第２５卷第５期 光学精密工程 Ｏｐｔｉｃｓ ａｎｄ Ｐｒｅｃｉｓｉｏｎ Ｅｎｇｉｎｅｅｒｉｎｇ Ｖｏ１．２５ Ｎｏ．５ Ｍａｙ ２０１７ ２０１７年５月 文章编号１００４—９２４Ｘ（２０１７）０５—０１３００—１２ 基于视觉显著性的无监督海面舰船检测与识别 徐 芳 ，刘晶红 ，曾冬冬 ，王 宣 （１．中国科学院长春光学精密机械与物理研究所，航空光学成像与测量重点实验室，吉林长春１３００３３； ２．中国科学院大学，北京１０００４９） 摘要：在航天航空光学遥感舰船目标检测中，受大气、光照、云雾和海岛等海面不确定条件的影响，传统的舰船检测方法 存在检测效率低和可靠性差等问题，因此，本文提出一种无监督海面舰船目标自动检测方法。该方法以视觉显著性为依 据，结合多显著性检测模型快速搜索海面目标，生成显著图后对其进行粗分割，对提取的目标切片做标记并进行精细分 割，利用改进的Ｈｏｕｇｈ变换旋转目标主轴以保证目标对Ｙ轴的对称性；对可能检测到的厚重云层和岛屿等伪目标使用 梯度方向特征进行鉴别，通过判定目标在３６０。范围内８个区间的梯度幅度统计值，确认舰船目标及去除伪目标。实验结 果表明，该舰船检测方法能够成功提取海面上大小不同，位置随机分布的舰船目标，准确获取舰船目标的数量和位置信 息，在大量真实光学遥感图像上的测试结果显示，本文方法检测准确率高于９３ ，通过目标鉴别处理，剔除伪目标后，虚 警率可低于４ ，鲁棒性较强。 关 键 词：计算机视觉；舰船检测；视觉注意机制；显著性区域；梯度方向特征 中图分类号：ＴＰ３９１．４ 文献标识码：Ａ ｄｏｉ：１０．３７８８／ＯＰＥ．２０１７２５０５．１３００ Ｄｅｔｅｃｔｉｏｎ ａｎｄ ｉｄｅｎｔｉｆｉｃａｔｉｏｎ ｏｆ ｕｎｓｕｐｅｒｖｉｓｅｄ ｓｈｉｐｓ ｎｄ ｗａｒｓｈｉａｐｓ ｏｎ ｓｅａ ｓｕｒｆａｃｅ ｂａｓｅｄ ｏｎ ｖｉｓｕａｌ ｓａｌｉｅｎｃｙ ＸＵ Ｆａｎｇ ，ＬＩＵ Ｊｉｎｇ—ｈｏｎｇ ，ＺＥＮＧ Ｄｏｎｇ—ｄｏｎｇ ，ＷＡＮＧ Ｘｕａｎ （１．Ｄｅｐａｒｔｍｅｎｔ ｏｆ Ａｉｒｂｏｒｎｅ Ｏｐｔｉｃａｌ Ｉｍａｇｉｎｇ ａｎｄ Ｍｅａｓｕｒｅｍｅｎｔ． Ｃｈｉｎｅｓｅ Ａｃａｄｅｍｙ ｏｆ Ｓｃｉｅｎｃｅｓ，Ｃｈａｎｇｃｈｕｎ １ ３００３３，Ｃｈｉｎａ； ２．Ｔｈｅ Ｕｎｉｖｅｒｓｉｔｙ ｏｆ ｔｈｅ Ｃｈｉｎｅｓｅ Ａｃａｄｅｍｙ ｏｆ Ｓｃｉｅｎｃｅｓ，Ｂｅｉｊｉｎｇ １０００４９，Ｃｈｉｎａ） ＊Ｃ０ｒｒ ｓ ０ ，ｚｇ ａｕｔｈｏｒ，Ｅ ｍａｉｌ：ｌｉｕｌ５７７＠１２６．ｃｏｒｎ Ａｂｓｔｒａｃｔ：Ｉｎ ｔａｒｇｅｔ ｄｅｔｅｃｔｉｏｎ ｏｎ ａｅｒｏｓｐａｃｅ ｏｐｔｉｃａｌ ｒｅｍｏｔｅ ｓｅｎｓｉｎｇ，ｄｕｅ ｔｏ ｔｈｅ ｉｎｔｅｒｆｅｒｅｎｃｅ ｏｆ ｕｎｃｅｒｔａｉｎ ｃｏｎｄｉｔｉｏｎｓ ｏｎ ｓｅａ ｓｕｒｆａｃｅ ｓｕｃｈ ａｓ ａｔｍｏｓｐｈｅｒｅ，ｓｏｌａｒ ｒａｄｉａｔｉｏｎ，ｃｌｏｕｄ ａｎｄ ｍｉｓｔ，ｉｓｌａｎｄｓ ａｎｄ ｏｔｈｅｒｓ， ｔｒａｄｉｔｉｏｎａｌ ｓｈｉｐ ｄｅｔｅｃｔｉｏｎ ｍｅｔｈｏｄｓ ａｌｗａｙｓ ｈａｖｅ ｓｏｍｅ ｄｅｆｅｃｔｓ ｓｕｃｈ ａｓ ｌｏｗ ｄｅｔｅｃｔｉｏｎ ｅｆｆｉｃｉｅｎｃｙ，ｐｏｏｒ ｒｅｌｉａｂｉｌｉｔｙ．Ｔｈｅｒｅｆｏｒｅ，ｔｈｅ ａｕｔｈｏｒ ｐｒｏｐｏｓｅｄ ａｎ ｕｎｓｕｐｅｒｖｉｓｅｄ ｓｈｉｐ ａｕｔｏｍａｔｉｃ ｄｅｔｅｃｔｉｏｎ ｍｅｔｈｏｄＩｎ ｔｈｉｓ ．ｍｅｔｈｏｄ，ｖｉｓｕａ１ ｓａｌｉｅｎｃｙ ｗａｓ ｃｏｍｂｉｎｅｄ ｗｉｔｈ ｍｕｌｔｉ—ｓａｌｉｅｎｃｙ ｄｅｔｅｃｔｉｏｎ ｍｏｄｅｌ ｆｏｒ ｆａｓｔ ｓｅａｒｃｈｉｎｇ ｏｆ ｓｅａ－ ｓｕｒｆａｃｅ ｔａｒｇｅｔｓ；ａｆｔｅｒ ｓａｌｉｅｎｃｙ ｍａｐ ｗａｓ ｇｅｎｅｒａｔｅｄ，ａ ｒｏｕｇｈ ｓｅｇｍｅｎｔａｔｉｏｎ ｗａｓ ｃｏｎｄｕｃｔｅｄ ｏｎ ｉｔ，ｔｈｅｎ ｅｘｔｒａｃｔｅｄ ｔａｒｇｅｔ ｓｌｉｃｅ ｗａｓ ｍａｒｋｅｄ ａｎｄ ｆｉｎｅ ｓｅｇｍｅｎｔａｔｉｏｎ ｗａｓ ｉｍｐｌｅｍｅｎｔｅｄ，ｓｕｂｓｅｑｕｅｎｔｌｙ，ｉｍｐｒｏｖｅｄ Ｈｏｕｇｈ ｔｒａｎｓｆｏｒｍａｔｉｏｎ ｗａｓ ｕｓｅｄ ｔｏ ｒｏｔａｔｅ ｐｒｉｎｃｉｐａｌ ａｘｉｓ ｏｆ ｔａｒｇｅｔ ｆｏｒ ｅｎｓｕｒｉｎｇ ｔｈｅ ｓｙｍｍｅｔｒｙ ｏｆ ｔａｒｇｅｔｓ ｔｏ Ｙ ａｘｉｓ；ｔｈｅ ｃｈａｒａｃｔｅｒｉｓｔｉｃｓ ｏｆ ｇｒａｄｉｅｎｔ ｄｉｒｅｃｔｉｏｎ ｗａｓ ａｐｐｌｉｅｄ ｔｏ ｒｅｃｏｇｎｉｚｅ ｐｈｏｎｙ ｔａｒｇｅｔｓ ｓｕｃｈ ａｓ ｔｈｉｃｋ ｃｌｏｕｄｓ ｌａｙｅｒ，ｉｓｌａｎｄｓ ａｎｄ ｏｔｈｅｒｓ ｔｈａｔ ｍａｙ ｂｅ ｄｅｔｅｃｔｅｄ，ｔｈｅ ｇｒａｄｉｅｎｔ ａｎｄ ａｍｐｌｉｔｕｄｅ ｓｔａｔｉｓｔｉｃａ１ ｖａ１ｕｅ ｏｆ 收稿日期：２０１６—０８—２４；修订日期：２０１６－１０—１３． 基金项目：国家自然科学基金资助项目（Ｎｏ．６０９０２０６７）；吉林省重大科技攻关项目（Ｎｏ１１ＺＤＧＧ００１） ．