程 紅,劉思彤,孫文邦,楊 帥
?
遙感圖像中艦船目標(biāo)的快速精細(xì)檢測
程 紅1,劉思彤1,2,孫文邦1,楊 帥1
( 1. 空軍航空大學(xué),長春 130022;2. 空軍西安飛行學(xué)院,西安 710306 )
為解決大多數(shù)艦船檢測算法的精度不高、速度較慢等問題,提出一種顯著性特征引導(dǎo)的艦船目標(biāo)快速精細(xì)檢測方法。首先,利用基于局部與全局整合的視覺顯著模型定位目標(biāo)區(qū)域,并通過區(qū)域提取得到候選目標(biāo)切片;然后利用改進(jìn)的均值聚類方法將目標(biāo)切片分割為超像素集合;最后通過融合顯著圖和超像素分割結(jié)果,篩選屬于目標(biāo)的超像素來實(shí)現(xiàn)精細(xì)分割,得到艦船目標(biāo)的候選區(qū)域。實(shí)驗(yàn)結(jié)果表明,該方法能夠準(zhǔn)確快速地定位艦船目標(biāo),且能精確刻畫目標(biāo)輪廓,更有利于后續(xù)艦船識別等后續(xù)工作的開展。
艦船目標(biāo)檢測;視覺顯著性定位;超像素分割;精細(xì)分割
0 引 言
艦船目標(biāo)的檢測與監(jiān)視,對于確保取得海上軍事行動的成功起到重要作用,更加關(guān)系到國家的安全和發(fā)展利益[1]。現(xiàn)有的艦船檢測方法主要有閾值法、形態(tài)學(xué)對比度法[2]、Gabor濾波法[3-4]和基于特征的方法等等。形態(tài)學(xué)對比度法借助形態(tài)學(xué)濾波實(shí)現(xiàn)檢測;Gabor濾波法通過模擬人眼的視覺特性對圖像進(jìn)行處理,能夠有效抑制復(fù)雜海況背景和增強(qiáng)黑極性目標(biāo),具有較高的檢測率和較強(qiáng)的魯棒性。但受海浪、島嶼、光照和艦船材料等多方面因素的影響,圖像中背景和目標(biāo)復(fù)雜多樣,使得上述方法的檢測效率和檢測精度下降,嚴(yán)重影響情報(bào)工作的開展[5]。為快速穩(wěn)定地從海洋背景中檢測目標(biāo),本文從基于視覺顯著圖的目標(biāo)定位入手,對艦船進(jìn)行精細(xì)檢測與分割,能夠在提高檢測效率的同時(shí)更好地保留目標(biāo)形狀,從而有效地實(shí)現(xiàn)艦船目標(biāo)的快速精確檢測。
1 基于視覺顯著圖定位與超像素分割的艦船快速精細(xì)檢測
為快速有效地從圖像中檢測出候選目標(biāo),首先對其進(jìn)行定位。根據(jù)人眼視覺注意機(jī)制[6]的迅速聚焦能力,提出一種基于局部與全局整合的視覺顯著模型,利用艦船目標(biāo)與海洋背景在顏色、亮度、紋理、梯度等顯著特征上的差異,度量并整合各特征的局部與全局顯著性,再利用提出的強(qiáng)度對比法將各顯著圖加權(quán)融合,以便生成針對艦船目標(biāo)的顯著圖,最后通過區(qū)域提取方法將顯著區(qū)域提取出來,得到目標(biāo)切片;為準(zhǔn)確提取出目標(biāo)區(qū)域,利用改進(jìn)的均值聚類法將目標(biāo)切片分割為超像素集合;最后通過融合顯著圖和超像素分割結(jié)果,篩選屬于目標(biāo)的超像素來實(shí)現(xiàn)精細(xì)分割,得到艦船目標(biāo)區(qū)域。具體包括視覺顯著圖定位、超像素分割和目標(biāo)精細(xì)分割三個(gè)步驟,如圖1所示。
圖1 基于視覺顯著圖定位與超像素分割的艦船檢測流程圖
1.1 視覺顯著圖定位
基于局部與全局整合的視覺顯著模型框架如圖2所示,具體包括顯著特征提取、顯著性度量和顯著圖融合三個(gè)步驟。
圖2 基于局部與全局整合的視覺顯著性模型
1.1.1顯著特征提取
經(jīng)典的ITTI模型[7]提取圖像中的顏色、亮度和方向三類特征來描述顯著區(qū)域,但提取方向特征計(jì)算量大且無針對性的方向搜索會影響檢測結(jié)果的精準(zhǔn)程度。考慮到艦船目標(biāo)的亮度通常與周圍有一定差異,即圖像上灰度的不平滑過渡,因此本文引入梯度特征來描述艦船目標(biāo)的顯著性。
