基于多尺度雙鄰域顯著性的高分四號遙感圖像運動船舶檢測方法

余 偉 尤紅建 胡玉新 劉 瑞

(中國科學(xué)院空天信息創(chuàng)新研究院 北京 100094)

(中國科學(xué)院大學(xué)電子電氣與通信工程學(xué)院 北京 100049)

(中國科學(xué)院空間信息處理與應(yīng)用系統(tǒng)技術(shù)重點實驗室 北京 100190)

1 引言

海洋船舶監(jiān)視對海域經(jīng)濟發(fā)展、海洋環(huán)境保護、海洋船舶管理、漁業(yè)安全監(jiān)督和打擊海洋犯罪等方面具有重要的現(xiàn)實意義[1]。靜止軌道(GEostationary Orbit, GEO)遙感衛(wèi)星可對大面積指定區(qū)域進行持續(xù)觀測，具有覆蓋范圍廣、重訪周期短和觀測數(shù)據(jù)時效性強等顯著優(yōu)勢[2]。我國高分專項發(fā)射的地球靜止軌道高分辨率光學(xué)遙感衛(wèi)星--高分四號(GF-4)，其可見光近紅外譜段星下點空間分辨率為 50 m，幅寬達 500 km × 500 km[3]。GF-4衛(wèi)星具備對海上中、大型船舶進行連續(xù)觀測和監(jiān)視的能力，可快速獲取運動船舶的位置、航速、軌跡和運動趨勢等運動信息[4]。

在光學(xué)衛(wèi)星遙感圖像中，船舶目標(biāo)的灰度值通常遠低于云層和島嶼的灰度值，而且靜止軌道光學(xué)遙感衛(wèi)星軌道高度高、成像距離遠，加之大氣衰減和云霧遮擋，在靜止軌道衛(wèi)星光學(xué)遙感圖像中，船舶目標(biāo)一般比較弱小不易檢測。盡管GF-4衛(wèi)星遙感圖像分辨率為50 m，依然難以直接觀測到船舶本身，但是可以觀測到運動船舶形成的尾跡[5]。圖1給出了GF-4衛(wèi)星遙感圖像中的運動船舶尾跡示意圖，其中圖1(b)是GF-4衛(wèi)星光學(xué)遙感圖像，圖1(a)是圖1(b)中船舶尾跡1的局部放大圖，圖1(c)是圖1(b)中船舶尾跡2的局部放大圖?？梢钥闯鲈陟o止軌道的GF-4衛(wèi)星光學(xué)遙感圖像中，運動船舶尾跡一般只占幾像素或者十幾像素，屬于弱小目標(biāo)。目前，已經(jīng)有學(xué)者開展了基于靜止軌道衛(wèi)星光學(xué)圖像的船舶目標(biāo)檢測和跟蹤方法的研究[5-8]，并取得了一定的效果，但是這些方法沒有充分考慮船舶目標(biāo)十分弱小的特點，抗云層、島嶼和噪聲點干擾的能力不足，容易造成虛警或漏檢。

圖1 GF-4衛(wèi)星遙感圖像中的運動船舶尾跡

近年來，人類視覺系統(tǒng)(Human Visual System,HVS)被引入弱小目標(biāo)檢測中[9,10]。人類視覺注意機制能夠從復(fù)雜場景中迅速、準(zhǔn)確提取感興趣區(qū)域，使其在小目標(biāo)檢測中具有良好的效率和魯棒性。同時，海面船舶在運動過程中，在船體的后方會形成一定形態(tài)的尾跡，尾跡的傳播區(qū)域比船體本身大很多，而且船舶尾跡相比海面和船體，往往具有更強的光學(xué)反射特性，可以作為運動船舶檢測的重要依據(jù)。

