基于顯著性的遙感圖像艦船目標(biāo)檢測(cè)

丁榮莉，李 杰，沈 霽，周飛宇

(上海航天技術(shù)研究院，上海 201109)

1 引言

隨著光學(xué)載荷分辨率的不斷提高和成像質(zhì)量的提升，可見(jiàn)光遙感圖像富含更豐富信息且能較真實(shí)的反應(yīng)拍攝物體的形狀、顏色和紋理等特征。艦船作為海上主要運(yùn)輸載體和重要軍事目標(biāo)，其狀態(tài)掌控在軍艦探測(cè)、精確制導(dǎo)等軍用領(lǐng)域以及海面搜救、漁船監(jiān)管等民用領(lǐng)域具有極其重要的戰(zhàn)略意義?？梢?jiàn)光遙感圖像艦船目標(biāo)檢測(cè)引起國(guó)內(nèi)外學(xué)者的廣泛關(guān)注。

當(dāng)前可見(jiàn)光遙感圖像艦船檢測(cè)算法可分為傳統(tǒng)目標(biāo)檢測(cè)算法和基于深度學(xué)習(xí)的目標(biāo)檢測(cè)算法兩類(lèi)，其中傳統(tǒng)目標(biāo)檢測(cè)算法的關(guān)鍵是通過(guò)人工設(shè)計(jì)特征將艦船從海洋背景中提取出來(lái)。文獻(xiàn)[1]基于海洋圖像灰度特性利用直方圖提取目標(biāo)候選區(qū)域，并通過(guò)長(zhǎng)寬比和致密性去除虛警，但虛警率仍不滿足實(shí)際需求。文獻(xiàn)[2]將艦船檢測(cè)問(wèn)題視為在平穩(wěn)變化的場(chǎng)景提取稀疏目標(biāo)，提出了相位譜顯著性算法進(jìn)行艦船目標(biāo)檢測(cè)并取得較好檢測(cè)結(jié)果，但對(duì)于弱暗目標(biāo)的檢測(cè)具有一定局限性。文獻(xiàn)[3]針對(duì)不同方向的船只檢測(cè)提出了一種求取旋轉(zhuǎn)滑動(dòng)窗口的方向梯度直方圖(HOG)特征的方法來(lái)增加旋轉(zhuǎn)不變性，利用支持向量機(jī)(SVM)分類(lèi)器對(duì)特征進(jìn)行判斷從而提高檢測(cè)性能，但HOG特征維數(shù)龐大且小目標(biāo)漏檢率高。隨著人工智能技術(shù)發(fā)展，文獻(xiàn)[4]提出一種將卷積神經(jīng)網(wǎng)絡(luò)自主提取圖像特征與支持向量機(jī)分類(lèi)器相結(jié)合的艦船目標(biāo)檢測(cè)方法，由于遙感圖像獲取困難，文中采用民船作為輔助樣本對(duì)軍艦進(jìn)行檢測(cè)。文獻(xiàn)[5]設(shè)計(jì)了一個(gè)更加適合遙感圖像目標(biāo)識(shí)別的卷積神經(jīng)網(wǎng)絡(luò)，利用卷積淺層特征和卷積深層特征的融合來(lái)提升網(wǎng)絡(luò)的識(shí)別性能，取得較高的準(zhǔn)確率和召回率。

上述傳統(tǒng)算法在復(fù)雜背景環(huán)境下檢測(cè)性能不理想，而基于深度學(xué)習(xí)的檢測(cè)算法需豐富樣本進(jìn)行訓(xùn)練且算法復(fù)雜度高。針對(duì)此本文提出粗檢測(cè)和細(xì)鑒別相結(jié)合的技術(shù)路線以在高檢測(cè)率的前提下降低算法復(fù)雜度，如圖1所示。

圖1 艦船方向劃分

粗檢測(cè)利用艦船目標(biāo)與海洋背景的差異提取可能存在艦船目標(biāo)的候選區(qū)域，細(xì)鑒別根據(jù)艦船與其它干擾因素的差別剔除候選區(qū)域虛警，提取出真正的艦船目標(biāo)。

