張紹明，桂坡坡，劉偉杰，王國鋒

（1.同濟(jì)大學(xué) 測繪與地理信息學(xué)院，上海 200092；2.上海市城市建設(shè)設(shè)計研究總院，上海 200125；3.中國公路工程咨詢集團(tuán)有限公司，北京 100097）

隨著遙感技術(shù)的進(jìn)步，遙感影像分辨率的不斷提高，遙感在各行各業(yè)都將有著廣闊的應(yīng)用前景.在海事和航運管理中，遙感與船舶自動識別系統(tǒng)（automatic identification system，AIS）、地理信息系統(tǒng)（geographic information system，GIS）的結(jié)合日益緊密，在航道水域生成高精度正射影像與AIS和GIS結(jié)合用于數(shù)據(jù)分析.航標(biāo)是引導(dǎo)船舶航行、定位和標(biāo)示礙航物與表示警告的人工標(biāo)志，其在航運管理中具有重要意義，基于高分辨率影像的航標(biāo)提取具有很高的應(yīng)用價值.航標(biāo)按其位置可分為海區(qū)航標(biāo)和內(nèi)河航標(biāo)，本文主要以內(nèi)河航標(biāo)中浮動航標(biāo)為例進(jìn)行提取，包括系船浮筒、通航浮標(biāo)等.由于遙感衛(wèi)星對地面點數(shù)日或數(shù)十日即可完成回訪，因此同一區(qū)域擁有大量不同時段的遙感影像，通過不同時段遙感影像的航標(biāo)提取，可以得到航標(biāo)的位置變化以及由航標(biāo)推算出的航道的變更情況，為航標(biāo)航道的數(shù)字化提供數(shù)據(jù)支持.

基于遙感影像的航標(biāo)提取工作通?？煞譃閮蓚€階段：①水陸分割或水體提??；②水域中的航標(biāo)提取.

高分辨率影像的水陸分割實質(zhì)是水邊界的提取，目前國內(nèi)外已有部分相關(guān)研究，如文獻(xiàn)［1］利用小波技術(shù)對圖像進(jìn)行膨脹和去噪處理，最后利用水體信息的地學(xué)特征，對圖像進(jìn)行聯(lián)合特征去噪，獲取最終的水體影像信息；文獻(xiàn)［2］采用數(shù)學(xué)形態(tài)學(xué)的方法對遙感影像上的水體進(jìn)行了提??；文獻(xiàn)［3］根據(jù)水域邊界信息實現(xiàn)了水域的自動提取.但是這些提取方法直接破壞或忽視了水域內(nèi)小目標(biāo)信息，不能作為本文航標(biāo)提取的水域提取方法.文獻(xiàn)［4］中論述了在只有一種感興趣類別的情況下，單類支持向量機(jī)能以少量樣本高效地進(jìn)行分類，并且對小目標(biāo)信息不具有破壞性.本文為保留水域內(nèi)小目標(biāo)信息采用了單類支持向量機(jī)的方法，分割水域的同時也區(qū)分離出了水域內(nèi)的小目標(biāo).

在水面小目標(biāo)檢測方面，目前的研究主要集中于船只的提取和識別，針對航標(biāo)的提取研究較少.目前基于合成孔徑雷達(dá)（synthetic aperture radar，SAR）圖像的艦船檢測已提出了許多檢測算法［5－7］，但是由于SAR影像幅度信息受噪聲的影響，加之SAR影像特有的幾何畸變（疊掩、透視收縮、多路徑虛假目標(biāo)等）特征等因素，SAR影像還難以實現(xiàn)航標(biāo)級小目標(biāo)的提?。浑S著高分辨率遙感衛(wèi)星的不斷發(fā)射，基于高分辨率影像的信息提取與目標(biāo)識別已成為研究的熱點，文獻(xiàn)［8］采用基于輪廓的空間模型進(jìn)行地理目標(biāo)的提??；文獻(xiàn)［9］根據(jù)空間相關(guān)性在水域分割的基礎(chǔ)上通過選取種子再進(jìn)行生長的方式檢測艦船，但是由于航標(biāo)較小，輪廓難以定位且空間相關(guān)性不強(qiáng)，因此文獻(xiàn)［8-9］提到的方法不能用于航標(biāo)等較小目標(biāo)的提??；文獻(xiàn)［10］利用艦船與水體的灰度差異再結(jié)合船體的形狀特征對艦船進(jìn)行檢測，這種方法對航標(biāo)的提取具有一定的借鑒作用.但現(xiàn)在專門針對遙感影像的航標(biāo)目標(biāo)的檢測提取研究還較少.

