高分辨率光学遥感图像中海洋目标检测技术的研究

摘要。“漫反射”或“漫射”是指当一束平行的入射光线照射到粗糙表面时，因为粗糙表面各点表面法向量不同，虽然入射光线相互平行，但是反射光线向不同的方向无规则反射。这种反射的光称为漫射光。很多物体，其表面从肉眼来看虽然非常光滑，但是表面实际上存在明显的纹理，凹凸不平。通常漫反射面，也称朗伯表面是指在所有的观测方向上，得到的图像的灰度相同，即灰度是与方向无关的常数。如果所有入射光都被反射，无任何吸收，则称该散射面为完全反射漫射体。因此，物体表面为朗伯表面时，受到光源照射后，反射后的图像灰度可以由入射光源强度A，反射系数ρ，以及入射角θ（即入射光源与表面法向夹角）确定：(4-1)当一束光平行入射到光滑表面时，反射光平行时的反射叫做镜面反射。当物体的表面为理想镜面时，反射光都将集中在镜面的反射方向上，观察视线的角度只有和反射光的角度相同是，才能观察到镜面反射光。但是，对于那些现实中的镜面，其表面实际上是由许多不同朝向，彼此间朝向角度相差很小的微小平面组成，所以受到光源照射是，其镜面反射光将分布于表面的理想镜面反射方向附近。在实际应用中，建立一个计算镜面反射光亮度的经验模型对现实中的镜面进行拟合，其计算公式为：(4-2)其中：是入射光中镜面反射分量强度，是物体表面镜面反射系数，它与光源的入射角和光源的波长有关；是观察视线与反射光线的夹角；n为镜面高光系数，近似描述了镜面反射光分布的空间。在实际的自然界中，大部分物体的反射模型为混合模式，是混杂了朗伯漫反射和镜面反射的混合模型，故可以表示为：（4-3）4.2.23D重建算法的简介3D重建算法主要分为从明暗变化、阴影、移动和纹理等恢复形状[37]。明暗变化是人眼识别物体形状的重要方式，研究者们长久以来都在寻求理解人类的眼睛是通过什么样的机制从物体的明暗变化中重建出其形状的。文献[38]总结了SFS（shapefromshading）的种方法，主要分为四类：最小化方法、扩散生长方法、局部方法和线性方法。最小化方法[39-40]主要是计算出可以使一个基于整幅图片的能量方程得到最小值的解，从而计算出整个场景的高度信息。这个方程可以与一些约束条件，例如灰度约束、平滑约束，可积性约束、梯度约束和单位法向量一致性约束等，共同形成一个泛函表达。灰度约束——是指重建出来的形状，在假设光源照射下，形成的灰度图像与所给的二维图像最为接近。该约束可以表示为：(4-4)其中I为原始图像，R为在假设光源照射下，依照假设反射模型所形成的二维灰度图像。光滑约束——是指重建出来的表面在一个极小的范围内，表面法向量趋于一致。即在很小范围内，z在x,y变化率趋近于0。该约束可以表示为：(4-5)其中,该式还可以简化为：另外该约束也可以简化为(4-6)光滑约束还可以用表面方向向量表述，假设表面方向向量为，该约束可以表示为：(4-7)可积性约束即需满足可积性条件，。该约束也可以被表示为(4-8)灰度梯度约束是指重建出来形状，在假设光源照射下，形成的灰度图像在x,y方向的变化率，与所给的原始灰度图像在x,y方向变化率趋于一致。该约束可以表示为(4-9)更进一步，可以给每个约束条件加以权重，得到一个综合的约束方程，即(4-10)其中；另外，也可以令任意一个权重为0，则可以减少能量约束条件。在实际计算中，可以用Tylor展开，将积分式化为累加式进行计算。线性化方法[29]是计算效率较高的一种方法，由MIT的Pentland教授提出，之后Tsai和Shah[30]由提出了改进算法。Tsai和Shah的算法原理如下：原始输入图为I,假设重建出来的场景在给定光源照射下所产生的灰度图像为R。首先引入，(4-11)离散化后可以得到：(4-12)同理:(4-13)由灰度约束条件，如果重建出来的形状完全正确，则可以得到如下结果(4-14)由Tylor展开可以得到:(4-15)上面这个等式可以形成一个线性方程，而可以用Jacobi递归的方法，得到这个方程的解。首先，可以把该式简化为：(4-16)在经过n步迭代之后，可以得到:(4-17)当n足够大时就有:(4-18)4.33D高度恢复的实验验证4.3.1简单的实验验证上述从理论上推倒了高度信息恢复的过程，下面用实验证明该理论的正确性在黑色的非反光材质背景下,将香蕉摆放在空间上不同的三个位置。记录三个香蕉切面在桌面上的绝对深度，利用已建好的系统，对拍摄后的图像进行三维形状重建。找到三个香蕉最高点的位置，记录相对高度。然后验证相对高度误差。4.1原始图4.2重建3D伪彩图表4.1香蕉最高点实际位置及重建后香蕉最高点深度标号实际位置(cm)重建深度香蕉137.9-0.0985香蕉243.3-0.1125香蕉347.2-0.1230表4.2模型物体实际相对深度与重建相对深度比较相对距离实际距离差(cm)归一化重建深度差归一化B2-B15.410.0141B3-B23.90.720.01050.75经计算，重建出来的相对高度与实际相对高度相比，误差约为4.17%。由于实验条件所限，实际测量的距离精确度为1cm，将带来一定误差。在误差允许范围内，我们可以认为，系统重建的深度准确。因此，我们可以认为，系统重建的遥感图像三维形状基本准确。4.3.2算法进一步分析当输入图像区域介质差别过大时，即漫反射反射系数ρ差别较大，重建出来的三维效果较差。例如城市中建筑围绕的花园，由于两者介质差别过大，尤其是很多的建筑在其顶部会有反光材质，会导致重建出来的相对高度不准确。当输入图像区域镜面反射比较严重时，该算法在计算过程中忽略了镜面反射，所以恢复的相对高度不准确。