论文阅读笔记
摘要
针对光学遥感图像，围绕舰船目标检测的一般处理流程，
综述了目前各环节采用的主要处理方法，分析比较了各方法的优劣，指出了各环节面临的瓶颈问题，阐述了自然图像上的检测方法应用于舰船目标检测时的局限性，并讨论了当前研究面临的挑战，最后对相关的发展趋势进行了展望。
1 引言
现有舰船识别研究工作大多基于SAR图像，光学遥感图像舰船目标检测逐渐成为研究热点。
2 检测方法总结
现阶段的舰船检测识别过程通常分为3歌步骤：
输入图像进行预处理，减弱环境的影响，当图像中出现陆地区域时，进行海陆分离操作；在图像中提取可能包含舰船目标的候选区域；在获取舰船目标候选区域的集合中移除非舰船对象，得到真实舰船目标。
2.1 预处理
2.1.1 噪声处理
利用滤波器去除噪声。
维纳滤波器[6]中值滤波器[7-8]许军毅等[9]提出了一种基于灰度统计的快速中值滤波方法，金文超等[10]提出了一种改进滤波器窗口尺寸的方法来抑制椒盐噪声
2.1.2 云层处理
阈值法是云层处理操作中最常用的方法。
Corbane等[11]基于图像具有高斯分布且云像素对应于最亮像素的假设，通过直方图确定阈值信息，将所有大于或等于云阈值的像素都按照设定规则屏蔽，从而达到去云的目的。Jin等[12]使用傅里叶变换算法从图像中去除云。
阈值法简单，但通用性较低。模式识别类的方法更加准确，如基于神经网络，支持向量机，聚类法等。
王睿等
[13]提出了一种基于最小二乘的支持向量机法进行云检测
2.1.3 海陆分离
现阶段常用的方法根据图像提取特征的不同可分为阈值分割法和边缘特征分割法。
分割的阈值选取方法包括
直方图谷底法[14]、最大类间方差法（OTSU）[15-17]、自适应阈值法[18]、最小误差判别法（统计判决法）[19]等。
Li等[17]对OTSU算法进行了改进并将其与MeanShift算法相结合，提高了海陆分离的精度，同时很好地保留了舰船的细节信息。Besbinar等[20]使用数字地形高程数据，利用灵芝完成海陆分离，根据阈值将图像分割成水和非水
常见的边缘检测算法有
ROA检测梯度边缘检测小波检测
Cheng等[21]提出了基于双树复数小波变换地Chan-Vese模型来完成海陆分割；Aktas等[22]提出了基于边缘感知的海陆分割法，并使用可控滤波器来保护海岸线边界；胡倩等[23]利用边缘检测和梯度矢量流的有向力作用生成初始轮廓线，再使用主动轮廓模型对其进行调整，得到了精确的海陆边界
2.2 舰船预检
舰船预检是在经过预处理后的图像上提取出可能包含舰船目标的候选区域。
2.2.1 基于灰度统计特征的方法
2.2.2 基于显著性检测的方法
2.2.3 基于形状和纹理特征的方法
2.2.4 基于模板的方法
2.2.5 基于深度学习的方法
刘峰等[34]利用改进的 Alexnet网络实现对多波段图像并行地提取特征,得到不同波段下舰船目标的特征信息。Tang等[35]提出了一种基于自编码器的深度神经网络与极限学习机(ExtremeLearningMachine,ELM)结合的方法,其采用压缩域进行快速舰船候选提取,利用深度神经网络进行高层特征的表示和分类,并将 ELM 用于高效的特征共享和决策。Zou等
[36]提出了一种基于 SVDNet的自动特征提取方法来检测舰船目标。Zhang等
[37]提出了一种基于 CNN 模型的 SＧCNN 舰船检测方法.
2.3 舰船识别
2.3.1 基于学习的方法
2.3.2 基于非学习的方法
3 方法分析及面临的挑战
Multi-scale Combinatorial Grouping for Image Segmentation and Object Proposal GenerationA Survey on Object Detection in Optical Remote Sensing ImagesPCANet: A Simple Deep Learning Baseline for Image ClassificationShip Detection in Spaceborne Optical Image With SVD NetworksS-Cnn Ship Detection from High-Resolution Remote Sensing Images
Ship detection in high spatial resolution remote sensing image based on improved sea-land segmentation
Inshore ship detection in high-resolution satellite images:approximation of harbors using sea-land segmentation
