一種基于遙感圖像的海面異常漂浮物檢測(cè)方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及計(jì)算機(jī)視覺(jué)監(jiān)控技術(shù)領(lǐng)域，海上搜救領(lǐng)域，具體涉及用于對(duì)海面異常 漂浮物（可能是飛機(jī)殘骸，或者生還者）的檢測(cè)方法。
【背景技術(shù)】
[0002] 對(duì)于在空中解體的飛機(jī)，傳統(tǒng)的搜救方法是根據(jù)飛機(jī)失事時(shí)所報(bào)告的方位，從而 計(jì)算出該飛機(jī)可能的著陸地點(diǎn)，然后根據(jù)這個(gè)可能的地點(diǎn)來(lái)進(jìn)行搜救，主要包括海面艦艇 搜救和飛機(jī)搜救，這兩種方法都依靠人眼的觀察。這種方法針對(duì)于傳統(tǒng)的有著完整的飛機(jī) 失事時(shí)所提供的方位信息的搜救環(huán)境，是非常可行的，但是，對(duì)于那些失聯(lián)客機(jī)或者由于飛 機(jī)的通訊故障導(dǎo)致搜救隊(duì)伍無(wú)法獲取準(zhǔn)確的失事時(shí)的方位信息的搜救任務(wù)，傳統(tǒng)的方法就 很難勝任。
[0003] 對(duì)于基于圖像的異常物體檢測(cè)和異常物體識(shí)別，是計(jì)算機(jī)視覺(jué)領(lǐng)域的比較成熟的 方法，本發(fā)明通過(guò)將現(xiàn)如今較為成熟的物體檢測(cè)方法（基于哈爾（haar)特征和級(jí)聯(lián)強(qiáng)分類(lèi) 器（Adaboost)算法），與線性判別分析（LDA)算法相結(jié)合，并結(jié)合已知的信息，提供了一種 成本低速度快的異常漂浮物檢測(cè)方法，從而能夠?yàn)樗丫热蝿?wù)提供一個(gè)較為可靠的搜救位置 信息。

【發(fā)明內(nèi)容】

[0004] 本發(fā)明所要解決的技術(shù)問(wèn)題是為了克服在傳統(tǒng)搜救方法必須依靠飛機(jī)失事時(shí)所 提供的方位信息的限制，尤其在飛機(jī)失事時(shí)無(wú)法提供準(zhǔn)確的方位信息的時(shí)候所遇到的搜救 困難，提出了一種基于遙感圖像的海面異常漂浮物檢測(cè)方法。
[0005] 本發(fā)明解決其技術(shù)問(wèn)題所采用的技術(shù)方案是：
[0006] 一種基于遙感圖像的海面異常漂浮物檢測(cè)方法，包括圖像去噪模塊，異常物體檢 測(cè)模塊，排除已知信息模塊，異常物體識(shí)別模塊，異常信息匯總模塊，輸出模塊；所述的圖像 去噪模塊將遙感衛(wèi)星圖像導(dǎo)入到所述的漂浮物檢測(cè)系統(tǒng)中，使用中值濾波方法對(duì)讀入遙感 圖像進(jìn)行去噪，并將去噪后的遙感衛(wèi)星圖像傳遞給異常物體檢測(cè)模塊；所述的異常物體檢 測(cè)模塊將接收到的去噪后的遙感衛(wèi)星圖像使用基于哈爾特征的級(jí)聯(lián)強(qiáng)分類(lèi)器方法進(jìn)行異 常物體檢測(cè)，并將檢測(cè)出的疑似異常物體所對(duì)應(yīng)的子圖像傳遞給排除已知信息模塊；所述 的排除已知信息模塊將接收到的異常物體的子圖像根據(jù)其上附帶的方位信息，與在遙感圖 像所采集時(shí)刻海面上船只所報(bào)告的方位進(jìn)行對(duì)比、與海面上島嶼信息作對(duì)比、以及其他已 知的海面物體作對(duì)比，排除海面上已知的正常信息，將未被排除的異常物體的子圖像傳遞 給異常物體識(shí)別模塊；所述的異常物體識(shí)別模塊將接收到異常物體子圖像使用線性判別分 析算法進(jìn)行識(shí)別，從而區(qū)分出所述的異常物體是未知的合法物體（例如飛鳥(niǎo)，浮于海面的 