在進(jìn)行海洋遙感圖像艦船檢測(cè)時(shí)，圖像中可能存在陸地區(qū)域，由于陸地地貌環(huán)境的復(fù)雜性和地面物體的多樣性，使得艦船檢測(cè)難度大和虛警率高，因此首先采用基于GIS庫(kù)的海陸分割算法對(duì)存在陸地的圖像進(jìn)行海陸分割以去除陸地區(qū)域。針對(duì)純海洋圖像首先采用譜殘差法盡可能不遺漏對(duì)獲取艦船目標(biāo)候選區(qū)域，而后統(tǒng)計(jì)其S-HOG表征目標(biāo)信息對(duì)艦船進(jìn)行鑒別。

2 候選區(qū)域提取

視覺(jué)顯著性模型能夠模擬人腦機(jī)制，對(duì)周?chē)鷱?fù)雜場(chǎng)景進(jìn)行快速感知和綜合判定。將圖像中最能體現(xiàn)圖像內(nèi)容和吸引視覺(jué)注意力的目標(biāo)區(qū)域稱為顯著性區(qū)域，其具有如下特征：1)局部差異性，顯著性區(qū)域總是與周?chē)鷧^(qū)域存在明顯特征差異；2)全局稀少性，在整幅圖像中，大部分都是重復(fù)和冗余的背景區(qū)域，而顯著區(qū)域特征出現(xiàn)的頻率較低；3)高層語(yǔ)義特征，在自然場(chǎng)景中觀察時(shí)，人總會(huì)經(jīng)常注意的目標(biāo)如人、船等往往是顯著目標(biāo)。

根據(jù)光學(xué)遙感圖像特點(diǎn)，將人類(lèi)視覺(jué)系統(tǒng)可快速聚焦于顯著性區(qū)域的特性引入到艦船目標(biāo)候選區(qū)域的提取中。自然圖像統(tǒng)計(jì)特性具有尺度不變性，即自然圖像集合的平均傅里葉譜的幅值服從1/f規(guī)律，不同圖像數(shù)據(jù)的log譜具有相似的分布趨勢(shì)，只需要關(guān)注其差異部分即顯著性區(qū)域，忽略相似部分去除冗余信息。

對(duì)圖像進(jìn)行傅里葉變換將圖像信息從時(shí)域轉(zhuǎn)換到頻域，其頻譜表達(dá)式所示

F(u，v)=A(u，v)exp[iP(u，v)]

(1)

其中，F(xiàn)(u，v)表示圖像傅里葉變換的頻譜，A(u，v)表示圖像的幅度譜，P(u，v)表示圖像的相位譜。

SR譜殘差[6]顯著性模型將顯著信息定義為輸入圖像的對(duì)數(shù)幅度譜log(A(u，v))與其平均對(duì)數(shù)幅度譜之間的差值，如式(2)所示

R(u，v)=L(u，v)-hn*L(u，v)

(2)

其中hn為局部均值濾波器對(duì)圖像log譜進(jìn)行平滑，接下來(lái)通過(guò)傅里葉反變換在時(shí)域重建圖像即得到其顯著性映射圖。

(3)

g(x，y)為二維高斯濾波器對(duì)圖像顯著性映射圖進(jìn)行平滑，顯著性映射圖可增強(qiáng)目標(biāo)與背景對(duì)比度，接下來(lái)可通過(guò)自適應(yīng)閾值分割得到目標(biāo)前景信息，閾值取值如下

T=u+cσ

(4)

其中u為圖像的均值，σ為圖像的方差，c為經(jīng)驗(yàn)系數(shù)。自適應(yīng)閾值分割后可得到艦船目標(biāo)的候選區(qū)域圖像如圖2所示。

圖2 遙感圖像和其SR顯著性映射二值化圖像

從圖中可以看出SR算法能有效提取出目標(biāo)的候選區(qū)域，同時(shí)受海雜波影響存在較多的噪點(diǎn)。當(dāng)艦船部分灰度與海洋背景相近時(shí)，二值化前景結(jié)果中可能存在孔洞，導(dǎo)致候選區(qū)域的連通性較差。為便于后續(xù)的艦船細(xì)鑒別，可先采用膨脹算法填充連通域孔洞，再利用腐蝕算法去除圖像噪點(diǎn)。譜殘差法對(duì)圖像進(jìn)行顯著性映射適用于不同分辨率的海洋圖像和不同像素點(diǎn)尺度的艦船目標(biāo)。

