本文主要研究海陆背景下的光学遥感图像舰船目标检测与识别技术，重点研究了海陆分离、舰船目标疑似区域检测技术与疑似区域目标识别技术。
海陆分离：
舰船目标检测：
舰船目标识别：
针对舰船目标的复杂多样性，提出局部特征描述子（SHIFT、HOG、LBP）与Fisher Vector相结合的方法表示舰船目标。
本文包括三个部分：
基于图像特征分析的海陆分离方法则是利用海洋与陆地之间的纹理、灰度等特征差异进行海洋与陆地的分离，常用方法有阈值分割法[12. 18. 19]、区域生长法[20-22]和港口轮廓提取法[19]。
[23]中则是采用图像阈值分割方法实现海洋和陆地的基本划分，通过形态学滤波消除图像分割带来的“孔洞”，实现海路分离。[24]用梯度直方图曲线拟合法获得初始生长种子点，采用区域生长法实现海陆分离。[19]根据港口轮廓的几何特征和海岸线平直的特性，通过Hough变换检测港口轮廓的直线部分，通过这些直线的信息，提取港口轮廓找到海岸线，实现海陆分离。缺点：
采用由粗到精的思想实现海陆分离和舰船目标疑似区域的精确检测，对于海杂波、云雾、海上人工设备等引入的虚警，利用图像特征和机器学习的方法去除虚警目标，实现了舰船目标的有效识别。
本文的研究目标为：
本文主要的研究难点和解决方案如下：
（1）基于图像特征的海路分离方法
研究难点： 多种多样的海陆情况是影响海陆分离精度的重要因素。海陆分界线也是舰船目标检测阶段一个重要的虚警来源。因此，提升海陆分离的快速性和准确性，以及有效地消除海陆分界线时当前研究的热点和难点。
解决方案： 首先，基于由粗到精的思想，采用图像特征分析的分割方法实现海洋和陆地主体区域的分离，之后，计算“孔洞”形成的孤立区域与主体陆地、海洋之间的距离，结合该距离和“孔洞”的面积，将误分的“孔洞”重新分配属性。针对海陆分界线问题，本文提出基于随机填充与滑动窗口局部滤波的方法进行陆地屏蔽。该方法通过统计海洋区域灰度直方图，随机选择直方图峰值和80%峰值范围内的像素填充陆地区域，再利用局部滑动窗口滤波消除海陆之间的分界线，实现陆地屏蔽，减少了海陆分界线的干扰。
（2）基于视觉显著性的舰船目标精确检测
（3）基于特征编码的舰船目标识别
陆地和海洋之间最主要的区别就是其纹理、灰度等特征的差异，多采用图像分割方法进行海陆分离。但是由于陆地区域地物复杂，可能存在部分区域与海洋区域特征相近，因而产生“孔洞”，而海洋区域，由于岛屿和各种复杂海况的影响也会出现类似于陆地特征的区域，从而在海洋区域形成“孔洞”。
为解决这些问题，本章采用由粗到精的海陆分离策略：
[37]；
在初步进行海洋和陆地的划分中，可以采用的方法有图像分割与形态学相结合的方法和图像区域分割的方法[38]。
基于阈值的分割方法的关键是图像分割阈值如何确定，根据阈值确定方法常用效果比较好的有：最大类间方差法（OTSU）[39]、直方图谷底法[40]、自动迭代法[41]。
这些方法主要基于海洋与陆地之间的灰度差异确定阈值，然后以选择的灰度值为阈值，将海洋和陆地区域分开。
（1）OTSU阈值，该方法选择的阈值能以最佳性能分离目标与背景，采用类间方法度量，其计算方法如下：
δ
2
(
T
)
=
W
a
(
μ
a
−
μ
)
2
+
W
b
(
μ
b
−
μ
)
2
\delta ^ {2} (T) = W _ a (\mu _ a - \mu) ^ {2} + W _ b (\mu _ b - \mu) ^ {2}
δ2(T)=Wa(μa−μ)2+Wb(μb−μ)2
其中,
δ
2
\delta ^ {2}
δ2表示类间方法，
W
a
W _ a
Wa表示目标区域的面积与图像总面积的比值，
μ
a
\mu _ a
μa表示所有目标区域像素的均值，
W
b
W _ b
Wb表示背景区域的面积与图像总面积的比值，
μ
b
\mu _ b
μb表示背景所在区域内的像素平均值，
μ
\mu
μ表示全幅图像所有像素的灰度平均值。
T
T
T从0到255遍历，使
δ
2
