光學遙感圖像在艦船目標檢測中的應用分析*

李　軍

(武漢藏龍北路1號　武漢　430205)

?

光學遙感圖像在艦船目標檢測中的應用分析*

李軍

(武漢藏龍北路1號武漢430205)

隨著光學遙感技術的日益發展，艦船作為海上重要的載體，對其進行自動檢測具有重要意義。首先為提高艦船目標檢測效率，對圖像進行了預處理、海陸分割等；其次重點介紹了艦船目標檢測問題，即分別從離岸、靠岸艦船目標候選區域的提取和艦船目標的確認三個方面進行了詳細闡述，最后針對目前幾種典型算法進行了歸納比較，并給出下一步研究方向。

艦船目標檢測; 光學遙感圖像; 圖像預處理; 海陸分割; 候選區域提取

Class NumberTP751

1　引言

近年來，隨著科學技術的飛速發展，涌現出了多種數據格式表示的圖像類型，例如可見光與紅外、視頻、合成孔徑雷達(Synthetic Aperture Radar，SAR)。其中，SAR成像可以全天時、全天候進行觀測，因此它已被成功應用在地球遙感領域和軍事監視領域。而光學圖像與SAR圖像相比，雖然它不具備全天候、全天時工作的優勢，但它以其表達形式直觀、圖像解譯原理簡單和可保留較多的圖像邊緣信息的特性倍受人們青睞。

艦船目標檢測是海洋監測的一項重要技術，其目的是從大量的光學遙感數據中找到感興趣的艦船目標，是進行艦船目標跟蹤、定位、識別的技術前提，因此開展基于光學衛星遙感圖像艦船目標檢測方法的研究對我國發揮光學成像衛星在海洋監測方面的能力具有重要意義，目前也涌現了許多主流算法。例如，Lan等利用改進的Zernike矩來識別含有大型艦船的航空遙感影像[1]，Antelo等設計了基于貝葉斯準則的似然函數，以此來識別艦船的Quick Bird衛星影像[2]，杜等通過設計基于層次判別算法的決策樹來對光學遙感艦船目標進行分類識別處理[3]，Yang等運用基于類別概率分布算法來區分光學遙感艦船目標和其他非艦船目標[4]，王等人就目前基于光學遙感圖像檢測與識別的研究現狀給予了分析總結，重點給出了目前較為實用的一些目標檢測和識別方法[5]。

2　艦船目標檢測流程

針對一副可見光遙感圖像數據，里面可能包含陸地、云層的干擾，同時在海面背景中，可能含有一些小島嶼，并且海面背景本身會包含一定的噪聲，諸如模糊、亮斑等。因此采用分層處理的思想，這里以海陸背景下的艦船目標檢測為例給出算法流程，如圖1所示。

圖1　海陸背景中的艦船目標檢測處理流程

從圖1看出，海陸背景下的艦船目標檢測包括三大模塊：一是圖像預處理，二是海陸分離部分，三是艦船目標檢測部分。其中，圖像預處理的目的是提升待處理圖像的原始質量；海陸分離指的是把艦船目標從海陸環境中分離出來；而艦船目標檢測部分又可細分為三個子部分，其一為離岸目標疑似區域提取，其二為靠岸目標疑似區域提取，其三為艦船目標確認。而離岸目標疑似區域提取指的是將包含目標的疑似區域從海洋環境中分離出來；靠岸目標疑似區域提取指的是將靠岸停放艦船的疑似區域進行確認，艦船目標確認指的是在艦船目標疑似區域提取的基礎上，根據艦船目標的共性特征找出真實存在的艦船目標。

3　圖像預處理

3.1一般預處理技術

圖像的預處理工作是在基于圖像的像素級層面上進行處理的。圖像的預處理工作一般包括二值化處理、圖像尺寸調整、圖像旋轉、圖像變換、圖像的色彩校正、圖像的灰度變換、圖像的銳化、圖像的直方圖均衡化、圖像平滑等。

所謂二值化，其本質是將圖像黑白化，設置其值為0或1，即處理后圖像的像素點對應的灰度值要么為0要么為1。其中，“0”表示黑色，“1”表示白色。

圖像尺寸調整，是采用重采樣的方法，重新設置其長、寬尺寸的處理過程。

在圖像處理中，有時候為方便處理，常將原圖像進行旋轉操作。所謂圖像旋轉，它是指原圖像旋轉一定角度后得到的新圖像，一般設置其旋轉角度為0°～359°。

圖像變換，指的是將圖像從空域轉換到頻域的過程。常用的變換方法主要有傅里葉和小波變化。其中，傅里葉變換是最為典型的一種變換方法，它是在復指數函數的基礎上，將原圖像所在的二維頻譜進行頻域變換的。后來，隨著工程實踐的需要，快速傅里葉變換應運而生。小波變換是處理圖像的信號時頻的一種有效工具，經過小波處理后的圖像頻率不隨局部區域大小的改變而改變。因此，小波變換應用范圍不斷得到擴展，尤其是基于小波變換的離散算法也以成為目前研究的熱點，其應用前景也十分可觀。