3 S-HOG原理

遙感圖像數(shù)據(jù)中可能存在與艦船目標(biāo)相似的干擾如碎云、島嶼、波浪等，導(dǎo)致候選區(qū)域提取結(jié)果中除艦船目標(biāo)外可能存在虛警，因此需要進(jìn)一步提取艦船目標(biāo)本身特征從而鑒別目標(biāo)、剔除虛警。通過(guò)分析艦船目標(biāo)與虛警目標(biāo)特征的差異性，提出采取S-HOG特征進(jìn)行艦船目標(biāo)鑒別和虛警剔除。

3.1 PCA規(guī)則化目標(biāo)切片

PCA主成分分析方法常用數(shù)據(jù)降維，通過(guò)線性變換將原始數(shù)據(jù)映射為一組各維度線性無(wú)關(guān)的表示，可用于提取數(shù)據(jù)的主要特征分量。

因S-HOG方向區(qū)間的特殊劃分和判別條件的設(shè)置，要求切片目標(biāo)的長(zhǎng)軸與豎直方向平行，而遙感圖像中艦船目標(biāo)常為任意方向，因此需首先對(duì)目標(biāo)候選區(qū)域進(jìn)行規(guī)則化。艦船呈細(xì)長(zhǎng)幾何對(duì)稱性質(zhì)，目標(biāo)像素點(diǎn)集中分布在艦船主軸方向上，可通過(guò)PCA計(jì)算目標(biāo)像素點(diǎn)的最大方差方向即艦船第一主軸方向，得到目標(biāo)與豎直方向夾角并旋轉(zhuǎn)使其和豎直軸方向保持平行。對(duì)顯著性映射得到的目標(biāo)候選區(qū)域提取其8連通域得到疑似目標(biāo)切片像素點(diǎn)個(gè)數(shù)為N，每個(gè)像素點(diǎn)可由二維坐標(biāo)向量表示

(5)

若目標(biāo)與豎直方向夾角為θ，變換后的新坐標(biāo)系為Y1-Y2，則目標(biāo)像素點(diǎn)的集合在新坐標(biāo)系中表示如式(6)所示，由此得到規(guī)則化目標(biāo)切片。

(6)

3.2 S-HOG

梯度方向直方圖(Histogram of Oriented Gridients，HOG)特征最早由Dalal等在CVPR-2005提出，是一種用于表征圖像局部梯度方向和梯度強(qiáng)度分布特性的描述符從而廣泛被用于物體目標(biāo)檢測(cè)?；贖OG原理，根據(jù)艦船幾何和紋理特征以及遙感載荷成像特點(diǎn)，提出了S-HOG艦船鑒別算法。按圖 3將艦船切片梯度方向劃分為8個(gè)特定區(qū)間1D-8D，以8個(gè)方向區(qū)間序號(hào)為直方圖橫軸，以對(duì)應(yīng)方向區(qū)間的梯度幅值累加值為縱軸統(tǒng)計(jì)其S-HOG特征[7]。

圖3 S-HOG方向劃分

為更有效的剔除和艦船相似的偽目標(biāo)，將艦船切片分為B1、B2和B3三部分計(jì)算其艦船梯度方向特直方圖征，艦船切片分塊方法如圖4所示，艦船整體切片為B1，切片水平均勻分割為B2和B3上下兩部分。

圖4 艦船方向劃分

艦船呈長(zhǎng)條狀對(duì)稱分布且垂直方向幅值變換較大可推測(cè)bin1和bin5統(tǒng)計(jì)值應(yīng)高于其它bins且bin1和bin5對(duì)稱分布。艦船、碎云和島嶼切片的梯度方向直方圖特征如圖5所示。

圖5 切片S-HOG特征

從上圖可以看出，相比于碎云和島嶼等容易造成虛警的物體，艦船的方向梯度直方圖基本符合理論分析。因衛(wèi)星載荷成像受光照的影響以及圖像中存在海雜波的干擾，bin1和bin5統(tǒng)計(jì)值近似等高，有一定的偏差。根據(jù)梯度方向直方圖特征設(shè)置式(7)-(9)進(jìn)行艦船鑒別。

(7)

(8)

(9)

