單幅光學(xué)遙感圖像中深灰色飛機(jī)的快速檢測算法

黃世奇，蒲學(xué)文，張玉成，羅 鵬

(西京學(xué)院 信息工程學(xué)院， 西安 710123)

1 引言

目標(biāo)檢測、分類與識別是遙感圖像處理與應(yīng)用的重要內(nèi)容，特別是軍事領(lǐng)域中目標(biāo)情報(bào)信息的獲取主要來源于各種遙感圖像。利用遙感圖像對機(jī)場中的飛機(jī)進(jìn)行有效檢測和監(jiān)測，是對飛機(jī)目標(biāo)進(jìn)行有效分類和識別，以及對飛機(jī)活動規(guī)律和活動目的進(jìn)行判斷與預(yù)測的依據(jù)。飛機(jī)目標(biāo)檢測與識別技術(shù)一直是學(xué)者們研究的熱點(diǎn)，并提出了許多有效的算法和模型[1-10]，并得到了很好的應(yīng)用。這些方法大體上可分成傳統(tǒng)的特征檢測方法和深度學(xué)習(xí)檢測方法2類。傳統(tǒng)的方法一般是先提取特征，然后用各種分類器來實(shí)現(xiàn)飛機(jī)目標(biāo)的檢測。當(dāng)然，也可以直接利用特征或閾值來檢測飛機(jī)，如直方圖特征檢測、恒虛警率檢測和馬爾科夫隨機(jī)場檢測等。文獻(xiàn)[11]通過提取多維不變矩特征，然后選擇關(guān)鍵的幾個(gè)特征作為識別特征，最后利用支持向量機(jī)分類器實(shí)現(xiàn)飛機(jī)目標(biāo)的檢測。傳統(tǒng)的方法實(shí)現(xiàn)飛機(jī)目標(biāo)檢測過程簡單、運(yùn)算量少，但是對于復(fù)雜背景下的飛機(jī)目標(biāo)檢測，或者是小型飛機(jī)目標(biāo)的檢測，正確檢測率低，易產(chǎn)生較多的虛檢率，同時(shí)對于飛機(jī)目標(biāo)特征的描述和提取表現(xiàn)也不太理想。隨著深度學(xué)習(xí)技術(shù)的飛速發(fā)展和應(yīng)用，其在遙感圖像處理中的應(yīng)用也不斷增加[12-17]。文獻(xiàn)[18]利用全卷積網(wǎng)絡(luò)(fully convolutional networks，F(xiàn)CN )實(shí)現(xiàn)了遙感圖像中飛機(jī)目標(biāo)的檢測，同樣對于小尺寸飛機(jī)目標(biāo)的檢測效果仍然不佳。文獻(xiàn)[19]采用多個(gè)簡單卷積神經(jīng)網(wǎng)絡(luò)的框架實(shí)現(xiàn)對候選區(qū)域特征的提取，比較精確地標(biāo)出了飛機(jī)目標(biāo)區(qū)域，但是對于大幅面遙感圖像，其對飛機(jī)的檢測效果同樣不理想。文獻(xiàn)[20]利用特征重用技術(shù)來描述目標(biāo)的語義特征，并設(shè)計(jì)不同類型飛機(jī)尺寸比例的候選框尺度集合，獲得了較高的小目標(biāo)檢測精度。