航標(biāo)的體積較小，以中國東部沿海地區(qū)航標(biāo)為例，其直徑2.4m，在0.6m的高分辨率影像上也不過4個像素左右，因此目標(biāo)提取困難.同時水面受行船、風(fēng)浪等影響，水面影像灰度局部反差較大，如風(fēng)浪與行船尾跡中會出現(xiàn)陰影區(qū)域或局部亮點，這些對航標(biāo)的提取會造成很強(qiáng)的干擾；另外水面漂浮物在影像上也表現(xiàn)出與航標(biāo)相似的特征，也對航標(biāo)的檢測造成了極大的困難；此外當(dāng)船停在航標(biāo)附近時，檢測出的航標(biāo)與停船連為一體而無法被提取，此時容易出現(xiàn)漏檢.鑒于航標(biāo)的特殊性，艦船等小目標(biāo)的識別方法不適用于航標(biāo)的檢測，但一定程度上可以借鑒.

本文中針對高分辨率影像研究了航標(biāo)的提取方法，在單類支持向量機(jī)實現(xiàn)水陸分割的基礎(chǔ)上，提出了基于灰度信息、自相關(guān)性及在線學(xué)習(xí)策略的航標(biāo)提取算法.采用了2004年上海地區(qū)黃浦江QuickBird融合影像進(jìn)行實驗，驗證了算法的可行性.

1 基于單類支持向量機(jī)的水陸分割

單 類 支 持 向 量 機(jī) （one-class support vector machine，OCSVM），是支持向量機(jī)（support vector machine，SVM）的一類.與標(biāo)準(zhǔn)SVM 模型不同，OCSVM不需要每個待分類別的訓(xùn)練樣本，只需要待識別類型一類的訓(xùn)練樣本，因此在單類目標(biāo)提取方面具有很強(qiáng)的適用性.文中高分辨率影像的水陸分割實質(zhì)是水域的提取，由于陸地類別較多而水域類別相對單一，因此單類支持向量機(jī)適用于水陸分割.

OCSVM通過引入分類超平面和最大間隔的思想，在變換后的特征空間中盡可能地使正類落于分離超平面的一側(cè)，使原點與其他類別落于另一側(cè).從而讓正類樣本和原點之間具有最大間隔.

式中：w是最優(yōu)分類超平面系數(shù)權(quán)向量；ρ為最優(yōu)超平面到圓點的距離閾值；φ（xi）為低維空間到高維空間的映射函數(shù)；ν∈（0，1）用來控制支持向量在訓(xùn)練樣本中的比重；松弛變量ξi是目標(biāo)函數(shù)的懲罰項.求解式（1）可以得到如下決策函數(shù).

式（1）問題可轉(zhuǎn)化為如下對偶形式：

其中αi，αj是多項式乘子，K（xi，x）＝〈φ（xi），φ（x）〉是核函數(shù)，能夠在低維空間計算高位空間的內(nèi)積.對偶形式的決策函數(shù)為

2 基于目標(biāo)特性和相關(guān)性編組的航標(biāo)提取

水陸分割中只選擇了水域作為分類樣本，分類后所有與水域波譜相差較大的對象都將被分為非水域類.由于水域內(nèi)輪船、航標(biāo)、以及輪船尾跡等物體的存在，分類后的水域區(qū)會呈現(xiàn)許多的空洞.對分類結(jié)果的水域區(qū)域進(jìn)行形態(tài)學(xué)開運算，在保證水域內(nèi)空洞不被破壞的情況下盡可能消除邊界錯分點同時圓滑空洞邊界以利于檢測.通過空洞檢測，將所有檢測出的空洞作為航標(biāo)的候選目標(biāo)，本文采用一種兩階段方法進(jìn)行提取.首先利用幾何和灰度信息進(jìn)行初步篩選，去除與航標(biāo)相似度較小的干擾目標(biāo).然后對保留下來的候選目標(biāo)利用相關(guān)系數(shù)進(jìn)行編組，基于編組中包含的目標(biāo)個數(shù)完成最終提取.