基于S-HOG特征的艦船鑒別算法不受圖像和艦船目標(biāo)尺寸限制，具有較高的魯棒性且對(duì)圖像分辨率有一定的自適應(yīng)性。

4 實(shí)驗(yàn)結(jié)果

為驗(yàn)證上述算法的檢測(cè)性能，對(duì)4k*4k大小的GF-2圖像進(jìn)行切片裁剪構(gòu)建數(shù)據(jù)集。圖像分別率為2米，經(jīng)過(guò)圖像內(nèi)容篩選和目標(biāo)標(biāo)定得到200張512*512圖像切片，共包含82只艦船目標(biāo)。圖像數(shù)據(jù)集的背景包括無(wú)云平靜圖像、無(wú)云風(fēng)浪圖像和有云圖像。

為評(píng)估算法性能，給出常用評(píng)價(jià)指標(biāo)準(zhǔn)確率和虛警率定義，計(jì)算公式如下

Far=fp/(tp+fp)

(10)

Cr=tp/nops

(11)

其中Cr表示檢測(cè)的準(zhǔn)確率，F(xiàn)ar表示虛警率，npos表示圖像中真實(shí)艦船目標(biāo)個(gè)數(shù)，tp表示正確檢測(cè)到艦船目標(biāo)的個(gè)數(shù)，fp表示檢測(cè)到的虛警個(gè)數(shù)。

對(duì)圖像數(shù)據(jù)集進(jìn)行艦船目標(biāo)檢測(cè)，部分檢測(cè)結(jié)果如圖6所示。

圖6 艦船檢測(cè)結(jié)果

從檢測(cè)結(jié)果圖可以看出不同背景條件下、尺度不同的艦船均能被準(zhǔn)確檢出并標(biāo)記，且能有效剔除碎云和島嶼等形態(tài)相似干擾物的影響，算法檢測(cè)性能好、抗干擾能力強(qiáng)。

將圖像數(shù)據(jù)集的艦船目標(biāo)分為大艦船(長(zhǎng)度大于50像素)和小艦船(長(zhǎng)度在10～50像素之間)兩類(lèi)，分別統(tǒng)計(jì)其目標(biāo)檢測(cè)結(jié)果。并將算法檢測(cè)性能與文獻(xiàn)[2]的PFT算法進(jìn)行比較，具體結(jié)果如表1所示。

表1 艦船檢測(cè)結(jié)果

根據(jù)艦船檢測(cè)統(tǒng)計(jì)表可以看出，本文算法能較理想的檢測(cè)出大艦船目標(biāo)，但當(dāng)艦船所占像素點(diǎn)較少且海面背景環(huán)境復(fù)雜時(shí)，顯著性映射結(jié)果不理想，小艦船檢測(cè)準(zhǔn)確率相比大艦船有所下降。同時(shí)算法抗干擾能力強(qiáng)，虛警率較低。PFT算法在艦船目標(biāo)與背景對(duì)比度較低時(shí)可能會(huì)產(chǎn)生漏檢，其采用艦船面積進(jìn)行艦船鑒別的虛警率較高。綜上，相比于PFT算法，文中算法采用SR算法進(jìn)行顯著性映射的圖像增強(qiáng)效果更好，艦船檢測(cè)率更高，且能有效剔除碎云和島嶼等形態(tài)相似物的干擾、抑制風(fēng)浪造成的海雜波干擾，顯著降低了艦船檢測(cè)的虛警率。

5 總結(jié)

為了提高復(fù)雜海面背景下可見(jiàn)光遙感圖像艦船檢測(cè)的性能，本文提出了一種基于顯著性的檢測(cè)算法。首先采用譜殘差法對(duì)圖像進(jìn)行顯著性映射并通過(guò)自適應(yīng)閾值分割得到目標(biāo)前景二值化圖像，從而提取艦船目標(biāo)候選區(qū)域，然后對(duì)候選區(qū)域進(jìn)行規(guī)則化并統(tǒng)計(jì)其S-HOG特征進(jìn)行艦船鑒別。實(shí)驗(yàn)結(jié)果表明顯著性映射算法能有效提取疑似目標(biāo)的候選區(qū)域，算法檢測(cè)精度高，同時(shí)S-HOG特征能有效從疑似目標(biāo)中提取出真正的艦船目標(biāo)，算法虛警率低。該算法可以有效克服海雜波、碎云、島嶼等因素的干擾且適用于不同尺寸的艦船目標(biāo)檢測(cè)，但當(dāng)海面有波浪時(shí)弱暗目標(biāo)的檢測(cè)性能需進(jìn)一步提高。