基于深度學(xué)習(xí)的圖像目標(biāo)檢測算法能夠很好地提取到圖像高度抽象的語義特征，因此具有較強(qiáng)的泛化能力，避免傳統(tǒng)方法需要大量先驗(yàn)知識來描述復(fù)雜特征和優(yōu)化參數(shù)調(diào)整。但是，深度學(xué)習(xí)用于圖像處理，主要步驟包括：數(shù)據(jù)集的構(gòu)造、網(wǎng)絡(luò)模型選擇與建立、模型的測試與訓(xùn)練。特別是數(shù)據(jù)集的構(gòu)建，是深度學(xué)習(xí)方法用于遙感圖像處理的一個(gè)關(guān)鍵和基礎(chǔ)環(huán)節(jié)。目前，基于深度學(xué)習(xí)的各種神經(jīng)網(wǎng)絡(luò)模型，對圖像處理的要求是圖像大小橫向和縱向?yàn)閹装賯€(gè)像素，而一幅遙感圖像的大小橫縱向都是幾萬個(gè)像素。隨著遙感技術(shù)的發(fā)展，圖像的寬幅繼續(xù)增大，空間分辨率繼續(xù)提高，圖像內(nèi)容更加豐富多彩、更加復(fù)雜，這對于深度學(xué)習(xí)理論應(yīng)用于遙感圖像處理與應(yīng)用將面臨更多挑戰(zhàn)和技術(shù)攻關(guān)。同時(shí)，深度學(xué)習(xí)網(wǎng)絡(luò)模型的測試與訓(xùn)練需要大量的時(shí)間。因此，從快速發(fā)現(xiàn)目標(biāo)的角度，對于單幅遙感圖像而言，傳統(tǒng)方法的優(yōu)勢比較明顯。本文采用顏色模型對遙感圖像中深色飛機(jī)實(shí)現(xiàn)快速的檢測，實(shí)驗(yàn)結(jié)果表明本文提出方法是可行的。

本文所提FATD算法的主要優(yōu)點(diǎn)或貢獻(xiàn)主要包含在以下幾個(gè)方面。① 原理結(jié)構(gòu)簡單，軟硬件都容易實(shí)現(xiàn)；② 提出基于圖像內(nèi)容的閾值自動獲取策略，實(shí)現(xiàn)目標(biāo)區(qū)域的自適應(yīng)檢測，檢測閾值根據(jù)輸入遙感圖像的光譜特征自動產(chǎn)生，具有非常好的泛化能力；③ 提出利用圖像的顏色特征模型轉(zhuǎn)換來實(shí)現(xiàn)目標(biāo)區(qū)域與背景對比度的改善，算法完成彩色圖像到灰度圖像的轉(zhuǎn)換、彩色圖像到彩色圖像的轉(zhuǎn)換、RGB圖像到HSI圖像的轉(zhuǎn)換；④ 提出利用信號處理理論的維納濾波器來降低背景環(huán)境干擾的影響，有效地提高了目標(biāo)的正確檢測率；⑤ 實(shí)現(xiàn)過程不復(fù)雜，運(yùn)行時(shí)間短，檢測速度快，達(dá)到了快速檢測的目的。

2 方法原理描述

目前，雖然許多文獻(xiàn)研究了飛機(jī)目標(biāo)的檢測和分類問題，但其研究是基于圖像的飛機(jī)目標(biāo)檢測，包括?？康孛婧涂罩酗w行的飛機(jī)。本文研究的是基于遙感圖像的飛機(jī)目標(biāo)快速檢測策略，即針對地面機(jī)場中的靜止飛機(jī)，而且是深色的飛機(jī)。提出的FATD算法的原理框圖如圖1所示。FATD算法根據(jù)圖像的顏色特征、圖像內(nèi)容和信號處理理論來完成遙感圖像的飛機(jī)目標(biāo)快速檢測過程。

圖1 遙感圖像飛機(jī)快速檢測算法原理框圖

從圖1可知，F(xiàn)ATD算法的主要步驟如下。

步驟1輸入遙感圖像。輸入的遙感圖像是光學(xué)圖像，要求獲取的這些圖像是彩色的RGB圖像，而且圖像中包含有飛機(jī)目標(biāo)。

步驟2判斷輸入圖像是否為彩色遙感圖像，并且是否包含有深灰色飛機(jī)。因?yàn)镕ATD算法的目的是針對深灰色飛機(jī)類檢測，所以首先判斷是否包含有這類飛機(jī)，采用人工視覺的方式進(jìn)行判別。沒有特別說明時(shí)，通常所說的彩色圖像是指RGB模型圖像。因此，本算法中對彩色圖像的判別，即對RGB圖像判別。通過獲取RGB圖像的通道維數(shù)值來判斷圖像是否為彩色圖像。如果通道維數(shù)值小于3，判斷它是灰度圖像，等于3就是RGB彩色圖像。具體的判斷模型表達(dá)式為：

(1)