2.1 基于幾何和灰度信息的目標(biāo)初步提取

計算所有檢測出的空洞的面積，剔除面積較小以及面積較大的明顯非航標(biāo)的目標(biāo).對于面積與航標(biāo)接近的目標(biāo)，利用目標(biāo)窗口的灰度分布進(jìn)行篩選.圖1顯示了水域內(nèi)可探測的部分目標(biāo)，包括船只、尾跡亮點，航標(biāo)等.

圖1 部分水域內(nèi)可探測目標(biāo)Fig.1 Parts of the detected object in water area

圖2為航標(biāo)及其四方向（過目標(biāo)窗口中心點的水平、豎直、主對角線、反對角線）灰度變化圖.由圖2可以看出，航標(biāo)陰影的存在，至少在兩個方向上的圖形上會同時出現(xiàn)波峰與波谷.圖3為非航標(biāo)干擾點及其四方向灰度變化圖，可以看出干擾小目標(biāo)的灰度分布無固定規(guī)律可尋.本文中，計算四條線上的最大值與最小值，再計算窗口中外圍區(qū)域的灰度均值，得到最大值與均值的差值D1和均值與最小值的差值D2，如果D1和D2都大于給定的經(jīng)驗閾值則將目標(biāo)保留，否則將其排除.

圖2 航標(biāo)及其四方向灰度變化圖Fig.2 Navigation marks and gray variation diagram of four directions

基于灰度信息的航標(biāo)提取是對目標(biāo)的預(yù)篩選，不需要太嚴(yán)格的閾值，根據(jù)遙感影像上水體背景及目標(biāo)的灰度初步估計出閾值，再將閾值適當(dāng)放松以保證航標(biāo)不被剔除.

2.2 基于相關(guān)系數(shù)編組的目標(biāo)提取

由于影像覆蓋區(qū)域相對于地球表面而言較小，同一幅影像上航標(biāo)的陰影沿同一方向且陰影面積大致相同，因此具有很強(qiáng)的相關(guān)性.為此，計算候選目標(biāo)的兩兩之間的相關(guān)系數(shù)，根據(jù)相關(guān)性對所有航標(biāo)進(jìn)行編組，在眾多目標(biāo)中，航標(biāo)之間的相似性遠(yuǎn)高于航標(biāo)與非航標(biāo)及非航標(biāo)與非航標(biāo)之間的相似性，因此目標(biāo)個數(shù)最多的編組最有可能是航標(biāo)組.本文利用這一原理實現(xiàn)航標(biāo)的編組提取.

圖3 干擾點及其四方向灰度變化圖Fig.3 Disturbance targets and gray variation diagram of four directions

考慮到候選目標(biāo)的中心與實際航標(biāo)中心的偏差，求取相關(guān)系數(shù)時采用設(shè)定容差值進(jìn)行搜索計算的方法.具體為：假設(shè)待計算航標(biāo)分別為A、B，對A開N1×N1的窗口a，對B開N2×N2（N2＞N1）的窗口b，分別計算窗口b中所有N1×N1的窗口與窗口a在每個波段的相關(guān)系數(shù)，當(dāng)b中存在與a在每一波段的相關(guān)系數(shù)都滿足經(jīng)驗閾值（一般在0.6到0.8之間）的窗口時，認(rèn)為A對B相似，同理可求B對A的相似性，若A對B相似且B對A相似時則認(rèn)為A與B相似.研究中取航標(biāo)實際大小與影像分辨率的比值作為容差值.

相關(guān)編組的確定流程如下：

步驟1：遍歷候選目標(biāo)，剔除與其他目標(biāo)都不具有相關(guān)性目標(biāo)，得到疑似航標(biāo)序列；

步驟2：遍歷疑似航標(biāo)，對未遍歷的航標(biāo)建立新的相關(guān)組，標(biāo)記該疑似航標(biāo)已遍歷，查找其所有相似的疑似航標(biāo)，并添加到新組中；

步驟3：遍歷新組中疑似航標(biāo)，標(biāo)記此疑似航標(biāo)已遍歷，將新組中未出現(xiàn)的與疑似航標(biāo)相似的疑似航標(biāo)添加到新組中；

步驟4：新組中所有疑似航標(biāo)的相似航標(biāo)均已在新組內(nèi)，輸出相關(guān)組.否則重復(fù)步驟3；

步驟5：所有航標(biāo)均已被遍歷，輸出所有相關(guān)組.否則重復(fù)步驟2、3、4；

步驟6：將最大相關(guān)組作為航標(biāo)組.