色彩校正，是指調節圖像的亮度和對比度，而圖像的亮度指的是圖像的亮調和暗調的比例，對比度是指圖像的最亮調和最暗調的差異范圍。

一般情況下，人眼對紅、黃和藍三種顏色的敏感度按照從高到低的順序為：綠色，紅色，藍色，所以采用如下計算公式對遙感圖像進行灰度化處理，即：

Gray=0.587×G+0.299×R+0.114×B

其中，R,G,B分別表示圖像處理前的像素的紅色、綠色和藍色數值，Gray表示圖像經灰度化處理后的像素灰度值。

所謂圖像增強，是指加強或突出人們感興趣區域的信息，最大可能地減弱或去除那些無關緊要的信息的一個處理過程，其最終目的是獲取一個高品質的圖像，為提高后續圖像的分類識別效率奠定基礎。而圖像平滑作為常用的增強方法，它主要分為空域增強平滑方法和頻域增強平滑方法，雖然這兩種方法的最終目的是一致的，但空域增強的方法以其自身的優勢，受到了人們的青睞。

一般情況下，空域增強算法主要有三種方法：直方圖均衡算法、線性拉伸算法、分段線性拉伸算法。其中，直方圖均衡增強算法的優點是圖像處理前后的整體對比性差異明顯，但易丟失圖像的信息，尤其是遙感圖像，加之其自身圖像的質量欠佳，像素灰度直方圖分布往往存在抖動的情況，因此將其進行變換處理后，圖像所展現的層次效果更差，原始圖像的細節信息更易丟失[6]；而線性拉伸算法的優點是處理前后的圖像灰度直方圖近似，且計算簡單、實現快速。

在原始圖像中不可避免地存在各種噪聲，而圖像受到噪聲干擾后其對應的信號和相位也隨之變化，這無疑造成圖像準確性方面較大的誤差，因此，必須對噪聲進行處理。而均值濾波、中值濾波和高斯濾波是幾種常用的濾波方法。

中值濾波的優缺點顯而易見，優點是它能較好地保留圖像的邊緣信息，且對黑白點即常見的椒鹽噪聲的處理效果比較理想。缺點是由于中值濾波的處理手段比較固定，它盡管改變了圖像中含有噪聲的區域，但也影響了其他區域，消減了圖像的細節信息。

考慮中值濾波處理手段的單一性，對它進行改進是必要的。而在圖像中，灰度值抖動較為劇烈的像素一般為噪聲點或邊緣點所在的像素，而區分是噪聲點還是邊緣點的主要依據是噪聲點通常是像素所在的局部鄰域的像素灰度的極值，據此，給出改進的中值濾波的處理流程：首先，給定一個模板區域，然后將模板在圖像上逐行滑動，當滑動到某一點處時，判斷該點處的像素灰度值與模板所在局部區域內的像素的灰度極值是否相等，若相等，則可采用中值濾波進行處理，否則，繼續滑動，直到滑動完整個圖像為止。

3.2海陸分割

考慮到后續要提取的艦船目標所處的環境可能包含陸地部分，為提高后續的目標檢測的效率，需要將陸地部分隔離出來，即需要進行陸地掩膜(海陸分離)處理。

目前來講，用于海陸分離的方法主要包括兩種方法，即，港口知識法和圖像分析法。

1) 基于港口先驗知識的分割方法

港口一旦竣工，其周圍的分布情況相對比較穩定，短時間內不會發生變化。據此，可根據港口海岸線或背景圖像等先驗知識，通過模板匹配來實現海陸分離。

對于基于港口先驗知識的分割方法而言，提取出相對準確的港口的地理分布、背景和碼頭等先驗知識是實現海陸分離不可缺少的前提條件，而篩選出與待處理圖像相匹配的港口先驗知識是實現海陸分離的基礎。由于該方法主要依賴于港口的先驗知識來實現海陸分離的，因此存在如下問題：