第５期 徐芳，等：基于视觉显著性的无监督海面舰船检测与识别 ｔｈｏｓｅ ｔａｒｇｅｔｓ ｉｎ ８ ｉｎｔｅｒｖａｌｓ ｏｎ ａｌｌ ｄｉｒｅｃｔｉｏｎｓ ｗｅｒｅ ｊ ｕｄｇｅｄ ｔＯ ｉｄｅｎｔｉｆｙ ｔａｒｇｅｔ ｓｈｉｐｓ ａｎｄ ｗａｒｓｈｉｐｓ ａｎｄ ｅｌｉｍｉｎａｔｅ ｐｈｏｎｙ ｔａｒｇｅｔｓ．Ｔｈｅ ｅｘｐｅｒｉｍｅｎｔａｌ ｒｅｓｕｌｔ ｉｎｄｉｃａｔｅｓ ｔｈａｔ ｔｈｅ ｄｅｔｅｃｔｉｏｎ ｍｅｔｈｏｄ ｏｆ ｓｈｉｐｓ ａｎｄ ｗａｒｓｈｉｐｓ ｃａｎ ｂｅ ｕｓｅｄ ｔｏ ｓｕｃｃｅｓｓｆｕｌｌｙ ｅｘｔｒａｃｔ ｔａｒｇｅｔ ｓｈｉｐｓ ａｎｄ ｗａｒｓｈｉｐｓ ｗｈｉｃｈ ａｒｅ ｉｎ ｄｉｆｆｅｒｅｎｔ ｓｉｚｅ ａｎｄ ｒａｎｄｏｍ ｄｉｓｔｒｉｂｕｔｅｄ ｏｎ ｓｅａ ｓｕｒｆａｃａ ｆｏｒ ｏｂｔａｉｎｉｎｇ ａｃｃｕｒａｔｅ ｑｕａｎｔｉｔｙ ａｎｄ ｌｏｃａｔｉｏｎ ｉｎｆｏｒｍａｔｉｏｎ ａｂｏｕｔ ｔｈｅｍ． Ｉｎ ｔｅｓｔ ｏｎ ａ ｌａｒｇｅ ｎｕｍｂｅｒ ｏｆ ａｕｔｈｅｎｔｉｃ ｏｐｔｉｃａｌ ｒｅｍｏｔｅ ｓｅｎｓｉｎｇ ｐｉｃｔｕｒｅｓ．ｔｈｅ ｄｅｔｅｃｔｉｏｎ ａｃｃｕｒａｃｙ ｒａｔｅ ｏｆ ｐｒｏｐｏｓｅｄ ｍｅｔｈｏｄ ｉｓ ｈｉｇｈｅｒ ｔｈａｎ ９３ ，ｗｈｉｌｅ ｔｈｅ ｆａｌｓｅ ａｌａｒｍ ｒａｔｅ ｉｓ ｌｏｗｅｒ ｔｈａｎ ４ ｔｈｒｏｕｇｈ ｔａｒｇｅｔ ｉｄｅｎｔｉｆｉｃａｔｉｏｎ ａｎｄ ｔｒｅａｔｍｅｎｔ ａｎｄ ｐｈｏｎｙ ｔａｒｇｅｔ ｅｌｉｍｉｎａｔｉｏｎ，ｗｈｉｃｈ ｈａｓ ｓｔｒｏｎｇ ｒｏｂｕｓｔｎｅｓｓ． Ｋｅｙ ｗｏｒｄｓ：ｃｏｍｐｕｔｅｒ ｖｉｓｉｏｎ；ｄｅｔｅｃｔｉｏｎ ｏｎ ｓｈｉｐｓ ａｎｄ ｗａｒｓｈｉｐｓ；ｖｉｓｕａｌ ａｔｔｅｎｔｉｏｎ ｍｅｃｈａｎｉｓｍ；ｓａｌｉｅｎｃｙ ａｒｅａ；ｃｈａｒａｃｔｅｒｉｓｔｉｃｓ ｏｆ ｇｒａｄｉｅｎｔ ｄｉｒｅｃｔｉｏｎ ｂａｓｅｄ ｏｎ Ｉｎｆｏｒｍａｔｉｏｎ Ｍａｘｉｍｉｚａｔｉｏｎ）模型＿１ ；ＧＢＶＳ １ 引 言 （Ｇｒａｐｈ－Ｂａｓｅｄ Ｖｉｓｕａｌ Ｓａｌｉｅｎｃｙ）模型嘲；ＣＡ（Ｃｏｎｔｅｘｔ Ａｗａｒｅ）模型＿１ ；ＦＴ（Ｆｒｅｑｕｅｎｃｙ－Ｔｕｎｅｄ Ｓａｌｉｅｎｃｙ）模 近年来，随着对地观测技术的飞速发展，涌现 型 ；ＨＣ（Ｈｉｓｔｏｇｒａｍ ｏＣｎｔｒａｓｔ）模型＿】 等。该类模 出了大批高空间分辨率的光学遥感成像卫星，它们 型通过提取及融合图像的多种特征进行检测。遥 可获得卫星亚米级分辨率的全色影像；而无人机等 感图像中，目标相对较小，容易受海况，天气，光照 航空影像甚至可以获取近地高精度目标，航天航空 等的干扰，背景抑制能力较弱，且耗时较大。而基 遥感为海域目标检测和识别提供了极为丰富的数 于频域的显著性检测算法在计算速度和背景抑制 据源。舰船是海上监测和战时打击的重要目标，通 方面具有明显优势，Ｈｏｕ等人提出了谱残差法 过对其进行检测和识别可以监察重点海域的舰船 （Ｓｐｅｃｔｒａｌ Ｒｅｓｉｄｕａｌ，ＳＲ）＿】 ，这是首次提出基于频域 分布情况，掌握敌方作战实力，分析海上作战情报， 分析的显著性检测模型；Ｇｕｏ等人在ＳＲ的基础上 进行精确制导等；另外，还可以满足海上交通监管， 提出了四元傅里叶变换相位谱法（Ｐｈａｓｅ 反走私，海上搜救等实际工作的需要。实际应用 Ｑｕａｎｔｅｒｎｉｏｎ Ｆｏｕｒｉｅｒ Ｔｒａｎｓｆｏｒｍ，ＰＱＦＴ），可处理彩 中，由于拍摄距离远，云团、雾霾遮蔽，光照不均匀， 色图像的多通道特征，边缘检测性能较好，但目标 舰船与海面亮度及颜色对比度不高，以及海杂波、 内部连续性较差［１ ；Ｌｉ等人提出超复数频域变换 小岛等的干扰，很容易导致检测产生虚警和漏检。 （Ｈｙｐｅｒｃｏｍｐｌｅｘ Ｆｒｅｑｕｅｎｃｙ Ｄｏｍａｉｎ Ｔｒａｎｓｆｏｒｍ， 因此，如何精准、快速、稳定地检测和提取海洋背景 ＨＦＴ）理论，该方法对目标整体性的检测效果较 中的舰船目标，赢得尽可能多的反应时间与处理时 好ｎ纠 ，但对背景抑制能力不强，而且对多个距离 间，已成为当前迫切需要解决的难题。传统光学遥 相近的目标区分能力较弱；还有人提出基于图像分 感舰船检测方法大多基于灰度阈值分割＿１ ］和灰度 块的检测方法［２ ，在海杂波占据大部分区域的光 统计［４］。这类方法适用于海面纹理均匀，水体灰度 学遥感图像中，单独分块会增大虚警率；而且，当存 在厚重云层和小岛干扰时，前述方法的虚警率也会 较低且舰船与海面对比度较大的情况，但对一些复 大大提高。文献［２１］使用图像配准以及非监督分 杂情况如存在大海浪，云层遮挡，加上舰船黑白极 类等方法去除云雾，但仍不能去除厚重云层。 性等时，很容易导致虚警；还有人提出了基于分形 针对上述问题，本文提出了一种基于视觉显 模型的方法［５］，其利用自然背景和人造背景分形特 著性的无监督海面舰船检测方法。该方法包括： 征的不同进行检测，但在有云雾干扰时，背景自相 目标预筛选和舰船目标鉴别。前半部分通过结合 似性降低，分形模型拟合误差较大；最后一种是基 多显著性检测模型搜索海面舰船目标区域，可以 于机器学习的方法Ｅ６－７３，该方法识别准确性较高，但 更有效地抑制海面大面积云雾，海杂波背景干扰， 是需要预先制作模板，依赖先验知识。 