因此，本文分析海面運動船舶的尾跡特征，基于視覺顯著性理論，設(shè)計一種多尺度雙鄰域顯著性模型(Multi-scale Dual-neighborhood Saliency Model, MDSM)，用于檢測船舶尾跡。并基于MDSM視覺顯著性模型，提出一種基于靜止軌道衛(wèi)星光學(xué)遙感圖像的運動船舶檢測方法。首先，使用MDSM視覺顯著性模型，計算圖像的局部顯著度，突顯船舶目標(biāo)的同時，抑制云層、海面雜波等背景；然后，使用自適應(yīng)閾值分割，提取顯著目標(biāo)，得到顯著目標(biāo)所在的位置；最后，利用船舶尾跡的形狀特征對候選區(qū)域的幾何形狀進行校驗，從候選目標(biāo)中去除島礁、斑點云等虛假目標(biāo)。

2 基于MDSM視覺顯著性模型的船舶檢測方法

本文所提基于MDSM視覺顯著性模型的運動船舶檢測方法分為3個環(huán)節(jié)：顯著性測量、目標(biāo)提取和虛警去除。MDSM視覺顯著性模型是一種局部對比度模型，只需要局部像素參與計算，具有并行計算的能力。由于靜止軌道的GF-4衛(wèi)星的覆蓋范圍達到500 km × 500 km，圖像大小為10000 pixels×10000 pixels。為了快速地檢測海面船舶目標(biāo)，本文采用圖像分塊并行計算的策略，將整幅圖像分成多個區(qū)塊同時使用MDSM模型進行顯著性檢測，從而提高整幅圖像船舶目標(biāo)檢測的速度。具體的方法流程如圖2所示。

圖2 基于MDSM視覺顯著性模型的船舶檢測流程

2.1 圖像分塊策略

在圖像分塊環(huán)節(jié)，如果直接將GF-4衛(wèi)星遙感圖像分成多個區(qū)塊，當(dāng)船舶目標(biāo)處于區(qū)塊邊緣，可能導(dǎo)致漏檢，因此圖像區(qū)塊之間需要一定的重合度。圖像分塊的策略如圖3所示。

圖像分塊檢測策略的過程如下：

(1)設(shè)定單個區(qū)塊大小為w × h，每個區(qū)塊與上下左右4個相鄰區(qū)塊各有一部分的重疊區(qū)，如圖3所示，中心區(qū)塊為Icenter，4個相鄰區(qū)塊分別為Iupper, Ileft, Ibottom, Iright，區(qū)塊之間疊寬度設(shè)為d。

圖3 圖像重疊分塊示意

(2)使用本文算法并行對每個區(qū)塊進行目標(biāo)檢測(包括顯著性檢測和虛假目標(biāo)去除)，保存單個w ×h區(qū)塊的檢測結(jié)果。

(3)等所有區(qū)塊檢測完成，對檢測結(jié)果進行合并，由于單個區(qū)塊的檢測結(jié)果是一個二值圖像，所以直接對重疊區(qū)求并集進行結(jié)果合并，即可得到最終的檢測結(jié)果。

2.2 多尺度雙鄰域視覺顯著性測量

2.2.1 雙鄰域模型設(shè)計

HVS算法一般通過定義目標(biāo)與周圍背景的局部灰差異來測量目標(biāo)的顯著度，比如局部對比度測量(Local Contrast Measure, LCM)方法[11]。本文基于HVS理論，設(shè)計了一種雙鄰域顯著性模型(Dualneighborhood Saliency Model, DSM)結(jié)構(gòu)，如圖4所示。DSM圓形結(jié)構(gòu)包括中心區(qū)域RC、中間區(qū)域RM和 背景區(qū)域RB，其中，紅色部分代表中心區(qū)域，綠色部分代表中間區(qū)域，藍色部分代表背景區(qū)域，每個區(qū)域的尺寸大小都為k。MSM分別計算中心區(qū)域RC與中間區(qū)域RM的灰度對比度，以及中心區(qū)域RC與背景區(qū)域RB的灰度對比度，來衡量中心區(qū)域的顯著度。

圖4 DSM模型結(jié)構(gòu)

