艦船遙感圖像的目標識別研究

周珍娟，韓金華

(1.江蘇城市職業(yè)學院 信息工程系，江蘇 南京211135;2.江蘇南京信息學院，江蘇 南京211135)

0 引 言

近年來，隨著光學遙感成像技術(shù)應用的成熟和對海洋的不斷關(guān)注，人們希望借助光學遙感圖像在空間上識別出海域的艦船，以對艦船目標進行有效監(jiān)控。由此，基于艦船的遙感圖像目標識別研究得到了越來越多的支持。與以往傳統(tǒng)的SAR 圖像目標識別方法不同，遙感圖像的目標識別主要依靠光學背景陰暗的變化進行，由于艦船行駛于海域作業(yè)，這就要求在進行圖像目標的識別前依靠背景明亮度進行海陸分離，定位出海域區(qū)域。同時遙感圖像還存在光學的云背景和噪聲干擾以及巖石島嶼等海面虛假目標的存在。因此，本文為解決這一問題，提出了基于多級視覺感知算法實現(xiàn)遙感圖像的艦船檢測，并根據(jù)艦船圖像特殊的灰度紋理以及形狀特征，借助SVM 分類器方法進行艦船目標的有效識別，去除虛假目標。

1 基本流程

如圖1 所示，對于艦船遙感圖像的目標識別，首先根據(jù)遙感圖像的特點進行圖像預處理，實現(xiàn)圖像的海陸分割獲取海面艦船圖像，進而設(shè)計出一種方法去除圖像的各種背景干擾，檢測出艦船的目標，還需要對檢測出的艦船目標根據(jù)艦船特征進行有效的識別，去除虛假目標，得到真正的艦船目標?？紤]到本文研究重點，現(xiàn)以經(jīng)海陸分割后的圖像為基礎(chǔ)進行遙感艦船圖像的目標識別研究。

圖1 艦船識別算法流程Fig.1 Ship recognition algorithm process

2 目標識別算法

在經(jīng)過圖像預處理后的目標圖像中，由于因天氣和設(shè)備性能等諸多因素，會造成海域中的艦船目標和云背景夾雜，必須設(shè)計出一種算法過濾掉云背景目標，本文從人的視覺角度出發(fā)，設(shè)計一種基于多級視覺感知算法進行艦船目標的檢測，過濾云背景干擾。

2.1 算法原理

2.1.1 圖像快速計算

設(shè)有原圖I (x)，頻譜幅度信息為:

因A(f)由遙感圖像L(f)經(jīng)過攝取采樣后獲得，所以可近似表示如下:

則頻率殘差的推導公式如下所示:

由于I(f)采用降分辨率獲取，會導致圖像顯著區(qū)域統(tǒng)計不準確，本文以艦船目標為統(tǒng)計對象，需要考慮到圖像的噪聲敏感，所以需要通過維納濾波來改進，對區(qū)域圖像進行全面統(tǒng)計。維納濾波器計算公式為:

這樣圖像的快速計算則轉(zhuǎn)化為:

根據(jù)該公式進行圖像快速視覺計算，便可獲得圖標區(qū)域艦船標識。

2.1.2 圖像形態(tài)篩選

經(jīng)過圖像的快速計算，目標區(qū)域還有冗余信息沒有消除，這里指遙感圖像中的云背景、海況干擾等，需要依據(jù)圖像進行針對性的形態(tài)學濾波，已消除冗余信息，獲取艦船坐標。本文以TopHat 形態(tài)學濾波為基礎(chǔ)，用開、關(guān)2 種定義表達如下:

式中:f 為原圖像;g 為結(jié)構(gòu)體;fog 為開運算;f·g為閉運算。

該濾波器可以通過對結(jié)構(gòu)體的內(nèi)容設(shè)置以恰當?shù)谋４婺繕诵畔ⅲ@樣濾波器通過對遙感艦船圖像的篩選以保留艦船目標信息，去除無關(guān)的大塊其他信息。

2.1.3 提取信息特征

基于艦船目標信息的提取采用方向自適應方法，以改進的Gabor 濾波器來提取艦船目標信息，該濾波器設(shè)計如下:

其中:

F 決定了濾波器在頻域中的位置，該濾波器能夠感知圖像的響應，此響應以Gabor 能量表示如下:

其中:

在Gabor 濾波器設(shè)計中，考慮到單一濾波器并不能對所有的頻率范圍和多個方位信息進行提取，所以為了實現(xiàn)全頻率和多方位的艦船目標信息的提取，本文選用一組1 ～2 頻域倍頻范圍的、方位角處于0 ～180°的一組濾波器對圖像相應的能量信息進行提取。但考慮到海況氣候惡劣且云背景干擾復雜的情況，需要增強圖像的處理能力，因此，對圖像目標狹長的特征區(qū)域進行方向信息的定位時進行該方向上的濾波，對于圖像目標長度不足的需要進行全方位的濾波以識別區(qū)目標區(qū)域大小信息。

2.2 算法實現(xiàn)

為了測試算法的檢測效果，依照上述算法的原理，按照圖像計算、圖像篩選和信息特征提取3 個步驟的設(shè)計流程，本文選取28 幅涵蓋有云背景與天氣干擾的遙感圖像進行檢測，檢測結(jié)果如圖2 所示。

圖2 算法檢測效果Fig.2 Algorithm testing results

從圖中可以看出，經(jīng)過本文算法的特征檢測后，艦船圖像能夠去除干擾，得到較明顯的艦船目標。同時，該算法檢測速度快、計算量小，運用該算法減少了檢測時間，同時在一定程度上提高了檢測的準確度。

3 目標分類識別

通過上述的算法處理后得到的圖像中，還存在著一定的虛假目標，因此還需要對圖像目標進行分類識別以過濾虛假目標。提高艦船識別的準確度。本文采用目標特征的識別方法進行艦船目標的確認。由于遙感圖像受到圖像尺寸和分辨率的影響，現(xiàn)作如下處理:首先，將經(jīng)過算法處理后的遙感圖像以艦船目標區(qū)域為中心，分割出200×200 的切片區(qū)域作為識別的最小單元;其次，對切片區(qū)域按照形狀、紋理等目標特征的特征參數(shù)進行統(tǒng)計;最后，采用SVM 自動分類器進行艦船目標的機器識別決策。

3.1 圖像分割

本文按照200 ×200 像素的切片作為分割的最小單元進行目標特征的鑒別，由于圖像的目標特征辨識以幾何圖形輪廓為基礎(chǔ)，所以下面以GPAC 幾何輪廓模型作為圖像分割的模型函數(shù)，其基本能量函數(shù)如下:

其中:p1，p2分別為像素點;E 為最小的期望函數(shù)值;W 為圖像的相似性標度;Ro 為圖像分割的內(nèi)部區(qū)域;Ri 為圖像分割的外部區(qū)域。以該函數(shù)為基的圖像曲線演化偏微分方程如下:

該偏微分方程有效地將分割區(qū)域的輪廓邊緣曲線的內(nèi)部像素點和外部像素點進行對比，當外部像素點與內(nèi)部像素點間的不相似性較大則將該輪廓邊緣分割為外部，反之則歸類為內(nèi)部。這樣，以中心差分法計算像素點的灰度和圖像分割區(qū)域的灰度方差，便可實現(xiàn)精確的圖像分割，圖3 為以GPAC 模型進行的單位切片分割前后變化。

圖3 切片分割效果Fig.3 Slice segmentation results

3.2 圖像特征提取

特征提取主要提取出圖像的灰度、紋理與形狀等能夠標識圖像目標存在的識別量，具體包括圖像的尺寸、面積、長度、矩形度、長寬比及速度方向等參數(shù)。

3.2.1 灰度與紋理特征提取

1)灰度特征

設(shè)

其中:p(i)為區(qū)域灰度為i 的總體統(tǒng)計數(shù)量比率;

那么以p(i)為基礎(chǔ)，則區(qū)域灰度以一階二階矩以及平均熵表達的計算公式如下:

式中:μ 為區(qū)域的灰度均值，代表目標區(qū)域的目標明亮程度，σ2和E 分別為該區(qū)域的灰度方差和平均熵;

2)紋理特征

圖像灰度的明亮程度在區(qū)域上呈現(xiàn)出一定的不均勻圖案，在空間上則反映出稀疏或濃重的不規(guī)則紋理信息，紋理信息從側(cè)面印證了圖像的灰度特征，紋理信息的特征提取范圍要適當擴大到切片的外圍部分以增強圖像識別的準確性?？紤]到紋理圖像的參數(shù)估計，本文引入灰度共現(xiàn)矩陣以實現(xiàn)紋理特征的提取。由于在區(qū)域相近位置的兩像素點灰度相近，則該區(qū)域的共現(xiàn)矩陣陣元值也較均勻，因此依據(jù)此可以提取出目標圖像的紋理特征。