4.4港口内舰船检测算法设计4.4.1港口内高度信息恢复理论上遥感图片的拍摄角度为垂直拍摄，但为了验证算法可行性本文认为光源梯度为p（0.0001,0.0001,1）。下图来自GoogleEarth上一幅遥感图片。利用SFS算法恢复出的港口内高度信息如图4-3。图4.3港口内图片SFS的结果根据恢复的相对高度差，将图片分为两类，一类是高度相对较高的部分，另一类是高度相对较低的部分。从上图上看，靠岸的舰船比港口高的事实可以用SFS算法来恢复，这为后续的舰船目标检测提供了基础。4.4.2港口内舰船检测流程图4.4是本章设计的港口内舰船检测算法流程图：图4.4港口内舰船检测算法流程算法模块介绍：滤波处理模块：图像预处理过程SFS算法：遥感图片的光源梯度为（0.0001,0.0001,1）采用线性化方法；海陆分割：采用基于区域统计特性的海陆分割；舰船目标检测：采用形状特征进行检测，详细见离岸舰船检测部分；伪目标去除：主要根据海陆分割的结果，去除港口上的伪目标；整个算法流程如下：首先对图片进行预处理，得到待检测的港口内图片。如下是一幅港口内图片。从图4.4，我们发现陆地上有很多区域也有着相对较高的高度。剔除这些误判目标的方法如下：首先对图片进行基于区域统计特性的海陆分割。实验结果如图4.5：图4.5海陆分割经过SFS得出的高度信息和舰船的特征，我们可以检测舰船，但是陆地上也有很多误判目标，剔除这些误判目标的方法是在海陆分割后的图片中计算这些目标周围一个矩阵范围内的像素灰度均值。因为陆地区域在海陆分割后大部分被标为白色，那么误判目标周围像素大部分为白色。而靠岸的舰船因为一边靠海，一边靠岸，其周围的像素有一部分为黑色，那么误判目标周围一个矩阵的灰度均值要大于靠岸的舰船，本文设置阈值为180。这样最后舰船检测的结果为图4.6：图4.6港口内舰船检测结果4.5港口内舰船检测算法实验验证分析4.5.1测试图片的结果为了客观的评价设计的算法，对本章设计的港口内舰船检测算法进行了测试，实验数据源来自100幅港口内舰船检测图片。这些图片包括不同分辨率、不同港口区域、不同陆地纹理的港口图片。部分实验数据源如图4.7所示：图4.7港口内舰船检测图片从上面的测试数据上看，测试数据源包括了不同分辨率、不同区域和不同纹理分布陆地区域的港口图片，基本包含了各种港口图片。实验结果如图4.8：图4.8港口内舰船检测结果4.5.2算法分析讨论本文依据高度信息的港口内舰船检测算法能够部分处理港口内靠岸舰船的检测。本文算法不需要先验数据库，从处理问题的实用性上讲，也比基于链码的算法的适用面宽。由于难以估计光源角度，一般遥感图片又在高空拍摄，所以恢复的高度差难以用精确的实验数据来验证，导致该算法的检测正确率不是很高，只能处理一部分图片。但是本章设计的算法提供了港口内舰船检测算法一个思路，希望在以后的工作中，通过卫星遥感数据直接提供光源的角度，然后进行精确的数学运算，并进行精确的实验验证，最后恢复出相对可靠的高度差，这样本章的算法的正确率将大大提高。4.6本章小结港口内舰船检测具有非常重要的现实意义，但是由于港口和舰船分割的困难，目前还没有效果比较良好的检测算法。本章设计的舰船检测算法创新点是以港口内高度信息作为舰船识别的一个标准，这样不需要基于先验信息进行港口匹，也能够检测和岸边接触面比较多的船只。本章设计的依据高度信息的港口内舰船检测算法，虽然检测效率不高，但是在工程应用中，我们可以利用卫星传感器提供的光源角度，就可以恢复出相对精确的高度信息，这样港口内舰船检测就能得到一个相对符合要求的检测正确率。总之，本章给港口内舰船检测算法提供了一个思路，希望在以后的研究中能够进一步优化。特定船只匹配第5章特定船只匹配目前的舰船检测算法，主要用于舰船的检测。为了进一步挖掘船只的深度信息，比如船只的型号，位置等，需要关注一些特殊的船只并及时跟踪这些船只。舰船匹配是深度信息挖掘的根本，本章介绍一种基于SITF算法的特定船只匹配算法。5.1图片匹配算法介绍目前的图像匹配算法主要分为两种：一种是基于灰度匹配，由于需要遍历图片的灰度，并比较不同图片灰度的差异，所以这种算法计算量很大；另一种是基于图像像素特征点的匹配，这种算法是目前图片匹配的主流算法。基于图像像素特征点匹配的算法有两类：一类是基于全局特征的，如Harris算子等，另一类是基于局部特征的，如SIFT算子等。基于图像局部特征算子的算法能够处理所有的图片，适用性更广。5.1.1SIFT算子原理简单介绍SIFT算法是加拿大的DavidG.Lowe于2021年提出，并在2021[41]年进行完善的。SIFT算法是一种提取图像局部特征的算法，在多尺度空间寻找特征点。选择的特征点具有光照不变性、反射不变性、旋转不变性和尺度不变性等优良特性。SIFT算子分为两步：一是提取极值点，二是形成特征点向量。提取极值点的过程如图5.1所示：图5.1SIFT算子极值点示意图在多尺度空间里选取极值点，即所选的极值点是上下两层和周围的26个点的极值，尺度空间有DOG[40]滤波器的标准差决定。对极值点的筛选和描述这里不赘叙。形成特征向量的过程如图5.2所示：图5.2特征向量的形成原理在对关键点进行描述时，选取关键点周围的的窗口，如图5.2左图。我们将64个窗口分成四个区域，并以关键点的主方向为基准每隔45度确定一个方向，共八个方向，如5.2右图；然后将每个区域内的16个窗口的梯度向量经过图5-2左图中蓝色圆盘表示的高斯函数加权后投影到八个方向上去，由此得到八个值，这样，四个区域一共形成了32个值，以这64个值作为描述关键点的特征，就得到了一个32维的向量。