以構(gòu)造出G分量所對應(yīng)的積分圖GG，B分量所對應(yīng)的積分圖BB。 [0083] 所述的使用積分圖PP對級聯(lián)分類器進行訓(xùn)練，其過程為：
[0084] 第一步，定義弱分類器的函數(shù)h(x，f，p，0 )為：素值的平均值作為該像素點濾波 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。以同樣方法分別對R分量，G分量，B分量所構(gòu)成的矩陣進行濾波，將濾波后的結(jié)果（R'，G'，B')重新以彩色 圖片的形式（對于該圖片上的每一點X'm=(R'，G'，B'))傳遞給異常物體檢測模塊 和異常物體識別模塊。圖像去噪模塊的初始化結(jié)束。
[0085] 2.異常物體檢測模塊在初始化的過程中，接收到從圖像去噪模塊傳遞來的已經(jīng)過 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 16X16維，然后：
[0086] 第一步：對每一張樣本圖片P，構(gòu)建該圖片P所對應(yīng)的積分圖PP，其具體過程為： [0087] 對于圖像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 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 列開始構(gòu)造積分圖，初始時設(shè)s(l，l) =R(1，1)，RR(1，1) =R(1，1)，構(gòu)造過程為一個二層 循環(huán)：
[0088] Forx= 1，2，...，M
[0089] Fory= 1，2，...，N
[0090] s(x，y) =s(x，y_l)+R(x，y);
[0091] RR(x，y) =RR(x，y_l)+s(x，y);
[0092] end
[0093] end
[0094] 從而構(gòu)造出R分量所對應(yīng)的積分圖RR;
[0095] 同樣的方法可以構(gòu)造出G分量所對應(yīng)的積分圖GG，B分量所對應(yīng)的積分圖BB。 [0096] 第二步：使用所有積分圖對級聯(lián)分類器進行訓(xùn)練，其過程為：
[0097] 首先，定義弱分類器的函數(shù)h(x，f，p，0)為：
[0098]
[0099] 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，對于每一個子窗口x，f(X)為該子窗口x對應(yīng)于特征函數(shù)f的特征值。
[0100] 為了敘述方便，我們將子窗口x的四個邊界分別定義為左上點A，右上點B，左下點 C，右下點D，A與B的中心點為ab，A與B的三分之一靠近A點為aab，三分之一靠近B點為abb，其余點類推，區(qū)域內(nèi)的中心點用0來表示，如圖3至圖7所示。則x(A)表示子窗口在 左上點A的積分圖所對應(yīng)的值，其余同理。
[0101] 則定義：
[0102] =[x(bd)+x(A)-X(B)-X (ac)] -[x (ac) +x ⑶-X(bd)-X(C)]，并且定義s= 1，t = 2;其中，點A，B，C，D，ac，bd的位置如圖3所示；
[0103] 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 ;其中，點A，B，C，D，ab，cd的位置如圖4所示；
[0104] 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 ;其中，點A，B，C，D，aac，acc，bbd，bdd的位 置如圖5所示；
[0105] 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 ;其中，點A，B，C，D，aab，abb，ccd，cdd的位 置如圖6所示；
[0106] 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?其中，點A，B，C，D，0,ab，cd， ac，bd的位置如圖7所示；
[0107] 然后，構(gòu)建積分圖PP分別所對應(yīng)積分圖RR，GG，BB的子窗口x。該子窗口x的選 擇過程如下：
[0108] 定義自然數(shù)S和t，這兩個數(shù)為子窗口的倍數(shù)，這兩個數(shù)值的選定由特征函 數(shù)給定，于是，x所對應(yīng)的子窗口區(qū)域為：[(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。
[0109] 最后，對于定義的5個特征函數(shù)，計算所有訓(xùn)練樣本的所有RGB分量對應(yīng)于當(dāng)前子 窗口x的特征值f(x)，我們此稱之為在當(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?個子窗口，那么一共有T= 3XwfX5個特征，每一個特征表示為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，則對分類器的訓(xùn)練過程如下：
[0110] 1.對于每一張圖片\^為該圖片的分類，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；
[0111] 2?對于t= 1，2，…，T，（T為特征個數(shù)）
[0112] 1).所有樣本在特征ht下的特征值f,，其中（r= 1，2，…，2K)，2K為正常物體和 異常物體圖片的總數(shù)；
[0113] 2).將所得的所有特征值按照從大到小的順序進行排序；
[0114] 3).計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；
