前視紅外圖像中海岸線與海天線的通用檢測方法研究

仇榮超， 呂俊偉， 宮劍， 修炳楠， 馬新星， 劉思彤

(1.海軍航空大學， 山東 煙臺 264001; 2.空軍西安飛行學院 空中特種勤務系， 陜西 西安 710300)

0 引言

海岸線與海天線檢測是前視紅外成像型反艦導彈末制導技術中的關鍵技術，反艦導彈發(fā)射后飛行高度較低，加上地球曲率的影響，當遠處的艦船目標進入紅外成像探測器的視場范圍時，總是最先出現(xiàn)在海岸線與海天線附近，然后逐漸運動至海面區(qū)域中[1]。因此，海岸線與海天線是海面場景圖像中的重要信息，通過確定海岸線與海天線的準確位置，能夠有效地縮小艦船目標的搜索范圍，抑制岸島、云層以及天空等背景的干擾，提高后續(xù)艦船目標檢測的時效性、準確性以及抗干擾能力。

目前，國內(nèi)外許多學者對前視光學圖像中的海天線檢測方法進行了研究。劉士建等[2]提出了一種基于Laplacian模板與數(shù)學形態(tài)學結合的預處理方法來增強海面與天空的灰度差，設計了一種斜線查找矩陣來檢測海天線；Kim等[3]基于隨機采樣一致性算法對海天線進行了擬合；Zou等[4]提出了一種基于剪切波變換的海天線檢測方法，該方法基于圖像邊緣的梯度方向信息來識別海天線，計算復雜度非常高；梁世花等[5]將Seam Carving原理引入圖像中最高能量線的檢測，通過計算圖像中像素點的梯度幅值并搜索最高能量線來辨識海天線；王博等[6]通過計算梯度顯著性來增強海天線的直線特征，采用區(qū)域生長的方法實現(xiàn)了海天線的檢測；安博文等[7]對圖像進行梯度運算并使用Otsu算法分割圖像，用Hough變換檢測海天線；戴永壽等[8]提出了基于局部Otsu分割與Hough變換的海天線檢測方法；曾文靜等[9]結合周圍紋理抑制的Canny邊緣檢測和Hough變換實現(xiàn)了海天線的檢測；Tang等[10]提出了一種基于Randon變換的海天線檢測方法，該方法面臨與Hough變換同樣的問題，計算量仍然偏大而且難以確定直線段的端點；孫熊偉等[11]基于雙邊濾波原理對圖像進行了保邊濾波去噪，利用LoG算子增強濾波邊緣響應，最后基于圖像邊緣相位編碼實現(xiàn)了海天線的檢測，但計算量仍然較大。

綜上所述，目前方法大多數(shù)都基于圖像鄰近像素的梯度幅值特征來實現(xiàn)海天線的檢測，當面對存在復雜岸島背景干擾的海岸場景紅外圖像或者存在云層、條狀波浪等干擾且清晰度低、對比度低的海天場景紅外圖像時，海岸線與海天線的準確檢測將變得困難。

本文在分析前視紅外圖像中海岸線與海天線特征基礎上，提出一種海岸線與海天線的通用檢測方法?；诜e分圖像，采用箱式濾波器從大尺度上來增強圖像梯度顯著性；通過行掃描方式得到梯度顯著性累加值最大的區(qū)域，確定出海岸線與海天線區(qū)域。在海岸線與海天線區(qū)域內(nèi)逐列尋找梯度顯著性極值點并對所有的極值點進行多項式迭代擬合，得到準確的海岸線與海天線?；趯嶋H采集的紅外圖像對本文方法進行了驗證分析。

1 前視紅外圖像中海岸線與海天線的特點

圖1(a)所示的遠距離前視紅外圖像中，海面和岸島區(qū)域的交界線即為海岸線(對應圖中的紅色直線段)。當受到岸島不規(guī)則形狀、海浪起伏以及成像角度等因素影響時，海岸線呈現(xiàn)為近似直線的曲線。

圖1 前視紅外海面場景圖像Fig.1 FLIR images of sea scene

圖1(b)所示的遠距離前視紅外圖像中，海面和天空區(qū)域的交界線即為海天線(對應圖中的紅色直線段)。由于海面潮濕空氣對紅外輻射的散射和吸收作用，紅外圖像中的海天線通常呈現(xiàn)為模糊不清的近似直線。對于海天場景，當海面存在較強的條狀海浪干擾、亮帶干擾或者高輻射云層干擾時，海天線的檢測會受到較強的背景邊緣干擾；對于海岸場景，海岸線的檢測還會受到復雜島岸背景邊緣的干擾。

