舰船的自动检测技术作为遥感应用领域的一项重要研究内容，在海洋运输调度和军事作战规划等领域起着关键作用. 早期的舰船检测研究中，基于合成孔径雷达(SAR)图像的舰船目标检测占据主要地位[1-2]. 随着光学成像技术的发展，基于光学遥感图像的舰船检测方法以其图像分辨率高、信息丰富的特点受到越来越多的重视，成为舰船检测领域研究的热点.

海洋背景与舰船对比明显，利用海面和舰船在灰度与纹理之间的差异，对海上航行舰船的检测可达到较好的效果[3]. 但港区停靠的舰船与码头相连，且港区建筑具有与待检测船只相似的特点，上述方法难以取得良好效果. 现有检测方法大多基于靠岸舰船位于海岸轮廓线这一先验信息，采用先进行海陆分割，而后利用舰船与港区建筑在轮廓和形状之间的差异定位舰船目标. 雷琳等[4]在海陆分割的基础上利用Hausdorff距离进行轮廓匹配来检测近岸舰船，但舰船与码头毗邻，舰船舰桥等附属设施造成的阴影，都会影响轮廓信息的获取. 胡俊华等[5]从船头形似“V”形的尖锐结构入手，利用邻域自相似局部特征提取船头显著性特征，然后在海岸主轮廓上检测相似特征定位舰船，但大量的人工规则和参数难以适用于不同环境下的舰船识别. Liu等[6]提出一种新的海陆分割方法，并在产生的二值图像上检测舰船几何形状，但不精确的分割结果将会直接影响舰船几何信息的获取.

针对上述问题，本文直接从结构明显的船头入手，提出一种利用SVM对极坐标变换下的角点区域分类的船头检测方法，获取所有可能的候选船头位置和对应的舰船方向，并结合灰度和边缘信息，给出一种新的舰船船身检测方法，用以确定舰船目标.

(3)专业注重实验和实训课程，每学期开设3-4周课时集中实训，还将部分课程以“理论+实验”的方式教学，培育学生实务以及应用技术的能力。

1 船头检测

1.1 舰头特性及特征选取

在港口舰船目标检测中，港区建筑是主要干扰物，因此寻找一种能够较好区分舰船与港区建筑的特征结构是需要解决的首要问题. 由于舰船实际航行的需要，舰船船头，尤其是军用舰船的船头，被设计为“V”字形[5]，结构明显，与干扰物区分度高，传统的角点检测算法，如Harris算法，即可获取所有可能的船头坐标，如图1所示. 但角点检测结果包含大量非船头结构，如港区房屋和海浪，因此需要进一步剔除结果中的非船头目标.

图1 角点检测结果 Fig.1 Detection result of corners

虽然港区舰船形状和大小各异，但船头形状特点相近，即具有起始于船头顶点的两条略带有弧度的直线，两直线夹角变化处于一定范围，以此为边界的船头区域和海域对比明显. 对于舰船目标，以船头为中心，将其一定范围内的图像像素进行极坐标变换后，船头将变换为更容易检测的梯形结构(如图2所示)，而非船头目标变换结果不具备这种特点.

图2 船头目标与非船头目标的极坐标变换结果 Fig.2 Polar coordinate transformation results of ship heads and false ship heads

首先将已检测到的角点作为船头的候选位置，然后对以候选位置为中心，半径为R的范围内的像素进行极坐标变换，本文中R取15. 得到的变换结果记为SP(θ,r)，其中θ为SP(θ,r)的横坐标变量，θ∈[0，360]，r为纵坐标变量，r∈[1,R]. 虽然选取与极坐标下船头形状一致的模板进行匹配即可检测船头结构，但卷积运算可以更好地降低图像局部变化和噪声对结果的影响. 因此构建如图3所示的卷积核K(θ,r)检测极坐标下的船头结构，图中每个方格代表K(θ,r)中单个像素点，白色方格的值为0，黑色方格的值由下式求得

IB=1/nB，

(1)

式中：IB为图3中黑色方格对应的数值；nB为黑色方格的个数. K(θ,r)的高为R，宽为NK(本文中取NK=8)，使K(θ,r)中黑色方格构成与极坐标下船头形状近似的梯形.