实际应用时，为了增加SIFT特征点的独特性，选取特征点周围的区域进行上述计算，这样，可以得到一个128维的特征向量。5.1.2SIFT匹配算法分析SIFT算子经常运用图像匹配，其过成如下：首先计算原始图片和待匹配图片的特征点，然后进行SIFT算子匹配。匹配的依据是最近匹配距离和次近匹配距离的比值小于一个常数，文章作者建议为0.8.图5.3是一幅实验图片：图5.3匹配SIFT特征点从上图上看SIFT算子用于图像匹配的效果很好，依据人工可以很好的将匹配目标给识别出来。但是由于遥感数据量的巨大，在进行遥感目标匹配的过程中依据人工判断真假目标是不可行的。传统的依据匹配密度来判断也是不可取的，。如上图，两张图中都有真目标，但是很明显两幅图的匹配密度是不一样的。由于图片内容的复杂性，没有一个匹配密度阈值来判断真假目标。本章设计了一套简单的图像中物体是否匹配的自适应判断方法。5.2基于SIFT算子的图像匹配算法5.2.1算法思想本文改变了以往图像匹配算法中进行全图特征点匹配的做法，提出一种基于局部区域匹配的算法。首先将待匹配图进行区域分割，灰度上具有相似性的区域构成一个连通域；本文采用基于区域统计特性的分割算法，将光学遥感图片中的舰船划分为一个个区域；然后利用SIFT算法进行特征点匹配，统计每个区域的匹配特征点数，用匹配的特征点数目构成一个匹配向量。理论上，如果待匹配的图中有真目标，那么该图的匹配向量应该为一矩形窗或者冲击函数。如果待匹配的图中无真目标，那么该图的匹配向量应该是一无任何特征的序列。但是由于误匹配的存在，这些特征向量只是近似为矩形窗或者冲击函数。为此，本文提出了一种频域分析的方法，比较匹配向量的频谱和标准窗函数和冲击函数频谱的差异，采用归一化的办法计算出了一个相似度。经过很多实验的证明，本文设定了一个阈值，只要匹配向量的频谱和标准函数的频谱相似度超过一定阈值，就能够断定真目标的存在，且根据窗函数的截止频率，能够确定真目标的个数。最后根据匹配的区域，能够确定真目标的位置。下面是进行的实验。为了证明拥有真目标时，匹配向量近似为窗函数或冲击函数，实验如图5.4：图5.4实验图组本文首先对图片进行基于区域统计特性的分割，然后做SIFT特征提取，最后形成匹配向量，再对匹配向量做快速傅里叶变化，实验结果如图5.5：图5.5特征向量匹配图5.6匹配向量的频谱图从图5.6可以看到对于组一中有两个真目标，其匹配向量的频谱就近似于宽度为2的矩形窗的频谱，组二中有一个真目标，其匹配向量的频谱就近似于冲击函数的频谱。组三中无真目标，所以其匹配向量的频谱就无任何特点。本章还进行了大量的实验，实验表明只要有真目标，匹配向量频谱就近似于窗函数或者冲击函数的频谱。如果无真目标，匹配向量的频谱就无任何特征。5.2.2特定船只匹配算法设计模块图5.7是特定船只匹配算法设计模块：图5.7特定船只匹配系统的算法模块算法模块介绍：1）基于区域统计特性的分割：将输入图片分割，这样就构成了多个单连通域；2）SIFT匹配特征点：用SIFT算法，将待检图片与先验图片进行特征点匹配，标示出匹配的特征点；3）形成匹配向量：统计每个连通域匹配的特征点个数，构造出该匹配图组的匹配向量；4）匹配向量频域分析：比较匹配向量的频谱和标准窗函数或冲击函数的相似度；5）输出结果：根据频域分析的结果，给出真目标的个数和位置。对于匹配向量的频域分析，其算法结构如下：匹配向量频谱并归一化匹配向量频谱并归一化频谱和SA函数的相似度小于0.1有一真目标大于0.1计算截止频率得到窗函数的宽度A匹配向量频谱和窗函数频谱的相似度小于0.1A个真目标大于0.1无真目标图5.8特征向量频谱比较模块下面给出相关公式说明：频谱归一化公式：（5-1）频谱相似度计算公式：（5-2）其中N是待检图片连通域个数。为单个匹配船只是的冲击函数或者多个船只匹配时的矩形窗函数的频谱值。5.2.3特定船只匹配系统的实验分析为验证算法的有效性，下面选取了5组实验图片。实验图片如图5.9：图5.9特定船只匹配系统的实验图片算法实验结果如图5.10：图5.10特定船只匹配系统的实验结果本章选取了不同图片，针对不同真目标数目的图片进行了实验。上图中给出了特征点匹配的结果，用每个连通域的匹配的特征点个数，构成匹配向量，最后进行频域分析，得到了舰船的目标位置和个数。上图用红框和绿框标识了匹配的船只的位置。此外还得到了匹配向量的频谱与标准窗函数或冲击函数频谱的相似度，如下表：表5-1相似度测定的实验组号123450.0670.0550.0250.0020.240真目标个数22210本章测试了很多实验图片，认为取0.1是比较合适的阈值。从上面的实验数据也可以看出这个结论。5.3本章小结SIFT算法作为近年来提出的基于局部特征的图像匹配算法，其应用十分广泛。但是在处理大规模遥感数据时，需要人工判断匹配与否的做法不实际。由于图片内容的复杂，根据图片匹配点的数量和密度来判断待检图片中是否有真目标的做法也是不行的。本章设计的基于SIFT算子的图像匹配算法，创新点是能够自适应判断待检图片中是否有真目标。其主要思想是统计分割后图像中局部区域的匹配点个数，然后将每个区域匹配点个数组成一个序列，最后在频域里分析这个序列频谱的形状。这种做法的好处解决了时域难以根据匹配点个数或者匹配密度来判断待检图片中是否有真目标的问题。虽然本章在频域比较匹配点序列的频谱形状的做法很简单，但是对于处理大规模遥感数据的图像匹配问题，让算法自适应判断能够大大增加处理效率。