SAR 圖像艦船目標長寬特征提取技術

李德勝，孟祥偉，張　顥，劉　磊(海軍航空工程學院 電子信息工程系，山東　煙臺 264001)

?

SAR 圖像艦船目標長寬特征提取技術

李德勝，孟祥偉，張顥，劉磊
(海軍航空工程學院 電子信息工程系，山東煙臺 264001)

摘要:SAR 圖像特征提取是目標識別中的關鍵步驟，直接影響目標識別的結果。長度類特征因其簡單直觀、效率高、易于提取等優勢，常被作為船只類型的初始判定，針對 SAR 圖像艦船目標長寬特征提取問題，本文提出一種新的方法。首先通過水平集分割獲得目標輪廓，其次采用區域消除方法濾除雜波，獲得預處理后的目標圖像；其次通過最小外接矩形擬合目標，獲取艦船目標切片的長軸、旋轉的角度；再次采用最小二乘法橢圓擬合獲取艦船目標短軸；最后得到艦船目標的長寬特征。通過實測SAR圖像處理結果表明，本文方法能夠在背景雜波干擾下，抑制相干斑噪聲的影響，提高了長寬提取的精度，是一種有效的艦船目標長寬特征提取方法。

關鍵詞：SAR圖像；水平集；最小外接矩形；橢圓擬合；特征提取；

0　引　言

合成孔徑雷達（synthetic aperture radar, SAR）不會因為天氣、光照等客觀條件而受到影響，并且具有全天時、全天候等優勢，已成為海上監測系統的主要探測手段和技術，在軍事和遙感等領域中廣泛應用。SAR 圖像特征提取[1]是目標識別中的關鍵步驟，直接影響目標識別的結果。隨著 SAR 衛星分辨率的不斷提高，長度類特征因其簡單直觀、效率高、易于提取等優勢，常被作為船只類型的初始判定。國外很多實驗室都把艦船的尺寸、面積等幾何特征作為提取依據，艦船一般為金屬材質構成，不同船只類型在 SAR 圖像中所體現的尺寸結構也不同。

在長寬特征提取研究中，傳統方法主要有 hough變換、橢圓擬合及最小外接矩形等，其中最常用的方法是按照目標-背景像素個數比最大（TBR）準則，采用最小外接矩形的方式進行特征提取。但由于相干斑噪聲、海上風浪、船只運行等因素的影響，采用最小外接矩形的方法提取長寬時，寬度的提取誤差較大。在 2000 年，Askari 和 Zerr[2]提出采用長寬比作為初步判斷艦船類型的指標。隨后，高貴[3]、Wu fan[4]等采用最小外接矩形（MER）的方法提取 SAR 艦船長寬。2011 年，田小娟等[5]對傳統的最小外接矩形方法進行改進，按照設定像素比例，設定固定閾值，縮小外接矩形框，獲取長寬值，但在相干斑噪聲影響下，設定的閾值是按照人為經驗設定的，僅適用于局限的范圍[6]。在艦船長寬提取方法中，艦船結構類似橢圓，也有部分研究人員采用橢圓擬合的方式提取長寬，由于艦船結構并非真正橢圓，盡管寬度提取較精確，但在長度提取時，誤差較大。

為提高 SAR 圖像艦船目標長寬特征提取的精度，本文提出一種新的長寬特征提取方法。首先采用水平集與區域消除的方法對 SAR 圖像艦船目標進行預處理，抑制相干斑噪聲的影響，獲得干凈平滑的目標切片；然后將預處理后的圖像，按照 TBR 準則，通過最小外接矩形擬合目標，提取目標的長度及旋轉角度，再利用最小二乘橢圓擬合的方法，提取目標的寬度，從而得到艦船目標的長寬特征。實驗結果表明，與傳統的最小外接矩形相比，提高了長寬特征提取的精度，是一種有效的目標特征提取方法。本文方法的流程如圖1 所示。

圖1　艦船特征提取過程Fig. 1　Ship feature extraction process

1　基于水平集的 SAR 圖像預處理算法

利用水平集在拓撲結構的變化中適應性強，在演化算法中穩定性高的優勢，將原始 SAR 圖像艦船目標，在水平集分割模型下，通過曲線演化將背景與目標分離，然后將分割后的圖像進行二值化，再經過區域消除方式，獲得預處理后的艦船目標切片圖像，來克服相干斑噪聲等因素的影響。預處理流程如圖2 所示。