動(dòng)物等）還是所要尋找的異常物體，并將異常物體的子圖像以及所對(duì)應(yīng)的分類(lèi)信息傳遞給 異常信息匯總模塊；所述的異常信息匯總模塊，將接收到的異常物體的子圖像，根據(jù)其上所 附帶的坐標(biāo)方位，與原始的遙感圖像作對(duì)比，由于接收到的子圖像之間可能會(huì)出現(xiàn)重合，那 么將根據(jù)某一區(qū)域重合塊數(shù)的多少以及分類(lèi)結(jié)果給以不同的權(quán)值進(jìn)行合并，并將合并后的 附帶權(quán)值的圖像傳遞給輸出模塊；所述的輸出模塊，將得到的附帶權(quán)值的圖像，根據(jù)其上的 權(quán)值不同給以不同的顏色，標(biāo)注顏色依據(jù)權(quán)重由大到小依次從紅色過(guò)渡到藍(lán)色，對(duì)于權(quán)重 為0的區(qū)域給以灰色標(biāo)注。
[0007] 所述的一種基于遙感圖像的海面異常漂浮物檢測(cè)方法，所需的設(shè)備為計(jì)算機(jī)，考 慮到遙感圖像像素值通常非常高，導(dǎo)致運(yùn)算量非常大，為了減少時(shí)間消耗，建議使用多核心 的工作站或者更高級(jí)別的計(jì)算機(jī)。
[0008] 所述的圖像去噪模塊在初始化的過(guò)程中，將典型海面上正常物體和異常物體的彩 色樣本圖片導(dǎo)入到所述的一基于遙感圖像的海面異常漂浮物檢測(cè)系統(tǒng)中，這些樣本圖片的 維度統(tǒng)一為nXn維，對(duì)每一張彩色圖像，按照其R分量所構(gòu)成的矩陣，G分量所構(gòu)成的矩陣， B分量所構(gòu)成的矩陣進(jìn)行濾波，濾波過(guò)程為：首先，設(shè)置一個(gè)3X3維的窗口，對(duì)于得到的基 于R'、G'和B'分量中的某一分量所構(gòu)成的矩陣X，考慮該圖像X的每個(gè)像素點(diǎn)Xy，以 該點(diǎn)為中心點(diǎn)的3X3維矩陣所對(duì)應(yīng)的像素值分別為[X^,m，Xg,」，Xi,m，Xm，Xi, j+1，Xi+1,h，Xi+1,」，Xi+1,j+1]進(jìn)行從大到小排列，取其排在中間的值為新的像素X'i,」所對(duì)應(yīng) 濾波后值，注意對(duì)于X的邊界點(diǎn)，會(huì)出現(xiàn)其3X3維的窗口所對(duì)應(yīng)的某些像素點(diǎn)不存在的情 況，那么只需計(jì)算落在窗口內(nèi)存在的像素點(diǎn)的中間值即可，若窗口內(nèi)為偶數(shù)個(gè)點(diǎn)，將排在中 間兩個(gè)像素值的平均值作為該像素點(diǎn)濾波后的值X'm，從而，新的圖像矩陣X'即為濾波 后所得的圖片矩陣；然后將濾波處理過(guò)的圖像傳遞給異常物體檢測(cè)模塊和異常物體識(shí)別模 塊；在檢測(cè)的過(guò)程中，將擬檢測(cè)的遙感圖像導(dǎo)入到所述的海面異常漂浮物檢測(cè)系統(tǒng)中，在這 里我們約定對(duì)于彩色遙感圖像X，可以將該圖像看作為一個(gè)M行N列的矩陣，則對(duì)于矩陣的 第i行第j列的像素點(diǎn)Xu，其共有紅綠藍(lán)三個(gè)分量，對(duì)于整張遙感圖像的每一個(gè)點(diǎn)輔以該 點(diǎn)所對(duì)應(yīng)的經(jīng)度Longy和煒度Latm，從而對(duì)于矩陣的每一個(gè)像素點(diǎn)，一共有5個(gè)維度，分 別為（氏,」，Gy，By，Longi,j，Lati,」），其中，每一個(gè)經(jīng)煒度的坐標(biāo)以度分秒的形式，秒精確到 小數(shù)點(diǎn)后1位；然后，將該圖片按照其R分量所構(gòu)成的矩陣，G分量所構(gòu)成的矩陣，B分量所 構(gòu)成的矩陣進(jìn)行濾波，得到對(duì)應(yīng)的濾波后的R'、G'和B'分量，從而構(gòu)成新的分量（R'i, j，G'i.pB' ^，1^1^,」，1^&,」），然后將該濾波后的數(shù)據(jù)傳遞給異常物體檢測(cè)模塊。