1) 顏色與亮度特征提取。若圖像是灰度圖像,可以直接將圖像作為亮度特征圖,且后續(xù)的特征提取都在上進(jìn)行。若圖像是彩色的,則通過式(1)計(jì)算其亮度特征圖
其中分別代表RGB顏色空間中的紅、綠、藍(lán)三個(gè)分量。
對于彩色圖像,還需提取其顏色特征。由于RGB空間中各分量的相關(guān)性較大,為減少冗余,本文選用Lab顏色空間的三個(gè)分量組成特征向量作為顏色特征,則有。
2) 梯度特征提取。常用的梯度算子對噪聲敏感,并常常在提取梯度特征的同時(shí)加強(qiáng)噪聲。而形態(tài)學(xué)梯
度對噪聲敏感度低,能得到較好的提取效果,定義式:
式中:為原始圖像,為結(jié)構(gòu)元素,、表示對圖像進(jìn)行膨脹、腐蝕運(yùn)算。
為充分考慮艦船目標(biāo)的尺度特征,本文利用大、小結(jié)構(gòu)元素的各自優(yōu)點(diǎn),計(jì)算多尺度形態(tài)學(xué)梯度。設(shè)表示尺寸為的結(jié)構(gòu)元素,則多尺度梯度為
文中取4個(gè)由小到大的結(jié)構(gòu)元素,=4時(shí)能保證強(qiáng)化目標(biāo)的邊緣,并剛好弱化目標(biāo)的內(nèi)部結(jié)構(gòu),避免了內(nèi)部特征對檢測的影響。利用單尺度和多尺度梯度共同描述圖像的梯度特征,能夠在鎖定艦船目標(biāo)邊界的同時(shí)突顯艦船目標(biāo)區(qū)域。
3) 紋理特征提取。對圖像進(jìn)行離散矩變換,得到紋理特征圖。設(shè)窗體大小為2+1,則圖像中每個(gè)像素(,)的離散矩變換可以表示為
式中:(,)=0,1,2,…。,的偶奇、奇偶和奇奇組合分別反映了垂直、水平和全局方向上對亮度的響應(yīng),為減少計(jì)算量,文中僅計(jì)算0,1,1,0,1,1。為統(tǒng)一符號,用11代表亮度特征圖,用color代表顏色特征向量,用2j(=1,2)代表單尺度和多尺度梯度特征圖,用3j(=1,2,3)代表紋理特征圖。
1.1.2視覺顯著性度量
視覺顯著性度量是引導(dǎo)視覺注意的最常用方法,即特征圖變換為顯著圖的過程。為充分利用遙感圖像的信息優(yōu)勢,更好的度量圖像的顯著性,本文提出將局部顯著度和全局顯著度融合得到總的視覺顯著度,以此來刻畫圖像中目標(biāo)的顯著程度。對于灰度圖像,采用本文方法度量其顯著性;而對于彩色圖像,采用HC方法[8]度量其顏色顯著性,再采用本文方法度量其它特征的顯著性,最后將兩者整合構(gòu)成最終顯著圖。
1) 局部顯著性度量。經(jīng)典的ITTI模型通過多尺度圖像的差值來凸顯區(qū)域的局部顯著性,但由于采用降采樣處理,使得檢測結(jié)果塊狀效應(yīng)嚴(yán)重,不能準(zhǔn)確的刻畫目標(biāo)且耗時(shí)較多。因此,本文用式(5)代替降采
樣來度量局部顯著性,既保留了目標(biāo)細(xì)節(jié)又降低了計(jì)算復(fù)雜度。
其中:為圖像的平均像素值,F為第類第幅特征圖,表示第類第幅局部顯著圖,為圖像F的中值濾波結(jié)果,借以凸顯小目標(biāo),并抑制背景噪聲。
2) 全局顯著性度量。通過統(tǒng)計(jì)像素相對于整幅圖像的特征差異,來進(jìn)行全局顯著性度量。本文采用文獻(xiàn)[9]的方法計(jì)算全局顯著性,公式如下:
其中:為得到的第類第幅全局顯著圖,和分別為的行數(shù)和列數(shù),為的直方圖,和分別為的最小值和最大值。
1.1.3特征整合