增强了目标整体的连续性和目标间的可区分性， 基于视觉显著性的方法由于可以迅速找到与 提高了对较小目标的检测能力。后半部分设计了 当前场景和任务相关的信息，近些年已成为舰船 一种实用的梯度方向特征方法，对检测到的目标 检测的研究热点［８ ］。目前显著性检测方法主要 加以鉴别确认，逐一剔除厚重云层，海岛和海岸线 分为基于空间域模型的方法和基于频域模型的方 等虚假目标的干扰，保留真实舰船目标。该方法 法，空间域模型有：ＩＴＴＩ模型＿１。。；ＡＩＭ（Ａｔｔｅｎｔｉｏｎ 具有较强的目标表征能力，可适用于不同尺度的 １ ３０２ 一————————————————————————————————————光学 精密 １二程 ———————————————————————————一———————————————————第２５签 ————舰船Ｈ ｆ，Ｊ ．【｛｛料到精地实现了光 、 遥感 像ｒ｝】海 舰船ｆＩ怀的检测 ｊ以别。 忻比较．验 Ｉ ｒ本史 ‘法忡能。 ｛Ｊ！ｌＪ输入 像－ ：工个像索似氍处的【Ｊｕ Ｊ 数町表，Ｊ：为： ｆ，（．ｚ， ）＝， ｃ（．ｚ， ）“１＿Ｌ（ Ｉ（． 、，Ｙ）“ 十，） 【（ ’． ）ｔｌｌＩ， （１） 绛定性干ｉＩ定艟分 中川 川 足ｐｕ 已数的基．满足条件－ｆｆ 一 ｛！＿＿Ｉｔ。，Ⅳ。一－ ． 一 ， ２ 显著性检测及目标区域切片提取 ２。ｌ 显著性检测模型 自然』 像的频域特性具仃 度 变 ，Ｉ—ｔｏｕ “ 。二“ｊ一～１州】一－ Ｉ，ｑ 己数特ｆｉｔ！的顺序 影响 著忭 ‘算。 号虑刊离散傅 叶变换后． 小足离散ｆＪＪ）＝ｉｔ…‘变换： 像４个ｍ处 ＿ＩＪ‘能出现 』｝ 。小文埘 ｑ元数作离敞余弦变换．而 Ｑｌｆｆ．ｔＪＩ—Ｄ（、ｒ（ｑ（ ．、，））． 波，以抑制 峰部分，增 堆于此捉ｆｆ｛ｒ简单怏速的ＳＲ 法 ’，川以讣算 通道耿度图像的 性。接荇．Ｉ ｉ捉…ｒ ＨＦＴ力‘法对其进行扩腱 ，改进后的办法『ＪＪ’榆 洲彩色ｆ冬１像巾的［Ｉ标。该算法 ‘，尤使用广义渊谐 的亮度Ｉ．红绿Ｃ 和１・Ｈ｛ ｔｋ （、 色特征构建 元 （ ） 用不川的离斯核 数埘幅 嘴进行 滑滤 蓍部分，不同的幅度 数图像。『｝ｆ对 元数 像进行离散傅 变换． 嘴经平滑滤波 町构成・个谱 瞍 问。定义频 域变换后的 度谱 ．尚斯核函数（ 以及｝｝｝ 度 Ｍ 叟Ｉ１ ： ． 频域内埘幅发谱进行多尺度舟斯平滑滤波．进 而得到多Ｊ 度显著【冬１；最终选… 任显著 ｌｌｉ【］ｒ。 由ｒ 接应门Ｊ ＨＦ１、方法愉测遥感 像舰船 ｆｊ标时．埘海面背求ｆ：扰的抑制能力较弱．¨．对多 个【ｊ标测时．『１标 分性／１ 搬。 此，本义从颜 （ｔｌ ）一『ＱＬ 。’。］Ｉ， １ 。 Ｊ （６） ． （７） Ｇ（ ：七）一 Ｌ儿－ ｌｌｃ“ 。。 色．频域变换和尺瞍选择几办Ｉｔ ｒ ＨＦＴ力‘法进 改进．ｊｆ 使川改进Ｊ，『，Ｊ Ｉ ＱＦＴ 法对其进ｆ 融合 修 。 终得到『Ｉ标颅俭测结 。 ２．１．１ 改进ＨＦＴ显著性模型 Ａ（“，ｔ ； ）一（（ （・，・。；足）Ａ）（“， ）． （８） 』ｌ＝ｒＩｌ：是是 Ｊｆ 度参数，号虑到处 的实叫 和 性： 实际的实验效果．令七一】。２，３。 冉进ｆ 离敞余 反变换后可 一系列 ．输入 问离散 像 ／（ ｈ ｖ）．将Ｉ引像从Ｉ 【；Ｈ颜 色审问转换到（’ Ｉ ｌ】模式空川．求解 像 个特 通道 幅 像Ｉ：九勺均值』 ， 讣钟：Ｊ冬１像 ’ 根州熵最小准ｆＪ１０选ｆｆＩ最化 度 （．ｚ、． ）一 （Ｓ （ ，．－、１））。＝ （９） （ ． ）． 过平滑即 刮改进 的 普图： ＩＩｌｌ符像隶 符特 迎道下 ＿ｊ祭 像符特 通道 ｌＩ１： ‘是・个多尺度的离斯核 数。原始【冬１像及 （． 。 ） 】所示，Ｉ ＪＪ‘ 他Ｊ丰Ｊ原始ＨＦＴ算法褂剑 均值的 离．将原Ｉ冬１像相应他 像素 （ ．ｉｆ，，）． “（ ， ），６（ ， ）值依次减上平均 ，得： Ｉ－＜ｉ（－ ．－、’）＝＝ （ｆ （ ．－、，）——』，． ，）． “ ｛（ ．３ ） ｛使川原始ＨＦＴ算法ｆＩＩ改进 算法僻剑的 蒋 的 酱 Ｉ『Ｉ’『Ｉ ：Ｊ耍 巾． （１） （２） （３） 刚 多个像素被 划入｛Ｉ 格ｌ冬１ （“（ ｚ’． ）一 ，）． ＩｌＩ．ｆ｛＿受云Ｊ 影响较大；而他用改进厅法得到的显 像中海 杂波，云…．阴影等背景ｌ： （． ’，ｊ，）一（ （ ．＿ｖ）一厶 ， ）． 将』 作为输入 像的３个颜色特 ， 扰得以很好的｛ｒｌＪ制，感必趣Ｆ１标 到【ｎＪ显。 ●。。。。。。。。。。。。。。。。。。’。。。 。。。’●＿＿＿＿。＇。＿＿＿。＿＿●。＿＿。●。●。。●＿。。。。。。。。。。。。。。。。＿＿＿一 （Ｉ ）改进前算法的 罔 （ｂ）Ｓａｌｉｅｎｔ、Ｙ １］］ａｐｓ １）、，ｏｒｉｇｉｎａｌ ＨＦ—Ｉ ａｌｇｏｌ‘ｉｌｈｎ ｊｆｊ ｊ徐 ，等：琏ｒ视觉 性的尢 ＩＩ＜督海 脱冉什检测 ｊ ｌｊｊ （ｔ，）改进后算法的 性 （ｃ）Ｓａｌｉｅｎｃｙ ｍａｐｓ ｈｙ ｉｍｐｒ￣）、’ｅｄ ａｌｇｏ，’ｈｈ，１ １ 改进算法 始算法的结 对比 ＦＯＣｅＳＳ Ｆ（＇ＳｔＩｌ１ｓ １）ｙ ｉｍｐｒｏｖｅｄ ａｌｇｏｒｉｌｈｍ ｆＩＩ１ ２．