近海岸目標快速提取

萬磊，曾文靜，張鐵棟，徐玉如(哈爾濱工程大學 水下機器人技術國防科技重點實驗室，黑龍江 哈爾濱 150001)

對于海面運動載體如水面艇，在一定的范圍內需要依靠數字攝像頭來檢測前方目標.如何快速有效地完成靜態圖像中海上目標的正確分割是目前一大難題［1］.有些學者為了分割出目標，嘗試采用分形模型描述波浪［2］，通過不斷地改變窗口大小實現目標定位.吳琦穎等［3］提出了一種迭代的基于倒三角小模板的線性低通濾波方法，實現了粗分辨率圖像上的平滑和目標檢測.Smith等［4］通過利用小窗口的波浪直方圖作為匹配模板以區分波浪和非波浪.以上方法在實時性和準確性方面并不占優勢.鑒于此，針對海岸背景下的海面圖像序列，提出了一種快速的近海目標自動檢測方法.

1 海岸線檢測

之所以先檢測海岸線，是因為作為海面目標的終結界限，海岸線為目標的定位提供了重要信息，同時也為搜索近海目標縮小了范圍.檢測出海岸線，后續就可以僅處理海面部分，簡化了目標檢測的難度.在海岸界限內尋找海岸線使得計算量更小并且受到的干擾更小，所以這里首先分析海岸背景的圖像特點，然后量化該特點，粗略定位海岸界限區域，之后在該區域內進行相應的輪廓提取及直線檢測.

1.1 海岸背景圖像特點

典型的海岸背景圖像如圖1所示，有以下幾個特點:1)在載體航行過程中，可見光攝像機得到的圖像背景雖然時刻變化，但總體來講圖像由上中下三部分組成，即天空區域、海岸界限區域和海面區域.海岸界限區域包含有貫穿整個視野的信息量，該區域相對來講具備一定的復雜度.2)整個圖像中，海岸界限區域鄰接天空的鄰域與其鄰接海面的鄰域之平均灰度差最顯著.這是由于一般情況下海面圖像中，3個區域不可變更的位置順序所決定的，天空區域的灰度均值遠大于海面區域的灰度均值.3)在海岸界限區域，假如岸上的建筑物輪廓中或海面上連成片的波紋中正好出現了連續直線，其長度足夠大，那么它有可能被誤檢為海岸線.但是除了這種較為極端的現象以外，自然界中的岸與海交接的線才是橫貫圖像連接最緊的最長直線，盡管有時這條直線可能會被船只分裂開來.

圖1 原始海岸背景圖像Fig.1 Original off-shore background images

1.2 定位海岸界限區域

量化海面圖像各個區域的視覺感受特征有助于判斷海岸界限存在于圖像中的位置.已知原始圖像大小為M×N像素，沿著列方向將該圖像F(x，y)平均分割為 T(T ＞3)幅子圖像 f1、f2、…、ft，每幅子圖像的尺寸皆為A×N(A=M/T)像素.規定每相鄰3幅子圖像(fi-1，fi，fi+1)(1＜i＜t)組成一個單元區域，每個單元區域的視覺感受特征量化指標M(fi-1，fi，fi+1)由兩部分因素構成，中間子圖像fi的復雜度和與之相鄰的上下子圖像fi-1，fi+1間的灰度差異.將量化指標 M(fi-1，fi，fi+1)表示為

式中:G(fi-1)與G(fi+1)分別為子圖像fi-1和子圖像fi+1的平均灰度;H(fi)為子圖像fi的熵，表示復雜度，其中，0≤ps≤1(s=0，1，…，255)=1.熵值越大對應區域的灰度種類越多，變化越劇烈，包含的信息量越大［5］.計算各個單元區域的指標M(fi-1，fi，fi+1)，當中間子圖像的熵值越大，且相鄰上下子圖像間的灰度均值之差越大時，這個單元區域屬于海岸線區域的可能性就越大.

