結(jié)合多尺度視覺顯著性的艦船目標(biāo)檢測

趙浩光，王 平，董 超,4*，尚 洋

(1.國防科技大學(xué) 空天科學(xué)學(xué)院，湖南 長沙 410073;2.中國科學(xué)院 長春光學(xué)精密機(jī)械與物理研究所，航空光學(xué)成像與測量重點實驗室，吉林 長春 130033;3.中國航空工業(yè)集團(tuán)公司沈陽飛機(jī)設(shè)計研究所，遼寧 沈陽 110035;4.中國科學(xué)院大學(xué)，北京 10049;5.圖像測量與視覺導(dǎo)航湖南省重點實驗室，湖南 長沙 410073)

1 引 言

遙感圖像海面艦船目標(biāo)檢測技術(shù)無論是在民用還是軍事方面都具有十分重要的意義。在民用方面，用于監(jiān)控漁業(yè)管理，海運交通，輔助遇難船只海洋救援等。在軍事方面，用來監(jiān)督敵方重點港口海域部署與動態(tài)，評估戰(zhàn)時海上打擊效果等。與其他遙感數(shù)據(jù)源比較，光學(xué)遙感圖像內(nèi)容豐富，直觀易于理解，分辨率高，給艦船目標(biāo)的精確識別帶來優(yōu)勢。然而，光學(xué)遙感圖像的成像特性也給艦船檢測帶來一定的困難點。檢測易受云霧，海雜波，海島等復(fù)雜背景的干擾，造成虛警和漏檢；艦船目標(biāo)在亮度，顏色，紋理等方面存在差異，不利于提取穩(wěn)定的目標(biāo)特征，影響鑒別過程；遙感圖像采用俯視角度成像，導(dǎo)致艦船頭朝向不固定；遙感成像距離遠(yuǎn)，相比于自然圖像中的目標(biāo)，艦船目標(biāo)尺寸小。所以，檢測遙感圖像中的目標(biāo)需要額外考慮尺度和方向變化問題。接下來調(diào)研了現(xiàn)存的艦船檢測方法。首先，基于閾值分割的方法[1]計算簡單，適用于檢測平靜海面背景中的目標(biāo)。但當(dāng)存在云霧干擾時，由于云霧像素值通常高于海面背景，所以容易被判定為目標(biāo)像素，產(chǎn)生大量虛警?；诨瑒哟翱诘呐灤繕?biāo)檢測方法[2]首先生成不同尺度和不同長寬比的窗口，然后使用窗口在圖像中按順序滑動，提取每一個圖像子窗口的特征，使用訓(xùn)練好的分類器判斷該子窗口是否包含目標(biāo)。該類方法是目標(biāo)檢測中比較經(jīng)典的傳統(tǒng)算法。但該方法存在以下兩個問題：由于目標(biāo)尺寸和方向變化，無法選取合適的窗口大??；由于遙感圖像中海面背景占大部分區(qū)域，只有極少數(shù)窗口包含人造艦船，這將導(dǎo)致檢測效率低?？紤]到以上問題，很多學(xué)者將視覺顯著性模型[3-4]引入到艦船目標(biāo)檢測中。Xu 等[5]使用融合顯著性算法提取疑似艦船區(qū)域，Dong 等[6]利用區(qū)域協(xié)方差的單一特征值構(gòu)建顯著圖來獲取疑似艦船區(qū)域。該類方法采用由粗到細(xì)的艦船檢測機(jī)制，首先使用視覺顯著性算法生成顯著圖，然后使用閾值分割提取目標(biāo)疑似區(qū)域，最后引入目標(biāo)確認(rèn)算法剔除虛警。最后一種檢測算法是基于卷積神經(jīng)網(wǎng)絡(luò)的[7-9]。該類方法主要分為one-stage算法和two-stage算法。在檢測遙感目標(biāo)時，取得了很好的效果。但是該類方法需要大量的訓(xùn)練數(shù)據(jù)。此外存在模型參數(shù)量大，算法設(shè)計復(fù)雜，可解釋性差等問題。