１．２ 显著图融合修正 小义算法步骤『』Ｉ】卜：将离敞似Ｉ 】ｆ‘变换变为 离散余弦变换． 』Ｉ＝（５） 爪。 分析 １ Ｉ１Ｊ‘发现．利用改进后算法僻剑的 麓：【殳ｌ・｛，眦Ｉｊｆ｝¨标会扩大一定的像豢教． 脱舟仆ＩＩ 多个 接竹．汁钟：离敞余 变换Ｊｔ 的 瞍 的刈 数值： 离较近．！Ｊ！ＩＪ ｎ Ｊ‘能Ⅲ现ｒｊ杯混 现象．从 ／ｆ 能仃效 分『ｊ 的个数。为突…舰船｝１怀的 Ａ， ＝ｈ）ｇ（Ａ）一ｌｏｇ（Ｉ Ｑ［ ｚ， Ｊ）． 最Ｊ・一ｉ．经过Ｊ２．离敞余弦变换ｆ¨。 域 卅 （１ １） 剑 边缘 息．小义他刚改进的ＰＱＦＴ算法埘 拷 Ｓ （ ． 、，）的结 进仃修Ｊ 将ｒ。义蒯特颜色模式 著 （ ． 。为修【Ｉ 泞 （ Ｌｖ）ＩＩ】仃 ：的ｒＨＪ题． 改为 Ｉ）颜色摸 ．＾接他月＿ｊ』 ． ３个颜色特 构造ＩＪｕ 已数： ｒ，（ ．－、，）一， （ ， ，＿、，）“］＋“（ ’．ｊ，）“ ＋／）（ ．Ｙ）１ＬｌＩ． （１ ０） 将Ｓ！（＿。．、，） （． ．、，）做ＪＪＪＪ仪融俞．融合前． 先将两部分ｌ ：ｌ笨】分圳进 ｌＪ Ｉｌ・化， 刮 （ ． ） 币¨ｓ：（ ．、，）．埘一 进 融合．公』Ｉ＝ 卜： Ｓ（ ・Ｉ、Ｉ）＝＝ 【‘ （ －）＋让 。 、 （ｈ ）． （１２） … ｒ他川 发｝｝孚．ｆＪ‘以得ｊ刈小Ⅲ …Ｉ 的 ．小义选川ｆｆＪｆＩ｛ 晰的×１『数参 ｊ 蒋 汁算，这 经过多次实验发现． ｕ， ０．：｛．＂ＣＩ ｌ ｕ， Ｉ ＱＦＴ 法仪 虑十Ｉ＿１似信息小 。本义特 包含一 ， 也 力 …信息。 １ 时．既町 效 分『Ｊ标．义能使『Ｉ 保特 祭。修 胁后的效２－ ２所，Ｊ ——————————————————————————————————————————厂— ■ ｌ ｌ ｌ／ － 。 ｌ。＿！ｌ’＿＿＿＿＿＿＿＿－＿－－。ｌ＿． ／ ０ 『——・—— 势 垂 壤）原始 像 （）ｒｉｇｉｎａ１ ｉｍａｇ￣・ （１））修ｌ㈠ 嚣 Ｉ （【，）修【ｌ ｛ｌｌ｛＿麓 （Ｉ））Ｓａｌｉｅ，ＩＣｙ Ｆｎａ］） １）ｃｆｏ￣ ｃ ｍｏｄｉｆｌｏａｔｉ（）ｎ （Ｌ’）Ｓａｌｉｃ，１【 Ｙ ｌｎａｐｓ ａｆｉｔ ｒ ｎ１（）【Ｉｉｆｉ（ ２ 修ＩＥ前 的显酱性 Ｆｉｇ．２ Ｓａｌｉｅ ｘ：ｃｙ ｍ ｂｅｆｏ ｒｅⅢｕｔ ａｆｌｃ１‘ｍｏｄｉ ；ｌ１ｉｏｎ 光学聚现象减弱，目标可区分性加强。 精密工程 第２５卷 以有效分离图３（ｂ）和图３（ｄ）中波峰的分割平面 就可以提取舰船目标区域，通过比较也可以说明 本文方法可以有效检测目标。 图３（彩图见期刊电子版）是图２中两组图像 改进前后显著图的能量分布密度图，只要找到可 （ａ）斟２（ａ） 修Ｉ 前能量舒 （ａ）Ｅｎｅｒｇｙ ｄｉｓｔ ｒｉ［３ｕｆｉｏｎ ｈｅｆｎｒｅ ｍｏｄｉｆｉｃａｔｉｏｎ（）ｆ Ｆｉｇ．２（ａ）ｕｕ ｏｎｅ （｝）、圉２（ ｊ二修正后能量分都 （１１）Ｅｎｅｒｇｙ ｄｉｓｔｒｉｂｕｔｉｏｎ ａｆｔｅｒ ｍｏｄｉｆｉｃａｔｉｏｎ ｏｆ Ｆｉｇ．２（ａ）ｕｐ ｏｎｅ （ｃ）图２（ａ）下修正前能量分都 （ｃ）Ｅｎｅｒｇｙ ｄｉｓｔｒｉｂｕｔｉｏｎ ｂｅ￣ｒｅ ｍｏｄｉｆｉｃａｔｉｏｎｏｆ Ｆｉｇ．２（ａ）ｄｏｗｎ ｏｎｅ （（１） ２（ａ门 修正后能 分印 （ｄ）Ｅｎｅｒｇｙ ｄｉｓｔ ｒｉｂｕｔｉｏｎ ａｆｔｅｒ ｍｏｄｉｆｉｃａｔｉｏｎ ｏｆ Ｆｉｇ．２（ａ）ｄｏｗｎ ｏｎｅ 罔３ 著 的能鞋分布密度 Ｆｉｇ．３ Ｅｎｅｒｇｙ ｄｉｓｔｒｉｂｕｔｉｏｎ ｏｆ ｓａｌｉｅｎｃｙ ｍａｐｓ ２．２ 目标区域分割与切片提取 ３．１ 自动精细目标分割 本步骤对多个 日标切片逐一进行小区域 ＧｒａｂＣｕｔ精细分割，定义日标切片中的横坐标为 （４，ｃｏｌ一４），纵坐标为（４，ｒｏｗ ４）范Ｉ＝｛；Ｉ『人】的 域为 肓订景，其余区域为切片的背景，其叶』：ｃｏｉ和ｒｏｗ 为图像的宽和高。通过该方法得到的坐标町ｆ】动 初始化前景矩形框的位黄，因Ｕ标切片ｌｆ１仅包含 得到 著图后，根据 著图的灰度统计特性 ＿ｉｌ‘算阈值丁．之后对显著罔进行二值分割。本文 使用（）１ＳＵ方法（大津法）对显著图进行粗分割。 分离榆测剑目标与海面背景，如公式（１３）所示： ｓ ， 一 计算二值图中每个分离目标 域的最小外接 矩形．相应地，在原光学图像中标记。计算外接矩 形的质心和长宽值，提取出带有目标的切片，将每 个切片的横纵坐标在原始坐标位置上扩大１０个 像素，以保证完整性良好，且在后续精细分割时方 便自动提取日标区域的前景范闰，避免过分割等 问题。 单个目标及周围小部分附属区域，一般叮将终【卜 分割迭代次数设为两次，如果海向环境复杂，或者 目标切片较大（大于５５ ｐｉｘｅｌ×５５ ｐｉｘｅ１），则设为 三次，即可实现非交瓦式分割。耍¨果切片ｆｆｊ存 舰船。则会得到舰船目标的精细分割结果；若有岛 屿或者厚重云层．则分割目标区域呈不规则形状； 若是背景，由于大部分背景为近似均匀分布，它ｆ『Ｊ 的亮度值为零或者接近于零。故对于这些目标切 ３ 目标精细分割与鉴别 显著性检测虽然可以抑制一些薄云，海雾，阴 影。海杂波等的干扰．但仍可能检测到厚重的云 层，岛屿或海岸线等干扰物。