基于SRM分割和分層線段特征的船舶目標(biāo)檢測方法

齊 亮,陳牮華,王 東,陳連凱,王 偉,董 梁

(1.江蘇科技大學(xué) 電子信息學(xué)院,鎮(zhèn)江 212000) (2.江蘇科技大學(xué) 教務(wù)處,鎮(zhèn)江 212000)

近年來,隨著我國高分辨率遙感衛(wèi)星的上天,關(guān)系到國家的安全和經(jīng)濟(jì)的發(fā)展,船舶目標(biāo)檢測的研究在海洋遙感領(lǐng)域得到高度重視．對于海上交通安全具有重要意義,包括監(jiān)控特定海域與特定港口．船舶檢測可以用于遇難船舶的救援工作,打擊非法捕魚船舶、非法傾倒垃圾船舶、打擊走私船舶以及打擊海盜等行為，從而大大提高近海地區(qū)的海運(yùn)管理能力和調(diào)度能力．保護(hù)海上資源開發(fā)、探測未深海資源,以及海上防災(zāi)救災(zāi),高分辨率遙感船舶檢測己經(jīng)成為海洋監(jiān)視監(jiān)測必不可少的手段,而其不僅僅是信息量的提升,而且由于圖像細(xì)節(jié)的豐富、紋理的復(fù)雜,分析圖像變得更加困難,因此對高分辨率遙感圖像下船舶目標(biāo)的檢測更為重要[1-2]．

目前國內(nèi)外船舶檢測研究主要兩大類[3]：一是基于邊緣提取的方法,根據(jù)船舶平行長直線特性,從圖像提取邊緣,然后通過檢測方法進(jìn)行直線檢測，此方法速度快、復(fù)雜度低,但由于背景的干擾許多島礁之類的非目標(biāo)區(qū)域也會被檢測出來；二是基于區(qū)域分割的方法,根據(jù)船舶與周圍紋理的差異性,通過圖像分割的方法達(dá)到提取備選區(qū)域的目的,在備選區(qū)域內(nèi)再識別,此方法速度慢、復(fù)雜度高,識別效果依賴于區(qū)域分割閾值的選取以及用于識別的特征的魯棒性好壞．而在船舶目標(biāo)檢測問題研究中,較大的目標(biāo)適合采取基于遙感圖像的目標(biāo)檢測方法,對弱小目標(biāo)的檢測可以忽略．隨著遙感衛(wèi)星分辯率的不斷提高,圖像包含的信息量越來越多,圖像的數(shù)據(jù)量也越來越大,高分辨遙感圖像中海上船舶目標(biāo)具有細(xì)節(jié)明顯的特點(diǎn),為了快速檢測船舶目標(biāo)，文中提出一種基于SRM分割和分層線段特征提取的船舶目標(biāo)檢測方法．

1 圖像預(yù)處理及圖像分割

1.1 遙感圖像海面區(qū)域預(yù)處理

高分辨率遙感圖像中,海洋背景占據(jù)了圖像的絕大部分面積,海洋整體呈現(xiàn)亮度較低、變化較為平緩的特點(diǎn)．而海上船舶目標(biāo)亮度較高,細(xì)節(jié)比較清晰,目標(biāo)輪廓邊緣較為明顯．對圖像進(jìn)行預(yù)處理的主要目的是抑制遙感圖像中的噪聲干擾．遙感圖像中的包含的噪聲主要有高斯噪聲和椒鹽噪聲[4]．均值濾波器、中值濾波器、維納濾波器等都是較為常用的圖像去噪濾波器．其中,中值濾波器是一種非線性平滑濾波器,其主要功能是讓與周圍像素灰度值的差比較大的像素改取與周圍像素值接近的值,由于中值濾波不是間單的取均值,所以產(chǎn)生的模糊相對于其他濾波器結(jié)果要少,因此效果也是最好．

