基于选择性视觉注意机制的遥感图像舰船目标检测与识别

论文摘要

近年来,遥感舰船检测与识别问题因其在海洋渔业、海上运输管制和海上军事等领域的重要应用越来越受到人们关注。传统方法往往需要对所有图像区域进行验证,但实际上所关心的内容通常仅占图像中很小一部分,这种全面的加工既造成了计算浪费,又加重了分析难度。然而,人类在面对复杂场景时,能迅速将注意力聚焦在显著目标上,并对这些目标进行优先处理,这里面存在一个视觉选择性注意的机制。本文旨在将该机制引入到遥感图像目标检测中,构建一个基于选择性视觉注意机制的遥感舰船目标检测与识别系统,其中包括多光谱遥感数据的舰船检测以及单波段遥感舰船检测与识别。此外,本文并对现有的基于频域的PQFT模型进行了一定的拓展,使其能应用到通道数大于四的多光谱图像的显著性检测。论文的主要创新包含以下几个方面：1.将选择性视觉注意机制引入到多光谱遥感图像目标检测中,针对现有视觉注意计算模型不适于处理维度大于四的多维图像的不足,提出一种基于双四元数的视觉注意计算模型。将多维数据构建成双四元数的形式,利用其傅里叶变换的相位谱来提取显著性区域以用于显著目标检测,实现了多维数据的整体处理,并充分利用了频率域和空间域的信息。与传统的多光谱图像目标检测方法相比,该模型计算复杂度低,对各种参数设置的依赖性小。2.将基于傅里叶变换相位谱信息的频域视觉注意计算模型应用到单波段高分辨率遥感图像的海上舰船目标检测与识别任务中,实现了复杂背景下的海上目标检测；将形状特征和纹理特征作为识别的特征依据,结合多层分类回归树,实现了检测后的舰船识别确认过程。从而一定程度上完成了Bottom-up和Top-down两种机制的融合使用。3.在完成舰船目标与非舰船目标之间的识别后,利用两维主成分分析提取候选舰船目标的较精细的纹理特征,再结合多层分类回归树实现不同类别舰船之间的分类识别。实验证明两维主成分分析能较好地提取出遥感舰船的纹理信息,识别效果良好,且具有较快的运算速度。

论文目录

• 摘要
• Abstract
• 第一章 绪论
• 1.1 研究背景
• 1.2 研究现状
• 1.2.1 遥感图像目标检测方法研究现状
• 1.2.2 选择性视觉注意机制的研究现状
• 1.3 论文的创新点
• 1.4 论文的内容安排
• 第二章 选择性视觉注意机制的研究背景
• 2.1 视觉注意的生物学理论
• 2.2 视觉注意的心理学模型
• 2.2.1 Treisman & Koch's Model
• 2.2.2 Wolfe's Guided Search 2.0
• 2.3 视觉注意的计算模型
• 2.3.1 具有生物可信性的ITTI模型
• 2.3.2 基于信息最大化原理的AIM模型
• 2.3.3 基于频域的SR和PQFT等方法
• 2.4 本章小结
• 第三章 基于多通道视觉注意计算模型的遥感舰船检测
• 3.1 四元数模型简介
• 3.2 基于双四元数的视觉注意模型PBFT
• 3.3 基于PBFT模型的多光谱图像舰船检测
• 3.4 实验结果
• 3.4.1 模拟遥感数据舰船检测结果
• 3.4.2 真实遥感数据舰船检测结果
• 3.4.3 PBFT模型与传统视觉注意计算模型的显著性检测效果比较
• 3.5 本章小结
• 第四章 基于选择性视觉注意的高分辨率遥感图像舰船检测与识别
• 4.1 单波段遥感数据的舰船检测识别系统的基本结构
• 4.2 图像预处理
• 4.3 基于显著性的舰船检测
• 4.4 基于形状特征和纹理特征的舰船目标识别
• 4.4.1 形状特征提取
• 4.4.2 纹理特征提取
• 4.4.3 基于HDR树的目标识别
• 4.5 实验结果
• 4.5.1 实验数据
• 4.5.2 复杂背景下的舰船检测效果
• 4.5.3 基于数据库的舰船检测和识别结果
• 4.6 本章小结
• 第五章 基于两维PCA的遥感图像舰船识别与分类
• 5.1 两维PCA简介
• 5.1.1 算法原理
• 5.1.2 特征提取
• 5.2 基于两维PCA的遥感舰船识别系统
• 5.2.1 识别中舰船的平移、旋转和尺度拉伸问题
• 5.2.2 基于欧式距离最小化和HDR树的舰船分类
• 5.3 实验结果
• 5.4 本章小结
• 第六章 总结与展望
• 参考文献
• 攻读硕士学位期间发表论文及专利申请
• 致谢