总结和展望第6章总结和展望随着各种高分辨率光学传感器的发射，基于高分辨率光学遥感图片的目标识别技术将会越来越受到重视。本文选取具有军事和民用价值的海洋目标识别进行了探索和研究，设计了一套海洋目标检测算法，初步得到一些研究成果。6.1工作总结本文在调研国内外图像处理算法的基础上，针对高分辨率光学遥感图片的特点，提出了一整套海洋目标检测算法。高分辨率光学遥感图像具有数据量大、图像的结构，纹理和内容信息复杂的特点。因此给图像的分割和目标的识别带来了较大的困难。传统的图像分割算法难以分割高分辨率光学遥感海洋图片。在目标识别过程中，由于处理的数据量很大，识别算法的复杂度不能太高。本文有针对性的在海陆分割、离岸舰船的识别上提出了算法效率较高，效果较好的算法。并在港口内舰船检测部分，提供了一个研究思路，并初步做了些实验验证。最后为了进一步挖掘目标的深度信息，提出了一个简单的图像匹配算法，该算法很适用于处理大规模遥感数据。总结起来，本文的工作如下：（1）在调研的基础上，设计了利用区域统计特性差异的海陆分割算法。该算法执行效率较高，效果较好。该算法利用局部区域的统计参数，利用假设检验的方法，进行海陆分割。最后利用陆地和海洋两个区域统计学差异，进行误判陆地的剔除。此外该算法过程中，没有进行形态学滤波，能够保证分割后，图片局部细节的完整性。这样适合于提取海岸线和港口的结构信息，能够较为精确的反应这些地理位置局部细节的变化。（2）在调研的基础上，设计了一套针对高分辨率光学遥感图片中的离岸舰船检测算法。该算法在精确的海陆分割基础上，选择舰船样本的多维参数进行训练，得出舰船的支持向量。最后用所得的舰船样本支持向量对大规模遥感数据进行分类，提取出舰船目标。该算法的检测正确率比较高，相比较SAR图像的舰船检测的传统方法，执行效率较高。（3）在调研的基础上，认识到目前港口内舰船检测算法主要是依据先验信息进行港口匹配，然后实现舰船和港口的分离。但是这类算法的适用面有限制，原因是遥感数据量规模很大，难以获取港口的先验知识。本文提出了一个基于相对高度信息分布的港口内舰船检测算法。该算法首先通过SFS恢复出港口的相对高度分布，然后利用局部区域的像素灰度均值，进行误判目标的剔除，最后得到识别靠岸舰船。由于遥感图片在高空拍摄，且拍摄方向为垂直方向，所以算法的正确检测率不高。但是能够处理一部分港口内舰船检测的问题。该算法为港口内舰船检测问题的解决提供了一个思路，希望在以后的研究工作中有进一步的改进。（4）在充分认识到SIFT算子是一种效果良好的局部区域特征算子。针对大规模遥感数据的图像匹配问题，提出了一个简单有效的自适应判断待检图片中是否有真目标的算法。该算法改变了以往算法中依据人工判断或者依据匹配点密度判断的做法，执行效率高，适合处理遥感数据。本文的关键技术如下：（1）基于区域统计特性差异的海陆分割技术为了精确的提取舰船目标，清晰的分割海洋和陆地，本文提出了一种基于区域统计特性差异的海陆分割技术。本文发现海洋区域像素灰度均值比较小、方差较小，而陆地和舰船部分像素灰度均值较大、方差比较大。传统的OTSU分割算法会将陆地和舰船部分划归到海洋区域，会造成舰船区域断裂，影响舰船目标的检测。OTSU不会将海洋区域划归到陆地和舰船区域中。本文利用这一点，首先对图像进行OTSU分割，自适应提取OTSU分割后图像中一部分海洋区域。然后对该海洋区域进行统计学建模，提取海洋区域的统计学参数。最后利用海洋区域的统计学参数值，进行假设检验，分割海洋和陆地，并利用陆地区域的方差比海洋区域方差大的特点，剔除错分的陆地区域。经过实验表明，该技术有效的提高了海陆分割的性能。（2）基于相对高度的港口内舰船检测技术由于港口纹理复杂，普通的算法难以将舰船和陆地分割开，提取舰船目标十分困难。本文提出了一种基于港口内相对高度分布的港口内舰船检测算法。基于纹理和灰度的技术难以对港口内舰船进行检测，本文观察到舰船目标比海洋和毗邻的陆地都要高，利用从二维图像恢复出三维的相对高度信息，将舰船和陆地分割开。对于陆地区域的伪目标，由于舰船一般毗邻海洋，而陆地区域伪目标包围在大片陆地区域中，本文采用对海陆分割的结果进行局部区域估计均值的方法，去除伪目标。3特定船只匹配技术某些特定的舰船目标需要进一步挖掘深度信息，如跟踪尾迹、提取坐标位置等，必须首先要做好特定舰船的匹配。本文提出特定舰船匹配技术，首先用基于统计模型的海陆分割技术对图像进行分割，将舰船分为一个个区域目标；然后用SIFT算法得到匹配的特征点，计算每个区域的匹配向量点数，组成一个匹配序列；最后对匹配序列进行频域分析，存在真目标的图片的匹配向量的频谱类似窗函数或冲击函数的频谱，通过一个频谱相似度的测定，能自动判断真目标，并且根据区域分割的结果确定舰船位置。本文的创新点如下：（1）提出了海洋区域统计数学模型，将区域局部特征作为海陆分割一个标准，解决了传统算法中很多误判陆地剔除的问题。远洋光学遥感图片舰船检测的性能与海陆分割有很大关系。以往的方法都是利用像素灰度的差异来分割海洋和陆地。本文在OTSU分割后的海洋区域中提取一块海洋区域，创新的提出了海洋区域的统计学数学模型，在统计学上分析了海洋区域的像素统计特征。并利用这些统计学特征，进行二次阈值分割，测试结果表明海洋区域的统计学特征能够很好的进行海陆分割。基于统计学模型二次分割技术的远洋舰船检测系统能够精确的提取舰船目标，大大提高了舰船检测的正确率，降低了虚警率和漏警率。2）把相对高度作为区别港口内舰船和陆地的一个新的特征，解决了港口内舰船和港口难以分割的问题。