毕业设计-基于机器视觉深度学习船只船舶检测

目录

前言

课题背景和意义

实现技术思路

实现效果图样例

---

前言

    📅大四是整个大学期间最忙碌的时光,一边要忙着备考或实习为毕业后面临的就业升学做准备,一边要为毕业设计耗费大量精力。近几年各个学校要求的毕设项目越来越难,有不少课题是研究生级别难度的,对本科同学来说是充满挑战。为帮助大家顺利通过和节省时间与精力投入到更重要的就业和考试中去,学长分享优质的选题经验和毕设项目与技术思路。

🚀对毕设有任何疑问都可以问学长哦!

大家好,这里是海浪学长毕设专题,本次分享的课题是

🎯基于机器视觉深度学习船只船舶检测

课题背景和意义

遥感图像中的船舶检测在各种应用中起着至关重要的作用，近年来受到越来越多的关注。然而，现有的多面向船舶检测方法通常是在一组预定义的旋转anchor boxes上开发的。这些预定义的框不仅导致不准确的角度预测，而且还引入了额外的超参数和较高的计算成本。此外，现有方法还没有充分利用船舶尺寸的先验知识，这阻碍了它们检测精度的提高。 传统的舰船目标检测所利用的数据是单通道SAR数据，这类数据只包含舰船的强度信息，因此不能全面地反映船只目标与海面杂波间的散射信息差异。相比之下， 多极化SAR(Polarimetric SAR)数据包含了更多的目标散射信息，因而能够更加有效地反映舰船目标与海面杂波间的散射信息差异，所以大多数研究人员已经将研究的热点转向了基于PolSAR图像的舰船目标检测任务中来。

实现技术思路

基于背景杂波统计分布的舰船目标检测

恒虚警率检测算法(Constant False Alarm Rate, CFAR)是目前应用最为广泛的舰船目标检测算法之一,它通过对背景杂波进行统计分布建模来检测舰船目标[6]。所以， CFAR检测器的关键步骤在于对背景杂波的统计建模，一旦概率密度函数 fpdf(x) 被确定,那么由阈值T产生的虚警率为[6]:

PFA=1−∫−∞Tfpdf(x)dx=∫T∞fpdf(x)dx

由于一些方位向模糊和杂波像素也具有与船只类似的散射强度，所以仅仅利用强度分布模型检测船只可能会误检这类目标，因此在考虑目标强度分布 xintensity 的同时，Leng等人也将目标的空域分布增加到常规的CFAR检测器中，并称之为“Bilateral CFAR”检测器[7]。

在文章[7]中，Leng等人用核密度估计量来确定目标的空域分布。核密度估计量被定义为[8]:

fh(x)=1n∑j=1n1hK(x−xjh)

式中， x1 … xn 目标抽样像素点，n是抽样点个数，h是核函数宽度。K(•)是核函数，且满足以下关系:

∫−∞+∞K(u)du=1

这里，文献[7]将标准正态分布认为是核函数，即:

K(u)=12πexp(−u22)

那么 fh(x) 可表示为：

fh(x)=1nh2π∑j∈Ω(w)exp(−(x−xj)22h2)

式中的 Ω(w) 是滑动窗口大小。最终令h=1, x的空域值 xspatial 可被表示为:

xspatial=fh=1(x)−min(fh=1(x))max(fh=1(x))−min(fh=1(x))

因为系数不影响线性转换，所以(12)也可以被简化为:

fh=1(x)=∑j∈Ω(w)exp(−12(x−xj)2)

明显的，式(14)是 Ω(w) 内x与 xj 差异的累加。由于船只目标的像素是连续、集中分布的，所以这些像素对应的 fh=1(x) 值较大，而海杂波像素是分散的， fh=1(x) 值较小，故式13可被用来检测舰船目标。

表 1: SAR图像中不同像素类型的 xintensity , xspatial 和 xcombined 值.

xcombinedj=4w×w∑j∈Ω(w/2)xcombinedj

依靠以上分析，目标的联合分布 xcombined 被定义为:

xcombinedj=xintensity⋅xspatialj

对 xcombined 进行平均得:

xcombinedj=4w×w∑j∈Ω(w/2)xcombinedj

W为窗口的宽度大小。

由于海面上共有4种类型像素，即船只像素，非匀质区域的明亮像素，非匀质区域的黑暗像素和匀质区域的黑暗像素，所以根据强度和空域分布的关系，舰船检测中 xcombined 会出现如表.1所示的4种情况。可以发现不管在哪种情况下，组合而成的 xcombined 图像是个高信杂比的图像，所以利用文献[9]中的双模法能够进一步求得阈值T，最终利用标准 CFAR

(Standard CFAR)检测器来检测舰船目标。图2给出了整个算法的流程图。

图 2. Bilateral CFAR检测算法流程图.