針對以上分析，本文提出了一種適用于復(fù)雜背景的海面艦船目標(biāo)檢測方法。該算法采用由粗到細(xì)的檢測機(jī)制。首先為了克服目標(biāo)尺度多變問題，利用頻譜殘差顯著性模型[10]生成多尺度顯著圖，然后使用基尼指數(shù)自適應(yīng)選擇最優(yōu)顯著圖。考慮到閾值分割算法帶來的漏檢測問題，提出一種新的方案來分離目標(biāo)和背景像素點。利用圖像膨脹原理獲取顯著圖的局部極大值點，然后使用 k-means 算法[11]判斷極大值點屬于目標(biāo)像素點還是背景像素點。接著對目標(biāo)點鄰近區(qū)域進(jìn)行精細(xì)分割。最后引入基于徑向梯度變換的旋轉(zhuǎn)不變特征[12]來進(jìn)一步剔除虛警。實驗結(jié)果表明，該算法能夠成功檢測出不同尺寸和方向的艦船目標(biāo)，有效克服復(fù)雜背景的干擾。本文算法檢測正確率 93%，虛警率 4%，優(yōu)于其他艦船檢測方法。算法流程如圖 1 所示。

圖1 本文算法總體流程Fig.1 Scheme of proposed detection algorithm

2 候選區(qū)域生成

2.1 頻譜殘差顯著圖

Hou[10]認(rèn)為自然圖像由兩部分組成：顯著信息和冗余信息。對于包含艦船目標(biāo)的遙感圖像，目標(biāo)對應(yīng)顯著信息，而海面背景對應(yīng)冗余信息。故可以使用頻譜殘差(SR，Spectral Residual)模型生成視覺顯著圖，提取感興趣區(qū)域，計算公式如下：

A(f)=R(F[I(x)]),

(1)

P(f)=S(F[I(x)]),

(2)

L(f)=log(A(f)),

(3)

R(f)=L(f)-hn(f)×L(f),

(4)

S(x)=g(x)×F-1[exp(R(f)+P(f))]2,

(5)

其中：I(x)是輸入圖像，F(xiàn)和F-1分別表示傅立葉變換和逆變換，A(f)，P(f)，L(f)分別表示傅立葉幅度譜、相位譜及對數(shù)譜，hn(f)表示平滑濾波器，R(f)代表殘差譜，使用R(f)和P(f)進(jìn)行傅立葉逆變換來獲得最終顯著圖S(x)。假設(shè)原始圖像尺寸為w×h，SR模型將其調(diào)整到固定的尺寸64×(h×64/w),然后對改變尺寸后的圖像I(x)進(jìn)行頻譜殘差變換，最后將顯著圖調(diào)整回原圖像的尺寸。對包含不同尺寸的遙感目標(biāo)圖像進(jìn)行測試，實驗結(jié)果如圖2所示。

圖2 尺度固定下的顯著圖Fig.2 Saliency map with fixed scale

圖2包含具有不同尺寸目標(biāo)的兩幅圖像，SR算法得到的顯著圖適于提取尺寸較大的艦船目標(biāo)(見圖2第2行)。對于第1幅遙感圖像，得到的顯著圖邊緣模糊，只突出小部分目標(biāo)，無法分清圖像中的目標(biāo)個數(shù)，所以SR算法對艦船目標(biāo)的大小非常敏感。接下來討論一下如何改進(jìn)該算法來適應(yīng)目標(biāo)尺寸的變化。

2.2 最優(yōu)顯著圖選擇

為了檢測不同尺寸的艦船目標(biāo)，將顯著性算法擴(kuò)展到多尺度。得益于SR算法的設(shè)計，很容易擴(kuò)展到多尺度，只需改變算法輸入圖像的尺寸。對于大小為ω×h的遙感圖像，設(shè)定尺度參數(shù)為sc={0.7,0.4,0.2},按照該倍率依次調(diào)整圖像尺寸得到對應(yīng)的多尺度顯著圖S={S1,S2,S3}，結(jié)果如圖3所示?？梢钥闯觯瑢τ诘?幅圖像，顯著圖S1是最優(yōu)的，它能夠成功區(qū)分艦船個數(shù)，目標(biāo)邊緣清晰。對于第2幅圖像，顯著圖S3是最優(yōu)的，它能夠均勻突出目標(biāo)整體，在抑制背景方面性能最佳。很多學(xué)者采用不同的融合機(jī)制將多尺度顯著圖融合成單幅顯著圖。這里探索了另外一種解決方案，即根據(jù)適合的判斷準(zhǔn)則挑選最優(yōu)尺度的顯著圖。

圖3 不同尺度下的顯著圖Fig.3 Saliency map with different scales

為了自適應(yīng)選擇最優(yōu)尺度，本文引入了基尼(Gini)指數(shù),其定義如式(6)所示：

(6)