1.3 海岸界限輪廓提取

Canny算子是一種常用且較為出色的邊緣檢測算子［6-7］.針對其自身的局限性，采用周圍紋理抑制方法(surround suppression)對其改進［8］，使得邊緣信息中在包含海岸線信息同時有較少的冗余的紋理信息，實現在所定位的海岸界限區域內對海岸輪廓的提取.

1.3.1 原始梯度計算

由于海岸線是沿著行方向連續的直線，所以只計算y方向的梯度，以減少非y方向的梯度影響，則原始梯度計算公式為

式中:Mag表示圖像梯度，Mag(y)表示圖像在y方向的梯度.

1.3.2 各向同性紋理抑制

紋理抑制概念是由Grigorescu等［8］提出的，主要用來消除Canny邊緣算子所帶來的輪廓內部紋理產生的無意義邊緣.其原理是當一個邊緣像素的梯度與它周圍的梯度強度相似時，就對其予以抑制，這樣可以在一定程度上減弱內部紋理，使得邊緣能量集中在輪廓上.定義權重函數wσ為

圖2為σ=1時，wσ的變化趨勢［9］.圖3為圖2對應的具備抑制作用的環形區域.半徑為r1的圓內，DoGs(x，y)＜0，權重 wσ為0，即在這個鄰域內，支持原始梯度大小.半徑為r2的圓外，DoGσ(x，y)微乎其微，工程上不考慮它的貢獻，所以僅圓環區域為抑制區.一般地，r1≈2σ，r2=4r1.這種紋理邊緣抑制方法符合人眼視覺感受.

圖2 權重函數Fig.2 weighted function

圖3 抑制作用的環形區域Fig.3 Suppression ring region

1.3.3 改進梯度計算

將梯度與權重函數進行卷積，得到每個像素點的周圍加權抑制因素，從原梯度中減去抑制部分，則可以得到人眼希望保留的部分Mag(ss)，突出感興趣的邊緣，大多表現為輪廓形式，計算公式［10］為

采納這一算法，是認為在圖像的所有輪廓中提取海岸線要比在圖像的所有梯度邊緣中提取海岸線更簡單快捷.之后，繼續原始Canny算法步驟中的非極大值抑制以及雙閾值化以得到二值圖像.

1.4 哈夫/Hough變換加權投票

通過分析海岸線存在于圖像中的特點，得知該直線應該是視野中連續性最好的最長直線.而其余的非海岸線長直線，則是由輪廓上的點與其他隨機的點的集合，這些點組成的直線長度有可能比海界線的長度更長.這里提出對參數空間的每個投票做加權的方法來求直線的有效長度，選擇有效長度最長的直線作為海岸線.

首先對邊緣圖像做標準哈夫/Hough變換［11］.對每一個像素點(x，y)，計算經過該點的所有直線對應的參數(ρ，θ)，對參數空間進行圖像空間像素點個數的投票累積.實際上，累積的投票就是在圖像中支持該參數對應直線的邊緣點的數量，這里稱之為表象長度S.設對應直線在圖像中表現為n條分線段構成，每條分線段的像素數為Li，(1＜i＜n)，那么有

選取參數空間中表象長度大于某個閾值的直線作為候選直線，將閾值設置為L，以減少部分干擾源.若候選直線的條數t為1，那么這條直線即為所求的海岸線;若t大于1，則在候選直線中提取出最可能成為海界線的直線，對所有S＞L的候選直線進行投票加權，求其有效長度E.對于n條分線段，每條分線段上的像素賦予相同的權值wi，定義為該線段的長度Li占候選直線橫貫圖像的長度Lt的比例，即

很明顯，分線段占標準長度的比例越大，該線段對直線的投票權值越大，對有效長度的貢獻也就越大.而且表象長度S最大并不代表有效長度E最大.選擇有效長度最大的那條直線作為海界線，有效長度的表示方法符合人眼觀測海界線的連續性特征.