式(1)中：IO表示原始圖像；size(IO)表示求原始圖像的維數(shù)值；M×N表示圖像的空間大小；K表示圖像包含的波段數(shù)，即單個(gè)圖像的通道數(shù)目。

步驟3對圖像進(jìn)行歸一化處理。由于遙感圖像獲取的時(shí)間和傳感器不同，導(dǎo)致遙感圖像的亮度信息會有所變化。為消除光照和不同傳感器等因素產(chǎn)生的影響，對輸入圖像的亮度值進(jìn)行歸一化處理，其歸一化公式如式(2)所示。

(2)

式(2)中：IO(m,n)表示輸入的原始遙感圖像；I(m,n)表示歸一化處理后輸出的圖像；IOmax和IOmin分別表示原始輸入圖像IO(m,n)的光譜值的最大值與最小值。

步驟4獲取RGB圖像各個(gè)通道的單幅圖像。從歸一化處理后的RGB圖像中分別提取R、G和B各個(gè)通道的單波段圖像。歸一化的RGB圖像用I(m,n)表示，則各通道圖像的表示為：

(3)

(4)

(5)

式(5)中：H、S和I分量分別表示顏色屬性、飽和度和亮度圖像；參數(shù)θ可以通過式(6)進(jìn)行計(jì)算而獲得。

(6)

步驟7提取H分量圖像。

步驟8對H分量圖像進(jìn)行濾波處理。ATFD算法中采用維納濾波器對H分量圖像進(jìn)行濾波處理。維納濾波是利用平穩(wěn)隨機(jī)過程的相關(guān)特性和頻譜特性，對混有噪聲的信號進(jìn)行濾波或預(yù)測的方法。這里主要是利用維納濾波器來去除一些孤島像素，使飛機(jī)目標(biāo)的檢測率更高。利用維納濾波器對圖像進(jìn)行濾波處理，關(guān)鍵步驟是濾波窗口大小的選擇和設(shè)置。窗口大小一般取決于飛機(jī)目標(biāo)在圖像中的大小，如果目標(biāo)較大，則這個(gè)窗口可以設(shè)置大一些；相反，如果目標(biāo)較小，則窗口的尺寸需設(shè)置小一點(diǎn)。

步驟9把原始的RGB圖像IO(m,n)轉(zhuǎn)換成灰度圖像IG(m,n)。把彩色圖像轉(zhuǎn)換成灰度圖像的目的是自動獲取飛機(jī)目標(biāo)檢測的閾值T。把RGB彩色圖像IO(m,n)按式(7)轉(zhuǎn)換成灰度圖像IG(m,n)，即：

IG=0.299×R+0.587×G+0.114×B

(7)

式(7)中，R、G和B分別表示原始圖像的3個(gè)通道分量圖像。

步驟10獲取目標(biāo)檢測閾值T。提取灰度圖像IO(m,n)的均值作為飛機(jī)目標(biāo)檢測的閾值，這是一種自動獲取的過程，而且是根據(jù)每次輸入的圖像來計(jì)算。因此，它能自適應(yīng)地獲得符合圖像內(nèi)容的閾值。

T=mean(IG)

(8)

步驟11對飛機(jī)目標(biāo)區(qū)域進(jìn)行檢測。利用步驟10)獲得的閾值，對步驟8)獲得的圖像進(jìn)行逐像素檢測。用H*表示H分量濾波后的圖像，則檢測過程按式(9)規(guī)則進(jìn)行。

(9)