[0115] 4).計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；
[0116] 5).對于排序好的每個元素，從第一個開始處理，設(shè)當(dāng)前處理的元素為i:
[0117] a).計算所有大于當(dāng)前元素異常物體的子圖的權(quán)重值和：硭 \￡異常物體的子圖，并且j<i;
[0118] b).計算所有大于當(dāng)前元素的正常物體的子圖的權(quán)重值和：斤 XjG正常物體的子圖并且j<i;
[0119] c)?計算分類器在當(dāng)前元素下的誤差：ei=min[5)+ + (7'--S「），S「+ (r+-S廣)];
[0120] 6).選取使得ei最小的元素所對應(yīng)的標號i，然后將特征值f(xJ和特征值排在 i前一位的f(XiJ求平均值，得到弱分類器的參數(shù)0 = [f(Xi)+f(XH)]/2,若紀>V，P =-1，否貝lj，p= 1 ;
[0121] 7).若最小的誤差ei> 1%，則意味著誤差過大，舍棄；否則，將當(dāng)前ht(x，f，p，0) 作為選好的弱分類器；
[0122] 3.將所有選好的分類器ht按照t值從小到大排列起來，構(gòu)成集合H，于是得到了 我們要訓(xùn)練的級聯(lián)分類器。
[0123] 第三步：將訓(xùn)練所得的級聯(lián)分類器保存起來用于檢測過程；
[0124] 異常物體檢測模塊的初始化結(jié)束。
[0125] 3.排除已知信息模塊，在初始化的過程中，該模塊不工作；
[0126] 4.異常物體識別模塊，在初始化過程中：
[0127] 第一步，將接收從圖像去噪模塊所傳遞來的濾波處理過的典型海面上正常物體和 異常物體的彩色樣本圖片（此處為16X16維），其中，所采集的異常物體包括船只，海上漂 浮物，海面動物，穿著救生衣的人，海面油污，這5類異常物體，并從海面上正常物體中隨 機選擇同樣個數(shù)的圖片，構(gòu)成第6類。
[0128] 第二步，將所構(gòu)成的圖像集合使用分類器進行訓(xùn)練，其步驟為：所述的將所構(gòu)成的 圖像集合使用分類器進行訓(xùn)練，其步驟為：
[0129] 1.將帶有分類信息的每張圖片，按列展開，對于每一張nXn維的圖片，將其按列 展開成n2維的列向量Xi，從而構(gòu)成了一個集合XP= [Xi，X2，…，Xk]，計算XpX2，…，Xk的 平均值y，并將集合xp的每列減去平均值y，得到歸一后集合X' P= [X'i，X'2，…，X'k].
[0130] 2.計算公式：心=內(nèi)X的7'和V=U吵札-"和⑷-#.其中，隊為 第i類的個數(shù)，yi為第i類的均值，C為類的個數(shù)，在本發(fā)明中C= 6.
[0131] 3.求解矩陣&的特征值和特征向量wfea，將所有特征值lfa矣0所對應(yīng)的特征向量wfea構(gòu)成一個矩陣= [wfea,w2pea，…]?求解矩陣M^ea75sM^feaWi 的特征值和特征向量.設(shè)所得的特征值為lfd對應(yīng)的特征向量為w/fd，i= 將小由大到小排列，選取前s個特征，使得+4W +…++4W +…> 98%，將所對應(yīng)的特征向量構(gòu)成一個矩陣= [wfd,w2/M,'w/M]，汁算 矩陣Wp=W/eaM//W?
[0132] 4.對于每一類所對應(yīng)的數(shù)據(jù)集;計算:Vf=M//X<，并計算所對應(yīng)于所有 列的平均值<，/』f為每一類的聚類中心。
[0133] 第三步，將得到轉(zhuǎn)換矩陣Wp和每個類在轉(zhuǎn)換后的中心點Vf，其中i= 1，2，…，6， 并保存\和(i=U,…,6)供檢測過程使用。異常物體識別模塊的初始化過程結(jié)束。
[0134] 5.所述的異常信息匯總模塊，在初始化的過程中不工作；
[0135] 6.所述的輸出模塊，在初始化的過程中不工作。
[0136] 實施例2 :
[0137] 本實施例實現(xiàn)了一種基于遙感圖像的海面異常漂浮物檢測方法的檢測全過程。
[0138] 1.圖像去噪模塊在檢測的過程中，將擬檢測的遙感圖像導(dǎo)入到所述的海面異常漂 浮物檢測系統(tǒng)中，在這里我們約定對于彩色遙感圖像X，可以將該圖像看作為一個M行N列 的矩陣，則對于矩陣的第i行第j列的像素點Xu，其共有紅綠藍三個分量，對于整張遙感圖 像的每一個點輔以該點所對應(yīng)的經(jīng)度Longy和煒度Latu，從而對于矩陣的每一個像素點， 一共有5個維度，分別為（氏,」，Gy，By，Longi,」，Lati,」），其中，每一個經(jīng)煒度的坐標以度分 秒的形式，秒精確到小數(shù)點后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)成的矩陣進行濾波，得到對應(yīng)的濾波后的R'、G'和B'分量，從而構(gòu) 成新的分量（R' i.pB' 1」，1^1^,」，1^&,」），然后將該濾波后的數(shù)據(jù)傳遞給異常物 體檢測模塊。
[0139] 2.異常物體檢測模塊的檢測過程為：
[0140] 第一步：將接收到的一整幅去噪后的遙感圖像X'按照窗口大小為16X16進行多 層分割，并提取子圖，其過程為：對于原始的M行N列的圖像，首先根據(jù)窗口大小可知，定義 塊大小為nXn，其中，n= 16假設(shè)M彡N，則將提取像素區(qū)域為：[(i，j)，（i，j+n-1)，（i+n-1， j)，（i+n-1，j+n-1)]所圍成的正方形區(qū)域，其中i= [1，...，M-n+l]，j= [1，...，N-n+l]， 從而得到縮放圖的第1層，該層共（M-n+1)X(N-n+1)有張子圖，每張子圖大小為nXn維， 對于