2 濾波

檢測出海岸線后，需對海岸線以下的區域進行分割處理.由于海面雜波的灰度變化起伏較大，而且近距離的艦船自身的顏色特征也較為突出，所以單純的閾值分割方法顯然很難將海面雜波與艦船目標區分開［12］，因此從強烈的海面雜波干擾中提取艦船目標仍然是非常困難的一件事情.考慮到在平靜海面條件下，聚類方法能夠將前景與海面有效分離，因此在這種理念下，將重點放在濾波處理上，提出一種非傳統的濾波方法來平滑海面部分.該處理方法的優勢在于:1)濾波之后能夠減少聚類方法的計算量;2)濾波使得海面平滑，降低由偽目標引起的虛警率.從海面序列圖像看出，雖然海面上波浪高低起伏，但它同樣具有紋理比較細膩，顏色分布比較均勻等特點.對于海面來講，它自身區域性很強，雖然也會出現不同于海面灰度的某個局部小區域，但整體上灰度基本具有區域一致性，使得人眼一看便可識別出非海面的目標區域，所以從像素點出發來進行濾波，不如從像素塊出發進行濾波處理，用每個像素塊的主頻灰度來代替原像素值.對于像素塊主頻灰度，這里定義為像素塊中出現最多的灰度段的平均值，實現過程的偽代碼如下:

m×n為像素塊大小，δ為灰度距離度量準則，這3個參數需要事先確定.t，t1為像素的索引，tmax為灰度最大值，gmin為灰度最小值，label為灰度的類別，categ［j］為像素 j對應的類別，labels［i］為類別 i對應的像素個數.

開始:

置t的初值為0;置label的初值為-1;置categ［j］的初值為-1;置labels［i］的初值為0;

For像素塊內的每個像素P［t］，

{If categ［t］為-1，

{label++ ，labels［label］++ ，

label?categ［t］?gmax，

P［t］?gmin;

For沒有類別標記的其余像素P［t1］，

{If P［t1］≤gmax+δ而且 P［t1］≥gmin-δ，

{categ［t1］=label，

labels［label］+1?labels［label］，更新

label類里的gmax和gmin}

}

求取當前所有類別中占比例最大的類L;

If 2×labels［L］＞m×n- ∑i=labellabels［i］，

{類L即為主頻灰度段，段內灰度平均值即為主

頻灰度，Break}

}

}

結束.

3 聚類

在海岸線以下，經過上述濾波處理過后，海面背景達到了灰度一致性與區域一致性，從而在空間特征上與色彩特征上均具備聚類的優勢.所以文中目標檢測將聚類方法作為實現目標與海面背景分離的核心步驟.聚類之前先將圖像的灰度空間轉換到LUV空間.經過濾波處理后，針對背景中相近的像素點，以像素點為單位，按照相似準則對其進行粗分割，然后以初步聚類得到的點集為單位，之后根據LUV色彩空間的Euclidean距離對其進行細分割［13］，最后通過限制最小區域面積去除瑣碎的小區域.步驟如下:

1)對海岸線以下的像素點xi，按照8鄰域區域生長方式進行掃描，合并滿足相似準則的點，標記其所屬類zj.

2)比較類與類之間的相近程度，依據色彩空間的距離閾值 Eδ，將鄰近的區域融合成同一類，并更新類別.

3)每一類代表一個區域，判斷所有區域的大小，若區域面積少于M，將該區域歸入與其特征最接近的區域.

之所以進行粗分割和細分割，是因為粗分割可以很快地將相似的像素點歸類，但是由于區域生長的結果使得歸類的點集比較分散，為了讓所有的點集具有區域一致性，再次使用細分割對分散的點集進行聚類，這樣能達到快速精確的分割效果.按照先驗知識，面積最大的類為海面背景，所以由此來二值化圖像，將最大的區域灰度設置為黑，其余區域設置為白，即完成了目標分割，然后按照目標由遠及近而由小到大的特征，設置與海岸線距離相應的區域大小限制，來排除偽目標.

