(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211148081.0 (22)申请日 2022.09.21 (71)申请人 北京九章星图科技有限公司 地址 100085 北京市海淀区上地十街1号院 6号楼4层408-8 申请人 重庆高新区飞马创新研究院 (72)发明人 黄丹　禹霁阳　沈平生　李金洋　 罗华军　张顺利　 (74)专利代理 机构 北京慕达星云知识产权代理 事务所 (特殊普通合伙) 11465 专利代理师 符继超 (51)Int.Cl. G06T 7/136(2017.01) G06T 7/187(2017.01)G06T 7/62(2017.01) G06V 10/764(2022.01) G06V 10/774(2022.01) G06V 10/82(2022.01) G06T 5/30(2006.01) (54)发明名称 一种低分辨广域序列遥感影像船动目标实 时检测算法 (57)摘要 本发明公开了一种低分辨广域序列遥感影 像船动目标 实时检测算法， 属于光学遥感影像数 据处理技术领域。 主要包括获取低分辨广域图像 数据， 并利用形态学重构算法进行图像增强； 对 图像增强后的图像数据进行自适应阈值分割； 对 分割后的二值图像进行连通域标记， 根据连通域 标记结果， 获取一级疑似目标集合； 对一级疑似 目标集合， 进行灰度特征计算， 进行基于SV M的二 分类计算， 获取二级疑似目标集合； 根据二级疑 似目标集合中船动目标前后帧的相关性， 获取三 级疑似目标集合； 针对三级疑似目标集合， 采用 S‑Yolo算法， 进行进一步特征识别， 获取四级疑 似目标集合。 本发明通过船动目标的多级鉴别， 提高了船动目标检查的准确率。 权利要求书3页 说明书10页 附图2页 CN 115222758 A 2022.10.21 CN 115222758 A 1.一种低分辨广域序列遥感影像船动目标实时检测算法， 其特征在于， 所述算法包括 以下步骤： S1、 获取低分辨广域图像数据， 并对所述低分辨广域图像数据利用形态学重构算法进 行图像增强； S2、 对图像增强后的低分辨广域图像数据进行自适应阈值分割， 获取分割后的二值图 像； S3、 对二值图像进行 连通域标记， 根据连通 域标记结果， 获取一级疑似目标集 合； S4、 对一级疑似目标集合中的所有目标， 进行灰度特征计算， 并根据 灰度特征进行基于 SVM的二分类 计算， 获取二级疑似目标集 合； S5、 根据二级疑似目标集 合中船动目标 前后帧的相关性， 获取三级疑似目标集 合； S6、 针对三级疑似目标集合， 采用S ‑Yolo算法， 进行进一步特征识别， 获取四级疑似目 标集合， 得到最终的遥感影 像船动目标。 2.根据权利要求1所述的低分辨广域序列遥感影像船动目标实时检测算法， 其特征在 于， 步骤S1中利用形态学重构算法进行图像增强， 具体包括， 根据低分辨广域图像数据， 获取 大小为M×N的图像矩阵 I并进行迭代Top ‑Hat变换： Im+1 =(OTHβ(x， y)μ1+CTHβ(x， y)μ2） 其中， OTHβ(x， y)=( Im‑  (ImΘβ )⊕β)(x,y)； CTHβ(x， y)=((Im⊕β )Θβ‑  Im)(x,y)； 式中，β代表正方形全1结构元素， x， y分别表示图像矩阵中像素点的横纵坐标， x∈[0,  M ‑ 1]，y∈[0, N ‑ 1]，m表示当前迭代次数， m∈[0, R ‑ 1]，R代表迭代总次数， OTH和CTH 分别代表正Top ‑Hat变换和逆Top ‑Hat变换， ⊕代表膨胀操作， Θ代表腐蚀操作， μ1和μ2分别 代表正Top‑Hat变换的权 重参数和逆Top ‑Hat变换的权 重参数。 3.根据权利要求2所述的低分辨广域序列遥感影像船动目标实时检测算法， 其特征在 于， 步骤S2， 具体包括， S21、 针对图像增强后的低分辨广域图像数据， 获取目标窗口 Tb、 保护窗口 P和背景窗口 B， 其中， 所述目标窗口 Tb包括待检测目标的灰度信息； 所述保护窗口 P包括待检测目标与背 景过度之间的灰度信息， 用于保护待检测目标弥散部分不被统计到背景窗口； 所述背景窗 口涵盖海面噪声信息； S22、 根据目标窗口 Tb的均值μTb和背景窗口 B的均值μB进行阈值分割， 获取二 值图像: ,式中，TThr为二值化比较阈值。 4.根据权利要求3所述的低分辨广域序列遥感影像船动目标实时检测算法， 其特征在 于， 步骤S21中， 目标窗口 Tb检测到目标的判断依据是目标区域重构增强结果的均值信噪比 δe满足： 。 5.根据权利要求4所述的低分辨广域序列遥感影像船动目标实时检测算法， 其特征在权　利　要　求　书 1/3 页 2 CN 115222758 A 2于， 步骤S3具体包括： S31、 对二 值图像Yb(x,y)进行连通域标记得到连通 域集合 其中，G表示连通域集合中的区域个数， 表示第i个区域x坐标的序列集合， 表示第i 个区域y坐标的序列集 合； S32、 根据连通 域集合中每个连通区域的面积大小 进行筛选， 获取一级疑似目标集 合 ： 其中， φ表示空， Slow=5和Shigh=100分别表示面积阈值的下限和上限， Areai代表一级疑 似目标集 合中第i个目标区域 Ai的面积大小。 6.根据权利要求5所述的低分辨广域序列遥感影像船动目标实时检测算法， 其特征在 于， 步骤S4中对一级疑似目标集 合中的所有目标， 进行 灰度特征计算， 具体包括： S411、 对任一一级疑似目标集合中的目标 区域， 以区域质心为中心， 提取长度为52像素 的正方形切片， 进行S ‑HOG特征计算； S412： 将每个正方形切 片分割成若干大小为13*13像素Cell， 将分割的每个Cell的梯度 方向分为8个方向， 计算每 个Cell位于同一方向梯度的梯度幅值， 获取8维的Cel l特征向量； S413： 将每相邻4个Cel l的特征向量组合成一个Bl ock的特征向量； S414： 将每个Block的特征向量进行合并获取每个正方形切 片的特征向量， 并获取每个 正方形切片的特 征向量对应的特 征值 。 7.根据权利要求6所述的低分辨广域序列遥感影像船动目标实时检测算法， 其特征在 于， 步骤S4中根据灰度特 征进行基于SVM的二分类 计算， 获取二级疑似目标集 合， 具体包括： S421、 输入待训练的特征值 ， 及类别集合 vi ={0,1}， 0 代表干扰目标， 1代 表船目标； S422、 构造求 解最优化公式 ， 及约束条件： ， 式中，G'表示一级疑似目标集合中目标区域的个数， c是损失 参数，ai和aj是拉格朗日乘子， K(ui ,uj)为径向基核函数 ，γ>0， ui为每个正方形切片的特征向量中第 i个特征值， uj为每个正方形切片的特征向量中第 j个 特征值，γ为核参数； S423、 根据求 解最优化公式及约束条件， 求 解拉格朗日乘子最优解 a*， 并计算阈值 b， S424、 根据阈值 b获取最终决策函数：权　利　要　求　书 2/3 页 3 CN 115222758 A 3