航標(biāo)提取的流程如圖4所示.

圖4 航標(biāo)提取的流程圖Fig.4 Flow chart of detection

3 基于在線學(xué)習(xí)策略的漏檢航標(biāo)搜索

在相關(guān)系數(shù)編組提取過程中，往往選用較為嚴(yán)格的閾值以降低提取錯誤率，但這樣也會導(dǎo)致部分航標(biāo)的漏檢.一般航標(biāo)的布設(shè)滿足一定的規(guī)律，并且間距大致相等.基于這一先驗知識，本文提出一種基于在線學(xué)習(xí)原理的漏檢航標(biāo)檢測算法，即首先依據(jù)已經(jīng)檢測得到的航標(biāo)的空間分布對漏檢航標(biāo)的可能位置進(jìn)行估計，再依據(jù)已檢測到的航標(biāo)的先驗知識在估計位置進(jìn)行精確檢測.

考慮到水中航道線一般為平緩變化的曲線，本文中利用三次多項式對航標(biāo)的分布曲線進(jìn)行基于最小二乘原理的擬合，如式（5）所示.

根據(jù)擬合的曲線和已檢測航標(biāo)的分布間隔，估計是否存在漏檢航標(biāo)，對可能存在漏檢的區(qū)域，基于已檢測航標(biāo)的圖像多波段灰度特性進(jìn)行搜索.為了加快搜索，對已檢測航標(biāo)進(jìn)行信息約簡，構(gòu)建檢測模板.

模版的構(gòu)建方法：設(shè)已檢測到有M個航標(biāo)，每個航標(biāo)有B個波段，航標(biāo)窗口為N×N.分別對每波段取M個航標(biāo)的像素值可得M×N×N的矩陣G：

矩陣G中g(shù)（i，j）表示第i個航標(biāo)的第j個位置（沿水平方向順序編號1到N×N）所在的灰度值.

對矩陣G中每列M個值取中值，將得到的N×N個中值作為模版在該波段的像素值.對B個波段的中值可得模版P：

矩陣P中p（i，j）表示第i個波段的第j個位置所在的灰度值.

利用式（7）所示的航標(biāo)模板，在估計的疑似漏檢位置進(jìn)行匹配搜索，若有窗口在每個波段都具有滿足閾值的相關(guān)系數(shù)，則將該窗口作為航標(biāo)加以保留.

將檢測到的漏檢航標(biāo)加入到已知航標(biāo)中，更新曲線擬合結(jié)果和航標(biāo)模板，進(jìn)行迭代檢測直至沒有新的疑似漏檢位置出現(xiàn).

4 實驗結(jié)果與分析

實驗中選用2004年上海地區(qū)黃浦江QuickBird融合影像進(jìn)行實驗.融合影像由0.6m全色影像和2.4m多波段影像構(gòu)成.

圖5給出了上海市南浦大橋附近一個實驗區(qū)域.影像大小為3000×3000pixel.圖5a為此區(qū)域的原始影像；圖5b為單類支持向量機(jī)分類后經(jīng)過形態(tài)學(xué)對水域進(jìn)行開運算處理后的二值圖，其中白色區(qū)域為水域，黑色為非水域，1～8編號的圓圈為經(jīng)過灰度判定后的疑似航標(biāo)點.

圖5 實驗數(shù)據(jù)1（上海市南浦大橋附近）Fig.5 Dataset 1（near Nanpu Bridge in Shanghai）

實驗中，共選擇水體樣本像素1 363個.對檢測出的空洞進(jìn)行面積篩選，考慮到在0.6m影像上直徑2.4m左右的船標(biāo)面積約為16（像素2），結(jié)合水陸分割精度影響，航標(biāo)空洞面積一般在10到30之間，為保證航標(biāo)不漏檢，將空洞面積小于5及大于50的空洞全部予以排除，再進(jìn)行灰度判定，符合條件的則定為疑似目標(biāo)，如圖5b中編號的1～8圓圈所圈位置.