此时需根据舰船与 十扰物的有效特征剔除非舰船目标，该步骤对降 低虚警率非常重要。但在一些文献中被较少考虑 甚至没有考虑。光学遥感图像中检测到的干扰目 标形状不规则，而舰船日标呈长条状且两条侧弦 呈对称分布，形状特征较规律．本文使用梯度方向 片可直接剔除。 ３。２规则化目标切片和梯度方向特征 精细分割后，对目标切片使用改进的Ｈｏｕｇｈ 变换进行处理，以保证目标本身关于竖商轴对称。 变换过程如图４（彩 见期刊电子版）所示，其【｝Ｉ， 在第二步二值化处理中，原始Ｈｏｕｇｈ变换的是使 用Ｏｔｓｕ方法分割输入 像．与其不 ，本文根据 实际应用情况做＿ｒ改进，将灰度化日标切片ｔｌ｝ｌ像 素值＜３０的像素设为０，其余没为ｌ，这样既＿口Ｉ以 有效去除目标周边的杂散点，又町以防止口标内 部纹理明显时，本 沿边缘的直线向１人】部倾斜．保 证后续旋转的准确性。 特征鉴别目标．鉴别前需对目标切片作精细分割， 规则化等预处理。 期 徐 芳．等：琏丁 觉 著 的无船督海面舰船检测与识别 ）（Ｃ （ Ｃ ） Ｃ ｌ １ １ （ 输入图像 （｝］）＿二ｆｉｔ化 ｙ （ｒ１）Ｈｏｕｇｈ变换 （ ）计算斜率 （ｆ）旋转埘称 【）１ｎｔ）ｔ１１ ｉｍａｇｃｓ（１））Ｉ｛ｉｎａｒｉｚ￣ｔｌｉｏｎ 边－三 （（１）ｌ１０ｔ１ｇｈ ｔ ｒａｎｓｆ（ｔｒｉｌｌ 缘 罔 Ｈｏｕｇ］１变换过 （（ ）Ｓｌｏｐｅ ｃ｛ｄｃｕｌａｌｉｏｎ（ｆ）Ｒｏｔａｔｉｏｎ ｓｙｍｍｃ ｔ ｒｙ 对规则化切片中门ｆ，．；求梯度．具体力‘ 女【 １。 将３６０。的梯度方向划分为８个ｂｉｎｓ． ５ （ａ）所爪，为更充分准确地 别ｆ１标，排除ｆＪｊ舰船 相似的伪日标，将经过对称处耻的口怀 分为３ 部分，３，．Ｂ ，，Ｂ。。盘ｆ¨割５（ｂ）Ｊ听，Ｊｊ。分’；ｌＪ｝ｆ‘算，｛，， Ｂ。．，ｊ． ８个ｂｉｎｓ ｌ：的梯发幅度统计特 ．如 ６所爪。 ６前ｌ从』行为舰船｝Ｉ标的梯度【｝ｌｆＩ｛ｆｆ（ ‘向 统ｉｔ‘ｌ笨Ｉ像．它们的 力‘ 分布很规律，第 ｉ 『殳】像 足云Ｊ 和岛屿的梯度幅值方阳统计｝冬Ｊ像．它们的 分布没仃规律。这是『人１为，舭船的两条Ｋ侧弦足 （｛１）８个办向 （ａ）Ｉｎｌ Ｌ１ ｒ、ｔ ｒ１】ｓ ｏｆ ｅｉｇｈｔ ｂｉｎｓ （１））３块区域 （Ｉ】）ｌ＇ｈ ｒｅｅ ｂｌｏｃｋｓ 对称分布的．其平行性受尺 影响较小． 小＝沿脱 船主轴 对称分 ，结果证明本文舰船『Ｉ标 别 方法 ｔＪ‘鲁棒地表 舰船目标特性。 ５ 向和ｆ 域划分晓『ＪＩｊ Ｆｉｇ．５ Ｉｌｌｕｓｌ ｒａｌｉｏ￣１ ｆｏｒ ｂｉｌ１ｓ ａｎ（｝ｂｌｏｃｋｓ 光学３．３无监督舰船目标鉴别 一精密¨＿ｌ 程 第２５卷 （５）利用Ｈｏｕｇｈ变换使目标主轴平行于嗲直 力 ｍ； 般来说，如求ｊ【＝； ，Ｂ ，Ｂ 的８方ｍ梯度幅 度满足如下条件即町严格判定其为舰船： （６）计算梯度方向特征，判断日标是否为舰 船，足则输出为舰船，不是则剔除。 （】）１ ｂｉｎ和５ ｂｉｎ的统计值应该高于其它的ｂｉｎｓ； （２）ｌ ｂｉｎ和５ ｈｉｎ应该对称分布，近似等高。但存 实际应ｊ１ｊ ｒ１】，山＿卜ｒ扰【人１素的仃 ，使得汁ｔ算出的 梯度直方 不一定严格埘称， 此小义适当放松 限定条件，引入放松『大Ｊ子：ａ 。ａ ，），．令Ｈ一｛ｈ，， —４ 实验结果与分析 为评价本文舰船Ｅ】标检测系统的性能，本文 ｌ，２，３．…．８ ．Ｈｆ一｛ｈ１，ｈ ｝．Ｈ 一｛ｈ ２，ｈ。。 ． 、．从３个方面做对比测试。实验用的６８幅光学遥 感 像数据来源于Ｇｏｏｇｌｅ Ｅａｒｔｈ，所有罔像分辨 为３００×２１（），共包含１６７个不…大小的真实舰 ｈ ．ｈ ｝，Ｈ 址Ｈ ｒ的平均 ．Ｈ 足Ｈ ．的 ／４—— 平均仇，令 满址卜 的条什：（１ ｎ１ ｃ ≮ ㈩ ≮ａ ； 大 船ＩｌＩ标。硬件运行平台为Ｉｎｔｅｌ ３．３０（；Ｈｚ（２１ Ｕ 十１．Ｏ０ ＧＢ内存，软件运行平台为Ｍａｔｌａｂ ２０１（）ａ。 ４．Ｉ 显著・陛检测方法的性能测试 本部分从主客观两方面对算法进行验证。ｊ三 ｙ。通删像ｒｆ１的舰船ＬＩ标进行测试，收：ａ 一０．６．ａ！一 ０．７，），一０，６５．｛ＨＪ果日标Ｂ ．Ｂ。ｆ； 的梯度幅值统 汁ｔ 时满足 述３个条件．即町划定为舭｛ｊ｛｝。 观Ｉ ．“接对比不同方法汁算得到的显著性 。 ７列出了部分 著性检测结果，海 背景从左 综上所述，水文算法的褴体流 如下： （１）输入 像和十¨心参数，融合多显著性检测 法汁饽得剑凸显｜ｊ怀区域的 著【冬１； （２）埘 营图使 ｌｊ人津法进行自适Ｊ、 分剖； （３）提取多个日标切片； 至 分别为：第一组海 有阴影遮蔽．第二绀海 柑 雾ｆ扰，第三组海面杂波明显，第四组为黑极 性舰船，与海面颜色对比度差异很小．打小均匀的 海罅．Ｉ１舰船大小和长度不Ｈ。第五组仔在海岛。 比较小义 著性榆测力’法 ｊ空问域和频域 著 力‘法的效果。 （１）埘单｝Ｉ标切片实ｉ 自动ＧｒａｂＣｕｌ精细 分制； （ａ） 始 像 （ａ）（）ｒｉｇｉｎａ１ ｉｍａｇ（、ｓ （ｂ）今文 法 （Ｉ］）Ｉ ｒ（）Ｉ）（） ｃ（１ ｎ１ １ｈ（）（ （Ｃ）¨一１、１ （ｃ）ｌＴＴｌ 徐 芳。