图3 卷积核 Fig.3 Convolution kernel

通过卷积核K(θ,r)与SP(θ,r)沿水平中心线的卷积运算得到结果C(θ)，即

(2)

为后文叙述方便，对候选目标建立直角坐标系，假设已将舰船方向调整到与图像水平方向一致，如图7所示，船头位置记为原点，水平向右记为x轴正方向，向下记为y轴正方向.

θmax，则θmax对应于船头方向，因此由θmax可确定舰船方向，但船头区域灰度的微弱变化会造成θmax位置的偏移，导致舰船方向判断不准确. 本文求取C(θ)的一阶差分结果D(θ)=C(θ+1)-C(θ)，如图4(c)所示，D(θ)在船头两侧对应角度位置处形成正负极值，分别记为Dmax、Dmin. 因此，由Dmax与Dmin横坐标的中值可得到更为准确的舰船方向. 同时利用抛物线方程y=ax2+bx+c拟合C(θ)在峰值Cmax附近曲线，则a可表示θmax点处峰值曲线的尖锐程度. 本文中取θmax附近5个点处数据进行拟合. 将以上述结果为基础构建船头特征，并利用SVM分类器进一步剔除非船头目标.

针对现有港区舰船检测普遍依赖精准的海陆分割，而错误的分割结果将导致舰船检测失败的问题，本文提出直接从结构明显的船头入手，通过对角点及周围区域进行极坐标变换以提取船头特征，并利用SVM分类器进行分类以剔除非船头目标，得到候选的船头位置和舰船方向，然后利用候选目标周围区域的直线信息修正舰船方向，最后利用舰船区域的灰度变化检测船尾位置，并利用船尾边缘获取舰船宽度，以确定舰船目标. 实验结果表明，本文算法能够准确检测出光学遥感图像中的靠岸舰船目标，检测效果优于现有算法.

图4 极坐标变换结果对应的卷积结果及其差分结果 Fig.4 The convolution results of polar coordinate transformation results and their difference results

1.2 基于SVM的船头检测

支持向量机是一种基于统计学习理论的监督式学习方法，广泛应用于统计分类以及回归分析. 利用船头特征区分船头与非船头目标的方法可看作SVM中典型的二分类问题. 对于此分类问题，需要利用船头和非船头样本进行训练以得到最优分类面，本文的训练样本集提取自Google Earth上收集的多种场景下的港口图片. 令训练样本集合为(xn,yn)(n=1,2,…,N)，其中x∈Rd表示样本的输入特征，y∈{-1,1}表示训练样本的类别，分类函数为

根据以上分析可以看出，流域内大部分区域作物都存在不同程度作物缺水情况，但是不同分区缺水的原因也有所区别。

(3)

式中：w为模型的权值；K(x,xi)为核函数，本文采用径向基内核. 本文利用上节中的船头特征作为分类的输入特征，即x=[Cmax aDmax Dmin]，分类类别为船头目标与非船头目标，并通过训练得到最优权值w，用以预测所有候选船头的类别，最后在分类结果中剔除所有非船头目标. 利用SVM剔除非船头目标后的结果如图5所示.

图5 船头检测结果 Fig.5 Detection result of ship heads

除上述4种类型尾矿外，还有部分尾矿同时含有萤石、重晶石和石膏等矿物。如浙江平水铜矿尾矿中重晶石含量达到11.5%[14]；湖南省郴州市柿竹园钨钼矿尾矿萤石品位高达22.45%[15]。

2 船身检测

2.1 舰船方向修正

由于船头区域灰度变化和图像噪声的影响，船头检测得到的舰船方向往往不够精确，而精确的舰船方向有利于进一步确定舰船目标. 船身两侧轮廓相对平直，平直轮廓构成的直线的方向与舰船方向一致，因此可以利用船身轮廓的直线检测结果修正舰船方向. 同时靠岸舰船的方向多与码头平行，码头的边缘有助于修正舰船方向. 本文采用LSD直线检测算法对候选舰船目标周围区域进行直线检测，结果如图6所示，并将此直线集合记为Ω. 舰船方向的修正过程将按照如下步骤计算：

图6 舰船方向修正 Fig.6 Modification of the ship direction

① 从直线集合Ω中剔除与初始舰船方向θ夹角大于一定阈值的直线，并剔除位于舰船疑似区域外的直线，剩余的直线集合Ωl作为进行舰船方向修正的集合.