基尼指數(shù)反映的是數(shù)據(jù)集中隨機(jī)選取兩個樣本他們不屬于同一類別的概率。數(shù)據(jù)集越純，基尼指數(shù)越小。這里可以將顯著圖看作數(shù)據(jù)集，k表示灰度級，Y=255。pk表示取值為k的像素點占總像素數(shù)的比例。由基尼指數(shù)的定義可知，當(dāng)顯著圖中只存在較高的目標(biāo)像素和較低的背景像素時，基尼指數(shù)最小。而存在由復(fù)雜背景產(chǎn)生的中間灰度級時，基尼指數(shù)變大。所以使基尼指數(shù)最小的顯著圖即為最佳尺度顯著圖：

(7)

其中c*是最佳尺度顯著圖對應(yīng)的索引值。對于圖3中第1幅圖像，Gini(S1)=0.74Gini(S2)>Gini(S3),所以選擇尺度3作為最優(yōu)顯著圖，通過基尼指數(shù)得出的結(jié)論和前述分析保持一致，驗證了該判斷準(zhǔn)則的有效性。接下來進(jìn)行后續(xù)的候選區(qū)域提取。

獲取顯著圖后，很多學(xué)者采用Otsu算法[13]對顯著圖進(jìn)行閾值分割。給定一副顯著圖，大于Otsu閾值設(shè)為目標(biāo)，小于該閾值判定為背景。但是使用該方法有以下兩個缺點：

1.由于缺少空間結(jié)構(gòu)信息，該方法易在目標(biāo)內(nèi)部產(chǎn)生孔洞導(dǎo)致無法提取完整目標(biāo)。

2.當(dāng)圖像中存在多個目標(biāo)時，由于 Otsu 算法獲取的閾值過高，因而產(chǎn)生漏檢測。

考慮到以上缺點，本文使用新的方案來分離目標(biāo)和背景。首先利用圖像膨脹獲取顯著圖的局部極大值點，然后使用k-means 算法判斷極大值點屬于目標(biāo)像素點還是背景像素點。最后對碎片使用閾值進(jìn)行精細(xì)分割。

2.3 顯著圖局部極大值點提取

顯著圖是一幅灰度圖像。對灰度圖像進(jìn)行腐蝕定義如式(8)：

(8)

其中：f表示灰度圖，b是結(jié)構(gòu)元素，其大小為Nse×Nse。⊕表示腐蝕操作。和二值圖像不同，灰度圖像的膨脹操作由“或”變?yōu)榱恕白畲笾怠辈僮?。圖像局部極大值計算示意圖如圖4所示，接下來進(jìn)行詳細(xì)說明。

圖4 局部極大值點計算過程Fig.4 Process of local maximum calculation

對于圖4(a)中像素值滿足高斯分布的灰度圖，左側(cè)是它的灰度值矩陣。極值點出現(xiàn)在圖像中心。對其使用大小為 的結(jié)構(gòu)元素進(jìn)行膨脹，得到膨脹后的灰度圖?？梢钥闯鰳O值點的像素值在膨脹后保持不變。利用該性質(zhì)就可以求出一副灰度圖像的局部極大值點。

結(jié)構(gòu)元素尺寸的選取和艦船目標(biāo)大小成正比，這里設(shè)為Nse=5×c*。以圖3第二幅顯著圖S2為例，Nse=15，對其進(jìn)行三維顯示，局部極大值點提取結(jié)果如圖5所示。其中“*”表示局部極值點在三維空間中的位置。

圖5 局部極大值點提取結(jié)果Fig.5 Local maximum extraction results

2.4 k-means算法聚類

從圖5中可以看出，局部極大值點可能屬于目標(biāo)，也可能屬于背景。接下來使用k-means算法對局部極大值點進(jìn)行聚類，選取極值點的顯著值作為特征，k=2。首先算法隨機(jī)選取兩個點作為聚類中心，然后計算各個極值點到兩個聚類中心的距離，把極值點歸到離它最近的聚類中心所在的類。然后重新計算新的聚類中心，再重復(fù)之前的步驟，直到兩次聚類中心不再變化。聚類中心顯著值大的類別對應(yīng)目標(biāo)所屬類別，對圖3第1行所示的最優(yōu)顯著圖S1，使用Otsu閾值分割和本文提出的分割算法獲得的實驗結(jié)果如下。