式(11)中，ID(m,n)表示檢測后的結(jié)果圖像。

步驟12輸出檢測結(jié)果。

3 實(shí)驗(yàn)結(jié)果與分析

本文所提FATD算法的目的是快速檢測某類飛機(jī)，即深灰色飛機(jī)。方法上采用顏色模型變換和閾值檢測有機(jī)結(jié)合，實(shí)現(xiàn)對飛機(jī)目標(biāo)的有效快速檢測。雖然基于深度學(xué)習(xí)的各種卷積神經(jīng)網(wǎng)絡(luò)在目標(biāo)識別方面獲得了成功，但是對于單幅遙感圖像而言，還是傳統(tǒng)方法比較有優(yōu)勢。深度學(xué)習(xí)需要大量的數(shù)據(jù)集，訓(xùn)練系統(tǒng)需要花費(fèi)大量的時(shí)間。對于一些敏感目標(biāo)或新型目標(biāo)，是很難獲得其有關(guān)數(shù)據(jù)集的，相反，此時(shí)傳統(tǒng)的單幅或小量數(shù)據(jù)集檢測方法具有明顯優(yōu)勢，尤其在軍事情報(bào)偵察和毀傷效果評估等實(shí)時(shí)場合。為了驗(yàn)證本文所提方法的可行性和科學(xué)性，本文設(shè)計(jì)了不同的比較實(shí)驗(yàn)，并對實(shí)驗(yàn)結(jié)果進(jìn)行了較深入的分析和說明。

3.1 原始圖像的直接閾值檢測實(shí)驗(yàn)

實(shí)驗(yàn)檢測的原始遙感圖像如圖2所示，圖2中圖片(A)～(F)分別代表不同的遙感圖像。它們?nèi)渴遣噬b感圖像，即多光譜彩色遙感圖像或RBG遙感圖像，都經(jīng)過了輻射和幾何校正以及大氣校正，而且這些圖像中都包含了不同類型的飛機(jī)，這些飛機(jī)幾乎都是呈現(xiàn)深灰色。同時(shí)，這些圖像包含了不同的背景情況。用閾值檢測方法分別對這些圖像進(jìn)行檢測，實(shí)施的具體過程如圖3所示。檢測前，分別對它們進(jìn)行了歸一化的預(yù)處理，然后再把它們轉(zhuǎn)換成灰度圖像，以灰度圖像的均值作為閾值，直接逐像素進(jìn)行飛機(jī)目標(biāo)檢測。獲得的實(shí)驗(yàn)結(jié)果如圖4所示，圖4中圖片(A)～(F)分別是圖2(A)～(F)對應(yīng)圖像的相應(yīng)檢測結(jié)果。

圖2 原始遙感圖像

圖3 直接檢測的過程框圖

圖4 閾值直接檢測結(jié)果圖像

從圖4可知，不論是那種情況，用這種直接檢測飛機(jī)的效果都很差，幾乎不能把飛機(jī)目標(biāo)有效地從原始圖像中分割出來，飛機(jī)的檢測效果是非常失敗的。在本文所有實(shí)驗(yàn)中，為便于比較分析，對于同一圖像，使用不同方法進(jìn)行目標(biāo)檢測時(shí)獲取的閾值是相同的，具體如表1所示。

表1 實(shí)驗(yàn)圖像參數(shù)

3.2 RGB圖像直接轉(zhuǎn)換成HSI圖像后的閾值檢測實(shí)驗(yàn)

從圖4可知，用原始圖像直接進(jìn)行飛機(jī)目標(biāo)檢測，效果不太理想。本實(shí)驗(yàn)中把原始RGB圖像進(jìn)行模型轉(zhuǎn)換，變成HSI模型圖像，然后再提取H分量圖像進(jìn)行閾值檢測。檢測過程如圖5所示，實(shí)驗(yàn)結(jié)果如圖6所示。從圖5中可知，本實(shí)驗(yàn)的主要步驟如下。

圖5 轉(zhuǎn)換成HSI圖像后的檢測過程框圖

第1步：輸入遙感圖像。

第2步：進(jìn)行歸一化處理。

第3步：轉(zhuǎn)換成灰度圖像，并獲取檢測閾值?；叶葓D像的均值作為檢測閾值。

第4步：把歸一化后的遙感圖像轉(zhuǎn)換成HSI模型圖像。

第5步：提取H分量圖像。第6步：利用閾值檢測原理對H分量圖像執(zhí)行目標(biāo)檢測操作。

第7步：輸出檢測結(jié)果。

圖6(a)是原始遙感圖像(圖2)所對應(yīng)圖像的HSI模圖像，圖6中的圖片(A)～(F)分別對應(yīng)圖2中的(A)～(F)。圖6(b)所示的圖像是圖6(a)對應(yīng)圖像的H分量圖像。圖6(c)是圖6(b)所示圖像的檢測結(jié)果，檢測方法是閾值檢測法，閾值如表1所示。從圖6中可以看到，利用這種直接轉(zhuǎn)換圖像模型的方式，對飛機(jī)目標(biāo)的檢測效果并不理想。雖然能檢測到飛機(jī)目標(biāo)，但是干擾的信息比較多，即虛檢測比較多。實(shí)驗(yàn)結(jié)果表明這種直接將原始RGB圖像轉(zhuǎn)換成HSI圖像模式的方式不能有效地檢測到飛機(jī)目標(biāo)區(qū)域，如圖6(c)所示。