② 获取到直线集合Ωl后，修正后的舰船方向将按照下式计算为

(4)

式中：θs为修正后的舰船方向；θi为Ωl中第i条直线的方向；N为集合Ωl中的直线数量.

③ 考虑到初始舰船方向与真实舰船方向有偏差，集合Ωl中仍然可能保留一些与真实舰船方向相差较大的直线从而影响修正效果，因此需要比较修正前后的舰船方向. 若修正后的舰船方向θs与此次修正前的舰船方向一致，则停止计算，认为此时的θs为真实舰船方向；若修正后的舰船方向θs与此次修正前的舰船方向不一致，则用θs替换步骤①中θ的值，并按照步骤①和②的过程重新计算舰船方向θs，并用新的θs值与上一次的θs值比较，直到与上一次得到的舰船方向相同时停止计算，否则按照上述过程重新更新θs值.

2.2 船尾位置检测

卷积结果如图4所示，C(θ)在SP(θ,r)中横坐标对应船头方向的位置处取得较大响应值，并用Cmax表示C(θ)的最大值. 将Cmax对应的横坐标角度值记为

图7 舰船坐标系 Fig.7 Ship coordinate system

在实际舰船停靠时，为保证安全，船尾与码头间沿舰船方向会留有一定距离，且舰船平台设施的影响会使舰船相对于海域有更强烈的灰度变化，因此本文利用舰船与海域的灰度差异及灰度的方差差异分析船尾位置.

得到的直线对位置如图9(b)所示，两直线中点在y轴方向上的距离即为舰船宽度. 结合已获得的船头和船尾位置，则可以确定舰船目标的边界，即实现了舰船目标的检测目的. 最后得到的舰船目标检测结果如图10所示.

前面全基因组芯片结果表明，AsrC高表达可以增加侵袭相关基因的表达.为了进一步分析AsrC是否影响细菌对于上皮细胞的侵袭力，将WT、ΔPasrC、WT+pBAD、WT+pBAD-asrC菌株进行HeLa细胞侵袭实验.实验结果表明，与野生株相比，AsrC缺陷会降低细菌的侵袭力，而AsrC高表达菌株的侵袭水平较空质粒对照株明显增加，且差异具有统计学意义(P<0.05)(图5)，说明AsrC可以增强S. Typhi对于上皮细胞的侵袭力.

T3(x)=(1-(x))&(1-(x))，

式中&为逻辑“与”运算. 接下来，在T3(x)曲线中从左至右寻找取值为1，且持续的区间长度大于一定阈值(本文中阈值取为8)的曲线段，则该区间的起点处可检测为船尾位置(如图8(c)所示). 将此位置处的坐标记为L，L即为舰船长度. 若L明显小于一般舰船的长度则将此目标列为非舰船目标并剔除，得到的舰船长度也将有利于后续舰船宽度的定位.

图5中箭头起点即为船头位置，箭头方向标识出了舰船方向，并根据船尖角度范围进一步剔除结果中非船头目标，即Dmax与Dmin横坐标之差的绝对值在[12°，75°]区间外[7]目标.

图8 船尾位置检测 Fig.8 The stern position detection of the ship

2.3 舰船宽度定位

靠岸舰船与码头毗邻，难以检测靠岸一侧的船身轮廓，因此无法通过计算两侧轮廓在y轴方向上的距离确定舰船宽度. 观察发现，对于舰船目标，舰船宽度呈现由船身向船尾逐步减小的趋势，这就导致舰船在停靠时与码头之间的间隔由船身向船尾逐步增大，因此船尾两侧的边缘较容易检测. 由图9(a)中的直线结果中可以看出，在船尾附近区域，舰船形状规则，船尾两侧边缘明显，因此可以从舰船方向修正阶段获得的直线集合Ω1中选取靠近船尾且满足一定位置关系的直线对li和lj作为船尾两侧边缘，并以两直线距离作为舰船宽度.