港口内的舰船和陆地纹理十分复杂，像素灰度差距很小，传统的图像特征难以区分舰船和陆地。课题组创新的提出了一个新的特征：相对高度。本文利用遥感图片光照的影响，在二维光学遥感图像中恢复出港口内的三维相对高度。然后利用舰船比毗邻的陆地和海洋要高的特点，分割出了舰船和陆地。测试结果表明这个特征是一个有效的区别陆地和舰船的新特征。3）提出了一种基于局部区域特征的去伪目标机制，解决了港口内舰船检测中陆地中伪目标的干扰港口内舰船检测，由于陆地区域纹理复杂，可能造成舰船检测时会将陆地区域中的某些目标当成舰船，本文提出了一种基于局部区域特征的去伪机制。首先提取每个目标的坐标位置；然后在海陆分割后图片中，估计每个目标坐标位置一定区域里面的像素均值；因为陆地区域的伪目标周围的像素均值较大，而舰船一边靠海，所以区域里均值较小。最后根据均值的不同，去除伪目标。4）构造了基于局部区域匹配的特征点个数的匹配向量，解决了基于sift特征点匹配算法难以根据特征点个数或密度判断真假目标的问题。以往的匹配算法，都是首先计算全图片的特征点，然后计算匹配距离，最后根据匹配的特征点数量或者密度来判断图片是否匹配。本文采用图像分割技术，对分割后的每个区域进行匹配，并将每个局部区域匹配的特征点个数组成一个匹配向量。通过分析匹配向量的频域性质，自动分析图片中是否有真目标，并根据分割的结果确定真目标的位置。6.2未来工作展望遥感技术的发展日新月异。我国在这方面也取得了长足的进步。2021年我国发射了第一颗“北斗”卫星以来，到2021年7月份已经将九颗“北斗”卫星成功送入太空预订轨道。目前，北斗区域卫星导航系统的基本系统已建设完成，到2021年计划发射10多颗卫星，建成覆盖亚太区域的“北斗”卫星导航定位系统。预计到2021年，建成由5颗静止轨道和30颗非静止轨道卫星组网为构造平台的全球卫星导航系统。遥感技术的发展，随之的目标识别技术也要跟着发展。由于成像技术的发展，目前高分辨率遥感数据已经成为了主体。针对高分辨率遥感海洋数据，本文提出了一些海洋目标的检测算法，这些算法能够解决一部分问题，但未来还有更大的提升空间。（1）算法的集成。现在的算法是针对不同研究对象提出的解决措施，未来工作中希望有一套完整的舰船检测，识别，定位和跟踪的软件原型。首先通过图像预处理，筛选出有价值的图片。然后通过海陆分割将图片化为两块，即港口内和离岸舰船两种。针对不同的区域进行舰船检测。接着反馈舰船目标的一些基本参数，对感兴趣舰船进行深度信息挖掘，如确定该舰船的尺寸和经纬度坐标，最后动态跟踪感兴趣的舰船。这过程中涉及到多种图像处理技术，整合过程比较复杂，目前我们已经开始着手做相关工作。（2）多源数据的融合目前的卫星传感器不但能够获取光学遥感图片，还有其他类型的图片。在未来的目标识别过程中，可以实现数据的融合，提高检测效率。（3）算法进一步优化针对港口内舰船检测，需要进一步优化算法。在光照角度获取和相对高度恢复的实验数据验证上，需要进一步研究和验证。致谢参考文献[1]OtsuN.Athresholdselectionmethodfromgraylevelhistogram[J].IEEEtransonsystemmancybermetics.vol,1.No,1.pp:62-66.1979.[2]ChuZhaoliang,WangQinghua,ChenHailin,XuShoushi.Shipautodetectionmethodbasedonminimumerrorthresholdsegmentation.Computerengineering.Vol,33.No,11.pp:239-241.2021.[3]KapurJN.,SahooPK.,WongAKC.Anewmethodofgray-levelpicturethresholdingusingtheentropyofthehisgram[J].Computervision,graphicesandimageprocessing.Vol,29.No,2.pp:273-285.1985.[4]ShaojunWang,SchuurmansD.,FuchunPeng,YunxinZhao.Learningmixturemodelswiththeregularizedlatentmaximumentropyprinciple.IEEEtransonneuralnetworks.Vol,15.No,4.pp:903-916.2021.[5]AiGuohong,WanShouhong,YueLihua.Asea-landsegmentationalgorithmbasedondynamicfusionmodelofmulti-features.Electronicsresearchanddevelopment.Vol,38.No,3.pp:37-40.2021.[6]ChangrenZhu,HuiZhou,RunshengWang,JunGuo.Anovelhierarchicalmethodofshipdetectionfromspaceborneopticalimagebasedonshapeandtexturefeatures.IEEEtransongeoscienceandremotesensing.Vol,48.NO,9.pp:3446-3456.2021[7]TonyF.Chan,LuminitaA.Vese.Activecontourswithoutedges.IEEEtransonimageprocessing.Vol,10.No,2.pp:266-277.2021.