MMShip:中分辨率多光谱卫星图像船舶数据集

针对现有遥感船舶数据集均为裁剪后的图像,用数据集训练的检测算法直接运用于卫星图像原始尺度时检测效果较差的问题,建立了可见光和近红外4个波段的多光谱卫星船舶数据集MMShip,数据集同时包含卫星图像的原始尺度数据和切割后的小尺度船舶数据。本数据集引入多波段信息,弥补现有数据集多为可见光图像,而可见光容易受到光照条件等影响的缺点。在全球海域内下载云量低于3的Sentinel-2卫星图像,进行大气校正后只选取10 m分辨率的红绿蓝和近红外4个波段,以景为单位筛选出包含有船舶的图像。把筛选后的图像按无重叠的方式切分为512×512,剔除其中不包含船舶目标的图像。然后,使用LabelImage软件对小尺度数据进行了水平框标注,再将标注数据反推至原始尺度得到原始尺度下的标注信息。最后,利用几种典型的检测算法在切割后的MMShip小尺度数据集上进行了可见光、近红外、多光谱对比实验。构建了一个涵盖不同场景的多光谱卫星船舶目标数据集,包含497景原始尺度标注数据和裁剪后的5 016组船舶目标图像。对比实验验证了近红外波段信息的补充有助于提高船舶目标检测算法的精度。多光谱船舶数据集MMShip可用于卫星图像尺度和普通图像尺度的多光谱船舶目标检测算法研究。

Sentinel-2卫星的多光谱轻量级船舶目标检测算法

近年来深度卷积神经网络在可见光船舶检测方面取得了显著的进展,然而,大多数相关研究是通过改进大型的网络结构来提高检测性能,因此加大了对更高计算机性能的需求。此外,可见光图像难以在云、雾、海杂波、黑夜等复杂场景检测到船舶。针对以上问题,提出了一种融合红(red,R)、绿(green,G)、蓝(blue,B)和近红外(NIR)4个波段光谱信息的由粗到精细的轻量型船舶检测算法。与现有的方法中根据光谱特性利用水体检测算法提取水体区域不同之处是该算法是利用改进的水体检测算法来提取船舶候选区域。为获取更准确的候选区域,对船舶、厚云、薄云、平静海面、杂波海面5种场景中4个波段的像素值进行了统计分析,选取近红外大于阈值作为辅助判断,并以其中心点获取候选区域32×32大小的切片,并对切片进行非极大值抑制,由此获得了船舶粗检测结果。随后构建了轻量级LSGFNet网络对船舶候选区域切片进行精细识别。构建的网络融合了1×1卷积提取的波谱特征与3×3的提取几何特征,为防止光谱特征与几何特征的信息在融合时“信息不流通”,在LSGFNet网络中引入了ShuffleNet中的通道打乱机制,并减小了模型结构,与典型的轻量级网络相比具有更好的效果且模型较小。最后,利用Sentinel-2卫星多光谱10 m分辨率数据构建了512×512大小的1120组数据进行粗检测,以及32×32大小的6014组数据进行精细网络训练,其中候选区域粗提取的查全率为98.99%,精细识别网络精确度为96.04%,不同场景下的平均精确度为92.98%。实验表明该算法在抑制云层、海浪杂波等干扰的复杂背景下具有较高的检测效率,且训练时间短、计算机性能需求低。

复杂背景下基于汉明距离约束的Hash_LBP运动目标快速检测算法

自然环境复杂多变,存在复杂天气如雨雪雾,草木摇晃和水面波动等大量动态背景并且光线不断变化,因此对噪声以及背景的抑制一直是复杂场景中运动目标检测的首要难题。为了抑制动态背景、慢速目标被吸收以及图像编码噪声等问题,在保证实时性的基础上,提出了一种基于纹理特征的自适应阈值运动目标检测算法。所提算法将感知哈希算法与局部二值模式结合,提出了一种改进的Hash_LBP算法并使用汉明距离进行约束,得到输入图像的局部二值模式值进行频次统计后,完成背景建模和前景提取。实验结果表明,所提算法对于红外和可见光等多种复杂背景,能够有效地抑制噪声、光照变化和动态背景,快速准确提取前景目标。