遥感图像海面舰船检测方法、装置、可读存储介质及设备与流程

本发明涉及图像处理和模式识别领域，特别是指一种遥感图像海面舰船检测方法、装置、计算机可读存储介质及设备。

背景技术：

近年来，随着遥感成像技术的发展，遥感图像的分辨率不断提高，使得光学遥感图像检测成为可能。在军事和民事领域中，舰船检测起着重要作用，因此利用光学遥感图像进行快速、准确的检测舰船有着巨大的应用前景。

现有的光学遥感图像的舰船检测的步骤一般主要分为四步：一、陆地掩膜，目的是将图像中的陆地区域、云遮挡进行遮蔽或移除，使得舰船检测仅仅作用于海洋区域而对陆地区域不做任何处理；二、图像预处理，通过一系列的图像处理操作，目的是抑制杂波背景，增强和凸显目标，去除由于各种因素造成的对舰船检测的干扰，尽可能地提高检测的准确性和可靠性；三、图像分割，利用相应的舰船检测算法将海洋区域中的疑似目标从背景中分割出来；四、虚警删除，主要目的是通过先验知识和人工干预将分割得到的疑似目标进行筛选，从中剔除干扰信息。

现有技术在进行图像分割时，采用的方法主要有全局阈值算法，通过设置一个固定的全局阈值对图像进行分割，优点在于阈值计算简单、运算复杂度低，缺点在于全局阈值无法根据图像中局部区域的变化自动调节阈值，检测结果易受局部变化而引入大量虚警和漏检；另一种方法是基于滑动窗的阈值检测算法，该方法考虑到了海洋环境的局部变化，所选取的检测阈值能够更好地符合检测局部区域的统计特性，但是该方法在斑噪较多、海面风浪较大时，容易造成大量的虚警，同时由于需要反复计算窗口内背景区域的统计参数，运算量极大，处理过程的速度较慢。因此，现有的舰船检测方法不能很好的检测到海面上的舰船，或者检测速度慢。

技术实现要素：

为解决上述技术问题，本发明提供一种遥感图像海面舰船检测方法、装置、计算机可读存储介质及设备，本发明能有效地降低虚警率，减少海面舰船检测的复杂度，运行效率高，提高了检测结果的准确性。