在實際工作時，雖然前視紅外遠距離探測系統(tǒng)被安裝在穩(wěn)定平臺上，但依然不可避免地存在輕微的角運動，因此圖像中的海岸線或海天線可能存在較小的水平方向傾斜角，但傾斜角不會超過5°[2]。

2 海岸線與海天線檢測算法流程

2.1 梯度顯著性增強

當受到海面潮濕空氣的散射和吸收時，海岸線與海天線的漸變帶時常比較模糊，從小尺度上來分析，海岸線與海天線的漸變帶沒有明顯的梯度，直接對圖像做梯度顯著性增強時，海岸線與海天線處的邊緣特征可能并不明顯，而高輻射的云層、亮帶、海浪、島岸等處則可能產(chǎn)生大量的強干擾邊緣特征，但是從大尺度上來分析，無論是海面與天空之間還是海面與岸島之間，均存在明顯的熱輻射差異，從大尺度上來對圖像進行梯度顯著性增強，可以得到顯著的海岸線與海天線的水平邊緣特征。

本文在對原始紅外圖像構建積分圖像后，采用箱式濾波器從大尺度上增強海岸線與海天線的梯度顯著性，具體步驟如下：

1)構建積分圖像?；诩t外圖像I構建積分圖像U后，可快速計算圖像I中任意矩形區(qū)域內(nèi)所有像素的灰度值之和，積分圖像U中任意像素點的灰度值U(m,n)表示為當前像素點和圖像左上角所圍成矩形區(qū)域內(nèi)所有像素點的灰度值之和：

(1)

式中：i、j分別表示圖像I中的行列坐標；m、n分別表示圖像U中的行列坐標，1≤m≤M,1≤n≤N，M、N分別為紅外圖像I的行數(shù)和列數(shù)。

已知圖像I中任意矩形區(qū)域R的左上角行列坐標為(ml,nl)、右下角行列坐標為(mr,nr)，通過積分圖像U計算矩形區(qū)域R內(nèi)所有像素的灰度值之和Sum(R)：

Sum(R)=U(ml,nl)+U(mr,nr)-
U(ml,nr)-U(mr,nl).

(2)

2)增強圖像的梯度顯著性。如圖2所示，梯度顯著性增強模板為本文采用的箱式濾波器，模板的長和高分別為W、2W，假設模板中黑色矩形對應圖像區(qū)域A，白色矩形對應圖像區(qū)域B，借助積分圖像可以快速計算矩形區(qū)域A和區(qū)域B內(nèi)所有像素的灰度值之和，則模板中心圖像像素點I(m,n)的梯度顯著性V(m,n)的計算公式為

V(m,n)=|(Sum(A)-Sum(B))|.

(3)

圖2 梯度顯著性增強模板Fig.2 Enhancement template of gradient saliency

通過箱式濾波器計算圖像中像素點的垂直梯度顯著性，旨在從大尺度上增強圖像中海岸線與海天線的水平邊緣特征。通過不同尺寸的梯度顯著性增強模板遍歷圖像，計算出每個像素點的梯度顯著性并進行歸一化處理，即可得到不同尺度下圖像的梯度顯著圖V.

2.2 海岸線與海天線潛在區(qū)域確定

如圖3(a)和圖3(b)中的紅色矩形框所示，由于海岸線與海天線存在一定的傾斜角，定義海岸線與海天線外接矩形框內(nèi)的圖像區(qū)域為海岸線與海天線區(qū)域。如圖3(c)和圖3(d)所示，在經(jīng)過梯度顯著性增強后，海岸線與海天線附近像素的梯度顯著性通常較強。

圖3 海岸線與海天線區(qū)域Fig.3 Area of coastline/sea-sky line

通過矩形框從上至下逐行滑動，遍歷梯度顯著圖，統(tǒng)計矩形框內(nèi)像素的梯度顯著性累加值，確定海岸線與海天線區(qū)域。具體步驟如下：

1)構建積分圖。依據(jù)梯度顯著圖V構建積分圖像G，

(4)

2)計算海岸線與海天線區(qū)域的范圍。如圖3(a)和圖3(b)中的紅色矩形框所示，假設海岸線與海天線區(qū)域的長和高分別為L、H，海岸線與海天線的傾斜角度不超過5°，據(jù)此可以計算出海岸線與海天線的最大外接矩形框尺寸為

(5)

圖4 矩形區(qū)域內(nèi)像素梯度顯著性累加Fig.4 Statistic of gradient saliency in rectangular region

3)逐行滑動統(tǒng)計矩形區(qū)域內(nèi)像素的梯度顯著性。如圖4所示，設定矩形框的長和寬分別為L、H，對于圖像中的第i行，以i行為矩形框的行坐標中心，則矩形區(qū)域R的左上角行列坐標為(i-H/2,1)，右下角行列坐標為(i+H/2,L)，基于積分圖像G統(tǒng)計矩形區(qū)域R內(nèi)像素的梯度顯著性累加值S(i)：

S(i)=G(i+H/2,L)+G(i-H/2,1)-

G(i-H/2,L)-G(i+H/2,1),i=1,2,…,M.