2.2.2 雙鄰域模型尺度分析

運動船舶的尾跡主要由Kelvin波(Kelvin wave)、發(fā)散波(divergent wave)、橫波(transverse wave)、湍流波(turbulent wave)和破碎波(breaking wave)等組成，如圖5所示。

圖5 海面上的運動船舶尾跡組成圖

船舶尾跡在不同的探測手段中所表現(xiàn)出的組成和形態(tài)也有所不同，在GF-4衛(wèi)星光學(xué)遙感圖像中，只能觀測到運動船舶的湍流尾跡。湍流尾跡在GF-4衛(wèi)星光學(xué)遙感圖像表現(xiàn)為紡錘狀的高亮區(qū)域，灰度值高于海面背景。圖6是GF-4衛(wèi)星遙感圖像中不同大小和形態(tài)的兩個湍流尾跡切片。

圖6 GF-4衛(wèi)星遙感圖像中的湍流尾跡

湍流尾流與船舶的結(jié)構(gòu)、長度、寬度、吃水深度、航行速度以及風(fēng)速、風(fēng)向等多種因為有關(guān)。當(dāng)湍流尾跡比較小時，尾跡形態(tài)趨近于高斯斑點狀，當(dāng)湍流尾跡比較大時，尾跡形態(tài)趨近于高亮的長條狀。湍流尾跡的寬度一般是船體寬度的1～3倍，湍流尾跡的長度則可能是船體長度的1～20倍。一般船舶的寬度為幾十米，長度可達幾百米，而GF-4衛(wèi)星全色波段星下點分辨率為50 m，所以在GF-4衛(wèi)星遙感圖像中，湍流尾跡的大小可能占幾到幾十像素。為了適應(yīng)不同大小尾跡的檢測，本文將DSM結(jié)構(gòu)中尺寸因子k設(shè)為可變參數(shù)。

2.2.3 雙鄰域顯著性測量

本文基于雙鄰域DSM結(jié)構(gòu)，充分利用3個區(qū)域之間的灰度對比度來測量中心區(qū)域的局部顯著性。對于中心區(qū)域RC， 使用中心點像素點P C的k尺寸灰度均值代表RC的灰度特征；對于中間區(qū)域RM，使用均勻分布的12個像素點P M1-P M12的k尺寸灰度均值代表RM的 灰度特征；對于背景區(qū)域RB，使用均勻分布的12個像素點P B1-P B12的k尺寸灰度均值代表RB的灰度特征。

為了方便計算，本文首先對圖像進行k尺寸的均值濾波，公式為

其中，G(x,y)代表GF-4衛(wèi)星遙感圖像的像素點，x表示像素點在遙感圖像中的橫坐標(biāo)，y代表像素點在遙感圖像中的縱坐標(biāo)，Mk(·)表示k尺寸均值濾波過程，F(xiàn)(x,y)為均值濾波后的圖像像素點。均值濾波前DSM結(jié)構(gòu)中心區(qū)域像素點 PC的k尺寸灰度均值，即為均值濾波后像素點 PC的灰度值，本文表示為 m eanPC；均值濾波前DSM結(jié)構(gòu)中間區(qū)域像素點P Mi的k尺寸灰度均值，即為均值濾波后像素點PMi的灰度值，本文表示為m eanPMi；均值濾波前DSM結(jié)構(gòu)背景區(qū)域像素點 P Bi的k尺寸灰度均值，即為均值濾波后像素點P Bi的灰度值，本文表示為meanPBi。

本文定義中心區(qū)域RC和中間區(qū)域RM在12個方向的對比度用d(PC,PMi)表 示，d(PC,PMi)的表達式為

其中，m eanPC代 表中心區(qū)域RC的 灰度特征，meanPMi代表中間區(qū)域RM在第i個方向的灰度特征，i=1,2,···,12。采用中心區(qū)域灰度均值m eanPC來計算顯著性能夠有效地減少遙感圖像中高亮瑕疵點和噪聲的影響。