對提取出的8個疑似目標(biāo)進(jìn)行兩兩自相關(guān)系數(shù)計算，取搜索窗口8×8，待搜索窗口為12×12，相似判斷系數(shù)取0.7.最終得到的相關(guān)組為（1，3，4，5，6，7）、（2）、（8）其中2、8沒有相關(guān)的疑似航標(biāo)剔除.最后確定1，3，4，5，6，7號候選目標(biāo)即為檢測出的航標(biāo).

圖6將提取出的航標(biāo)分別在分類二值圖與原始圖上進(jìn)行顯示，對比結(jié)果表明，該實驗區(qū)的6個航標(biāo)都被提取出，沒有漏檢也沒有虛警.高準(zhǔn)確度的提取主要是因為該區(qū)域內(nèi)航標(biāo)四周空曠，沒有停船也很少行船環(huán)境相對穩(wěn)定，航標(biāo)表現(xiàn)的特征明顯、相似度高.

圖7給出了另一組位于上海黃浦江復(fù)興島區(qū)域的實驗數(shù)據(jù)，影像大小為3 000×3 000.圖7a為原始影像數(shù)據(jù)；圖7b為單類支持向量機(jī)分類后經(jīng)過形態(tài)學(xué)對水域進(jìn)行開運算處理后的二值圖，其中白色區(qū)域為水域，黑色為非水域，1～16編號的圓圈為經(jīng)過灰度判定后的疑似航標(biāo)點.由圖7b可以看出，由于航標(biāo)周圍停泊船只的存在，部分航標(biāo)空洞與停船空洞連為一體，導(dǎo)致航標(biāo)無法提取.

實驗中，共選擇水體樣本像素1 725個.對檢測出的空洞進(jìn)行面積篩選，大于100的空洞全部排除，再進(jìn)行灰度判定，符合條件的則定為疑似目標(biāo)，如圖7b.

圖6 第1組實驗數(shù)據(jù)提取結(jié)果Fig.6 Detection results of Dataset 1

圖7 實驗數(shù)據(jù)2（上海市黃浦江復(fù)興島區(qū)域）Fig.7 Dataset 2（Fuxing Island Area in Shanghai Huangpu River）

對提取出的16個疑似目標(biāo)進(jìn)行兩兩自相關(guān)系數(shù)計算，取搜索窗口8×8，待搜索窗口為12×12，相似判斷系數(shù)0.7.最終得到的相關(guān)系數(shù)相關(guān)組為（1，5，9，10，11，14，16）、（7，8）、（12，13）、（2）、（3）、（4）、（6），其中剔除2、3、4、6沒有相關(guān)的疑似航標(biāo).最后確定1，5，9，10，11，14，16號候選目標(biāo)即為檢測出的航標(biāo).研究中，筆者發(fā)現(xiàn)，9航標(biāo)與10航標(biāo)實際為一個航標(biāo)，是由分類過程中同一航標(biāo)被分出兩個空洞所致，針對這種情況，增加了距離差距判斷，即認(rèn)為當(dāng)兩個航標(biāo)距離小于航標(biāo)直徑時認(rèn)為兩個航標(biāo)為同一個航標(biāo).最大相關(guān)組（1，5，10，11，14，16）.

圖8將提取出的航標(biāo)分別在分類二值圖與原始圖上進(jìn)行顯示，該區(qū)域共有9個航標(biāo)，本算法檢測出6個，沒有虛警但存在漏檢.出現(xiàn)漏檢的主要是因為航標(biāo)附近存在停船，當(dāng)距離較近時無法區(qū)分.

圖8 第2組實驗數(shù)據(jù)提取結(jié)果Fig.8 Detection results of Dataset 2

利用已提取的航標(biāo)和河岸對航標(biāo)曲線進(jìn)行擬合，得到的方程如下：

將曲線離散化后得到序列點，反算到原圖像上如圖9a所示.設(shè)已知航標(biāo)點序號依次為1、2、3、4、5、9，未知航標(biāo)點號依次為6、7、8，則各點間距見表1.

表1 航標(biāo)間距Tab.1 Distance between two adjacent marks像素

對相鄰四段求均值ˉd與標(biāo)準(zhǔn)差σ得：ˉd＝328.9、σ＝23.3.于是有航標(biāo)點在沿曲線方向的點位標(biāo)準(zhǔn)差約為即16.5，根據(jù)統(tǒng)計學(xué)可得，航標(biāo)會落在插值所得點為中心的100×100的窗口內(nèi)逐像素查找航標(biāo)點，可得最優(yōu)點如圖9b中藍(lán)色點，此點即為漏檢航標(biāo).

