艦船目標檢測在遙感圖像處理領域一直是研究的重點對象,無論是在民用領域還是軍事領域都具有重要的應用價值。隨著我國對地觀測技術的不斷發(fā)展,借助高分系列衛(wèi)星可以獲得海量的高分辨率光學遙感圖像。高分辨率的光學遙感圖像細節(jié)豐富,數(shù)據(jù)量龐大,目前使用傳統(tǒng)的數(shù)據(jù)整理、人工檢測和判讀的方法已經(jīng)無法滿足數(shù)據(jù)處理的需求。近年來,伴隨著深度學習在各領域的快速發(fā)展和應用,基于深度學習的卷積神經(jīng)網(wǎng)絡在目標檢測領域也得到了廣泛的研究。在大規(guī)模數(shù)據(jù)訓練的前提下,卷積神經(jīng)網(wǎng)絡相較于傳統(tǒng)圖像處理技術,在目標檢測領域具有更強的特征提取和數(shù)據(jù)擬合能力。但是隨著卷積神經(jīng)網(wǎng)絡架構的快速更新迭代,網(wǎng)絡模型的復雜度不斷提高,計算量也隨之增加,使用通用處理器計算時已無法提供足夠的算力。如果利用GPU設備進行運算,在特定的應用領域同時也需要考慮設備功耗高的問題�；谝陨霞夹g背景,本文提供了一種數(shù)據(jù)集預處理算法及標注流程,對現(xiàn)有的目標檢測網(wǎng)絡結構進行了改進,同時基于FPGA設計了加速子系統(tǒng),最終設計并完成了一套艦船目標檢測系統(tǒng)。論文的主要工作如下:(1)參考DenseNet的設計,對現(xiàn)有的目標檢測網(wǎng)絡YOLOv3的結構進行改進。有效減少... 

【文章來源】：濟南大學山東省

【文章頁數(shù)】：79 頁

【學位級別】：碩士

【部分圖文】：

圖像預處理算法流程圖

濟南大學碩士學位論文9的縮放算法，通常使用的是插值法。由于雙線性插值法與雙三次插值法的計算量較大，在海陸分割步驟中對精度要求不高，因此在這里選用速度最快的最近鄰近插值法。最近鄰插值算法實現(xiàn)較為簡單而且算法復雜度不高，運行速度較快[34]。算法依據(jù)圖像中相鄰位置的像素點來表示縮放后圖像中對應位置的像素點，因此精度不高。在待插值點的4個相鄰像素中取歐氏距離最短的一個點，將他的灰度值作為該點的灰度值。最簡單的圖像比例縮小是水平和垂直方向比例相同都是縮小2倍則原圖像中的（0，0）像素點對應著縮小圖像中的（0，0）像素點；原圖像中的（0，2）像素點對應著縮小圖像的（0，1）像素點；原圖像中的（2，0）像素點對應著縮小圖像中的（1，0）像素點以此類推將圖像縮校這種方法相當于在原始圖像中進行抽樣，調(diào)整抽樣則可以按任意比例縮小可表示為：Sx=Dx×(ShDh)(2.1)Sy=Dy×(SwDw)(2.2)其中Sx、Sy為原圖像中的像素點；Sw、Sh分別為原圖像中的寬度和高度；其中Dx、Dy為縮小圖像中的像素點；Dh、Dw為縮小圖像中的寬度和高度。下采樣效果如圖2.2所示，可以看出在下采樣后依然能夠分辨出海洋和陸地。圖2.2下采樣效果圖

濟南大學碩士學位論文11圖2.3去噪效果圖（2）二值化處理在縮略圖中使用中值濾波算法去除圖像中的噪聲后，利用最大類間方差算法（MaximumBetweenClassVariance）又稱為大津法（OTSU）可以獲得圖像中的最佳全局閾值對圖像進行二值化處理將海面與陸地區(qū)域進行分離。我們對一副圖像分為前景像素和背景像素，分割他們的閾值記作T，前景像素在圖像的比例記作ω0，背景像素在圖像的比例記作ω1，則有：ω0+ω1=1(2.4)總平均灰度值記作μ，平均灰度值記作μ0，則有：μ=ω0×μ0+ω1×μ1(2.5)圖像的類間方差記作g，其公式如下：g=ω0(μ0-μ)2+ω1(μ1-μ)2(2.6)將公式代入公式中得到：g=ω0×ω1×(μ0-μ1)2(2.7)其中遙感數(shù)據(jù)為灰度圖像范圍為0到255，圖像的尺寸為M×N。遍歷圖像的像素，將灰度值小于分割閾值T的像素個數(shù)記作N0，灰度大于分割閾值T的像素記作N1，則：ω0=N0M×N(2.8)