4 試驗結果

為了驗證文中提出方法的有效性，對某型艇于海面采集的可見光視頻進行圖像處理，原始圖像大小為352×288，3組序列圖像共318幀，本文算法準確地檢測出目標的概率大于90%，偽目標出現的概率小于5%.由于篇幅的限制，只對圖1中的海岸圖像進行結果展示.實驗平臺為PentiumIV處理器，1G內存，軟件平臺為WindowsXP操作系統，Visual C++6.0 編輯器.

由于圖像最下面的單元區域容易受到水面艇自身首部及其運動產生強波浪的影響，所以將其排除不參與計算.為了減弱海岸子圖像的影響，取最大指標M所對應的單元區域和其下相鄰子圖像一起組成海岸線區域.檢測海岸線時所選取的參數分別為:T=12，σ =1，Thigh=0.05 Tlow=0.01，L=width/5.對海岸線以下進行主頻灰度濾波，參數為:δ=15，濾波模板為3 ×3.聚類的參數為:Eδ=0.25，M=10.岸線檢測結果、濾波結果與聚類結果分別如圖4～6所示.

圖4表明對于4幅圖像，本文方法均能準確地定位海岸線.由圖5可以看出，相比3×3中值濾波結果，文中所提出的濾波方法取得了更加理想的效果，海面波浪基本成為等灰度的整體區域.圖6(a)為圖像沒有經過濾波的聚類結果，可見對于有浪的海面狀況，很難成功地分離出目標.中值濾波后的聚類結果中也存在很多偽目標.而主頻灰度濾波后的聚類結果不僅能夠精確檢測到目標的位置，而且受到偽目標的干擾極小，即使存在，也不是區域性的，可以利用后處理輕易排除.為了明顯展示圖像分別經過2種濾波方法后的聚類結果，圖6均未經過后處理來剔除偽目標.

從計算量來看，中值濾波與主頻灰度濾波的計算量是一致的，然而沒有經過濾波與中值濾波和主頻灰度濾波的結果對于聚類的計算量影響極大，灰度越平滑，聚類的計算量越小，反之越大.從處理時間上來看，沒有經過濾波的聚類過程平均耗時1 000 ms左右，經由3×3中值濾波的聚類過程平均耗時600 ms左右，而經由主頻灰度濾波的聚類過程平均耗時200 ms左右，時間優勢顯而易見，為后續的識別等任務奠定了可靠的基礎.

圖4 海岸線檢測結果Fig.4 Offshore line detection result

圖5 濾波結果比較Fig.5 Comparison of filtering results

圖6 濾波處理后的聚類結果比較Fig.6 Comparison of clustering results

5 結束語

針對海面運動載體可見光序列圖像，緊密結合海岸背景圖像的特點，提出了一種以檢測海岸線為前提的近海目標自動檢測方法.該方法首先利用海面圖像的分塊復雜度和相鄰塊間灰度的差異來定位海岸線區域，再提取海岸線區域的主要輪廓，之后對哈夫/Hough變換進行投票加權處理，得出海岸線的精確位置.實驗證明該方法既能夠檢測傾斜海岸線也可以檢測水平海岸線.然后對海岸線以下的海面部分，作主頻灰度濾波處理，以消除雜波效應，接著憑借海面背景的聚類優勢，對濾波的部分進行聚類，將最大面積的區域與其他區域分離開來二值化圖像，最后依照目標物由遠及近的大小變化制定最小區域面積以剔除偽目標，即完成了目標檢測，整個過程在0.2 s以內，能夠準確快速的給出目標的形狀結果，為海面目標識別提供了可靠的參考作用.然而對于運動的海面載體來說，其攝像頭獲取的圖像不僅有海岸背景，也有海天背景，如何在2種背景下均適用是下一步值得研究的問題.