1) 特征權(quán)值的計(jì)算。針對常用的特征整合法[10]沒有考慮各特征對最終顯著圖貢獻(xiàn)程度的問題,提出利用特征圖中顯著區(qū)與非顯著區(qū)的顯著強(qiáng)度比值作為該特征圖的權(quán)重系數(shù)進(jìn)行整合,本文稱之為強(qiáng)度對比法(IC)。首先,利用Otsu法對每個(gè)特征圖進(jìn)行顯著區(qū)域分割,得到許多獨(dú)立的顯著連通區(qū)域T(T1,T2,,T)和非顯著連通區(qū)域D(D1,D2,…,D)。然后分別計(jì)算顯著和非顯著區(qū)域的顯著強(qiáng)度值,得到局部
顯著值總量和平均強(qiáng)度系數(shù),進(jìn)而得到屬于該特征圖的強(qiáng)度值C。
其中:為區(qū)域R的面積,為給定顯著圖點(diǎn)的顯著值。最后,將顯著區(qū)域與非顯著區(qū)域的顯著強(qiáng)度值之比作為該顯著圖的權(quán)重值。
2) 合成顯著圖。首先計(jì)算除顏色特征外第類特征對應(yīng)的顯著圖S。對于每類特征,先通過算子(×)[9]將局部與全局顯著圖融合并歸一化,再對處理后的顯著圖進(jìn)行加權(quán)合并,得到顯著圖S:
其中:為第類第幅顯著圖對應(yīng)的權(quán)值系數(shù),為F對應(yīng)的第類顯著圖:=1時(shí),;=2時(shí),。為第類特征的特征圖數(shù)目,=l,=2,=3。
在得到各類特征對應(yīng)的顯著圖S后,計(jì)算它們在總特征圖中的權(quán)重系數(shù)W。根據(jù)得到的權(quán)重將各特征顯著圖進(jìn)行加權(quán)組合,最終得到一幅總顯著圖,計(jì)算公式如下:
對于彩色圖像,還需要加入顏色特征圖,則式(11)變?yōu)?/p>
1.1.4顯著區(qū)域提取
對于得到的顯著圖,采用Otsu方法將其提取出來,顯著值大于閾值的部分置為“1”;反之,置為“0”。閾值處理后的圖像,會存在一些孔洞,采用形態(tài)學(xué)運(yùn)算或區(qū)域填充方法去除。對得到的區(qū)域進(jìn)行統(tǒng)計(jì),以區(qū)域?yàn)橹行?,根?jù)區(qū)域的長寬信息建立候選目標(biāo)切片,以便進(jìn)行下一步工作。
1.2 超像素分割
超像素分割[11]就是利用中層視覺特征對圖像進(jìn)行過分割方法的過程。本文將超像素與視覺顯著圖結(jié)合,利用目標(biāo)的顯著信息實(shí)現(xiàn)對復(fù)雜性目標(biāo)的描述。Achanta等人提出的簡單線性迭代算法[12]采用均值聚類獲取超像素,以其快速的運(yùn)算速度,靈活的實(shí)用性和出色的分割效果廣泛應(yīng)用于圖像分割領(lǐng)域。本文在其基礎(chǔ)上進(jìn)行改進(jìn),具體步驟如下:
1) 在顯著圖定位的基礎(chǔ)上,僅對候選目標(biāo)切片進(jìn)行均值聚類分割,在降低計(jì)算量的同時(shí)大大提高了分割效率,分割的準(zhǔn)確性也得到大幅度提升。
2) 設(shè)置分割參數(shù)。也就是超像素的數(shù)量。通過實(shí)驗(yàn)發(fā)現(xiàn),圖像分辨率對超像素個(gè)數(shù)的選取有一定影響,當(dāng)分辨率高于2.5 m時(shí),取50效果較好;當(dāng)分辨力低于2.5 m時(shí),取20效果較好。本文中圖像分辨率均高于2.5 m,因此=50。
3) 構(gòu)建分類向量。在利用顏色或灰度信息的基礎(chǔ)上,加入位置信息共同作為聚類依據(jù)。對于灰度圖像,每一個(gè)候選目標(biāo)切片的聚類向量表示為,其中,為灰度值,為位置信息。對于彩色圖像,聚類向量表示為,其中為Lab空間中的顏色信息。
4) 利用特征向量和分割參數(shù)進(jìn)行均值聚類,將聚類得到的結(jié)果用[0,1]之間的灰度值隨機(jī)標(biāo)記,并依次存入相應(yīng)超像素集合C中,以便進(jìn)行精細(xì)分割,流程如圖3。
圖3 超像素分割流程圖
1.3 目標(biāo)精細(xì)分割
如圖4,首先,需要計(jì)算每個(gè)目標(biāo)切片中每一超像素的平均顯著性和自適應(yīng)閾值,對于任一切片s:平均顯著性,即顯著圖中超像素的平均顯著值,定義式:
圖4 目標(biāo)精細(xì)分割流程圖
自適應(yīng)閾值T,即決定超像素是否保留的閾值,充分考慮到超像素在切片背景下的顯著性,將其定義式(14):
其中:(,)為(,)位置處的顯著值,表示切片s的第個(gè)超像素,為中的像素個(gè)數(shù),、分別為切片s的行數(shù)和列數(shù),為切片s的平均顯著值。
經(jīng)過積極有效的護(hù)理干預(yù),上述參與研究的35例患者中,25例患者顯效,血糖恢復(fù)正常水平;10例患者有效,血糖接近正常水平;所有患者均未發(fā)生糖尿病合并癥,治療總有效率達(dá)100%。追蹤調(diào)查結(jié)果顯示:33例患者對護(hù)理表示滿意,護(hù)理滿意度達(dá)94.3%。
然后,將切片中每一超像素的平均顯著值與閾值進(jìn)行比較,若,則將該超像素保留;反之,將其剔除。最后,將該切片中保留下來的超像素合并。待所有切片都完成精細(xì)分割,再將所有切片的超像素結(jié)果合并,從而得到最終的檢測結(jié)果。圖5給出了超像素分割與精細(xì)分割的結(jié)果。切片中目標(biāo)與背景對比較明顯,但背景紋理復(fù)雜,灰度分布不均;本文方法不受紋理的干擾,能夠?qū)D像分成超像素集合且目標(biāo)超像素邊緣清晰準(zhǔn)確;再根據(jù)精細(xì)分割要求,利用切片的局部顯著圖計(jì)算閾值,保留目標(biāo)超像素得到,最后去除非目標(biāo)超像素,得到該切片的檢測結(jié)果。
圖5 超像素分割與精細(xì)分割結(jié)果
2 實(shí)驗(yàn)結(jié)果對比與分析
2.1 檢測結(jié)果圖像分析
為驗(yàn)證本文方法的可行性與有效性,實(shí)驗(yàn)在Intel(R) Corel(TM) 2.66GHz(內(nèi)存4G)的硬件環(huán)境下進(jìn)行,將本文方法與常用的形態(tài)學(xué)對比度法和Gabor濾波法進(jìn)行對比分析。根據(jù)背景干擾的不同分為兩組實(shí)驗(yàn):
第一組:基于灰度或顏色分布不均的海洋背景
圖6(a)為一幅航母編隊(duì)的圖像,受成像角度和光照的影響圖像中海洋背景顏色分布不均。從圖中可以看出,Gabor濾波法受光照不均的影響,僅檢測到低亮度區(qū)域的艦船,而其他目標(biāo)被高亮度區(qū)域的海洋淹沒,造成大量漏檢;形態(tài)學(xué)對比度法雖然能夠降低分布不均對算法造成的影響,檢測到了大部分目標(biāo)且檢測率較高,但不能較好的保持目標(biāo)完整性,目標(biāo)缺失嚴(yán)重;而本文方法表現(xiàn)出很大優(yōu)勢,既能很好地抑制干擾、保證很高的檢測率,又能完整地刻畫目標(biāo)。
圖6 不同方法的檢測結(jié)果對比
第二組:基于多因素干擾的海洋背景
圖7(a)和圖8(a)為兩幅包含小目標(biāo)、碎云、尾跡和復(fù)雜顏色分布等多種干擾的遙感圖像。形態(tài)學(xué)對比度法和Gabor濾波法受到不同程度背景干擾的影響,使得檢測結(jié)果出現(xiàn)大量虛警或漏檢。雖然兩種方法都能檢測到目標(biāo),但前者得到的結(jié)果較貼近目標(biāo)的真實(shí)形狀,無法對尾跡進(jìn)行處理;而后者檢測結(jié)果較真實(shí)目標(biāo)稍大,可用于目標(biāo)定位,不利于進(jìn)一步目標(biāo)識別,但能在一定程度上屏蔽尾跡干擾。而本文方法不存在以上問題,能夠避免背景干擾,更好的貼近目標(biāo)的真實(shí)形狀,具有較好的檢測效果和較高的檢測精度。
圖7 不同方法的檢測結(jié)果對比
圖8 不同方法的檢測結(jié)果對比
2.2 實(shí)驗(yàn)結(jié)果參數(shù)分析
