【摘要】：遙感圖像的目標(biāo)檢測(cè)是目標(biāo)識(shí)別領(lǐng)域的研究熱點(diǎn),艦船目標(biāo)作為遙感目標(biāo)一種在民用及軍事領(lǐng)域有重要的研究意義。高分辨率遙感圖像提供了更加豐富的細(xì)節(jié)信息,為艦船目標(biāo)研究提供了一個(gè)新的方向。而高分辨率遙感圖像帶來(lái)的海量數(shù)據(jù)將制約檢測(cè)效率,因此從高分辨率遙感圖像中快速準(zhǔn)確地提取艦船目標(biāo)是當(dāng)前遙感圖像目標(biāo)提取領(lǐng)域的研究熱點(diǎn)。針對(duì)傳統(tǒng)艦船檢測(cè)方法提取特征復(fù)雜、時(shí)間復(fù)雜度高和檢測(cè)準(zhǔn)確率低的問(wèn)題,本文基于高分辨率光學(xué)遙感圖像對(duì)象提出了基于機(jī)器學(xué)習(xí)的艦船檢測(cè)方法,可有效提高艦船檢測(cè)準(zhǔn)確率和時(shí)間效率。近年來(lái),深度學(xué)習(xí)在目標(biāo)檢測(cè)識(shí)別領(lǐng)域取得優(yōu)異成績(jī),本文將Faster R-CNN算法引入遙感圖像艦船檢測(cè)中,構(gòu)建了適用于艦船檢測(cè)的結(jié)構(gòu)模型,通過(guò)與傳統(tǒng)機(jī)器學(xué)習(xí)結(jié)合特征的算法以及其他相關(guān)檢測(cè)的方法進(jìn)行對(duì)比,驗(yàn)證了該算法的準(zhǔn)確性和檢測(cè)效率。本文的主要工作包括:首先,分析了傳統(tǒng)基于規(guī)則的艦船檢測(cè)基本思路,并提出海岸線(xiàn)快速提取的方法。通過(guò)邊緣檢測(cè)和閉運(yùn)算對(duì)待檢測(cè)遙感圖像進(jìn)行海岸線(xiàn)快速提取,然后通過(guò)目標(biāo)增強(qiáng)和目標(biāo)二值化提取目標(biāo)幾何信息用于區(qū)分艦船和其他目標(biāo)。其次,針對(duì)基于規(guī)則的艦船檢測(cè)方法對(duì)靠岸艦船檢測(cè)性能差、準(zhǔn)確率低及泛化能力弱等一系列問(wèn)題,提出了一種基于方向梯度直方圖特征和線(xiàn)性支持向量機(jī)方法的光學(xué)遙感圖像艦船檢測(cè)方法。樣本獲取階段,艦船正樣本由人工旋轉(zhuǎn)至同一方向,然后借助超像素分割和聚類(lèi)算法,均勻選取不同場(chǎng)景類(lèi)別的負(fù)樣本。艦船檢測(cè)階段,利用邊緣檢測(cè)和霍夫變換旋轉(zhuǎn)待檢測(cè)目標(biāo)方向與訓(xùn)練樣本統(tǒng)一,最后利用訓(xùn)練出的模型檢測(cè)圖中艦船目標(biāo)。最后,針對(duì)傳統(tǒng)機(jī)器學(xué)習(xí)方法的預(yù)處理流程復(fù)雜而且需要人工選擇特征的問(wèn)題,本文將當(dāng)前流行的深度學(xué)習(xí)方法用于艦船檢測(cè)。提出了基于Faster R-CNN模型的艦船檢測(cè)方法,通過(guò)調(diào)試相應(yīng)參數(shù)使得模型適合本次檢測(cè)的目標(biāo)。通過(guò)多方向旋轉(zhuǎn)擴(kuò)展豐富各個(gè)方向的樣本和豐富訓(xùn)練樣本多樣性。最后,將本文提出的方法與其他艦船檢測(cè)算法進(jìn)行對(duì)比分析,實(shí)驗(yàn)結(jié)果表明本文方法能有效解決所針對(duì)的問(wèn)題。
【圖文】：

