針對復雜背景下船舶目標檢測率低和光學遙感傳感器的多光譜近紅外（NIR）波段利用率低的問題,提出一種四波段多光譜遙感圖像船舶目標顯著性檢測算法。所提算法利用四波段遙感數(shù)據(jù)中可見光波段圖像的色彩內(nèi)容飽滿、NIR圖像細節(jié)突出的特點,首先將可見光藍、綠、紅三通道圖像變換到CIE-Lab色彩空間;然后對NIR圖像進行非下采樣輪廓波變換分解,對得到的高頻分量進行非線性增強,以抑制噪聲并增強細節(jié),對低頻分量進行反銳化掩模處理增強,以改善圖像亮度的均勻性,并將高頻分量和低頻分量與Lab空間的亮度圖像相結(jié)合,得到新的Lab圖像;最后利用最大對稱環(huán)繞模型對Lab圖像進行顯著性分析,得到船舶目標的顯著性圖像。實驗結(jié)果表明,所提算法能夠充分抑制云層、海浪尾跡等雜波干擾的復雜背景信息,同時在低對比度背景下能夠突出船舶目標,具有高的查準率和查全率。 

【文章來源】：光學學報. 2020,40(17)北大核心

【文章頁數(shù)】：9 頁

【部分圖文】：

MSS模型示意圖

對圖像的NSCT,是對NSPFB與NSDFB進行結(jié)合,從而得到多尺度多方向,其分解示意圖如圖2所示。首先使用NSPFB對輸入的原圖像進行第一級尺度分解,得到低頻子帶系數(shù)和帶通子帶系數(shù),然后使用NSDFB對得到的帶通子帶系數(shù)進行多方向分解;再利用NSPFB對得到的第一級低頻子帶系數(shù)進行尺度分解,如此循環(huán)下去。所以NSCT的分解過程是分級進行的,每一級尺度下進行ml級分解,然后得到 1+ ∑ l 2 m l 個子帶系數(shù),這些子帶系數(shù)中含有l(wèi)個低頻子帶系數(shù)和 ∑ l 2 m l 個高頻子帶系數(shù),這樣就把圖像分成了低頻子帶和高頻子帶。3 NSCT-MSS的多光譜遙感圖像顯著性檢測算法

給定四通道多光譜輸入圖像后,首先將RGB三通道圖像轉(zhuǎn)換到CIE-Lab亮度-色度顏色空間,得到1個亮度L通道圖像與2個色度a和b通道圖像;然后利用NSCT算法分別對NIR通道圖像和變換到CIE-Lab空間的亮度L通道圖像進行變換,得到低頻分量和高頻分量兩部分;再對得到的高頻分量進行非線性增強,以抑制噪聲并增強細節(jié),對低頻分量進行反銳化掩模處理增強,以改善圖像亮度的均勻性。這樣就得到了NIR圖像的低頻圖像BNIR和細節(jié)高頻圖像DNIR、亮度通道L圖像的低頻圖像BL和細節(jié)高頻圖像DL。RGB圖像的低頻圖像包含人類視覺系統(tǒng)感知的低亮度信息,因此將NIR低頻圖像BNIR丟棄。將NIR圖像的細節(jié)高頻圖像DNIR與亮度通道L的低頻圖像BL組合,以獲得新的亮度圖像Lnew。這張新的亮度圖像Lnew增強了原始圖像的對比度和細節(jié)。接下來將其與Lab圖像的色度a和b通道圖像結(jié)合起來以重建最終三通道Lab圖像Lab,new。最后對新的圖像進行MSS求圖像的顯著圖,得到最終顯著圖像。算法流程如圖4所示。3.2 NSCT高頻分量的非線性增強

【參考文獻】：
期刊論文
[1]旋轉(zhuǎn)矩形區(qū)域的遙感圖像艦船目標檢測模型[J]. 仲偉峰,郭峰,向世明,潘春洪.  計算機輔助設(shè)計與圖形學學報. 2019(11)
[2]基于CFAR-DCRF紅外遙感艦船單幀目標檢測方法[J]. 宋文韜,胡勇,匡定波,鞏彩蘭,張文奇,黃碩.  紅外與毫米波學報. 2019(04)
[3]復雜海況下遙感圖像艦船目標檢測方法研究[J]. 陳彥彤,李雨陽,姚婷婷.  激光與光電子學進展. 2019(18)
[4]基于視覺顯著性的海面艦船檢測技術(shù)[J]. 丁鵬,張葉,賈平,常旭嶺,劉讓.  電子學報. 2018(01)
[5]含噪光學遙感圖像海面弱小艦船目標檢測[J]. 宋明珠,曲宏松,金光.  光學學報. 2017(10)
[6]基于非降采樣Contourlet變換的非線性圖像增強新算法[J]. 張林,朱兆達.  電子與信息學報. 2009(08)



本文編號：3012861