為了將感興趣或者重要的灰度區(qū)域拉伸,使該區(qū)域的信息量增大,抑制不感興趣或者不重要的區(qū)域．因此文中采用一種基于分段線性拉伸的圖像增強(qiáng)[5]．如圖1,分段線性增強(qiáng)是將圖像灰度f(x,y)的區(qū)間分割為若干區(qū)間,然后對每個(gè)區(qū)間進(jìn)行線性拉伸．常用的是分三段線性變換,對于遙感數(shù)據(jù)把原圖像灰度的范圍設(shè)為(MINf,MAXf),則把圖像分割為3段(MINf,a)、(a,b)、(b,MAXf),分別拉伸到對應(yīng)3個(gè)區(qū)間(0,c)、(c,d)、(d,255),通過調(diào)節(jié)a,b,c,d對任意區(qū)間的分線段斜率進(jìn)行調(diào)節(jié)．線性變換公式:

g(x,y)=

(1)

圖1 分段線性增強(qiáng)Fig.1 Piecewise linear enhancement

1.2 SRM分割算法

對于預(yù)處理后的圖像進(jìn)行快速提取,利用canny算子,快速提取邊緣．針對有邊緣的地方,進(jìn)行船舶提取,檢測到邊緣,然后在邊緣的地方,選定區(qū)域,進(jìn)行SRM分割和LSD直線提取．

經(jīng)典區(qū)域融合(statistical region merging,SRM)算法[6]是2004年由Nock和Nielsen提出的一種圖像統(tǒng)計(jì)模型,算法主要根據(jù)圖像區(qū)域的同質(zhì)性質(zhì)在概率空間中尋找最優(yōu)合并區(qū)域,能夠感知并快速捕獲圖像的主要結(jié)構(gòu),具有較強(qiáng)的抗噪性能,針對不同的內(nèi)容復(fù)雜度可以實(shí)現(xiàn)多尺度分割,是一種高效的圖像分割算法．經(jīng)典的SRM算法主要包含兩部分核心內(nèi)容:① 合并順序,即圖像中的像素對(或區(qū)域?qū)?按照什么樣的順序來進(jìn)行合并;② 合并準(zhǔn)則,滿足什么樣的條件圖像像素對(或區(qū)域?qū)?才能合并．

SRM算法主要針對RGB三通道彩色圖像,假設(shè)圖像I含有多個(gè)像素,每個(gè)像素包含(R, G, B)3個(gè)顏色通道,每個(gè)通道取值范圍為{1, 2,…,g},每個(gè)顏色通道采用Q個(gè)獨(dú)立的隨機(jī)變量表示,取值范圍為[0,g/Q]．圖像I是真實(shí)場景I*的一個(gè)觀測,其中g(shù)一般取256;參數(shù)Q為真實(shí)場景的復(fù)雜程度,即有多少個(gè)隨機(jī)變量．

因此該算法需要滿足一定的一致性假設(shè)條件:

(1) 在任意圖像統(tǒng)計(jì)區(qū)域內(nèi)部和R, G, B任意三通道中,統(tǒng)計(jì)像素在該顏色通道應(yīng)該有相同的均值;

(2) 相鄰的統(tǒng)計(jì)區(qū)域的均值在R, G, B 3個(gè)通道中至少有一個(gè)不同．

根據(jù)此假設(shè)條件,推導(dǎo)出該SRM算法合并準(zhǔn)則:

(2)

(3)

式中：pk和pk′為相鄰的像素值．

2 基于分層線段特征提取的船舶目標(biāo)檢測方法

2.1 船舶目標(biāo)檢測

通過對SRM分割的二值圖像進(jìn)行線段檢測、邊緣檢測、網(wǎng)絡(luò)提取從而確定檢測形狀是否為船舶或島嶼．具體流程如圖2.

圖2 船舶目標(biāo)具體檢測流程Fig.2 Flow chart of specific inspection of ship targets

2.2 分層線段特征提取步驟方法

根據(jù)船舶平行長直線特性,提出了一種新的綜合三層次結(jié)構(gòu)的船舶目標(biāo)邊緣特征提取:線段檢測、邊緣檢測、海上目標(biāo)網(wǎng)絡(luò)提?。?/p>

(1) 基于LSD的線段檢測

船舶目標(biāo)被描述為長的、平滑的、連續(xù)的物體,因此,線段在船舶目標(biāo)提取中起著重要作用,利用矢量化技術(shù)將柵格數(shù)據(jù)轉(zhuǎn)換為線段的矢量數(shù)據(jù)．