其中，i= 1,2,···,12,j=1,2,···,6。m ax(meanPMi)代表中間區(qū)域12個方向m eanPMi的 最大值，d(PC,PMj)×d(PC,PMj+6)是 中間區(qū)域兩個對角方向m eanPMj的乘積，當(dāng)中心區(qū)域的 meanPC大于中間區(qū)域max(meanPMi) 的時候，DM的值才有意義。

其中，m eanPBi代 表背景區(qū)域RB在第i個方向的灰度特征， m ax(meanPBi)代 表12個方向m eanPBi的最大值。一般船舶尾跡所在的中心區(qū)域的灰度值高于外層背景區(qū)域的灰度值，因此DB可以有效地抑制云層雜波，有效地突出船舶尾跡。

假設(shè)DSM結(jié)構(gòu)的尺度因子為k，則k尺度的DSM視覺顯著度可以用D SMk表示，公式為

其中，DM(k)為k尺度的DSM結(jié)構(gòu)中心區(qū)域和中間區(qū)域的對比度，DB(k)為k尺度的DSM結(jié)構(gòu)中心區(qū)域和背景區(qū)域的對比度。

2.2.4 多尺度顯著性測量

由于船舶尾跡的尺寸大小并不固定，且和船體大小、行駛速度、圖像空間分辨率等多種因素相關(guān)，單一尺度的DSM結(jié)構(gòu)無法適合和檢測所有尺寸大小的船舶尾跡。因此本文基于DSM結(jié)構(gòu)，使用多尺度雙鄰域顯著性模型(Multi-scale Dualneighborhood Saliency Model, MDSM)來檢測不同大小和形態(tài)的船舶尾跡。

其中，D N是 歸一化之前DSM顯著圖的灰度值，DNmax是歸一化之前的DSM顯著圖的最大灰度值，DNmin是歸一化之前的DSM顯著圖的最小灰度值，DNnew歸一化之后DSM顯著圖新的灰度值。

在歸一化之后的k尺度DSM的顯著性圖中，設(shè)像素點Pk(x,y)的 灰度值為D SMk(x,y)，則對應(yīng)MDSM顯著圖中像素點Pmdsm(x,y)的灰度值表達式為

其中，k為DSM尺度的大小，k=2,3,···,L，L為MDSM中尺度k的最大值。因此，MDSM表達式為

圖7給出了MDSM顯著圖的計算過程。

圖7 MDSM多尺度顯著圖的計算過程

2.3 基于顯著性的目標(biāo)提取

根據(jù)MDSM的計算，可以得到圖像的MDSM顯著度圖，船舶尾跡區(qū)域?qū)Ρ榷鹊玫皆鰪?，高亮瑕疵點、隨機噪聲、云層雜波和海面背景雜波得到有效抑制，信噪比得到了明顯提升。本文采用自適應(yīng)閾值對目標(biāo)和背景進行分割，分割閾值τ的表達式為

其中，μ為歸一化顯著圖的均值，σ為歸一化顯著圖的標(biāo)準(zhǔn)差。λth為分割因子，使用閾值τ對歸一化顯著圖進行分割，即可提取候選目標(biāo)所在的位置。圖8為MDSM顯著目標(biāo)提取的過程。

圖8 MDSM顯著目標(biāo)提取

2.4 尾跡形狀校驗

基于MDSM視覺顯著模型檢測到的候選船舶目標(biāo)中往往包含虛假目標(biāo)，比如高亮島礁和斑點云。而經(jīng)過前文分析，船舶尾跡在圖像中表現(xiàn)為紡錘狀的高亮區(qū)域，具有一定的幾何形狀，尤其是當(dāng)船舶尾跡比較顯著時，形狀特征會更加明顯。因此，文本基于MDSM檢測結(jié)果的基礎(chǔ)上對尾跡形狀特征進行校驗，以剔除虛假目標(biāo)。形狀校驗的前提是獲取船舶尾跡的形狀和輪廓，然而MDSM顯著圖的檢測結(jié)果，只是搜索候選目標(biāo)在圖像中的位置，而不能體現(xiàn)候選目標(biāo)的大小和輪廓，實際上MDSM顯著圖中的顯著結(jié)果往往是船舶尾跡的中心位置，而不是船舶尾跡本身。因此，本文以每個檢測結(jié)果所在位置為中心，提取64 pixels×64 pixels的感興趣區(qū)域，然后對每個感興趣區(qū)域使用Otsu方法(大津法)進行區(qū)域二值分割，以分離尾跡區(qū)域與海面背景，分割公式為

