基于色彩空間變換與異常檢測的多光譜艦船感興趣區域檢測

唐天翼等

摘 要： 針對多光譜遙感圖像中復雜海面背景下海上艦船檢測問題，在高斯模型RX異常檢測算法的基礎上進行改進，提出一種基于色彩空間變換的復雜海面上艦船感興趣區域（ROI）的自動檢測方法，解決了傳統的閾值分割方法在遙感圖像復雜海面背景下較難將目標與背景分離的問題。在多種不同復雜海面背景下的艦船ROI檢測實驗中，與傳統閾值分割方法比較，該艦船ROI檢測方法有較好的檢測效果。

關鍵詞： 多光譜遙感； 色彩空間變換； RX算法； 艦船感興趣區域檢測

中圖分類號： TN911.73?34； TP391 文獻標識碼： A 文章編號： 1004?373X（2015）21?0028?04

Multispectral ship ROI detection based on color

space transformation and anomaly detection

TANG Tianyi1， ZHU Changren1， ZHAO Hepeng2

（1. Key Laboratory of ATR， School of Electronic Science and Engineering， National University of Defense Technology， Changsha 410073， China；

2. Electronic Branch of Naval Equipment Department， Beijing 100841， China）

Abstract： Since it is difficult to detect the ships with complex sea background in multispectral remote sensing images， with the improvement on the basis of RX （Reed?Xiaoli） anomaly detection algorithm of Gaussian model， an automatic detection method of region of interest （ROI） of ship in complex sea based on color space transformation is proposed. The problem that the traditional threshold segmentation methods are hard to separate the target in the remote sensing image from the complex sea was solved. Compared with the traditional threshold segmentation methods， the ship ROI detection method has better detection results in ship ROI detection experiments under various complex sea background.

Keywords： multispectral remote sensing； color space transformation； RX algorithm； ship ROI detection

0 引 言

多光譜遙感應用于目標檢測與監視具有一系列常規手段所不具備的優勢，多光譜圖像能反應各個波段地物的光譜信息，與其空間維信息組成信息豐富的多維信息，特別是多光譜遙感手段針對艦船目標的檢測、識別具備獨特優勢。國外遙感事業發展較早，應用于軍事方面的遙感技術也比較成熟，比如法國SPOT衛星、美國IKONOS，QuickBird，Keyhole等各種分辨率的衛星。歐美在光學遙感圖像信息方面的研究已經比較深入，并且成功開發了例如美國ERDAS公司的ERDAS IMAGENE軟件、美國RSI公司的ENVI軟件等遙感圖像處理的商業軟件系統。據美國《國家安全》雜志指出，分辨率為30 m的衛星可以發現港口、基地、橋梁、公路及在水面航行的艦船；而據稱美國較先進的軍事偵察衛星分辨率可以達到0.05 m，“足以看清某名士兵手中拿的是什么型號的槍支”。國內隨著高分系列的衛星在2013年開始運行，我國光學遙感圖像分辨率得到了極大提升，例如，高分一號全色和多光譜圖像分辨率分別達到2 m和8 m；高分二號全色和多光譜圖像分辨率分別達到1 m和4 m，這樣足以檢測并分類識別艦船。但是，隨著空間分辨率的提高，多光譜遙感數據的數據處理量也隨之變大，而且容易出現噪聲、模糊、陰影等。圖像的光譜信息通常會受多種因素的影響，例如季節變化、拍攝角度、傳感器狀態、天氣條件等，即使同一地區不同時間拍攝到的圖像也可能具有不同的亮度和對比度，特別是在海域環境下，其背景廣闊，艦船目標稀疏且尺寸相對微小，實現針對于海上艦船目標的感興趣區域（Region of Interest，ROI）的快速檢測亟待解決。

