随着遥感卫星成像技术的发展，我们拥有了范围广和分辨率高的对地观测手段。其拥有成像直观，目标几何细节保留清晰等优点，应用越来越广泛，尤其是在需要大范围检测的海洋管理方面。其中在民用领域的主要应用有对特定海域、海湾或海港进行水运交通管制、遇难船只营救、渔业监控、非法倾倒油污监控、非法入境走私监控等。在军事领域的主要应用有战场环境评估、恐怖活动监视、快速军事目标的发现定位识别等。由于绵长的海岸线与众多的岛屿，使得我国拥有辽阔的海域，海面目标的识别对我国的军事和民事相关方面都有重大意义和价值。

这些年来，遥感卫星舰船目标检测主要有以下几个主要方面的研究：

(1)图像预处理：

光学遥感图像的预处理是为了去除图像中的椒盐噪声和陆地区域对检测的影响。椒盐噪声的去除方法主要采用中值滤波。而对于陆地的影响，一般是有两种方法，一种是基于地理信息的数据库陆地和海洋数据进行海陆分离[1]；尤晓建等结合地理信息与形状扩展的方法实现卫星图像中海域与陆地的分割[2]。一种是基于图像像素值进行海陆分割，这种类型的算法是基于图像的灰度值和轮廓等方面的信息进行海陆分割[3]。如储邵亮等基于直方图谷底搜索法获得较好的灰度阈值，将图像分为较亮的陆地和较暗的海洋[4]；周静等通过构造十字形模板，计算遥感图像的局部方差图，并用方差图的极大值作为分割阈值将海陆进行分离[5]；洪志令等根据图像的灰度与局部灰度均值联合二维直方图计算海陆分割的灰度阈值[6]；还有就是使用自适应的最大类间方差法也就是Ostu法获取分割阈值进行海陆分割的方法[7]；

(2)目标检测：

目标检测是将图像海域中的舰船ROI切片提取出来，后续根据图像的ROI切片进行舰船类别的识别。目标检测的算法大多数基于目标的灰度与局部信息与背景的差异进行检测。如储昭亮等提出的极小误差阈值分割的目标提取方法，该方法基于灰度直方图的高斯分解拟合，采用改进的信息熵极小误差准则获取能够将目标分割出来的最佳阈值[4]；肖利平利用形态学对比度法实现舰船的检测[8]；F.Zhang等人提出了基于分割的舰船异质区域的检测技术[9]；L.Itti等人与Radhakrishna等人使用方向自适应的Gabor滤波器模拟人类视觉的算法实现舰船的检测[10][11]；Yang等人通过图像数据特征判断海面的粗糙程度，然后通过区域特征的线性函数来选择舰船ROI切片，最后通过ROI切片的密集度和大小去除假舰船ROI切片，消除虚警[12]；CFAR算法是根据图像的统计数据特性计算一定阈值下的虚警率，然后以此将舰船从海面中分离出来[13]。

(3)舰船识别：

舰船识别是切片完成后用识别算法将切片中的舰船目标的类别进行识别。舰船识别的算法如今大多数采用比较先进的算法如神经网络等。Liu等人通过对卫星图像的小波域低频子带图像执行KSVD分解得到图像的非线性特征，然后使用支持向量机进行舰船识别[14]；Lin等人使用图像的RGA特征进行舰船目标的识别[15]；Lin等人使用基于图像Harris角点信息然后使用大量数据训练支持向量机识别[15]，后来他们使用图像的RGA特征进行舰船目标的识别[16]，取得了较好的效果。

2. 研究的基本内容与方案

此毕业设计研究的基本内容是在FPGA和GPU等硬件平台上实现卫星图像中舰船的目标检测与识别的算法。