其中，G(x,y)代表GF-4衛(wèi)星遙感圖像的像素點，x表示像素點在遙感圖像中的橫坐標(biāo)，y代表像素點在遙感圖像中的縱坐標(biāo)，Totsu是Otsu 方法的分割閾值，S(x,y)為分割后的二值圖像像素。對于分割后的圖像，以MDSM顯著圖檢測結(jié)果為中心的連通區(qū)域即為尾跡區(qū)域。一般尾跡的寬度越大，意味著船舶本身的噸位越大或者運動速度越快，對海水的攪動也更強烈，船舶后方形成的湍流尾跡會越長，因此船舶尾跡的長度和寬度之間存在著一定的正相關(guān)關(guān)系。本文基于這一分析，對湍流尾跡的形狀進一步進行驗證，剔除不符合尾跡幾何特征的虛假目標(biāo)。假設(shè)尾跡區(qū)域的最小外接橢圓的長度為Lwake，寬度為Wwake，長寬比為Rwake。則船舶尾跡的寬度Wwake和長寬比Rwake應(yīng)滿足一定的范圍。本文使用式(11)進一步校驗船舶尾跡的形狀

3 實驗結(jié)果與分析

3.1 實驗設(shè)計及評價方法

為驗證所提方法的有效性，本文使用4組GF-4衛(wèi)星全色遙感圖像進行實驗，4組圖像覆蓋了薄云、密卷云、厚云、薄云遮蓋目標(biāo)、斑點云、多目標(biāo)等多種場景。由于GF-4衛(wèi)星光學(xué)遙感圖像的幅寬比較大，船舶尾跡在遙感圖像只占很少的像素，本文從原始圖像中裁切25 km×25 km(500 pixels ×500 pixels)的大小作為實驗區(qū)域，以便于觀察船舶尾跡及分析實驗結(jié)果，并通過與其他算法對比，驗證MDSM檢測算法的性能。在MDSM顯著性模型中，最關(guān)鍵的參數(shù)是尺度因子k，結(jié)合4組GF-4衛(wèi)星實驗數(shù)據(jù)，對尺度因子k 的取值進行分析，從而設(shè)置適合GF-4衛(wèi)星遙感圖像的最優(yōu)尺度因子。本文所使用的4組實驗數(shù)據(jù)說明如表1所示。

表1 實驗數(shù)據(jù)說明

為了分析和對比不同檢測算法的檢測性能，使用檢測率 TDR 和虛警率F AR兩個指標(biāo)對檢測算法進行評價。檢測率TDR和虛警率FAR的計算公式為

其中，PT和NF分 別為正確檢測到的船舶數(shù)量和未被檢測出來的船舶數(shù)量。PF是錯誤檢測到的船舶數(shù)量。

同時，為了進行MDSM算法參數(shù)(多尺度因子k)的優(yōu)選，使用信雜比率( Signal to Clutter Ratio,SCR)來評估不同尺度因子對目標(biāo)的增強效果。SCR是衡量目標(biāo)檢測難度以及目標(biāo)顯著性的重要指標(biāo)，計算公式為

其中，μt是 圖像中候選目標(biāo)的灰度最大值，μb是圖像的灰度均值，σb是圖像的標(biāo)準(zhǔn)差。目標(biāo)的SCR越小代表目標(biāo)檢測的難度越大，SCR越大代表對目標(biāo)的增強效果越好。

