logo资料库

论文研究-遥感图像中舰船检测方法综述.pdf

发布时间：2022-05-30 发布人：admin 分类：说明书 资料大小：0.88M 资料格式：pdf 举报 版权申诉
第1页 / 共8页
第2页 / 共8页
第3页 / 共8页
第4页 / 共8页
第5页 / 共8页
第6页 / 共8页
第7页 / 共8页
第8页 / 共8页
资料共8页，全文预览结束
    第 ２８ 卷第 １ 期 ２０１１ 年 １ 月　 计 算 机 应 用 研 究 Ａｐｐｌｉｃａｔｉｏｎ Ｒｅｓｅａｒｃｈ ｏｆ Ｃｏｍｐｕｔｅｒｓ Ｖｏｌ．２８ Ｎｏ．１ Ｊａｎ．２０１１ 遥 感 图 像 中 舰 船 检 测 方 法 综 述 唐沐恩， 林挺强， 文贡坚 （国防科学技术大学 ＡＴＲ 国防科技重点实验室， 长沙 ４１００７３） 摘　要： 随着遥感成像技术的发展，遥感图像中大型移动目标的检测和识别成为可能，舰船目标检测和识别就 是在这一背景下提出的。 在参考大量文献的基础上，回顾了舰船检测的发展历程，分析了其研究现状，对舰船检 测方法进行了综述并分类，在此基础上对各类算法进行对比，最后给出了该领域存在的问题和发展趋势。 关键词： 舰船检测； ＳＡＲ 图像； 可见光图像； 遥感图像 中图分类号： ＴＰ３９１畅４１　　　文献标志码： Ａ　　　文章编号： １００１唱３６９５（２０１１）０１唱００２９唱０８ ｄｏｉ：１０．３９６９／ｊ．ｉｓｓｎ．１００１唱３６９５．２０１１．０１．００７ Ｏｖｅｒｖｉｅｗ ｏｆ ｓｈｉｐ ｄｅｔｅｃｔｉｏｎ ｍｅｔｈｏｄｓ ｉｎ ｒｅｍｏｔｅ ｓｅｎｓｉｎｇ ｉｍａｇｅ ＴＡＮＧ Ｍｕ唱ｅｎ， ＬＩＮ Ｔｉｎｇ唱ｑｉａｎｇ， ＷＥＮ Ｇｏｎｇ唱ｊｉａｎ （ATR Key Laboratory， National University of Defense Technology， Changsha ４１００７３， China） Abstract： Ａｌｏｎｇ ｗｉｔｈ ｔｈｅ ｒｅｍｏｔｅ ｓｅｎｓｉｎｇ ｉｍａｇｉｎｇ ｔｅｃｈｎｏｌｏｇｙ ｄｅｖｅｌｏｐｉｎｇ， ｄｅｔｅｃｔｉｏｎ ａｎｄ ｒｅｃｏｇｎｉｚｅ ｔｈｅ ｇｏｏｄ唱ｓｉｚｅ ｍｏｖｉｎｇ ｔａｒｇｅｔ ｉｎ ｒｅｍｏｔｅ ｓｅｎｓｉｎｇ ｉｍａｇｅ ｂｅｃｏｍｅ ｔｒｕｅ，ｉｔ ｉｓ ｔｈｅ ｂａｃｋｇｒｏｕｎｄ ｏｆ ｔｈｅ ｓｈｉｐ ｔａｒｇｅｔ ｄｅｔｅｃｔｉｏｎ ａｎｄ ｒｅｃｏｇｎｉｚｅ．Ｂａｓｅｄ ｏｎ ｅｘｔｅｎｓｉｖｅ ｉｎｖｅｓｔｉ唱 ｇａｔｉｏｎ ｏｆ ｅｘｉｓｔｉｎｇ ａｒｔｉｃｌｅｓ，ｔｈｉｓ ｐａｐｅｒ ｒｅｖｉｅｗｅｄ ｔｈｅ ｄｅｖｅｌｏｐｍｅｎｔ ｈｉｓｔｏｒｙ ａｎｄ ｃｕｒｒｅｎｔ ｃｈａｌｌｅｎｇｅｓ ｏｆ ｓｈｉｐ ｄｅｔｅｃｔｉｏｎ ｍｅｔｈｏｄｓ ｉｎ ｄｅ唱 ｔａｉｌｓ．Ｆｉｒｓｔ ｐｒｅｓｅｎｔｅｄ ａ ｃｏｍｐｒｅｈｅｎｓｉｖｅ ｏｖｅｒｖｉｅｗ ｏｆ ｓｈｉｐ ｄｅｔｅｃｔｉｏｎ ｍｅｔｈｏｄｓ．Ｔｈｅｎ，ｇａｖｅ ｃｌａｓｓｉｆｉｃａｔｉｏｎ ａｎｄ ｃｏｍｐａｒｉｓｏｎｓ ｏｆ ｓｈｉｐ ｄｅｔｅｃｔｉｏｎ ｍｅｔｈｏｄｓ．Ａｔ ｌａｓｔ，ｄｉｓｃｕｓｓｅｄ ｃｏｎｃｌｕｓｉｏｎｓ ａｎｄ ｆｕｔｕｒｅ ｄｅｖｅｌｏｐｍｅｎｔ ｏｆ ｓｈｉｐ ｄｅｔｅｃｔｉｏｎ． Key words： ｓｈｉｐ ｄｅｔｅｃｔｉｏｎ； ＳＡＲ ｉｍａｇｅｓ； ｏｐｔｉｃａｌ ｉｍａｇｅ； ｒｅｍｏｔｅ ｓｅｎｓｉｎｇ ｉｍａｇｅ ［１］ 舰船非法倾倒油污的监视与管理 0　引言 舰船目标检测与监视是世界各海岸地带国家的传统任务， 在舰船寻找与救助、捕鱼船监视、非法移民、保卫领土、反毒品、 等方面有着广泛的应用。 随着遥感成像技术的发展，利用遥感图像进行舰船目标检测成 为可能，其研究对象包括对舰船本身和舰船尾迹的检测。 一般 认为，衡量舰船检测方法的好坏有以下几个方面：提取舰船的 准确性；检测结果连通性，是否能够指导实际应用以及计算的 复杂度。 在二十多年的发展历程中，各国研究者对舰船检测方法进 行了广泛的研究，目前已提出了许多舰船检测算法 ［２，３］，如双 ［２，４，５］、 最 佳 熵 自 动 门 限 法 参 数 恒 虚 警 （ ＣＦＡＲ） 算 法 （ＫＳＷ）［６，７］、基 于 Ｋ 分 布 的 ＣＦＡＲ 方 法 ［８，９］、 多 极 化 检 测 方 等。 随着应用领域的不断扩大和小波理论、视觉显著 ［１０，１１］ 度模型、分形理论等新理论的引入，舰船检测的研究变得缤纷 多彩。 但迄今为止，对这些方法还没有统一的分类，在参考大 量文献的基础上，对遥感图像中舰船检测方法进行分类并在此 基础上进行概括和评述。 1　发展与现状 自１９７８ 年在 ＳＥＡＳＡＴ 的 ＳＡＲ 图像上，人们第一次发现海 洋表面延伸２０ ｋｍ 长的舰船尾迹以来，人们逐渐对 ＳＡＲ 图像 舰船尾迹表示关注并进行研究。 利用 ＳＡＲ 图像检测舰船及其 法 尾迹，是在不同气象条件下监视舰船的自动化手段，目前国际 上已经发展了众多的星载 ＳＡＲ、机载 ＳＡＲ，获得了越来越多的 ＳＡＲ 图像数据。 随着海量的 ＳＡＲ 图像用于舰船及其尾迹检 测，需要开展自动检测算法方面的研究。 １９８６ 年挪威国防研 究院（ＮＤＲＥ）与欧空局（ＥＳＡ） 签订合同，开展利用 ＳＥＡＳＡＴ 图 像进行舰船和舰船尾迹 ＳＡＲ 检测的研究项目；在之后的数年 中，发表了众多关于 ＳＡＲ 图像舰船尾迹和产生机理的研究论 文。 ２０００ 年５ 月３０ 日 ～６ 月１ 日，在加拿大新斯科舍省 Ｄｉｇｂｙ 城，由海洋遥感联盟（ＡＭＲＳ） 召集，专门召开了世界上第一次 关于海岸水域舰船检测的专题讨论会“Ｓｈｉｐ Ｄｅｔｅｃｔｉｏｎ ｉｎ Ｃｏａｓｔａｌ Ｗａｔｅｒｓ Ｗｏｒｋｓｈｏｐ ２０００”， 来自加拿大、美国、意大利、英国、挪威 等国家的科学家发表了约３０ 篇文章，讨论了各种检测舰船的 传感器（包括 ＳＡＲ、高频表面波雷达、声学方法、光学传感器）、 检测平台和检测算法。 同时，利用 ＳＡＲ 图像进行海洋监视的应用系统得到了众 多国家研究人员的开发，如加拿大Ｓａｔｌａｎｔｉｃ 公司开发的ＲＡＤＡ唱 ＲＳＡＴ 海洋监视工作站（ｏｃｅａｎ ｍｏｎｉｔｏｒｉｎｇ ｗｏｒｋｓｔａｔｉｏｎ，ＯＭＷ）（包 括舰船检测、油膜检测、海洋波谱、海洋风、海况分析等模块）、 阿拉斯 加 ＳＡＲ 演 示 系 统（Ａｌａｓｋａ ＳＡＲ ｄｅｍｏｎｓｔｒａｔｉｏｎ ｓｙｓｔｅｍ， ＡＫＤＥＭＯ）、欧盟的联合研究中心（Ｊｏｉｎｔ Ｒｅｓｅａｒｃｈ Ｃｅｎｔｒｅ，ＪＲＣ） 系统、英国Ｑｉｎｅｔｉｑ 的ＭａＳＴ 系统、法国的ＣＬＳ 和ＢＯＯＳＴ 公司开 发的 ＳＡＲ ｔｏｏｌ。 为了加强对渔业活动的监视和管制，欧盟于 ２００２ 年１ 月启动了 ＩＭＰＡＳＴ 项目，将 ＳＡＲ 与 ＶＭＳ 相结合来实 现对欧盟海域的渔船进行监控。 在 ＩＭＰＡＳＴ 的基础上，欧盟第 收稿日期： ２０１０唱０６唱０２； 修回日期： ２０１０唱０８唱０９ 作者简介：唐沐恩（１９８６唱），男，新疆乌鲁木齐人，硕士研究生，主要研究方向为遥感图像处理与分析（ｔａｎｇｍｕｅｎ＠１２６．ｃｏｍ）．