等：基于视觉显著性的无临督海面舰船检测 别 ３Ｏ７ （ｊ）ｔ＇ＱＦ Ｆ （ｊ）ＰＱＦ ’Ｉ ’图７ 显著性检测对比冈 光学精密工程 第２５毪 从图７口Ｊ 见， 问域显著性检测方法对海面 云雾，阴影，海面污染等的背景抑制能力较弱，而 频域显著性检测方法对背景的抑制作用则更有 效。本文提出的算法可有效抑制海杂波．海面云 雾遮挡，而且对不同大小、不同颜色、单个或多个 舰船都可以得到很好的榆测效果。虽然ＳＲ和 ＰＱＦＴ方法也可以较好地抑制背景干扰，但可以 看到在每组显著图（图７（ｉ）、７（ｊ））中二者的舰船 目标区域均存在明显的间断或检测不完整的现 象，而且舰船目标越大，间断越严重。本文方法得 到的检测结果则较均匀，而且本文方法 著性区 域会较原有舰船大小放大一定的范围，比ＳＲ和 ＰＱＦＴ方法检测出的舰船完整性更好。最后一组 图像，海岛也被检测出来了，这需要后续进行目标 鉴别，剔除非舰船目标，降低虚警率。 建立实验用光学遥感图像基准（；ｒｏｕｎｄ Ｔｒｕｔｈ图像库，人一Ｊ 标洼出准确的舰船位置区域 ，二值化图像，用Ａ表示，显著 中粗分割检测到 的目标区域的二值化图像，用Ｂ表示，用查全率 （Ｒｅｃａｌ１）和查准率（Ｐｒｅｃｉｓｉｏｎ）来度量算法性能，它 们的计算公式如下： Ａ（ ｖ）Ｂ（ｎ ｖ） 腑 ＝＝＝ 一 ， （１５） Ａ（ｒ，ｖ）Ｂ（ ，ｖ） Ｐｒｅｃｉｓｉｏｎ一 一箜 ， （１６） 得到多幅图像的Ｒｅｃａｌｌ和Ｐｒｅｃｉｓｉｏｎ值。二 者的综合评价指标Ｆ—Ｍｅａｓｕｒｅ定义为： ＦＭｅａｓｕｒｅ一 ． 本文方法，ＰＱＦ Ｉ、和ＨＦＴ的检测结果如图８ （彩图见期刊电子版）所示。 在图８中，因ＨＦＴ的检测目标区域较大，所 以Ｐｒｅｃｉｓｉｏｎ不高，另外，如果图像中目标大小相 差较大，小目标很可能被淹没，影响其Ｒｅｃａｌｌ值； 而ＰＱＦＴ的Ｐｒｅｃｉｓｉｏｎ较高，但在检测较大目标 时，检测区域町能会出现间断，导致其Ｒｅｃａｌｌ值 市Ｈ对较低，而本文显著性榆测方法综合ｒ二者的 优点，检测时将目标 域进行了一定程度的放大， 这虽然会使Ｐｒｅｃｉｓｉｏｎ柏对降低，但完整检测舰船 的能力增强，便于后续处理。 （ａ）Ｐｒｅｃｉｓｉｏｎ—Ｒｅｃａｌｌ曲线 （ａ）Ｐｒｅｃｉｓｉｏｎ Ｒｅｃａｌｌ ＣＵ ｒｖｅｓ ０ ０ ０ ０ ０ ０ ０ ０ ８ ７ ６ ５ ４ ３ ２ Ｏ （ｂ）Ｆ—Ｍｅａｓｕｒｅ枉状 （ｂ）Ｈｉｓｔｏｇｒａｍ ｏｆ Ｆ—Ｍｅａｓｕｒｅ ８ 不同方法的屁麓。 。检测结果对比 Ｆｉｇ．８ Ｓａｌｉｅｎｃｙ ｄｅｔｅｃｔｉｏｎ ＣＯｌ＇Ｉｔ ｒａｓｔ ｏｆ ｄｉｆｆｅｒｅｎｔ ｍｅｌｈｏｄｓ ４．２ 目标鉴别后的检测性能测试 鉴别日标后，使用检测正确率和虚警率对本 文舰船曰标测算法进行定最评价： 检测正确率： （１ｒ一 ． （１８） 虚警率： 一 ， （１（ｊ） 式中：～，是图像中正确日标的总个数，Ｎｔｔ是正确 检测的日标个数，Ｎ 为虚警个数。为客观评价 本义方法的有效性，将其与两种尢 督舰船榆测 法（文献［３］和文献［４］）的检测结 进行对比。为 评价本文｝＝Ｉ标鉴别方法的有效 ．比较直接使川小 文显著性检测方法不带日标签别干¨带ｒ］标 ）；『Ｊ两 Ｏ９ １３ｌＯ 、 葛 Ｏ Ｏ Ｏ Ｏ Ｏ ０ Ｏ ０ Ｏ 光学精密工程 第２５卷 增大而减小。 为细节判别约束，对检测结果的 将以上参数设置为ｄ 一０．６，ｄ 一０．７，ｒ一０．６５，此 时可以较好地平衡Ｃｒ和Ｆａｒ两个指标。 敏感性较差，与参数 相互影响。根据实验经验 Ｐａｒａｍｅｔｅｒ ｖａｌｕｅ （ａ） Ｐａｒａｍｅｔｅｒ ｖａｌｕｅ （ｂ） Ｐａｒａｍｅｔｅｒ ｖａｌｕｅ （ｃ） 图１Ｏ不同参数下的检测性能 Ｆｉｇ．１０ Ｄｅｔｅｃｔｉｏｎ ｐｅｒｆｏｒｍａｎｃｅｓ ｏｎ ｄｉｆｆｅｒｅｎｔ ｐａｒａｍｅｔｅｒｓ 的梯度方向特征法用以表征目标的结构分布信 ５ 结 论 为准确高效地检测和提取复杂海面背景下不 同大小的舰船目标，本文提出一种结合多显著性 模型的检测方法搜索海面目标区域，相较于当前 Ｏ Ｏ ０ Ｏ Ｏ Ｏ Ｏ Ｏ Ｏ Ｏ Ｏ 息，对检测到的目标进行鉴别，去除伪目标后，可 将虚警率降为３．７０４ ；另外，本文方法对单幅图 像的平均检测时间为１．６９３ ｓ，处理大小为５５× ９２时的目标切片约需０．７３４ ｓ，经优化可实现大 范围海域舰船目标的快速定位和数量确定。下一 步可将该方法与无人机或卫星平台姿态数据相结 典型显著性检测方法，本文方法能获得令人满意 的检测结果，在多幅光学遥感图像上的检测正确 率为９４．０１２ ，虚警率为９．２４９ ；对于可能出现 的厚重云层和岛屿等干扰，本文设计了一种实用 合，计算出各个舰船的位置、航向等情报信息，该 方法为舰船目标的分类识别打下了基础。 ｏｐｔｉｃａｌ ｓａｔｅｌｌｉｔｅ ｉｍａｇｅｓ ｂａｓｅｄ ｏｎ ｓｅａ ｓｕｒｆａｃｅ ａｎａｌｙｓｉｓ 参考文献： ［１］ ＧＵＯ Ｗ Ｙ，ＸＩＡ Ｘ ＺＨ，ＷＡＮＧ Ｘ Ｆ．Ａ ｒｅｍｏｔｅ ｓｅｎｓｉｎｇ ｓｈｉｐ ｒｅｃｏｇｎｉｔｉｏｎ ｍｅｔｈｏｄ ｂａｓｅｄ ｏｎ ｄｙｎａｍｉｃ ｆＪ］．ＩＥＥＥ Ｇｅｏｓｃｉｅｎｃｅ ａｎｄ Ｒｅｍｏｔｅ Ｓｅｎｓｉｎｇ Ｌｅｔｔｅｒｓ， ２Ｏ１４，１１（３）：６４１－６４５． ［５］ 苏丽，庞迪．全景海域图像中的圆形海天线提取 ［Ｊ］．