圖6 候選區(qū)域提取方法對比Fig.6 Comparison of candidate region extraction

圖6黑色“*”代表極值點位置，紅色“o”代表候選區(qū)域的中心位置(彩圖見期刊電子版)。圖6(a)～圖6(b)是經(jīng)過Otsu閾值分割后的結(jié)果，可以看出鄰近目標(biāo)出現(xiàn)團(tuán)聚現(xiàn)象，無法獲取準(zhǔn)確目標(biāo)個數(shù)和中心位置，出現(xiàn)漏檢測。圖 6(c)是極值點提取結(jié)果，每一個艦船目標(biāo)區(qū)域都成功檢測到局部極值點。圖6(d)是經(jīng)過k-means聚類后的檢測結(jié)果，準(zhǔn)確地分離了目標(biāo)和背景的局部極值點，引入的少部分虛警目標(biāo)可以通過后續(xù)精細(xì)分割和特征提取階段剔除。

2.5 候選區(qū)域精細(xì)分割

經(jīng)過前述步驟，獲得了目標(biāo)所在的大致中心點區(qū)域，接下來介紹一下如何獲取目標(biāo)切片。首先以極值點為中心，選取窗口大小為Nrp×Nrp的區(qū)域作為目標(biāo)整體可能存在的區(qū)域。其中Nrp=8×c*。對于每一個候選區(qū)域，提取該窗口內(nèi)像素點的顯著值，使用Otsu閾值分割獲得該窗口內(nèi)的二值圖像。典型的候選區(qū)域和分割結(jié)果如圖7所示。

圖7 候選區(qū)域分割結(jié)果Fig.7 Candidate region segmentation results

接下來使用一定的判斷準(zhǔn)則進(jìn)一步剔除較明顯的虛警。只有二值圖像提取的連通區(qū)域滿足以下條件，才認(rèn)為它是艦船目標(biāo)區(qū)域：

(1)該連通區(qū)域面積是最大的，并且要大于候選區(qū)域面積的20%，小于候選區(qū)域面積的70%。

(2)該連通區(qū)域面積和其最小凸多邊形面積比值大于0.9。

首先，每一個二值圖像只保留面積最大的目標(biāo)區(qū)域。該步驟可以剔除噪聲點和鄰近艦船區(qū)域的干擾(即每個候選窗口只負(fù)責(zé)檢測對應(yīng)的艦船目標(biāo)，和它相近的目標(biāo)由其他窗口負(fù)責(zé)檢測)。其次，連通區(qū)域面積和其最小凸多邊形面積比值反映出區(qū)域的堅固性程度。目標(biāo)區(qū)域近似呈橢圓型分布，非常堅固。虛警區(qū)域邊界特征復(fù)雜，沒有固定形狀。存在容易突起或者凹陷區(qū)域，不夠堅固。所以使用該比值來區(qū)分正負(fù)樣本。圖7中正樣本該比值為 0.99，負(fù)樣本該比值為0.87。這里設(shè)置經(jīng)驗閾值為0.9。

經(jīng)過上述步驟，保留滿足條件的連通區(qū)域作為真實目標(biāo)。然后提取該區(qū)域在原圖像對應(yīng)位置的最小外接矩形作為目標(biāo)切片，輸入到后續(xù)的特征提取和鑒別步驟。

3 目標(biāo)精細(xì)鑒別

由于候選區(qū)域艦船朝向不固定，所以在目標(biāo)鑒別階段引入基于徑向梯度變換的特征描述子[12]。首先介紹徑向梯度變換，接著介紹如何利用該變換提取旋轉(zhuǎn)不變特征向量。

圖8 徑向梯度變換解釋Fig.8 Illustration of radial gradient transform

對于圖8中的坐標(biāo)系，原點c表示候選區(qū)域中心點，p表示候選區(qū)域任意像素點，使用g表示像素點p的梯度，將其投影到徑向方向r和切向方向t，那么g可以表示為(gTr)r+(gTt)t，當(dāng)像素點p繞著原點c旋轉(zhuǎn) 時，g的方向?qū)?yīng)發(fā)生旋轉(zhuǎn)。使用Rθ表示旋轉(zhuǎn)矩陣，旋轉(zhuǎn)后的向量可以表示為:

p′=Rθp,r′=Rθr,g′=Rθg.