    计 算 机 应 用 研 究 第 ２８ 卷 图像的分辨率由中低分辨率向高分辨率迈进，图像质量也发生 显著变化，因此尽管人们进行了广泛深入的研究，但不像期待 的那样取得巨大成功。 大量的研究结果表明，单纯依靠舰船检 测算法并不能获得令人满意的结果。 为提高检测概率，减少虚 警，在使用舰船检测算法对目标检测之前首先必须对遥感图像 作预处理，同时对检测结果也需要作后续处理。 一般归纳起来 分为四个步骤，如图１［１２］ 所示。 ·０３· 五框架项目 ＤＥＣＬＩＭＳ 于 ２００３ 年 ５ 月启动，为期 ３ 年，集中了 来自欧盟、美国、日本和中国等政府、研究与工业部门的力量， 其目标是集中力量开展利用卫星遥感影像进行海上舰船探测、 分类和识别的研究，以便更好地了解这类系统的能力，并且推 动新型传感器和平台的研制，满足舰船检测的实用化要求。 该 项目最初启动时包括 ＪＲＣ、Ｑｉｎｅｔｉｑ、ＣＣＲＳ、ＲＡＤＡＲＳＡＴ Ｉｎｔｅｒｎａ唱 ｔｉｏｎａｌ、荷兰 ＴＮＯ、挪威 ＦＦＩ 和中国科学院电子所等１６ 个单位， 目前已扩展至 ２４ 个。 考虑到舰船探测水上遥感实验比较复 杂，而且只有美国、加拿大、挪威、英国、意大利、新加坡等国家 进行过水面实验，ＤＥＣＬＩＭＳ 采用了基线（ｂｅｎｃｈｍａｒｋ） 实验方 法，即利用相同的遥感数据和地面调查数据，由各个合作伙伴 分别利用各自的方法进行分析和处理，通过比较评价不同方法 的优劣和当前存在的普遍问题。 目前，在 ＳＡＲ 图像中进行舰船检测的研究较多，但大多数 是使用恒虚警（ＣＦＡＲ） 算法针对中低分辨率（２５ ｍ 以上） 的 ＳＡＲ 图像进行的。 由于 ＳＡＲ 图像逐渐向高分辨率发展，对于 舰船目标的研究除了目标检测外，还必须考虑到检测方法是否 有利于目标参数提取，从而有利于后续的目标分类和识别。 在利用可见光遥感图像进行舰船检测方面，绝大多数图像 中舰船目标在灰度上表现出与背景较大的差异，而图像灰度是 一种极易获取的特征，基于目标灰度特征开展算法研究是绝大 多数文献和实用系统所采用的思路。 该方面的研究主要集中 于目标和背景分割阈值获取方法的不同，最具代表性的有直方 图谷底阈值、最大类间方差阈值、最大熵阈值。 国外也已开发 出了基于可见光遥感图像目标检测的实用系统，如欧盟第５ 框 架 ＤＥＣＬＩＭＳ（ｄｅｔｅｃｔｉｏｎ ａｎｄ ｃｌａｓｓｉｆｉｃａｔｉｏｎ ｏｆ ｍａｒｉｎｅ ｔｒａｆｆｉｃ ｆｏｒｍ ｓｐａｃｅ）项目中德国的 Ｄｅｆｉｎｉｅｎｓ 和法国的 ＩＲＤ。 但一般情况下， 可见光图像会受到云层以及油污、海浪等干扰，建立背景模型 比较困难，图像中目标与背景差异性不一致，图像中舰船灰度 分布不均匀，与海背景对比也不明显，不易分割。 由于目标成 像相对清晰、目视判读的直观性强、灰度信息丰富，能够反映目 标的细节结构，不仅能提取目标的形状参数，还可以提取目标 的纹理特征、结构特征，这非常有利于后续的识别工作。 正是 由于图像情报的易获取性，国内外公开发表的研究文献较少， 使得一直以来利用可见光遥感图像检测舰船目标研究受阻。 因此，相对于 ＳＡＲ 图像，利用可见光图像进行舰船检测技术相 对滞后。 另一方面，伴随着可见光遥感图像获取技术的不断进 步和遥感图像数据量的不断增加，已有的图像分析处理能力无 法满足海量数据的处理需求。 如何从背景干扰复杂、目标特征 不稳定、数据量巨大的可见光遥感图像中，快速准确地检测出 感兴趣的目标，是摆在各国研究人员面前的一个极具挑战性的 工作。 2　舰船检测方法分类 由于遥感图像覆盖范围广、包含数据量大，容易出现噪声、 模糊、阴影等。 图像的光谱信息通常会受多种因素影响，如季 节变化、拍摄角度、传感器状态、天气条件等，即使同一地区不 同时间拍摄得到的图像也可能具有不同的亮度和对比度。 同 时，随着卫星应用技术的不断提高和新型传感器的出现，遥感        !"#$% １）陆地掩模　目的是将图像中的陆地区域、云遮挡进行 遮蔽或移除，使得舰船检测器仅仅作用于海洋区域而对陆地区 域不作任何处理。 一方面，去除陆地地物带来大量的虚警，使 得后期目标辨识和虚警抑制的工作量缩小；另一方面，减少处 理图像的大小，提高计算速度。 ２）预处理　其步骤是一系列的图像处理操作，目的是抑 制杂波背景，增强和凸显目标，去除由于各种因素造成的对舰 船检测的干扰，尽可能地提高舰船检测的准确性和可靠性。 这 些操作包括数据的几何校正和辐射校正、斑噪抑制滤波、直方 图调整、目标增强等处理方法。 ３）图像分割　利用相应的舰船检测算法将海洋区域中的 疑似目标从背景中分割出来。 在通常的处理过程中，检测算法 主要是针对舰船目标本身，而对舰船尾迹的检测则仅仅被作为 一种辅助手段来增加检测的准确性。 这主要是因为部分舰船 目标受各种原因的影响，无法观测到尾迹或者尾迹不明显，单 纯借助尾迹进行舰船目标检测无法满足实际应用的需要。 ｄ）虚警抑制　其主要目的是通过先验知识和人工干预将 分割得到的疑似目标进行筛选，从中剔除干扰信息。 常用的先 验知识主要包括舰船目标的尺寸、形状、结构、散射特性以及周 围环境的异常等特性。 目前，有学者对舰船检测方法进行分类，如将舰船检测算 法分为双参数 ＣＦＡＲ 算法、基于 Ｋ 分布的 ＣＦＡＲ 算法、多极化 检测算法和其他检测算法，或将检测算法分为全局阈值检测算 法、基于滑动窗的自适应阈值方法、雷达恒虚警的 ＣＦＡＲ 检测 算法、基于模板的检测算法、基于小波分析的多尺度检测算法 和基于多极化数据的多极化检测器。 不同，将单极化 ＳＡＲ 遥感图像和可见光遥感图像中的舰船检 测方法分为四大家族，如图２ 所示，对多极化 ＳＡＲ 遥感图像中 的舰船检测方法单独进行介绍。 各个家族的方法既有区别，又 有联系。 某一种方法只能更大程度地属于某一家族，较小程度 地属于其他家族，本文根据隶属程度进行分类。 本文按照舰船检测方法所基于的基础理论和研究思路的 基于阈值分割  高斯分布模型 分布模型  统计 家族 联合分布模型 模型家族 舰船检测方法 结构家族 分形模型 视觉显著度模型 网络模型 变换 家族 小波变换 变换 变换   图  舰船检测方法分类 数学形态 学方法 基于特征 矢量 基于模板 检测
    唐沐恩，等：遥感图像中舰船检测方法综述 测算法 第 １ 期 2畅1　统计家族 统计家族的方法是基于像元及其邻域的灰度属性，研究目 标区域中的统计特性，或像元及其邻域内的灰度一阶、二阶或 高阶统计特性。 统计家族的方法思想简单、易于实现，主要包 括基于阈值的检测算法和最佳熵自动门限法。 １）基于阈值的检测算法 从检测策略上来讲，基于阈值的检测算法可分为全局阈值 算法和局部阈值算法。 全局阈值算法是一类最简单的舰船检 ［１３，１４］。 该类算法通过设置一个固定的全局阈值对图像 进行分割。 常见的全局阈值算法有直方图阈值算法，如谷点 法、统计判决法、最大熵法、迭代计算的自动阈值法等。 其优点 在于阈值计算简单、运算复杂度低。 然而其缺点也同样明显： 全局阈值无法根据图像中局部区域的变化自动调节阈值，因此 检测结果易受局部变化而引入大量虚警和漏检；对幅宽较宽的 图像，由于成像机理的原因，海面背景有强烈的灰度变化，也会 ［１２］。 该类方法在检测过程中只利用了目 标的灰度统计特性，没有考虑目标的空间结构信息，并且直方 图形状与图像内容的联系也具有不确定性。 因此，该类算法的 后续研究较少。 典型的局部阈值算法是基于滑动窗的阈值检测算法，基于 滑动窗口的自适应阈值检测算法是由 Ｅｌｄｈｕｓｅｔ 等人 １９９６ 年提出的。 这个检测算法是利用窗口滤波技术对 ＳＡＲ 图 像中船只进行检测的，它被用在了 Ｅｌｄｈｕｓｅｔ 开发的自动舰船检 测系统之中，与舰船尾迹检测器协同工作。 与全局阈值算法相 比，该算法考虑到了海洋环境的局部变化，所选取的检测阈值 能够更好地符合检测局部区域的统计特性。 然而 Ｅｌｄｈｕｓｅｔ 等 人在其论文中也承认，这个算法在斑噪较多、海面风浪较大时， 容易造成大量的虚警。 同时这个算法由于需要反复计算窗口 内背景区域的统计参数，运算量极大，处理过程的速度较慢，不 能够满足实际应用中实时或近实时处理的需要。 导致出现虚警和漏检 ［２，１３］ 在 ２）最佳熵自动门限法 １９８５ 年 Ｋａｐｕｒ 等人 ［６］ 法通过选取双阈值克服了单阈值分割算法对高分辨率图像存 提出一种最佳熵自动门限法，在此 简称为 ＫＳＷ 方法。 它将信息论中 Ｓｈａｎｎｏｎ 熵概念用于图像分 割，其出发点是使图像中目标与背景分布的信息量最大。 该算 在的检测舰船不连通、检测虚警高等缺陷。 尽管 ＫＳＷ 方法选 取了双阈值分割，但由于其阈值的选取只利用了灰度统计特 性，没有考虑目标的空间结构信息，并且直方图的分布与图像 内容的联系也具有不确定性。 在传统的 ＫＳＷ 算法中，准则函 数被简单地定义为目标灰度熵与背景灰度熵之和，背景灰度熵 与目标灰度熵在准则函数中占有同等的比例。 