圖6 直接轉(zhuǎn)換HSI模型后的檢測結(jié)果圖像

3.3 RGB圖像三通道分量變換后的閾值檢測實(shí)驗(yàn)

3.2節(jié)的變換是2種模型之間的變換，然后直接進(jìn)行飛機(jī)目標(biāo)檢測實(shí)驗(yàn)，效果不理想。本文實(shí)驗(yàn)中，只是對RGB模型圖像中3個(gè)分量圖像中的2個(gè)分量圖像的順序進(jìn)行互換，然后重新構(gòu)成新的RGB圖像，再用閾值檢測方對新的RGB圖像進(jìn)行目標(biāo)檢測。實(shí)驗(yàn)過程如圖7所示，實(shí)驗(yàn)結(jié)果如圖8所示。從圖7中可知，本實(shí)驗(yàn)的關(guān)鍵步驟是把原始的RGB遙感圖像中R分量圖像和B分量的圖像進(jìn)行互換，然后形成新的RGB圖像，再對遙感圖像中飛機(jī)目標(biāo)區(qū)域進(jìn)行閾值檢測。

圖7 實(shí)現(xiàn)新RGB圖像獲取與目標(biāo)檢測的原理框圖

圖8(a)是經(jīng)圖7所示過程獲得的新RGB圖像，圖8中的圖片(A)～(F)對應(yīng)圖2中的(A)～(F)。圖8(b)是圖8(a)的檢測結(jié)果，每幅圖像的檢測閾值如表1所示。從圖8(b)中可以看到，用直接閾值法對新RGB圖像進(jìn)行目標(biāo)檢測，獲得的結(jié)果同樣不理想。對比圖8(b)和圖4可發(fā)現(xiàn)，對應(yīng)改變原始圖像RGB各分量圖像，無法改變目標(biāo)的檢測結(jié)果情況。

圖8 新RGB的獲取及其直接閾值的檢測結(jié)果圖像

3.4 ATFD算法的實(shí)驗(yàn)結(jié)果

用新RGB圖像轉(zhuǎn)換成HSI圖像，然后抽取H分量進(jìn)行目標(biāo)檢測。這就是本文提出的ATFD算法。前面的3個(gè)實(shí)驗(yàn)，其實(shí)質(zhì)是ATFD算法的中間過程或?qū)Ρ葘?shí)驗(yàn)。ATFD算法的最大優(yōu)點(diǎn)是簡單、運(yùn)行時(shí)間小，符合單幅圖像快速檢測的目的。ATFD算法原理如圖1所示，實(shí)驗(yàn)圖像如圖2所示，圖9為實(shí)驗(yàn)所得的結(jié)果。為了更好地驗(yàn)證本文所提算法的有效性和可行性，我們把中間的實(shí)驗(yàn)結(jié)果也列出來。