图9 船尾两侧边缘确定 Fig.9 Determine the edge on both sides of the stern

由于舰船的长宽比处于一定范围，由已获得的舰船长度L可以初步确定舰船宽度的范围，则直线li与lj的相对距离应需满足式(5)的限制. 这对直线应关于舰船的中轴线(即x轴)基本对称，因此纵向上两直线到舰船中轴线的距离之差应小于一定阈值，同时还应保证两直线的水平位置基本一致，即分别满足式(6)与式(7)的要求，即

(5)

(6)

0≤min(x2,)-max(x1,)≤

(7)

式中：(x1,y1)，(x2,y2)分别为直线li左右端点的坐标；(,)，(,)分别为直线lj左右端点的坐标，所有坐标的参考系均为图7的舰船坐标系；L为舰船长度；Kmax，Kmin分别为舰船长宽比的上限与下限，在本文中分别取12和4[7].

具体做法是：提取图7中起始于原点沿x轴正方向的单行像素点的灰度值作为第一组数据T1(x). 第二组数据T2(x)仍然为起始于原点沿x轴正方向的一维数据，但每点的数值由计算此点y轴方向一定范围内像素点灰度值的方差得到，本文选取y轴方向上-3～3区间内的7个像素点计算. 为降低光照对算法的影响，利用Otsu算法将两组数据分别二值化得到(x)与(x)，如图8所示. 由于海域处图像灰度值和方差都较小，(x)与都为0时对应的区域位置更有可能为海域，因此计算

图10 舰船检测结果 Fig.10 Detection result of ships

3 实验结果与分析

实验采用从Google Earth上收集的不同场景下的图像进行验证. 建立了包含68张图像的图像集，图像大小为1 024×768，分辨率约为1 m，包含不同港口在不同时刻的光学图像，图像中舰船停靠于港口的不同位置，排列呈现不同方向. 为验证本文算法的有效性，通过计算召回率和准确率两个指标对本文算法进行测试，并与文献[5]及文献[6]算法进行对比.

3.牛支原体肺炎。犊牛眼和鼻腔有轻度的粘液性或脓性的分泌物排出。体温38.5℃～39.5℃；呼吸频率可能从正常到100次/分钟，脉搏正常。有时表现单发性剧烈干咳，胸部听诊，有哨笛、哮喘样啰音，但呼气时更多见一些，且在胸部前腹侧最为常见。

船头检测部分，本文选取43张图片中的304个角点目标作为船头分类的训练样本，其中船头目标124个，非船头目标180个. 对剩余的25张图片作为测试集进行检测，得到船头检测的召回率为91.5%，准确率为43.2%. 较高的召回率有利于降低后续舰船漏检的可能. 虽然检测的准确率较低，但将在后续通过剔除不符合舰船几何限制的目标提高结果准确率.

3.1.1 专属性 取硫酸钠适量，精密称定，加水溶解并稀释至含硫酸钠0.05 mg·mL-1，使钠离子与硫酸根分离度符合要求。系统适用性图谱见图2。

船身检测阶段，舰船方向修正中直线剔除的角度阈值选为10°. 最后的舰船检测的部分结果如图11所示. 本文算法与文献[5]及文献[6]算法的性能对比如表1所示. 从对比中可以看出，本文算法性能相对于文献[5]及文献[6]算法性能具有一定优势. 文献[5]及文献[6]的主要问题在于舰船目标的提取依赖于海岸轮廓线的定位，但较差的海陆分割结果会对后续舰船检测处理造成较大的影响. 另外文献[5]算法准确率相对较低的原因在于提取舰船局部特征时设计的大量人工规则不利于算法在复杂背景下的使用.