記目標圖像的某像素點灰度為i，那么在距該像素點d 處的像素點灰度記為j，當i 與j 處于與水平方向夾角為P 的直線上，P(i，j)為陣元，那么圖像的紋理特征參數(shù)可用如下公式表示:

其中N1，N2，N3，N4和N5分別為能量、慣量矩、逆差矩、相關(guān)性和熵。

3.2.2 形狀特征提取

圖像的形狀特征指能夠標識圖像的大小、尺寸、面積等圖像輪廓的參數(shù)指標，由于遙感圖像的分辨率不一樣，在進行形狀特征的提取時要保證圖像在變換中不變形，所以圖像特征的提取選取以下幾個參數(shù)進行提取:

1)偏心率

設(shè)橢圓狀艦船的長軸和短軸長度分別為a 和b:

其中μxy為(x + y)階中心矩，則偏心率

2)矩形度

矩形度表示為圖像切片區(qū)域面積s 和該面積的最小外接矩形SRec之間比值，定義如下:

3)凸率

凸率表征圖像在某一區(qū)域面積sc的均勻程度，定義如下:

4)緊湊性

緊湊性表征著目標圖像面積與邊界的的均勻性，圖像越緊湊，值越趨近于1，則該圖像越趨向于圓形，定義如下:

以上參數(shù)具有在平移、翻轉(zhuǎn)中的不變特征，可以很好對區(qū)域形狀進行描述，因而可以較好區(qū)分出目標圖像。

3.3 基于SVM 的圖像分類識別

在對目標圖像進行圖像切片分割和圖像特征參數(shù)的統(tǒng)計提取后，便可將樣本數(shù)據(jù)進行SVM 的自動分類識別。SVM 是一種機器學習方法，其集成了凸二次規(guī)劃、松弛變量和核函數(shù)等多種技術(shù)，能夠很好實現(xiàn)模式識別和圖像分類。本文將從圖像切片中提取的圖像特征為樣本數(shù)據(jù)，將特征參數(shù)以多維向量的形式輸出，經(jīng)過一定程度的SVM 鑒別器訓練，實現(xiàn)切片圖像的分類識別。本文設(shè)計的識別流程如圖4 所示。

通過對各特征的統(tǒng)計組合分析，以實現(xiàn)最高的識別率、最小虛警率為目的準則，在經(jīng)過大量的測試后，本文選用以形狀和灰度的組合特征向量為SVM 輸入的樣本數(shù)據(jù)進行圖像的識別。

4 結(jié) 語

實驗按照形狀與灰度特征相結(jié)合的多維特征向量作為樣本數(shù)據(jù)，以2 399 ×1 876 作為圖像大小尺寸，整個分類識別過程持續(xù)159.639 s，其中圖像的切片分割時間占用較長，識別的圖像結(jié)果如圖5 所示。

圖4 基于SVM 分類識別過程Fig.4 Classification identification process based on the SVM

圖5 識別圖像結(jié)果Fig.5 The results of image recognition

圖5 中標注的藍色為算法檢測結(jié)果，通過SVM分類器決策后，此次試驗中有39 個虛警目標被過濾，另外還成功識別出6 個漏檢目標，雖然該次實驗還未能完全消除虛警目標，但相比較分類識別前，識別目標有效增加，虛警目標大大降低，對遙感圖像的艦船目標識別有很好的應用。

［1］農(nóng)國明，于鉞，楊國錚，等.衛(wèi)星海洋觀測信息在海域監(jiān)視偵察中的應用［J］. 艦船科學技術(shù)，2011，33(增刊):92 -94.

［2］HEIDI B，ELAN S，CHESSA G，et al. Enhanced ship detection from overhead imagery［C］.Optics and Photonics in Global Homeland Security IV，Orlando，F(xiàn)lorida，USA，2008，3:17 -20.

［3］肖利平，曹炬，高曉穎. 復雜海地背景下的艦船目標檢測［J］.光電工程，2007，34(6):6 -10.

［4］陳標，侯海平，陶榮華，等.艦船尾SAR 圖像特征的譜分析研究［J］.艦船科學技術(shù)，2008，30(6):95 -98.

［5］田明輝，萬壽紅，岳麗華. 遙感圖像中復雜海面背景下的海上艦船檢測［J］. 小型微型計算機系統(tǒng)，2008，29(11):196 -200.

［6］ZHOU H，GUO J，ZHU C R，et al. Ship detection from optical remote sensing images based on PLSA model［J］.Journal of Remote Sensing，2010，14(4):663 -680.