表 2: 不同算法关于TerraSAR-X和ENVISAT数据集的检测结果.

为了检测Bilateral CFAR检测器的性能，Leng等人选择了2组不同的实验数据集，即TerraSAR-X数据集和ENVISAT数据集。图3分别给出了两组数据集所对应的VV强度图。

表 2 给出了这两组数据集的实验结果。明显的，改进后的Bilateral CFAR检测器性能要优于Standard CFAR检测器的性能。图 4进一步给出了二者的ROC曲线。

图 4. Bilateral CFAR检测器和Standard CFAR检测器的ROC曲线图对比。

基于极化分解的舰船目标检测

Sugimoto等人[10]利用船、海不同的散射机制提出了两种不同的舰船目标检测方法。在构造检测器之前，Sugimoto等先将协方差矩阵[C]进行如下的去旋转角度处理:

〈[C(θ)]〉=[Uθ]〈[C]〉[Uθ]T=[Uθ][〈|SHH|2〉〈2SHHSHV∗〉〈SHHSVV∗〉〈2SHVSHH∗〉〈2|SHV|2〉〈2SHVSVV∗〉〈SVVSHH∗〉〈2SVVSHV∗〉〈|SVV|2〉][Uθ]T

这里，θ 是旋转角， [Uθ] 是去旋转角矩阵[11]。去旋转角处理的目的是为了进一步提高舰船目标的二次散射，降低体散射。然后在(8)的基础上，Sugimoto利用Yamaguchi 4成分分解方法(简写为 4-CSPD)[12]得到4个散射成分的值，即:单次散射 ps 、二次散射Pd (这里称为Optimized Pd)、体散射Pv和螺旋体散射Pc。

考虑到海面的极化散射机制主要以单次散射为主,所以 Sugimoto提出的第一种检测器是将单次散射 ps 从总的能量PT中去除，即用“ PT−Ps ”去检测船只；第二种方法是直接利用4-CSPD得到的Optimized Pd成分去检测船只。第二种方式是合理的，因为相比于舰船目标，海面的二次散射强度较小。图5给出了这两种方法的流程图。概括来说，这两种算法主要由以下3个步骤构成:

图5. 算法检测流程图

图6.数据集. (a) 数据集1: ALOS-PALSAR的伪彩色图; (b) 数据集2: RADARSAT-2的伪彩色图. 红色:二次散射, 绿色:体散射, 蓝色:表面散射. 白色长方形框代表匀质杂波海域.

Step 1: 对[C]进行去旋转角处理，而后在进行4-CSPD分解，得到参数Ps, Optimized Pd, Pv和Pc.

Step 2: 对各个检测器(“ PT−Ps ”, Optimized Pd)分别进行背景杂波建模，构造出对应的CFAR检测器.

Step 3: 进行舰船目标检测，输出结果.

在实验部分，Sugimoto等选择了两种不同传感器的全极化数据集(ALOS-PALSAR和RADARSAT-2，如图6所示)来验证这两种算法的检测性能。关于数据集1，Sugimoto在对“ PT−Ps ”和Optimized Pd图中的长方形背景区域杂波统计分布进行拟合后发现，这两种检测器的背景杂波都符合Gamma分布，如图7所示。在Gamma分布的基础上，通过构建CFAR检测器，图8和图9分别给出了这两种不同算法关于数据集1和2的检测结果。注意检测结果是在设定 Pf=1×10−3 的情况下获得。

分析图8、可以发现, Optimized Pd的检测性能要优于 “ PT−Ps ”算法。图9进一步给出了数据集2的检测结果。显然，所有的目标都被“ PT−Ps ”检测到，所以综合分析图8和图9的结果可以证明“ PT−Ps ”的鲁棒性要强于Optimized Pd检测器。

<

(a) (b)

(c) (d)

图7. 不同算法的统计分布. (a) “ PT−Ps ”图像; (b)图(a)中长方形的统计分布; (c) Optimized Pd 图; (d) 图(c)中长方形的统计分布.