1.1水平集處理

水平集方法（level set methods）是在 1911 年，由S.Osher 和 J. A.Sethian 在研究捕捉動態界面和形狀時提出的，用來描述在曲線中的演化過程。2001年，Chan 和 Vese[7]通過簡化 MS 模型提出了最優劃分的模型，即水平集分割模型（CV 模型）。

水平集分割的基本思想是將空間中 n 維閉合曲線轉化為 n+1 維曲線，定義初始輪廓，并將輪廓定義為高維函數的零水平集，通過利用單位法向矢量和曲率來研究曲線演化，并構造能量泛函，通過求解偏微分方程的數值，得到分割結果。

圖2　預處理流程Fig. 2　Pre-process flowchart

水平集能量函數表示為：

式中：H(x) 為一維 Heaviside 函數；φ為所用水平集函數；δ(x)=H'(x) 為 Dirac 函數。變分極小化能量泛函，即有 CV 模型的曲線演化方程：

CV 模型在基于圖像全局灰度信息背景下，利用變分法，求解通過水平集函數演化的偏微分方程，從而得到全局最優的分割結果。水平集方法相比其他方法的優勢在于它的穩定性和拓撲無關性，不依賴圖像中的邊緣信息，同時具有一定抗噪性能，在圖像預處理領域中優勢明顯。

1.2區域消除

SAR 圖像經過水平集分割后，進行二值化處理，將原始圖像從灰度圖變成了二值圖。在理論層面上分析，每個目標對應在二值圖像中的每一塊區域，由于相干斑噪聲的影響，可能還存在許多噪聲、毛刺及小塊區域，同時，艦船目標也以小的白色塊狀區域存在于海域中，為了后續處理上的方便，需要把由雜波噪聲等原因形成的塊狀區域去除。

通過區域合并的方式來實現區域消除。該方法通過計算分割圖像中每塊區域的面積，把面積小于一定閾值的區域通過反色處理包含到其周圍的大區域中。經過區域合并，原二值圖像中的區域數目明顯減少，將小的噪聲顆粒也被消除，只留下大結構的艦船目標區域，為后續目標的特征提取帶來極大的方便。預處理過程的步驟如下：

1）將 SAR 圖像進行水平集分割，獲得目標活動輪廓。

2）根據水平集分割的輪廓曲線，將該灰度圖像轉化為二值圖像。

3）對整幅二值化圖像進行掃描，標注白色連通區域。

4）計算每個白色連通區域的面積，通過對照艦船目標的面積大小，設定閾值為 S1。

5）移除面積小于 S1的白色連通區，獲得區域消除后的二值圖像。

預處理效果如圖3 所示，其中圖3（a）為RadarsatⅡ 獲取的 SAR 圖像中的原始艦船目標切片；圖3（b）為將原始圖像經過水平集分割后，得到的目標活動輪廓；二值化后得到圖3（c）；然后經過區域消除，最終得到預處理后的圖像切片圖3（d）。圖3 的 SAR 圖像預處理結果表明，本文方法能夠在背景雜波干擾下，抑制相干斑噪聲的影響，同時較好地保持了目標細節邊緣，為下一步特征提取打下基礎。

圖3　預處理效果圖Fig. 3　Pre-process results

2　SAR圖像艦船長寬特征的提取

目前，隨著 SAR 圖像分辨率的不斷提高，目標幾何特征越來越清晰，在 SAR 圖像艦船目標識別中長寬特征被廣泛應用，但同時干擾細節也越來越復雜，如何從 SAR 圖像中提取出目標的結構特征并進行識別，成為如今的熱點問題。

本文首先通過基于水平集的方法對 SAR 圖像切片進行預處理，將由雜波噪聲形成的塊狀區域去除，同時較好地保持了目標邊緣，獲得干凈平滑的目標圖像，然后結合最小外接矩形和橢圓擬合的各自優點，先采用最小外接矩形提取艦船目標的長度及旋轉角度，再利用最小二乘橢圓擬合的方法，提取目標的寬度，從而得到艦船目標的長寬特征。