線段檢測(line segment detector,LSD)算法[7]是利用梯度信息和行列線來進(jìn)行直線檢測的．其中梯度計(jì)算是利用每像素點(diǎn)的右邊下方的4個(gè)像素進(jìn)行計(jì)算LSD梯度:

(4)

規(guī)范后的梯度:

(5)

梯度方向的計(jì)算:

(6)

式中：x和y為像素點(diǎn)的橫坐標(biāo)和縱坐標(biāo)．

(2) 邊緣檢測

與經(jīng)典的基于區(qū)域的檢測器相比,文中方法包括兩個(gè)步驟:首先在目標(biāo)邊緣線段區(qū)域中定位線段,然后使用動態(tài)搜索來檢查目標(biāo)線段是否合理[8-9]．

根據(jù)沿目標(biāo)邊緣方向的角度將線段定位到目標(biāo)邊緣線段區(qū)域，然后該目標(biāo)邊緣線段區(qū)域以該線段為開始,并且以該線段的角度設(shè)置為目標(biāo)邊緣區(qū)域的角度,如圖3(a)為目標(biāo)邊緣線段區(qū)域的長度、寬度以及角度,圖3(b)為目標(biāo)邊緣線段區(qū)域動態(tài)搜索．

通過線段的角度與目標(biāo)邊緣線段區(qū)域的角度比較,如果該線段的角度與目標(biāo)邊緣線段區(qū)域的角度的差值的絕對值小于設(shè)定的值,則可以保留該線段并且成為同一目標(biāo)邊緣線段區(qū)域內(nèi)的線段;如果該線段的角度與目標(biāo)邊緣線段區(qū)域的角度的差值的絕對值大于設(shè)定的值,則動態(tài)搜索線段會自動停止,并且會以該線段為另一個(gè)目標(biāo)邊緣線段區(qū)域內(nèi)的開始線段．

一般通過搜索計(jì)算鄰近線段與目標(biāo)邊緣線段區(qū)域的角度差為動態(tài)搜索檢測標(biāo)準(zhǔn),當(dāng)目標(biāo)邊緣線段區(qū)域方向達(dá)到某一確定值時(shí)也會自動更新新的目標(biāo)邊緣線段區(qū)域，每次循環(huán)目標(biāo)邊緣線段區(qū)域?qū)⒏鶕?jù)k及其長度L更新．

具體的算法流程:給定線段,通過該算法計(jì)算線段角度作為目標(biāo)邊緣線段區(qū)域角度,并且相鄰線段按角度差值快速動態(tài)線段合并．然后通過改變目標(biāo)邊緣線段長度、線段間距離和密度,并通過改變k值來搜索下一個(gè)區(qū)域線段,計(jì)算該線段角度．當(dāng)條件不滿足時(shí),以該線段為下一個(gè)過程區(qū)域的開始線段繼續(xù)搜索．最后,為了構(gòu)建目標(biāo)邊緣線段區(qū)域列表,將線段區(qū)域按降序密度大致排序．

圖3 目標(biāo)邊緣線段區(qū)域與動態(tài)搜索Fig.3 Target edge segment area and dynamic search

(3) 海上目標(biāo)網(wǎng)絡(luò)提取

海上目標(biāo)網(wǎng)絡(luò)提取包括兩個(gè)主要步驟:首先基于閾值(目標(biāo)邊緣線段區(qū)域到以目標(biāo)中心平行線的距離)將目標(biāo)邊緣線段區(qū)域合并到以目標(biāo)中心平行線上；然后基于船舶是長、平滑的物體,很容易根據(jù)形狀檢測確定是否為船舶或島嶼．

2.3 船舶區(qū)域幾何特征及識別

通常情況下,船舶與島嶼的外形很容易識別．如:區(qū)域特征包括長寬比(外接正方形),區(qū)域的最長對角線,周長和面積比;線段特征包括線段個(gè)數(shù),線段角度．如圖4,由于區(qū)域特征的長寬以及對角線長度很容易辨別圖4(a)為船舶．

