大连海事大学信息科学技术学院，辽宁 大连 116026
显著性检测技术可以快速有效地从海面背景中区分出前景船舶，因此基于显著性分析的船舶检测算法受到了广泛的研究关注。然而受到水面无规则背景噪声，如海浪、杂波、船舶尾迹等干扰，很难准确地获得船舶检测结果。针对这一问题，提出了一种基于鲁棒背景估计的船舶显著性检测算法。首先，对原始输入图像中的像素点进行聚类形成一系列超像素，并利用深度卷积网络求取每个超像素对应的特征描述。然后，为了有效抑制海面背景噪声对船舶检测性能的影响，构建了一种新的背景模板估计算法，并将其融入多尺度细胞自动机求解框架下，从而根据立体邻域空间中不同像素点的特征描述差异获得基于显著性分析的船舶检测结果。定性和定量实验结果表明，所提算法可以有效提高复杂背景下的船舶显著性检测效果。
图像处理 船舶显著性检测 背景估计 深度卷积网络 细胞自动机 激光与光电子学进展
2022, 59(8): 0810008
1 大连海事大学信息科学技术学院, 辽宁 大连 116026
2 大连海事大学无人船协同创新研究院, 辽宁 大连 116026
针对复杂海况下遥感图像舰船检测易受舰船尾迹、海杂波、油污和薄云等影响,导致检测结果可靠性较低且小目标舰船不易被检测的问题,提出一种自适应稳健背景的显著性优化舰船目标检测模型。利用顶帽算法对原图进行预处理,抑制舰船尾迹、海杂波等干扰;提出自适应超像素分割方法对稳健背景检测模型进行优化;改进基于均值信息的大津法(Otsu),确定舰船所在区域。结果表明,该方法可以在多种海况下有效检测舰船位置,具有较高的检测准确率(91.20%)、召回率(79.31%)及综合评价指标(84.00%),相比于其他显著性检测模型,该方法具有明显优势,适用于复杂海况下遥感图像小目标舰船检测。
图像处理 遥感图像 显著性检测 顶帽算法 自适应超像素分割 大津法 激光与光电子学进展
2019, 56(18): 181007