这忽略了背景 与目标在图像上所占比例的不同，也忽略了背景与目标在灰度 范围上的差异。 当图像包含较强的海杂波时，往往得不到好的 检测结果。 为了克服传统的 ＫＳＷ 算法的缺点，有学者提出了 改进的 ＫＳＷ 算法。 在改进算法中，准则函数被定义为背景灰 度熵与目标灰度熵的加权和，检测门限被选择以最大化这一准 则函数。 由于加权系数的引入，该算法能针对 ＳＡＲ 图像上舰 船目标检测的实际情况，调整背景灰度熵与目标灰度熵在准则 函数中所占的比例。 当海杂波较弱时，该算法与传统的 ＫＳＷ 值 法 ［２，４，５］ ·１３· 　　　 算法等价；当海杂波较强时，该算法比传统的 ＫＳＷ 算法有更好 的表现。 2畅2　模型家族 模型家族中，假设图像是以某种参数控制的分布模型方式 形成的，通过先验知识或参数估计来估计模型参数，以参数为 特征或采用某种分类策略进行图像分割，因此模型参数的估计 和模型的选择是该家族方法的核心问题。 2畅2畅1　分布模型 是雷达信号检测领域里最常用和最有效的一类检测算 基于分 布 模 型 的 检 测 算 法 中， 恒 虚 警（ＣＦＡＲ） 检 测 方 法。 大量的研究和实验指出，ＣＦＡＲ 检测器具有极好的稳健 性，即便在海况极为恶劣的情况下，ＣＦＡＲ 检测器仍然能够取 得较好的检测结果。 这个算法的核心思想是在保证虚警率为 常数的同时，根据虚警率和 ＳＡＲ 图像海洋杂波的统计特性（即 海洋杂 波 的 概 率 密 度 函 数） 计 算 得 到 检 测 舰 船 目 标 的 阈 ［１５，１６］。 由此可见该算法的关键问题在于杂波概率密度函数 的选择，使用不同的海洋杂波模型将得到具有不同形式和检测 效果的 ＣＦＡＲ 检测器。 当背景杂波满足高斯分布，可以得到双参数检测器。 双参 数检测器是一个复合滑动窗口，由目标窗口、保护窗口和背景 窗口组成。 其中，保护窗口是为了防止有部分目标像素泄露到 背景窗口中，造成背景杂波统计量计算的错误；背景窗口用于 背景杂波统计，其尺寸依赖于用户的选择。 由于双参数检测器 需要对图像中的每个点都进行统计，计算量大、时间长，运行时 间与窗口尺寸的设定有关；当背景窗口中出现不需要的目标 （即两个目标之间太近）或背景不连续时，算法不稳定。 当背景杂波满足 Ｋ 分布，得到基于 Ｋ 分布的 ＣＦＡＲ 检测 器。 许多情况下，高斯模型对描述雷达海杂波分布并不理想， 自从１９７６ 年Ｊａｋｅｍａｎ 和Ｐｕｓｅｙ 引入Ｋ 分布的概念后，Ｋ 分布模 型受到了越来越多的关注，由于它提供了很好的海洋杂波描述 而被广泛接受。 该算法认为图像观测强度满足 Ｋ 分布，通过 对背景区域中的像素观测强度进行统计计算，求解虚警概率方 程得到检测阈值，最后根据检测阈值对图像进行分割。 大量研 究结果表明，Ｋ 分布能够很好地描述极化 ＳＡＲ 图像。 加拿大 海洋监测系统（ＯＭＷ） 中使用的监测算法就是一个使用 Ｋ 分 布作为海洋杂波分布模型的 ＣＦＡＲ 检测算法 一般认为，对于海面比较平静的情况，可以认为海杂波服 从瑞利分布，大多数海情服从 Ｋ 分布，更复杂的海情杂波服从 复杂分布，如 Ｋ 分布和其他分布的和。 据此可以选择较合适 的分布模型。 但很明显，该算法首先需要对背景作杂波分布的 假设，这就需要一定的先验知识，一般情况下背景杂波也并不 严格地服从某种分布；其次，该类算法需要对图像中每个像素 都进行统计，因此计算量较大，并且随着滑动窗口尺寸的增加 而增加。 为自适应地根据 ＳＡＲ 图像的统计特性选择其杂波分 布模 型，２０００ 年 的 Ｊｉａｎｇ 等 人 （ＰＮＮ）的非参数模型代替了概率密度函数的参数模型来描述 海洋背景的杂波分布，但该算法由于会出现不收敛的问题而导 致算法失败，其仅仅被研究，没有得到实际应用。 使 用 基 于 概 率 神 经 网 络 ［１６ ～２５］。 ［２６］
    计 算 机 应 用 研 究 人 ［２７］ ［２８］ 研究了 研究了海面雷达反射信号的高阶分形特征并将其用于海 ·２３· 2畅2畅2　分形模型 图像中的目标物体一般分为人工物体和自然物体两大类。 对人工物体描述的有力工具是欧几里德几何学以及解析几何、 微分几何等，但对如山、河、岩石、森林、云团等对象，传统几何 并不能很好地描述。 Ｍａｎｄｅｌｂｒｏｔ 于１９７５ 年创立的分形几何学 改变了这一状况，它用分形一词来表述那些没有特征长度，具 有无限精细结构的图形、构造及现象。 自然物体与人工物体在 分形特征上存在差异，使得在图像分析中运用分形理论和技术 成为可能。 基于分形模型的舰船检测认为自然景物和舰船目 标的分形维数有一定的差别，根据差异进行检测。 但实际图像 中受背景复杂度、随机噪声、成像质量等影响，单一的尺度或恒 常的分形维数很难区分自然景物和人造目标；在多尺度情况 下，自然景物的分形参数在一定尺度范围内能保持相对稳定， 而舰船目标的分形参数随尺度显著变化。 Ｌｏ 等人 海面雷达反射信号的分形特征及海面目标的分形检测；Ｇａｎ 等 面目标的分形检测；Ｋａｐｌａｎ［２９］ 引入 Ｈｕｒｓｔ 参数提出了扩展分形 特征用于识别 ＳＡＲ 图像中特定尺寸的目标；张东晓等人 ［３０］ 出了一种多尺度分形的舰船目标检测方法，该方法的检测结果 稳定，优于边缘检测、阈值分割和单一分形维检测结果，是一种 非常有潜力的方法，但其计算速度较慢，对预处理要求较高。 2畅2畅3　视觉显著度模型 近些年，研究者发现人类视觉注意系统在面对一个复杂场 景时，能够将注意力集中在少数几个显著的视觉对象上，对其 进行优先处理，该过程被称为视觉注意。 这个过程与目标识别 非常相似，尤其是海上舰船目标。 视觉显著度模型是视觉注意 的一部分，用于量化人眼的视觉显著度，以便生成视觉 显著图，从而寻找图像中视觉显著的对象。 最具有代表性的是 ［３２］，该模型提供了一种自底向上、各个特征图可并行 Ｉｔｔｉ 模型 计算的机制，并且将多种特征在多个尺度下进行融合，最后合 成一张综合的视觉显著度图。 模型对噪声、模糊、对比度和亮 度具有很好的鲁棒性。 田明辉等人 船目标检测，其算法分为三个阶段：ａ） 显著图计算，对于一幅 遥感图像，通过特征提取、显著度计算和显著图融合三个子部 分生成该遥感图像的视觉显著图；ｂ） 感兴趣区域提取，在第一 阶段生成的显著图中寻找较为显著的视觉对象，并将该区域提 取出来，完成前期疑似目标筛选；ｃ） 舰船目标识别，将第二阶 段提取出来的视觉显著对象进行详细判别，从而完成舰船的目 标识别过程。 该算法与传统的基于分割的算法相比，在检测时 引入多特征融合的检测方法，较好地将舰船目标和海背景分割 开来，避免了单一特征的变化对检测结果图像的影响，因而检 测率得到了提高，但由于计算特征较多，该检测算法要慢于阈 值分割的方法。 随着计算机性能和计算方法的发展，并行化和 优化算法的成熟，计算速度慢的问题将会逐步得到解决，视觉 显著度模型将是一个很有潜力的检测模型。 2畅3　变换家族 变换家族的方法建立在时、频分析与多尺度分析基础之 上，对图像中某个区域内实行某种变换后，再提取保持相对平 稳的特征值，以此特征值作为特征表示区域内的一致性以及区 利用显著度模型进行舰 机制 ［３１］ ［１］ 提 ［３４］ ［３５］ ［３３］ 提出一种基于小波 提出一种基于小波分 针对不同海情杂波服从不同概率密度分布 第 ２８ 卷 域间的相异性。 变换家族的方法如图２ 所示，其中的 Ｒａｄｏｎ 和 Ｈｏｕｇｈ 变换主要应用在舰船尾迹检测中。 2畅3畅1　小波变换 小波变换是近几年蓬勃发展起来的集数学、科学计算及信 号处理于一体的新理论，在图像处理及模式识别中起着重要的 作用，其应用范围涉及图像增强、取噪、数据压缩到边缘检测、 纹理分析和分割等不同领域。 