光学精密工程，２０１５，２３（１１）：３２７９—３２８８． ＳＵ Ｌ．ＰＡＮＧ Ｄ．Ｃｉｒｃｌｅ ｓｅａ－ｓｋｙ－ｌｉｎｅ ｅｘｔｒａｃｔｉｏｎ ｉｎ ｐｒｏｂａｂｉｌｉｔｙ ｇｅｎｅｒａｔｉｖｅ ｍｏｄｅｌ ＥＪ－１．Ｅｘｐｅｒｔ Ｓｙｓｔｅｍｓ ｗｉｔｈ Ａｐｐｌｉｃａｔｉｏｎｓ，２０１４，４１（１４）：６４４６—６４５８． Ｅ２－１ ，陈永光，杨锁昌，等．采用图像块对比特性的 红外弱小目标检测［Ｊ］．光学精密工程，２０１５，２３ （５）：１４２４—１４３３． ＷＡＮＧ Ｇ，ＣＨＥＮ Ｙ Ｇ，ＹＡＮＧ Ｓ ＣＨ，ｅｔ ａ１．．Ｄｅ— ｐａｎｏｒａｍｉｃ ｉｍａｇｅｓ ＥＪ］．Ｏｐｔ．Ｐｒｅｃｉｓｉｏｎ Ｅｎｇ．，２０１５， ２３（１１）：３２７９—３２８８．（ｉｎ Ｃｈｉｎｅｓｅ） ［６］ ＴＡＮＧ Ｊ Ｘ，ＤＥＮＧ Ｃ Ｗ，ＨＵＡＮＧ Ｇ Ｂ，ｅｔ ａ１．．Ｃｏｍｐｒｅｓｓｅｄ－ｄｏｍａｉｎ ｓｈｉｐ ｄｅｔｅｃｔｉｏｎ ｏｎ ｓｐａｃｅｂｏｒｎｅ ｏｐｔｉｃａｌ ｉｍａｇｅ ｕｓｉｎｇ ｄｅｅｐ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ ａｎｄ ｅｘ— ｔｅｃｔｉｏｎ ｏｆ ｉｎｆｒａｒｅｄ ｄｉｍ ｓｍａｌｌ ｔａｒｇｅｔ ｂａｓｅｄ ｏｎ ｉｍａｇｅ ｔｒｅｍｅ ｌｅａｒｎｉｎｇ ｍａｃｈｉｎｅ［Ｊ］．ＩＥＥＥ Ｔｒａｎｓａｃｔｉｏｎｓ ｏｎ Ｇｅｏｓｃｉｅｎｃｅ ａｎｄ Ｒｅｍｏｔｅ Ｓｅｎｓｉｎｇ，２Ｏ１５，５３（３）：１１７４— １１８５． ｐａｔｃｈ ｃｏｎｔｒａｓｔ［Ｊ］．Ｏｐｔ．Ｐｒｅｃｉｓｉｏｎ Ｅｎｇ．，２０１５，２３ （５）：１４２４—１４３３．（ｉｎ Ｃｈｉｎｅｓｅ） Ｅ３３ ＣＯＲＢＡＮＥ Ｃ，ＮＡＩＭＡＮ Ｌ，ＰＥＣＯＵＬ Ｅ，ｅｔ ａ１．．Ａ ｃｏｍｐｌｅｔｅ ｐｒｏｃｅｓｓｉｎｇ ｃｈａｉｎ ｆｏｒ ｓｈｉｐ ｄｅｔｅｃｔｉｏｎ ｕｓｉｎｇ ［７］ 王丽，魏巍，昊林刚，等．ＳＡＲ图像目标识别新方 法［Ｊ］．液晶与显示，２０１４，２９（３）：４２９—４３４． ＷＡＮＧ Ｌ，ＷＥＩ Ｗ，ＷＵ Ｌ Ｇ，ｅｔ ａ１．．Ｎｏｖｅｌ ｔａｒｇｅｔ ｏｐｔｉｃａｌ ｓａｔｅｌｌｉｔｅ ｉｍａｇｅｒｙ［Ｊ］．Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｊｏｕｒｎａｌ ｏｆ Ｒｅｍｏｔｅ Ｓｅｎｓｉｎｇ，２０１０，３１（２２）：５８３７—５８５４． ｒｅｃｏｇｎｉｔｉｏｎ ｍｅｔｈｏｄ ｆｏｒ ＳＡＲ ｉｍａｇｅｓ［Ｊ］．Ｃｈｉｎｅｓｅ Ｊｏｕｒｎａｌ ｏｆ Ｌｉｑｕｉｄ Ｃｒｙｓｔａｌｓ ａｎｄ Ｄｉｓｐｌａｙｓ，２０ １ ４， Ｅ４］ＹＡＮＧ Ｇ，ＬＩ Ｂ，ＪＩ Ｓ Ｆ，ｅｔ ａ１．．Ｓｈｉｐ ｄｅｔｅｃｔｉｏｎ ｆｒｏｍ 第５期 徐芳，等：基于视觉显著性的无监督海面舰船检测与识别 １３１１ ２９（３）：４２９－４３４．（ｉｎ Ｃｈｉｎｅｓｅ） ［１７］ＧＵＯ Ｃ Ｌ，ＭＡ Ｑ，ＺＨＡＮＧ Ｌ Ｍ．Ｓｐａｔｉｏ—ｔｅｍｐｏｒａｌ ｓａｌｉｅｎｃｙ ｄｅｔｅｃｔｉｏｎ ｕｓｉｎｇ ｐｈａｓｅ ｓｐｅｃｔｒｕｍ ｏｆ ｑｕａｔｅｒ— ［８］ＱＩ Ｓ ｘ，ＭＡ Ｊ，ＬＩＮ Ｊ，ｅｔ ａ１．．Ｕｎｓｕｐｅｒｖｉｓｅｄ ｓｈｉｐ ｄｅ— ｔｅｃｔｉｏｎ ｂａｓｅｄ ｏｎ ｓａｌｉｅｎｃｙ ａｎｄ Ｓ－Ｈ０Ｇ ｄｅｓｃｒｉｐｔｏｒ ｆｒｏｍ ｎｉｏｎ Ｆｏｕｒｉｅｒ ｔｒａｎｓｆｏｒｍ［ｃ］．ＩＥＥＥ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ｃｏｒｎｐｕｔｅｒ Ｖｉｓｉｏｎ ａｎｄ Ｐａｔｔｅｒｎ Ｒｅｃｏｇｎｉｔｉｏｎ，Ｍｉｎ— ｎｅａｐｏｌｉｓ，２００８：１－８． ｏｐｔｉｃａｌ ｓａｔｅｌｌｉｔｅ ｉｍａｇｅｓ［Ｊ］．脚Ｇｅｏｓｃｉｅｎｃｅ ａｎｄ ｒｅ— ｍｏｔｅ Ｓｅｎｓｉｎｇ Ｌｅｔｔｅｒｓ，２０１５，１２（７）：１４５１—１４５５． ［９］ＺＨＡＮＧ Ｙ Ｇ，ＺＨＡＮＧ Ｌ Ｂ，Ｙｕ Ｘ Ｃ．Ｒｅｇｉｏｎ ｏｆ ｉｎｔｅｒｅｓｔ ｅｘｔｒａｃｔｉｏｎ ｂａｓｅｄ ｏｎ ｍｕｈｉｓｃａｌｅ ｖｉｓｕａｌ ｓａｌｉ— ［１８］杜慧，张涛，张叶，等．基于空频域结合的显著目 标检测［Ｊ］．液晶与显示，２０１６，３１（９）：９１３—９２０． ＤＵ Ｈ，ＺＨＡＮＧ Ｔ，ＺＨＡＮＧ Ｙ，ｅｔ ａ１．．Ｓａｌｉｅｎｃｙ ｄｅｔｅｃｔｉｏｎ ｂａｓｅｄ ｏｎ ｆｒｅｑｕｅｎｃｙ ｄｏｍａｉｎ ｃｏｍｂｉｎｅｄ ｅｎｃｙ ａｎａｌｙｓｉｓ ｆｏｒ ｒｅｍｏｔｅ ｓｅｎｓｉｎｇ ｉｍａｇｅｓ［Ｊ］．Ｊｏｕｒ— ｎａｌ ｏｆ Ａｐｐｌｉｅｄ Ｒｅｍｏｔｅ Ｓｅｎｓｉｎｇ，２０１５，９，０９５０５０— １－０９５０５０一ｌ５． ［１Ｏ］ ＩＴＴＩ Ｌ，ＫＯＣＨ ｃ，ＮＩＥＢｕＲ Ｅ．Ａ ｍｏｄｅｌ ｏｆ ｓａｌｉ— ｅｎｃｙ－ｂａｓｅｄ ｖｉｓｕａ１ ａｔｔｅｎｔｉｏｎ ｆｏｒ ｒａｐｉｄ ｓｃｅｎｅ ａｎａｌｙｓｉｓ ［Ｊ］．