光學(xué)遙感圖像艦船目標(biāo)檢測技術(shù)的研究.pdf

1、艦船目標(biāo)檢測技術(shù)是遙感衛(wèi)星圖像處理與分析領(lǐng)域非常重要的課題，尤其對于高分辨率的光學(xué)遙感圖像，其海量數(shù)據(jù)雖然提供了更加豐富的細(xì)節(jié)信息，但又嚴(yán)重制約了艦船目標(biāo)的檢測效率。因此，如何快速準(zhǔn)確地獲取艦船目標(biāo)的位置信息已成為一個(gè)熱點(diǎn)話題。針對光學(xué)遙感圖像艦船目標(biāo)的檢測問題，本文重點(diǎn)研究了艦船目標(biāo)候選區(qū)域提取和艦船目標(biāo)的鑒別技術(shù)，使艦船目標(biāo)檢測的精度和效率得到了提高。本文主要工作包括以下幾個(gè)方面：
　　1、基于光學(xué)遙感圖像的預(yù)處理，該環(huán)節(jié)主要

2、包括圖像的濾波、光照均衡化和去云霧干擾等步驟,其中重點(diǎn)研究了圖像的光照均衡化處理和去云霧干擾等算法。該步驟旨在減弱噪聲、光照不均勻和云霧等不利因素的干擾，更加突出目標(biāo)信息。
　　2、研究了艦船目標(biāo)候選區(qū)域的提取方法，并提出了一種改進(jìn)的PQFT艦船目標(biāo)候選區(qū)域快速提取法。本文引入了PQFT方法，并在原有的PQFT算法中加入了小波變換，從不同尺度分析圖像的顯著特征，從中選擇顯著度最好的圖像。實(shí)驗(yàn)表明，改進(jìn)的PQFT顯著性方法顯著度要好

3、于原尺度的效果，運(yùn)算時(shí)間也得到了相應(yīng)減少。
　　3、為了判斷所提取候選區(qū)域的目標(biāo)是否為艦船目標(biāo)，本文分別提取了艦船目標(biāo)的形狀特征、灰度特征、紋理特征和梯度方向直方圖特征。并提出了一種改進(jìn)的LBP特征提取算法，其抗干擾能力變強(qiáng)、計(jì)算復(fù)雜度降低，增加了LBP特征提取的可控性。通過融合艦船目標(biāo)的多特征信息，能夠更加準(zhǔn)確地判別艦船目標(biāo)和非艦船目標(biāo)。
　　4、將改進(jìn)的極限學(xué)習(xí)機(jī)(Extreme Learning Machine, EL

4、M)算法用于艦船目標(biāo)的分類識(shí)別。ELM是一種神經(jīng)網(wǎng)絡(luò)算法，其特點(diǎn)為：網(wǎng)絡(luò)是單隱藏層、隱藏層結(jié)點(diǎn)數(shù)人為設(shè)置、輸入權(quán)值和隱藏層偏置隨機(jī)產(chǎn)生，因此該方法具有計(jì)算時(shí)間短、泛化能力強(qiáng)和不易陷入局部最優(yōu)等特點(diǎn)。而傳統(tǒng)ELM算法的激活函數(shù)，如Sigmoid函數(shù)、sin函數(shù)和tanh函數(shù)等存在過飽和的缺點(diǎn)，本文提出了一種非線性修正的ELM算法，最后將本文改進(jìn)的ELM算法用于艦船目標(biāo)分類識(shí)別中。
　　基于以上研究，運(yùn)用MATLAB平臺(tái)進(jìn)行仿真驗(yàn)證，