光学遥感图像多目标检测及识别算法设计与实现
光学遥感图像船只目标检测识别技术
第42卷第3期遥测遥控V ol. 42, No. 3 2021年5月Journal of Telemetry, Tracking and Command May 2021光学遥感图像船只目标检测识别技术陈昱文，熊建林，刘斌，刘颖，张永倩（北京遥测技术研究所北京100076）摘要：船只目标检测识别技术是现阶段遥感图像研究领域的一个重要发展方向。
随着国产高分辨率卫星的快速发展，高分遥感卫星陆续发射，基于光学遥感图像的船只检测识别技术会逐步成为研究热门。
主要介绍了近年来基于光学图片的船只检测识别技术发展、以及当前技术存在的问题。
当前基于深度学习的船只目标检测识别技术取得了较好的检测效果，成为主流研究方向，但在光学遥感图像船只检测领域基于深度学习的方法有一些基本问题限制了检测效果，对这些问题进行了归纳总结，并对未来光学遥感图像船只检测技术的发展进行了展望。
关键词：光学遥感图像；船只目标识别；深度学习中图分类号：TP751 文献标识码：A 文章编号：CN11-1780(2021)03-0057-10Survey of ship detection and recognition technology inoptical remote sensing imagesCHEN Yuwen, XIONG Jianlin, LIU Bin, LIU Ying, ZHANG Yongqian（Beijing Research Institute of Telemetry, Beijing 100076, China）Abstract: At this stage, ship detection and recognition technology is an important development direction in the field of remote sensing image research. With the rapid development of domestic high-resolution satellites, high-resolution remote sensing satellites have been launched one after another, and ship detection and recognition technology based on optical remote sensing images will gradually become a research hotspot. This article introduces the development of ship detection and recognition technology based on optical images in recent years, and the problems of current technology.The current deep learning-based ship target detection technology has achieved good detection results and has become the mainstream research direction. However, in the field of optical remote sensing image ship detection, deep learning-based methods have some basic problems which limit the detection effect. This article summarizes some of the problems that currently limit the deep learning-based optical remote sensing image ship detection technology, and looks forward to the future development of optical remote sensing image ship detection technology.Key words: Optical remote sensing image; Ship detection technology; Deep learning引言船只目标检测识别技术是卫星光学图像处理领域中一个重要的发展方向。
