基于鄰域分析的海洋遙感圖像艦船檢測方法

龔志成，曾惠翼，裴繼紅

深圳大學(xué)ATR國防科技重點(diǎn)實(shí)驗室，深圳518060

在海洋遙感領(lǐng)域，海面艦船檢測與識別在民用、軍用方面都有著廣泛應(yīng)用.但復(fù)雜的海面背景使艦船圖像提取仍存在很多困難.在光學(xué)遙感成像的過程中，不同的海面波浪狀況對光照的反射能力不同，且受天氣條件、太陽照射角度以及傳感器自身的影響，使光學(xué)遙感圖像的亮度、對比度等背景信息存在很大變化，表現(xiàn)出:① 海面背景不穩(wěn)定.海面波紋較多，且平均亮度存在起伏;② 艦船目標(biāo)灰度不確定.受光照、艦船表面反射的影響，艦船目標(biāo)在亮度上可能高于或低于海面背景亮度.基于以上特點(diǎn)，難以對復(fù)雜海面情況建立一個通用的模型，為此，本文研究一種能夠適應(yīng)不同海面背景情況，且檢測率高的艦船目標(biāo)檢測方法.

目前，對于遙感圖像的研究重點(diǎn)已經(jīng)從SAR圖像慢慢轉(zhuǎn)向高分辨光學(xué)遙感圖像，針對光學(xué)遙感圖像的艦船目標(biāo)檢測已取得了一定成果.儲昭亮等［1］利用自適應(yīng)定向正交投影的高斯分解法，擬合海洋區(qū)域直方圖，采用改進(jìn)的信息熵極小誤差分割算法，確定分割閾值，該方法能夠自動、快速、準(zhǔn)確地檢測圖像中的艦船，具有較高的檢測能力，但對于艦船目標(biāo)與海洋背景接近時，不能取得較好效果.Tao等［2］通過對窗口直方圖進(jìn)行分解和曲線擬合，判斷窗口內(nèi)是否存在艦船目標(biāo)以及目標(biāo)的黑白極性，但該方法在檢測過程中只利用了目標(biāo)的灰度統(tǒng)計特性，沒有考慮目標(biāo)的空間結(jié)構(gòu)信息，并且直方圖形狀與圖像內(nèi)容的聯(lián)系也不具有確定性.王保云等［3］針對復(fù)雜海洋背景下的海上艦船目標(biāo)檢測，提出了基于自適應(yīng)多階閾值分割方法，并對分割結(jié)果結(jié)合目標(biāo)的外形特征和多邊形特性進(jìn)行判斷，降低了虛警率，但此算法受參數(shù)的影響較大，且需多次閾值分割，效率上并不是很高.

針對上述情況，本研究通過分析海面背景與艦船目標(biāo)的鄰域特性，根據(jù)其鄰域均值方差積之間的差別濾除海面背景，然后對殘余的分散海面雜波，利用其均值差異進(jìn)一步消除，并利用形態(tài)學(xué)方法消除面積較小和方差較小的雜波塊，確定好艦船目標(biāo)候選區(qū)域后，利用目標(biāo)的長寬比等結(jié)構(gòu)信息進(jìn)行驗證判別，剔除虛警，提高檢測率.該方法兼顧了背景特征的統(tǒng)計特性和目標(biāo)的空間結(jié)構(gòu)信息，有效抑制海面亮度變化和背景雜波的影響，對于不同情況的海面和不同極性的目標(biāo)均能獲滿意的檢測結(jié)果.

1 基于鄰域特性分析的海面背景濾除

1.1 海面圖像鄰域特性分析

海洋遙感圖像情況復(fù)雜［4-7］，不僅背景亮度起伏較大，而且艦船目標(biāo)也存在黑白極性，建立一個固定的模型實(shí)現(xiàn)艦船檢測非常困難.以圖1為例，圖1(a)中艦船成黑極性，其直方圖分布中海洋背景的灰度分布范圍較窄，而艦船本身像素數(shù)目較少，灰度分布范圍卻相對較寬;圖1(b)中艦船存在白極性，其直方圖與圖1(a)相比，艦船目標(biāo)在灰度分布上形成的峰在背景主峰的右邊;圖1(c)中由于強(qiáng)烈海雜波和尾跡的影響，其直方圖在右半部分末端出現(xiàn)了強(qiáng)烈振蕩;圖1(d)中由于云霧的干擾，其直方圖成明顯的單峰特性.對于圖1(a)和圖1(b)2種情況，因直方圖存在雙峰，可以容易地把艦船目標(biāo)分割出來，但對于圖1(c)和圖1(d)或者其他更加復(fù)雜的情況，傳統(tǒng)的閾值分割就顯得無能為力.

