高光譜圖像海上艦船目標(biāo)檢測(cè)方法研究

代 威，文貢堅(jiān)，張 星，李智勇

(國(guó)防科學(xué)技術(shù)大學(xué)ATR重點(diǎn)實(shí)驗(yàn)室，長(zhǎng)沙 410073)

高光譜圖像海上艦船目標(biāo)檢測(cè)方法研究

代 威，文貢堅(jiān)，張 星，李智勇

(國(guó)防科學(xué)技術(shù)大學(xué)ATR重點(diǎn)實(shí)驗(yàn)室，長(zhǎng)沙 410073)

提出了一種基于光譜異常檢測(cè)的高光譜海上艦船目標(biāo)自動(dòng)檢測(cè)算法。首先提取圖像中的海域，確定艦船檢測(cè)的目標(biāo)區(qū);然后在通過(guò)主成分變換降低高光譜圖像數(shù)據(jù)維數(shù)后，由RX算法檢測(cè)出目標(biāo)區(qū)中的異常點(diǎn);最后提取具有一定幾何特征的面狀異常目標(biāo)，即為疑似艦船目標(biāo)。實(shí)驗(yàn)結(jié)果表明:算法能夠有效實(shí)現(xiàn)復(fù)雜背景下的艦船目標(biāo)檢測(cè)。

高光譜圖像;艦船檢測(cè);海域提取;RX檢測(cè)

高光譜圖像具有光譜分辨率高、圖譜合一的數(shù)據(jù)特性。遙感圖像中的小目標(biāo)或偽裝隱蔽目標(biāo)通常難以通過(guò)紋理、邊緣等空間特征檢測(cè)識(shí)別，而高光譜圖像蘊(yùn)含的豐富的光譜信息則為探測(cè)這類目標(biāo)提供了極大便利［1-5］。因而，目標(biāo)檢測(cè)一直是高光譜圖像處理的研究熱點(diǎn)，并在隱蔽設(shè)施、偽裝車輛、艦船目標(biāo)檢測(cè)等軍事領(lǐng)域中廣泛應(yīng)用。

借助預(yù)警雷達(dá)獲取的圖像數(shù)據(jù)檢測(cè)艦船目標(biāo)是傳統(tǒng)的艦船檢測(cè)技術(shù)之一。但是，小型艦船目標(biāo)具有較為嚴(yán)重的海面背景雜波現(xiàn)象，背景雜波的雷達(dá)回波信號(hào)強(qiáng)于目標(biāo)回波特性，淹沒(méi)了目標(biāo)的反射特性，使得誤檢和漏檢率較高［6-8］?；诟吖庾V圖像的海上艦船目標(biāo)檢測(cè)方法充分利用艦船目標(biāo)與海水背景的光譜差異，在探測(cè)出艦船的位置、形狀等空間特征的同時(shí)，提供了艦船目標(biāo)的光譜信息，有利于分析目標(biāo)材質(zhì)，判定目標(biāo)屬性信息，在船只識(shí)別、監(jiān)控、跟蹤方面可發(fā)揮重要作用［9］。然而，作為一種新型的艦船目標(biāo)檢測(cè)方法，相關(guān)研究成果較少，仍待進(jìn)一步探索。

本文從實(shí)際應(yīng)用出發(fā)，提出了一種高光譜圖像海上艦船目標(biāo)自動(dòng)檢測(cè)方法。算法的主要思想是:提取包含艦船目標(biāo)的海水區(qū)域，構(gòu)建海水背景模型，通過(guò)檢測(cè)海域中的光譜異常點(diǎn)實(shí)現(xiàn)艦船目標(biāo)檢測(cè)。算法主要包含4個(gè)部分:第1部分通過(guò)閾值分割剔除圖像中的陸地、云障區(qū)域，獲取目標(biāo)海域;第2部分先通過(guò)波段選擇和特征提取剔除圖像中干擾嚴(yán)重的波段，降低數(shù)據(jù)維數(shù)，再提取信噪比高的波段作為目標(biāo)檢測(cè)的源數(shù)據(jù);第3部分對(duì)目標(biāo)海域逐像素進(jìn)行RX檢測(cè)，經(jīng)馬氏距離投影后海水背景被抑制，艦船目標(biāo)得到增強(qiáng)凸顯，再應(yīng)用自適應(yīng)分割獲取疑似艦船目標(biāo)像素;第4部分利用艦船目標(biāo)空間幾何特性抑制虛警，確定圖像中的艦船目標(biāo)。算法流程如圖1所示。