2.1基于最小外接矩形的艦船目標長度特征的提取

最小外接矩形（minimum enclosing rectangle, MER）是指以二維坐標表示的若干二維形狀（例如點、直線、多邊形）的最大范圍，即以給定的二維形狀各頂點中的最大橫坐標、最小橫坐標、最大縱坐標及最小縱坐標定下邊界的矩形。

傳統的最小外接矩形通過旋轉矩形框，按照某種準則作為其衡量的標準。主要參照的準則有：目標-背景像素個數比最大（TBR）準則、周長最小（P）準則及邊界點計數（EPC）準則3種。TBR 準則與 P 準則在實際運用中效果相當，EPC 準則計算量偏大，不太常用，因此，本文采用 TBR 準則作為最小外接矩形的參考依據。

本文結合 hough 變換，提取目標主軸的方向角，然后在該角度下，按照 TBR 準則進行最小外接矩形擬合，提取艦船目標的長度及旋轉角度。由于相干斑噪聲、海上風浪、船只運行等因素的影響，在寬度提取誤差偏大，因此寬度提取不采用最小外接矩形，而采用下面介紹的橢圓擬合來提取艦船目標的寬軸。

2.2基于橢圓擬合的艦船目標寬度特征的提取

在二維平面坐標系中，橢圓的曲線方程代數表達式為：

根據式（3），橢圓可表示為2個向量相乘的隱式方程：

式中：α 為（A，B，C，D，E，F），即系數向量，Xi=（xi2，xi，yi，yi2，xi，yi，1）。因為誤差f（a，X）在點（xi，yi）不為0，將f（a，X）認為是點（xi，yi）到隱式方程f（a，X）的代數距離，由最小二乘原理可知，可通過最小化代數距離平方和來實現曲線擬合的問題。

由極值原理，若令f（A，B，C，D，E，F）值為最小，必有

由此可得到一個線性方程組，然后應用求解線性方程組的算法，結合約束條件，就可求得方程系數A,B,C,D,E,F 的值，最終得到橢圓方程。

通過預處理后的艦船目標圖像切片提取到艦船目標的邊緣，采用最小二乘橢圓擬合的方法提取艦船目標的寬度特征。由于船體結構并非完全的橢圓，導致橢圓擬合提取的艦船目標的長度誤差較大，因此本文采用最小外接矩形來提取艦船目標的長度特征。

3　實驗結果分析

本文采用 RadarsatⅡ 的 SAR 圖像數據來進行方法驗證。在實驗中，為更好地比較效果，在圖4 中分別給出預處理以及各類長寬特征提取的效果對比圖，其中，圖4a（1）～圖4a（3） 為3幅原始SAR圖像，圖4b（1）～ 圖4b（3）為通過基于水平集方法的預處理效果圖，圖4c（1）～ 圖4c（3）為通過hough變換求得角度后，再用最小外接矩形擬合目標效果圖，圖4d（1）～圖4d（3）為通過最小二乘橢圓擬合目標效果圖，圖4e（1）～ 圖4e（3）將最小外接矩形與最小二乘橢圓相結合一起的擬合目標效果圖。同時在表 1 ～ 表 3中，分別給出各類長寬特征提取方法的參數估計值。

圖4　艦船特征提取效果圖Fig. 4　Ship feature extraction results

表1　Hough變換 + 最小外接矩形參數目標估計值Tab. 1　Hough + MER parameter target estimates

表2　橢圓擬合參數目標估計值Tab. 2　Ellipse fitting parameter target estimates

實驗結果表明，圖4a 中的 3 幅原始 SAR 圖像，通過基于水平集方法進行預處理，濾除了原始圖像中的雜波，同時很好保持了目標本身的細節。獲得預處理后的干凈平滑的艦船目標圖像后，進行長寬特征提取。從圖4c（1）～ 圖4c（3）中及表1中數據可知，最小外接矩形（TBR 準則下）擬合目標的方法在長軸提取上較準確，在寬軸提取上誤差偏大。從圖4d（1）～圖4d（3）中以及表 2 中數據中可知，而最小二乘橢圓擬合目標在寬軸提取上較準確，在長軸提取上誤差偏大。本文利用各自擬合優點提取目標長寬，從圖4e（1）～圖4e（3）中及表 3 中獲取的艦船目標最終參數數據，可以體現本文方法的優勢，提高了長寬特征提取的精度。