為客觀、定量地評價(jià)本文方法,采用檢測率(DR)、虛警率(FAR)、查準(zhǔn)率(PR)和F-measure[8]等參數(shù)對實(shí)驗(yàn)結(jié)果進(jìn)行分析,此外,提出檢測精度(Detection Precision,DP,用D表示)來分析各算法反映目標(biāo)細(xì)節(jié)的能力,定義如下:
如表1所示,Gabor濾波法的平均檢測率都很低,不能滿足檢測的需要;又由于形態(tài)學(xué)對比度法和Gabor濾波法的虛警數(shù)量較多且檢測結(jié)果不穩(wěn)定,因此無法準(zhǔn)確計(jì)算這些方法的PR、F-measure、FOM和DP等參數(shù),檢測性能很低;而本文方法的檢測率較高,平均在95%以上,且從PR、F-measure、FOM和DP等參數(shù)可以突出本文方法在檢測準(zhǔn)確率和檢測精確度上的極大優(yōu)勢;此外,從檢測時(shí)間上看,本文方法的檢測時(shí)間略高于檢測性能很低的形態(tài)學(xué)對比度法,但僅為Gabor濾波法的1/3。綜上可知,本文方法能夠在復(fù)雜、多背景干擾的情況下,穩(wěn)定有效地檢測出艦船目標(biāo),較好地保持了目標(biāo)的形狀和結(jié)構(gòu)信息,具有較高的檢測效率和精度,在檢測性能上具有較大優(yōu)勢。
表1 艦船檢測結(jié)果參數(shù)對比
Table 1 Comparison of parameters
最高法院2012年裁定的“微生物研究所案”中,被告從專利權(quán)人的被許可人處獲得了制造涉案專利藥品的原料藥(可以被視為是“用于制造專利產(chǎn)品的專用元件”),之后用該原料藥生產(chǎn)出了專利藥品。最高法院通過引用第12條,而認(rèn)定被告通過默示許可的途徑獲得了專利許可[注]參見“江蘇省微生物研究所有限責(zé)任公司、福州海王福藥制藥有限公司訴福州海王福藥制藥有限公司、遼寧省知識產(chǎn)權(quán)局行政裁決案”,(2011)知行字第99號決定書。。由此可以知道,最高法院亦認(rèn)為“用于制造專利產(chǎn)品的專用元件”并不適用權(quán)利用盡規(guī)則。
3 結(jié) 論
針對常用的艦船目標(biāo)檢測方法易受復(fù)雜背景干擾,導(dǎo)致檢測效率降低、檢測精度下降以及耗時(shí)長等問題,提出一種基于視覺顯著圖定位與超像素分割的方法,利用艦船目標(biāo)與背景在初級視覺特征上的顯著性差異構(gòu)造顯著圖,檢測并定位圖像中的候選艦船目標(biāo),提取目標(biāo)切片;然后利用改進(jìn)的均值聚類方法將目標(biāo)切片分割為超像素集合;再通過篩選屬于目標(biāo)的超像素來實(shí)現(xiàn)精細(xì)分割,得到艦船候選區(qū)域檢測結(jié)果。并通過實(shí)驗(yàn)驗(yàn)證該方法相比其它算法具有以下優(yōu)勢:
1) 能夠快速準(zhǔn)確地定位目標(biāo),艦船檢測率高,具有較高的檢測效率;
2) 能夠清晰地刻畫艦船的邊界輪廓及形狀結(jié)構(gòu),具有較高的檢測精度。
[1] Corbane C,Marre F,Petit M. Using SPOT-5 HRG data in panchromatic mode for operational detection of small ships in tropical area [J]. Sensors(S1424-8220),2008,8:2959-2973.
[2] 肖利平,曹炬,高曉穎. 復(fù)雜海地背景下的艦船目標(biāo)檢測 [J]. 光電工程,2007,34(6):6-10.
XIAO Liping,CAO Ju,GAO Xiaoying. Detection for ship targets in complicated background of sea and land [J]. Opto-Electronic Engineering,2007,34(6):6-10.