预后方面，华盛顿大学Loannou（摘要885）一项研究旨在构建能够预测NAFLD及ALD患者HCC发生风险的模型。模型共纳入年龄、性别、糖尿病、身体体重指数、血小板计数、血白蛋白及AST/ALT比值。该模型有助于判断肝癌风险，制定精准的筛选方案。

图11 舰船检测结果 Fig.11 Detection results of ships

表1 不同算法的性能对比 Tab.1 Performance comparisons of different methods

算法召回率/%准确率/%文献[5]算法72.147.4文献[6]算法82.790.5本文算法88.591.8

4 结 论

王府井周边尽是星级酒店。蒙古烤肉店装修得太豪华我们也不敢进。最后我们哥几个只好坐地铁返回到离厂子近些的大望路，到斜街的“傻老帽”去。“傻老帽”是东北人开的一家小酒馆，夫妻店，白天在屋里做大骨头炖菜，晚上就把桌子拉出来烤羊肉串。我们哥几个是饭店的常客，老板娘不用问就知道我们吃什么。羊肉串烤出来，啤酒开了瓶，我们手拿把攥着啤酒瓶，把腿叉在凳子上，仰着脖子，嘴对嘴地吹。啤酒喝到半箱时，我先接到哥们儿朝洛蒙发来的信息。接着又打来了电话。

参考文献:

冰雹灾害在我国时有发生，冰雹直径为5～50 mm不等，极易毁坏农作物，突然降落会打伤人或者牲畜，甚至对建筑物、车辆也会造成损坏。冰雹灾害是由强对流天气系统引起的一种剧烈性的气象灾害，冰雹灾害发生的范围虽然不大，发生的时间也比较仓促，但其来势凶猛、强度大，并且冰雹灾害出现时一般会伴有狂风暴雨的袭击。冰雹灾害的发生没有规律性可寻，一般是突发的，但受到地域因素的影响很大。

[1] Tello M,López-Martínez C,Mallorqui J J.A novel algorithm for ship detection in SAR imagery based on the wavelet transform[J].IEEE Geoscience and remote sensing letters,2005,2(2):201-205.

[2] Eldhuset K.An automatic ship and ship wake detection system for space borne SAR images in coastal regions[J].IEEE Transactions on Geoscience and Remote Sensing,1996,34(4):1010-1019.

[3] Yang G,Li B,Ji S,et al.Ship detection from optical satellite images based on sea surface analysis[J].IEEE Geoscience and Remote Sensing Letters,2014,11(3):641-645.

[4] 雷琳,粟毅.一种基于轮廓匹配的近岸舰船检测方法[J].遥感技术与应用,2007,22(5):622-627.

江涛等[19]发明了一种海上油田用微量元素示踪剂。该专利使用镨-钼氯化物的混合物作为微量元素示踪剂。将微量元素示踪剂、乙二胺四甲叉磷酸钠、磺化酚醛树脂、NaHCO3、聚丙烯酰胺等制成前驱物，将微量元素示踪剂、十二烷基苯磺酸钠、木质素磺酸钙、氯化钙、聚丙烯酰胺等制成后驱物。将前驱物和后驱物在一定条件下分别注入监测井中。该专利制备的示踪剂具有环保、无放射性、稳定性好和检测灵敏度高等优点。

Lei Lin,Su Yi.An inshore ship detection method based on contour matching[J].Remote Sensing Technology and Application,2007,22(5):622-627.(in Chinese)

从创立之初至今的25年间，利丰雅高顺应市场潮流，兼具开拓者与追随者的特性，在发展过程中，做出了两次大的战略决策。

[5] 胡俊华,徐守时,陈海林,等.基于局部自相似性的遥感图像港口舰船检测[J].中国图像图形学报,2009,14(4):591-597.

Hu Junhua,Xu Shoushi,Chen Hailin,et al.Detection of ships in harbor in remote sensing image based on local self-similarity[J].Journal of Image and Graphics,2009,14(4):591-597.(in Chinese)

[6] Liu G,Zhang Y S,Zheng X W,et al.A new method on inshore ship detection in high-resolution satellite image using shape and context information[J].IEEE Geoscience and Remote Sensing Letters,2014,11(3):617-621.

[7] Lin J L,Yang X B,Xiao S J,et al.A line segment based inshore detection method[C]∥Proceedings of the 2nd International Conference on Future Control and Automation.[S.l.]:Springer,2012,173:261-269.