基于船只尾迹遥感特征的航向提取方法研究

为解决单景遥感图像上航行船只航向的自动提取问题,研究了船只尾迹遥感特征和基于尾迹遥感特征的提取方法。对海上航行船只尾迹的形态特征和统计特征研究表明,湍流尾迹在遥感图像上出现概率高且特征稳定,其图像表现以条带状特征为主。考虑到湍流尾迹的线性特性,采用Randon变换算法进行了可以表征航向的尾迹提取。通过对10幅尾迹图像提取实验,与手工提取的结果相比,航向均方根误差能够达到2.74°。实验表明,该方法能够通过航行船只尾迹信息有效实现单景图像上船只航向的自动提取。     

一种新的合成孔径雷达图像船只几何特征提取方法

海上船只监测在海洋交通、渔业管理等领域发挥着重要的作用。高分辨率合成孔径雷达卫星的发射,使船只类型识别成为可能,进一步提高了海洋监测的能力。几何特征是一种重要的船只类型识别特征,本文提出了一种新的合成孔径雷达图像船只几何特征提取方法。与传统方法不同,本文利用最大稳定极值区域算法,取代常用的恒虚警率算法,来检测定位船只。这种方法能够在同等检测率的情况下,有效的降低虚警率,并且具有更快的速度。在几何特征提取过程中,本文提出了改进的最小外接矩形提取方法,这种方法能够有效的抑制旁瓣对船只几何特征提取的影响。实验证明,本文提出的方法能够更快速、准确的提取船只的几何特征。     

基于YOLOv3深度学习的海雾气象条件下海上船只实时检测

海雾气象条件下船只高精度检测识别面临较大困难，传统的目标识别、定位方法效果差强人意。作者围绕海雾气象条件下不同类型船只的实时检测问题，提出一种基于YOLOv3深度学习的实时海上船只检测新思路。首先构建清晰图片和模糊图片（海雾、雨）的判别方法，实现图片清晰度分类处理；其次为提高海雾气象条件下海上船只的实时检测精度，消除海雾遮挡对目标识别的影响，运用暗通道先验去雾方法对含有海雾的图像实行去雾；最后基于YOLOv3深度学习算法对精细处理后的图像进行船只实时检测。实验结果表明该方法能够在海雾气象条件下高效、准确地检测到船只，对海上复杂环境条件下的船只实时检测研究具有一定的理论指导意义。     

基于Radon变换的SAR图像船迹检测研究

给出了一种检测星载(合成孔径雷达SAR)图像中舰船尾迹的方法,该方法主要特点是将Radon变换局部化,即在对像素灰度值积分过程中沿着线性特征被分割后的若干短线段进行积分,而非对整张图像进行积分。该方法克服了Radon变换方法的局限性,使尾迹信号在背景噪声较强时依旧能被检测出,并且能检测出相对于整幅图像的尺寸较短小的尾迹。     

基于Hough变换和Harris检测的光学验潮方法研究

在海洋测绘和水域监测领域经常需要测量潮位信息,提出了一种利用图像处理进行标尺刻线检测的方法,使用摄像机拍摄固定在水中的标尺,通过读取标尺视频序列、基于Hough变换和Harris检测对标尺刻线进行识别计算,从而获得潮位线位置.通过水面实验证明了该方法具有较高的实用性.     