本发明提供技术方案如下：

第一方面，本发明提供一种遥感图像海面舰船检测方法，所述方法包括：

将待检测图像输入训练后的u-net分割网络中，得到海面分割结果图；

根据海面的连通性，在海面分割结果图上定位出候选区域，并根据定位出的候选区域从待检测图像上提取出候选区域图像；

将所述候选区域图像输入到fine-tuning后的vgg网络中，判断所述候选区域图像是否为舰船。

进一步的，所述u-net分割网络通过如下方法训练得到：

对训练图像集中的训练图像的每个像素点进行标注；

对标注后的训练图像进行重叠剪裁；

将重叠剪裁后的图像输入u-net分割网络，采用随机梯度下降法进行训练。

进一步的，所述将待检测图像输入训练后的u-net分割网络中，得到海面分割结果图，包括：

对待检测图像进行重叠剪裁，得到子图像；

将子图像输入训练后的u-net分割网络，进行海面分割；

将海面分割后的子图像进行拼接，得到海面分割结果图。

进一步的，所述根据海面的连通性，在海面分割结果图上定位出候选区域，并根据定位出的候选区域从待检测图像上提取出候选区域图像，包括：

将海面分割结果图进行二值化处理；

对二值化后的图像进行形态学闭操作；

根据海面的连通性，找出海面上所有的连通区域，并获得所述连通区域的最小外接矩形；

将面积不小于设定阈值的最小外接矩形作为所述候选区域；

根据所述候选区域从待检测图像上提取出候选区域图像。

进一步的，所述fine-tuning后的vgg网络通过如下方法得到：

建立训练样本集；

将vgg16网络最后的全连接层的输出通道数更改2，其他层不变；

使用训练样本集对更改后的vgg16网络进行fine-tuning，得到fine-tuning后的vgg网络。

第二方面，本发明提供一种遥感图像海面舰船检测装置，所述装置包括：

海面分割模块，用于将待检测图像输入训练后的u-net分割网络中，得到海面分割结果图；

候选区域模块，用于根据海面的连通性，在海面分割结果图上定位出候选区域，并根据定位出的候选区域从待检测图像上提取出候选区域图像；

分类模块，用于将所述候选区域图像输入到fine-tuning后的vgg网络中，判断所述候选区域图像是否为舰船。

进一步的，所述u-net分割网络通过如下模块训练得到：

标注模块，用于对训练图像集中的训练图像的每个像素点进行标注；

重叠剪裁模块，用于对标注后的训练图像进行重叠剪裁；

训练模块，用于将重叠剪裁后的图像输入u-net分割网络，采用随机梯度下降法进行训练。

进一步的，所述海面分割模块包括：

重叠剪裁单元，用于对待检测图像进行重叠剪裁，得到子图像；

海面分割单元，用于将子图像输入训练后的u-net分割网络，进行海面分割；

拼接单元，用于将海面分割后的子图像进行拼接，得到海面分割结果图。

进一步的，所述候选区域模块包括：

二值化单元，用于将海面分割结果图进行二值化处理；

形态学闭操作单元，用于对二值化后的图像进行形态学闭操作；

连通区域获取单元，用于根据海面的连通性，找出海面上所有的连通区域，并获得所述连通区域的最小外接矩形；

候选区域确定单元，用于将面积不小于设定阈值的最小外接矩形作为所述候选区域；

候选区域图像提取单元，用于根据所述候选区域从待检测图像上提取出候选区域图像。

进一步的，所述fine-tuning后的vgg网络通过如下模块得到：

训练样本集模块，用于建立训练样本集；

修改模块，用于将vgg16网络最后的全连接层的输出通道数更改2，其他层不变；

微调模块，用于使用更改后的训练样本集对vgg16网络进行fine-tuning，得到fine-tuning后的vgg网络。

第三方面，本发明提供一种用于遥感图像海面舰船检测的计算机可读存储介质，包括处理器及用于存储处理器可执行指令的存储器，所述指令被所述处理器执行时实现包括前述的第一方面所述的遥感图像海面舰船检测方法的步骤。

第四方面，本发明提供一种用于遥感图像海面舰船检测的设备，包括至少一个处理器以及存储计算机可执行指令的存储器，所述处理器执行所述指令时实现前述的第一方面所述的遥感图像海面舰船检测方法的步骤。

本发明具有以下有益效果：

本发明是一种对海面上舰船进行检测的方法，该方法能够对海面和舰船进行分割。本发明使用u-net分割网络简单有效的进行海面分割，将u-net分割算法应用到光学遥感图像的检测任务上，无需复杂的图像处理操作和人工提取特征，分割速度快，分割准确率高，能有效地降低虚警率；同时根据海面的连通性，通过连通区域方法可直接得到候选区域，然后用微调的vgg网络进行候选区域图像的判断，无需恒虚警法的复杂计算。与现有海陆分割方法及舰船确定方法相比，本发明能有效地降低虚警率，减少海面舰船检测的复杂度，运行效率高，提高了检测结果的准确性。

附图说明

图1为本发明的遥感图像海面舰船检测方法流程图；

图2为u-net分割网络的结构示意图；

图3为海面分割前后的图像示例图；

图4为在海面分割结果图上定位出的候选区域示例图；

图5为从待检测图像上提取出来的单独的候选区域图像示例图；

图6为舰船检测结果示例图；

图7为vgg16网络的结构示意图；

图8为正样本的示例图；

图9为负样本的示例图；

图10为本发明的遥感图像海面舰船检测装置示意图。

具体实施方式

为使本发明要解决的技术问题、技术方案和优点更加清楚，下面将结合附图及具体实施例对本发明的技术方案进行清楚、完整地描述。显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。

实施例1：

本发明实施提供了一种遥感图像海面舰船检测方法，如图1所示，该方法包括：

步骤s100：将待检测图像输入训练后的u-net分割网络中，得到海面分割结果图。

在本步骤中，将待检测图像输入训练后的u-net分割网络中，得到待检测图像中每个像素点的分类概率，最终待检测图像中被分割为海面的像素点和被分割为非海面的像素点置为不同的值，从而区分出海面和非海面，得到海面分割结果图。

