聚类算法,均匀选取不同场景类别的负样本。舰船检测阶段,利用边缘检测和霍夫变换旋转待检测目标方向与训练样本统一,最后利用训练出的模型检测图中舰船目标。最后,针对传统机器学习方法的预处理流程复杂而且需要人工选择特征的问题,本文将当前流行的深度学习方法用于舰船检测。提出了基于Faster R-CNN模型的舰船检测方法,通过调试相应参数使得模型适合本次检测的目标。通过多方向旋转扩展丰富各个方向的样本和丰富训练样本多样性。最后,将本文提出的方法与其他舰船检测算法进行对比分析,实验结果表明本文方法能有效解决所针对的问题。
【图文】：

网络结构图,玻尔,受限,网络结构

图２．２是一个简易的ＤＢＮ网络结构，其结构模型包含三个ＲＢＭ，其中输入逡逑数据作为第一层的可见层Ｖ１输入模型中，那么第一层ＲＢＭ由可见层Ｔ；１和隐藏层逡逑九１组成；当第一层ＲＢＭ完成对输入数据的训练之后，固定其权重和偏移量等权逡逑值然后利用训练完的隐性神经元的状态作为下一层ＲＢＭ的可见层ｖ２；同理，我逡逑们完成第二层ＲＢＭ训练之后，将第二个ＲＢＭ放在第一个ＲＢＭ上方并固定第逡逑二层的参数，然后将其隐性神经元的状态作为下一层ＲＢＭ的可见层Ｉ；３；最后ｖ３逡逑１０逡逑

网络结构图,网络结构,隐性

【参考文献】