光學遙感圖像艦船目標檢測技術的研究.pdf

1、艦船目標檢測技術是遙感衛(wèi)星圖像處理與分析領域非常重要的課題，尤其對于高分辨率的光學遙感圖像，其海量數(shù)據雖然提供了更加豐富的細節(jié)信息，但又嚴重制約了艦船目標的檢測效率。因此，如何快速準確地獲取艦船目標的位置信息已成為一個熱點話題。針對光學遙感圖像艦船目標的檢測問題，本文重點研究了艦船目標候選區(qū)域提取和艦船目標的鑒別技術，使艦船目標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方面：
　　1、基于光學遙感圖像的預處理，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，更加突出目標信息。
　　2、研究了艦船目標候選區(qū)域的提取方法，并提出了一種改進的PQFT艦船目標候選區(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。實驗表明，改進的PQFT顯著性方法顯著度要好

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

4、M)算法用于艦船目標的分類識別。ELM是一種神經網絡算法，其特點為：網絡是單隱藏層、隱藏層結點數(shù)人為設置、輸入權值和隱藏層偏置隨機產生，因此該方法具有計算時間短、泛化能力強和不易陷入局部最優(yōu)等特點。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，本文提出了一種非線性修正的ELM算法，最后將本文改進的ELM算法用于艦船目標分類識別中。
　　基于以上研究，運用MATLAB平臺進行仿真驗證，