复杂海况下遥感图像舰船目标检测的显著性优化方法

本文主要探讨了在复杂海况下遥感图像舰船目标检测的挑战和解决方案。复杂海洋环境中，诸如舰船尾迹、海杂波、油污和薄云等因素会严重影响舰船目标的检测性能，导致检测结果的可靠性降低，并且小目标舰船难以被精确识别。针对这些问题，研究人员提出了一种自适应稳健背景显著性优化的舰船目标检测模型。 首先，文章采用顶帽算法作为预处理步骤，这个算法是一种边缘增强技术，通过局部高斯滤波后减去原图像，可以有效地抑制舰船尾迹和海杂波等背景干扰，提高图像的清晰度和对比度。顶帽算法通过分离低频背景和高频细节信息，有助于突出目标特征。 接着，为了进一步优化背景检测，作者提出了自适应超像素分割方法。超像素分割是将图像分割成具有相似特征的小区域，这有助于减少噪声的影响，同时保持图像的纹理和结构信息。通过自适应地调整超像素的划分策略，可以根据不同区域的特性动态地处理，提高了背景检测的准确性。 文章的核心部分是对大津法（Otsu算法）的改进。大津法是一种常用的二值化方法，通过寻找最佳阈值来自动区分图像中的前景和背景。在此基础上，作者引入了自适应的均值信息，使得阈值的选择更加灵活，能够更好地适应不同海况下的舰船信号强度变化，从而定位舰船所在的区域。 实验结果显示，该方法在复杂海况下表现出色，检测准确率达到91.20%，召回率达到了79.31%，综合评价指标达到84.00%。相比于其他显著性检测模型，这种方法显示出明显的优势，尤其在处理小目标舰船时，其鲁棒性和准确性都得到了提升。因此，这种自适应稳健背景显著性优化的舰船目标检测模型对于复杂海况下的遥感图像分析具有重要的应用价值，对于海上监控和军事侦察等领域具有实际意义。