罗强等人 变换的卫星 ＳＡＲ 海洋图像舰船目标检测方法，应用小波理论 检测 ＳＡＲ 海洋图像舰船目标，提出了一种基于图像直方图小 波变换的图像分割，确定检测对象，算法简单，对于复杂的图像 分割具有较强的鲁棒性、有效性和自适应性，但难以对检测能 力的一定指标进行约束；李晓玮等人 解的 Ｋ 分布 ＳＡＲ 图像舰船检测，对 ＳＡＲ 图像小波分解后的各 子频图像进行融合处理后，运用 Ｋ 分布参数计算阈值进行检 测；彭石宝等人 的特点，讨论了复杂杂波背景下基于小波变换检测海洋 ＳＡＲ 图像中舰船目标的性能，给出了不同海情下的检测性能，通过 正交对称小波对海洋 ＳＡＲ 图像作多分辨率分析，提取图像水 平方向、垂直方向和对角线方向的细节信息，并基于空间相关 选择最佳尺度来检测图像中舰船目标。 基于小波分析的多尺 度检测器是由在 Ｌｏｃｋｈｅｅｄ Ｍａｒｔｉｎ Ｃａｎａｄａ 的研究者提出的一个仍处于实验中的算法。 它是基于 以下的假设：人工目标在低分辨率很容易被检测到，因为它们 的散射与自然物体相比是恒定的，并可被用来对单一杂波目标 进行检测。 由于该算法具有多尺度分析的能力，尤其适合于高 分辨率的图像。 有文献表明该检测器具有很高的效率。 2畅3畅2　Ｒａｄｏｎ 和 Ｈｏｕｇｈ 变换 Ｒａｄｏｎ 和 Ｈｏｕｇｈ 变换主要应用在舰船尾迹检测方面，通过 计算图像沿各个方向的投影来检测尾迹。 由于 Ｒａｄｏｎ 变换在 提取线性特征方面具有独特的能力，绝大部分对于尾迹检测的 研究都是围绕着 Ｒａｄｏｎ 变换开展的。 归纳起来，尾迹检测方法 描算法两大类。 本文将分别对这两类方法进行介绍。 第一类方法主要是在未知舰船位置的情况下，通过对线性 特征进行检测来提取舰船尾迹，最为常用的提取线性特征的方 法是 Ｒａｄｏｎ 变换。 如Ｒｅｙ 等人 将Ｒａｄｏｎ 变换用于对 ＳＥＡ唱 ＳＡＴ 图像尾迹进行检测；Ｃｏｐｅｌａｎｄ［３８］ 描述了使用局部 Ｒａｄｏｎ 变 换检测尾迹的特征空间线性检测方法；Ｌｉｎ 等人则将形态学滤 ［３９］，并给出了一些尾迹检测的制约 波与 Ｒａｄｏｎ 变换结合起来 条件，根据这些条件对尾迹进行了检测。 国内在尾迹检测方面 的研究开始相对较晚，主要的研究成果包括王世庆等人 ［４０］ 出的基于形态学滤波的 Ｒａｄｏｎ 变换检测法，周红建等人 ［４１］ 出的利用 Ｒａｄｏｎ 变换检测窄 Ｖ 形尾迹的方法等。 第二类方法是已知舰船目 标位置时， 在舰船附近计算 １８０°之内各个方向上的亮度均值，从而得到一个扫描曲线，根 据这个曲线判断出尾迹的可能位置。 关于这个算法的研究和 应用较少，目前已知的是，Ｅｌｄｈｕｓｔ 使用该方法对 ＥＲＳ 图像进行 了尾迹检测，Ｃｕｓａｎｏ 也曾使用此方法对 ＥＲＳ 快视图像进行尾 迹检测。 大致可以分为无先验知识的线状特征检测和有先验知识的扫 提 提 ［３６，３７］
    第 １ 期 唐沐恩，等：遥感图像中舰船检测方法综述 ［４２］ 数学形态学的本质就是使用结构基元寻找形状的空间重 提出一种基于形态学滤波的局部目标背 使用 Ｒａｄｏｎ 变换进行尾迹检测的优势在于不需要关于舰 船位置的先验知识，但 Ｒａｄｏｎ 变换运算较为复杂，运算效率不 高，在对数据量较大数据进行处理时速度极慢；而基于扫描的 算法使用舰船目标的位置信息，在舰船目标附近的有限区域内 进行检测，在检测的同时还将得到舰船的偏移量，其运算速度 较快，并且所得信息还可用于检测舰船的速度，因此较之Ｒａｄｏｎ 变换要简单，但其需要关于舰船位置的先验知识，只能作为对 舰船目标检测的验证和信息提取之用。 总的来说，与检测舰船本身相比，对舰船尾迹特征的检测 要复杂得多，许多问题都需要被考虑。 首先舰船尾迹具有一定 的宽度，因此一般的边缘检测算法无法用于尾迹的检测；同时 尾迹的强度可能高于海洋背景，也可能低于海洋背景，因而使 用强度信息检测尾迹也是不可行的；此外，尾迹并不一定是笔 直的，可能存在弯曲，并且在海洋表面还存在着大量的与尾迹 相似的线状特征。 所有这些问题都为舰船尾迹的检测带来了 困难，因此尾迹检测算法方面的研究远少于舰船检测算法的 研究。 2畅4　结构家族 结构家族的方法基于背景基元分析背景特征，着力找出背 景基元，认为图像是由许多背景基元和非背景基元即目标基元 构成，通过实现对两种基元的分割实现检测。 2畅4畅1　数学形态学方法 复性。 肖利平等人 景对比度法来实现目标检测。 首先提取海背景区域，为了更好 地完成目标检测，充分利用人类视觉系统非线性的特点，采用 形态学中膨胀与腐蚀相结合构成的非线性滤波器平滑图像，去 除噪声以及与背景反差很大的像素点，从原始图像中减去滤波 运算后的图像，得到一些重要的标记点即目标点。 基于上述分 析，提出一种基于形态学滤波的局部目标背景对比度法来实现 目标检测。 刘颖健等人 提出一种数学形态学方法，并将其 应用到舰船目标检测数据后处理中，以提高检测率。 2畅4畅2　特征矢量与模板 为解决可见光图像中舰船目标的黑白极性、海浪干扰等问 题，徐军等人 提出了基于特征域的舰船目标检测算法。 该 方法将灰度图像变换到特征域以克服目标难以检测的问题，生 成突出目标的特征图。 基于特征域的分割方法避免了灰度图 像中舰船目标黑白极性的问题，便于后续的目标分割；同时，合 适、理想的特征选取，在特征图上对海浪、云影和亮带进行强有 力的压制，对尾流也能很好地控制，很好地解决了在灰度图像 上目标和背景在灰度级上难以分割的难题。 但是，如果背景的 灰度分布复杂、受噪声影响大，会增加噪声对特征图的影响，产 生误分割。 此外，在特征转换的过程中还会对目标本身的轮廓 有一些影响，利用该方法分割目标，形状信息将有所丢失。 提出一种基于特征矢量匹配的 ＳＡＲ 海洋 图像舰船目标检测方法，用 ＤＢＦＲ 场模型来描述 ＳＡＲ 图像的 海洋分布，该算法通过提取 ＳＡＲ 海洋图像中每个像素的分形 值、分形模型拟合误差和方差统计量特征参数，结合图像像素 的灰度值，形成一个对应于每个像素的特征矢量，并利用模糊 邹焕新等人 ［４５］ ［４３］ ［４４］ 告 等人 ［４６］ ［５０，５１］ 提出一种基于模糊理论的 阈值对中心像素及其周围像素进行检测 基于模板的阈值检测算法不仅考虑了舰船本身的强度信 ·３３· 　　　 数学的模糊子集概念，提出了一种基于特征矢量匹配的舰船目 标检测方法。 该算法适合于复杂的 ＳＡＲ 图像分布，稳定性较 高，但计算量较大。 李长军等人 ＳＡＲ 图像海上舰船检测方法，该算法先通过熵最大准则进行 ＲＯＩ 分割，然后选用三个具有位移和旋转不变性的特征，即舰 船面积、舰船的灰度均值和舰船的主轴长度。 通过这三个特征 值确定隶属函数的形式，从而实现在图像的模糊特征平面上定 量描述目标。 息，同时还将其周围像素的强度信息也作为检测依据的一部 分，希望通过引入周围像素的信息提高检测的准确性。 最广为 人知的模板检测算法是 ＪＲＣ 开发的 ＳＵＭＯ 检测器，这个检测 器使用了四个４ ×４ 的滑动窗口作为检测模板，并使用了三个 ［４７，４８］。 但其阈值的设 定来自于大量实验得到的经验参数，这组参数仅适用于特有的 数据，对其他数据的效果并不理想，ＪＲＣ 在 ＩＭＰＡＳＴ 项目的报 中就曾指出，其 ＳＵＭＯ 算子对 Ｅｎｖｉｓａｔ ＡＳＡＲ 数据的检测 ［４９］ 结果不甚理想，并提出需要对检测算法的阈值参数和模板形式 进行修改，以适应 Ｅｎｖｉｓａｔ ＡＳＡＲ 数据的检测需要。 2畅5　多极化 SAR 遥感图像中的舰船检测方法 由于目前获取舰船多极化图像的限制，多极化检测算法尚 处于研究过程中。 在这里仅对其作一个简单的介绍。 Ｓｃｉｏｔｔｉ 曾将广义高斯似然比方法用于对 ＳＩＲＣ ＳＡＲ 数据进 行检测；Ｔｏｕｚｉ 等人 利用极化熵对舰船目标进行了检测； ［５２］ 将 Ｃａｍｅｒｏｎ 分解对 ＳＩＲＣ ＳＡＲ 数据进行了检 Ｒｉｎｇｒｏｓｅ 等人 测，并取得了成功。 在国内有田巳睿等人 根据 Ｅｎｖｉｓａｔ 的 ＡＰ 数据可以在一次成像过程中得到同一场景的两幅不同极化 模式的数据，引入了基于矢量的 Ｐ唱ＣＦＡＲ 检测器对交替极化数 据进行检测。 牛朝阳等人 利用极化白化滤波算法融合 Ｅｎｖ唱 ｉｓａｔ／ＡＳＡＲ 双极化复数据图像，同时抑制相干斑，然后利用双 参数恒虚警率（２ｐＣＦＡＲ）算法进行舰船目标检测。 3　舰船检测算法比较 按照各类算法所基于的基础理论和研究思路的不同进行分类 在对目前已有的各类舰船检测算法作了较为全面的阐述， 的基础上，对已有的舰船检测方法进行比较。 本文对家族内部 方法的比较称为纵向比较，家族之间方法的比较称为横向 比较。 3畅1　纵向比较 １）统计家族 全局阈值分割算法、基于滑动窗的舰船检测以及 ＫＳＷ 算 法都是通过灰度或灰度的统计特征来进行分割的。 三种方法 的出发点都是通过寻找目标与背景之间的灰度差异，将目标与 背景分割。 全局阈值算法的优点是计算简单、易于实现，缺点 是对局部有强烈变化的图像失效；基于滑动窗的方法比全局阈 值算法有较好的局部适应能力，不足的是计算量随着滑动窗口 的增大而增大；ＫＳＷ 其实质也是全局阈值算法，由于其选择了 两个阈值，检测结果的连通性较之前两者好，但其分割阈值是 ［５５］ ［５３］ ［５４］
