基于頻譜殘留變換的紅外遙感圖像艦船目標(biāo)檢測(cè)方法

張志龍 楊衛(wèi)平 張 焱 李吉成

1 引言

紅外成像系統(tǒng)利用目標(biāo)與環(huán)境的紅外輻射差異成像，具有溫度靈敏度高、動(dòng)態(tài)范圍大、空間分辨率高、透霧能力強(qiáng)、可晝夜工作等優(yōu)點(diǎn)。從紅外大氣傳輸特性來(lái)看，3～5 μm 大氣窗口的透過(guò)率超過(guò)90%，敏感的絕對(duì)溫度峰值為800 K，適于探測(cè)高溫目標(biāo)，如林火、火山、核爆、發(fā)動(dòng)機(jī)尾焰等；8～14 μm大氣窗口的透過(guò)率為80%～90%，敏感的絕對(duì)溫度峰值為 300 K，是常溫下地物熱輻射能量最集中的波段，適于探測(cè)地物的發(fā)射率及溫度。從目標(biāo)背景的紅外輻射特性來(lái)看，地面和低空大氣的背景輻射可以分別近似為300 K和200～300 K的黑體輻射；而典型目標(biāo)的溫度通常在500～900 K。因此，紅外成像系統(tǒng)是軍事偵察和戰(zhàn)場(chǎng)感知的利器。

隨著我國(guó)高分辨率對(duì)地觀測(cè)系統(tǒng)重大專項(xiàng)的實(shí)施，紅外遙感圖像獲取技術(shù)必將迎來(lái)新的發(fā)展機(jī)遇，有望形成高分辨率、全天時(shí)、實(shí)時(shí)/準(zhǔn)實(shí)時(shí)的對(duì)地觀測(cè)能力，獲得越來(lái)越多的紅外遙感圖像。如何從海量的紅外遙感圖像中自動(dòng)、準(zhǔn)確、快速地識(shí)別出感興趣目標(biāo)，已經(jīng)成為制約我國(guó)航天偵察裝備充分發(fā)揮軍事效能的技術(shù)瓶頸，迫切需要科研人員提出有效的解決辦法。

遙感圖像中感興趣目標(biāo)的檢測(cè)識(shí)別問(wèn)題一直以來(lái)都是遙感和視覺(jué)領(lǐng)域的研究熱點(diǎn)[15]-。艦船目標(biāo)檢測(cè)與監(jiān)視則是世界各海岸國(guó)家的傳統(tǒng)任務(wù)，學(xué)者們圍繞該問(wèn)題進(jìn)行了廣泛研究并提出了多種有效方法。前期的研究更多關(guān)注SAR圖像艦船檢測(cè)識(shí)別問(wèn)題。進(jìn)入21世紀(jì)，光學(xué)遙感圖像在海上活動(dòng)監(jiān)視領(lǐng)域的應(yīng)用研究受到了更多的關(guān)注。代表性艦船檢測(cè)識(shí)別系統(tǒng)包括歐盟的IMPAST和DECLIMS，法國(guó)的CLS和BOOST，英國(guó)的MaST，挪威Eldhuset和MeosView等[6,7]。這些系統(tǒng)在漁業(yè)監(jiān)測(cè)、油污監(jiān)測(cè)、海岸安全以及軍事領(lǐng)域發(fā)揮著重要作用。

我國(guó)海域遼闊，海洋權(quán)益爭(zhēng)端日漸頻繁，海上艦船目標(biāo)的檢測(cè)和監(jiān)視在民用和軍用上都有著廣泛的需求。在民用方面，可以對(duì)特定海域、海灣和港口的水運(yùn)交通、遇難船只搜救、漁船監(jiān)視、非法移民、反毒品、海洋污染監(jiān)測(cè)等方面進(jìn)行監(jiān)測(cè)和管理。在軍事方面，可以進(jìn)行戰(zhàn)場(chǎng)態(tài)勢(shì)感知與評(píng)估、戰(zhàn)時(shí)海上監(jiān)視、恐怖活動(dòng)監(jiān)視、打擊海盜等。因此，利用日益豐富的高分辨率紅外遙感圖像，進(jìn)行海上艦船目標(biāo)的檢測(cè)和識(shí)別，是一項(xiàng)具有重大理論意義和現(xiàn)實(shí)需求的研究課題。