［1］齊永鋒，火元蓮，張家樹.基于簡化的PCNN與類內最小離散度的圖像自動分割方法［J］.光電子·激光，2008，19(9):1259-1264.QIYongfeng，HUO Yuanlian，ZHANG Jiashu.An automatic image segmentation method based on simplified PCNN and minimumscatter within clusters［J］.Journal of Optoelectronics·Laser，2008，19(9):1259-1264.

［2］趙亦工，朱紅.自然背景中人造目標的自適應檢測［J］.電子學報，1996，24(4):17-20.ZHAO Yigong，ZHU Hong.Adaptive detection of artificial objects in natural background［J］.Acta Electronica Sinica，1996，24(4):17-20.

［3］吳琦穎，李翠華.用于海上感興趣區域實時分割的近似算法［J］.廈門大學學報:自然科學版，2007，46(1):33-37.WU Qiying，LI Cuihua.The approximation algorithms applied tomaritime region of interest segmentation［J］.Journal of Xiamen University，2007，46(1):33-37.

［4］SMITH A，TEALmK.Identification and tracking ofmaritime objects in near-infrared image sequences for collision avoidance［C］//7th International Conference on Image Processing and Its Applications.Manchester，UK，1999:250-254.

［5］祝世平，夏曦，張慶榮.一種基于逐點閩值分割的圖像邊緣檢測方法［J］.光電子·激光，2008，19(10):1383-1387.ZHU Shiping，XIA Xi，ZHANG Qingrong.An edge detection algorithmin image processing based on point-by-point threshold segmentation［J］.Journal of Optoelectronics·Laser，2008，19(10):1383-1387.

［6］劉媛媛，劉文波，甄子洋.灰色關聯度和模糊熵相結合的圖像分割算法［J］.光電子·激光，2008，19(9):1250-1253.LIU Yuanyuan，LIUWenbo，ZHEN Ziyang.Image segmentationmethod based on fuzzy entropy and grey relational analysis［J］.Journal of Optoelectronics·Laser，2008，19(9):1250-1253.

［7］白婷婷，鄧彩霞，耿英.基于小波變換與Canny算子融合的圖像邊緣檢測方法［J］.哈爾濱理工大學學報，2010，15(1):44-47.BAITingting，DENGCaixia，GENGYing.Image edge detection based on wavelet transformand Canny operator［J］.Journal of Harbin University of Science and Technology，2010，15(1):44-47.

［8］GRIGORESCU C，PETKOV N，MICHEL A.Westenberg contour and boundary detection improved by surround suppression of texture edges［J］.Image and Vision Computing，2004，22(8):609-622.

［9］GUO Siyu，PRIDMORE T，KONG Yaguang，et al.An improved Hough transformvoting scheme utilizing surround suppression［J］.Pattern Recognition Letters，2009，30:1241-1252.

［10］HIDAYAT R.Texture-boundary detection in real-time［D］.Christchurch:University of Canterbury，2010:75-76.

［11］郭斯羽，孔亞廣，張煦芳.基于局部連通性和PCA的直線檢測Hough算法［J］.電子測量與儀器學報，2008，22(6):70-74.GUO Siyu，KONG Yaguang，ZHANG Xufang.Hough transformfor straight line detection based on local connectivity［J］.Journal of Electronic Measurement and Instrument，2008，22(6):70-74.

［12］董宇星，劉偉寧.基于灰度特性的海天背景小目標檢測［J］.中國光學與應用光學，2010，3(3):253-256.DONG Yuxing，LIUWeining.Detection of sea sky line in complicated background based on grey characteristic［J］.Chinese Journal of Optics and Applied Optics，2010，3(3):253-256.

［13］XU Tao，IKER G.An objective evaluation of the mean shift-based image segmentation algorithm［C］//Proceedings of IPCV.Las Vegas，USA，2008:205-211.