[0009] 所述的異常物體檢測(cè)模塊，在初始化的過(guò)程中，接收到從圖像去噪模塊傳遞來(lái)的 已經(jīng)過(guò)濾波處理的典型海面上正常物體和異常物體的彩色樣本圖片，這些樣本圖片的維度 統(tǒng)一為nXn維，然后對(duì)每一張樣本圖片P，構(gòu)建該圖片P所對(duì)應(yīng)的積分圖PP，然后使用所有 積分圖對(duì)級(jí)聯(lián)分類(lèi)器進(jìn)行參數(shù)初始化，最后將訓(xùn)練所得的級(jí)聯(lián)分類(lèi)器保存起來(lái)用于檢測(cè)過(guò) 程；在檢測(cè)過(guò)程中，首先將接收到的一整幅去噪后的遙感圖像X'按照窗口大小為nXn進(jìn) 行多層分割，對(duì)于分割后所得的所有子圖片，構(gòu)建其積分圖，最后用訓(xùn)練所得的級(jí)聯(lián)分類(lèi)器 進(jìn)行分類(lèi)篩選，得到所有異常物體的子圖片，將這些子圖片附帶其在原始圖片的坐標(biāo)及經(jīng) 煒度信息傳遞給排除已知信息模塊。
[0010] 所述的構(gòu)建圖片P所對(duì)應(yīng)的積分圖PP，其過(guò)程為：
[0011] 對(duì)于圖像X'的（R'，G'，B')分量，分別構(gòu)造其積分圖，這里首先提取X'所對(duì) 應(yīng)的R分量所構(gòu)成的矩陣R'，該矩陣與X'有著相同的維度。我們從該矩陣的第1行第1 列開(kāi)始構(gòu)造積分圖，初始時(shí)設(shè)s(l，l) =R(1，1)，RR(1，1) =R(1，1)，構(gòu)造過(guò)程為一個(gè)二層 循環(huán)：
[0012]Forx=l，2，...，M
[0013] Fory=l，2，...，N
[0014] s(x，y) =s(x，y_l)+R(x，y);
[0015] RR(x，y) =RR(x，y_l)+s(x，y);
[0016] end
[0017]end
[0018] 從而構(gòu)造出R分量所對(duì)應(yīng)的積分圖RR;
[0019] 同樣的方法可以構(gòu)造出G分量所對(duì)應(yīng)的積分圖GG，B分量所對(duì)應(yīng)的積分圖BB。
[0020] 所述的使用積分圖PP對(duì)級(jí)聯(lián)分類(lèi)器進(jìn)行訓(xùn)練，其過(guò)程為：
[0021] 第一步，定義弱分類(lèi)器的函數(shù)h(x，f，p，0)為：
[0022]
[0023] 其中f為特征函數(shù)，0為閾值，p取值為1或-1，x代表根據(jù)積分圖PP所構(gòu)建的 子窗口，對(duì)于每一個(gè)子窗口x，f(X)為該子窗口x對(duì)應(yīng)于特征函數(shù)f的特征值。
[0024] 為了敘述方便，我們將子窗口x的四個(gè)邊界分別定義為左上點(diǎn)A，右上點(diǎn)B，左下點(diǎn) C，右下點(diǎn)D，A與B的中心點(diǎn)為ab，A與B的三分之一靠近A點(diǎn)為aab，三分之一靠近B點(diǎn)為 abb，其余類(lèi)推，區(qū)域內(nèi)的中心點(diǎn)用0來(lái)表示。貝ljx(A)表示子窗口在左上點(diǎn)A的積分圖所對(duì) 應(yīng)的值，其余同理。
[0025] 則定義：