本发明实施例采用u-net分割网络进行海面分割，该网络支持少量数据训练，速度快，分割准确率高。

该u-net分割网络只由卷积层和采样层组成，共包括19个卷积操作，4次上采样，4次下采样，具体网络结构如图2所示，其中采样层为2*2maxpooling，在本发明的网络结构中因复制的两个特征图大小相同，所有裁剪和复制操作中没有进行裁剪操作。最终得到的输出图像大小与输入图像大小相同。

待检测图像经过预处理后输入到训练好的u-net分割网络中，u-net分割网络会得到待检测图像逐像素点的海面概率和非海面概率，当像素点得到的海面概率大于非海面概率时，该像素点被认为是海面，当像素点得到的海面概率小于非海面概率时，该像素点被认为是非海面，将海面和非海面的像素点置为不同的值，最终得到海面分割结果图。待检测图像与海面分割后图像如图3所示，其中左边为原始待检测图像，右边为分割后的图像，分割后的图像灰色部分为海面，白色部分为非海面。

步骤s200：根据海面的连通性，在海面分割结果图上定位出候选区域，并根据定位出的候选区域从待检测图像上提取出候选区域图像。

海面分割后区分出了海面和非海面，海面之外的非海面为陆地部分，海面之内的非海面即初步认为是舰船，将海面之内的非海面部分选出来，即为候选区域。而由于整个海面是连通的，可以根据海面的连通性，通过区域连通方法提取出候选区域，候选区域优选用方框表示，然后根据候选区域从待检测图像上提取出候选区域图像，用于后续的分类。

如图4、5所示，其中，图4的两幅图是在海面分割结果图上定位出的候选区域，图5的一系列图是从待检测图像(原始图像)上提取出来的单独的候选区域图像。

步骤s300：将候选区域图像输入到fine-tuning后的vgg网络中，判断候选区域图像是否为舰船。

由前述，候选区域是海面之内的非海面部分，但是这部分有可能是舰船，还有可能是小岛礁，更甚至有可能是海面分割出错导致的结果，因此需要对候选区域进行分类，分类时，是基于原始的图像进行分类，因此需要根据候选区域从原始图像上提取出候选区域图像，判断候选区域图像是否为舰船。

本发明实施例采用vgg网络进行分类，需要对vgg16网络进行fine-tuning(微调)，以使其适应本发明的方法。将候选区域图像输入fine-tuning后的vgg网络后，fine-tuning后的vgg网络将候选区域图像分成两类，一类是舰船，一类是非舰船，保留是舰船的候选区域，并将候选区域在原始图像上标注出来，即得到最终的舰船检测结果，如图6所示，方框内为检测出的舰船。

本发明是一种对海面上舰船进行检测的方法，该方法能够对海面和舰船进行分割。本发明使用u-net分割网络简单有效的进行海面分割，将u-net分割算法应用到光学遥感图像的检测任务上，无需复杂的图像处理操作和人工提取特征，分割速度快，分割准确率高，能有效地降低虚警率；同时根据海面的连通性，通过连通区域方法可直接得到候选区域，然后用微调的vgg网络进行候选区域图像的判断，无需恒虚警法的复杂计算。与现有海陆分割方法及舰船确定方法相比，本发明能有效地降低虚警率，减少海面舰船检测的复杂度，运行效率高，提高了检测结果的准确性。

本发明实施例中，u-net分割网络优选通过如下方法训练得到：

步骤100’：对训练图像集中的训练图像的每个像素点进行标注。

在本步骤中，可以通过lableimg标图工具进行标注，标注规则为：当像素点属于海面时，标注为1，当像素点不属于海面时，标注为0。

步骤200’：对标注后的训练图像进行重叠剪裁。

在本步骤中，对标注后的训练图像进行重叠裁剪时，保证水平与竖直有一定的重叠，重叠步长优选为40像素点，裁剪后的图像大小统一，优选为160*160。

步骤300’：将重叠剪裁后的图像输入u-net分割网络，采用随机梯度下降法进行训练。训练过程的参数设置为：batchsize为16，即u-net分割网络每次输入16张图像，迭代次数为10万次，梯度更新方法为小批次的随机梯度下降算法(sgd)，最后得到用于海面分割的u-net分割网络模型。