(1)港口結構發生變化時會導致模板配準失誤的問題；

(2)當待匹配圖像的背景比較復雜時，難以找到與待處理圖像相吻合的特征點，也會導致模板匹準誤差過大的問題；

(3)對于海陸區域分割界限模糊的情景，例如水深較淺時，也會造成模板匹配誤差較大的問題；

(4)受成像天氣、衛星的拍攝角度等因素的影響，待處理圖像與匹配模板之間也很難實現準確意義上的匹配。

2) 基于圖像分析的方法

當獲取港口的先驗知識比較困難或港口分布結構更新稍頻繁時，采用基于港口先驗知識的分割方法來實現海陸分離工作的難度較大，可考慮使用圖像分析方法來實現。

針對不同分辨率下的光學遙感圖像，現歸納出目前常用的幾種方法：

(1)閾值分割法

閾值分割方法主要是利用海面、陸地、艦船個體等像素灰度值和紋理特征等方面的差異性進行區域提取的一種技術方法，而將閾值分割法細化之，經常使用的方法又可分為像素灰度閾值法和基于區域的紋理分析法。

①像素灰度閾值法

基于像素灰度閾值的分割方法主要是根據海面、陸地、艦船等灰度值大小的不同實現圖像分割的，它的閾值是按照某種度量規則計算獲得的，并以獲取的閾值為界限，將圖像中的像素點進行分離，從而將圖像中的目標和背景區別開來。關于閾值計算的方法有多種，常用的有局部閾值法[7]、Otsu法[8]、最大熵值法[9]、多閾值分割法[10]等。受所使用的傳感器、較暗區域等多種因素的影響，采用像素灰度閾值法進行閾值分割時，容易導致孤立點或孤立小區域的出現。所以，基于像素灰度值閾值分割方法經常搭配其他方法(例如形態學濾波方法等)綜合使用。

像素灰度閾值法是一種高效的分割方法。然在工程項目的實施中，由于受海況，云霧、光照等不可預料的因素的影響，多數情況下海平面灰度分布并不均勻，因此灰度閾值分割的效果并不理想。

②區域紋理分析法

區域紋理分析方法主要是根據海面、陸地、艦船等紋理特點的不同進行分割的。常用方法有區域方差、直方圖等。

(2)區域生長法

關于基于區域生長的分割方法，究其實質，它是采用某一種子點的區域生長來完成海面區域提取工作的。該方法涉及的核心技術問題在于種子點的獲取。為此，沈等人采用了基于紋理特征近似度的種子點的獲取方式[11]；廖熠采用了梯度直方圖擬合的種子點的獲取方式[12]。

區域生長方法的閃光點在于其計算過程簡單，而缺點在于：

①種子點的獲取比較困難，一般需要人工干預，自適應性較差；

②抗噪性能差，一般提取出的區域的完整性差，常存在斷點或漏洞等缺陷。

(3)港口輪廓提取法

圖2　3D重建分割流程

基于港口先驗知識的方法和基于圖像分析的海陸分離方法相比，前者的匹配原理簡單，但獲取相對準確的港口先驗知識較為困難，而且待處理圖像的匹配模板的實時更新也存在難度，這樣不可避免地存在一定的誤差。所以，后者基于圖像分析原理的分割方法，逐漸成為目前應用較為廣泛的一種研究方法，其中，3D重建分割技術是目前最為先進的一種技術。3D重建分割技術為克服動態閾值分割算法單純利用亮度信息作為唯一閾值分割依據的弱點，引入了圖像亮度變化信息即間接增加了圖像高度這一信息(Shape from Shading，SFS)，從而將原始待處理遙感圖像映射為3D圖像，然后在3D圖像的基礎上進行海陸分離工作，算法流程如圖2所示。

4　艦船目標檢測

4.1離岸艦船目標候選區域的提取

在單一海洋背景中，對于離岸艦船目標檢測而言，可根據目標與背景的區別提取艦船目標候選區域，并利用艦船與其它非艦船目標(如小型島嶼等)的差異，去除虛警，從而獲取真正的艦船目標。

當前，離岸艦船目標候選區域的常用提取方法主要包括以下幾類：

1) 基于灰度統計特征的提取方法

基于灰度統計特征的提取方法主要是根據水域和艦船目標灰度特性的不同進行圖像分割，進而來獲取艦船目標的候選區域。這些灰度特征有：灰度、形態學上的對比度、圖像信息熵等。該方法比較適用于海面較平靜、水域灰度較暗的特定場合。

2) 基于邊緣信息的提取方法

基于邊緣信息的提取方法主要根據艦船邊緣信息，并結合形狀特征，來獲取艦船目標候選區域的。代表方法有，Zhu等首先將圖像原始灰度和邊緣強度通過線性組合來得到合成圖像，然后在合成圖像的基礎上，用最大類間方差(Maximum between-class variance)，亦即Otsu法[8]，進行閾值分割，最后結合目標的某些特征(例如長、寬、面積及外接矩形的長和寬的比值)來完成艦船目標候選區域的提取工作。