[8]HeZhiguo,ZhouXiaoguang,LuJun,KuangGangyao,AfastCFARdetectionalgorithmbasedontheG0distributionforsarimage.Journalofnationaluniversityofdefensetechnology.Vol,31.No,1.pp:47-51.2021.[9]AiJiaqiu,QiXiangyang,LiuFang,ShiLi.AnewCFARshipdetectionalgorithmbasedonindependentjointKdistribution[J].JournalofthegraduateschoolofChineseaccademyofscience.Vol,27.No,5.pp:651-656.2021.[10]LiWenwu,LiYi.Detectionofshipinopticalremotesensingimageofmedian-lowresolution.Master’sthesisofnationaluniversityofdefensetechnology.2021.[11]K.Eldhuset,AnAutomaticShipandShipWakeDetectionSystemforSpaceborneSARImagesinCoastalRegions.IEEEtransongeoscienceandremotesensing,vol.34,no.4,pp.1010-1019,July1996.[12]P.W.Vachon,J.W.M.Campbell,C.A.Bjerkelund,F.W.Dobson,andM.T.Rey.ShipdetectionbytheRADARSATSAR:Validationofdetectionmodelpredictions.Can.J.ofRemoteSens.,vol.23,no.1,pp.48–59,2021.[13]C.C.Wackerman,K.S.Friedman,W.G.Pichel,P.Clemente-ColónandX.Li,“AutomaticDetectionofShipsinRADARSAT-1SARImagery,”Can.J.ofRemoteSens.,vol.27,no.4,pp.371-378,2021.[14]M.Liao,C.Wang,YWang,andL.Jiang,“UsingSARImagestoDetectShipsFromSeaClutter,”IEEEGeosci.RemoteSen.Lett.,vol.5,no.2,pp.194-198,Apr.2021.[15]高贵,鲁敏,黄纪军,匡纲要,李德仁.高分辨SAR图像中杂波的统计特性分析.信号处理，2021，24(4):648-654.[16]艾加秋,齐向阳.一种基于局部K分布的新的SAR图像舰船检测算法.中国科学院研究生院学报.2021(1):36一42.[17]李晓玮,种劲松.基于小波分解的K分布SAR图像舰船检测.测试技术学报.2021,21(4):350一354.[18]王义敏,安锦文,王若朴.基于局部双参数估计的SAR图像CFAR目标检测技术.火力与指挥控制.2021,31(4):50-52.[19]P.LombardoandM.Sciotti.Segmentation-basedTechniqueforShipDetectioninSARImages.IEEProc-Radar,SonarNavig.,vol.148.no.3,pp.147-159,June2021.[20]M.Tello,C.López-Martínez,andJ.J.Mallorqui,“ANovelAlgorithmforShipDetectioninSARImageryBasedontheWaveletTransform,”IEEEtransongeoscienceandremotesensingLett.,vol.2,no.2,pp.201-206,Apr.2021.[21]张风丽，张磊，吴炳方．欧盟船舶遥感探测技术与系统研究的进展．遥感学报．2021，11(4)：552-562．[22]ChangrenZhu,HuiZhou,RunshengWang,JunGuo.Anovelhierarchicalmethodofshipdetectionfromspaceborneopticalimagebasedonshapeandtexturefeatures.IEEEtransongeoscienceandremotesensing.Vol,48.NO,9.pp:3446-3456.2021[23]T.Ojala,M.Pietikäinen,andD.Harwood,Acomparativestudyoftexturemeasureswithclassificationbasedonfeatureddistributions,PatternRecognition.,vol.29,no.1,pp.51–59,Jan.1996.[24]C.R.ZhuandR.S.Wang,Local-multiple-patterns-basedmultiresolutiongray-scaleandrotation-invarianttextureclassification,”PatternRecognit.,2021,submittedforpublication.