傳統的海上艦船檢測方法大多都是基于圖像灰度分割的方法[1?2]，在較為平靜、紋理均勻且水體呈現較暗的圖像下，這類方法表現效果較好。而在實際的復雜海況下，遙感圖像中普遍存在大海浪、云層遮擋、部分水體呈亮色以及較多的噪聲、陰影等干擾的情況[3]，而且在圖像中艦船目標灰度特征并不一致，傳統分割檢測方法通常難以將水體與目標較好的分離，這樣易出現較多的檢測漏警和虛警[4?5]。而在高分辨率遙感圖像艦船檢測中，通常采用自適應閾值圖像分割或者紋理分割的方法[6?7]，但對大尺寸復雜背景遙感圖像中艦船ROI檢測的應用效果不佳。

本文利用多光譜遙感圖像中大片海域以及海上碎云其各自相對比較均一的光譜特性，構建色彩空間變換，實現對背景的抑制、艦船目標的突出，然后通過RX異常檢測，最后經分割以大小、形狀等特征獲取海上艦船ROI區域。

1 YCW色彩空間變換

根據計算機色彩理論，每一種顏色在計算機中有不同的表達方式，這樣就有了各種不同的顏色顯示格式。這些格式只不過是顏色在計算機中不同的表示方法而已；但是在圖像處理的實際過程中，研究者通常會根據不同的需求選擇不同的色彩空間以實現好的算法效果。其中最常見的色彩空間有HSV，RGB，HSI，CHL，LAB，CMY，YCrCb，[IW1W2]等[8]。

一般來說，現實生活中最常見、使用最多的就是RGB色彩空間，它被稱為與設備相關的顏色模型。RGB顏色模型所覆蓋的顏色域取決于顯示設備熒光點的顏色特性，是與硬件相關的，它采用三維直角坐標系。其中紅、綠、藍原色是加性原色，各個原色混合在一起可以產生復合色，但是在RGB色彩空間中，3個顏色分量都包含亮度信息，存在相關性，因此用于檢測算法的亮度適應性不好。因此有檢測算法考慮建立在亮度歸一化 [RGB]色彩空間，其中RGB色彩空間變換為：

式中：[r，g，b]為式（1）中的色度坐標；[W2]為[IW1W2]色彩空間中的第2個水色波段；[Y]即為YCrCb中的[Y，][C1]為[Cr，][Cb]基礎上改進的波段，由于[Cr]與[Cb]之間表達的圖像顏色內容比較類似，所以將兩者綜合為一個波段?？紤]到后續RX算法的適用性，取[C=255-C1，]即取[C1]波段的反色。

通過實驗證明，經YCW色彩空間變換后（如圖1所示），灰度直方圖與高斯分布更為擬合，海域、船體、云的光譜都明顯各自聚集，這樣海域背景抑制、目標凸顯，因此在YCW色彩空間中比RGB模型下更適合進行局部高斯模型下的RX檢測，從而實現艦船ROI檢測。

2 RX異常檢測算法

本文采用的異常檢測算法為RX（Reed?Xiaoli）算法[12]，該算法是利用廣義似然比檢驗（Generalized Likelihood Ratio Test，GLRT）得到的非監督的恒虛警目標檢測算法，假設多光譜海上遙感圖像的局部背景的統計模型為高斯分布，而且假定數據分析中的多維高斯隨機過程服從空間均值快變、方差慢變的分布狀態。算法檢測過程中，假定海上遙感圖像的背景數據是由大量統計均勻一致的圖像子塊構成，在每一個這樣的子塊上進行異常目標檢測。RX異常檢測算法的參數通過統計處理檢測窗口內部的均值和方差來獲取，檢測窗口中心點是否為目標依據得到的檢測結果來判斷。利用檢測窗口遍歷整幅圖像，就可得到全部的檢測結果。本文中RX異常檢測算法使用雙窗口檢測模式（包括同心嵌套的背景窗和目標窗，如圖2所示），從檢測像元的局部近鄰中估計協方差和均值等參數。其中外窗要比內窗大很多，可以包含更多的背景信息樣本。根據實驗窗口大小，在實際應用中都取為奇數[13]。