3) 分形模型和模糊理論相結合的提取方法

分形模型和模糊理論相結合的提取方法根據艦船目標和其他背景，例如海浪、云霧等是否具有明顯的分型特征來完成自動檢測工作的。例如，在復雜海況下，何等將縫隙特征和紋理分形維數相結合，實現了艦船目標的自動檢測[13]；張等使用多尺度分形的方法完成了艦船目標的檢測[14]。

4) 基于視覺感知原理的提取方法

該方法是結合人類的視覺特性來完成艦船目標候選區域提取的。例如張俊格設計了基于視覺結構表達的目標檢測模型[15]，施鵬利用人類的視覺感知特性，然后結合形態學濾波方法如Tophat等對復雜海況下的艦船目標進行檢測，這些方法收效顯著[16]。

基于視覺感知原理的提取方法是近年來用于艦船目標檢測工作的一個研究熱點，該方法雖然有效利用了人類視覺系統對周圍事物具有強大的感知能力，但是由于受天氣、海況、成像參數等多種因素的影響，使得對原始圖像顯著圖的獲取比較困難。

4.2靠岸艦船目標候選區域的提取

對于靠岸艦船目標檢測而言，由于停放的艦船常常與碼頭祁連在一起，加上二者的灰度、紋理等特征的差異性比較小，所以對于此類艦船目標的檢測更加困難。不過，據目前的發展狀況而言，也出現了兩類比較成形的算法，具體分析如下：

1) 基于港口先驗知識的提取法

對于靠岸艦船的檢測問題，首先必須根據所處港口的先驗知識將其周圍的環境分割為陸地與海洋兩個獨立的區域，然后以海洋為背景進行檢測，具體的處理過程可參考上面介紹的離岸艦船目標的檢測算法。然而在檢測的過程中，往往存在艦船并排停放和遮擋的情況，為此，隆等人根據經驗“遮擋的部分基本上為船頭”以及“被遮擋部分的重心連線基本上與主軸平行”，實現了對艦船的目標檢測問題[17]。

2) 基于圖像分析的提取法

該方法需要對圖像進行兩次分割：第一次是進行海陸分割，第二次是將艦船目標與碼頭分割開來。其中，第二次分割的工作較為困難，因為艦船與碼頭在其灰度和紋理等特征上區分性較小，因此選取合適的區分性較強的特征是解決該方法的有效途徑之一。

目前，有兩類艦船目標特征較常用：一類是全局性的幾何形狀特征；另一類是局部性的視覺顯著性特征。對于第一類特征，汪等利用長寬比等特征并結合多數艦船向水域方向凸出這一特點來提取靠岸艦船目標候選區域的[18]。對于第二類特征，胡等提取了艦船的方向、尺寸等特征并結合鄰域自相似的算子來檢測靠岸停放的艦船目標[19]。

4.3艦船目標的確認

艦船目標確認是在上述候選區域提取的基礎上，根據艦船自身的特征，通過對非艦船目標的篩選，最終提取出真正的艦船目標。具體可用的艦船目標特征有：長、寬、長寬比、面積、灰度、偏心率、不變距、統計特征等。

在艦船目標確認中，一般不會采取單一的特征進行艦船確認，而是綜合運用多個特征進行艦船確認。如Wang等將形狀約束與形態學濾波聯合在一起進行目標確認[20]；蔣李兵將目標輪廓與平行線特征相結合，從而最終完成目標的確認工作[21]。

不同分辨率下的圖像的艦船目標所呈現的特征有所差異，一般情況下，分辨率較低的遙感圖像(即分辨率低于3m)，常采用一階灰度特征，如一階能量、一階熵等來構建目標向量；而分辨率較高的遙感圖像(即分辨率大于3m)，通常使用灰度矩陣的二階紋理特征，如二階熵、慣性矩等和不變矩特征相結合來構建目標向量。

表1　典型方法比較

5　結語

本文首先給出基于遙感圖像艦船目標檢測處理的處理流程；其次為提高后續的目標檢測效率，對圖像進行了預處理：二值化處理、圖像增強、圖像平滑等，以及海陸分割。其中，介紹了基于3D重建技術的分割算法，它通過增加高度信息，即圖像亮度變化信息這一約束項，提高了算法的分割精度；再次給出了海陸背景下的艦船目標檢測方法，最后從離岸艦船目標候選區域的提取、靠岸艦船目標候選區域的提取和艦船目標的確認三個方面重點介紹了海陸背景下的艦船目標檢測處理方法；最后對幾種典型方法給予了總結。下一步，將根據工程應用需求，重點研究以下兩個方面：

1) 進一步挖掘更加高效的目標提取方法；

2) 構建更加高效的艦船目標檢測模型。

[1] Lan J, Wan L. Automatic ship target classification based on aerial images[C]//Proceedings of SPIE.Bellingham Wash: SPIE,2009,7156(12):1-10.