训练好u-net分割网络后，将待检测图像输入训练后的u-net分割网络中，即可得到海面分割结果图，具体的，包括：

步骤s110：对待检测图像进行重叠剪裁，得到子图像。

在本步骤中，重叠剪裁方法与步骤200’的方法相同，可参照步骤200’进行理解，此处不再赘述。

步骤s120：将子图像输入训练后的u-net分割网络，进行海面分割。

在本步骤中，子图像输入u-net分割网络前先进行预处理，预处理包括减均值和归一化处理：将子图像每个通道减去均值128，再乘以0.0078(1/128)的缩放因子，将像素值归一化到[-1,1]。

然后将减均值后的子图像输入到训练好的u-net分割网络中，u-net分割网络会得到子图像逐像素点的海面概率和非海面概率，当像素点得到的海面概率大于非海面概率时，该像素点被认为是海面，当像素点得到的海面概率小于非海面概率时，该像素点被认为是非海面，优选可以将海面的像素点处的值置为1，非海面的像素点处的值置为0。

步骤s130：将海面分割后的子图像进行拼接，得到与原始图像大小相同的大图，即为海面分割结果图，如图3所示。

作为本发明的一种改进，根据海面的连通性，在海面分割结果图上定位出候选区域，并根据定位出的候选区域从待检测图像上提取出候选区域图像(步骤s200)，包括：

步骤s210：将海面分割结果图转换成灰度图并进行二值化处理。

其中，被分割为海面的像素点的像素值优选为0，被分割为非海面的像素点的像素值优选为1；也就是说，将前述的海面分割结果图中像素点处值为1的像素值设为0，像素点处值为0的像素值设为1。

步骤s220：对二值化后的图像进行形态学闭操作。

形态学闭操作为：先进行膨胀操作，再进行腐蚀操作，膨胀操作是使边界向外部扩张的过程，可以用来填补物体中的空洞，腐蚀操作是使边界向内部收缩的过程，可以用来消除小且无意义的物体。本发明实施例使用形态学闭操作可以填充小的空洞，使一些被误分为海面的像素点得到校正。

在本发明的膨胀操作为：采用3×3的结构元素扫描图像的每一个像素，用结构元素与其覆盖的二值图像做“与”操作，如果都为0，那么图像的该像素为0，否则为1，结果使二值图像扩大一圈。腐蚀操作为：采用3×3的结构元素扫描图像的每一个像素，用结构元素与其覆盖的二值图像做“与”操作，如果都为1，结果图像的该像素为1，否则为0，结果会使二值图像小一圈。

步骤s230：根据海面的连通性，找出海面上所有的连通区域，并获得连通区域的最小外接矩形，即得到海面上的物体。

本步骤中，连通区域可以是八连通区域或四连通区域。八连通区域是指从区域内的一个像素出发，可通过上、下、左、右、左上、右上、左下、右下八个方向的移动的组合，达到区域内的其他像素点。四连通区域是指从区域内的一个像素出发，可通过上、下、左、右四个方向的移动的组合，达到区域内的其他像素点。

步骤s240：将面积不小于设定阈值的最小外接矩形作为候选区域。

本步骤根据图像中物体的像素点面积大小进行初筛，计算方法为：根据外接矩形的左上角坐标和右下角坐标计算出矩形的长和宽，然后计算矩形面积，面积不小于预设值(例如：该预设值为20)的最小外接矩形作为候选区域，减少面积极小的误检物体。

