舰船目标检测技术是遥感卫星图像处理与分析领域非常重要的课题,尤其对于高分辨率的光学遥感图像,其海量数据虽然提供了更加丰富的细节信息,但又严重制约了舰船目标的检测效率。因此,如何快速准确地获取舰船目标的位置信息已成为一个热点话题。针对光学遥感图像舰船目标的检测问题,本文重点研究了舰船目标候选区域提取和舰船目标的鉴别技术,使舰船目标检测的精度和效率得到了提高。本文主要工作包括以下几个方面:1、基于光学遥感图像的预处理,该环节主要包括图像的滤波、光照均衡化和去云雾干扰等步骤,其中重点研究了图像的光照均衡化处理和去云雾干扰等算法。该步骤旨在减弱噪声、光照不均匀和云雾等不利因素的干扰,更加突出目标信息。2、研究了舰船目标候选区域的提取方法,并提出了一种改进的PQFT舰船目标候选区域快速提取法。本文引入了PQFT方法,并在原有的PQFT算法中加入了小波变换,从不同尺度分析图像的显著特征,从中选择显著度最好的图像。实验表明,改进的PQFT显著性方法显著度要好于原尺度的效果,运算时间也得到了相应减少。3、为了判断所提取候选区域的目标是否为舰船目标,本文分别提取了舰船目标的形状特征、灰度特征、纹理特征和梯度方向直方图特征。并提出了一种改进的LBP特征提取算法,其抗干扰能力变强、计算复杂度降低,增加了LBP特征提取的可控性。通过融合舰船目标的多特征信息,能够更加准确地判别舰船目标和非舰船目标。4、将改进的极限学习机(Extreme Learning Machine,ELM)算法用于舰船目标的分类识别。ELM是一种神经网络算法,其特点为:网络是单隐藏层、隐藏层结点数人为设置、输入权值和隐藏层偏置随机产生,因此该方法具有计算时间短、泛化能力强和不易陷入局部最优等特点。而传统ELM算法的激活函数,如Sigmoid函数、sin函数和tanh函数等存在过饱和的缺点,本文提出了一种非线性修正的ELM算法,最后将本文改进的ELM算法用于舰船目标分类识别中。基于以上研究,运用MATLAB平台进行仿真验证,实验结果证明了以上改进算法的有效性,能够提高检测精度和检测效率。