本发明涉及集装箱码头检测技术,具体涉及一种基于机器学习的高分辨率遥感影像集装箱区域检测方法。
背景技术:
目前,图像检测技术已经在实际场景当中由非常广泛的应用,但是它们大多数是针对光学高分辨率影像而言的,而对于遥感影像的目标检测,由于其成像特点造成针对遥感影像的目标检测困难重重。集装箱码头的自动检测对于航运信息的自动化管理有着重要的意义,高分辨率遥感影像的诞生使之成为可能。
现有的利用遥感影像进行集装箱码头检测的方法主要划分为两大类:一种是基于人工目视判读的方法,即人工观察遥感影像,从中勾选出集装箱码头,并记录它们的地理坐标位置。这种方法严重依赖人工,效率低下。另一种是通过结合地理信息数据库进行叠加处理的方法,该种方法虽然在影像纠正和各项标定完全的情况下精度较高,但是其对地理信息的依赖严重制约了它的灵活性。
技术实现要素:
针对目前利用遥感影像进行集装箱码头检测存在的依赖人工效率低下、对地理信息的依赖严重等问题,本发明提供了一种基于机器学习的完全自动的从高分辨率遥感影像中检测集装箱区域的方法。
本发明提供的基于机器学习的高分辨率遥感影像集装箱区域检测方法,实现包括:
步骤1,对遥感影像进行主直线提取,并二值化主直线提取后的遥感影像;
步骤2,从步骤1处理后的遥感影像中选取训练样本,其中,正负样本的大小一致,个数比例保持为1:1;
步骤3,计算各训练样本的hog特征向量,然后进行svm分类模型训练;svm分类模型的输入是正负样本的hog特征向量,输出是否是集装箱区域的判定结果;其中,hog为方向梯度直方图,svm为支持向量机;
步骤4,利用训练好的svm分类模型对遥感影像进行分类,检测集装箱区域。
所述的步骤2中,选取主直线提取后结构信息丰富且稳定的区块为正样本,选取主直线提取后缺少结构信息火结构信息紊乱的区块为负样本。
所述的步骤3中,将每个样本在64×64的图像块上滑窗计算,将每一个像素点的hog特征级联得到样本的特征。
所述的步骤4中,对待检测的遥感影像,首先进行主直线提取并二值化,然后将处理后的图像按照设定大小分区,对各图像块进行滑窗检测,计算hog特征,然后利用训练好的svm分类模型检测是否是集装箱区域。
相对于现有技术,本发明的优点与积极效果在于:(1)本方法基于主直线分析的遥感影像边缘结构信息提取,能有效从原始影像中过滤冗余信息,获取关键的边缘结构信息,便于后续分析。(2)基于hog特征和svm的集装箱检测模型训练和检测,有效跨越了图像边缘结构的影像信息到集装箱区域的高层语义信息之间的鸿沟。(3)本发明方法实现了完全自动从高分辨率遥感影像中检测集装箱区域,不依赖于人工和地理信息,大大提高了识别效率。
附图说明
图1是本发明的基于机器学习的高分辨率遥感影像集装箱区域检测方法主要流程图;
图2是应该本发明的一个示例;其中a为集装箱待检测区域,b为对a进行主直线分析后的图,c为所选取的训练样本示意图,d为支持向量机模型按块判别为集装箱区域的结果图;
图3是采用本发明方法处理后得到的集装箱区域的灰度效果图。
具体实施方式
下面将结合附图和实施例对本发明的技术方案作进一步的详细说明。
下面结合图1和图2来说明本发明提供的一种基于机器学习的高分辨率遥感影像集装箱区域检测方法。该方法可分为四个部分:1)首先对输入图像进行主直线分析,提取影像关键结构信息,过滤冗余信息;2)在主直线分析的基础上抽样选取训练样本;3)计算训练样本的hog特征并进行svm分类模型训练;4)利用训练好的svm分类模型对遥感影像进行分类;
第一部分:对遥感影像主直线分析,包括如下步骤:
(1)选取待分析影像的红、绿、蓝3个波段的遥感影像作为分析输入。
(2)对输入影像作主直线提取。
(3)二值化主直线提取后的遥感影像得到第一部分的输出。
图2中,a为集装箱待检测区域的灰度示意图;经过主直线提取并进行二值化后得到图像b。主直线提取的方法可采用参考文献[gioirgv,jakubowiczj,moreljm,etal.lsd:alinesegmentdetector[j].imageprocessingonline,2012,2(4):35-55]中记载。
本方法直接对遥感影像进行主直线提取,即提取了影像的关键结构信息,又过滤掉了冗余信息,符合集装箱区域自身在图像中的特点,以使得后期能有效识别集装箱区域。
第二部分,从第一部分处理后的图像中选取训练样本。
(1)正负样本个数比例保持1:1。
(2)正负样本大小保持一致,皆为64×64像素大小。
(3)正样本选取主直线提取后结构信息丰富且稳定的区块。负样本选取缺少结构信息,或者结构信息不存在规律,呈现紊乱的区块。例如图2中,图像c中的上面两张是正样本,下面两张是负样本。
第三部分,计算正负训练样本的hog特征向量:
(1)将每个样本在64×64的图像块上滑窗计算;
(2)将每一个像素点的hog特征级联得到图像块的特征;
(3)每一图像块的特征维度为1870维。
然后进行svm分类模型训练。svm分类模型的输入时正负样本的hog特征向量,输出是对应像素位置局部窗口(64x64)是否是集装箱区域的判定。本发明设置64×64窗口对图像进行处理,经验证,处理速度快且具有较高的识别率。
第四部分,利用训练好的svm分类模型对遥感影像进行分类,步骤如下:
(1)针对待检测遥感影像,首先进行主直线提取。
(2)二值化上一步中所得的主直线图。
(3)将影像按照64×64大小的图像块分区。
(4)在分区后的影像上进行滑窗检测,计算hog特征并利用svm分类模型进行分类检测。
本发明利用训练好的svm分类模型直接对遥感影像进行分类,实现快捷且最后能有效识别出集装箱区域。
传统针对遥感影像的分类问题,都是基于像素灰度信息直接进行分类模型的训练与预测,而本发明针对集装箱区域检测的问题,首先对遥感影像进行直线提取,然后利用主直线图作为输入数据,再分块进行svm分类训练与判别,最后对判别结果整合处理,实现了对集装箱区域的快捷、有效的检测,且识别率高。
如图3所示,利用本发明方法对某遥感影像识别集装箱区域,识别的区域用黑色框框出,可见,本发明方法能快捷有效地检测出遥感影像中的集装箱区域。