(6)

從上到下逐行滑動矩形框，遍歷梯度顯著圖統(tǒng)計矩形區(qū)域內(nèi)的像素梯度顯著性累加值，得到數(shù)組S.

4)確定海岸線與海天線潛在區(qū)域。如圖5(b)所示為梯度顯著性累加數(shù)組S的曲線，其中最大值點的坐標對應海岸線潛在區(qū)域B(左側紅色矩形框)所處的行坐標P，

P=max[S(i)]，i=1,2,…,M.

(7)

海岸線潛在區(qū)域B的左上角行列坐標為(P-H/2,1)、右下角行列坐標為(P+H/2,L)。

圖5 海岸線潛在區(qū)域確定示意圖Fig.5 Schematic diagram of determining the potential area of coastline

2.3 海岸線與海天線擬合

在確定海岸線與海天線潛在區(qū)域B后，需要進一步確定海岸線與海天線的準確位置。具體步驟如下：

1)在潛在區(qū)域內(nèi)逐列尋找最大梯度顯著性像素。由于海岸線與海天線處像素的梯度顯著性通常要高于附近像素的梯度顯著性，如圖5(a)梯度顯著圖像內(nèi)矩形框區(qū)域所示，在海岸線與海天線潛在區(qū)域B對應的梯度顯著圖g中尋找每一列中梯度顯著性最大的像素，將其作為海岸線與海天線上的像素，第j列中梯度顯著性最大的像素坐標(xj,yj)如下：

(8)

由此可得到海岸線與海天線的初始像素點坐標集[X;Y]，其中X={xj,j=1,2,…,N},Y={yj,j=1,2,…,N}。

2)由多項式迭代擬合海岸線與海天線。受噪聲、艦船遮擋、島岸背景等不確定因素的影響，上述所得海岸線與海天線的初始像素點坐標集中存在一些錯誤值。為了準確擬合海岸線與海天線，對初始坐標集[X;Y]進行多項式迭代擬合，以剔除初始坐標集中錯誤的坐標點，盡可能獲得海岸線與海天線的準確位置。實施步驟如下：

步驟1選取合適的擬合函數(shù)f，設置擬合多項式的次數(shù)n.

3 實驗驗證與結果分析

為了驗證本文算法的有效性，對實際采集的中波紅外圖像進行仿真測試，圖像分辨率為320×256，圖像灰度級為16 bit，圖像采集時間覆蓋日出前、日出后、正午、日落前等多個時段，圖像場景包含海岸背景和海天背景。實驗在Intel(R) Core(TM) i7-6700K CPU 4 GHz處理器以及32 G內(nèi)存的PC機上使用MATLAB R2014a軟件進行。

采用本文的梯度顯著性增強方法對示例圖像進行不同尺度的梯度顯著性增強，梯度顯著性增強模板的尺寸分別為6×3、10×5、14×7，并與Sobel算子、LoG算子的梯度顯著性增強結果進行了對比。表1為3幅海面場景的紅外示例圖像。

表1 梯度顯著性增強結果

Tab.1 Enhanced results of gradient saliency

如表1所示，對于海岸場景圖像，由于島岸背景復雜，在海岸線邊緣特征得到增強的同時，島岸背景中的許多邊緣特征也得到了增強。對于海天場景圖像，海天線較為模糊，海天線鄰近的像素灰度差異較小，由于基于Sobel算子與LoG算子的梯度顯著性增強方法僅考慮鄰近像素的灰度差異性，并不能有效增強海天線的邊緣特征；本文方法考慮的是海天線鄰近區(qū)域的灰度差異性，能夠更好地增強海天線的邊緣特征。當濾波模板尺寸較小時，海岸線與海天線的邊緣特征不能得到有效增強，當濾波模板尺寸較大時，海岸線與海天線的定位準確率會降低，綜合考慮邊緣特征的增強效果和定位的準確率，本文后續(xù)實驗采用尺寸為10×5的濾波模板。