图8. 不同算法关于数据集1的检测结果. (a) “ PT−Ps ”；(b) Optimized Pd.

图9. 不同算法关于数据集2的检测结果. (a) “ PT−Ps ”；(b) Optimized Pd.

图10. SAR图像斜距向和方位向模糊形成图解. (a) 斜距向模糊; (b) 方位向模糊.

基于极化特征的舰船目标检测

除了常见的杂波虚警之外，由舰船目标自身所导致的方位向模糊也是舰船目标检测中的一个难点问题。舰船的方位向模糊也被称为“鬼船”目标，是由多普勒效应导致的，如图(10)所示[3]。从系统设计的角度来说，太高的PRF(pulse repetition frequency)能够产生重叠的连续返回信号，进而产生斜距向模糊 (如图 10.a 所示)。相反，太低的PRF会导致多普勒频率高于PRF，进而导致方位向模糊的产生 (如图 10.b 所示)。船只的模糊现象在SAR图像斜距向和方位向上的距离 ΔxAZ 、 ΔxRA 分别是[3]:

ΔxAZ≈nfpvfDR (18.a)

ΔxRA≈nλfpfDR(fDC+nfp2) (18.b)

式中，n是模糊数量， λ 是波长， fp 是PRF，v是SAR平台速度， fDR 是多普勒比， fDC 是多普勒中心。

分析式(18.a)可以看出 ΔxAZ 与波长无关，而在式(18.b)中，当雷达波长较短时，真实目标与其所对应的模糊在斜距向上较近。换句话说，当其它参数不变，波长较长的系统在斜距向上出现模糊的概率较低，这是因为这些模糊在斜距向上已经超出了目标区域[13]。因此，在SAR图像舰船检测中，更多学者将注意力放在方位向模糊去除当中。此外，依靠这些分析，我们也能够发现C波段的SAR图像比L波段的SAR图像更容易出现方位向模糊,如图(11)所示[13]。

图 11. AIRSAR数据集. (a) L-Band 功率图; (b) C-Band 功率图. 其中A1是目标S1的方位向模糊.注意，这里图像的水平方向是斜距向，垂直方向是方位向.

图 12. 方位向模糊去除算法流程图.

图 13. AIRSAR C-Band 儿岛湾附近海域数据集. (a)功率图; (b) HH幅度图; (c) HV幅度图; (d) VV幅度图.注意，这里图像的水平方向是斜距向，垂直方向是方位向.

为了消除方位向模糊的影响，Wang等人[14]将式(7)中的特征值 用于舰船检测。这是合理的因为舰船目标拥有复杂的金属结构，所有船只是单次散射、二次散射、去极化散射等散射机制的混合体。由于船只的方位向模糊主要是由船只的单次或者二次散射导致的，所以方位向模糊单次散射和二次散射所对应的特征值λ1和 λ2 较高，而去极化散射所对应的

图 14.各特征值结果图. (a) ; (b) ; (c) .

(a) (b) (c)

图 15.不同算法的检测结果. (a) 本文算法; (b) TP-CFAR; (c) PWF.

λ3 较低，因此特征值分解方法可被用于舰船目标检测[14]。

具体来说，Wang等利用以下4个主要步骤来检测舰船目标:

Step 1: 对相干矩阵[T]进行滤波处理.

Step 2: 分解各个像素的[T]矩阵，得到对应的3个特征值，即 λ1 ， λ2 和 λ3.

Step 3: 利用 λ3 计算每个待估像素核中心匀质区域.

Step 4: 确定阈值，输出检测结果.

图(12)给出了具体的算法流程图。

为了验证该算法的有效性，Wang等进一步选择日本儿岛湾附近海域的AIRSAR数据作为实验数据集，图(13)给出了该地区对应的C-Band 功率及各个通道强度图。明显的，A11和A12是目标T1所对应的方位向模糊。

实现效果图样例

 

我是海浪学长,创作不易,欢迎点赞、关注、收藏、留言。

毕设帮助，疑难解答，欢迎打扰！

最后