圖1 不同海面背景及其灰度分布Fig.1 Gray distribution of different sea background

對于浩瀚無邊的海洋，艦船只是其中極小一部分，根據(jù)概率論的中心極限定理可知，大面積的海洋區(qū)域灰度分布趨于正態(tài)分布.在圖1中，4種不同情況下的海面圖像有一個共同點(diǎn)，其灰度直方圖的主峰部分均符合正態(tài)分布特性，而主峰部分反映的則是海面背景的灰度分布，由于艦船或云霧等其他因素的存在，直方圖的兩端表現(xiàn)出局部的振蕩.

上述分析表明，對于復(fù)雜海面背景，其局部區(qū)域灰度變化明顯，而整體變化相對較小;對于艦船目標(biāo)，當(dāng)其灰度與海面反差較大時，其邊緣上的灰度變化明顯;當(dāng)其灰度與海面反差較小時，其內(nèi)部細(xì)節(jié)信息仍表現(xiàn)出灰度明顯變化的特點(diǎn).因此，可以利用局部鄰域窗口相關(guān)特性，有效地對艦船目標(biāo)進(jìn)行分割.

為了進(jìn)一步分析鄰域特性，本研究利用了鄰域均值方差積的概念，圖像f(x，y)局部的鄰域均值方差積 Tμσ(x，y)定義為

其中，w表示大小為n×n的鄰域窗口，且w(i，j)表示其中像素，-0.5n≤ i，j≤ 0.5n(如圖2);μw(x，y)表示窗口中所有元素的灰度均值;σ2w(x，y)表示窗口中所有元素的灰度方差.μw(x，y)和σ2w(x，y)的具體計算為

選擇鄰域窗口大小的時候，如果窗口尺寸過大，將對艦船邊緣部分造成誤判;反之，則會對灰度波動較大的海面波紋造成誤判.本研究結(jié)合遙感圖像的空間分辨率和實(shí)際艦船的大小，經(jīng)過實(shí)驗分析后，選擇9×9的鄰域窗口.該窗口大小對一般圖像而言，都能有較好的效果.

圖2 局部鄰域窗口示意圖Fig.2 Schematic of local neighborhood window

圖3 局部均值方差積在圖像平面的分布圖Fig.3 Local mean variance distribution

圖3是圖像鄰域窗口均值方差積的空間分布圖，圖中x和y軸表示圖像的寬和高，z軸的值是點(diǎn)鄰域均值方差積的值.圖3中平面上明顯突出的是艦船目標(biāo)區(qū)域和一些灰度變化較大的海雜波區(qū)域，其中突出的艦船目標(biāo)區(qū)域面積遠(yuǎn)大于分散的雜波區(qū)域.由于這些區(qū)域局部的均值方差積遠(yuǎn)大于圖像背景，所以與背景呈現(xiàn)出明顯的對比.在圖4的統(tǒng)計分布圖中(x軸表示均值方差積值的大小，y軸表示統(tǒng)計的數(shù)目，x軸上值經(jīng)過以10為底對數(shù)處理)，可以看出主要背景的均值方差積形成的峰在統(tǒng)計圖左邊占了絕大部分，而艦船目標(biāo)區(qū)域的均值方差積分布均在直方圖的右邊(橢圓標(biāo)記區(qū)域，根據(jù)圖3數(shù)值估計)，其數(shù)值遠(yuǎn)大于海面背景.

圖4 局部均值方差積的統(tǒng)計分布圖Fig.4 Statistical distribution of local mean variance

1.2 基于鄰域特性分析海背景濾除

由圖3和圖4可知，在均值方差積平面取一個合適的閾值門限，即可把艦船目標(biāo)候選區(qū)域分割出來.門限值大小，將影響船體輪廓的保留度和海面雜波的殘留度.對整幅圖像而言，其灰度均值介于船體和海面的灰度之間，其方差值也介于船體和海面的方差之間;在鄰域窗口內(nèi)，船體的灰度方差大于大部分海面灰度方差.因此取圖像整體的灰度均值與方差之積作為閾值門限，既保證了船體與海面的區(qū)分度，也達(dá)到了分割精度的目的.圖5給出圖像整體均值方差積的具體位置(黑線所在坐標(biāo)).