圖1 高光譜圖像艦船目標(biāo)檢測(cè)流程

1 圖像預(yù)處理

1.1 海陸分割

在近紅外和短波紅外波段，水體幾乎吸收所有入射能量，反射率很低，趨近于0［3］。相對(duì)水體，陸地地物具有更高的反射率。由此出發(fā)，在近紅外或短波紅外光譜范圍內(nèi)，選擇信噪比高的波段數(shù)據(jù)，經(jīng)灰度閾值分割，可將陸地與水體分離。最大閾值分割(OSTU)是經(jīng)典的自適應(yīng)閾值分割方法。其核心思想是:通過(guò)最大化背景與目標(biāo)這兩類像素的類間方差確定分割閾值。

設(shè)閾值Tj將圖像中的像素分為海水C0和陸地C1兩類，閾值選擇函數(shù)為

式中:σ2(Tj)為閾值Tj分割后兩類像素的類間方差;ω0，ω1分別為C0，C1類像素產(chǎn)生的概率;μ0，μ1分別為C0，C1類像素灰度均值，μ為整幅圖像的灰度平均值。為了得到最佳的海陸分割效果，最佳閾值Tj應(yīng)使得閾值選擇函數(shù)取最大值。

最優(yōu)化求解式(2)，可得最佳閾值Topt。圖像分割后，可得分割后二值圖像。

式中:Ibin(i，j)為二值圖像矩陣，標(biāo)記了場(chǎng)景中的海水與非海水，是海陸分割后的標(biāo)記圖;I(i，j)為像素在圖像中的坐標(biāo)。

1．2 海域提取

準(zhǔn)確提取海水區(qū)域是構(gòu)建海水背景模型、實(shí)現(xiàn)艦船目標(biāo)檢測(cè)的必要步驟。在海陸分割的過(guò)程中，艦船目標(biāo)在近紅外波段的反射特性與陸地背景相似，會(huì)被標(biāo)記為陸地。

如果直接在Ibin(i，j)標(biāo)記出的海水區(qū)域中檢測(cè)艦船目標(biāo)會(huì)出現(xiàn)漏檢。同時(shí)，陸地背景中的小面積水體反射特性與海水相似，會(huì)被標(biāo)記為海水，容易造成虛警。為克服上述兩方面的影響，降低漏檢和虛警概率，本文采用形態(tài)學(xué)處理，進(jìn)一步提取海水區(qū)域。

開(kāi)運(yùn)算是一種常用的形態(tài)學(xué)處理方法，其本質(zhì)是利用結(jié)構(gòu)算子先腐蝕后膨脹的特點(diǎn)，可獲得消除孤立地物、孔洞填充、平滑大區(qū)域邊緣的效果［10］。

結(jié)構(gòu)算子A對(duì)海陸分割二值圖Ibin進(jìn)行開(kāi)運(yùn)算，可表示為

式中:?為開(kāi)運(yùn)算;Θ為腐蝕運(yùn)算;⊕為膨脹運(yùn)算;I'bin為開(kāi)運(yùn)算后的海陸分割二值圖。

在I'bin中，孤立的艦船目標(biāo)被腐蝕后成為海水的一部分，小塊內(nèi)陸水域、港口、碼頭等經(jīng)膨脹后與大片陸地連通。根據(jù)海域的連通性，提取I'bin中的最大面積標(biāo)記為C0類的區(qū)域，即可分離得到艦船目標(biāo)檢測(cè)的目標(biāo)區(qū)域。區(qū)域生長(zhǎng)、輪廓跟蹤等均為經(jīng)典的連通域提取算法。值得說(shuō)明的是，開(kāi)運(yùn)算中結(jié)構(gòu)算子A需根據(jù)不同分辨率下艦船目標(biāo)的面積、形狀等靈活選用，以確保艦船目標(biāo)能夠被完全腐蝕。