在紅外遙感圖像中，艦船目標(biāo)與背景的對(duì)比度通常較弱，亮目標(biāo)與暗目標(biāo)都有可能出現(xiàn)。同時(shí)，紅外遙感圖像存在一定的圖像噪聲和多種干擾，如海水波動(dòng)、云團(tuán)、小島、淺灘、陸地復(fù)雜邊緣等。因此，在檢測(cè)識(shí)別之前有必要先對(duì)紅外遙感圖像進(jìn)行艦船目標(biāo)增強(qiáng)。

本文提出了一種基于頻譜殘留變換的紅外遙感圖像艦船目標(biāo)檢測(cè)方法，首先根據(jù)海洋紅外圖像中自然背景和干擾的特性設(shè)計(jì)頻譜殘留變換的模型參數(shù)，然后對(duì)海洋紅外圖像實(shí)施變換，在變換圖像上進(jìn)行艦船目標(biāo)檢測(cè)。實(shí)驗(yàn)結(jié)果表明：該方法可以有效消除紅外圖像中的大尺度干擾和圖像噪聲，增強(qiáng)圖像中艦船目標(biāo)的信雜比，提高了艦船檢測(cè)的準(zhǔn)確性。

2 基于頻譜殘留變換的艦船目標(biāo)增強(qiáng)

2.1 頻譜殘留變換

譜殘留模型是文獻(xiàn)[8]提出的一種顯著性計(jì)算模型。與其它顯著性模型[9-12]相比，該模型完全基于頻域處理，可以采用快速傅里葉變換（FFT）加以實(shí)現(xiàn)，具有計(jì)算簡(jiǎn)單和快速的優(yōu)點(diǎn)。其基本思想是：大多數(shù)自然圖像的對(duì)數(shù)幅度譜具有近似相同的形狀，因此，一幅圖像的頻譜中有別于相同形狀的部分（即頻譜的殘留部分）蘊(yùn)含著新的信息，是真正值得關(guān)注的部分（即目標(biāo)）。假設(shè)原始圖像為I（ x），則譜殘留模型的計(jì)算過(guò)程如下：

其中：FFT和 F FT-1表示圖像的快速傅里葉變換及其反變換； hn（f）表示頻域中的低通濾波器，例如3×3的均值濾波器；g（ x）表示空域中的低通濾波器，例如高斯型的低通濾波器；A（ f）,P（ f）,L（ f）分別表示原始圖像的幅度譜，相位譜，對(duì)數(shù)幅度譜；R（ f）表示譜殘留；S（ x）表示顯著圖。

作者在研究譜殘留模型時(shí)發(fā)現(xiàn)：真正對(duì)顯著圖有實(shí)質(zhì)貢獻(xiàn)的其實(shí)是原始圖像的相位譜P（ f），式（3），式（4），式（5）的計(jì)算并非必要。對(duì)于這一點(diǎn)，將在實(shí)驗(yàn)部分進(jìn)行分析和討論。

基于上述發(fā)現(xiàn)，本文提出一種新的頻譜殘留變換模型，用以增強(qiáng)紅外圖像中的艦船目標(biāo)，其計(jì)算過(guò)程如下：

其中，?表示復(fù)數(shù)的取模運(yùn)算；BP（ f）表示頻域中的帶通濾波器，例如可以選擇中心頻率為 f0、截止頻率為Δf的高斯型濾波器；PM（f）表示本文定義的原始圖像的相位譜；RM（f）表示本文定義的譜殘留；SM（x）表示本文定義的顯著圖。式（6）～式（8）中用到的下標(biāo)“M”用以區(qū)分本文定義的物理量。

新的頻譜殘留變換模型主要進(jìn)行兩種運(yùn)算：一是原始頻譜的歸一化；二是頻域帶通。與文獻(xiàn)[8]的譜殘留模型相比，新的變換無(wú)需計(jì)算對(duì)數(shù)幅度譜，無(wú)需進(jìn)行頻率的低通濾波，頻域的指數(shù)運(yùn)算和空域的高斯濾波，因而計(jì)算速度更為快速。

另外，新的頻譜殘留變換有兩個(gè)控制參數(shù)，即帶通濾波器的中心頻率0f和截止頻率Δf，可以根據(jù)目標(biāo)特性進(jìn)行調(diào)整，這為模型的使用創(chuàng)造了便利。