[0026] =[x(bd)+x(A)-X(B)-X(ac) ] -[x(ac)+x⑶-X(bd)-X(C)]，并且定義s= 1，t= 2 ；
[0027] f2 =[x(A)+x(cd)-x(BC)-x(ab) ] -[x(ab)+x(D)-x(B)-x(cd)]，并且定義s= 2，t =1 ;
[0028] f3=[x(A)+x(bbd)-x(aac)-x(B) ] _2X[x(bdd)+x(aac)-x(acc)-x(bbd) ] +[x(D) + x(acc)-x(bdd)-x(C)]，并且定義s= 1，t= 3 ;
[0029] f4=[x(A)+x(ccd)-x(aab)-x(C) ] _2X[x(cdd)+x(aab)-x(abb)-x(ccd) ] +[x(D) + x(abb)-x(B)-x(cdd)]，并且定義s= 3，t= 1 ;
[0030] f5=[x(A)+x(0)-x(ab)-x(ac) ] +[x(D)+x(0)-x(bd)-x(cd) ] -[x(ab)+x(bd)-x(B) -x(0)]-[x(ac)+x(cd)_x(0)-x(C)]，并且定義s= 2,t= 2 ;
[0031] 第二步：構(gòu)建積分圖PP分別所對(duì)應(yīng)積分圖RR，GG，BB的子窗口x。該子窗口x的 選擇過(guò)程如下：
[0032] 定義自然數(shù)s和t，這兩個(gè)數(shù)為子窗口的倍數(shù)，這兩個(gè)數(shù)值的選定由特征函 數(shù)給定，于是，x所對(duì)應(yīng)的子窗口區(qū)域?yàn)椋篬(i，j)，（i，j+tX(b-1))，（i+sX(a-1)，j)， (i+sX(a-l)，j+tX(b_l))]，其中：i，j，a，b分別為從1開(kāi)始遞增的整數(shù)，并且能夠保證 i+sX(a-1)彡n，j+tX(b-1)彡n成立的所有取值。
[0033] 第三步：對(duì)于定義的5個(gè)特征函數(shù)，計(jì)算所有訓(xùn)練樣本的所有RGB分量對(duì)應(yīng)于當(dāng)前 子窗口x的特征值f(x)，我們此稱(chēng)之為在當(dāng)前RGB分量下當(dāng)前子窗口x的特征，如果當(dāng)前窗 口下有wf個(gè)子窗口，那么一共有T= 3XwfX5個(gè)特征，每一個(gè)特征表示為ht。設(shè)海面上正 常物體的圖片和異常物體的圖片各有K張，則對(duì)分類(lèi)器的訓(xùn)練過(guò)程如下：
[0034] 1.對(duì)于每一張圖片\^為該圖片的分類(lèi)，若yi= 1表示該圖片為異常物體的圖 片，若yi=_l表示該圖片為正常物體的圖片；
[0035] 2?對(duì)于t= 1，2，…，T，（T為特征個(gè)數(shù)）
[0036] 1).所有樣本在特征ht下的特征值，其中（r= 1，2，…，2K)，2K為正常物體和 異常物體圖片的總數(shù)；
[0037] 2).將所得的所有特征值按照從大到小的順序進(jìn)行排序；
[0038] 3).計(jì)算全部異常物體子圖的權(quán)重之和：T+=sum(f,(X))，xe異常物體的子圖；
[0039] 4).計(jì)算全部正常物體子圖的權(quán)重之和：r=sum(f\(x))，xG正常物體的子圖；
[0040] 5).對(duì)于排序好的每個(gè)元素，從第一個(gè)開(kāi)始處理，設(shè)當(dāng)前處理的元素為i:
[0041] a).計(jì)算所有大于當(dāng)前元素異常物體的子圖的權(quán)重值和： \￡異常物體的子圖，并且j<i;
[0042] b).計(jì)算所有大于當(dāng)前元素的正常物體的子圖的權(quán)重值和 XjG正常物體的子圖并且j<i;
[0043] c) ?計(jì)算分類(lèi)器在當(dāng)前元素下的誤差：e