2 高光譜圖像艦船目標(biāo)檢測(cè)

2.1 數(shù)據(jù)降維

高光譜圖像相鄰波段間存在強(qiáng)相關(guān)性，使得數(shù)據(jù)中存在大量信息冗余。數(shù)據(jù)降維是去除信息冗余、降低數(shù)據(jù)處理復(fù)雜性、提高檢測(cè)效率的必要過(guò)程，可通過(guò)波段選擇和特征提取實(shí)現(xiàn)。

波段選擇可根據(jù)背景和目標(biāo)的光譜反射特性，選擇相應(yīng)波譜范圍的數(shù)據(jù)，將去除噪聲干擾、水吸收后的波段作為輸入源數(shù)據(jù)。在不影響檢測(cè)效果的基礎(chǔ)上，降低數(shù)據(jù)維數(shù)。

主成分分析(principal components analysis，PCA)是最經(jīng)典的數(shù)據(jù)特征提取方法［11］，在高光譜數(shù)據(jù)壓縮、降維、去相關(guān)、去噪等方面取得了良好的效果。經(jīng)PCA變換后，各主成分相互正交，高光譜數(shù)據(jù)的大部分信息集中至對(duì)應(yīng)較大特征值的前幾個(gè)主成分中。其實(shí)現(xiàn)過(guò)程如下:

輸入的高光譜圖像表示為X={X1，X2，…，Xp}T，其中Xi為一個(gè)N×1的列向量，p為波段選擇后波段數(shù)，N為海水像素總數(shù)。去中心化后的數(shù)據(jù)矩陣:Y=X-E(X)，Y的協(xié)方差矩陣為Σ，對(duì)應(yīng)的特征值矩陣為Λ= diag{λ1，λ2，…，λp}，λ1≥λ2，…，≥λp，特征向量矩陣為E={e1，e2，…，ep}，ei為p×1的列向量，主成分變換為

變換矩陣E是正交的，故主成分變換后的高光譜數(shù)據(jù)各波段也正交，從而去除了高光譜數(shù)據(jù)波段間的相關(guān)性。

由式(6)可知:變換后圖像各波段方差隨編號(hào)增加而降低，所包含信息量隨之降低。選取較大特征值對(duì)應(yīng)的主成分即可包含圖像的大部分信息，因而可在損失較少數(shù)據(jù)信息的前提下降低數(shù)據(jù)維數(shù)。

2.2 異常像元檢測(cè)

艦船目標(biāo)的光譜特性與海水具有明顯的差異，且像元個(gè)數(shù)少，出現(xiàn)概率低，具有異常的特性。由S.Reed和Xiaoli-Yu提出的RX算法是最經(jīng)典的異常檢測(cè)算法，已在諸多高光譜異常目標(biāo)檢測(cè)中成功應(yīng)用［12-13］。

RX算法的假設(shè)前提是背景像元光譜符合多元高斯分布。通過(guò)廣義極大似然比檢驗(yàn)(generalized likelihood ratio test，GLRT)計(jì)算待檢測(cè)像元的檢測(cè)統(tǒng)計(jì)量，結(jié)果為

其中:Drx為檢測(cè)統(tǒng)計(jì)量;x為待檢測(cè)像元光譜向量;μ0，Σ分別為背景光譜均值向量和協(xié)方差矩陣。

在背景符合多元高斯分布的假設(shè)前提下，檢測(cè)統(tǒng)計(jì)量Drx是正態(tài)隨機(jī)向量元素的二階線性組合，概率密度符合自由度為p的無(wú)偏心分布。如果檢測(cè)統(tǒng)計(jì)量不符合分布，則判定待檢測(cè)像元為異常像元。如式(10)所示，判決門限可使檢測(cè)保持恒虛警率(constant false alarm rate，CFAR)。

式中:ε0為設(shè)定的虛警率;λ為自適應(yīng)確定的判決門限。判決結(jié)果為:

RX異常檢測(cè)算子與馬氏距離(Mahalanobis distance，MD)的平方具有相同的結(jié)構(gòu)。其本質(zhì)為計(jì)算待檢測(cè)像元光譜向量到背景均值光譜向量的馬氏距離平方。該判決過(guò)程中保持恒虛警率，將距離過(guò)大的像元判為異常像元。

RX算法包含背景均值光譜向量μ0和協(xié)方差矩陣Σ兩個(gè)參數(shù)。局部RX算法中，參數(shù)在局部窗口內(nèi)統(tǒng)計(jì)求得。局部范圍內(nèi)，背景像元能夠較好地符合多元高斯分布的假設(shè)，但樣本數(shù)目較少，參數(shù)準(zhǔn)確度不高，且計(jì)算量大。本文經(jīng)海域提取可有效限定背景為單一均勻的海水，在全局RX范圍內(nèi)也能符合多元高斯分布的假設(shè)。為增大統(tǒng)計(jì)樣本數(shù)目，提高參數(shù)準(zhǔn)確度，降低運(yùn)算量，本文選用全局RX算法進(jìn)行異常像元檢測(cè)。

2.3 虛警剔除

異常像元不僅包含感興趣的疑似艦船目標(biāo)，還可能是海域中的孤立島嶼、人造物等。艦船目標(biāo)在空間分布上表現(xiàn)為若干像元聚集分布，且呈較規(guī)則形狀?；谂灤繕?biāo)的空間幾何特性，綜合區(qū)域面積、長(zhǎng)寬比、主軸方向等常用的目標(biāo)空間特征設(shè)計(jì)虛警濾波器，可鑒別和剔除明顯不是艦船的虛警。

本文的高光譜圖像海上艦船目標(biāo)檢測(cè)算法具體實(shí)現(xiàn)過(guò)程如下:

1)海域提取:在圖像中取一近紅外波段，經(jīng)過(guò)OSTU閾值分割后，將二值圖像進(jìn)行開(kāi)運(yùn)算處理，提取水體對(duì)應(yīng)的大面積連通域，即為海域。

2)數(shù)據(jù)降維:進(jìn)行主成分變換，根據(jù)累計(jì)信息量分布，取變換后的前若干個(gè)成分分量數(shù)據(jù)作為艦船目標(biāo)檢測(cè)輸入源。

3)異常檢測(cè):以步驟1)提取海域?qū)?yīng)像元為樣本，統(tǒng)計(jì)求得海水背景平均光譜和協(xié)方差矩陣，逐像元RX投影，求得檢測(cè)統(tǒng)計(jì)量，設(shè)定虛警率后得到判決閾值，其中RX統(tǒng)計(jì)量大于閾值的像元即為異常像元。

4)虛警剔除:將相鄰異常像元?dú)w并形成面狀目標(biāo)，并計(jì)算其面積、長(zhǎng)寬比，將與艦船目標(biāo)空間特征明顯不符的異常點(diǎn)集判為虛警，剩余異常點(diǎn)集即為待檢測(cè)的艦船目標(biāo)。

3 實(shí)驗(yàn)結(jié)果與分析

實(shí)驗(yàn)數(shù)據(jù)為一幅星載AVRS高光譜圖像數(shù)據(jù)，含有224個(gè)波段，圖像大小為200像素×200像素，覆蓋波譜范圍為0.365 9～2.496 2 μm，光譜分辨率為10 nm。去除噪聲干擾嚴(yán)重的波段(1～ 5，143～180，198～224)后，剩余154個(gè)波段數(shù)據(jù)為實(shí)驗(yàn)數(shù)據(jù)。

圖2為取第10、30、70波段合成的假彩色圖，場(chǎng)景中包含小塊陸地港口和3個(gè)艦船目標(biāo)。在圖中近海位置有一列順序排列的人造物。人造物雖是海域中的異常，但不屬于艦船目標(biāo)，是檢測(cè)中的虛警。選取第44個(gè)波段灰度圖提取海域(圖3)，對(duì)應(yīng)波長(zhǎng)為0.782 8 μm，屬近紅外波段。