步骤s250：根据候选区域从待检测图像上提取出候选区域图像，作为后续的分类基础。

本发明实施例利用形态学闭操作以及区域连通方法得到较准确地舰船候选区域，对舰船进行准确识别。

本发明中，fine-tuning后的vgg网络通过如下方法得到：

首先，介绍vgg网络，该vgg网络优选可以为vgg16网络，vgg16网络的结构如图7所示：包括5个依次连接的卷积神经网络convnet，每个convnet包含多个卷积层conv以及一个池化层pool，在卷积conv和池化pool之后，经过3层全连接。网络中的卷积层和全连接层的输出都经过relu激活。data为输入图像，conv1+pool1为第一个卷积神经网络，conv1包括两个卷积层，conv2+pool2为第二个卷积神经网络，以此类推。fc6、fc7、fc8为三层全连接。

本发明的vgg16网络首先采用imagenet数据库的图像经过了训练，然后本发明实施例对训练后的vgg16网络进行微调(fine-tuning)，微调方法包括：

步骤100”：建立训练样本集。

其中，训练样本集中的正样本如图8所示，正样本优选可以是包含舰船船身三分之二以上的舰船图像，训练样本集中的负样本如图9所示，负样本优选可以是包含舰船船身少于三分之二或不包含舰船的图像。

步骤200”：将vgg16网络最后的全连接层fc8的输出通道数更改2，进行二分类(即使舰船和不是舰船)，其他层不变。

步骤300”：使用训练样本集对更改后的vgg16网络进行fine-tuning，得到fine-tuning后的vgg网络。

微调vgg网络后，将候选区域图像调整到vgg16网络要求尺寸(224*224)，然后输入fine-tuning后的vgg网络，判断其是否为舰船。

本发明实施例提供的海面上舰船检测的方法，使用u-net分割网络简单有效的进行海面分割，无需复杂的图像处理操作和人工提取特征，分割速度快，分割准确率高，能有效地降低虚警率；同时根据海面的连通性，通过连通区域方法可直接得到候选区域，然后用微调的vgg网络进行候选区域图像的判断，无需恒虚警法的复杂计算。与现有海陆分割方法及舰船确定方法相比，本发明能有效地降低虚警率，减少海面舰船检测的复杂度，运行效率高，提高了检测结果的准确性。

实施例2：

本发明实施例提供了一种遥感图像海面舰船检测装置，如图10所示，该装置包括：

海面分割模块10，用于将待检测图像输入训练后的u-net分割网络中，得到海面分割结果图。

海面分割模块中，将待检测图像输入训练后的u-net分割网络中，得到待检测图像中每个像素点的分类概率，最终待检测图像中被分割为海面的像素点和被分割为非海面的像素点置为不同的值，从而区分出海面和非海面，得到海面分割结果图。

本发明实施例采用u-net分割网络进行海面分割，该网络支持少量数据训练，速度快，分割准确率高。u-net分割网络结构如实施例1所述。

待检测图像经过预处理后输入到训练好的u-net分割网络中，u-net分割网络会得到待检测图像逐像素点的海面概率和非海面概率，当像素点得到的海面概率大于非海面概率时，该像素点被认为是海面，当像素点得到的海面概率小于非海面概率时，该像素点被认为是非海面，将海面和非海面的像素点置为不同的值，最终得到海面分割结果图。待检测图像与海面分割后图像如图3所示，其中左边为原始待检测图像，右边为分割后的图像，分割后的图像灰色部分为海面，白色部分为非海面。

候选区域模块20，用于根据海面的连通性，在海面分割结果图上定位出候选区域，并根据定位出的候选区域从待检测图像上提取出候选区域图像。

海面分割后区分出了海面和非海面，海面之外的非海面为陆地部分，海面之内的非海面即初步认为是舰船，将海面之内的非海面部分选出来，即为候选区域。而由于整个海面是连通的，可以根据海面的连通性，通过区域连通方法提取出候选区域，候选区域优选用方框表示，然后根据候选区域从待检测图像上提取出候选区域图像，用于后续的分类。

如图4、5所示，其中，图4的两幅图是在海面分割结果图上定位出的候选区域，图5的一系列图是从待检测图像(原始图像)上提取出来的单独的候选区域图像。

分类模块30，用于将候选区域图像输入到fine-tuning后的vgg网络中，判断候选区域图像是否为舰船。

由前述，候选区域是海面之内的非海面部分，但是这部分有可能是舰船，还有可能是小岛礁，更甚至有可能是海面分割出错导致的结果，因此需要对候选区域进行分类，分类时，是基于原始的图像进行分类，因此需要根据候选区域从原始图像上提取出候选区域图像，判断候选区域图像是否为舰船。