[2] Antelo J, Ambrosio G, Gonzalez J, et al. Ship detection and recognition in high resolution satellite images[C]//IEEE International Geoscience and Remote Sensing Symposium. Washington DC.USA: IEEE Computer Society,2009(4):514-517.

[3] 杜春,孫即祥,李智勇,等.光學遙感艦船目標識別方法[J].中國圖象圖形學報,2012,17(4):592-593.

[4] Yang Guang, Li Bo, Ji Shufan, et al. Ship Detection form Optical Satellite Images Based on Sea Surface Analysis [J]. Geoscience and Remote Sensing Letters,2014,11(3):641-645.

[5] 王彥情,馬雷,田原.光學遙感圖像艦船目標檢測與識別綜述[J].自動化學報,2011,37(9):1034-1036.

[6] 李耀輝,劉保軍.基于直方圖均衡的圖像增強[J].華北科技學院學報,2003,12(10):65-68.

[7] Lie W N. Automatic target segmentation by locally adaptive image threshold [J]. IEEE Transactions on Image Processing,1995,4(7):1036-1041.

[8] Otsu N. A threshold selection method from gray-level histogram [J]. IEEE Transactions on Systems, Man, and Cybernetics,1979,9(1):62-66.

[9] 孫即祥.圖像分析[M].北京:科學出版社,2005:166-168.

[10] 瞿繼雙,王超,王正志.一種基于多閾值的形態學提取遙感圖像海岸線特征方法[J].中國圖象圖形學報,2003,8(7):805-809.

[11] 沈葉健,徐守時.一種有效的可見光圖像中水壩目標的識別方法[J].計算機應用,2006,26(8):1972-1974.

[12] Kass M, Witkin A, Terzopoulos D. Snakes: Active contour models [J]. International Journal of Computer Vision,1988,1(4):321-331.

[13] 何四華,楊紹清,石愛國,等.紋理高階分型特征在海面艦船目標檢測中的應用[J].光學與光電技術,2008,6(4):79-82.

[14] 張東曉,何四華,楊紹清.一種多尺度分形的艦船目標檢測方法[J].激光與紅外,2009,39(3):315-318.

[15] 張俊格.基于視覺結構表達與建模的物體檢測研究[D].北京:中國科學院自動化研究所,2013:190-198.

[16] 施鵬.基于光學遙感圖像的艦船目標自動檢測技術[D].北京:中國科學技術大學,2010:66-67.

[17] 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.

[18] 汪閩,駱劍承,明冬萍.高分辨率遙感影像上基于形狀特征的船舶提取[J].武漢大學學報(信息科學版),2005,30(8):685-688.

[19] 胡俊華,徐守時,陳海林,等.基于局部自相似性的遙感圖像港口艦船檢測[J].中國圖象圖形學報,2009,14(4):591-597.

[20] Wang M, Luo J C, Zhou C H, et al. A shape constraint based method to recognize ship objects from high spatial resolution remote sensed imagery[C]//Proceedings of the International Conference on Computational Science. Atlanta. USA: Springer,2005:963-970.

[21] 蔣李兵.基于高分辨光學遙感圖像的艦船目標檢測方法研究[D].長沙:國防科學技術大學,2010:55-56.

Application Analysis of Optical Remote Sensing Image in Ship Detection

LI Jun

(No. 1 Canglong North Road, Wuhan430205)

With the development of the optical satellite remote sensing technology, ship is an important carrier in the sea, of which the detection and recognition is of great significance. Firstly, image preprocessing and sea-land segmentation are processed to improve efficiency of ship-target detection. Secondly, ship-target detection is introduced from the aspects of candidate region extraction such as in shore and off shore, as well as the recognition. At last, several typical algorithms are summarized, and the next study directions are given out.

ship-target detection, optical remote sensing image, image preprocessing, sea-land segmentation, candidate region extraction

2016年4月1日,

2016年5月19日

李軍,男，碩士，工程師，研究方向：指控系統，信息系統。

TP751

10.3969/j.issn.1672-9730.2016.10.009