[25]隆刚,陈学佺.高分辨率遥感图像港内舰船的自动检测方法.计算机仿真.2021,24(5):198-201.[26]张振、徐守时.高分辨率可见光遥感图像港口及港内目标识别方法研究.中国科技大学硕士研究生毕业论文，2021.[27]LiWenwu,LiYi.Detectionofshipinopticalremotesensingimageofmedian-lowresolution.Master’sthesisofnationaluniversityofdefensetechnology.2021.[28]施鹏，庄连生，敖欢欢，俞能海基于视觉感知机理的舰船目标检测大气与环境光学学报。[29]AlexP.PentlandFindingtheilluminantdirection[J].OpticalSocofAm.,1982,72(4),448-455.[30]TsaiP-S,ShahM.Afastlinearshapefromshading[A].InIEEEComputerSocietyConferenceonCVPR[C].UrbanaChampaign.1992,734-736.[31]AbdelrehimAhmed,AlyFarag,ThomasStarr.Anewsymmetricshapefromshadingalgorithmwithanapplicationto3-Dfacereconstruction,2021,ICIP,pp:201-204.[32]LimeiSong,YuhuaWen.Three-DimensionalRecongstructionandEvaluationBasedonCTimage.2021,Thefirstinternationalworkshoponeducationtechnologyandcomputerscience.pp：44-48.[33]ZhouDelongandZongJunbin,MinimumErrorThresholdingBasedonTwoDimensionalHistogram[C],ComputerScienceandInformationEngineering,2021WRIWorldCongress,Vol.7,169-175[34]陈忠.高分辨率遥感图像分类技术的研究.中国科学院遥感应用研究所博士论文.2021[35]施鹏.基于光学遥感图像的舰船目标检测技术.中国科学技术大学硕士论文.2021.[36]HemantD.TagareandRuiJ.P.deFigueiredo.ATheoryofPhotometricStereoforaClassofDiffuseNon-LambertianSurfaces[J].IEEETransactiononPatternAnalysisandMachineIntelligence,1991,13(2),133-152[37]ZhangR,TsaiPS,CryerJE,etal.ShapefromShading:asurvey[J].IEEETransactiononPatternAnalysisandMachineIntelligence,2021,21(8),690-705[38]廖熠，赵荣椿.从明暗恢复形状(SFS)的几类典型算法分析与评价[J].中国图像图形学报,2021,[39]HornB.K.P.ShapefromShading:AMethodforObtainingtheShapeofaSmoothOpaqueObjectfromOneView[D].MassachusettsInst.ofTechnology,1970[40]HornB.K.P.HeightandGradientfromShading[J].InternationalJournalofComputerVision,1989,37-75[41]DavidG.Lowe,DistinctiveImageFeaturesfromScale-InvariantKey-points[J].InternationalJournalofComputerVision,2021,60(2),91-110致谢时间过得真快，转眼就到了毕业的时间。随着键盘的敲打，突然出现了致谢两个字，心中一阵感慨，莫名的感受到了那个夏天里一个小伙子走进科大时身上一股火热，字打到这里就是离别。这三年来，在科大这个充满智慧，载满活力的校园里，我成长了很多，也积淀了很多。临别之际，在论文的结尾处留下点文字，流露出对这段岁月的印迹。首先，我要感谢我的导师俞能海教授。这三年来，俞老师教会了我很多做人做事的道理，这些将让我终身受益。俞老师渊博的知识水平告诉我厚实的文化是一个人成长的基础，俞老师严谨的科研作风告诉我严谨的态度是一个人做事的前提，俞老师正直的人生理念告诉我积极的生活方向是一个人处世的原则，俞老师敏锐的洞察力告诉我日常的反思是一个人提高的阶梯。这里依稀看到了俞老师手把手给我改文档错字的情形，依稀听到了俞老师一遍遍给我指出自己的不足的声音。请允许我用文字写下来：俞老师，您辛苦了，谢谢您三年来对我的教育培养！然后我要感谢我的指导教师李卫海老师。李老师知识渊博，态度严谨，乐观豁达，诲人不倦。三年来，李老师一次次的指导我在科研工作中的不足，认认真真的修改我的文章。我要对李老师说：李老师，您教会了我很多，不仅在工作中，在生活中，您也是我学习的榜样。