表2所示為表1中3幅示例圖像的海岸線與海天線檢測結果。由表2可知：對于梯度顯著性累加數(shù)組曲線，曲線最大值點所在的橫坐標對應的就是海岸線與海天線潛在區(qū)域所處的行坐標；對于初始海岸線與海天線，受島岸不規(guī)則形狀、艦船遮擋、圖像模糊等因素影響，初始的海岸線與海天線定位不夠準確，因此需要對其進行多項式迭代擬合。本文設定擬合多項式次數(shù)為1，σ=3，觀察擬合后的海岸線與海天線可知，本文確定的海岸線與海天線和實際的海岸線與海天線位置基本一致，偏差較小，準確反映了實際海岸線與海天線的真實走勢。

如表3所示的10組示例圖像包含了海岸場景以及海天場景下的多種復雜環(huán)境，涵蓋了云層、海面雜波、太陽反射、復雜島岸背景干擾以及海天線模糊且局部對比度低的情況。采用Hough變換、Radon變換以及本文方法，針對10組示例圖像進行海岸線與海天線檢測實驗。同時，為了體現(xiàn)本文梯度顯著性增強的優(yōu)越性，將梯度顯著性增強與Hough變換和Radon變換相結合，對10組圖像進行實驗并進行實驗結果對比。其中，進行Hough變換時，取變換空間中前5個峰值點并將它們映射為圖像空間中的直線段(圖像中的藍色線段)，并將長度最長的線段重新擬合，得到海岸線與海天線(圖像中的紅色直線)。受圖像中島岸、云層、條狀波浪等背景干擾的影響以及圖像二值化閾值難以確定的問題，Hough會產(chǎn)生許多虛假直線段，給海岸線與海天線的辨識造成極大的困難，檢測效果并不理想。Radon變化針對梯度圖像，采用線積分的方式，雖然辨識邊緣的能力稍強于Hough變換，但存在與Hough變換類似的問題，在檢測結果中會存在大量的虛假直線段，且實時性更差。由于本文提出的梯度顯著性增強策略可以有效增強圖像中的海岸線與海天線邊緣，因而，結合梯度顯著性增強的Hough變換和Radon變換的方法可以更好地克服背景的干擾以及海天線模糊的問題，檢測出圖像中的海岸線與海天線，進一步表明了本文提出的梯度顯著性增強策略的有效性。最后，本文提出的海岸線與海天線檢測方法能夠在多種干擾因素下準確檢測出海岸線與海天線的位置，可以更加準確地擬合出海岸線與海天線的走勢，對于海岸線與海天線的辨識能力顯著優(yōu)于Hough變換和Radon變換2種方法。

表2 海岸線與海天線檢測結果

Tab.2 Detected results of coastline and sea-sky line

下面以檢測概率和檢測時間2個指標來客觀評價本文方法的海岸線與海天線檢測性能，其中，海岸線與海天線準確檢測的依據(jù)是檢測結果能夠覆蓋真實海岸線與海天線的50%以上。分別采用Hough變換、Radon變換、梯度顯著性增強+Hough變換、梯度顯著性增強+Radon變換以及本文方法，對100幅紅外圖像進行測試，表4所示為不同方法檢測性能對比。由表4可見：基于梯度顯著性增強的Hough變換和Radon變換方法分別優(yōu)于原始的Hough變換和Radon變換方法，可以看出本文梯度顯著性增強的有效性；而本文算法的檢測概率則優(yōu)于前述所有的方法，并且由于本文借助了積分圖像的優(yōu)勢，運算量小，平均每幅圖像的處理時間只需要7 ms，可以更好地滿足實際應用中的實時性要求。

表3 海岸線與海天線檢測結果對比

Tab.3 Comparison of detected results of coastline and sea-sky line

表4 不同方法檢測性能對比

指標Hough變換Radon變換梯度顯著性增強+Hough變換梯度顯著性增強+Radon變換本文方法檢測概率/%4369519196檢測時間/ms317533777

4 結論

本文針對前視紅外海面場景圖像中海岸線與海天線的檢測問題，在分析前視紅外圖像中海岸線與海天線特點前提下，提出了一種海岸線與海天線的通用檢測方法。該方法首先借助箱式濾波器和積分圖像，從大尺度上增強海岸線與海天線的邊緣特征，避免了在小尺度上無法有效增強海岸線與海天線邊緣特征的問題，為后續(xù)的海岸線與海天線準確檢測奠定了基礎。通過實際采集的前視紅外場景圖像對本文方法進行了驗證和分析，結果表明本文方法在檢測準確率和實時性方面都顯著優(yōu)于Hough變換和Radon變換方法。

在下一步研究工作中，如何優(yōu)化本文方法并將其部署到硬件平臺上，是需要開展的重點工作之一。