    ·４３· 基于直方图的最佳熵，只利用了灰度统计特性，没有考虑目标 的空间结构信息，并且直方图的分布与图像内容的联系也具有 不确定性，因此虚警较高。 计 算 机 应 用 研 究 本文对公开发表的国内外文献中关于遥感图像中舰船检 第 ２８ 卷 棒性较差、检测结果的连通性较差，准确性不高；模型家族的方 法能够兼顾局部的随机性和全局的规律性，检测结果连通性较 好，但由于利用模型表征图像信息而非利用灰度信息，易丢失 目标的形状信息，且一般计算复杂度较高；变换家族对目标能 进行多分辨表示，更加符合人眼视觉特征，但多分辨分解只是 对低频进行分解，对高频不予考虑，而目标信息往往存在于高 频，小波包分析虽克服了这一缺点，但效果不佳，并且计算量 大；结构家族的方法利用局部信息进行检测，计算复杂度较低， 但检测结果的连通性较差，抗噪能力不强，并且检测结果依赖 于先验知识的获取。 4　存在的问题与发展趋势 测算法进行了一个总体的回顾。 需要指出的是：一方面，在本 文中介绍的各种星载 ＳＡＲ 舰船检测算法和国外的各种成熟系 统大多仍然是基于单通道单极化数据的，由于多极化数据能够 有效地提高舰船监测和识别的准确率， 随着 Ｅｎｖｉｓａｔ ＡＳＡＲ、 ＡＩＯＳ／ＰＡＬＳＡＲ、Ｔｅｒｒｉａｎ ＳＡＲ 以及 ＲＡＤＡＲＳＡＴ唱２ 等多极化乃至 全极化卫星的发射，利用多极化多通道数据进行海洋舰船检测 将成为未来技术发展和应用的方向；另一面，随着 ＩＫＯＮＯＳ、 ＱｕｉｃｋＢｉｒｄ 等高分辨率遥感卫星的发射，基于高分辨率遥感图 像的信息提取与目标识别逐渐成为新的研究热点。 目前成像卫星图像有高、中、低不同分辨精度，同一目标在 遥感图像上的特征取决于图像获取的传感器特性、时间、视角、 空间分辨率、舰船速度、舰船颜色、海况特征、天气等因素，此外 与舰船的大小、尺寸、形状也有关，这对实现快速准确检测舰船 有较大影响。 主要存在以下问题： ａ）目标在不同分辨率图像中显著性特征不同。 在中低分 辨率图像中，目标形状特征明显，目标灰度通常高于海域灰度， 但不同类型的舰船相对于背景的对比度有很大差异；高分辨率 图像中，目标除形状特征明显外，其结构特性也清晰可见，单一 的分割方法难以得到好的分割结果。 不同分辨率图像中选择 何种显著特征进行目标提取需要进行研究。 ｂ）不同背景下舰船的检测方法有较大差异。 在海陆背景 图像即近岸的海域图像中检测舰船，由于受陆地及地上建筑物 的影响，使得直接一次分割出舰船目标非常困难，一般先要海 陆分离，从复杂的背景图像中分离出海域，再在海域中检测目 标，从而降低目标检测复杂性，提高目标检测的准确性和效率。 在复杂的海域图像中，可以直接检测舰船，但海浪、云与阴影的 存在使得虚警很多，而且对检测的快速性要求较高，快速准确 地检测出舰船是需要深入研究的。 ｃ）海域环境下背景广阔，目标稀疏且尺寸相对微小，实现 舰船目标感兴趣区域（ｒｅｇｉｏｎ ｏｆ ｉｎｔｅｒｅｓｔ，ＲＯＩ） 的快速检测亟待 解决。 ｄ）舰船是运动目标，其航行产生的尾迹包含丰富的信息， 尾迹信息的利用有助于获取更多的目标信息。 但遥感图像中 舰船和尾迹往往有相似的灰度特性且连在一起，分离困难，检 测尾迹就等同于检测舰船，同时这也是舰船鉴别困难的一个因 素。 当云层发生局部遮挡的时候，利用海面遗留下的尾迹检测 ２）模型家族 高斯分布模型和 Ｋ 分布模型在该家族中占统治地位，研 究该领域的学者较多，并将最新的理论成果与之结合，不断涌 现出新的算法。 多数情况下，这两个模型可以近似地描述背景 杂波的分布模型，但对于复杂海面情况，检测效果很大程度上 依赖于对背景杂波模型的估计，而在实际应用中受诸多因素的 影响，杂波模型通常难以准确估计；此外，对于舰船目标与背景 杂波差异较小的情况，如对水上木船的检测，可能是无效的。 模型，这两个模型的实质是将图像灰度变换到特征域中，通过 特征对图像进行分割，效果较好，但两种方法都有计算量大的 缺点，很难达到实时的检测需求。 分形模型和视觉显著度模型是除上述模型外研究较多的两个 ３）变换家族 小波具有良好的时频局部特征、尺度变化特征和方向特 征，可实现对信号的时频分析和多分辨率分析，在图像处理、计 算机视觉、纹理分析等方面取得了良好的应用。 小波分析和多 分辨理论，基于舰船目标像元的空间相关性和背景杂波在不同 尺度小波变换域快速递减的规律，可以有效地抑制背景杂波并 突出待检测舰船目标，具有较好的自适应能力，能够检测出复 杂背景中的弱目标。 由于Ｈｏｕｇｈ 变换一般应用于二值图像，比应用于灰度图像 的 Ｒａｄｏｎ 变换速度快，并具有直线端点的定位能力。 Ｒａｄｏｎ 变 换有三个缺陷，即 Ｒａｄｏｎ 变换域中双 ｘ 状亮线给变换域峰值检 测带来困难；ＳＡＲ 图像中较短的尾迹线段容易被海面噪声淹 没而无法被检测到；Ｒａｄｏｎ 逆变换无法显示尾迹的起点。 利用 Ｈｏｕｇｈ 变换检测直线的方法是在 Ｈｏｕｇｈ 变换域中寻找极大值 点，进而确定直线参数。 对于图像中存在多条直线尾迹时，通 常是依次检测Ｈｏｕｇｈ 变换参数空间中的多个极大值点，而次极 大值完成的。 但实际上常常存在几条尾迹的对比度、宽度等特 征并不相同，并且Ｈｏｕｇｈ 变换属于非线性变换。 一条直线对应 的变换域中的极大值点区域并非有规则的形状，这给对极大值 点的窗口选择带来困难。 大值点的确定是通过直接选择窗口屏蔽极大值点后再检测最 ４）结构家族 利用数学形态学的方法进行检测，其结果依赖于结构基元 的选择，如何选择较好的结构基元是该类方法的关键；基于特 征矢量的方法，若其特征选择不合理，易导致算法的失败，且特 征提取过程可能会耗费大量的时间，导致算法的速度较慢；基 于模板匹配的方法，当图像发生非刚体变换时或噪声过高时， 易导致模板的误匹配，最终使算法失效。 3畅2　横向比较 舰船检测一般是对图像的某个域进行检测，在相应的域 中，通过阈值分割得到检测结果。 下面从计算复杂度、提取舰 船的准确性、检测结果的连通性三个方面给出各大家族的优势 和不足。 统计家族的优势是方法简单、易于实现，但适应能力和鲁