對于大小為M×N的灰度圖像f(x，y)，其全局均值方差積為

其中，

圖5 局部均值方差積統(tǒng)計分布中的閾值門限位置Fig.5 The threshold position in the statisticaldistribution of the local mean variance

確定好閾值門限后，對圖像f(x，y)進(jìn)行分割，

其中，g(x，y)為閾值分割后得到的圖像(如圖6).

圖6 均值方差積平面的分割結(jié)果Fig.6 Segmentation results

2 候選目標(biāo)區(qū)域確定與艦船目標(biāo)判別

2.1 基于鄰域均值的雜散海洋區(qū)塊濾除

觀察初分割后的輸出圖像，其內(nèi)容由較大塊的艦船目標(biāo)區(qū)域和較小的塊狀海雜波群組成，在塊狀的像素之間是已經(jīng)置0的背景區(qū)域.對于g(x，y)對應(yīng)的灰度圖像中某一個像素點(diǎn)，取其鄰域窗口，若像素點(diǎn)在塊狀海面雜波上，鄰域中像素點(diǎn)為小塊海雜波與0值背景的混合，因0值背景占多數(shù)，其灰度均值就較小;若像素點(diǎn)在艦船區(qū)域上，鄰域中像素點(diǎn)為連續(xù)的船體像素和少量0值背景，相對海雜波的鄰域而言，其灰度均值較大.因此，對初分割后圖像選擇合適的鄰域窗口進(jìn)行鄰域均值濾波，

其中，f1(x，y)表示鄰域均值濾波后的灰度圖像;w為n×n的鄰域窗口.

選擇合適的閾值門限T1消除分散的小塊海雜波，

其中，g1(x，y)表示閾值分割后得到的圖像;ut表示原始圖像f(x，y)的全局灰度均值;a為0～1間的常數(shù)，本研究取0.7.

通過鄰域均值濾波，消除了較小塊的海雜波，并將稍大塊的海雜波面積進(jìn)一步縮小，而艦船目標(biāo)基本不受影響.對于復(fù)雜背景圖像，可以進(jìn)行多次鄰域均值濾波.后續(xù)，用形態(tài)學(xué)處理進(jìn)一步排除海雜波影響，確定候選目標(biāo)區(qū)域.

2.2 候選目標(biāo)區(qū)域的形態(tài)學(xué)處理與確定

對于分割后圖像，可能邊緣或船身受到了破壞，產(chǎn)生了少量孔洞或細(xì)縫，可以利用形態(tài)學(xué)中的膨脹對圖像進(jìn)行補(bǔ)充和連接，便于下一步對艦船目標(biāo)的判決.將圖像分割成了大小不同的區(qū)域，每個區(qū)域單獨(dú)構(gòu)成一個連通域，對連通域進(jìn)行標(biāo)注后，可對圖像單個區(qū)域進(jìn)行處理，本研究使用的鄰接方式為 8 鄰接［8］.

對圖像g1(x，y)進(jìn)行連通域標(biāo)注，得到單連通區(qū)域二值分割圖，

B1(x，y)，B2(x，y)，...，Bc(x，y)

其中，c是單連通區(qū)域的個數(shù)，且g1=B1∪B2∪…∪Bc，Bi∩Bj=?，?i≠j;g1是上一步經(jīng)形態(tài)學(xué)處理后的二值分割圖.

分別計算各個單連通區(qū)域分割圖的面積A及其對應(yīng)的原圖像區(qū)域的方差σ2，

式(13)中，uk為第k個單連通域?qū)?yīng)的原圖像區(qū)域的灰度均值.

通過設(shè)定面積門限T2和方差門限T3，排除不符合條件的小區(qū)域，保留艦船目標(biāo)候選區(qū)域LT，

其中，T2和T3是根據(jù)實(shí)驗確定的門限值，本研究T2=50，T3=4σ2t.