高分辨率遥感影像的目标检测与识别
高分辨率遥感影像的目标检测与识别随着遥感技术的不断进步，现在的遥感影像分辨率越来越高，已经可以达到亚米级甚至亚亚米级，这样的高分辨率让我们可以直观地观察到地面的微小变化，更好地理解地球的动态变化。
但是高分辨率也带来了一个问题，那就是目标的数量和种类变得更多，因此，如何在这样的影像中快速、准确地进行目标检测和识别成为了一个热门的技术问题。
一、目标检测目标检测是指在遥感影像中找出与所需要的目标形状匹配的目标，并标出其位置和轮廓。
目标检测方法主要分为基于特征的方法和基于深度学习的方法。
1.基于特征的方法基于特征的方法一般包括特征提取和分类两个步骤，其中特征提取是指从遥感图像中选择适合的特征参数，用于分类器所需的输入。
特征提取常用的方法有基于灰度值的区域方法、基于边缘的方法、基于形态学的方法等。
而分类一般采用支持向量机、决策树、随机森林等机器学习算法。
基于特征的方法虽然准确率较高，但它的局限性也显而易见，就是人为设计的特征可能无法充分提取图像中的信息，导致分类器性能难以充分利用。
2.基于深度学习的方法随着深度学习技术的迅速发展，基于深度学习的方法在目标检测中也被广泛应用。
深度学习无需人工选择特征，自己可以学习到最适合的特征。
深度学习模型常用的框架有卷积神经网络（CNN）、残差网络（ResNet）、多尺度卷积网络（MS-CNN）等。
相比于基于特征的方法，深度学习方法可以处理更复杂、更难分辨的遥感图像，提升了检测的准确率和鲁棒性。
二、目标识别目标识别是指识别目标所属的种类，常用的算法有多分类器（SVM、KNN、随机森林等）和深度学习（深度卷积神经网络）。
而深度学习在目标识别中的表现尤为突出，由于深度学习的模型具有较强的表征能力和高鲁棒性，因此在目标识别方面非常优秀。
1.基于深度学习的方法基于深度学习的目标识别方法可以大致分为两类：监督学习和迁移学习。
其中，监督学习是指模型需要了解样本的具体信息，包括类别标签等，从而进行分类。
遥感图像中的目标检测与识别
遥感图像中的目标检测与识别遥感图像是通过航空器、卫星等远距离传感器获取的地球表面信息的图像。
随着遥感技术的不断发展，遥感图像已经成为了获取地球表面信息最重要的手段之一。
在众多应用中，目标检测与识别是遥感图像处理中最为重要和具有挑战性的任务之一。
目标检测与识别在军事、环境监测、城市规划等领域具有广泛应用，对于提高生产效率和资源利用率具有重要意义。
目标检测与识别是指在遥感图像中自动地找到并判断出特定目标物体并进行分类和识别。
由于地球表面信息十分庞大且复杂多样，传统手动分析方法已经无法满足对大规模数据进行高效处理和分析的需求。
因此，自动化处理技术成为了解决这一问题的关键。
在过去几十年里，研究者们提出了许多不同方法来解决遥感图像中目标检测与识别问题。
其中最常用且最成功的方法之一是基于机器学习算法的方法。
机器学习是一种通过从数据中学习模式和规律来进行预测和决策的方法。
在遥感图像中，机器学习方法通过学习目标物体的特征和上下文信息，来判断图像中是否存在目标物体，并进行分类和识别。
常用的机器学习算法包括支持向量机(SVM)、决策树、随机森林等。
除了机器学习算法，深度学习技术也在遥感图像目标检测与识别中取得了巨大的突破。
深度学习是一种模仿人脑神经网络结构进行模式识别和决策的方法。
与传统机器学习算法相比，深度学习具有更强大的模式识别能力，并且能够自动从大规模数据中提取特征。
在遥感图像处理中，深度学习可以通过卷积神经网络(CNN)等结构来自动提取目标物体的特征，并进行分类和识别。
除了算法方法，在遥感图像目标检测与识别中还存在一些挑战。
首先是数据量庞大且复杂多样。
地球表面信息非常庞大且复杂多样，遥感图像处理需要处理海量的数据，并从中提取出有效的特征。
其次是目标物体的多尺度和多角度。
遥感图像中目标物体往往具有不同尺度和角度，需要对图像进行多尺度和多角度的处理。
再次是遥感图像中的噪声和干扰。
由于遥感图像是通过远距离传感器获取，其受到了大气、云层、地表反射等因素的干扰，需要进行噪声和干扰的去除。
遥感卫星图像中的目标检测与跟踪
遥感卫星图像中的目标检测与跟踪遥感卫星图像的目标检测与跟踪是一项具有重要意义的研究领域。
随着遥感技术的不断发展和卫星图像数据的不断增加，目标检测与跟踪技术在军事、环境监测、城市规划等领域具有广泛应用。
本文将从目标检测和目标跟踪两个方面展开探讨，探讨其在遥感卫星图像中的应用和发展趋势。