2.2 艦船目標(biāo)的增強(qiáng)處理

在紅外遙感圖像中，艦船目標(biāo)與海洋背景的對(duì)比度通常較弱，亮目標(biāo)與暗目標(biāo)都有可能出現(xiàn)。同時(shí)，紅外遙感圖像存在不同程度的噪聲和多種形式的干擾，例如海水波動(dòng)、云團(tuán)、小島、淺灘、陸地復(fù)雜邊緣等。直接利用傳統(tǒng)的雙參數(shù)恒虛警算法（CFAR）[13]會(huì)產(chǎn)生很多虛假目標(biāo)。因此，在檢測(cè)之前有必要應(yīng)先對(duì)艦船目標(biāo)進(jìn)行增強(qiáng)，以提高檢測(cè)的準(zhǔn)確性。

艦船目標(biāo)增強(qiáng)的目的在于提升目標(biāo)在紅外遙感圖像中的信雜比，以便在增強(qiáng)后的圖像中目標(biāo)與背景雜波的對(duì)比度更強(qiáng)，更有利于準(zhǔn)確檢測(cè)。在紅外遙感圖像中，艦船目標(biāo)的信號(hào)強(qiáng)度就是目標(biāo)像素的灰度，它所反映的是目標(biāo)的紅外輻射強(qiáng)度，由目標(biāo)溫度決定并受成像時(shí)刻大氣衰減的影響；背景包含的因素多而且復(fù)雜，因此普遍采用統(tǒng)計(jì)的方法加以描述，常用的統(tǒng)計(jì)量是背景輻射的均值和標(biāo)準(zhǔn)偏差。

假設(shè)艦船目標(biāo)的信號(hào)強(qiáng)度為tg，背景輻射強(qiáng)度的均值為bm，背景輻射強(qiáng)度的標(biāo)準(zhǔn)偏差為bσ，艦船目標(biāo)的信雜比SCR定義為

mb和σb有兩種統(tǒng)計(jì)方法：一是統(tǒng)計(jì)待分析的整幅圖像的均值和標(biāo)準(zhǔn)偏差；二是在局部的背景掩模中統(tǒng)計(jì)。圖1是在局部范圍內(nèi)統(tǒng)計(jì)信雜比常用的一種掩模，其中心方格為待分析的目標(biāo)像素，外圍方格為背景區(qū)域，兩者之間有保護(hù)區(qū)域防止目標(biāo)信號(hào)對(duì)背景統(tǒng)計(jì)特性造成影響。

圖1 在局部范圍內(nèi)計(jì)算信雜比的掩模

利用頻譜殘留變換增強(qiáng)艦船目標(biāo)的信雜比，關(guān)鍵在于根據(jù)艦船目標(biāo)、自然背景干擾和圖像噪聲的特性，合理選擇帶通濾波器的類型及濾波器參數(shù)。簡(jiǎn)便起見(jiàn)，本文選擇高斯型的帶通濾波器，其頻率響應(yīng)函數(shù) B P（ f）可以表示為

對(duì)于 512×512的FFT變換，當(dāng) f0=1.8404,Δ f = 0.3682時(shí)，帶通濾波器的頻率響應(yīng)函數(shù)如圖2所示。由于陸地、云團(tuán)、海水、復(fù)雜陸岸邊緣等自然背景干擾屬于圖像中的低頻慢變化成份，噪聲屬于圖像中的高頻成份，因此帶通濾波器在去除背景干擾和抑制噪聲方面具有明顯的優(yōu)勢(shì)。

若紅外遙感圖像中，艦船目標(biāo)的尺度大于lmin而小于lmax，根據(jù)離散傅里葉變換理論，當(dāng)采用 512×512的FFT變換時(shí)，目標(biāo)對(duì)應(yīng)的空間頻率分別為π/lmin和π/lmax。因此，帶通濾波器的中心頻率f0和截止頻率Δf可以分別取為

圖2 高斯型帶通濾波器（f0 =1.8404rad, Δ f =0.3682rad）

根據(jù)上述參數(shù)設(shè)計(jì)的帶通濾波器，能夠在去除低頻慢變化背景干擾和高頻噪聲的同時(shí)，較好地保留目標(biāo)特征信息，從而有效提高目標(biāo)的信雜比。

3 艦船目標(biāo)的檢測(cè)