2.3 艦船目標(biāo)的判別

由于海面情況的不確定性，存在大量與艦船特性相似的虛警干擾(如云朵、小島和強(qiáng)海浪等)，可能會出現(xiàn)偏差，因此，有必要對分割結(jié)果進(jìn)行驗證，而驗證依據(jù)就是艦船目標(biāo)的不變特征.本研究主要選擇3個艦船目標(biāo)特征［9］:

1)艦船長度L，指最小外接矩形的長度，Lmin≤L ≤ Lmax，本研究 Lmin=13，Lmax=143;

2)長寬比R，指最小外接矩形的長寬比，R=L/W，R≥RT，本研究RT=2;

3)矩形度F，指區(qū)域面積與最小外接矩形面積的比值，F(xiàn)=S/S1，F(xiàn) ≥ FT，本研究 FT=0.8.

具體的門限值可以根據(jù)足夠的先驗知識和艦船外形的規(guī)定參數(shù)設(shè)定，對前述艦船目標(biāo)候選區(qū)域LT中每個區(qū)域進(jìn)行判別，當(dāng)滿足上述3個條件時，判斷為艦船目標(biāo)，否則剔除.判別公式為

圖7中，對分割后結(jié)果進(jìn)行判別，由于左下角2個目標(biāo)的長度、長寬比不滿足條件1)和條件2)，因而被判別為非艦船目標(biāo).那么，對于滿足條件的艦船目標(biāo)則用矩形框進(jìn)行標(biāo)注，見圖7(c).

圖7 艦船目標(biāo)判決檢測Fig.7 Ship target detection judgment

3 算法流程

對艦船的檢測主要分為分割與判別兩個過程，我們主要的研究對象為遙感圖像中海面艦船目標(biāo)，由于海面情況復(fù)雜多變，為了消除不同海面背景的影響，本研究基于鄰域窗口，分析鄰域特性，在鄰域灰度均值方差積平面消除大部分海面背景，再通過鄰域均值濾波和形態(tài)學(xué)處理消除分散的海雜波，確定候選目標(biāo)區(qū)域，然后根據(jù)相關(guān)特征對目標(biāo)進(jìn)行判別，剔除虛警，輸出正確結(jié)果.

整體流程見圖8，圖9給出利用鄰域均值方差積和鄰域均值濾波的具體算法流程圖，圖10給出利用形態(tài)學(xué)確定候選目標(biāo)區(qū)域的流程圖.

圖8 整體算法流程Fig.8 The whole algorithm flowchart

4 實(shí)驗結(jié)果與分析

本實(shí)驗數(shù)據(jù)源自CBERS-02B衛(wèi)星拍攝的空間分辨為2.36 m的全色圖像.

圖9 閾值分割流程圖Fig.9 The Flowchart of threshold segmentation

圖10 形態(tài)學(xué)消除雜波過程Fig.10 Morphological process to eliminate clutter

4.1 實(shí)驗1

為驗證本文算法的有效性，共選擇150張不同海面背景切片，切片大小為512×512.所選圖像海域面積累積約200 km2，艦船目標(biāo)總數(shù)為461，其中白極性艦船數(shù)目為282，黑極性艦船數(shù)目為179，帶尾跡艦船數(shù)目為83，圖像中艦船大小變化從13 pixels×5 pixels到143 pixels×22 pixels.本算法檢測結(jié)果如表1.

表1 實(shí)驗1的檢測結(jié)果Table1 The test results of Experiment One

圖11 艦船目標(biāo)檢測結(jié)果Fig.11 The results of different ship target detection

圖11給出4種不同背景情況的艦船檢測結(jié)果，其中圖11(a)艦船成黑極性，圖11(b)艦船成白極性，圖11(c)中有云霧，圖11(d)中雜波明顯，本算法均準(zhǔn)確檢測出艦船目標(biāo).可見該算法能夠適應(yīng)各種不同背景、不同極性艦船的情況.

4.2 實(shí)驗2

對一張包含陸地部分的多目標(biāo)圖像，如圖12(a)，用預(yù)定的陸地模板進(jìn)行分割，得到海域部分，便于后續(xù)的艦船目標(biāo)檢測，如圖12(b).圖12(c)是檢測結(jié)果，共檢測出40個目標(biāo)，1個虛警，2個漏警，圖12(d)是檢測結(jié)果局部示意圖.

圖12 海陸圖像艦船檢測示例Fig.12 The example of ship detecting

本研究算法、多階閾值分割方法［3］和基于Contrast box濾波的檢測算法［10］的艦船檢測結(jié)果見表2，該算法的漏檢率和虛警率都優(yōu)于其他方法.