(9)

旋轉(zhuǎn)后的梯度g′可以使用(g′Tr′)r′+(g′Tt′)t′表示，那么可以推出：

(g′Tr′,g′Tr′)=(Rθg)TRθr,(RθgTRθt)=

(10)

從公式(10)可以得出一個結(jié)論，即旋轉(zhuǎn)前后的梯度在徑向方向和切向方向的投影值不變，也就是g和r,t之間的夾角不變：

(11)

使用θrgt重新表示像素點梯度的角度，它是旋轉(zhuǎn)不變的，梯度的幅值可以表示為：

(12)

通過引入徑向梯度變換，可以得到像素點旋轉(zhuǎn)前后梯度保持不變。Hog特征[14]首先將目標(biāo)切片分成矩形塊狀區(qū)域，然后統(tǒng)計梯度直方圖。當(dāng)切片旋轉(zhuǎn)后，不止像素點的梯度角度發(fā)生變換，像素點所屬的塊狀區(qū)域也會變化。經(jīng)過前述討論，引入徑向梯度變換保證了梯度角度不變。為了保證旋轉(zhuǎn)前后像素點所屬區(qū)域不變，將劃分方式由矩形塊狀變成圓環(huán)形區(qū)域。

具體劃分步驟如下：記L=Max(h,w)，其中h,w分別表示碎片的高和寬。劃分方式如圖9所示。

圖9 碎片劃分方式Fig.9 Illustration of dividing patch

將360°角量化成8個區(qū)間，然后分別統(tǒng)計圖9中相同顏色區(qū)域?qū)?yīng)的徑向梯度統(tǒng)計直方圖，然后按順序組成特征向量fn，其中n=72。接著使用邏輯回歸進(jìn)行二分類，判斷對應(yīng)的候選區(qū)域是真實目標(biāo)還是虛警，進(jìn)行精細(xì)判別。

4 實驗結(jié)果

為了驗證本文算法性能，收集了復(fù)雜背景下光學(xué)遙感圖像共500張，數(shù)據(jù)來源于Google Earth，共包含1 027個艦船目標(biāo)。對于每一張圖片，采用二值圖像和目標(biāo)矩形框兩種方式進(jìn)行手工標(biāo)注。實驗硬件環(huán)境為Inter core i5_2320處理器,主頻3.0 GHz，內(nèi)存3.0 GHz，Win10 專業(yè)版，實驗所用代碼均在MATLAB R2016b 軟件下運行。接下來的對比實驗驗證了本文提出算法的有效性。

4.1 顯著性模型主客觀比較

將本文提出的自適應(yīng)選擇最優(yōu)尺度顯著性模型(Gini-MSR)與 SR 模型[10]、DRFI 模型[15]、COV模型[16]進(jìn)行了主客觀比較。其中 DRFI 模型通過訓(xùn) 練隨機(jī)森林回歸器，將每個區(qū)域的特征向量直接映射到顯著性分?jǐn)?shù)。即采用監(jiān)督學(xué)習(xí)方式學(xué)習(xí)每個特征對最終顯著性的貢獻(xiàn)。COV模型利用局部信息定義顯著性，將每個矩形區(qū)域與周圍鄰近區(qū)域協(xié)方差矩陣的差異作為度量顯著性的標(biāo)準(zhǔn)。在顯著性模型對比試驗中，主觀上使用視覺顯著圖進(jìn)行評估，客觀上采用 ROC(Receiver Operating Characteristic)曲線來定量評價各算法性能。圖10從左到右依次為：測試圖像、Gini-MSR模型、SR模型、DRFI模型及COV模型對應(yīng)的顯著圖。

圖10 顯著圖主觀比較Fig.10 Subjective comparison of saliency maps

圖10中第1、2行圖像海面背景相對簡單，包含多個艦船目標(biāo)且位置鄰近。第3，4，5行圖像存在大面積島嶼，海岸等。第6，7，8行圖像存在不同程度云霧覆蓋，目標(biāo)呈現(xiàn)黑白極性等。從視覺效果看，本文 Gini-MSR 模型相比于其他顯著性模型有以下優(yōu)勢：

(1)本文顯著性模型能夠較準(zhǔn)確地檢測出鄰近艦船目標(biāo)，不會出現(xiàn)團(tuán)聚現(xiàn)象。

(2)當(dāng)存在島嶼時，本文模型在引入部分虛警的前提下依然成功凸顯艦船目標(biāo)。而其他顯著性模型更凸顯島嶼，導(dǎo)致漏檢測。

(3)算法對大面積云霧覆蓋和鄰近目標(biāo)云層抑制效果較好。

此外，SR 模型使用固定尺度檢測艦船目標(biāo)，無法適應(yīng)目標(biāo)尺寸的變化。DRFI模型是基于自然圖像數(shù)據(jù)集進(jìn)行特征提取設(shè)計和分類器訓(xùn)練得到的，所以在遙感數(shù)據(jù)上進(jìn)行實驗時，效果不佳。COV模型檢測結(jié)果較準(zhǔn)確，不過模型計算量大，耗時。

