一种光学遥感图像船舶检测方法与流程

本发明涉及船舶检测技术领域，特别是一种光学遥感图像船舶检测方法。

背景技术：

现在大部分对于遥感图像中特定物体检测依靠的是红外光谱或者需要神经网络对大量该物体进行提前学习。如专利201710958291.9中对海上人工设施的识别中，利用高光谱传感器，在光谱域进行提取光谱特征，在图像域提取目标图像特征，该方法适用于背景较为单一的大海上，在港口或陆地区域多光谱图像上会由于干扰因素太多而无法实现。在专利201810254091.x中舰船检测方法中，利用深度学习单步检测器(其原理是卷积神经网络)先对大量含有舰船的光学遥感图像中的舰船目标进行学习，这项操作需要搜集大量图像，而图像的获取并不容易，网上的图像数量有限，不能保证学习效果，而且进行深度学习要花费很长时间，导致前期工作过于繁琐。

技术实现要素：

有鉴于此，本发明的目的是提出一种光学遥感图像船舶检测方法，可以解决复杂背景光谱应用的的局限性，也可以解决利用神经网络学习的前期的大量准备工作问题。

本发明采用以下方案实现：一种光学遥感图像船舶检测方法，具体包括以下步骤：

步骤s1：获取具有高空间分辨率的遥感图像，并进行灰度以及平滑滤波处理；

步骤s2：创建观察模型，利用分层贝叶斯模型将船舶检测问题转化为简单的去噪声问题；

步骤s3：进行分层贝叶斯模型先验估计；

步骤s4：采用贝叶斯推理估计目标值。

进一步地，步骤s2具体包括以下步骤：

步骤s21：假设背景与船舶差异向量为：

d＝x1-x2；

式中，x1对应灰度图像，x2对应x1的低通滤波图像；在检测到船舶边缘时d将具有最大值，包含船舶的区域d将具有较大的值，其他区域值接近于0；

步骤s22：建立观察模型：

y＝d+n；

式中，y为背景噪声向量，n为具有协方差矩阵为的加法高斯噪声向量；其中噪声像素与船舶像素有显著差异，通过观测y推导估计值de；其中，为噪声变量，i为单位对角矩阵。

进一步地，步骤s3具体包括以下步骤：

步骤s31：设噪声变量服从加法高斯分布，其似然性为

式中，y∈r^m×n为背景噪声向量，d∈r^m×n为背景与船舶差异向量，m表示矩阵的行，n表示矩阵的列；

步骤s32：用先验分布估计未知参数向量

进一步地，步骤s32具体包括以下步骤：

步骤s321：为促进原始信号中目标信号的稀疏性，利用伯努利-拉普拉斯作为先验分布，将图像中非船舶像素设置为0，假设每个像素间具有独立性，先验d为f(d|w,λ)：

其中，

式中，di是差分图像中像素i对应矢量d的第i个分量，ω是属于[0,1]的权重，λ(λ≥0)是拉普拉斯分布的参数，δ(.)是狄拉克δ函数；

步骤s322：利用逆伽马ig先验分布对建模，则先验为

式中，γ(.)代表准伽马函数，α和β分别为形状和比例超参数，且均为正实数；

步骤s323：进行超参数先验：定义分层贝叶斯模型，从观测数据中估计超参数φ{λ,ω}：

先验ω反映非零系数，用[0,1]上的均匀分布；

先验λ∈[0,+∞]，假设λ～ig(λ|a,b)，若超参数统计独立，则完整超参数先验分布为f(φ|a,b)；其中，f(φ|a,b)＝f(λ|a,b)f(ω)，式中，a和b均为超参数，且为了保持非信息先验都需调整至10^-3。

进一步地，步骤s4具体包括以下步骤：

步骤s41：借助马尔科夫链蒙特卡洛mcmc采样技术获得目标后验分布的近似数值；利用吉布斯采样gs方法联合后验分布采样，从而建立推理；需要进行迭代过程，每次迭代都从条件分布采样并为每个变量生成马尔科夫链样本，当该样本值达到稳定时，此时获得的样本全部丢弃，采用余下样本计算目标估计量；

步骤s42：使用最大后验分布map估计寻求估计量de的最大化后验分布。

进一步地，步骤s41中，所述迭代过程通过下列条件后验分布来产生样本：

五、通过采样：目标分布结合了似然性和的先验分布：

六、通过f(λ|d)采样：

λ|d～ig(λ|a+||d||0,b+||d||1)；

七、通过f(ω|d)采样：

ω|d～b(1+||d||0,1+m×n-||d||0)；

式中，b表示贝塔分布；

八、通过采样：

式中，n⁺和n^-为在实数上的截断高斯分布；权重ωl,i可通过下式计算：

式中，μ1,i＝1-ω。

进一步地，步骤s42具体包括以下步骤：

步骤s421：引入离散变量γi判断每个系数di是否等于0；

步骤s422：当di≠0时，估计di的值。

本发明的方法将船舶检测重新定义，其推理在贝叶斯框架中进行。该模型依赖于目标图像和平滑图像之间的差异图像的定义。使用伯努利-拉普拉斯混合模型对该差分图像进行建模，该混合模型包括伯努利分布以捕获零系数，而非零系数由拉普拉斯分布建模。

