随着地球卫星成像等系统的不断发展和完善，以及国家一系列高分专项等新项目的提出和推进，遥感卫星的成像分辨率和性能得到了更好的发展，随之而来的图像数据量也成指数级增长。面对如此庞大的数据量，如何高效，准确地自动检测出遥感图像中感兴趣的目标已然成为目前急需解决的问题。78632

各国专家学者对遥感图像中舰船检测方法的探索研究已经有了二十多年的历史，其中主要是针对合成孔径雷达（SAR）图像和光学遥感图像中的目标进行的探究。目前提出的舰船检测算法主要有，最佳熵自动门限法（KSW）[4,5]、双参数恒虚警法（CFAR）[6-8]、多极化检测法[9,10]等。

由于SAR作为一种微波传感器，具有独立于天气条件和时间并可全天候成像的特性，这使得目前大部分对于舰船检测和监控的研究都是围绕与SAR图像来进行的，因而关于SAR图像研究的算法也比较成熟。然而，基于SAR的舰船检测具有一定的局限性。首先，由于SAR卫星数量有限，重访周期相对较长，这并不能很好的满足舰船实时监控的需求；其次，大部分的SAR图像的分辨率低，以至于无法准确的提取目标的详细信息。另一方面，考虑到光学传感器数量、覆盖区域以及分辨率的急速增加，光学传感器技术现在已得到了飞速发展。与此同时，光学遥感图像的空间分辨率通常比较高，如果天气晴朗，云层不覆盖整幅图像，那么我们得到的图像内容就更为丰富，目标细节就更为明显，这对于舰船的识别和检测是很有意义的。目前已有很多学者着眼于光学图像来进行舰船检测，例如在中国科学院遥感应用研究所所参加的DECLMS这个项目中的Definiens和IRD[11]。论文网

红外遥感图像中舰船检测一般有如下步骤：

（1）图像预处理目前去噪的主要算法有均值滤波（也称线性滤波）、中值滤波、高斯滤波、维纳滤波[16]

等。均值滤波主要用于平滑图像，能有效抑制加性噪声，但是容易模糊图像，使图像边缘信息丢失；中值滤波主要用于对孤立的噪声点的抑制和去除，比如对椒盐噪声（也称脉冲噪声）就有很好的抑制作用，但对存在大量点、线、尖顶的图像并不适用；高斯滤波主要用于对高斯分布噪声的抑制和去除。现在已经有很多对遥感图像中的噪声进行处理的研究[12-15]，也都得到了很好的结果。

条带噪声作为红外遥感图像中的主要噪声，很多学者都对此进行了研究，如直方图匹配法[17]、矩匹配法[18]、傅里叶变换法[19]等。

（2）海陆分离

在白天的时候，海水温度低，辐射的红外线少，因而呈暗色，陆地由于温度高，辐射的红外线多，因而呈亮色。夜晚与之相反。因而海陆分离之前需要对图像是在白天还是夜晚拍摄进行判断，再将海水和陆地分离，而后对海洋和和陆地海岸线区域分别进行处理。

海陆分离主要分为基于已知信息和基于图像信息两种分离方法。基于已知信息的海陆分离主要是基于港口等已知信息来进行的。文献[20]中首先定位到已

有先验信息的港口，而后以SIFT特征匹配为标准来对参数进行一定的变换，最后可以较为精准的匹配到图像中的港口。文献[30]首先要建立起先验信息存储库，然后对图像进行一定的纠正，最后利用海岸线矢量库里的信息来分离海陆。基于先验信息的海陆分离方法对特定港口附近的舰船的检测可以得到较好的结果，但是如果港口信息发生更改或海陆分界线并不明显时，该方法的局限性就变得尤为突出。

基于图像信息的海陆分离主要有灰度阈值法、区域纹理法和区域生长法等方法。灰度阈值法中阈值的选取尤为重要，通常采用的方法有大津算法（OTSU）[21]、直方图谷底法[22]、自适应阈值法[23]等。区域纹理法主要是利用海水和陆地的纹理差异明显，通过特定的纹理特性来分离海陆，通常采用的方法有区域直方图法[24]和区域方差法[25]等。区域生长法主要是选定具有某一特征的点作为种子点，并对其邻近区域进行筛选，如满足某一条件则可令种子点进行生长，从而分离出海陆，而对特征的选取有很多种方法，文献[26]中通过灰度值作为种子的选择依据来进行区域生长，文献[27]利用LOG算子来提取边界，然后将提取出的边界的中心点来进行区域生长。