針對實際中的多光譜海上遙感圖像，考慮到廣闊海域上存在著多種復雜的海況；因此在大面積窗口下可能出現灰度分布不太符合高斯分布的情況，這樣會使得RX異常檢測算法檢測效果不佳；所以本文先采用YCW色彩空間變換，使得圖像中同類目標或者背景的光譜更為聚集，海面上局部灰度分布情況更加服從高斯模型，然后進行局部高斯模型下的RX異常檢測算法。

局部高斯模型下的RX異常檢測算法具體實現過程如下[14?15]：

通過RX算子遍歷全幅圖像后，檢測得到的結果為RX灰值結果圖，根據異常度不同，會有灰度的不同，結合分割方法，可實現艦船目標粗ROI的提取。RX異常檢測算法應用于多光譜遙感艦船ROI檢測中，具有其優勢：高斯模型符合海上遙感圖像局部的基本數據情況；RX異常檢測算法有效利用了多波段光譜特性，有利于艦船ROI檢測；結合YCW色彩空間下的RX異常檢測算法能很好地實現弱對比度的艦船ROI檢測。

3 艦船ROI檢測

本文的艦船ROI檢測算法總體流程如圖3所示。

（1） 預處理：對獲取的多光譜海上數據進行幾何校正、輻射校正，并與相應位置較高分辨率全色圖像進行HIS融合，得到空間分辨率改善的多光譜海上遙感數據。

（2） YCW色彩空間變換。

（3） RX異常檢測算法。在YCW色彩空間中進行局部高斯模型RX異常檢測，并根據不同的輸入圖像分辨率對窗口大小進行調整。

（4） 分割。采用自適應的閾值算法，在得到—個RX異常值表示的灰度圖像時，如果設定—個固定的閾值把灰度圖像轉換為二值圖像，由于不同區域會有不同的干擾，分割效果往往不理想。如果閾值太低，干擾會太多；閾值太高，漏檢率高。依據待檢測圖像本身自動選擇對檢測圖片出現噪聲，背景復雜或者光照變化等有重要的意義。首先，設定初始閾值[Th0=0.8×255=204，]每次以[ΔTh=0.05×255=12]的間隔降低閾值，找到屬于艦船像素數量變化最小時的那個閾值作為選定的閾值；然后根據選定的閾值，對圖像進行分割，得到相應的二值圖像。

（5） 連通域大小判定。海上艦船大小一般有一定的長寬比范圍（一般為1.5～11），面積范圍（小于500 m×50 m）。

（6） 艦船ROI輸出。

4 實驗與分析

為驗證上述算法的有效性， 本文實驗在Intel Core2 Duo CPU E4400處理器，2 GB內存的硬件環境下進行。操作系統為Microsoft Windows XP，實驗開發環境是ENVY 4.8和Microsoft Visual Studio 2010以及OPENCV 2.4.4。

實驗在具有復雜海面背景的多光譜遙感圖像中進行，完成多幅具有不同噪聲、陰影以及云層遮擋的復雜海面多光譜遙感圖像實驗。

實驗數據集：SPOT遙感衛星5 m，10 m多光譜圖像數據，大小為1 000×1 000，800×800；國內資源三號遙感衛星2.1 m多光譜融合圖像數據，大小為3 000×3 000；天宮一號高光譜成像儀數據。

實驗參數設置：RX算法中，針對不同分辨率圖像內外窗口大小取值不同。分辨率為10 m時，外窗和內窗大小取[75×75]和[3×3]；分辨率為5 m時，外窗和內窗大小取[150×150]和[5×5]；分辨率為2.1 m時，外窗和內窗大小取[300×300]和[7×7。]