    利用已有的地理信息对存在目标的区域作多次拍摄获取更多 第 １ 期 舰船也是一种方法。 ＳＡＲ 图像中关于舰船尾迹的研究很多， 已有比较成熟的理论框架和实用算法，能否借鉴已有的技术手 段来满足实际需求，是值得关注的一个问题。 针对以上问题，本文认为遥感图像中舰船目标检测的主要 发展趋势有以下几点： ａ）利用已有的地理信息进一步提高检测精度，如利用对 港口目标的先验信息的适当表述，判断并识别图像中的港口目 标，实现海陆的有效快速分割，减少计算量。 ｂ）融合多源图像信息进行舰船检测和识别算法的研究。 目前舰船检测算法只是在某一种或几种情况下检测性能良好， 单一传感器获得的数据也存在一定不足。 例如，ＳＡＲ 图像观 测范围广，但因成像机理产生的相干斑噪声造成检测虚警率 高，目标特征不直观；可见光图像分辨率高，目标特征明显可用 于识别，但观测范围和时间有限。 如何融合多传感器的数据进 行舰船的检测和识别，需要作进一步研究。 ｃ）随着高分辨率成像卫星的发射，基于高分辨率遥感图 像的信息提取与目标识别逐渐成为新的研究热点，高分辨遥感 图像中蕴涵着大量的目标信息以及特征信息，如纹理、团块、上 下文等特征，因此基于特征的检测算法将成为检测算法的发展 趋势。 ｄ）随着卫星应用与成像技术的发展，将检测算法与影像 获取过程相结合，即在获取的图像中利用检测算法检测目标， 图像数据，以提高检测结果的准确性。 参考文献： ［１］ 田明辉，万寿红，岳丽华．遥感图像中复杂海面背景下的海上舰船 检测［Ｊ］．小型微型计算机系统，２００８，29（１１）：２１６２唱２１６６． ［２］ ＥＬＤＨＵＳＥＴ Ｋ．Ａｎ ａｕｔｏｍａｔｉｃ ｓｈｉｐ ａｎｄ ｓｈｉｐ ｗａｋｅ ｄｅｔｅｃｔｉｏｎ ｓｙｓｔｅｒｎ ｆｏｒ ｓｐａｃｅｂｏｒｎｅ ＳＡＲ ｉｍａｇｅ ｉｎ ｃｏｓｔａｌ ｒｅｇｉｏｎｓ［Ｊ］．IEEE Trans on Geosci唱 ences and Remote Sensing，１９９６，34（４）：１０１０唱１０１９． ［３］ 侯四国，张红，王超，等．一种新的 ＳＡＲ 图像船只检测方法［Ｊ］．遥 感学报，２００５，9（１）：５０唱５５． ［４］ ＣＡＳＳＥＮＴ Ｄ，ＳＵ Ｗｅｉ，ＴＵＲＡＧＡ Ｄ，et al．ＳＡＲ ｓｈｉｐ ｄｅｔｅｃｔｉｏｎ ｕｓｉｎｇ ｎｅｗ ｃｏｎｄｉｔｉｏｎａｌ ｃｏｎｔｒａｓｔ ｂｏｘ ｆｉｌｔｅｒ［Ｃ］ ／／Ｐｒｏｃ ｏｆ ＳＰＩＥ．１９９９：２７４唱２８４． ［５］ ＷＡＫＥＲＭＡＮ Ｃ Ｃ，ＦＲＩＥＤＭＡＮ Ｋ Ｓ，ＰＩＣＨＥＬ Ｗ Ｇ，et al．Ａｕｔｏｍａｔｉｃ ｓｈｉｐ ｄｅｔｅｃｔｉｏｎ ｏｆ ｓｈｉｐｓ ｉｎ ＲＡＤＡＲＳＡＴ ＳＡＲ ｉｍａｇｅｒｙ［Ｊ］．Canadian Journal of Remote Sensing，２００１，27（５）： ３７１唱３７８． ［６］ ＫＡＰＵＲ Ｊ Ｎ，ＳＡＨＯＯ Ｐ Ｋ，ＷＯＮＧ Ａ Ｋ Ｃ．Ａ ｎｅｗ ｍｅｔｈｏｄ ｏｆ ｇｒａｙ唱ｌｅｖｅｌ ｐｉｃｔｕｒｅ ｔｈｒｅｓｈｏｌｄ ｕｓｉｎｇ ｔｈｅ ｅｎｔｒｏｐｙ ｏｆ ｔｈｅ ｈｉｓｔｏｇｒａｍ［Ｊ］．Computer Vision，Graphics，and Image Processing，１９８５，29（２）：２７３唱２８５． ［７］ 种劲松，朱敏慧．高分辨率合成孔径雷达图像舰船检测方法［Ｊ］． 测试技术学报，２００３，17（１）：１５唱１８． ［８］ ＶＡＣＨＯＮ Ｐ Ｗ，ＣＡＭＰＢＥＬＬ Ｊ Ｗ Ｍ，ＢＪＥＲＫＥＬＵＮＤ Ｃ Ａ，et al．Ｓｈｉｐ ｄｅｔｅｃｔｉｏｎ ｂｙ ｔｈｅ ＲＡＤＡＲＳＡＴ ＳＡＲ ｖａｌｉｄａｔｉｏｎ ｏｆ ｄｅｔｅｃｔｉｏｎ ｍｏｄｅｌ ｐｒｅ唱 ｄｉｃｔｉｏｎｓ［Ｊ］．Canadian Journal of Remote Sensing，１９９７，23（１）： ４８唱５９． ［９］ ＪＩＡＮＧ Ｑ，ＡＩＴＮＯＵＲＩ Ｅ，ＷＡＮＧ Ｓ，et al．Ａｕｔｏｍａｔｉｃ ｄｅｔｅｃｔｉｏｎ ｆｏｒ ｓｈｉｐ ｔａｒｇｅｔ ｉｎ ＳＡＲ ｉｍａｇｅｒｙ ｕｓｉｎｇ ＰＮＮ唱ｍｏｄｅｌ［Ｊ］．Canadian Journal of Remote Sensing，２０００，26（４）：２９７唱３０５． ［１０］ ＴＯＵＺＩ Ｒ．Ｃａｌｉｂｒａｔｅｄ ｐｏｌａｒｉｍｅｔｒｉｃ ＳＡＲ ｄａｔａ ｆｏｒ ｓｈｉｐ ｄｅｔｅｃｔｉｏｎ［Ｃ］ ／／ Ｐｒｏｃ ｏｆ Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｇｅｏｓｃｉｅｎｃｅ ａｎｄ Ｒｅｍｏｔｅ Ｓｅｎｓｉｎｇ Ｓｙｍｐｏｓｉｕｍ． ２０００：１４４唱１４６． 唐沐恩，等：遥感图像中舰船检测方法综述 ·５３· 　　　 ［１１］ ＲＩＮＧＲＯＳＥ Ｒ，ＨＡＲＲＩＳ Ｎ．Ｓｈｉｐ ｄｅｔｅｃｔｉｏｎ ｕｓｉｎｇ ｐｏｌａｒｉｍｅｔｒｉｃ ＳＡＲ ｄａ唱 ｔａ［ Ｃ］ ／／Ｐｒｏｃ ｏｆ ＳＡＲ Ｗｏｒｋｓｈｏｐ．Ｐａｒｉｓ： Ｅｕｒｏｐｅａｎ Ｓｐａｃｅ Ａｇｅｎｃｙ， ２０００：６８７唱６９２． ［１２］ 田巳睿，王超，张红．星载 ＳＡＲ 舰船检测技 术 及 其 在 海 洋 渔 业 检 测中的应用［Ｊ］．遥感应用与技术，２００７，22（４）：５０３唱５１２． ［１３］ ＥＬＤＨＵＳＥＴ Ｋ．Ａｕｔｏｍａｔｉｃ ｓｈｉｐ ａｎｄ ｓｈｉｐ ｗａｋｅ ｄｅｔｅｃｔｉｏｎ ｉｎ ｓｐａｃｅｂｏｒｎｅ ＳＡＲ ｉｍａｇｅｓ ｆｒｏｍ ｃｏａｓｔａｌ ｒｅｇｉｏｎｓ［ Ｃ］ ／／Ｐｒｏｃ ｏｆ Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｇｅｏｓ唱 ｃｉｅｎｃｅ ａｎｄ Ｒｅｍｏｔｅ Ｓｅｎｓｉｎｇ Ｓｙｍｐｏｓｉｕｍ．１９８８：１５２９唱１５３３． ［１４］ ＮＯＣＡＫ Ｌ Ｍ．Ｅｆｆｅｃｔｓ ｏｆ ｐｏｌａｒｉｚａｔｉｏｎ ａｎｄ ｒｅｓｏｌｕｔｉｏｎ ｏｎ ＳＡＲＡＴＲ［Ｊ］． IEEE Trans on Aerospace and Electronic System，１９９７，33（１）： １０２唱１１５． ［１５］ ＩＲＶＩＮＧ Ｗ Ｗ，ＮＯＶＡＫ Ｌ Ｍ，ＷＩＬＬＳＫＹ Ａ Ｓ．Ａ ｍｕｌｔｉｒｅｓｏｌｕｔｉｏｎ ａｐ唱 ｐｒｏａｃｈ ｔｏ ｄｉｓｃｒｉｍｉｎａｔｉｏｎ ｉｎ ＳＡＲ ｉｍａｇｅｒｙ［Ｊ］．IEEE Trans on Aero唱 space and Electronic System，１９９７，33（４）：１１５７唱１１６９． ［１６］ ＶＡＣＨＯＮ Ｐ Ｗ，ＡＤＬＡＫＨＡ Ｐ，ＥＤＥＬ Ｈ，el al．Ｃａｎａｄｉａｎ ｐｒｏｇｒｅｓｓ ｔｏ唱 ｗａｒｄ ｍａｒｉｎｅ ａｎｄ ｃｏａｓｔａｌ ａｐｐｌｉｃａｔｉｏｎｓ ｏｆ ｓｙｎｔｈｅｔｉｃ ａｐｅｒｔｕｒｅ ｒａｄａｒ［Ｊ］． Johns Hopkins APL Technical Digest，２０００，21（１）：３３唱４０． ［１７］ ＶＡＣＨＯＮ Ｐ Ｗ，ＣＡＭＰＢＥＬＬ Ｊ Ｗ Ｍ，ＢＪＥＲＫＬＵＮＤ Ｃ，el al．Ｄｅｔｅｃｔｉｎｇ ｓｕｒｆａｃｅ ｖｅｓｓｅｌｓ ｂｙ ＲＡＤＡＲＳＡＴ［Ｍ］ ／／Ｒｅｍｏｔｅ Ｓｅｎｓｉｎｇ ｏｆ ｔｈｅ Ｐａｃｉｆｉｃ Ｏｃｅａｎ ｂｙ Ｓａｔｅｌｌｉｔｅｓ．［Ｓ．ｌ．］：Ｅａｒｔｈ Ｏｃｅａｎ ＆ Ｓｐａｃｅ Ｐｔｙ．Ｌｔｄ．，１９９８． ［１８］ ＶＡＣＨＯＮ Ｐ Ｗ，ＣＡＭＰＢＥＬＬ Ｊ Ｗ Ｍ，ＢＪＥＲＫＬＵＮＤ Ｃ，el al．Ｖａｌｉｄａｔｉｏｎ ｏｆ ｓｈｉｐ ｄｅｔｅｃｔｉｏｎ ｂｙ ｔｈｅ ＲＡＤＡＲＳＡＴ ｓｙｎｔｈｅｔｉｃ ａｐｅｒｔｕｒｅ ｒａｄａｒ ａｎｄ ｔｈｅ ｏｃｅａｎ ｍｏｎｉｔｏｒｉｎｇ ｗｏｒｋｓｔａｔｉｏｎ ［ Ｊ］．Canadian Journal of Remote Sensing，２０００，26（３）：２００唱２１２． ［１９］ ＷＡＫＥＲＭＡＮ Ｃ Ｃ，ＦＲＩＥＤＭＡＮ Ｋ Ｓ，ＰＩＣＨＥＬ Ｗ，el al．Ａｕｔｏｍａｔｉｃ ｄｅ唱 ｔｅｃｔｉｏｎ ｏｆ ｓｈｉｐｓ ｉｎ ＲＡＤＡＲＳＡ唱１ ＳＡＲ ｉｍａｇｅｒｙ［Ｊ］．Canadian Journal of Remote Sensing，２００１，27（５）：５６８唱５７７． ［２０］ ＲＥＹ Ｍ Ｔ，ＣＡＭＰＢＥＬＬ Ｊ Ｗ Ｍ，ＰＥＴＲＯＶＩＣ Ｄ．Ａ ｃｏｍｐａｒｉｓｏｎ ｏｆ ｏｃｅａｎ ｃｌｕｔｔｅｒ ｄｉｓｔｒｉｂｕｔｉｏｎ ｅｓｔｉｍａｔｏｒｓ ｆｏｒ ＣＦＡＲ唱ｂａｓｅｄ ｓｈｉｐ ｄｅｔｅｃｔｉｏｎ ｉｎ ＲＡ唱 ＤＡＲＳＡＴ ｉｍａｇｅｒｙ，１３４０［Ｒ］．Ｏｔｔａｗａ：Ｄｅｆｅｎｓｅ Ｒｅｓｅａｒｃｈ Ｅｓｔａｂｌｉｓｈｍｅｎｔ Ｏｔｔａｗａ，１９９８． ［２１］ ＲＥＹ Ｍ Ｔ，ＤＲＯＳＰＯＵＬＯＵＳ Ａ，ＰＥＴＲＯＶＩＣ Ｄ．Ａ ｓｅａｒｃｈ ｐｒｏｃｅｄｕｒｅ ｆｏｒ ｓｈｉｐｓ ｉｎ ＲＡＤＡＲＳＡＴ ｉｍａｇｅｒｙ，１３０５［Ｒ］．