一、目标检测1.1 目标检测概述目标检测是指从图像中自动识别并定位感兴趣的对象。
在遥感卫星图像中，常见的目标包括建筑物、道路、水体等。
传统的目标检测方法主要基于特征提取和分类器设计，如基于纹理特征、形状特征等。
1.2 目前主流方法随着深度学习技术的兴起，基于深度学习的目标检测方法取得了显著进展。
其中最具代表性的是基于卷积神经网络（CNN）的目标检测方法，如Faster R-CNN、YOLO、SSD等。
这些方法通过引入区域建议网络（RPN）和多尺度特征融合等技术，实现了高效准确的目标检测。
1.3 遥感卫星图像中的挑战遥感卫星图像中的目标检测面临着一些特殊挑战。
首先，遥感图像分辨率较高，目标尺度多样，使得目标的形状和纹理特征变化较大；其次，背景复杂多变，存在大量干扰信息；此外，遥感图像中常常存在遮挡、光照变化等问题。
1.4 未来发展趋势未来发展趋势主要包括以下几个方面。
首先，深度学习技术将继续发展并得到应用，在提高检测精度和速度方面有更大突破；其次，在数据集方面需要更多包含不同场景和不同尺度的遥感图像数据集；此外，在结合多源数据（如光学影像、雷达影像）方面有待进一步研究。
二、目标跟踪2.1 目标跟踪概述目标跟踪是指在连续的图像序列中，通过对前一帧中的目标进行定位，预测目标在下一帧中的位置。
目标跟踪在遥感卫星图像中具有重要应用，如对自然灾害进行监测、对城市变化进行分析等。
2.2 目前主流方法目前主流的目标跟踪方法包括基于特征点、基于模型、基于深度学习等。
其中，基于深度学习的方法由于其强大的特征学习能力和鲁棒性，在遥感卫星图像中得到了广泛应用。
遥感图像的目标检测方法研究
检测结果后处理
边缘检测：提取目标边缘， 提高检测精度
滤波处理：去除噪声和干扰， 提高图像质量
阈值分割：设定阈值，将图 像分为目标和背景两部分
形态学处理：去除小目标， 填补空洞，改善图像结构
遥感图像目标检测的性能评估
评价指标
准确率：预测结果与实际结果的一致性 召回率：预测结果中正确结果的比例 F1分数：准确率和召回率的调和平均值
的过程。
目标检测包括 目标定位、目 标分类和目标 识别三个步骤。
目标检测技术 广泛应用于遥 感图像处理、 地理信息系统、 军事侦察等领
域。
目标检测方法 包括传统方法 （如边缘检测、 阈值分割等） 和深度学习方 法（如卷积神
经网络、 YOLO等）。
遥感图像目标检测的应用场景
城市规划：检测城市中的建筑物、道路等 农业监测：检测农田中的农作物、病虫害等 环境监测：检测大气污染、水质污染等 灾害监测：检测地震、洪水、火灾等自然灾害
遥感图像的目标检测方法研究
汇报人：
单击输入目录标题 遥感图像目标检测概述
遥感图像目标检测的主要方法 遥感图像目标检测的算法流程 遥感图像目标检测的性能评估 遥感图像目标检测的未来展望
添加章节标题
遥感图像目标检测概述
遥感图像目标检测的定义
遥感图像目标 检测是指从遥 感图像中识别 和定位感兴趣 的目标或特征
基于稀疏表示的方法
稀疏表示：将图 像分解为多个稀 疏表示，每个表 示对应一个目标
特征提取：提取 图像中的特征， 如颜色、纹理、 形状等
目标检测：通过 比较特征与目标 特征的相似度， 确定目标位置
应用领域：遥感 图像、医学图像、 人脸识别等
遥感图像目标检测的算法流程
光学图像海面舰船目标智能检测与识别方法研究
光学图像海面舰船目标智能检测与识别方法研究一、本文概述随着遥感技术的快速发展，光学图像作为其中的一种重要数据源，广泛应用于海面舰船目标的检测与识别。
光学图像海面舰船目标的智能检测与识别方法研究，不仅有助于提升海洋安全监管的自动化和智能化水平，也对军事侦察、民用船舶监控等领域具有重要意义。
本文旨在探讨和研究基于光学图像的海面舰船目标智能检测与识别的相关技术和方法。
本文将对光学图像海面舰船目标检测与识别的研究背景和意义进行阐述，分析当前国内外的研究现状和发展趋势。
接着，文章将详细介绍基于光学图像的海面舰船目标检测与识别所涉及的关键技术，包括图像预处理、特征提取、目标检测和识别等步骤，并对各种方法的优缺点进行比较分析。
在此基础上，本文将提出一种基于深度学习的海面舰船目标智能检测与识别方法，该方法能够充分利用光学图像中的多尺度、多特征信息，实现对海面舰船目标的快速、准确检测与识别。
文章将详细阐述该方法的实现过程，包括模型的构建、训练、优化和测试等步骤，并通过实验验证该方法的有效性和鲁棒性。
本文将对研究成果进行总结，并对未来研究方向进行展望。
通过本文的研究，旨在为光学图像海面舰船目标智能检测与识别技术的发展提供理论支持和实践指导，推动相关领域的科技进步和应用发展。