表3　艦船目標最終參數估計值Tab. 3　Ship target parameter estimates

4　結　語

結合水平集在拓撲結構的變化中適應性強以及算法穩定性高等特點，本文基于水平集對 SAR 圖像進行預處理，抑制了相干斑噪聲的影響，獲得較好的預處理效果。在特征提取環節，本文提出一種新的長寬特征提取方法，首先通過最小外接矩形獲取艦船目標切片的長軸，再采用最小二乘法橢圓擬合獲取艦船目標短軸，有效結合了最小外接矩形與最小二乘橢圓擬合方法的各自優點，并相互彌補了各自的不足。從實驗結果中可知，本文提取效果明顯要好于其他方法，是一種有效的 SAR 圖像長寬特征提取方法，再借鑒相關資料，便可初步獲知艦船的類型。

參考文獻：

[1]周珍娟, 韓金華. 艦船遙感圖像的目標識別研究[J]. 艦船科學技術. 2014, 36(12): 86-90. ZHOU Zhen-juan, HAN Jin-hua. Target recognition of ship’s remote sensing images[J]. Ship Science and Technology, 2014, 36(12): 86–90.

[2]ASKARI F, ZERR B. An automatic approach to ship detection in spaceborne synthetic aperture radar imagery: an assessment of ship detection capability using RADARSAT[R]. Italy: SACLANT Undersea Research Centre, 2000.

[3]高貴, 匡綱要, 李德仁. 高分辨率SAR圖像分割及目標特征提取[J]. 宇航學報, 2006, 27(2): 238–244. GAO Gui, KUANG Gang-yao, LI De-ren. High-resolution SAR image segmentation and target's feature extraction[J]. Journal of Astronautics, 2006, 27(2): 238–244.

[4]吳樊, 王超, 張波, 等. SAR圖像船只分類識別研究進展[J]. 遙感技術與應用, 2014, 29(1): 1–8. WU Fan, WANG Chao, ZHANG Bo, et al. Study on vessel classification in SAR imagery: a survey[J]. Remote Sensing Technology and Application, 2014, 29(1): 1–8.

[5]TIAN X J, WANG C, ZHANG H, et al. Extraction and analysis of structural features of ships in high resolution SAR images[C]//Proceedings of IEEE CIE International Conference on Radar. Chengdu: IEEE, 2011, 2: 630–633.

[6]GU D D, XU X J. Multi-feature extraction of ships from SAR images[C]//Proceedings of the 6th International Congress on IEEE Image and Signal Processing (CISP). Hangzhou: IEEE, 2013, 1: 454–458.

[7]MUMFORD D, SHAH J. Optimal approximations by piecewise smooth functions and associated variational problems[J]. Communications on Pure and Applied Mathematics, 1989, 42(5): 577–685.

[8]CHAN T F, VESE L A. Active contours without edges[J]. IEEE Transactions on Image Processing, 2001, 10(2): 266–277.

Research of ship feature extraction technology from SAR image

LI De-sheng, MENG Xiang-wei, ZHANG Hao, LIU Lei
(Department of Electronic and Information Engineering, Naval Aeronautical and Astronautical University, Yantai 264001, China)

Abstract:In this paper, a length and width feature extraction method for the ship target in the SAR images is proposed. Firstly, the SAR image is segmented by the level sets. The domain elimination method is adopted for the segmented images to remove clutter in the next step. Consequently, the slice image of target is obtained. Then, the minimum bounding rectangle and ellipse fitting methods are used for the feature extraction. We use the minimum bounding rectangle to obtain the long axis and the rotational angle of the ship in SAR image, and apply the Ellipse fitting method to get short axis of the ship target. Thus, the feature information of the ships including length, width and angle is obtained. Experimental results illustrate that the proposed method can extract the length and width feature of a ship target in SAR image effectively and accurately. Meanwhile, it can weaken the influence of speckle noise and background clutter in SAR image.

Key words:SAR image；level sets；minimum bounding rectangle；ellipse fitting；feature extraction

作者簡介:李德勝(1990 ? )，男，碩士研究生，研究方向為雷達信號處理。

基金項目:國家自然科學基金資助項目(61179016)

收稿日期:2015 ? 08 ? 06；修回日期: 2015 ? 08 ? 24

文章編號：1672–7619(2016)03–0115–05

doi：10.3404/j.issn.1672–7619.2016.03.024

中圖分類號：TN951

文獻標識碼：A