\delta ^ {2}
δ2取得最大值的
T
T
T就是图像分割的最佳阈值。OTSU分割方法比较稳定，因而也是目前最常用的分割方法。
（2）直方图谷底法
（3）自动迭代法
评价：
迭代法存在“孔洞”最多，对灰度变化比较敏感，而直方图方法则最少，陆地边缘部分信息相对模糊，OTSU法的“孔洞”则居于三种方法的中间，能比较好的展现陆地边缘信息与不会引入较多的“孔洞”。
基于区域分割的海陆分离关键是如何自动选取种子点、如何选择区域变化准则以及如何确定区域边界阈值。
基于区域的图像分割方法计算简单，但是对噪声敏感，容易出现过分割状况。
下面介绍三种常用的基于区域的图像分割方法：区域生长[42]、区域分裂[43]、形态学分水岭法[44]。
（1）基于区域生长的海陆分离方法
区域生长的基本思想是利用一定的准则将图像中某些特征相似的像素合并成一个区域。
区域生长首先需要选择一个合适的像素点作为生长起始位置，本章选择灰度值最大的点作为种子点。生长准则是指以种子点为中心，在种子点的邻域内寻找满足生长条件的像素点并合并到种子点所在区域。然后将新加入合并区域的像素点作为新的种子点，按照相同的生长法则继续生长，当满足停止条件时，则生长操作停止。
（2）基于区域分裂的海陆分离方法
不同于区域生长法，区域分裂是将整个图像看作一个区域，利用四叉树结构进行迭代分裂。其分裂的过程：设定一个区域算子P，每当P满足分裂条件时就将区域一分为四，对新生成的区域重新进行类似计算，直到所有区域都不满足分离条件为止。一般会选取区域内像素反差或梯度幅值作为分裂判断条件。
（3）基于形态学分水岭的海路分离方法
分水岭算法是基于区域的、利用形态学的一种有效稳定的图像分割算法。分水岭的概念来自于地理概念，其基本思想是：将图像看作一块地形，像素梯度变化比较小的区域对应地面上海拔低的地方，如山谷，像素变化比较大的区域对应地面上的山脊，当海平面不断上升时，首先被淹没的是山谷，当两个山谷中的水要汇合时，在将要汇合的连接处筑上一道堤坝，直到每片区域都被堤坝完全包围时，则海平面停止上涨，图像分割完成。
优势：
大部分的遥感图像的海洋和陆地分布很复杂，这就会带来大量的孤立区域，只是初步分离的话很难确定是海洋还是陆地，因此，需要进一步对这些孤立区域进行划分。
本章采用区域距离判定孤立区域是海洋还是陆地[45]，进而实现二次划分。假设某邻域模式下的孤立区域为
A
1
,
A
2
A_1 , A_2
A1,A2，
P
1
P_1
P1表示
A
1
A_1
A1内的像素点，
P
2
P_2
P2表示
A
2
A_2
A2内的像素点，则
A
1
,
A
2
A_1 , A_2
A1,A2之间的距离按如下方式定义：
D
(
A
1
,
A
2
)
=
min
P
1
∈
A
1
,
P
2
∈
A
2
(
d
(
P
1
,
P
2
)
,
c
)
D(A_1 , A_2) = \min \limits _ {P_1 \in A_1 , P_2 \in A_2} (d(P_1 , P_2) , c)
D(A1,A2)=P1∈A1,P2∈A2min(d(P1,P2),c)
其中，
d
(
⋅
,
⋅
)
d(\cdot , \cdot)
d(⋅,⋅)表示像素点之间的欧式距离，
c
c
c可取值4或者8，表示4邻域或者8邻域。
初步分割完成后，海洋和陆地区域存在大量“孔洞”，即孤立区域。
首先，根据“孔洞“与主体陆地、主体海洋之间的距离将这些”孔洞“的归属重新划分。设”孔洞“与主体海洋区域
A
S
M
A_{SM}
ASM距离阈值为
T
1
T_1
T1，“孔洞”与主体陆地区域
A
L
M
A_{LM}
ALM的距离阈值为
T
2
T_2
T2，当距离大于
T
1
T_1
T1时，“孔洞”属于陆地，当距离大于
T
2
T_2
T2时，“孔洞”属于海洋。用
A
S
i
AS_i
ASi表示属性为海洋的区域，
A
L
i
AL_i
ALi表示属性为陆地的区域，则对孤立区域
A
i
,
i
=
1
,
2
,
.