經(jīng)過(guò)增強(qiáng)處理之后，圖像中的自然背景干擾和噪聲得到抑制，艦船目標(biāo)的信號(hào)得到增強(qiáng)。原始圖像中的目標(biāo)無(wú)論是亮目標(biāo)還是暗目標(biāo)，在增強(qiáng)后的圖像中都表現(xiàn)為亮目標(biāo)，這為采取統(tǒng)一的檢測(cè)算法創(chuàng)造了便利。

目前，用于艦船檢測(cè)算法主要包括：CFAR及其改進(jìn)算法[6,13-15]、SUMO算法[16]、KSW算法等[17]。其中，CFAR算法由于計(jì)算簡(jiǎn)潔、閾值選取的自適應(yīng)等優(yōu)點(diǎn)，成為目前研究最深入、最廣泛、最實(shí)用的一類算法。本文也采用CFAR算法進(jìn)行艦船目標(biāo)檢測(cè)。

CFAR算法的具體實(shí)現(xiàn)過(guò)程是：在給定的虛警概率條件下，首先由目標(biāo)所處周圍背景雜波的統(tǒng)計(jì)特性自適應(yīng)求取檢測(cè)閾值，然后將待檢測(cè)像素和自適應(yīng)閾值進(jìn)行比較，判斷其是否為目標(biāo)點(diǎn)。并通過(guò)參考窗口的滑動(dòng)，實(shí)現(xiàn)對(duì)所有像素的自適應(yīng)檢測(cè)。

具體來(lái)說(shuō)，若中心像素（i, j） 的強(qiáng)度為g（i,j），背景雜波的均值和標(biāo)準(zhǔn)偏差分別為m（i,j）和 σ（i,j），根據(jù)背 景 雜波自 適應(yīng) 求 取的 檢 測(cè)閾值 為 t（i,j）= m（i,j）+k?σ（i,j），那么對(duì)中心像素（i, j） 的檢測(cè)結(jié)果d（i,j）為

目標(biāo)周圍背景雜波的統(tǒng)計(jì)特性由目標(biāo)像素周圍參考窗口內(nèi)的像素確定，采用圖1所示的空心滑動(dòng)窗口。這樣可以在估計(jì)目標(biāo)周圍背景雜波模型參數(shù)時(shí)，去除目標(biāo)像素對(duì)雜波模型參數(shù)估計(jì)的影響。

滑動(dòng)窗口的大小應(yīng)根據(jù)目標(biāo)尺度確定。例如，若目標(biāo)大小為10像素，則滑動(dòng)窗口的大小應(yīng)不小于23×23。只有這樣，保護(hù)區(qū)域才能真正發(fā)揮作用。

4 實(shí)驗(yàn)結(jié)果

實(shí)驗(yàn)部分首先將本文提出的頻譜殘留變換與文獻(xiàn)[8]的譜殘留模型進(jìn)行對(duì)比分析；然后分析利用頻譜殘留變換進(jìn)行艦船目標(biāo)增強(qiáng)的效果；最后分析艦船目標(biāo)檢測(cè)的實(shí)際效果。

4.1 頻譜殘留變換與譜殘留模型的對(duì)比分析

2.1 節(jié)指出，在文獻(xiàn)[8]的譜殘留模型中，式（3）～式（5）的計(jì)算并非必要?；谶@一發(fā)現(xiàn)，作者才提出了新的頻譜殘留模型。這一節(jié)通過(guò)實(shí)驗(yàn)對(duì)上述結(jié)論進(jìn)行驗(yàn)證。

實(shí)驗(yàn)采用的原始圖像如圖 3（a）所示，圖像大小為512×512，圖像中的背景是慢變化的云層，目標(biāo)是進(jìn)行飛行表演的7架飛機(jī)。圖3（b）是按照式（1）～式（5）得到的顯著圖，圖 3（c）是按照式（6）～式（8）得到的顯著圖，圖 3（d）是兩種顯著圖殘差的圖像表示，圖3（e）是兩個(gè)顯著圖殘差的3維表示。

通過(guò)人眼觀察圖 3（b）和圖 3（c）可以看出：兩種計(jì)算模型得到的顯著圖在視覺(jué)感受上非常接近。從圖 3（d）可以看出：在兩種顯著圖的殘差圖像中蘊(yùn)含的有意義的目標(biāo)信息非常有限，說(shuō)明兩種顯著圖非常接近。從圖 3（e）可以看出：兩種顯著圖的殘差是取值范圍在[-3, 1]區(qū)間的隨機(jī)值，進(jìn)一步說(shuō)明兩種顯著圖的相似性。