本发明实施例采用vgg网络进行分类，需要对vgg16网络进行fine-tuning(微调)，以使其适应本发明的方法。将候选区域图像输入fine-tuning后的vgg网络后，fine-tuning后的vgg网络将候选区域图像分成两类，一类是舰船，一类是非舰船，保留是舰船的候选区域，并将候选区域在原始图像上标注出来，即得到最终的舰船检测结果，如图6所示，方框内为检测出的舰船。

本发明是一种对海面上舰船进行检测的装置，该装置能够对海面和舰船进行分割。本发明使用u-net分割网络简单有效的进行海面分割，将u-net分割算法应用到光学遥感图像的检测任务上，无需复杂的图像处理操作和人工提取特征，分割速度快，分割准确率高，能有效地降低虚警率；同时根据海面的连通性，通过连通区域方法可直接得到候选区域，然后用微调的vgg网络进行候选区域图像的判断，无需恒虚警法的复杂计算。与现有海陆分割方法及舰船确定方法相比，本发明能有效地降低虚警率，减少海面舰船检测的复杂度，运行效率高，提高了检测结果的准确性。

本发明实施例中，u-net分割网络通过如下模块训练得到：

标注模块，用于对训练图像集中的训练图像的每个像素点进行标注。

可以通过lableimg标图工具进行标注，标注规则为：当像素点属于海面时，标注为1，当像素点不属于海面时，标注为0。

重叠剪裁模块，用于对标注后的训练图像进行重叠剪裁。

重叠剪裁时，保证水平与竖直有一定的重叠，重叠步长优选为40像素点，裁剪后的图像大小统一，优选为160*160。

训练模块，用于将重叠剪裁后的图像输入u-net分割网络，采用随机梯度下降法进行训练。

练过程的参数设置为：batchsize为16，即u-net分割网络每次输入16张图像，迭代次数为10万次，梯度更新方法为小批次的随机梯度下降算法(sgd)，最后得到用于海面分割的u-net分割网络模型。

训练好u-net分割网络后，将待检测图像输入训练后的u-net分割网络中，即可得到海面分割结果图，具体的，海面分割模块包括：

重叠剪裁单元，用于对待检测图像进行重叠剪裁，得到子图像。

本部分的重叠剪裁的方法与前述的重叠剪裁模块的方法相同，可参照前述的重叠剪裁模块进行理解，此处不再赘述。

海面分割单元，用于将子图像输入训练后的u-net分割网络，进行海面分割。

海面分割单元中子图像输入u-net分割网络前先进行预处理，预处理包括减均值和归一化处理：将子图像每个通道减去均值128，再乘以0.0078(1/128)的缩放因子，将像素值归一化到[-1,1]。

然后将减均值后的子图像输入到训练好的u-net分割网络中，u-net分割网络会得到子图像逐像素点的海面概率和非海面概率，当像素点得到的海面概率大于非海面概率时，该像素点被认为是海面，当像素点得到的海面概率小于非海面概率时，该像素点被认为是非海面，优选可以将海面的像素点处的值置为1，非海面的像素点处的值置为0。

拼接单元，用于将海面分割后的子图像进行拼接，与原始图像大小相同的大图，即为海面分割结果图。

作为本发明的一种改进，候选区域模块包括：

二值化单元，用于将海面分割结果图进行二值化处理。

其中，被分割为海面的像素点的像素值优选为0，被分割为非海面的像素点的像素值优选为1；也就是说，将前述的海面分割结果图中像素点处值为1的像素值设为0，像素点处值为0的像素值设为1。

形态学闭操作单元，用于对二值化后的图像进行形态学闭操作。

形态学闭操作为：先进行膨胀操作，再进行腐蚀操作，膨胀操作是使边界向外部扩张的过程，可以用来填补物体中的空洞，腐蚀操作是使边界向内部收缩的过程，可以用来消除小且无意义的物体。本发明实施例使用形态学闭操作可以填充小的空洞，使一些被误分为海面的像素点得到校正。