表2 本算法與其他檢測算法艦船檢測結(jié)果比較Table2 Comparison of different algorithms

結(jié) 語

針對海面背景復(fù)雜多變的情況，本研究通過分析背景鄰域、艦船目標(biāo)鄰域以及整體海面背景的分布特性，利用艦船目標(biāo)區(qū)域灰度均值方差積遠(yuǎn)大于圖像整體的特點(diǎn)，選擇合適的鄰域窗口，在其鄰域均值方差積平面，以圖像整體的均值方差積作為閾值門限進(jìn)行背景濾除，再通過鄰域均值濾波與形態(tài)學(xué)處理，確定目標(biāo)候選區(qū)域，最后根據(jù)相關(guān)特征對候選區(qū)域進(jìn)行判別，得到最終檢測結(jié)果.本研究提出的艦船目標(biāo)分割與判別方法，解決了常見閾值方法不能分割黑極性艦船和應(yīng)對復(fù)雜背景的問題.通過對大量不同海面背景圖像進(jìn)行驗證，實(shí)驗表明，本研究方法檢測能力強(qiáng)，檢測率高，且能適應(yīng)復(fù)雜多變的海面背景.

/References:

［1］Chu Zhaoliang，Wang Qinghua，Chen Hailin，et al.Ship auto detection method based on minimum error threshold segmentation ［J］.Computer Engineering，2007，33(11):239-241.(in Chinese)儲昭亮，王慶華，陳海林，等.基于極小誤差閾值分割的艦船自動檢測方法 ［J］.計算機(jī)工程，2007，33(11):239-241.

［2］Tao Wenbing，Jin Hai，Liu Liman.Object segmentation using ant colony optimization algorithm and fuzzy entropy［J］.Pattern Recognition Letters，2007，28(7):788-796.

［3］Wang Baoyun，Zhang Rong，Yuan Yuan，et al.A new multi-level threshold segmentation method for ship targets detection in optical remote sensing images［J］.Journal of University of Science and Technology of China，2011，41(4):293-298.(in Chinese)王保云，張 榮，袁 圓，等.可見光遙感圖像中艦船目標(biāo)檢測的多階閾值分割方法 ［J］.中國科學(xué)技術(shù)大學(xué)學(xué)報，2011，41(4):293-298.

［4］Xiao Liping，Cao Ju，Gao Xiaoying.Detection for ship target in complicated background of sea and land［J］.Opto-Electronic Engineering，2007，34(6):6-10.(in Chinese)肖利平，曹 炬，高曉穎.復(fù)雜海地背景下的艦船日標(biāo)檢測 ［J］.光電工程，2007，34(6):6-10.

［5］Zhu Changren，Zhou Hui，Wang Runsheng，et al.A novel hierarchical method of ship detection from spaceborne optical image based on shape and texture features［J］.IEEE Transaction on Geoscience and Remote Sensing，2010，48(9):3446-3456.

［6］Wang Yanqing，Ma Lei，Tian Yuan.State-of-the-art of ship detection and recognition in optical remotely sensed imagery［J］.Acta Automatica Sinica，2011，37(9):1029-1039.(in Chinese)王彥情，馬 雷，田 原.光學(xué)遙感圖像艦船目標(biāo)檢測與識別綜述 ［J］.自動化學(xué)報，2011，37(9):1029-1039.

［7］Zhou Hui，Guo Jun，Zhu Changren，et al.Ship detection from optical remote sensing images based on PLSA model［J］.Journal of Remote Sensing，2010，14(4):663-671.

［8］Gonzalez R C.Digital Image Processing Using Matlab［M］.Beijing:Publishing House of Electronics Industry，2007.(in Chinese)Gonzalez R C.數(shù)字圖像處理(Matlab版) ［M］.北京:電子工業(yè)出版社，2007.

［9］Du Chun，Sun Jixiang，Li Zhiyong.Method for ship recognition using optical remote sensing data［J］.Journal of Image and Graphics，2012，17(4):589-595.(in Chinese)杜 春，孫即祥，李智勇.光學(xué)遙感艦船目標(biāo)識別方法［J］.中國圖像圖形學(xué)報，2012，17(4):589-595.

［10］Zhao Yinghai，Wu Xiuqing，Wen Lingyun，et al.Ship target detection scheme for optical remote sensing images［J］.Opto-Electronic Engineering，2008，35(8):102-106.(in Chinese)趙英海，吳秀清，聞凌云，等.可見光遙感圖像中艦船目標(biāo)檢測方法 ［J］.光電工程，2008，35(8):102-106.