ＩＥＥＥ Ｔｒａｎｓａｃｔｉｏｎｓ ｏｎ Ｐａｔｔｅｒｎ Ａｎａｌｙｓｉｓ ａｎｄ Ｍａｃｈｉｎｅ Ｉｎｔｅｌｌｉｇｅｎｃｅ，１９９８，２Ｏ（１１）：１２５４－１２５９． ［１１］ＢＲＵＣＥＮＤＢ，ＴＳＯＴ￣）Ｓ Ｊ Ｋ．Ｓａｌｉｅｎｃｙ ｂａｓｅｄ ｏｎｉｎ— ｆｏｒｍａｔｉｏｎ ｍａｘｉｍｉｚａｔｉｏｎ［Ｊ］．Ａｄｖａｎｃｅｓ ｉｎ Ｎｅｕｒａｌ Ｉｎｆｏｒ— ｍａｒｉｏｎ Ｐｒｏｃｅｓｓｉｎｇ Ｓｙｓｔｅｍｓ，２００６，１８（５）：１５５—１６２． ［１２］ＨＡＲＥＬ Ｊ，Ｋ０ＣＨ Ｃ，ＰＥＲ０ＮＡ Ｐ．Ｇｒａｐｈ—ｂａｓｅｄ ｖｉｓｕａｌ ｓａｌｉｅｎｃｙ［Ｊ］．Ａｄｖａｎｃｅｓ ｉｎ Ｎｅｕｒａｌ Ｉｎ：ｆｏｒｍａ— ｔｉｏｎ Ｐｒｏｃｅｓｓｉｎｇ Ｓｙｓｔｅｍｓ，２００６，１９：５４５—５５２． ［１３］ ＳＴＡＳ Ｇ，ＬＩＨＩ Ｚ Ｍ，ＡＹＥＬＬＥＴ Ｔ．Ｃｏｎｔｅｘｔ－ａ— ｗａｒｅ ｓａｌｉｅｎｃｙ ｄｅｔｅｃｔｉｏｎ［Ｊ］．ＩＥＥＥ Ｔｒａｎｓａｃｔｉｏｎｓ ｏｎ Ｐａｔｔｅｒｎ Ａｎａｌｙｓｉｓ ａｎｄ Ｍａｃｈｉｎｅ Ｉｎｔｅｌｌｉｇｅｎｃｅ， ２０１２，３４（１０）：１９１５—１９２６． ［１４］ ＡＣＨＡＮＴＡ Ｒ，ＨＥＭＡＭＩ Ｓ，ＥＳＴＲＡＤＡ Ｆ，ｅｔ ａ１．． Ｆｒｅｑｕｅｎｃｙ－ｔｕｎｅｄ ｓａｌｉｅｎｔ ｒｅｇｉｏｎ ｄｅｔｅｃｔｉｏｎ ［ｃ］．ＩＥＥＥ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ｃｏｍｐｕｔｅｒ Ｖｉｓｉｏｎ ａｎｄ Ｐａｔｔｅｒｎ Ｒｅｃｏｇｎｉｔｉｏｎ，２００９：１５９７－１６０４． ［１５］ ＣＨＥＮＧ Ｍ Ｍ，ＺＨＡＮＧ Ｇ Ｘ，ＭＩＴＲＡ Ｎ Ｊ，ｅｔ ａ１．．Ｇｌｏｂａｌ ｃｏｎｔｒａｓｔ ｂａｓｅｄ ｓａｌｉｅｎｔ ｒｅｇｉｏｎ ｄｅｔｅｃｔｉｏｎ ［Ｊ］．珏－ＥＥ Ｔｒａｎｓａｃｔｉｏｎｓ ｏｎ Ｐａｔｔｅｒｎ Ａｎａｌｙｓｉｓ ａｎｄ Ｍａｃｈｉｎｅ Ｉｎｔｅｌｌｉｇｅｎｃｅ，２０１１，３７（３）：４０９—４１６． ［１６］ Ｈ０Ｕ ｘ Ｄ，ＺＨＡＮＧ Ｌ．Ｓａｌｉｅｎｃｙ ｄｅｔｅｃｔｉｏｎ：ａ ｓｐｅｃｔｒａｌ ｒｅｓｉｄｕａｌ ａｐｐｒｏａｃｈ［ｃ］．ＩＥＥＥ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ｃｏｍｐｕｔｅｒ Ｖｉｓｉｏｎ ａｎｄ Ｐａｔｔｅｒｎ Ｒｅｃｏｇｎｉｔｉｏｎ， Ｍｉｎｎｅａｐｏｌｉｓ，２００７：１－８． 作者简介 徐芳（１９８７一），女，山东日照人，博士 研究生，２０１１年于吉林大学获得学士学 位，２０１４年于中国科学院长春光学精密 机械与物理研究所获得硕士学位，主要 从事航空航天成像目标检测与识别等 方面的研究。Ｅ－ｍａｉｌ：ｘｕｆａｎｇ５９＠１２６． ｗｉｔｈ ｓｐａｔｉａｌ ｄｏｍａｉｎ［Ｊ］．Ｃｈｉｎｅｓｅ Ｊｏｕｒｎａｌ ｏｆ Ｌｉｑ— ｕｉｄ Ｃｒｙｓｔａｌｓ ａｎｄ Ｄｉｓｐｌａｙｓ，２０１６，３１（９）：９１３— ９２０．（ｉｎ Ｃｈｉｎｅｓｅ） ［１９］ＬＩ Ｊ，ＬＥＶＩＮＥ Ｍ Ｄ，ＡＮ Ｘ Ｊ，ｅｔ ａ１．．Ｖｉｓｕａｌ ｓａｌｉ— ｅｎｃｙ ｂａｓｅｄ ｏｎ ｓｃａｌｅ－ｓｐａｃｅ ａｎａｌｙｓｉｓ ｉｎ ｔｈｅ ｆｒｅｑｕｅｎｃｙ ｄｏｍａｉｎ［Ｊ］．ＩＥＥＥ Ｔｒａｎｓａｃｔｉｏｎｓ ｏｎ Ｐａｔｔｅｒｎ Ａｎａｌ— ｙｓｉｓ ａｎｄ Ｍａｃｈｉｎｅ Ｉｎｔｅｌｌｉｇｅｎｃｅ，２０１２，３５（４）： ９９６—１Ｏ１Ｏ． ［２ｏ］张颖颖，张帅，张萍，等．融合对比度和分布性的 图像显著性区域检测［Ｊ］．光学精密工程，２０１４， ２２（４）：１０１２－１０１９． ＺＨＡＮＧ Ｙ Ｙ，ＺＨＡＮＧ ＳＨ，ＺＨＡＮＧ Ｐ，ｅｔ ａ１．． Ｄｅｔｅｃｔｉｏｎ ｏｆ ｓａｌｉｅｎｔ ｍａｐｓ ｂｙ ｆｕｓｉｏｎ ｏｆ ｃｏｎｔｒａｓｔ ａｎｄ ｄｉｓｔｒｉｂｕｔｉｏｎ［Ｊ］．Ｏｐｔ．Ｐｒｅｃｉｓｉｏｎ Ｅｎｇ．，２０１４，２２ （４）：１０１２—１０１９．（ｉｎ Ｃｈｉｎｅｓｅ） ［２１］李炳燮，马张宝，齐清文，等．Ｌａｎｄｓａｔ ＴＭ遥感 影像中厚云和阴影去除［Ｊ］．遥感学报，２０１０，１４ （３）：５３４—５４５． ＬＩ Ｂ Ｘ，ＭＡ ＺＨ Ｂ，ＱＩ Ｑ Ｗ， 口Ｚ．．Ｃｌｏｕｄ ａｎｄ ｓｈａｄｏｗ ｒｅｍｏｖａｌ ｆｒｏｍ Ｌａｎｄｓａｔ ＴＭ ｄａｔａ［Ｊ］．Ｊｏｕｒ— ｎａｌ ｏｆ Ｒｅｍｏｔｅ Ｓｅｎｓｉｎｇ，２０１０，１４（３）：５３４—５４５． （ｉｎ Ｃｈｉｎｅｓｅ） ［２２］ＰＲＯＩＡ Ｎ，ＰＡＧＩ￣Ｖ．Ｃｈａｒａｃｔｅｒｉｚａｔｉｏｎ ｏｆ ａ Ｂａｙｅｓ— ｉａｎ ｓｈｉｐ ｄｅｔｅｃｔｉｏｎ ｍｅｔｈｏｄ ｉｎ ｏｐｔｉｃａｌ ｓａｔｅｌｌｉｔｅ ｉｍａｇｅｓ ［Ｊ］．ＩＥＥＥ Ｇｅｏｓｃｉｅｎｃｅ ａｎｄ Ｒｅｍｏｔｅ Ｓｅｎｓｉｎｇ Ｌｅｔ— ｔｅｒｓ，２０１０，７（２）：２２６—２３０． 导师简介 刘晶红（１９６７一），女，吉林长春人，研究 员，博士生导师，１９９０年于长春理工大 学获得学士学位，２００５年于中国科学 院长春光学精密机械与物理研究所获 得硕士学位，主要从事机载光电成像测 量设备方面的研究。Ｅ—ｍａｉｌ：ｌｉｕ１５７７ ＠１２６．ｃｏｒｎ