在本发明的膨胀操作为：采用3×3的结构元素扫描图像的每一个像素，用结构元素与其覆盖的二值图像做“与”操作，如果都为0，那么图像的该像素为0，否则为1，结果使二值图像扩大一圈。腐蚀操作为：采用3×3的结构元素扫描图像的每一个像素，用结构元素与其覆盖的二值图像做“与”操作，如果都为1，结果图像的该像素为1，否则为0，结果会使二值图像小一圈。

连通区域获取单元，用于根据海面的连通性，找出海面上所有的连通区域，并获得连通区域的最小外接矩形，即得到海面上的物体。

本步骤中，连通区域可以是八连通区域或四连通区域。八连通区域是指从区域内的一个像素出发，可通过上、下、左、右、左上、右上、左下、右下八个方向的移动的组合，达到区域内的其他像素点。四连通区域是指从区域内的一个像素出发，可通过上、下、左、右四个方向的移动的组合，达到区域内的其他像素点。

候选区域确定单元，用于将面积不小于设定阈值的最小外接矩形作为所述候选区域。

本剔除单元根据图像中物体的像素点面积大小进行初筛，计算方法为：根据外接矩形的左上角坐标和右下角坐标计算出矩形的长和宽，然后计算矩形面积，面积不小于预设值(例如：该预设值为20)的最小外接矩形作为候选区域，减少面积极小的误检物体。

候选区域图像提取单元，用于根据候选区域从待检测图像上提取出候选区域图像，作为后续的分类基础。

本发明实施例利用形态学闭操作以及区域连通方法得到较准确地舰船候选区域，对舰船进行准确识别。

本发明中，fine-tuning后的vgg网络通过如下方法得到：

本发明的vgg16网络首先采用imagenet数据库的图像经过了训练，vgg16网络的结构如实施例1所述。然后本发明实施例通过如下的模块对训练后的vgg16网络进行微调(fine-tuning)：

训练样本集模块，用于建立训练样本集。

其中，训练样本集中的正样本如图8所示，正样本优选可以是包含舰船船身三分之二以上的舰船图像，训练样本集中的负样本如图9所示，负样本优选可以是包含舰船船身少于三分之二或不包含舰船的图像。

修改模块，用于将vgg16网络最后的全连接层fc8的输出通道数更改2，进行二分类(即使舰船和不是舰船)，其他层不变。

微调模块，用于使用训练样本集对更改后的vgg16网络进行fine-tuning，得到fine-tuning后的vgg网络。

微调vgg网络后，将候选区域图像调整到vgg16网络要求尺寸(224*224)，然后输入fine-tuning后的vgg网络，判断其是否为舰船。

本发明实施例提供的海面上舰船检测的装置，使用u-net分割网络简单有效的进行海面分割，无需复杂的图像处理操作和人工提取特征，分割速度快，分割准确率高，能有效地降低虚警率；同时根据海面的连通性，通过连通区域方法可直接得到候选区域，然后用微调的vgg网络进行候选区域图像的判断，无需恒虚警法的复杂计算。与现有海陆分割方法及舰船确定方法相比，本发明能有效地降低虚警率，减少海面舰船检测的复杂度，运行效率高，提高了检测结果的准确性。

本发明实施例所提供的装置，其实现原理及产生的技术效果和前述方法实施例相同，为简要描述，装置实施例部分未提及之处，可参考前述方法实施例中相应内容。所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，前述描述的装置和单元的具体工作过程，均可以参考上述方法实施例中的对应过程，在此不再赘述。

实施例3：

本说明书提供的上述实施例所述的方法或装置可以通过计算机程序实现业务逻辑并记录在存储介质上，所述的存储介质可以计算机读取并执行，实现本说明书实施例所描述方案的效果。因此，本发明还提供用于遥感图像海面舰船检测的计算机可读存储介质，包括处理器及用于存储处理器可执行指令的存储器，指令被处理器执行时实现包括实施例1的遥感图像海面舰船检测方法的步骤。