圖4顯示了在不同海域采用不同方法進行艦船ROI檢測的部分結果圖。結果表明：一般的閾值分割方法容易受到海浪以及圖像中的噪聲、陰影干擾的影響，分割出來的檢測區域大小偏差大，出現虛警、漏檢較多；通過RX異常檢測算法的檢測效果較一般閾值分割方法好，能夠克服部分海浪以及陰影干擾，但是部分弱目標檢測效果不佳；而通過YCW色彩空間變換后，圖像的灰度直方圖更接近于高斯模型，經RX異常檢測算法檢測能夠獲得目標更為突出的檢測結果，這樣可有效地減少ROI區域檢測的漏檢率，雖然會帶入一些碎云虛警，但是其中大部分虛警可以通過大小形狀等特征進行排除，所以說，YCW色彩空間中進行RX異常檢測能達到較好的海上艦船ROI檢測效果。

5 結 語

本文通過對多種色彩空間進行討論，在考慮多光譜海上遙感圖像的目標與海面成像特征的基礎上，構建一種適合于海上艦船感興趣區域檢測的YCW色彩空間，在該色彩空間中結合RX異常檢測算法的檢測優勢，實現對多光譜海上艦船的感興趣區域檢測，該算法經過實驗驗證，具有良好的魯棒性和適用性，能夠有效實現海上艦船感興趣區域檢測。

致謝：感謝中國科學院空間應用工程與技術中心為本研究提供天宮一號高光譜成像儀數據產品。

參考文獻

[1] 叢瑜，周偉，于仕財，等.一種對港口影像進行艦船目標提取方法[J].計算機仿真，2014，31（1）：22?25.

[2] 尤曉建，徐守時，侯蕾.基于特征融合的可見光圖像艦船檢測新方法[J].計算機工程與應用，2005，41（19）：199?202.

[3] ZHU Changren， ZHOU Hui， WANG Runsheng， et al. A novel hierarchical method of ship detection from spaceborne optical image based on shape and texture feature [J]. IEEE Transactions on Geoscience and Remote Sensing， 2010， 48（9）： 3446?3456.

[4] 孫皓，孫顯，王宏琦.一種高分辨率遙感圖像艦船檢測方法研究[J].測繪科學，2013，38（5）：112?115.

[5] DING Zhenghu， YU Ying， WANG bin， et al. An approach for visual attention based on biquaternion and its application for ship detection in multispectral imagery [J]. Neurocomputing， 2012， 76（1）： 9?17.

[6] YANG Guang， LI Bo， JI Shufan， GAO Feng， et al. Ship detection from optical satellite images based on sea surface analysis [J]. IEEE Geoscience and Remote Sensing Letters， 2014， 11（3）： 641?645.

[7] 隆剛，陳學佺.高分辨率遙感圖像港內艦船的自動檢測方法[J].計算機仿真，2007，24（5）：198?201.

[8] 趙春暉，張洪才，王永忠.基于特征顏色空間變換的目標跟蹤融合算法[J].計算機工程與應用，2008，44（3）：8?9.

[9] 張爭珍，石躍祥.YCgCr顏色空間的膚色聚類人臉檢測法[J].計算機工程與應用，2009，45（22）：163?165.

[10] ZHONG Zhiguang. A new adaptive color space YCH for face detection [C]// Proceedings of 2010 IEEE International Confe?rence on Intelligent System Design and Engineering Application. [S.l.]： IEEE， 2010： 84?89.

[11] 李紅宣.基于多光譜遙感影像的海船目標檢測技術研究[D].昆明：云南大學，2013.

[12] REED I S， YU Xiaoli. Adaptive multiple?band CFAR detection of an optical pattern with unknown spectral distribution [J]. IEEE Transactions on Acoustics， Speech， and Signal Processing， 1990， 38（10）： 1760?1770.

[13] 史振威，吳俊，楊碩.RX 及其變種在高光譜圖像中的異常檢測[J].紅外與激光工程，2012，41（3）：796?802.

[14] 成寶芝.基于光譜特性的高光譜圖像異常目標檢測算法研究[D].哈爾濱：哈爾濱工程大學，2012.

[15] SHI Zhenwei， YU Xinran， JIANG Zhiguo. Ship detection in high?resolution optical imagery based on anomaly detector and local shape feature [J]. IEEE Transactions on Geoscience and Remote Sensing， 2014， 52（8）： 4511?4523.