论文摘要
针对光学遥感图像中舰船检测易受云层、波浪等因素干扰导致检测精度低的问题,提出了一种基于多分类学习的检测算法.首先利用多光谱图像提取舰船候选区并在对应的全色图像上截取切片,然后采用卷积神经网络自动提取特征并进行分类,最后利用旋转卡壳法求取目标的最小外接矩形进行精确定位.利用自建的数据集进行模型的训练、验证和测试,数据集包含2.375 6×10~4张图像,由于舰船目标类内差异大,将数据集精细地分为10种类别.目标类分为大船、中船、小船、多条船和尾迹5类,非目标类也分为波浪、黑色区域、陆地、海上密集带状物和云5类.实验结果表明:结合了多光谱信息的多分类学习可以有效提高检测率并降低虚警率,该方法在复杂海面背景下能精确地检测舰船目标,检测精度达到95.02%,虚警率低至5.24%;基本可以排除多种因素的干扰,鲁棒性较强.
论文目录
文章来源
类型: 期刊论文
作者: 陈丽琼,石文轩,范赐恩,邓德祥
关键词: 光学遥感图像,舰船检测,多分类学习,多光谱图像,最小外接矩形
来源: 华中科技大学学报(自然科学版) 2019年05期
年度: 2019
分类: 工程科技Ⅱ辑,信息科技
专业: 工业通用技术及设备,武器工业与军事技术,船舶工业,自动化技术
单位: 武汉大学电子信息学院,武汉大学遥感信息工程学院,武汉大学地球空间信息技术协同创新中心
基金: 国家自然科学基金青年基金资助项目(61501334)
分类号: TP751;U674.7
DOI: 10.13245/j.hust.190512
页码: 62-67
总页数: 6
文件大小: 1434K
下载量: 370