圖2 假彩色圖

圖3 第44波段灰度圖

在近紅外波段，陸地、艦船等反射率大，水體反射率小，采用最大方差閾值分割，將場(chǎng)景分為水體(暗)和非水體(亮)兩類，分割結(jié)果如圖4所示。以5像素方形結(jié)構(gòu)元素為腐蝕結(jié)構(gòu)算子，9像素方形結(jié)構(gòu)元素為膨脹結(jié)構(gòu)算子，進(jìn)行開(kāi)運(yùn)算后，海域提取效果如圖5所示。圖中所提取海域不僅包括了疑似艦船的目標(biāo)區(qū)域，還分離去除了內(nèi)陸水體，準(zhǔn)確標(biāo)記了檢測(cè)艦船的目標(biāo)區(qū)。

圖4 OSTU分割結(jié)果

圖5 海域提取結(jié)果

數(shù)據(jù)降維是在盡可能保留圖像信息的條件下降低數(shù)據(jù)維數(shù)。在PCA變換中，各成分圖像信息量與該成分的特征值對(duì)應(yīng)，特征值越大，圖像信息量越大。圖6為變換后的第1、3、7、9成分圖像。表1為各成分對(duì)應(yīng)的特征值及累計(jì)信息量。由分析可知:前8個(gè)主成分累計(jì)包含99.97%的信息量，第8個(gè)主成分之后的成分對(duì)應(yīng)特征值小，受噪聲干擾嚴(yán)重。因此，取前8個(gè)主成分進(jìn)行異常檢測(cè)。

圖6 PCA各成分分量

以提取出海域內(nèi)的像元為樣本，統(tǒng)計(jì)模型參數(shù)，進(jìn)行RX檢測(cè)，投影圖如圖7所示(陸地像元不進(jìn)行處理，在圖中以灰色標(biāo)記)。由圖8所示的RX檢測(cè)結(jié)果的直方圖分布可知:RX檢測(cè)結(jié)果能夠符合χ2分布。取虛警概率為10-6，由式(10)確定分割閾值。投影分割結(jié)果如圖9所示。

表1 各成分對(duì)應(yīng)特征值及累計(jì)信息量

分割結(jié)果顯示:檢測(cè)出的異常像元不僅包括艦船目標(biāo)，還有近海岸線規(guī)則排列的人造目標(biāo)。這些目標(biāo)屬孤立點(diǎn)目標(biāo)，所含像素明顯少于艦船目標(biāo)。因海陸分割不精確，海岸線附近的像元被誤判屬海域，造成虛警。這類虛警可通過(guò)長(zhǎng)寬比有效鑒別。圖10為剔除虛警后最終的艦船目標(biāo)檢測(cè)結(jié)果。

圖7 RX投影圖

圖8 RX投影的直方圖分布

圖9 投影分割結(jié)果

圖10 艦船檢測(cè)結(jié)果

4 結(jié)束語(yǔ)

本文提出了一種高光譜圖像海上艦船目標(biāo)自動(dòng)檢測(cè)方法。該算法通過(guò)灰度分割提取圖像中的海域，經(jīng)主成分變換數(shù)據(jù)降維后，在海域中檢測(cè)異常點(diǎn)，提取具有一定幾何形狀的面狀目標(biāo)，輸出為疑似艦船目標(biāo)。實(shí)驗(yàn)結(jié)果表明:該算法不需先驗(yàn)知識(shí)，能夠有效檢測(cè)出復(fù)雜場(chǎng)景中的艦船目標(biāo)，實(shí)用性強(qiáng)。但針對(duì)與艦船目標(biāo)具有相似幾何特征的面狀虛警，采用本文算法并不能有效鑒別和剔除。因此，結(jié)合艦船目標(biāo)的光譜特性，鑒別與艦船目標(biāo)幾何特征相似的虛警，是進(jìn)一步研究工作的內(nèi)容。

［1］Matteoli S，Diani M，Corsini G.A Tutorial Over-view of anomaly detection in hyperspectral images［J］.IEEE A&E System Magazine，2010，25(7):5-27.