表1是圖3（a）中7個(gè)飛機(jī)（由左至右編號(hào)）在不同顯著圖中的信雜比。計(jì)算信雜比的方法是：以顯著圖中目標(biāo)區(qū)域的最大亮度作為目標(biāo)信號(hào)強(qiáng)度，以33×33的滑動(dòng)窗口最外層像素作為背景區(qū)域估計(jì)背景均值和標(biāo)準(zhǔn)偏差，采用式（9）計(jì)算信雜比。由表 1的數(shù)據(jù)可以看出：顯著圖中目標(biāo)的信雜比相比原始圖像有了顯著提升，兩種顯著圖中對(duì)應(yīng)目標(biāo)的信雜比較為接近，基于本文方法得到的目標(biāo)信雜比普遍更高。這表明：兩種計(jì)算模型都有增強(qiáng)目標(biāo)信雜比的功能，本文提出的計(jì)算模型具有與文獻(xiàn)[8]的計(jì)算模型相當(dāng)甚至更優(yōu)的效果，也從另一個(gè)方面解釋了圖3（d）殘差圖像中的目標(biāo)信號(hào)產(chǎn)生的原因。

表2給出了兩種計(jì)算模型完成上述運(yùn)算所需的時(shí)間。由于本文提出的變換無(wú)需計(jì)算對(duì)數(shù)幅度譜，無(wú)需進(jìn)行頻率的低通濾波，無(wú)需進(jìn)行頻域的指數(shù)運(yùn)算，也無(wú)需進(jìn)行空域的高斯濾波，因而計(jì)算速度較文獻(xiàn)[8]的方法有非常明顯的提高。

表1 兩種顯著圖中目標(biāo)的信雜比

表2 兩種計(jì)算模型的耗時(shí)

4.2 艦船目標(biāo)增強(qiáng)結(jié)果

這一節(jié)分析艦船目標(biāo)的增強(qiáng)效果。主要從視覺(jué)效果和增強(qiáng)前后艦船目標(biāo)的信雜比變化兩方面進(jìn)行分析。

圖3 兩種計(jì)算模型得到的顯著圖及其差異

實(shí)驗(yàn)采用兩種紅外圖像：圖 4（a）是美國(guó)Landsat5拍攝的近紅外圖像，有明顯的條紋噪聲，空間分辨率30 m，包含2個(gè)艦船目標(biāo)（按從左至右方式編為“艦船 1”和“艦船 2”）；圖 5（a）是機(jī)載中波紅外圖像，分辨率優(yōu)于1 m，包含3個(gè)艦船目標(biāo)（按從左至右方式編為“艦船 1”、“艦船 2”、“艦船 3”）。圖 4（b）和圖 5（b）是采用譜殘留模型得到的艦船目標(biāo)增強(qiáng)結(jié)果。圖 4（c）和圖 5（c）是采用本文方法分別針對(duì)兩種紅外圖像得到的艦船目標(biāo)增強(qiáng)結(jié)果。表3是兩種方法針對(duì)Landsat5-Band5近紅外圖像提升艦船目標(biāo)信雜比的情況。表4是兩種方法針對(duì)機(jī)載中波紅外圖像提升艦船目標(biāo)信雜比的情況。

由圖4的實(shí)驗(yàn)結(jié)果可以看出，經(jīng)過(guò)目標(biāo)增強(qiáng)處理之后，圖像中包含的條紋噪聲得到明顯抑制，艦船目標(biāo)的信號(hào)強(qiáng)度得到顯著提升。由圖5的實(shí)驗(yàn)結(jié)果可以看出，經(jīng)過(guò)目標(biāo)增強(qiáng)處理之后，圖像中包含的陸地干擾也得到明顯抑制，艦船目標(biāo)在整個(gè)圖像中的信號(hào)強(qiáng)度提升非常顯著。表3和表4的數(shù)據(jù)進(jìn)一步表明：兩種增強(qiáng)算法在提升目標(biāo)信號(hào)強(qiáng)度方面具有顯著的效果，其中本文方法效果尤為突出。