二、相关理论和技术随着光学成像技术的不断进步，海面舰船目标的智能检测与识别已成为当前研究的热点。
在这一领域中，涉及的理论和技术众多，主要包括图像处理、机器学习、深度学习等。
图像处理技术是海面舰船目标检测的基础。
常用的图像处理技术包括图像增强、滤波、边缘检测等。
这些技术可以有效地提高图像质量，减少噪声干扰，突出目标特征，为后续的目标识别提供基础。
机器学习算法在舰船目标识别中发挥着重要作用。
通过训练大量的样本数据，机器学习模型可以学习到舰船目标的特征表示，从而实现自动的目标分类和识别。
常见的机器学习算法包括支持向量机（SVM）、随机森林（Random Forest）等。
遥感图像物体识别的算法研究
遥感图像物体识别的算法研究遥感图像物体识别技术是利用遥感图像的特点，将遥感图像分割为不同的目标区域，对各目标区域进行分析识别，并提取目标物体的特征信息，以实现对遥感图像中各目标物体的识别分类。
遥感图像物体识别对地球信息的精度提升和资源管理有重要的应用价值。
为了提高遥感图像物体识别的效率和准确性，需要对算法进行不断地优化和改进。
本文将从算法的三个方面进行探讨。
一、基于特征提取的算法研究特征提取是一种常用的图像预处理算法，其通过分析图像中的特征信息来实现对图像的处理。
在遥感图像物体识别中，特征提取被视为是提高遥感图像识别准确性的关键。
目前，常用的特征提取算法有：边缘检测算法、颜色分布算法、纹理分析算法、形状分析算法等。
但是由于遥感图像中存在噪声和图像复杂度较高的问题，目前的特征提取算法仍存在提取不到关键信息、提取出的特征过于冗杂等问题，需要进一步优化和改进。
二、基于分类器的算法研究分类器是指用来分类的算法模型，其通过学习一系列已知的样本数据，根据这些数据的特征规律来进行分类，然后将这些规律应用到新数据上，实现对新数据的分类。
在遥感图像物体识别中，常用的分类器有：支持向量机、决策树、神经网络等。
分类器的优化和改进对于提高遥感图像物体识别的准确率非常重要。
目前，研究人员在分类器方面的研究主要针对分类器的算法复杂度、分类精度和分类速度进行优化和改进。
未来，分类器的研究方向应该是提高分类器的运作效率，使其更加适应遥感图像物体识别的需要。
三、基于深度学习的算法研究深度学习是一种机器学习算法的分支，其通过神经网络对数据进行学习和训练，以实现对未知数据的分类和预测。
在遥感图像物体识别中，深度学习可以通过卷积神经网络等模型实现对遥感图像物体特征信息的自动提取和分类。
相比于传统的分类器算法，深度学习具有自动化、高精度、高效率等优势。
但是深度学习还存在模型复杂度大、难以解释等缺陷，需要进一步研究和改进。
综上所述，遥感图像物体识别的算法研究是提高遥感应用的关键之一，包括特征提取、分类器和深度学习等方面。
基于光学遥感图像的目标检测与分类识别方法
檪檪檪檪殏 控制工程文章编号: 2095 － 1248( 2015) 01 － 0023 － 09基于光学遥感图像的目标检测与分类识别方法姬晓飞，秦宁丽( 沈阳航空航天大学 自动化学院，沈阳 110136)摘要: 基于光学遥感图像的目标检测与分类识别是遥感图像处理与分析领域备受关注的课题，其核心任务是判断遥感图像中是否存在目标，并对其进行检测、分割、特征提取与分类识 别。
遥感图像的目标检测是大范围地面信息获取的重要途径，目标分割是对遥感图像进行进 一步处理和应用的基础，提取特征能否有效描述目标区域将直接影响后期检测和识别的结 果，识别算法的选取对于目标的正确识别至关重要。
因此从以下四个方面对这一研究领域进 行介绍: 1) 目标检测; 2) 图像分割; 3) 特征提取; 4) 分类识别，并对研究难点及未来的发展趋 势作较为详细的分析。
关键词: 光学遥感图像; 目标检测; 图像分割; 特征提取; 分类识别 中图分类号: TP 751文献标志码: Adoi: 10． 3969 / j ． i ss n ． 2095 － 1248． 2015． 01． 