本发明是一种用于对海面上舰船进行检测的计算机可读存储介质，该计算机可读存储介质存储的实现对海面上舰船进行检测方法能够对海面和舰船进行分割。本发明使用u-net分割网络简单有效的进行海面分割，将u-net分割算法应用到光学遥感图像的检测任务上，无需复杂的图像处理操作和人工提取特征，分割速度快，分割准确率高，能有效地降低虚警率；同时根据海面的连通性，通过连通区域方法可直接得到候选区域，然后用微调的vgg网络进行候选区域图像的判断，无需恒虚警法的复杂计算。与现有海陆分割方法及舰船确定方法相比，本发明能有效地降低虚警率，减少海面舰船检测的复杂度，运行效率高，提高了检测结果的准确性。

所述存储介质可以包括用于存储信息的物理装置，通常是将信息数字化后再以利用电、磁或者光学等方式的媒体加以存储。所述存储介质有可以包括：利用电能方式存储信息的装置如，各式存储器，如ram、rom等；利用磁能方式存储信息的装置如，硬盘、软盘、磁带、磁芯存储器、磁泡存储器、u盘；利用光学方式存储信息的装置如，cd或dvd。当然，还有其他方式的可读存储介质，例如量子存储器、石墨烯存储器等等。

上述所述的装置根据方法实施例的描述还可以包括其他的实施方式。具体的实现方式可以参照相关方法实施例的描述，在此不作一一赘述。

实施例4：

本发明还提供一种用于遥感图像海面舰船检测的设备，所述的设备可以为单独的计算机，也可以包括使用了本说明书的一个或多个所述方法或一个或多个实施例装置的实际操作装置等。所述用于遥感图像海面舰船检测的设备可以包括至少一个处理器以及存储计算机可执行指令的存储器，处理器执行所述指令时实现上述任意一个或者多个实施例1中所述遥感图像海面舰船检测方法的步骤。

本发明是一种用于遥感图像海面舰船检测的设备，该设备存储的指令能够对海面和舰船进行分割。本发明使用u-net分割网络简单有效的进行海面分割，将u-net分割算法应用到光学遥感图像的检测任务上，无需复杂的图像处理操作和人工提取特征，分割速度快，分割准确率高，能有效地降低虚警率；同时根据海面的连通性，通过连通区域方法可直接得到候选区域，然后用微调的vgg网络进行候选区域图像的判断，无需恒虚警法的复杂计算。与现有海陆分割方法及舰船确定方法相比，本发明能有效地降低虚警率，减少海面舰船检测的复杂度，运行效率高，提高了检测结果的准确性。

上述所述的设备根据方法或者装置实施例的描述还可以包括其他的实施方式，具体的实现方式可以参照相关方法实施例的描述，在此不作一一赘述。

需要说明的是，本说明书上述所述的装置或者系统根据相关方法实施例的描述还可以包括其他的实施方式，具体的实现方式可以参照方法实施例的描述，在此不作一一赘述。本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于硬件+程序类、存储介质+程序实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。

上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。

上述实施例阐明的系统、装置、模块或单元，具体可以由计算机芯片或实体实现，或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的，计算机例如可以为个人计算机、膝上型计算机、车载人机交互设备、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。

为了描述的方便，描述以上装置时以功能分为各种模块分别描述。当然，在实施本说明书一个或多个时可以把各模块的功能在同一个或多个软件和/或硬件中实现，也可以将实现同一功能的模块由多个子模块或子单元的组合实现等。以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。

本领域技术人员也知道，除了以纯计算机可读程序代码方式实现控制器以外，完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件，而对其内部包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至，可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。

本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

在一个典型的配置中，计算设备包括一个或多个处理器(cpu)、输入/输出接口、网络接口和内存。

还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法或者设备中还存在另外的相同要素。

本领域技术人员应明白，本说明书一个或多个实施例可提供为方法、系统或计算机程序产品。因此，本说明书一个或多个实施例可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本说明书一个或多个实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。

本说明书一个或多个实施例可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本本说明书一个或多个实施例，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。

本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本说明书的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述并不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。

最后应说明的是：以上所述实施例，仅为本发明的具体实施方式，用以说明本发明的技术方案，而非对其限制，本发明的保护范围并不局限于此，尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围。都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。