Ｏｔｔａｗａ：Ｄｅｆｅｎｓｅ Ｒｅｓｅａｒｃｈ Ｅｓｔａｂｌｉｓｈｍｅｎｔ Ｏｔｔａｗａ，１９９６． ［２２］ ＨＥＮＳＣＨＥＬ Ｍ Ｄ，ＨＯＹＴ Ｐ Ａ，ＳＴＯＣＫＨＡＵＳＥＮ Ｊ Ｈ，el al．Ｖｅｓｓｅｌ ｄｅ唱 ｔｅｃｔｉｏｎ ｗｉｔｈ ｗｉｄｅ ａｒｅａ ｒｅｍｏｔｅ ｓｅｎｓｉｎｇ ｔｅｃｈｎｏｌｏｇｙ［Ｊ］．Sea Technolo唱 gy，１９９８，39（９）：６３唱６８． ［２３］ ＨＥＮＳＣＨＥＬ Ｍ Ｄ，ＯＬＳＥＮ Ｒ Ｂ，ＨＯＹＴ Ｐ，el al．Ｔｈｅ ｏｃｅａｎ ｍｏｎｉｔｏｒｉｎｇ ｗｏｒｋｓｔａｔｉｏｎ：ｅｘｐｅｒｉｅｎｃｅ ｇａｉｎｅｄ ｗｉｔｈ ＲＡＤＡＲＳＡＴ［Ｃ］ ／／Ｐｒｏｃ ｏｆ Ｇｅｏ唱 ｍａｔｉｃｓ ｉｎ ｔｈｅ Ｅｒａ ｏｆ ＲＡＤＡＲＳＡＴ．１９９７． ［２４］ ＨＥＮＳＣＨＥＬ Ｍ Ｄ，ＲＥＹ Ｍ Ｔ，ＣＡＭＰＢＥＬＬ Ｊ Ｗ Ｍ，et al．Ｃｏｍｐａｒｉｓｏｎ ｏｆ ｐｒｏｂａｂｉｌｉｔｙ ｓｔａｔｉｓｔｉｃｓ ｆｏｒ ａｕｔｏｍａｔｅｄ ｓｈｉｐ ｄｅｔｅｃｔｉｏｎ ｉｎ ＳＡＲ ｉｍａｇｅｒｙ ［Ｃ］ ／／Ｐｒｏｃ ｏｆ ＳＰＩＥ．１９９８：９８６唱９９１． ［２５］ ＣＡＭＰＢＥＬＬ Ｊ Ｗ，ＶＡＣＨＯＮ Ｐ Ｗ，ＤＯＢＳＯＮ Ｆ Ｗ．Ｔｈｅ ｅｘｔｒａｃｔｉｏｎ ｏｆ ｏｃｅａｎ ｓｕｒｆａｃｅ ｉｎｆｏｒｍａｔｉｏｎ ｆｒｏｍ ＳＡＲ ｉｍａｇｅｒｙ［Ｃ］ ／／Ｐｒｏｃ ｏｆ Ｇｅｏｍａｔｉｃｓ ｉｎ ｔｈｅ Ｅｒａ ｏｆ ＲＡＤＡＲＳＡＴ．１９９７． ［２６］ ＪＩＡＮＧ Ｑｉｎｇ唱ｓｈａｎ，ＡＩＴＮＯＵＲＩ Ｅ，ＷＡＮＧ Ｓ，et al．Ａｕｔｏｍａｔｉｃ ｄｅｔｅｃｔｉｏｎ ｉｎ ＳＡＲ ｉｍａｇｅｒｙ ｕｓｉｎｇ ＰＮＮ唱ｍｏｄｅｌ ［ Ｊ］．Canadian ｆｏｒ ｓｈｉｐ ｔａｒｇｅｔ Journal of Remote Sensing，２０００，26（４）：２９７唱３０５． ［２７］ ＬＯ Ｔ，ＬＥＵＮ Ｇ Ｈ，ＬＩＴＶＡ Ｊ，et al．Ｆｒａｃｔａｌ ｃｈａｒａｃｔｅｒｉｚａｔｉｏｎ ｏｆ ｓｅａ唱ｓｃａｔ唱 ｔｅｒｅｄ ｓｉｇｎａｌｓ ａｎｄ ｄｅｔｅｃｔｉｏｎ ｏｆ ｓｅａ唱ｓｕｒｆａｃｅ ｔａｒｇｅｔｓ［Ｊ］．IEEE Procee唱 dings F，１９９３，140（４）：２４３唱２５０． ［２８］ ＧＡＮ Ｄ，ＳＨＯＵＨＯＮＧ Ｚ．Ｈｉｇｈ唱ｏｒｄｅｒ ｆｒａｃｔａｌ ｃｈａｒａｃｔｅｒｉｚａｔｉｏｎｓ ｏｆ ｓｅａ唱 ｓｃａｔｔｅｒｅｄ ｓｉｇｎａｌｓ ａｎｄ ｄｅｔｅｃｔｉｏｎ ｏｆ ｓｅａ唱ｓｕｒｆａｃｅ ｔａｒｇｅｔｓ［Ｊ］．Electronics Letters，１９９９，35（５）：４２４唱４２５． ［２９］ ＫＡＰＬＡＮ Ｍ．Ｉｍｐｒｏｖｅｄ ＳＡＲ ｔａｒｇｅｔ ｄｅｔｅｃｔｉｏｎ ｖｉａ ｅｘｔｅｎｄｅｄ ｆｒａｃｔａｌ ｆｅａ唱
    ·６３· 计 算 机 应 用 研 究 ｔｕｒｅｓ［ Ｊ］．IEEE Trans on Aerospace and Electronic System， ２００１，37（２）：４３６唱４５１． ［３０］ 张东晓，何四 华，杨 绍 清．一 种 多 尺 度 分 形 的 舰 船 目 标 检 测 方 法 ［Ｊ］．激光与红外，２００９，9（３）：３１５唱３１８． ［３１］ ＷＡＮＧ Ｓｕ，ＷＡＮＧ Ａｎ唱ｓｈｅｎｇ．Ｃｏｇｎｉｔｉｏｎ ｐｓｙｃｈｏｌｏｇｙ［Ｍ］．Ｂｅｉｊｉｎｇ：Ｐｅ唱 ｋｉｎｇ Ｕｎｉｖｅｒｓｉｔｙ Ｐｒｅｓｓ，１９９２． ［３２］ ＩＴＴＩ Ｌ，ＫＯＣＨ Ｃ，ＮＩＥＢＵＲ Ｅ．Ａ ｍｏｄｅｌ ｏｆ ｓａｌｉｅｎｃｙ唱ｂａｓｅｄ ｖｉｓｕａｌ ａｔｔｅｎ唱 ｔｉｏｎ ｆｏｒ ｒａｐｉｄ ｓｃｅｎｅ ａｎａｌｙｓｉｓ ［Ｊ］．IEEE Trans on Pattern Analysis and Machine Intelligence，１９９８，20（１１）：１２５４唱１２５９． ［３３］ 罗强，罗莉，任庆利，等．一种基于小波变换的卫星 ＳＡＲ 海洋图像 舰船目标检测方法［Ｊ］．兵工学报，２００２，23（６）：５００唱５０３． ［３４］ 李晓玮，种劲松．基于小波分解的 Ｋ唱分布 ＳＡＲ 图像舰船检测［Ｊ］． 测试技术学报，２００７，21（４）：３５０唱３５４． ［３５］ 彭石宝，袁俊泉，向家彬．复杂杂波背景 下 海 洋 ＳＡＲ 图 像 中 舰 船 目标的检测［Ｊ］．雷达与对抗，２００６，1（１）：２９唱３３． ［３６］ ＲＥＹ Ｍ Ｔ，ＴＵＮＡＬＥ Ｊ Ｋ，ＦＯＬＩＮＳＢＥＥ Ｊ Ｔ，et al．Ａｐｐｌｉｃａｔｉｏｎ ｏｆ ｒａｄｏｎ ｔｒａｎｓｆｏｒｍ ｔｅｃｈｎｉｑｕｅｓ ｔｏ ｗａｋｅ ｄｅｔｅｃｔｉｏｎ ｉｎ ｓｅａｓａｔ：ａ ＳＡＲ ｉｍａｇｅｓ［Ｊ］． IEEE Tans on Geoscience and Remote Sensing，１９９０，28（４）： ５５３唱５６０． ［３７］ ＲＥＹ Ｍ Ｔ，ＴＵＮＡＬＥ Ｊ Ｋ，ＳＣＢＢＡＬＤ Ｔ．Ｕｓｅ ｏｆ ｔｈｅ Ｄｅｍｐｓｔｅｒ唱Ｓｈａｆｅｒ ａｌ唱 ｇｏｒｉｔｈｍ ｆｏｒ ｔｈｅ ｄｅｔｅｃｔｉｏｎ ｏｆ ＳＡＲ ｓｈｉｐ ｗａｋｅ［Ｊ］．IEEE Trans on Ge唱 oscience and Remote Sensing，１９９３，31（５）：１１１４唱１１１８． ［３８］ ＣＯＰＥＬＡＮＤ Ａ Ｃ，ＲＡＶＩＣＨＡＮＤＲＡＮ Ｇ，ＴＲＩＶＥＤＩ Ｍ Ｍ．Ｌｏｃａｌｉｚｅｄ ｒａ唱 ｄｏｎ ｔｒａｎｓｆｏｒｍ：ｂａｓｅｄ ｄｅｔｅｃｔｉｏｎ ｏｆ ｓｈｉｐ ｗａｋｅｓ ｉｎ ＳＡＲ ｉｍａｇｅｓ［ Ｊ］． IEEE Trans on Geoscience and Remote Sensing，１９９５，33（１）： ３５唱４５． ［３９］ ＬＩＮ Ｉ Ｉ，ＫＷＯＨ Ｌ Ｋ，ＬＩＮ Ｙ Ｃ，et al．Ｓｈｉｐ ａｎｄ ｓｈｉｐ ｗａｋｅ ｄｅｔｅｃｔｉｏｎ ｉｎ ｔｈｅ ＥＲＳ ＳＡＲ ｉｍａｇｅｒｙ ｕｓｉｎｇ ｃｏｍｐｕｔｅｒ唱ｂａｓｅｄ ａｌｇｏｒｉｔｈｍ［Ｃ］ ／／Ｐｒｏｃ ｏｆ Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ｇｅｏｓｃｉｅｎｃｅ ａｎｄ Ｒｅｍｏｔｅ Ｓｅｎｓｉｎｇ．１９９７： １５１唱１５３． ［４０］ 王世庆，金亚秋．ＳＡＲ 图像船行尾迹检测的 Ｒａｄｏｎ 变换和形态学 图像处理技术［Ｊ］．遥感学报，２００１，5（４）：２８９唱２９４． ［４１］ 周红建，陈越，王正志，等．应用 Ｒａｄｏｎ 变换方法检测窄 Ｖ 形船舶 航迹［Ｊ］．中国图象图形学报，２０００，5（１１）：９０１唱９０５． ［４２］ 肖利平，曹炬，高晓 颖．复 杂 海 地 背 景 下 的 舰 船 目 标 检 测［Ｊ］．光 电工程，２００７，34（６）：６唱１０． ［４３］ 刘颖健，唐功友，赵驯洪，等．数学形态学方法在海面船目标检测 中的应用［Ｊ］．中国海洋大学学报，２００５，35（３）：５１１唱５１４． ［４４］ 徐军，向健勇，周翔，等．基于特征域的目标分割算法［Ｊ］．红外与 激光工程，１９９８，27（２）：２１唱２３． ［４５］ 邹焕新，匡纲要，郁文贤．基于特征矢量 匹 配 的 ＳＡＲ 海 洋 图 像 舰 船目标检测［Ｊ］．现代雷达，２００４，28（８）：２５唱２９． （ 上接第 １９ 页） ［３］ ＨＥＦＥＥＤＡ Ｍ，ＳＡＬＥＨ Ｏ．Ｔｒａｆｆｉｃ ｍｏｄｅｌｉｎｇ ａｎｄ ｐｒｏｐｏｒｔｉｏｎａｌ ｐａｒｔｉａｌ ｃａｃｈｉｎｇ ｆｏｒ ｐｅｅｒ唱ｔｏ唱ｐｅｅｒ ｓｙｓｔｅｍｓ［Ｊ］．ACM Trans on Networking， ２００８，16（６）：１４４７唱１４６０． ［４］ ＡＬＬＥＮ Ｍ Ｓ，ＺＨＡＯ Ｂ Ｙ，ＷＯＬＳＫＩ Ｒ．Ｄｅｐｌｏｙｉｎｇ ｖｉｄｅｏ唱ｏｎ唱ｄｅｍａｎｄ ｓｅｒｖｉｃｅｓ ｏｎ ｃａｂｌｅ ｎｅｔｗｏｒｋｓ［Ｃ］ ／／Ｐｒｏｃ ｏｆ ｔｈｅ ２７ｔｈ Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｃｏｎ唱 ｆｅｒｅｎｃｅ ｏｎ Ｄｉｓｔｒｉｂｕｔｅｄ Ｃｏｍｐｕｔｉｎｇ Ｓｙｓｔｅｍｓ．