遥感影像舰船识别方法综述

明糠 徐(国防科技大学电子对抗学院脉冲功率激光技术国家重点实验室，中国)
颢砾 许(国防科技大学电子对抗学院脉冲功率激光技术国家重点实验室，中国;江淮前沿技术协同创新中心，中国;电子制约技术安徽省实验室，中国)
星 杨(国防科技大学电子对抗学院脉冲功率激光技术国家重点实验室，中国;江淮前沿技术协同创新中心，中国;电子制约技术安徽省实验室，中国)
斌 瞿(江淮前沿技术协同创新中心，中国)
皓琪 高(国防科技大学电子对抗学院脉冲功率激光技术国家重点实验室，中国;江淮前沿技术协同创新中心，中国)
林林 王(国防科技大学电子对抗学院脉冲功率激光技术国家重点实验室，中国)
至洋 胡(国防科技大学电子对抗学院脉冲功率激光技术国家重点实验室，中国)
梦江 邬(国防科技大学电子对抗学院脉冲功率激光技术国家重点实验室，中国;江淮前沿技术协同创新中心，中国)
科宇 陈(国防科技大学电子对抗学院脉冲功率激光技术国家重点实验室，中国)
晨 余(国防科技大学电子对抗学院脉冲功率激光技术国家重点实验室，中国)

摘要

随着遥感技术的不断发展，遥感影像在舰船识别领域的应用日益广泛。论文对遥感影像舰船识别方法进行了全面且详细的综述。首先，阐述了传统的基于图像处理技术的方法，包括图像生成和因果推理、视觉显著性和阈值分割，分析了其优缺点。接着，探讨了深度学习方法在舰船识别中的突出作用，如卷积神经网络等模型的应用，详细论述了其如何通过大量数据进行自我学习和优化，提高识别准确率。同时，对比了深度学习与传统方法在性能、泛化能力等方面的差异。此外，还介绍了多源遥感影像融合技术在舰船识别中的应用，以及如何通过融合不同类型的影像来获取更丰富的信息以提升识别效果。进一步分析了环境因素、影像分辨率等对舰船识别的影响，并讨论了相应的应对策略。最后，对未来遥感影像舰船识别方法的发展趋势进行了展望，指出舰船识别未来重点发展方向，为该领域的进一步研究提供了有价值的参考。

关键词

遥感影像；舰船识别；目标识别

参考

Yongmei Zhang, Ruiqi Li, Zhirong Du, et al. A Ship Detection Method in Infrared Remote Sensing Images Based on Image Generation and Causal Inference[J]. Electronics,2024,13(7).

周书强,耿瑞焕.舰船目标图像特征识别系统研究[J].舰船科学技术,2023,45(5):182-185.

刘方坚,李媛.基于视觉显著性的SAR遥感图像NanoDet舰船识别方法[J].雷达学报,2021,10(6):885-894.

王俊.基于视觉显著性的遥感图像舰船识别方法研究[D].哈尔滨:哈尔滨工程大学,2022.

徐芳,刘晶红,曾冬冬,等.基于视觉显著性的无监督海面舰船检测与识别[J].光学精密工程,2017,25(5):1300-1311.

王保云,杨昆.基于最佳阈值分割的舰船目标识别方法[J].云南师范大学学报(自然科学版),2014,34(4):55-60.

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识别方法[J].计算机工程,2007(11):239-241+269.

李明杰,刘小飞.复杂海情条件下遥感图像小目标舰船边缘识别[J].舰船科学技术,2021,43(6):70-72.

夏长林,孟庆勋.基于机器学习的舰船监测视频图像模糊边缘识别方法[J].舰船科学技术,2020,42(18):85-87.

Wang Wensheng, Zhang Xinbo, Sun Wu, et al. A Novel Method of Ship Detection under Cloud Interference for Optical Remote Sensing Images[J]. Remote Sensing,2022,14(15):3731-3736.

殷若婷.基于可旋深度网络的宽幅光学影像舰船识别技术[D].北京:北京化工大学,2022.

Linhao Li, Zhiqiang Zhou, Bo Wang, et al. A Novel CNN-Based Method for Accurate Ship Detection in HR Optical Remote Sensing Images via Rotated Bounding Box[J]. IEEE Transactions on Geoscience and Remote Sensing, 2020(5):1-14.

周国庆,黄亮,孙乔.改进Oriented R-CNN的遥感舰船目标细粒度识别方法[J/OL].计算机工程与应用,1-15[2024-05-29].http://kns.cnki.net/kcms/detail/11.2127.tp.20230706.1453.028.html.

Tianwen Zhang, Xiaoling Zhang, Jun Shi, et al. Depthwise Separable Convolution Neural Network for High-Speed SAR Ship Detection[J]. Remote Sensing,2019,11(21):2483-2483.

何民华,张润达,赵胜利.基于Att-DConv的遥感舰船识别方法研究[J].,2024,22(3):24-28.

Liu Jinming, Chen Hao, Wang Yu. Multi-Source Remote Sensing Image Fusion for Ship Target Detection and Recognition[J]. Remote Sensing,2021,13(23):4852-4852.

Haoxiang Zhang, Chao Liu, Jianguang Ma, et al. Time-prior-based stacking ensemble deep learning model for ship infrared automatic target recognition in complex maritime scenarios[J]. Infrared Physics and Technology,2024,137105168.

谢洪途,姜新桥,王国倩,等.基于改进CenterNet的轻量级无锚框SAR图像多尺度舰船识别算法[J].哈尔滨工程大学学报,2024,45(3):504-516.

Weixing Qiu, Zongxu Pan, Jianwei Yang. Few-Shot PolSAR Ship Detection Based on Polarimetric Features Selection and Improved Contrastive Self-Supervised Learning[J]. Remote Sensing,2023,15(7).

Jian Ling, Pu Zhiqi, Zhu Lili, et al. SS R-CNN: Self-Supervised Learning Improving Mask R-CNN for Ship Detection in Remote Sensing Images[J]. Remote Sensing,2022,14(17):4383-4383.

Wang Deyi, Zhang Chengkun, Han Min. FIAD net: a Fast SAR ship detection network based on feature integration attention and self-supervised learning[J]. International Journal of Remote Sensing,2022,43(4):485-1513.

Ciocarlan Alina, Stoian Andrei. Ship Detection in Sentinel 2 Multi-Spectral Images with Self-Supervised Learning[J]. Remote Sensing,2021,13(21):4255-4255.

黄寅礼,孙路,郭亮,等.基于空间变迹滤波旁瓣抑制与有序统计恒虚警率的舰船识别算法[J].雷达学报,2020,9(2):335-342.

胡卫杰,刘颖冰,马飞,等.基于无损压缩和量化感知的SAR舰船识别网络边缘部署[J].信号处理,2012(5):1-10.

陆天宇,徐湛,崔红元,等.大幅宽SAR图像嵌入式舰船实时识别系统设计[J].计算机工程与应用,2024,60(1):301-309.

Tianwen Zhang, Xiaoling Zhang. High-Speed Ship Detection in SAR Images Based on a Grid Convolutional Neural Network[J]. Remote Sensing,2019,11(10):1206.

DOI: http://dx.doi.org/10.12345/bdai.v5i6.18983