接著使用ROC曲線定量評價顯著性模型在光學(xué)遙感圖像感興趣區(qū)域提取方面的性能。曲線橫軸代表假正例率(False Positive Rate, FPR)，縱軸代表真正例率(True Positive Rate, TPR)。對于每一個閾值(0～255)，將顯著圖和人工標(biāo)注的二值圖像(目標(biāo)像素值為 1，背景為 0)進(jìn)行比較，計算該閾值對應(yīng)的TPR和FPR，然后繪制ROC曲線。模型獲得的曲線越靠近左上角，檢測性能越高。圖11是上述顯著性模型對應(yīng)的ROC曲線圖。可以看出本文模型對應(yīng)的綠色曲線最靠近左上角，從定量上分析本文算法也由于其他顯著性算法(彩圖見期刊電子版)。

圖11 ROC曲線Fig.11 ROC curves

4.2 分割算法比較

獲得顯著圖后，需要對顯著圖進(jìn)行分割獲得候選區(qū)域。圖12是本文分割算法和Otsu閾值分割比較的部分結(jié)果。對于第1幅圖像，Otsu分割結(jié)果定位不準(zhǔn)，虛警高。對于第2幅圖像，Otsu算法將鄰近船只錯分為同一目標(biāo)，無法區(qū)分艦船個數(shù)。對于第3幅圖像，Otsu算法產(chǎn)生漏檢測。而本文提出的分割算法能夠在復(fù)雜背景下有效檢測艦船目標(biāo)，很少出現(xiàn)漏檢測。圖10從主觀上說明了本文分割算法的有效性。

圖12 分割結(jié)果對比Fig.12 Comparison of segmentation results

4.3 整體算法性能比較

通過候選區(qū)域提取算法生成疑似艦船碎片后，從Google Earth 提取對應(yīng)位置的高分辨率碎片，這些碎片含有更多的目標(biāo)細(xì)節(jié)信息，方便進(jìn)行后續(xù)的徑向梯度特征提取和邏輯回歸分類。使用前300張圖像產(chǎn)生的候選區(qū)域用來訓(xùn)練，后200張圖像進(jìn)行測試。使用檢測正確率(Pd)和虛警率(Pf)對艦船檢測方法進(jìn)行評價。

(13)

(14)

其中：Nship代表圖像集中包含艦船目標(biāo)總數(shù)，Ndetection代表正確檢測目標(biāo)的個數(shù), 為虛警數(shù)。

本文算法的實驗結(jié)果如表1所示。

表1 不同檢測方法實驗結(jié)果

Tab.1 Experimental results of different detection methods

方法PdPf文獻(xiàn)[1]89%10%文獻(xiàn)[6]92%15%候選區(qū)域(Otsu)87%20%候選區(qū)域(本文)96%56%本文整體算法93%4%

從表1看出，本文提出的候選區(qū)域算法在量化指標(biāo)上高于傳統(tǒng)的閾值分割算法，檢測正確率達(dá)到96%。整體算法包括候選區(qū)域生成和目標(biāo)精細(xì)鑒別兩個步驟，取得了93%的檢測正確率和4%的虛警率，優(yōu)于其他艦船檢測算法[1,6]。

5 結(jié) 論

提出了一種適用于復(fù)雜背景的艦船檢測方法，采取由粗到細(xì)的檢測機(jī)制。首先使用 SR 算法生成多尺度顯著圖，然后使用基尼指數(shù)自適應(yīng)選擇最優(yōu)顯著圖。接著依次進(jìn)行局部極大值檢測，k-means聚類，局部閾值分割等步驟提取疑似艦船區(qū)域。然后使用基于徑向梯度的旋轉(zhuǎn)不變特征和邏輯回歸對候選區(qū)域進(jìn)行二分類，進(jìn)一步剔除虛警，確認(rèn)真實目標(biāo)。本文算法取得了93%的檢測正確率和4%的虛警率。此外，算法能夠適應(yīng)目標(biāo)尺寸和旋轉(zhuǎn)的變化。