［2］Chang C I，Chiang S S.Anomaly detection and classification for hyperspectral imagery［J］.IEEE Trans.Geosci Remote Sense，2002，40(6):1314-1325.

［3］張兵，高連如.高光譜圖像分類與目標(biāo)探測(cè)［M］.北京:科學(xué)出版社，2011.

［4］陶榮華，陳標(biāo)，趙海彬，等.高光譜遙感數(shù)據(jù)吸收位置特征融合提取技術(shù)研究［J］.激光雜志，2013(5):27 -28.

［5］趙明富，夏曦，張政委，等.基于高光譜圖像技術(shù)的指紋識(shí)別研究［J］.激光雜志，2013(5):27-28.

［6］張東曉，何四華，楊紹清.一種多尺度分形的艦船目標(biāo)檢測(cè)方法［J］.激光與紅外，2009，9(3):315-318.

［7］蔣李兵.基于高分辨光學(xué)遙感圖像的艦船目標(biāo)檢測(cè)方法研究［D］.長(zhǎng)沙:國(guó)防科學(xué)技術(shù)大學(xué)，2006.

［8］田明輝，萬(wàn)壽紅，岳麗華.遙感圖像中復(fù)雜海面背景下的海上艦船檢測(cè)［J］.小型微型計(jì)算機(jī)系統(tǒng)，2008，29 (11):2162-2166.

［9］路威，余旭初，馬永剛，等.高光譜遙感影像海上艦船目標(biāo)檢測(cè)算法的研究［J］.海洋測(cè)繪，2005，25(4):152 -156.

［10］劉穎健，唐功友，趙馴洪，等.數(shù)學(xué)形態(tài)學(xué)方法在海面船目標(biāo)檢測(cè)中的應(yīng)用［J］.中國(guó)海洋大學(xué)學(xué)報(bào)，2005，35(3):511-514.

［11］趙春暉，李曉慧，田明華.采用主成分量化和密度估計(jì)期望最大聚類的高光譜異常目標(biāo)檢測(cè)［J］.光子學(xué)報(bào)，2013，42(10):316-321.

［12］Reed I S，Yu X.Adaptive multiple-band CFAR detection of an optical pattern with unknown spectral distribution［J］.IEEE Trans.Acoust.Speech，Signal.Process，1990，38(10):1760-1770.

［13］Jose M，Ester M，Antonio P.Analysis and Optimizations of Global and local versions of the RX algorithm for anomaly detection in hyperspectral data［J］.IEEE Trans，2013，6(2):1045-1052.

(責(zé)任編輯楊黎麗)

Method for Ship Detection in Hyperspectral Image

DAI Wei，WEN Gong-jian，ZHANG Xin，LI Zhi-yong
(ATR Key Laboratory，National University of Defense Technology，Changsha 410073，China)

A method based on spectral anomaly for the ship target detection in hyperspectral image was proposed.Firstly，the area covered by seawater was picked out and confirm the target searching area for ships in the sea.Then，principal components analysis(PCA)was used to reduce the dimension of hyperspectral image.RX detection was carried out on the PCA translated image to find the spectral anomaly pixels.At last，anomaly pixels clustered in a certain shape were detected as the ship targets.Experiment results indicate that the proposed method is efficient for sea ship target detection in complex background.

hyperspectral images;ship detection;sea-area extraction;RX detection

TP753

A

1674-8425(2015)11-0120-06

10.3969/j.issn.1674-8425(z).2015.11.020

2015-08-31

教育部新世紀(jì)優(yōu)秀人才支持計(jì)劃項(xiàng)目(NCET-11-0866)

代威(1991—)，男，碩士研究生，主要從事高光譜圖像處理方面研究。

代威，文貢堅(jiān)，張星，等.高光譜圖像海上艦船目標(biāo)檢測(cè)方法研究［J］.重慶理工大學(xué)學(xué)報(bào):自然科學(xué)版，2015 (11):120-125.

format:DAI Wei，WEN Gong-jian，ZHANG Xin，et al.Method for Ship Detection in Hyperspectral Image［J］. Journal of Chongqing University of Technology:Natural Science，2015(11):120-125.