另外，表1的實驗數(shù)據(jù)都是GF-4衛(wèi)星光學(xué)遙感圖像中的圖像切片(感興趣區(qū)域)，為驗證分塊策略的檢測效率，需要直接使用整幅GF-4衛(wèi)星全色遙感圖像進行分塊并行實驗，統(tǒng)計4組遙感圖像在不同分塊策略下的平均檢測總用時，驗證圖像分塊檢測效果。

3.2 多尺度因子分析

在多尺度雙鄰域顯著性模型中，尺度因子k的選擇非常重要。如果要去除高亮噪聲點的影響，尺度因子k的取值必須大于1。k的取值最好與目標(biāo)的大小相匹配，尺度因子k的取值如果過大，會導(dǎo)致無法檢測弱小的船舶目標(biāo)。

通過前文分析，利用GF-4衛(wèi)星光學(xué)遙感圖像檢測海面運動船舶，實際上是檢測圖像中運動船舶的湍流尾跡。而湍流尾跡的大小和形態(tài)并不是固定的，與船體的大小、運動速度、海面環(huán)境等多種因素有關(guān)。因此，單一尺度的檢測模型無法適用于所有可能的目標(biāo)尾跡。多尺度因子可以適應(yīng)檢測目標(biāo)大小的變化，但是需要確定多尺度因子的取值范圍，從而使算法具有更好的適應(yīng)性和檢測性能。

本文使用4組不同場景GF-4衛(wèi)星光學(xué)遙感圖像中各一幀圖像作為測試數(shù)據(jù) ，采用不同的尺度因子k開展實驗，通過歸一化顯著圖中目標(biāo)的灰度最大值和目標(biāo)的信雜比率SCR兩個指標(biāo)來分析不同尺度因子k對目標(biāo)的增強效果。不同場景的4幀圖像中共有12個可疑的候選目標(biāo)，實驗結(jié)果如圖9所示。

從圖9(a)可以看出，不同尺度因子k對歸一化顯著圖中候選目標(biāo)的灰度最大值影響并不明顯，除了少數(shù)目標(biāo)在k=2時的灰度最大值不同于其他尺度因子以外，同一目標(biāo)的灰度最大值在不同的尺度因子下非常接近。從圖9(b)可以看出，大部分目標(biāo)在尺度因子k=2時，SCR的值最大，在尺度因子k=5時，SCR的值最小。但是對于候選目標(biāo)7，當(dāng)k=3時，目標(biāo)的SCR最大，而且k=3或者k=4時，目標(biāo)的SCR高于k=2時的SCR值。對于候選目標(biāo)11，當(dāng)k=4時，目標(biāo)的SCR最大，當(dāng)k=2時，目標(biāo)的SCR最小。所以，針對GF-4衛(wèi)星光學(xué)遙感圖像，本文將MDSM模型中多尺度因子k的取值范圍設(shè)定在2～4。

圖9 不同尺度因子對候選目標(biāo)的增強效果

3.3 顯著性檢測分析

為驗證MDSM顯著性測量方法的檢測性能，本文使用另外2種經(jīng)典的顯著性測量方法進行對比實驗，包括基于空間域的多尺度塊對比度測量(Multiscale Patch-based Contrast Measure, MPCM)方法[12]和基于頻率域的頻譜殘差(Spectral Residual,SR)方法[13]。自適應(yīng)閾值分割中的分割系數(shù)λth統(tǒng)一設(shè)置為20，具體的實驗參數(shù)設(shè)置如表2所示。

表2 實驗參數(shù)說明

各算法的檢測效果如圖10所示，其中圖10(a)-圖10(d)是4組GF-4衛(wèi)星遙感圖像，圖10(e)-圖10(h)是MPCM顯著性檢測結(jié)果，圖10(i)-圖10(l)是SR顯著性檢測結(jié)果，圖10(m)-圖10(p)是MDSM顯著性檢測結(jié)果。