Ｗａｓｈｉｎｇｔｏｎ ＤＣ： ＩＥＥＥ Ｃｏｍｐｕｔｅｒ Ｓｏｃｉｅｔｙ，２００６． ［５］ 彭雪娜，李佳，闻英友，等．面向 Ｐ２Ｐ 流媒体直播的数据分发机制 研究进展［Ｊ］．计算机科学，２０１０，37（５）：１５唱２０． ［６］ ＣＨＡＲＩＫＡＲ Ｍ，ＧＵＨＡ Ｓ，ＴＡＲＤＯＳ Ｅ，et al．Ａ ｃｏｎｓｔａｎｔ唱ｆａｃｔｏｒ ａｐｐｒｏ唱 ｘｉｍａｔｉｏｎ ａｌｇｏｒｉｔｈｍ ｆｏｒ ｔｈｅ k唱ｍｅｄｉａｎ ｐｒｏｂｌｅｍ［Ｃ］ ／／Ｐｒｏｃ ｏｆ ｔｈｅ ３１ｓｔ Ａｎｎｕａｌ ＡＣＭ Ｓｙｍｐｏｓｉｕｍ ｏｎ Ｔｈｅｏｒｙ ｏｆ Ｃｏｍｐｕｔｉｎｇ．Ｎｅｗ Ｙｏｒｋ：ＡＣＭ 第 ２８ 卷 ［４６］ 李长军，胡应添，陈学佺．基于模糊理论 的 ＳＡＲ 图 像 海 上 舰 船 检 测方法研究［Ｊ］．计算机应用，２００５，25（８）：１９５４唱１９５６． ［４７］ ＫＯＵＲＴＩ Ｎ，ＳＨＥＰＡＲＤ Ｉ，ＶＥＲＢＯＲＧＨＶ Ｊ．Ｆｉｓｈｉｎｇ ｂｏａｔ ｄｅｔｅｃｔｉｏｎ ｂｙ ｕｓｉｎｇ ＳＡＲ ｉｍａｇｅｒｙ［Ｃ］ ／／Ｐｒｏｃ ｏｆ ＡＭＲＳ Ｗｏｒｋｓｈｏｐ ｏｎ Ｓｈｉｐ Ｄｅｔｅｃｔｉｏｎ ｉｎ Ｃｏａｓｔａｌ Ｗａｔｅｒｓ．２０００． ［４８］ ＳＣＨＷＡＲＴＺ Ｇ，ＡＬＶＡＲＥＺ Ｍ，ＶＡＲＦＩＳ Ａ，et al．Ｅｌｉｍｉｎａｔｉｏｎ ｏｆ ｆａｌｓｅ ｐｏｓｉｔｉｖｅｓ ｉｎ ｖｅｓｓｅｌｓ ｄｅｔｅｃｔｉｏｎ ａｎｄ ｉｄｅｎｔｉｆｉｃａｔｉｏｎ ｂｙ ｒｅｍｏｔｅ ｓｅｎｓｉｎｇ ［Ｃ］ ／／Ｐｒｏｃ ｏｆ ＩＥＥＥ Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｇｅｏｓｃｉｅｎｃｅ ａｎｄ Ｒｅｍｏｔｅ Ｓｅｎｓｉｎｇ Ｓｙｍｐｏｓｉｕｍ．２００２：１１６唱１１８． ［４９］ ＣＨＥＳＷＯＲＴＨ Ｊ，ＬＥＭＯＩＮＥ Ｇ．ＩＭＰＡＳＴ：ｉｍｐｒｏｖｉｎｇ ｆｉｓｈｅｒｉｅｓ ｍｏｎｉｔｏ唱 ｒｉｎｇ ｂｙ ｉｎｔｅｇｒａｔｉｎｇ ｐａｓｓｉｖｅ ａｎｄ ａｃｔｉｖｅ ｓａｔｅｌｌｉｔｅ ｔｅｃｈｎｏｌｏｇｉｅｓ ｒｅｓｕｌｔｓ ａｎｄ ａｎａｌｙｓｅｓ ｆｒｏｍ ｔｈｅ ｓｅｃｏｎｄ ｙｅａｒ’ｓ ｃａｍｐａｉｇｎ，Ｉ．０４．３［Ｒ］．Ｉｓｐｒａ，Ｉｔａｌｙ： Ｉｎｓｔｉｔｕｔｅ ｆｏｒ ｔｈｅ Ｐｒｏｔｅｃｔｉｏｎ ａｎｄ Ｓｅｃｕｒｉｔｙ ｏｆ ｔｈｅ Ｃｉｔｉｚｅｎ Ｃｙｂｅｒｓｅｃｕｒｉｔｙ ａｎｄ Ｎｅｗ Ｔｅｃｈｎｏｌｏｇｉｅｓ ｆｏｒ Ｃｏｍｂａｔｉｎｇ Ｆｒａｕｄ，２００４． ［５０］ ＳＣＩＯＴＴＩ Ｍ，ＰＡＳＴＩＮＡ Ｄ，ＬＯＭＢＡＲＤＯ Ｐ．Ｐｏｌａｒｉｍｅｔｒｉｃ ｄｅｔｅｃｔｏｒｓ ｏｆ ｅｘｔｅｎｄｅｄ ｔａｒｇｅｔｓ ｆｏｒ ｓｈｉｐ ｄｅｔｅｃｔｉｏｎ ｉｎ ＳＡＲ ｉｍａｇｅｓ［Ｃ］ ／／Ｐｒｏｃ ｏｆ ＩＥＥＥ Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｇｅｏｓｃｉｅｎｃｅ ａｎｄ Ｒｅｍｏｔｅ Ｓｅｎｓｉｎｇ Ｓｙｍｐｏｓｉｕｍ．２００１：３１３２唱 ３１３４． ［５１］ ＳＣＩＯＴＴＩ Ｍ，ＰＡＳＴＩＮＡ Ｄ，ＬＯＭＢＡＲＤＯ Ｐ．Ｅｘｐｌｏｉｔｉｎｇ ｔｈｅ ｐｏｌａｒｉｍｅｔｒｉｃ ｉｎｆｏｒｍａｔｉｏｎ ｆｏｒ ｔｈｅ ｄｅｔｅｃｔｉｏｎ ｏｆ ｓｈｉｐ ｔａｒｇｅｔｓ ｉｎ ｎｏｎｈｏｍｏｇｅｎｅｏｕｓ ＳＡＲ ｉｍａｇｅｓ［Ｃ］ ／／Ｐｒｏｃ ｏｆ Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｇｅｏｓｃｉｅｎｃｅ ａｎｄ Ｒｅｍｏｔｅ Ｓｅｎｓｉｎｇ Ｓｙｍｐｏｓｉｕｍ．２００２：１９０８唱１９１３． ［５２］ ＴＯＵＺＩ Ｒ，ＣＬＬＡＲＢＯＮＮＥＡＵ Ｆ，ＨＡＷＫＩＮＳ Ｒ Ｋ，et al．Ｓｈｉｐ唱ｓｅａ ｃｏｎ唱 ｔｒａｓｔ ｏｐｔｉｍｉｓａｔｉｏｎ ｗｈｅｎ ｕｓｉｎｇ ｐｏｌａｒｉｍｅｔｒｉｃ ＳＡＲｓ［Ｃ］ ／／Ｐｒｏｃ ｏｆ ＩＥＥＥ Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｇｅｏｓｃｉｅｎｃｅ ａｎｄ Ｒｅｍｏｔｅ Ｓｅｎｓｉｎｇ Ｓｙｍｐｏｓｉｕｍ．２００１：４２６唱 ４２８． ［５３］ ＲＩＮＧＲＯＳＥ Ｒ，ＨＡＲＲＩＳ Ｎ．Ｓｈｉｐ ｄｅｔｅｃｔｉｏｎ ｕｓｉｎｇ ｐｏｌａｒｉｍｅｔｒｉｃ ＳＡＲ ｄａ唱 ｔａ［ Ｃ］ ／／Ｐｒｏｃ ｏｆ ＳＡＲ Ｗｏｒｋｓｈｏｐ．Ｐａｒｉｓ： Ｅｕｒｏｐｅａｎ Ｓｐａｃｅ Ａｇｅｎｃｙ， ２０００：６８７唱６８９． ［５４］ 田巳睿，王超，张红．Ｅｎｖｉｓａｔ ＡＰ 图像 Ｐ唱ＣＦＡＲ 舰船检测方法研究 ［Ｊ］．遥感技术与应用，２００７，22（２）：１８３唱１８７． ［５５］ 牛朝阳，马德宝，李武皋．基于联合 ＰＷＦ唱２ｐＣＦＡＲ 算法的 Ｅｎｖｉｓａｔ／ ＡＳＡＲ 双极化数据 舰 船 检 测 方 法 研 究［Ｊ］．信 息 工 程 大 学 学 报， ２００８，9（３）：３１９唱３２２． ［５６］ 尤晓建，徐守时，侯蕾．基于特征融合的可见光图像舰船检测新方 法［Ｊ］．计算机工程与应用，２００５，41（１９）：１９９唱２０２． ［５７］ 蒋李兵．基 于 高 分 辨 光 学 遥 感 图 像 的 舰 船 目 标 检 测 方 法 研 究 ［Ｄ］．长沙：国防科学技术大学，２００６． ［５８］ 韩先锋，李俊山，孙 满 囤．ＳＡＲ 图 像 舰 船 目 标 分 割 算 法 研 究［Ｊ］． 微电子学与计算机，２００５，22（６）：４１唱４４． ［５９］ 储昭亮，王庆华，陈海林，等．基于极小误差阈值分割的舰船自动 检测方法［Ｊ］．计算机工程，２００７，33（１１）：２３９唱２４２． Ｐｒｅｓｓ，１９９９：１唱１０． ［７］ ＪＡＩＮ Ｋ，ＶＡＺＩＲＡＮＩ Ｖ Ｖ．Ａｐｐｒｏｘｉｍａｔｉｏｎ ａｌｇｏｒｉｔｈｍｓ ｆｏｒ ｍｅｔｒｉｃ ｆａｃｉｌｉｔｙ ｌｏｃａｔｉｏｎ ａｎｄ k唱ｍｅｄｉａｎ ｐｒｏｂｌｅｍｓ ｕｓｉｎｇ ｔｈｅ ｐｒｉｍａｌ唱ｄｕａｌ ｓｃｈｅｍａ ａｎｄ Ｌａｇｒａｎｇｉａｎ ｒｅｌａｘａｔｉｏｎ［Ｊ］．Journal of the ACM，２００１，48（２）： ２７４唱 ２９６． ［８］ ＣＡＭＥＲＯＮ Ｃ Ｗ，ＬＯＷ Ｓ Ｈ，ＷＥＩ Ｄ Ｘ，et al．Ｈｉｇｈ唱ｄｅｎｓｉｔｙ ｍｏｄｅｌ ｆｏｒ ｓｅｒｖｅｒ ａｌｌｏｃａｔｉｏｎ ａｎｄ ｐｌａｃｅｍｅｎｔ［Ｃ］ ／／Ｐｒｏｃ ｏｆ ＡＣＭ ＳＩＧＭＥＴＲＩＣＳ Ｉｎ唱 ｔｅｒｎａｔｉｏｎａｌ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ｍｅａｓｕｒｅｍｅｎｔ ａｎｄ Ｍｏｄｅｌｉｎｇ ｏｆ Ｃｏｍｐｕｔｅｒ Ｓｙｓｔｅｍｓ．Ｎｅｗ Ｙｏｒｋ：ＡＣＭ Ｐｒｅｓｓ，２００２：１５２唱１５９． ［９］ 中国互联网络信息中心（ＣＮＮＩＣ）．第 ２５ 次中国互联网络发展状 况统计报告［ＥＢ／ＯＬ］．（２０１０唱０１唱０１）［２０１０唱０７唱０８］．ｈｔｔｐ：／／ｗｗｗ． ｃｎｎｉｃ．ｎｅｔ．ｃｎ／ｉｎｄｅｘ／０Ｏ／０２／ｉｎｄｅｘ．ｈｔｍｌ．
    分享到：
    赞 收藏

    相关推荐

    资料库

    开发技术

    共收录19306份资料，累计14个分类，关注成员有19位，主要包括：Actionscript,Javascript,PHP,VB,Perl,Delphi,Python,C#,C,Java,C++,Web开发,硬件开发,其它

    热门标签

    Actionscript Javascript PHP VB Perl Delphi Python C# C Java C++ Web开发 硬件开发 其它

    最新资料