圖4 幾何特征示意圖Fig.4 Schematic diagram of geometric features

在高分辨率衛(wèi)星圖像的候選目標(biāo)區(qū)域內(nèi)對預(yù)檢測結(jié)果進(jìn)行艦船目標(biāo)的最終判別，利用最小外接矩形提取目標(biāo)的形狀特征[10-11]作為判別依據(jù):

(1) 艦船長度a,amin≤a≤amax;

根據(jù)艦船外形的規(guī)定參數(shù)、先驗(yàn)知識設(shè)定具體的門限值．同時(shí)滿足上述3個(gè)條件時(shí),判斷為艦船目標(biāo),否則剔除．

2.4 動態(tài)搜索中的檢測標(biāo)準(zhǔn)

準(zhǔn)則1:初始目標(biāo)邊緣線段區(qū)域的特征是由其寬度和角度決定的矩形,在動態(tài)搜索的迭代過程中,形成新的目標(biāo)邊緣線段區(qū)域,其寬度D和長度L和角度θ,當(dāng)目標(biāo)邊緣線段區(qū)域?qū)挾菵

(7)

式中：θli為目標(biāo)邊緣線段區(qū)域里的各個(gè)線段角度；θregion′為目標(biāo)邊緣線段區(qū)域的角度；m為常數(shù)．

標(biāo)準(zhǔn)2:由于線段不受陰影和遮擋以及一些噪聲的影響．基于分層線段的間隔距離,目標(biāo)邊緣線段的連接性滿足閾值標(biāo)準(zhǔn),即g

標(biāo)準(zhǔn)3:遙感圖像中船舶目標(biāo)長,幾何平滑,原則上是連續(xù)的物體,所以它的長度應(yīng)該達(dá)到一定的閾值．在海上目標(biāo)邊緣中提取許多線段,將目標(biāo)邊緣線段區(qū)域的最大長度作為滿足最小船舶目標(biāo)的長度,即L>a．

(8)

式中：a為最小船舶目標(biāo)的長度；L為目標(biāo)邊緣線段區(qū)域的長度；m為常數(shù)．

準(zhǔn)則4:在目標(biāo)邊緣提取了許多線段,線段越多,目標(biāo)越有可能是船舶(船舶較島嶼小,容易形成密集的邊緣)，因此，定義線段的密度來識別船舶目標(biāo)．密度較大的線段作為船舶目標(biāo)保留．

(9)

式中：S為目標(biāo)邊緣線段區(qū)域內(nèi)的線段密度；m為常數(shù)．

圖5 動態(tài)搜索準(zhǔn)則示意Fig.5 Schematic diagram of dynamic search criteria

3 實(shí)驗(yàn)結(jié)果與分析

圖6(a)，(b)分別是遙感原圖與基于分層線段特征提取的船舶目標(biāo)邊緣檢測圖.

圖6 船舶目標(biāo)原圖與邊緣檢測圖Fig.6 Original image and edge detectionimageof ship target

由圖6(b)可知有多目標(biāo)的存在,為了更好地識別是否為船舶,對多目標(biāo)區(qū)域進(jìn)行了局部放大以及SRM圖像分割如圖.

如圖7(a)(c)(e)為目標(biāo)區(qū)域放大圖,(b)(d)(f)為SRM圖像分割圖像．為了驗(yàn)證該算法特征提取時(shí)的精度,以長度與寬度為幾何特征檢標(biāo)準(zhǔn),選取圖6(a)中3個(gè)船舶切片,針對常規(guī)最小外切矩形(minimum bounding rectangle,MBR)提取算法與文中特征提取算法進(jìn)行實(shí)驗(yàn)對比，表1為基于常規(guī)MBR提取算法結(jié)果,表2為基于文中算法提取結(jié)果,角度閾值設(shè)為12°[12]．

圖7 局部放大以及SRM圖像分割Fig.7 Imagesof local magnification andSRM image segmentation

表1 基于常規(guī)MBR提取算法結(jié)果(單位:像素?cái)?shù))Table 1 Results based on conventional MBRextraction algorithm(unit: number of pixels)

表2 基于文中算法提取算法結(jié)果(單位:像素?cái)?shù))Table 2 Extraction algorithm results based on thealgorithm (unit: number of pixels)