圖２．２是一個(gè)簡(jiǎn)易的ＤＢＮ網(wǎng)絡(luò)結(jié)構(gòu)，其結(jié)構(gòu)模型包含三個(gè)ＲＢＭ，其中輸入逡逑數(shù)據(jù)作為第一層的可見(jiàn)層Ｖ１輸入模型中，那么第一層ＲＢＭ由可見(jiàn)層Ｔ；１和隱藏層逡逑九１組成；當(dāng)?shù)谝粚樱遥拢屯瓿蓪?duì)輸入數(shù)據(jù)的訓(xùn)練之后，固定其權(quán)重和偏移量等權(quán)逡逑值然后利用訓(xùn)練完的隱性神經(jīng)元的狀態(tài)作為下一層ＲＢＭ的可見(jiàn)層ｖ２；同理，我逡逑們完成第二層ＲＢＭ訓(xùn)練之后，將第二個(gè)ＲＢＭ放在第一個(gè)ＲＢＭ上方并固定第逡逑二層的參數(shù)，然后將其隱性神經(jīng)元的狀態(tài)作為下一層ＲＢＭ的可見(jiàn)層Ｉ；３；最后ｖ３逡逑１０逡逑

圖２．２是一個(gè)簡(jiǎn)易的ＤＢＮ網(wǎng)絡(luò)結(jié)構(gòu)，其結(jié)構(gòu)模型包含三個(gè)ＲＢＭ，其中輸入逡逑數(shù)據(jù)作為第一層的可見(jiàn)層Ｖ１輸入模型中，那么第一層ＲＢＭ由可見(jiàn)層Ｔ；１和隱藏層逡逑九１組成；當(dāng)?shù)谝粚樱遥拢屯瓿蓪?duì)輸入數(shù)據(jù)的訓(xùn)練之后，固定其權(quán)重和偏移量等權(quán)逡逑值然后利用訓(xùn)練完的隱性神經(jīng)元的狀態(tài)作為下一層ＲＢＭ的可見(jiàn)層ｖ２；同理，我逡逑們完成第二層ＲＢＭ訓(xùn)練之后，將第二個(gè)ＲＢＭ放在第一個(gè)ＲＢＭ上方并固定第逡逑二層的參數(shù)，然后將其隱性神經(jīng)元的狀態(tài)作為下一層ＲＢＭ的可見(jiàn)層Ｉ；３；最后ｖ３逡逑１０逡逑
【學(xué)位授予單位】：廈門(mén)大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2017
【分類(lèi)號(hào)】：E91;TP751

【參考文獻(xiàn)】

相關(guān)期刊論文 前10條

1 宋熙煜;周利莉;李中國(guó);陳健;曾磊;閆鑌;;圖像分割中的超像素方法研究綜述[J];中國(guó)圖象圖形學(xué)報(bào);2015年05期

2 施曉東;劉格;;一種光學(xué)遙感圖像海陸分割方法[J];國(guó)外電子測(cè)量技術(shù);2014年11期

3 李超鵬;楊光;;一種基于海陸邊界跟蹤的快速海陸分割方法[J];計(jì)算機(jī)科學(xué);2014年10期

4 陳祥;孫俊;尹奎英;于俊朋;;基于Otsu與海域統(tǒng)計(jì)特性的SAR圖像海陸分割算法[J];數(shù)據(jù)采集與處理;2014年04期

5 王春瑤;陳俊周;李煒;;超像素分割算法研究綜述[J];計(jì)算機(jī)應(yīng)用研究;2014年01期

6 汪漢云;王程;李鵬;錢(qián)智明;郝勝勇;;多源遙感圖像配準(zhǔn)技術(shù)綜述[J];計(jì)算機(jī)工程;2011年19期

7 崔一;劉雨蒙;楊健;;基于改進(jìn)廣義相對(duì)最優(yōu)極化的極化SAR艦船檢測(cè)方法[J];清華大學(xué)學(xué)報(bào)(自然科學(xué)版);2011年03期

8 艾加秋;齊向陽(yáng);禹衛(wèi)東;;改進(jìn)的SAR圖像雙參數(shù)CFAR艦船檢測(cè)算法[J];電子與信息學(xué)報(bào);2009年12期

9 胡俊華;徐守時(shí);陳海林;張振;;基于局部自相似性的遙感圖像港口艦船檢測(cè)[J];中國(guó)圖象圖形學(xué)報(bào);2009年04期

10 李曉瑋;種勁松;;基于小波分解的K-分布SAR圖像艦船檢測(cè)[J];測(cè)試技術(shù)學(xué)報(bào);2007年04期

，

本文編號(hào)：2637269