基于船载雷达图像的海上船只检测方法

随着雷达成像技术和高分辨率光栅显示技术的发展和应用,基于船载雷达图像的船只检测成为可能.海上船只检测的主要困难之一是雷达图像中包含固有的海面背景杂波.传统的雷达船只检测方法,如恒虚警率法(CFAR),以杂波分布模型为基础,计算待检测窗口中的信号统计分布来确定自适应阈值,取得了一些成果.但是,当海面背景杂波和船只目标的回波强度在同一数量级,甚至船只目标淹没在海面背景杂波中时,就难以确定一个有效的阈值将船只目标从雷达图像中提取出来.在分析海面背景杂波和船只目标的相关差异性基础上,提出了一种基于船载雷达序列图像的海上船只快速检测方法.该方法首先对相邻两幅图像进行互相关性分析,在两幅图像中的同一位置提取一定尺寸的移动窗口,计算其互相关函数值,窗口移动一个步长,重复操作直至遍布整幅图像,形成一幅由灰度图像互相关函数值组成的相关图像.然后使用概率神经网络模型(PNN模型)来估计相关图像背景杂波的灰度概率密度分布函数(PDF),应用CFAR技术,使用二分法求解一个区分船只和背景噪声的自适应整体阈值,并根据阈值将相关图像二值化,其中大于阈值的像元作为候选的船只目标信息,小于阈值的像元则为海面背景杂波.最后使用连通性8-邻域准则统计各个候选船只目标区域的像元数,并与预先定义的最小船只目标像元数进行比较,偏小的候选船只目标区域作为虚警去除,保留下来的候选船只目标区域即为船只检测结果.研究显示,如果图像序列中没有船只目标信息,则三维相关图像比较平整.相反,如果图像序列中含有船只目标信息,则三维相关图像上有峰值被检测出,通过测量峰值的高度,就能判断存在可能的船只目标.运用X波段船载雷达序列图像对本文提出的海上船只检测方法进行了测试.测试结果表明,该检测方法具有很好的船只检测效果,得到的船只检测结果与目视判别的结果一致.而且该检测算法原理简单,计算速度快,易于实时处理,具有广阔的应用前景.     

基于小波变换的声纳图像边缘特征检测研究

声纳图像的边缘特征检测是其目标识别技术的重要技术基础。声纳图像背景复杂、噪声污染严重,而传统的边缘检测方法对图像噪声非常敏感,所以针对这一特点,利用小波变换易于消除噪声、运算方便的数学特征,提出了一种基于小波变换的声纳图像边缘特征检测算法。由计算机仿真结果可以得到,与传统的边缘检测算法相比,此算法在有效地抑制噪声的同时,还可以得到较高的边缘定位精度,能够很好地检测到原始声纳图像的边缘。     

海上船只目标多角度成像技术

将斜视滑动聚束合成孔径雷达(SAR)应用于海上船只目标的成像。利用斜视角的变化,斜视滑动聚束SAR可高频次地得到同一船只在不同斜视角下的多幅高分辨率微波图像,有利于船只目标的分类与识别。将斜视滑动聚束SAR高效成像算法与船只目标逆合成孔径雷达(ISAR)重聚焦算法相结合,针对计算机仿真数据开展了成像处理实验,取得了较好的成像效果,验证了斜视滑动聚束SAR应用于船只目标成像时可高频次地获得多幅高分辨率图像的独特优势。     

基于Hough变换原理的海冰厚度识别方法

作为主要海冰参数之一的海冰厚度对海冰灾害评估和极地船舶与冰区海洋工程结构设计具有重要意义。采用船侧视频图像对海冰厚度进行自动识别是提取海冰参数的重要方式。本文采用基于Hough变换的机器视觉方法对海冰翻转过程中的表面轮廓线进行识别,从而自动获取海冰厚度参数。根据海冰图像特征制定了图像边缘识别?近似线段识别?海冰轮廓线段组识别的计算流程。在线段组识别过程中,根据海冰的几何特征建立了由夹角、长度及间距参数相关联的3个识别参数所组成的判断条件。为验证方法的可靠性,将该方法用于“雪龙”号第八次北极科考的走航实测数据中,结果表明,3个识别参数均具有最优阈值。当低于最优值时提高阈值可增加有效识别率;而高于最优值时提高阈值则会导致误判率增大,采用最优阈值可使冰厚识别率达到90%以上。因此,采用基于Hough变换的冰厚识别方法可实现对海冰厚度的实时监测。     

Kelvin尾迹SAR图像仿真研究

一方面利用Kelvin尾迹水动力模型,通过对同一吃水深度(4 m)、不同船速(1-20 m/s)下的Kelvin尾迹波的仿真,提出了此模型适用的船只航行速度范围以及随着船速的变化,Kelvin尾迹波的变化情况。另一方面结合海表面波模型和雷达后向散射模型,比较同一船速、不同吃水深度(4 m、6 m和8 m)下的SAR仿真图像。结果表明,仅考虑Kelvin尾迹水动力模型时,当吃水深度不变时,在一定速度范围内,随船速的增大,Kelvin尾迹的横波波长逐渐增大,尖波变的逐渐清晰,超出此范围,Kelvin尾迹水动力模型就不再适用了;当同时考虑3种模型时,不同吃水深度下,在一定速度范围内,同一船速所仿真出的Kelvin尾迹SAR图像是不一样的,随着吃水深度的加深,Kelvin尾迹横波也随之清晰,超出此速度范围则无法看到横波。