4.3 艦船目標(biāo)檢測(cè)結(jié)果

這一節(jié)在艦船目標(biāo)增強(qiáng)的基礎(chǔ)上進(jìn)行目標(biāo)檢測(cè)實(shí)驗(yàn)。CFAR算法的滑動(dòng)窗口的大小為33×33，形狀如圖1所示，計(jì)算檢測(cè)閾值 t（i,j）= m（i,j）+ k ? σ（i,j）的參數(shù) k =10。圖6（b）和圖7（b）分別是CFAR算法基于原始圖像得到的檢測(cè)結(jié)果；圖 6（c）和圖 7（c）分別是CFAR算法基于本文方法增強(qiáng)后的圖像得到的檢測(cè)結(jié)果。

表3 Landsat5-Band5近紅外圖像中艦船目標(biāo)的信雜比

表4 機(jī)載中波紅外圖像中艦船目標(biāo)的信雜比

圖6的結(jié)果表明：在相同的檢測(cè)閾值條件下，基于原始圖像的CFAR算法漏檢了1個(gè)目標(biāo)，而基于增強(qiáng)圖像的CFAR算法成功檢出了所有目標(biāo)。圖7的實(shí)驗(yàn)結(jié)果表明：在相同的檢測(cè)閾值下，基于原始圖像的CFAR算法出現(xiàn)了6個(gè)虛警，而基于增強(qiáng)圖像的CFAR算法則只出現(xiàn)了3個(gè)虛警。這兩組實(shí)驗(yàn)表明：本文方法由于在檢測(cè)前對(duì)目標(biāo)進(jìn)行了增強(qiáng)處理，在此基礎(chǔ)上采用CFAR檢測(cè)比直接在原始圖像上進(jìn)行目標(biāo)檢測(cè)具有更高的檢測(cè)率和更低的虛警率。

5 結(jié)束語(yǔ)

隨著我國(guó)高分辨率對(duì)地觀測(cè)系統(tǒng)重大專項(xiàng)的實(shí)施，從海量的高分辨率紅外遙感圖像中自動(dòng)、準(zhǔn)確、快速地識(shí)別出感興趣目標(biāo)，將成為制約我國(guó)航天偵察裝備充分發(fā)揮效能的技術(shù)瓶頸，迫切需要科研人員提出有效的解決辦法。

本文研究了紅外遙感圖像中艦船目標(biāo)的檢測(cè)問(wèn)題?；舅悸肥窍仍鰪?qiáng)艦船目標(biāo)的信號(hào)強(qiáng)度，再進(jìn)行目標(biāo)檢測(cè)。在譜殘留模型的啟發(fā)下，本文提出了一種新的頻譜殘留變換模型，并通過(guò)視覺(jué)觀察、殘差分析、信雜比測(cè)算等方法分析了這種變換模型在增強(qiáng)效果、計(jì)算量方面所具有的優(yōu)勢(shì)。在此基礎(chǔ)上，研究了利用頻譜殘留變換進(jìn)行紅外遙感圖像艦船目標(biāo)增強(qiáng)的技術(shù)，提出了模型參數(shù)的設(shè)計(jì)方法，并通過(guò)實(shí)驗(yàn)驗(yàn)證了利用該方法去除背景干擾和圖像噪聲的可行性。進(jìn)一步，研究了基于目標(biāo)增強(qiáng)結(jié)果檢測(cè)艦船目標(biāo)的技術(shù)，并與直接在原始圖像上進(jìn)行檢測(cè)的方法進(jìn)行了對(duì)比，實(shí)驗(yàn)結(jié)果表明，本文提出的檢測(cè)方法具有更高的準(zhǔn)確性。

圖4 對(duì)Landsat5-Band5紅外圖像的增強(qiáng)結(jié)果

圖5 對(duì)機(jī)載中波紅外圖像的增強(qiáng)結(jié)果

圖6 對(duì)Landsat5-Band5紅外圖像的檢測(cè)結(jié)果

圖7 對(duì)機(jī)載中波紅外圖像的檢測(cè)結(jié)果

現(xiàn)有研究需要深入和完善的地方在于：（1）分析頻譜殘留變換結(jié)果中圖像高頻隨機(jī)噪聲產(chǎn)生的原因，并在模型中加以修正；（2）有必要根據(jù)艦船目標(biāo)的圖像特性深入研究帶通濾波器的選型和參數(shù)設(shè)計(jì)，完善濾波器選型和模型參數(shù)設(shè)計(jì)的理論。

[1] Cheng Gong, Han Jun-wei, Guo Lei, et al.. Object detection in remote sensing imagery using a discriminatively trained mixture model[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2013, （85）: 32-43.