.
.
,
n
A_i , i=1, 2, ..., n
Ai,i=1,2,...,n进行如下判断：
A
i
=
{
A
L
i
,
i
f
D
(
A
i
,
A
S
M
)
>
T
1
A
S
i
,
i
f
D
(
A
i
,
A
L
M
)
>
T
2
A_i=\left\{ \begin{aligned} AL_i , & & if & D(A_i, A_{SM})\gt T_1 \\ AS_i , & & if & D(A_i, A_{LM})\gt T_2 \end{aligned} \right.
Ai={ALi,ASi,ififD(Ai,ASM)>T1D(Ai,ALM)>T2
其次，根据孤立区域的面积对这些位置已经确定的孤立区域进行划分，将确定为陆地的孤立区域进行屏蔽处理，如将陆地区域“孔洞”的像素值重新设置为255，海洋区域“孔洞”的像素值重置为0。对于某个孤立区域
A
i
A_i
Ai，其判断方法为：
I
=
{
255
i
f
A
i
=
I
0
i
f
A
i
=
0
I=\left\{ \begin{aligned} 255 & & if & A_i=I \\ 0 & & if A_i = 0 \end{aligned} \right.
I={2550ififAi=0Ai=I
经过前面两步处理之后，海洋和陆地区域已经分离开，未来进一步舰船检测防备需要将陆地区域屏蔽处理。现有的大部分陆地屏蔽方法都是将陆地区域的灰度值设置为0（黑色），这种方法在海路相连接处形成明显的边界线，会给舰船检测带来干扰。因此，本章对分离后的陆地邻域范围内的海洋部分进行直方图统计，以统计量最大的灰度值和统计量大小80%的灰度值为取值区间，随机地填充陆地区域[37]，然后沿着海路边界，以滑动窗口的形式进行滤波处理，这样既屏蔽了陆地区域，又不会形成明显的分界线，不会对后续的检测工作造成影响。
基于阈值的海陆分离方法，原理简单，稳定性好，具有较好的泛化能力，但其分割效果受海浪和海面的灰度影响较大。基于区域生长的海陆分离方法，算法模型简单，但是种子点的选取、生长条件和生长停止条件对分割结果影响很大。在本章的实验中，选取亮度最大的点作为起始种子点，实验结果并不理想。由于目前种子点的自动化选取尚无较好的策略，因此需要人工干预选择种子点，不太适用于本文需求。
为了客观评价各算法性能，采用如下的评价方法[38]：
{
陆
地
检
测
率
=
N
(
检
测
到
的
陆
地
∩
真
实
陆
地
)
N
(
真
实
陆
地
)
陆
地
检
测
错
误
率
=
N
(
检
测
到
的
陆
地
)
−
N
(
检
测
到
的
陆
地
∩
真
实
陆
地
)
N
(
真
实
陆
地
)
陆
地
检
测
正
确
率
=
N
(
检
测
到
的
陆
地
∩
真
实
陆
地
)
N
(
检
测
到
的
陆
地
)
\left \{ \begin{array}{l} 陆地检测率=\frac{N(检测到的陆地\cap真实陆地)}{N(真实陆地)}\\ 陆地检测错误率=\frac{N(检测到的陆地)-N(检测到的陆地\cap真实陆地)}{N(真实陆地)}\\ 陆地检测正确率=\frac{N(检测到的陆地\cap真实陆地)}{N(检测到的陆地)} \end{array} \right.
⎩⎪⎨⎪⎧陆地检测率=N(真实陆地)N(检测到的陆地∩真实陆地)陆地检测错误率=N(真实陆地)N(检测到的陆地)−N(检测到的陆地∩真实陆地)陆地检测正确率=N(检测到的陆地)N(检测到的陆地∩真实陆地)