005T a r ge t detection and classified r e c og n it ion m e th o dbased on optical r e m o t e sensing ima geJI Xi ao -f ei ，Q I N N i ng -li( C o ll e g e of A ut o m at i o n ，S heny an g Aerospac e U n i v ers i ty ，Sheny an g 110136，C h i na)Abstract: The m et ho d of targ et detect i o n and cl assified reco g ni t i o n based on o pt i m al remote sens i ng i m ag e is a focus in the fi eld of rem ot e s ens i ng process and analy s i s ． The ai m is t o l o cate targets and car - ry o ut detect i o n ，s eg m entat i o n ，f eature ex t ract i o n and cl assified reco g ni t i o n ． The target detect i o n of re- m ot e sens i ng i m ag e is an i m po r t ant channel to obtain the ground i nf o rmat i o n in a l ar g e sc al e ． The t ar g et s eg mentat i o n is the f o undat i o n of complet i ng the f urther pr o c ess i ng and appl i c at i o n ． F eature ex t rac t i o n w ill directly aff ect the res ults of l ater detect i o n and reco g ni t i o n ． T he s elect i o n of reco g ni t i o n al g o r i t hm i s v ital for the correct reco g ni t i o n of t he t ar g et ． S o w e w ill i ntr o duce the research field from the f o ll o w i ng four aspects : 1) target detect i o n ; 2) i m ag e s eg mentat i o n ; 3) feature ex t ract i o n ; and 4 ) classifi ed reco g ni - t i o n ． F ur t herm o re ，a detai l ed analysis of t he diffic ulti es and the f uture dev elopm ent trends in this re- s earc h field are li s t ed ． 收稿日期: 2014 － 10 － 17基金项目: 国家自然科学基金青年基金( 项目编号: 61103123) ; 教育部留学回国人员启动基金资助( 项目编号: 2013693) 作者简介: 姬晓飞( 1978 － ) ，女，辽宁鞍山人，副教授，主要研究方向: 视频分析与处理、模式识别理论。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
光学遥感图像多目标检测及识别算法设计与实现作者：姬晓飞秦宁丽来源：《计算机应用》2015年第11期摘要：针对目前光学遥感图像处理与分析多集中在单目标检测及识别领域的局限性，多目标检测及识别成为了一个非常值得关注的研究课题，提出了一种光学遥感图像多目标检测及识别算法。
首先，采用自适应阈值算法对目标快速检测分割；然后，结合图像金字塔思想和基于尺度不变特征变换的特征包（BoFSIFT）特征提出了一种分层的BoFSIFT特征表示目标的全局特征和局部特征，详细地描述了目标的分布特性；最后，采用基于径向基核函数的支持向量机为弱分类器的AdaBoost算法，经过不断更新权重之后得到一个强分类器对待测试目标图像完成分类识别，识别率达到了93.52%。
实验结果表明，所提算法对多类遥感图像目标的分割效果显著，特征选取恰当，识别方法快速有效。
关键词：光学遥感图像；多类目标；自适应阈值；基于尺度不变特征变换的特征包特征；AdaBoost算法中图分类号： TP751.1文献标志码：A0引言光学遥感图像通常是指可见光和部分红外波段传感器获取的影像数据，其直观易理解，空间分辨率通常比较高，在有光照和晴朗的天气条件下，图像内容丰富，目标结构特征明显，便于目标分类识别。