[2] Cheng Gong, Han Jun-wei, Zhou Pei-cheng, et al.. Multiclass geospatial object detection and geographic image classification based on collection of part detectors[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2014, （98）:119-132.

[3] Han Jun-wei, Zhou Pei-cheng, Zhang Ding-wen, et al..Efficient, simultaneous detection of multi-class geospatial targets based on visual saliency modeling and discriminative learning of sparse coding[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2014, （89）: 37-48.

[4] An Zhen-yu, Shi Zhen-wei, Teng Xichao, et al.. An automated airplane detection system for large panchromaticimage with high spatial resolution[J]. Optik-International Journal for Light and Electron Optics, 2014,125（12）: 2768-2775.

[5] Zhang Wan-ceng, Sun Xian, Wang Hong-qi, et al.. A generic discriminative part-based model for geospatial object detection in optical remote sensing images[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2015, 99（1）: 30-44.

[6] 張亮. SAR 圖像艦船目標(biāo)檢測(cè)方法研究[D]. [碩士論文], 國(guó)防科學(xué)技術(shù)大學(xué), 2007.Zhang Liang. Detection of ship in SAR image[D]. [Master dissertation], National University of Defense Technology,2007.

[7] 陳海亮. 基于特征的光學(xué)遙感圖像艦船目標(biāo)檢測(cè)技術(shù)研究[D].[碩士論文], 國(guó)防科學(xué)技術(shù)大學(xué), 2010.Chen Hai-liang. Feature based method for ship detection in optical remote sensing image[D]. [Master dissertation],Graduate School of National University of Defense Technology, 2010.

[8] Hou X and Zhang L. Saliency detection: a spectral residual approach[C]. Proceedings of the 2007 IEEE Conference on Computer Vision and Pattern Recognition （CVPR 2007）,Minneapolis, Minnesota, USA, 2007: 1-8.

[9] Harel J, Koch C, and Perona P. Graph-based visual saliency[C]. Proceedings of the 20th Neural Information Processing Systems （NIPS 2006）, Vancouver, British Columbia, Canada, 2006: 545-552.

[10] Achanta R, Estrada F, Wils P, et al.. Salient region detection and segmentation[C]. Proceedings of the 6th International Conference on Computer Vision Systems （ICVS 2008）,Santorini, Greece, 2008: 66-75.

[11] Achanta R, Hemami S, Estrada F, et al.. Frequency-tuned salient region detection[C]. Proceedings of the 2009 Computer Vision and Pattern Recognition, 2009（CVPR 2009）, Miami, Florida, USA, 2009: 1597-1604.

[12] Itti L, Koch C, and Niebur E. A model of saliency-based visual attention for rapid scene analysis[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence,1998, 20（11）: 1254-1259.

[13] 許軍毅, 計(jì)科峰, 雷琳, 等. 基于GLRT的光學(xué)衛(wèi)星遙感圖像艦船目標(biāo)檢測(cè)[J]. 遙感技術(shù)與應(yīng)用, 2012, 27（4）: 616-622.Xu Jun-yi, Ji Ke-feng, Lei Lin, et al.. Ship target detection from optical satellite remote sensing image based on GLRT[J]. Remote Sensing Technology and Application, 2012, 27（4）:616-622.

[14] Smith M E and Varshney P K. Intelligent CFAR processor based on data variability[J]. IEEE Transactions on Aerospace and Electronic Systems, 2000, 36（3）: 837-847.

[15] Farrouki A and Barkat M. Automatic censoring CFAR detector based on ordered data variability for nonhomogeneous environments[J]. IEE Proceedings-Radar,Sonar and Navigation, 2005, 152（1）: 43-51.

[16] Harm G. Developments in detection algorithms at JRC[C].The Third Meeting of the DECLIMS Project, Vancouver, BC,2004: 1-7.

[17] 唐沐恩, 林挺強(qiáng), 文貢堅(jiān). 遙感圖像中艦船檢測(cè)方法綜述[J].計(jì)算機(jī)應(yīng)用研究, 2011, 28（1）: 29-36.Tang Mu-en, Lin Ting-qiang, and Wen Gong-jian. Overview of ship detection methods in remote sensing image[J].Application Research of Computers, 2011, 28（1）: 29-36.