与现有技术相比，本发明有以下有益效果：本发明利用分层贝叶斯模型对高空间分辨率光学遥感图像中的船舶进行检测，可以解决复杂背景光谱应用的局限性，也可以解决利用神经网络学习的前期的大量准备工作问题，同时，本发明执行贝叶斯推理以基于可靠的先验直接从数据估计模型参数和超参数，无需在地面实况数据集上训练模型。此外，本发明利用分层贝叶斯模型进行检测，不需要像利用光谱波段方法时要考虑如何抑制复杂背景，消除了局限性；本发明也不需要像利用卷积神经网络学习时那样复杂，不需要对大量样本图像进行学习，而且样本图像本来就难以获取，这就大大简化了操作，节省了时间和资源。本发明可以应用在海运交通监控领域，海上救援领域，海上捕鱼，排污等的监管领域，还可以运用在军事侦查和预警，随时掌握敌方海上军事目标的部署情况。

附图说明

图1为本发明实施例的方法流程示意图。

具体实施方式

下面结合附图及实施例对本发明做进一步说明。

应该指出，以下详细说明都是示例性的，旨在对本申请提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。

需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本申请的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。

如图1所示，本实施例提供了一种光学遥感图像船舶检测方法，具体包括以下步骤：

步骤s1：获取具有高空间分辨率的遥感图像，并进行灰度以及平滑滤波处理；

步骤s2：创建观察模型，利用分层贝叶斯模型将船舶检测问题转化为简单的去噪声问题；

步骤s3：进行分层贝叶斯模型先验估计；

步骤s4：采用贝叶斯推理估计目标值。

在本实施例中，步骤s2具体包括以下步骤：

步骤s21：假设背景与船舶差异向量为：

d＝x1-x2；

式中，x1对应灰度图像，x2对应x1的低通滤波图像；在检测到船舶边缘时d将具有最大值，包含船舶的区域d将具有较大的值，其他区域值接近于0；

步骤s22：建立观察模型：

y＝d+n；

式中，y为背景噪声向量，n为具有协方差矩阵为的加法高斯噪声向量；其中噪声像素与船舶像素有显著差异，通过观测y推导估计值de；其中，为噪声变量，i为单位对角矩阵。

在本实施例中，步骤s3具体包括以下步骤：

步骤s31：设噪声变量服从加法高斯分布，其似然性为

式中，y∈r^m×n为背景噪声向量，d∈r^m×n为背景与船舶差异向量，m表示矩阵的行，n表示矩阵的列；

步骤s32：用先验分布估计未知参数向量

在本实施例中，步骤s32具体包括以下步骤：

步骤s321：为促进原始信号中目标信号的稀疏性，利用伯努利-拉普拉斯作为先验分布，将图像中非船舶像素设置为0，假设每个像素间具有独立性，先验d为f(d|w,λ)：

其中，

式中，di是差分图像中像素i对应矢量d的第i个分量，ω是属于[0,1]的权重，λ(λ≥0)是拉普拉斯分布的参数，δ(.)是狄拉克δ函数；

步骤s322：利用逆伽马ig先验分布对建模，则先验为

式中，γ(.)代表准伽马函数，α和β分别为形状和比例超参数，且均为正实数，可以估计和手动修复；

步骤s323：进行超参数先验：定义分层贝叶斯模型，从观测数据中估计超参数φ{λ,ω}：

先验ω反映非零系数(稀疏元素)，用[0,1]上的均匀分布；

先验λ∈[0,+∞]，假设λ～ig(λ|a,b)，若超参数统计独立，则完整超参数先验分布为f(φ|a,b)；其中，f(φ|a,b)＝f(λ|a,b)f(ω)，式中，a和b均为超参数，且为了保持非信息先验都需调整至10^-3。

在本实施例中，步骤s4具体包括以下步骤：

步骤s41：借助马尔科夫链蒙特卡洛mcmc采样技术获得目标后验分布的近似数值；利用吉布斯采样gs方法联合后验分布采样，从而建立推理；需要进行迭代过程，每次迭代都从条件分布采样并为每个变量生成马尔科夫链样本，当该样本值达到稳定(收敛)时，此时获得的样本全部丢弃，采用余下样本计算目标估计量；

步骤s42：使用最大后验分布map估计寻求估计量de的最大化后验分布。

在本实施例中，步骤s41中，所述迭代过程通过下列条件后验分布来产生样本：

九、通过采样：目标分布结合了似然性和的先验分布：

十、通过f(λ|d)采样：

λ|d～ig(λ|a+||d||0,b+||d||1)(2)；

十一、通过f(ω|d)采样：

ω|d～b(1+||d||0,1+m×n-||d||0)(3)；

式中，b表示贝塔分布；

十二、通过采样：

式中，n⁺和n^-为在实数上的截断高斯分布；权重ωl,i可通过下式计算：

式中，μ1,i＝1-ω。

其中，利用利用吉布斯采样gs方法联合后验分布采样具体为：

其中，s为迭代次数，要足够大保证收敛。eq(.)eq(.)均为后验分布。

在本实施例中，步骤s42具体包括以下步骤：

步骤s421：引入离散变量γi判断每个系数di是否等于0；

步骤s422：当di≠0时，估计di的值。

本实施例的方法将船舶检测重新定义，其推理在贝叶斯框架中进行。该模型依赖于目标图像和平滑图像之间的差异图像的定义。使用伯努利-拉普拉斯混合模型对该差分图像进行建模，该混合模型包括伯努利分布以捕获零系数，而非零系数由拉普拉斯分布建模。

本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请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，本申请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。

本申请是参照根据本申请实施例的方法、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。

以上所述，仅是本发明的较佳实施例而已，并非是对本发明作其它形式的限制，任何熟悉本专业的技术人员可能利用上述揭示的技术内容加以变更或改型为等同变化的等效实施例。但是凡是未脱离本发明技术方案内容,依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与改型，仍属于本发明技术方案的保护范围。