随着遥感技术和模式识别技术的发展，对光学遥感图像多目标分类和识别的研究已引起了广泛关注，它的发展对对地观测、军事侦察等领域有广泛的意义[1]。
基于光学遥感图像的多目标检测与识别研究主要涉及目标分割检测、特征提取和目标识别3个阶段。
目标的检测分割阶段是提取遥感图像信息的重要准备环节，在目标点检测的基础上，依据特征把图像划分成多个区域[2]。
文献[3]对纯海洋背景和海陆背景两种情况下的舰船目标分别用区域生长法和先验法完成目标分割；文献[4]对传统的圆形检测Hough变换方法作了改进，首先是计算目标梯度场检测油库圆心坐标，然后通过计算梯度值加权估计半径值以便对目标准确定位；文献[5]首先用小波分析建筑物目标，然后结合马尔可夫随机场（Markov Random Field，MRF）完成检测分割。
目标的特征提取阶段对识别结果有至关重要的作用，通过提取图像的某些直观自然特征或变换得到的构造特征在实现数据压缩的同时，提高目标之间的特征差异性。
文献[6]提出了一种通过对遥感图像提取局部纹理特征的纹理分类算法；文献[7]提出了一种新的圆形目标提取方法，该方法耗时低、检出率高、抗噪能力强；文献[8]提出了一种新的由粗到细的飞机识别方法，采用Sobel算子提取边缘特征和加权像素位置后识别效果明显改善了。
以上方法由于选取特征单一，对遥感图像目标的准确识别具有一定的局限性。
文献[9]综合轮廓、小波系数和原来的位图等特征对飞机型号进行识别；文献[10]提出了一种基于光学遥感图像形状和纹理特征融合的舰船识别方法，取得了良好的效果；文献[11]融合点特征和表观特征，提高目标的正确识别率。
目标识别阶段是对光学遥感图像中的目标通过某种分类器准确定位识别。
文献[12]提出主从神经元结构的模糊神经网络用于大型舰船的分类识别；文献[13]采用主成分分析（Principal Components Analysis， PCA）降维方法和有向无环支持向量机（Support Vector Machine，SVM）分类器对飞机识别取得了较高的识别率；文献[14]提出稀疏矩阵形式为特征的目标识别方法，既对不完整的遥感图像具有更好的鲁棒性，在小样本低采样率情况下也能具备良好的识别性能。
目前，基于光学遥感图像的多目标检测及识别方法存在以下问题： 1）选用的特征对于目标旋转的适应性较差；2）检测和识别方法大多只能处理一种特定类别目标的检测和识别，无法实现多种目标的同时检测和识别。
针对以上问题，本文提出一种光学遥感图像的多目标检测及识别算法，首先采用自适应阈值分割算法实现多目标检测与分割，然后在特征提取阶段将图像金字塔的分层思想与基于尺度不变特征变换的特征包（Bag of FeatureScale Invariant Feature Transform， BoFSIFT）特征有效结合，提出了一种分层的BoFSIFT特征，最后选用基于SVM的AdaBoost算法对多目标遥感图像进行分类识别。
该算法实现简单，可以同时实现光学遥感图像的多目标准确分类。
第11期姬晓飞等：光学遥感图像多目标检测及识别算法设计与实现计算机应用第35卷1算法的总体框架如图1所示为本文算法的总体框架：在训练过程中，采用手动分割得到目标的图像，并进行归一化处理，之后对其提取分层的BoFSIFT特征并训练支持向量机得到分类器；在测试过程中，将包含多个待识别目标的光学遥感图像通过自适应阈值分割得到待识别的目标图像，进行归一化处理后同样提取分层的BoFSIFT特征，送入训练过程得到的SVM分类器，然后采用基于支持向量机的Adaboost算法实现目标识别的准确识别。
图片图1本文算法的总体框架2分割算法阈值分割法是一种基于全局的图像分割方法[15-17]，典型的有：分水岭分割、区域跟踪分割、聚类分割等。
传统的阈值分割法效果多依赖于图像灰度分布良好的双峰性质。
由于本文的遥感图像均属于光学遥感图像，因此分割算法应该对光照天气有一定的适应性。
由于图像背景往往比较复杂，多个目标间的灰度级存在较大差异，因此采用固定阈值进行多目标的同时分割是很难实现的。
基于以上分析本文采用局部自适应阈值分割算法[18-20]对光学遥感图像多目标进行分割，通常这类算法具有较强的适应性，它是根据像素所在邻域块的像素值分布来确定该像素位置上的二值化阈值。
对于一幅大小为H×H的光学遥感图像f， f（x，y）表示第x行、第y列的像素点灰度值，本文对图像中的每一个邻域块高斯加权求取一个阈值，从而构造出整幅图像的一个阈值平面，记为T（x，y），然后利用这个阈值平面对图像完成二值化操作，阈值化后的像素点灰度值g（x，y）用式（1）表示：g（x，y）=black，f（x，y）≤T（x，y）white，f（x，y）>T（x，y）（1经典的局部自适应阈值分割算法主要有Bernsen法、Niblack法以及Sauvola法等。