【參考文獻】：
期刊論文
[1]基于YOLOv3的嵌入式實時視頻目標檢測算法[J]. 尹彥卿,龔華軍,王新華.  計算機工程. 2020(02)
[2]基于深度分離卷積神經(jīng)網(wǎng)絡的高速高精度SAR艦船檢測[J]. 張曉玲,張?zhí)煳?師君,韋順軍.  雷達學報. 2019(06)
[3]基于光學遙感圖像的艦船目標檢測技術研究[J]. 尹雅,黃海,張志祥.  計算機科學. 2019(03)
[4]基于Mask R-CNN的艦船目標檢測研究[J]. 吳金亮,王港,梁碩,陳金勇,高峰.  無線電工程. 2018(11)
[5]基于卷積神經(jīng)網(wǎng)絡的SAR圖像艦船目標檢測[J]. 李健偉,曲長文,彭書娟,鄧兵.  系統(tǒng)工程與電子技術. 2018(09)
[6]基于卷積神經(jīng)網(wǎng)絡的遙感圖像艦船目標檢測[J]. 黃潔,姜志國,張浩鵬,姚遠.  北京航空航天大學學報. 2017(09)
[7]光學遙感圖像多目標檢測及識別算法設計與實現(xiàn)[J]. 姬曉飛,秦寧麗.  計算機應用. 2015(11)
[8]高分二號衛(wèi)星的技術特點[J]. 潘騰.  中國航天. 2015(01)
[9]Landsat系列衛(wèi)星對地觀測40年回顧及LDCM前瞻[J]. 姜高珍,韓冰,高應波,楊崇俊.  遙感學報. 2013(05)
[10]支持大數(shù)據(jù)管理的NoSQL系統(tǒng)研究綜述[J]. 申德榮,于戈,王習特,聶鐵錚,寇月.  軟件學報. 2013(08)

博士論文
[1]大幅寬光學遙感圖像目標檢測技術研究[D]. 聶婷.中國科學院大學(中國科學院長春光學精密機械與物理研究所) 2019
[2]基于海洋可持續(xù)發(fā)展的中國海洋科技創(chuàng)新戰(zhàn)略研究[D]. 倪國江.中國海洋大學 2010

碩士論文
[1]基于嵌入式平臺的目標跟蹤系統(tǒng)研究[D]. 王康.南京郵電大學 2019
[2]可見光遙感圖像艦船目標檢測技術研究[D]. 李慶峰.中國科學院大學(中國科學院長春光學精密機械與物理研究所) 2019
[3]基于深度學習的雙階段艦船檢測算法研究[D]. 張旭.東南大學 2019
[4]深度學習算法的FPGA硬件加速研究與實現(xiàn)[D]. 黃圳.電子科技大學 2019
[5]基于無人艇的海天線與船艇小目標檢測方法研究[D]. 王傳龍.中國艦船研究院 2019
[6]高分辨率遙感圖像深度學習艦船檢測技術研究[D]. 王騰飛.哈爾濱工業(yè)大學 2017
[7]卷積神經(jīng)網(wǎng)絡在遙感目標識別中的應用研究[D]. 殷文斌.中國科學院大學(中國科學院遙感與數(shù)字地球研究所) 2017
[8]高分辨率遙感影像飛機目標檢測[D]. 馮辰.武漢大學 2017
[9]基于FPGA的卷積神經(jīng)網(wǎng)絡加速器[D]. 余子健.浙江大學 2016
[10]基于Node.js高并發(fā)web系統(tǒng)的研究與應用[D]. 陳瑤.電子科技大學 2014



本文編號：2941530