由表1、2的結(jié)果可以看出,常規(guī)方法提取特征的平均長度誤差為5.7個(gè)像素、寬度平均誤差為2.7像素;而文中方法的平均長度誤差為2.7個(gè)像素、平均寬度誤差為1.7個(gè)像素,因此文中幾何特征提取準(zhǔn)確率遠(yuǎn)遠(yuǎn)高于常規(guī)方法．根據(jù)船舶長寬比特征,船(1)(3)符合,船(2)不符合,但經(jīng)過區(qū)域放大后再進(jìn)行SRM-邊緣線段提取,長寬比符合．因此把經(jīng)過SRM分割后的圖像再經(jīng)過LSD直線檢測結(jié)果如圖8.

圖8 船舶目標(biāo)檢測結(jié)果Fig.8 Thedetection result chart of Ship target

為驗(yàn)證算法的有效性,收集沿海海域高分辨率遙感圖像數(shù)據(jù)集,包含504幅圖像,其大小為1 240×1 683,空間分辨率為每像素0.61m．文中算法運(yùn)行在Windows 10操作系統(tǒng)下,處理器主頻為2.4G．在遙感圖像中,目標(biāo)檢測方法的基本評估指標(biāo)[13]有:檢測率與誤檢率．

檢測率=檢測到的正確目標(biāo)數(shù)/實(shí)際目標(biāo)數(shù)

(10)

誤檢率=檢測到的錯(cuò)誤目標(biāo)數(shù)/實(shí)際目標(biāo)數(shù)

(11)

由式(10)、(11)可知,檢測率越接近1,誤檢率越接近0,表明檢測方法的性能越好．為了證明算法的有效性,對52張?jiān)瓐D進(jìn)行檢測,圖6(a)即為其中一組原圖．表3為文中方法Hough變換和SVM對比的實(shí)驗(yàn)結(jié)果．

表3 檢測方法對比Table 3 Comparison of test methods

同時(shí)為了驗(yàn)證該算法不需要太多的樣本,分別采用基于BP神經(jīng)網(wǎng)絡(luò)(特征提取網(wǎng)絡(luò))模型對504幅圖像進(jìn)行檢測，且基于文中算法框架下的檢測方法對52張圖像進(jìn)行檢測．圖9為兩種方法的召回率-準(zhǔn)確率的曲線圖[14-15]．

圖9 兩種算法的PR曲線對比圖Fig.9 Comparison of PR curves of two algorithms

從表3及圖9可以知道,對52張圖像文中算法的檢測率達(dá)到了92%,高于Hough變換和SVM的傳統(tǒng)檢測算法,以及誤檢率、算法計(jì)算時(shí)間都高于其他檢測算法．另外在保證較高準(zhǔn)確率的同時(shí),有較高的召回率與BP神經(jīng)網(wǎng)絡(luò)算法相似．因此文中算法不需要數(shù)量樣本多而且算法的時(shí)間比較快,這些都基于LSD算法的效率以及分層線段結(jié)構(gòu)的構(gòu)出,加快算法對目標(biāo)物的檢測,針對海上目標(biāo)具有較高的檢測率與較低的誤檢率．

4 結(jié)論

文中提出了一種新的分層線段提取方法來檢測遙感圖像中的船舶．在該方法中,采用改進(jìn)的LSD算法進(jìn)行初始線段檢測、目標(biāo)邊緣線段區(qū)域的動態(tài)搜索和海上目標(biāo)網(wǎng)絡(luò)的先驗(yàn)知識來驗(yàn)證船舶目標(biāo)檢測結(jié)果．利用所提出的分層結(jié)構(gòu),能提高LSD用于線段檢測的效率、目標(biāo)邊緣線段區(qū)域的動態(tài)搜索的準(zhǔn)確性和讀取網(wǎng)絡(luò)的先驗(yàn)信息進(jìn)行集成一體．實(shí)驗(yàn)結(jié)果表明,該方法對海上目標(biāo)具有較高的檢測率與較低的誤檢率，不需要太多的樣本，且檢測率與計(jì)算時(shí)間優(yōu)于其他常用方法．