我还要感谢我的师兄敖欢欢，师兄在三年来给了我很多的指导，一次次的纠正我的错误，我真心感谢，想对师兄说：虽然我这个师弟不怎么样，但是很佩服师兄，你真的好牛！在这里我还要感谢刘斌老师，张驰老师，张卫明老师，庄连生老师、杨福荣老师等各位老师对我课程和学术上的指导。感谢信息处理中心的张方志老师，华孝枝老师，给我创造了一个学习和生活的好环境。我还要感谢很多师兄师弟陪我一起度过了实验室三年的岁月。他们是已经毕业的博士刘洋，马柯，郝卓，硕士生王浩，唐珂，王文博，龙可和已经出国深造的周浩，邓艳等。感谢和我一起毕业的周维，孙长翔，杨奇才，徐甲甲，高浩渊，王鹏等。感谢还在科研中的张浩，金学学，管西东，叶惠，钱若函，赵会斌，曹思亮，毛万东，夏磊等。我还要感谢我生活中的朋友，他们陪我一起吃喝玩乐。这些人是何宗虎，闻军，桂旭勇，郭波，叶芳，吴萍等。最后我要感谢我的家人，家人为我付出了无数的血汗。我成长在一个温暖的家庭。二十多年来，父母一直给了我一个避风的港湾，让我安心的读书。爷爷一直对我鼓励，在我受挫折的时候，听到爷爷教诲的话，心里就放下了，重新开始。叔叔，阿姨，舅舅，舅妈一直把我当自己的孩子。他们经常给我打，关心我读书，关心我工作。每个周末都可以去他们家玩，就像回家一样的毫无拘束。他们的无私的爱，塑造了我单纯，善良的性格。在以后的社会生活中，我还要这样真诚的对待别人，和大家一起分享快乐。二十年来，从老师、家人、同学和朋友身上，我学会基本的做人做事的道理，具备了基本的生活能力。以后我老老实实做人，踏踏实实做事来回报大家给我的爱。再次向生活中关心过我的所有人表示感谢！谢谢你们！于中国科学技术大学西区 攻读学位期间发表的学术论文与取得的其他研究成果攻读学位期间发表的学术论文与取得的其他研究成果发表论文：XinYou,NenghaiYu.AnAutomaticMatchingAlgorithmBasedonSIFTDescriptorsforRemoteSensingShipImage.InternationalConferenceonImageandGraphic.2021.8,pp：377-381.XinYou,WeihaiLi.ASea-landSegmentationSchemeBasedonStatisticalModelofSea.The4thInternationalCongressonImageandSignalProcessing.2021.10.项目：国家高技术研究发展计划（863）项目子项目基于XX平台的XX技术研究第二期；国家高技术研究发展计划（863）项目子项目基于XX平添的XX技术研究第三期。基金:NationalNaturalScienceFoundationofChina(NO.61003136);FundamentalResearchFundsfortheCentralUniversities(WK2100230002).

社会实践报告系别：班级：学号：姓名：作为祖国未来的事业的继承人，我们这些大学生应该及早树立自己的历史责任感，提高自己的社会适应能力。假期的社会实践就是很好的锻炼自己的机会。当下，挣钱早已不是打工的唯一目的，更多的人将其视为参加社会实践、提高自身能力的机会。许多学校也积极鼓励大学生多接触社会、了解社会，一方面可以把学到的理论知识应用到实践中去，提高各方面的能力；另一方面可以积累工作经验对日后的就业大有裨益。进行社会实践，最理想的就是找到与本专业对口单位进行实习，从而提高自己的实战水平，同时可以将课本知识在实践中得到运用，从而更好的指导自己今后的学习。但是作为一名尚未毕业的大学生，由于本身具备的专业知识还十分的有限，所以我选择了打散工作为第一次社会实践的方式。目的在于熟悉社会。就职业本身而言，并无高低贵贱之分，存在即为合理。通过短短几天的打工经历可以让长期处于校园的我们对社会有一种更直观的认识。实践过程：自从走进了大学，就业问题就似乎总是围绕在我们的身边，成了说不完的话题。在现今社会，招聘会上的大字报都总写着“有经验者优先”，可还在校园里面的我们这班学子社会经验又会拥有多少呢？为了拓展自身的知识面，扩大与社会的接触面，增加个人在社会竞争中的经验，锻炼和提高自己的能力，以便在以后毕业后能真正真正走入社会，能够适应国内外的经济形势的变化，并且能够在生活和工作中很好地处理各方面的问题，我开始了我这个假期的社会实践-走进天源休闲餐厅。实践，就是把我们在学校所学的理论知识，运用到客观实际中去，使自己所学的理论知识有用武之地。只学不实践，那么所学的就等于零。理论应该与实践相结合。另一方面，实践可为以后找工作打基础。通过这段时间的实习，学到一些在学校里学不到的东西。因为环境的不同，接触的人与事不同，从中所学的东西自然就不一样了。要学会从实践中学习，从学习中实践。而且在中国的经济飞速发展，又加入了世贸，国内外经济日趋变化，每天都不断有新的东西涌现，在拥有了越来越多的机会的同时，也有了更多的挑战，前天才刚学到的知识可能在今天就已经被淘汰掉了，中国的经济越和外面接轨，对于人才的要求就会越来越高，我们不只要学好学校里所学到的知识，还要不断从生活中，实践中学其他知识，不断地从各方面武装自已，才能在竞争中突出自已，表现自已。在餐厅里,别人一眼就能把我人出是一名正在读书的学生,我问他们为什么,他们总说从我的脸上就能看出来,也许没有经历过社会的人都有我这种不知名遭遇吧!我并没有因为我在他们面前没有经验而退后,我相信我也能做的像他们一样好.我的工作是在那做传菜生,每天9点钟-下午2点再从下午的4点-晚上8:30分上班,虽