[3] 施鵬. 基于光學(xué)遙感圖像的艦船目標(biāo)自動檢測技術(shù) [D]. 北京:中國科學(xué)技術(shù)大學(xué),2010:10-25.
SHI Peng. The Ship Detection based on Optical Remote Sensing Images [D]. Beijing:University of Science and Technology of China,2010:10-25.
[4] Bau T C,Sarkar S,Healey G. Hyperspectral region classification using a three dimensional Gabor filterbank [J]. IEEE Transactions on Geoscience and Remote Sensing(S1545-598X),2010,48(9):3457-3464.
[5] 趙英海,吳秀清,聞凌云,等. 可見光遙感圖像中艦船目標(biāo)檢測方法 [J]. 光電工程,2008,35(8):102-106.
ZHAO Yinghai,WU Xiuqing,WEN Lingyun,. Ship Target Detection Scheme for Optical Remote Sensing Images [J]. Opto-Electronic Engineering,2008,35(8):102-106.
[6] Frintrop S,Klodt M,Rome E. A Real-Time Visual Attention System Using Integral Images [C]// Proc. of the 5th International Conference on Computer Vision Systems (ICVS 2007),Bielefeld University,Germany,March 21-23,2007:512-518.
[7] TAI S L. Image representation using 2D gabor wavelets [J]. IEEE Transactions on Pattern Analysis and Machine Intelligence(S1939-3539),1996,18(10):959-971.
[8] CHENG Mingming,ZHANG Guoxin,Mitra N J,. Global Contrast Based Salient Region Detection [C]// Proc. of 2011 IEEE Conference on Computer Vision and Pattern Recognitions,Colorado Springs,Colorado,USA,June 20-25,2011:409-416.
[9] 張鵬,王潤生. 基于視點(diǎn)轉(zhuǎn)移和視區(qū)追蹤的圖像顯著區(qū)域檢測 [J]. 軟件學(xué)報(bào),2004,15(6):891-898.
ZHANG Peng,WANG Runsheng. Detecting Salient Regions Based on Location Shift and Extent Trace [J]. Journal of Software,2004,15(6):891-898.
[10] 邱新潔. 視覺注意機(jī)制建模中的特征調(diào)制和選擇策略研究 [D]. 天津:天津大學(xué),2010:20-31.
QIU Xinjie. Study on the Feature Modulation and Selection Strategies for Modeling Visual Attention Mechanisms [D]. Tianjin:Tianjin University,2010:20-31.
[11] Achanta R,Shaji A,Smith K,. SLIC Superpixels Compared to State-of-the-Art Superpixel Methods [J]. IEEE Transactions on Pattern Analysis and Machine Intelligence(S1939-3539),2012,34(11):2274-2282.
[12] Goferman Stas,Zelnik-Manor Lihi,Tal Ayellet. Context-Aware Saliency Detection [J]. IEEE Transactions on Pattern Analysis and Machine Intelligence(S1939-3539),2012,34(10):1915-1926.
Fine Rapid Detection of Ship Targets in Remote Sensing Images
CHENG Hong1,LIU Sitong1,2,SUN Wenbang1,YANG Shuai1
( 1. Aviation University of Air Force, Changchun 130022, China;2. Xi’an FlightAcademyof Air Force, Xi¢an 710306, China )
In order to solve the problem that majority of ship detection algorithms show the low accuracy and slow rate, a fine rapid ship detection algorithm based on salient feature guidance is proposed. First, the candidate target area is located through visual saliency model based on the local and global integration, and candidate target slices are gained through the region extraction. Then, the improved means clustering method is used to divide the target slice into super pixels. Finally, ship target regions are gained through filtering super pixels belonging to the target to achieve a fine segmentation after the integration of a significant figure and super-pixel segmentation. Experimental results show that the algorithm proposed in this paper can quickly and accurately locate the target ship, accurately depict the object contour, and is more conducive to subsequent follow-up work.
ship detection; visual saliency location; super-pixel segmentation; explicit segmentation
TP751
A
10.3969/j.issn.1003-501X.2016.04.005
2014-12-08;
2015-03-23
全軍軍事類研究生課題(2013JY514)
程紅(1969-),女(漢族),遼寧遼陽人。博士,教授,碩士生導(dǎo)師,主要從事遙感圖像信息處理。E-mail:sztucl2012@yaeh.net。
劉思彤(1989-),女(漢族),遼寧大連人。助教,碩士,主要從事數(shù)字圖像處理工作。E-mail:liusitong1114@163.com。