圖9(a)是圖8(a)對應(yīng)圖像的HSI模型圖像，圖9(b)是圖9(a)對應(yīng)的H分量圖像，圖9(c)是圖9(b)的直接閾值檢測結(jié)果，圖9(d)是圖9(b)經(jīng)維納濾波處理后再進(jìn)行閾值的檢測結(jié)果，即ATFD算法的最終結(jié)果。圖9(c)和圖9(d)使用的檢測閾值完全相同，每幅圖像的檢測閾值如表1所示。從圖9和圖6的比較中可看到，圖9的實(shí)驗(yàn)效果明顯要優(yōu)于圖6的實(shí)驗(yàn)效果。圖6不僅檢測效果差，而且虛檢測率比較高，即其他干擾因素比較多。圖9不僅能有效檢測到飛機(jī)目標(biāo)區(qū)域，而且虛檢測率比較小。因此把原始遙感圖像進(jìn)行模型轉(zhuǎn)換后，原來無法檢測到的目標(biāo)能夠容易地被檢測到。圖9(c) 和圖9(d)的區(qū)別在于是否進(jìn)行了維納濾波，圖9(c)沒有進(jìn)行維納濾波處理，直接進(jìn)行閾值檢測的結(jié)果，圖9(d)顯示的結(jié)果是先對H分量圖像進(jìn)行維納濾波處理，然后再進(jìn)行閾值檢測。從檢測效果來看，圖9(c)存在較多的虛檢，而圖9(d)顯然提高了飛機(jī)目標(biāo)的正確檢測率，濾除了一些干擾因素所造成的虛檢，這也是ATFD算法的一個(gè)貢獻(xiàn)。從圖9中可以看到，對于背景比較簡單的遙感圖像，例如圖9中的圖片(E)，是否進(jìn)行了維納濾波操作處理，均不影響檢測結(jié)果。但是對于存在人造目標(biāo)干擾的復(fù)雜背景，顯然利用維納濾波處理能有效降低環(huán)境干擾因素的影響。

圖9 ATFD算法的檢測結(jié)果圖像

ATFD算法對飛機(jī)目標(biāo)檢測的一些參數(shù)情況如表2所示。算法實(shí)現(xiàn)的語言為Matlab的R2016b版本，運(yùn)行時(shí)間如表2所示。每幅圖像的運(yùn)行時(shí)間受圖像大小、圖像內(nèi)容復(fù)雜性和維納濾波窗口大小等因素影響。從表2中可以看到，ATFD算法的運(yùn)行速度是比較快的，能滿足實(shí)時(shí)性需求。維納濾波窗口的選擇一般是根據(jù)圖像目標(biāo)大小而定，如果目標(biāo)區(qū)域比較大，那么濾波窗口就大一點(diǎn)，如果目標(biāo)區(qū)域比較小，那么濾波窗口就設(shè)計(jì)小一點(diǎn)，具體情況如表2所示。圖2中的圖片(B)，其左下角有一架飛機(jī)的部分，但是ATFD算法沒有檢測到。因?yàn)檫@不是一架完整的飛機(jī)，故ATFD算法把這部分當(dāng)作環(huán)境干擾因素而被濾除掉了。圖2中的圖片(C)應(yīng)該有3架飛機(jī)，而ATFD算法卻只檢測到了2架飛機(jī)，見圖9(d)中的圖片(C)，其原因是上邊那架飛機(jī)的顏色不是深灰色，不在ATFD算法的檢測范圍，所以沒有檢測到。因?yàn)锳TFD算法只是針對深灰色這種類型飛機(jī)的快速檢測。同樣，圖2中的圖片(F)，其上邊3架飛機(jī)的顏色也不是深灰色，所以在圖9(d)的圖片(F)中，ATFD算法對這3架飛機(jī)的檢測效果也不是十分理想。

表2 ATFD算法的參數(shù)設(shè)置

通過上面的一系列實(shí)驗(yàn)，我們可以看到ATFD算法確實(shí)能有效實(shí)現(xiàn)某類飛機(jī)目標(biāo)的有效檢測，而且運(yùn)行時(shí)間也非常短，實(shí)現(xiàn)了單幅彩色光學(xué)遙感圖像飛機(jī)目標(biāo)快速檢測的目的。

4 結(jié)論

本文從光學(xué)遙感圖像的描述模型出發(fā)，通過特征模型轉(zhuǎn)換、信號濾波處理和閾值自動生成，提出了一種新的飛機(jī)目標(biāo)檢測算法。該方法解決了在原始RGB遙感圖像中不能對深灰色飛機(jī)進(jìn)行有效檢測和分割的問題。新的ATFD算法不僅能有效檢測和分割，而且運(yùn)行時(shí)間短，實(shí)現(xiàn)了快速檢測,為光學(xué)遙感圖像的正確解譯和應(yīng)用提供了有益的參考價(jià)值。下一步我們將研究探討其他顏色特征飛機(jī)的有效快速檢測問題。