5 結(jié)論

圖9 漏檢航標(biāo)檢測Fig.9 Detection of the undetected navigation marks

本文針對高分辨率光學(xué)遙感影像，提出了一種航標(biāo)的自動提取算法.在OCSVM對影像進(jìn)行水陸分割的基礎(chǔ)上，通過空洞檢測，得到候選目標(biāo)物的中心點坐標(biāo)及空洞面積.針對候選目標(biāo)，文中提出基于幾何和灰度信息的目標(biāo)提取、基于相關(guān)系數(shù)編組的目標(biāo)提取和基于在線學(xué)習(xí)策略的漏檢航標(biāo)搜索等方法，分別對上海市南浦大橋區(qū)域及上海黃浦江復(fù)興島區(qū)域進(jìn)行算法試驗，完整地提取了兩個區(qū)域的航標(biāo)，驗證了文中提出的方法的可行性.

基于學(xué)習(xí)策略的漏檢航標(biāo)搜索方法中，采用了三次曲線對航標(biāo)的排列進(jìn)行擬合，這種方法對河道較為平緩的區(qū)域效果較好，對幾何形態(tài)較為復(fù)雜的河段不適用.針對復(fù)雜河段檢測漏檢航標(biāo)的新方法正在研究中，不包含在此文內(nèi)容之中.

［1］ 何智勇，章孝燦，黃智才，等.一種高分辨率遙感影像水體提取技術(shù)［J］.浙江大學(xué)學(xué)報：理學(xué)版，2000，66（8）：991.

HE Zhiyong，ZHANG Xiaocan，HUANG Zhicai，et al.A water extraction technique based on high-spatial remote sensing images［J］.Journal of Zhejiang University：Science Edition，2000，66（8）：991.

［2］ 翟輝琴.基于數(shù)學(xué)形態(tài)學(xué)的遙感影像水域提取方法［J］.測繪科學(xué)，2006，31（1）：22.

ZHAI Huiqin.A new algorithm for water area extracting from the remote sensing image based on morphologic method ［J］.Science of Surveying and Mapping 2006，31（1）：22.

［3］ LI Zhen，LIU Yongxue，LI Manchun，et al.Automatic waterline pick-up based on improved embedded confidence［C］／／18th International Conference on Geoinformatics.Beijing：［s.n.］，2010：18-20.

［4］ Li Wenkai，Guo Qinghua，Elkan C.A positive and unlabeled learning algorithm for one-class classification of remote-sensing data［J］.IEEE Transactions on Geoscience and Remote Sensing，2011，49（2）：717.

［5］ Eldhuset K.An automatic ship and ship wake detection system for spaceborne SAR images in coastal regions［J］.IEEE Transactions on Geoscience and Remote Sensing，1996，34（4）：1010.

［6］ HUAN Ruohong，YANG Ruliang.SAR target recognition based on MRF and gabor wavelet feature extraction［C］／／IEEE International Geoscience and Remote Sensing Symposium，IGARSS 2008.Boston：IEEE，2008：907-910.

［7］ HE Zhiguo，LU Jun，KUANG Gangyao.A fast SAR target recognition approach using PCA features ［C ］／／Fourth International Conference on Image and Graphics.Chengdu：［s.n.］，2007：580-585.

［8］ LI Yu，SUN Xian，WANG Hongqi，et al.Automatic target detection in high-resolution remote sensing images using a contour-based spatial model［J］.IEEE Geoscience and Remote Sensing Letters，2012，9（5）：886.

［9］ WU Wei，LUO Jiancheng， QIAO Cheng，et al.Ship recognition from high resolution remote sensing imagery aided by spatial relationship［C］／／IEEE International Conference on Spatial Data Mining and Geographical Knowledge Services.Fuzhou：IEEE，2011：567-569.

［10］ 汪閩，駱劍承，明冬萍.高分辨率遙感影像上基于形狀特征的船舶提?。跩］.武漢大學(xué)學(xué)報：信息科學(xué)版，2005，30（8）：685.

WANG Min，LUO Jiancheng，MING Dongping.Extract ship targets from high spatial resolution remote sensed imagery with shape feature［J］.Geomatics and Information Science of Wuhan University，2005，30（8）：685.