本文选取其中的Sauvola法[21]，是通过计算图像当前点在窗口w×w内的加权均值m（x，y）和标准差s（x，y）得出相应的阈值，以一种自适应的方式调节方差的贡献，对w×w窗口中心像素点，给定参数k，标准差s（x，y）的最大值R，则该阈值计算公式为：T（x，y）=m（x，y）1+ks（x，y）R-1（2式（2）涉及到的第1个参数w的选择对阈值分割效果影响较大：若w取值过大，自适应程度低，则有可能失去局部处理的意义，导致算法运行速度较慢；若w选择过小，自适应程度高，则可能导致前景或背景内部产生噪声干扰。
第2个参数k对图像的分割效果也有着一定的影响：随着k取值的增大，目标的宽度变粗；随着k取值的减小，目标的宽度变细。
第3个参数R取标准差的最大值，局部加权均值m（x，y）和标准差s（x，y）根据像素局部邻域的对比度调节阈值的选取。
当图像的一些区域具有较高的对比度时s（x，y）≈R使得T（x，y）=m（x，y），当局部邻域的对比度较低时阈值T（x，y）往往低于平均值，因而可以成功地消除背景中的阴影部分。
在复杂的光学遥感图像上采用自适应阈值算法得到的图像分割效果如图2所示。
图片图2分割效果示意图由图2可以看出，图2（a）的分割效果较图2（b）的分割效果要好，观察图2（b）可以发现分割框与目标有匹配不够准确的现象，如船舰分割中其中一艘船的背景信息比较多，汽车分割中未能将紧挨着的多辆汽车逐一分开，油罐分割中目标由于阴影的干扰未能完全分割出来，之后可以采用滑窗法对目前初步分割出来的区域进行特征提取和识别，给出更加精确的目标区域。
飞机分割中跑道也作为目标被分割出来，后期的识别方法可以很容易地对目标和非目标作一个分类处理，剔除分割出来的背景图像。
阈值分割本身没有将图像的空间信息考虑在内，并且当图像前景与背景或目标与目标之间灰度信息可区分性不高时，可能会有冗余信息或是部分目标被遗漏。
鉴于本文分割操作的出发点是将目标尽可能全部检测出来，对于不够准确的区域可以在后期的识别中进行进一步的精确处理。
3特征提取由于BoFSIFT [22-24]特征不仅仅满足其他特征所具有的尺度缩放、亮度变化不变性，最重要的是它具备一定的旋转鲁棒性，被广泛地用于目标图像的特征表示。
它的不足之处是对目标的分布特性不能很好地表征，而基于图像金字塔思想的分层特征能弥补BoFSIFT特征的不足，因此本文将分层思想与BoFSIFT特征有效结合，提出了一种新的分层BoFSIFT特征用于目标图像的特征表示。
生成BoFSIFT描述子的步骤是：1）将所有训练集图像的SIFT描述子进行KMeans++聚类[25]，形成K个基础词汇的单词表；2）将图像SIFT特征点向单词表作投影，统计单词表中每个词汇获得的票数，构成一个表征这幅图像的K维向量。
在BoFSIFT特征基础上再加入空间金字塔[26]思想，形成的分层的BoFSIFT特征，能有效地表示图像的局部特征和全局特征，并能表示图像关键点的分布特性。
分层的BoFSIFT特征整个提取过程为：1）生成图像BoFSIFT特征描述子：样本数为m幅图像，聚类中心数为K，最终提取的BoFSIFT特征是K维；2）构造图像金字塔：将原图像分成不同的块，构造一个三层的图像金字塔，第一层为整个图像，第二层将整个图像划分为2×2个子块，第3层将整个图像划分为4×4个子块；3）基于金字塔结构的特征表示：在图像金字塔中的每一层子块中生成K个视觉码字的BoFSIFT描述子，将每层的直方图描述子等比例组合构造21个K维特征列向量。
分层的BoFSIFT特征提取算法过程如图3所示。
图4中的直方图第1行为四类目标（74×4）的特征值叠加后的表示，第2行和第3行分别为四类目标第一幅原图像和旋转10°后图像的特征表示，横向分析表明不同目标的特征可区分性较强；纵向分析表明同一目标的特征具有较高的相似度，该特征对于一定范围的目标旋转具有适应性。
图片图3分层的BoFSIFT特征提取算法示意图不同目标分层的BoFSIFT特征表示如图4所示。
图片图4不同目标分层的BoFSIFT特征表示4识别算法支持向量机[27]是一种在处理小样本、非线性及高维模式识别中有很大优势的分类算法，能有效地克服样本数对传统的统计模式识别方法的依赖。
SVM实际中解决的大多数分类问题属于非线性，它通过选择合适的核函数变换样本到高维空间，使得变换后的样本线性可分。