圖10(a)-圖10(d)紅色方框內(nèi)標(biāo)識出了真實目標(biāo)所在的位置，從圖10可以看出，MPCM算法具有較強的背景抑制能力，但是在第2組和第3組數(shù)據(jù)中出現(xiàn)了很多虛警，尤其是在第2組測試數(shù)據(jù)中出現(xiàn)了大量虛警；SR算法的背景抑制能力和抗瑕疵點干擾的能力比較弱，因為圖像中黑色瑕疵點的影響，在第1組和第2組數(shù)據(jù)中出現(xiàn)了虛警，將黑色瑕疵點檢測為目標(biāo)，并導(dǎo)致在第2組數(shù)據(jù)中出現(xiàn)了漏檢，同樣在第3組和第4組數(shù)據(jù)中也出現(xiàn)了漏檢；而本文所提MDSM算法具有極強的背景抑制能力，成功檢測出所有目標(biāo)，虛警率也較低。

圖10 顯著性檢測方法對比

對于斑點云等虛假目標(biāo)，本文通過形態(tài)校驗進一步排除不符合尾跡形態(tài)特征的虛假目標(biāo)，降低虛警率。通過前文對GF-4衛(wèi)星光學(xué)遙感圖像分辨率和目標(biāo)形態(tài)的分析，本文設(shè)置Wmin的 值為2，Wmax的取值為6。

基于4組共210幀圖像數(shù)據(jù)，使用客觀指標(biāo)對幾種算法的檢測性能進行了統(tǒng)計分析，統(tǒng)計結(jié)果如表3所示。

從表3可以看出MPCM算法具有較高的檢測率，但是虛警很多；SR算法具有較低的虛警率，但是檢測率不高；本文提出的MDSM算法具有很高的檢測率和較低的虛警率；而且，經(jīng)過形狀校驗可以進一步去除虛假目標(biāo)，降低虛警率。

表3 實驗結(jié)果統(tǒng)計

3.4 并行效率分析

由于GF-4衛(wèi)星幅寬較大，單幅遙感圖像大小為10000 pixels×10000 pixels，本文使用分塊策略加快檢測速度。分塊檢測的效率與計算機硬件配置、分塊大小、并發(fā)線程數(shù)等多種因素有關(guān)。實驗使用的計算機硬件配置為Intel(R) Core(TM)i7-7700，4核CPU，主頻3.60 GHz。使用不同分塊策略進行實驗，統(tǒng)計檢測總用時，統(tǒng)計結(jié)果如表4所示。

由表4可以看出，圖像未分塊的檢測總用時為903 s，分成4塊的檢測總用時為308 s，分成9塊的檢測總用時為317 s，分成16塊的檢測總用時為335 s。實驗表明，圖像分塊并行計算的檢測總用時，明顯優(yōu)于未分塊的檢測總用時。不過分塊數(shù)目并不是越多越好，對于4核CPU，分塊數(shù)為4塊的檢測總用時最少，效率最優(yōu)。

表4 不同分塊策略用時統(tǒng)計

4 結(jié)束語

靜止軌道光學(xué)遙感圖像中船舶目標(biāo)比較弱小不易檢測，本文分析運動船舶的尾跡特征，基于視覺顯著性理論，提出了一種多尺度雙鄰域顯著性模型，用于檢測弱小船舶尾跡。同時利用尾跡的形狀特征進一步去除島嶼、斑點云等虛假目標(biāo)。通過多組GF-4衛(wèi)星光學(xué)遙感圖像實驗和分析，表明本文提出的方法可以有效地檢測靜止軌道光學(xué)遙感圖像中的運動船舶目標(biāo)，相比其他經(jīng)典的視覺顯著性算法，具有更好的檢測性能。GF-4衛(wèi)星具有類視頻星的工作特點，可以對觀測區(qū)域連續(xù)成像形成圖像序列，基于本文的研究成果，后續(xù)研究可以使用多幀圖像序列，開展船舶目標(biāo)的關(guān)聯(lián)跟蹤，獲取海面運動船舶的航速、航跡等運動信息。