基于光譜上下文特征的多光譜艦船ROI鑒別方法

唐天翼 朱長仁

摘 要： 多光譜遙感圖像海洋背景下往往存在云、海浪、海島、海岸等多種干擾情況，導致艦船檢測很具有挑戰性。因此提出一種基于光譜上下文特征的艦船感興趣區域（ROI）鑒別算法。在艦船ROI切片基礎上，按照主軸軸向和軸兩側子塊劃分，提出一種光譜“凹凸性”的特征描述方法和一種方向對稱性的特征提取方法，構建并實現了組合光譜“凹凸性”和梯度方向對稱性的光譜上下文特征描述方法，利用SVM分類實現艦船ROI鑒別。實驗證明，在不同的圖像分辨率情況下，引入光譜上下文特征的方法能夠有效剔除大量云、海浪、海島、海岸等虛警，具有較好的魯棒性、有效性、適用性。

關鍵詞： 多光譜遙感圖像; 艦船ROI鑒別; 光譜特征; 梯度方向; SVM分類; 圖像分辨率

中圖分類號： TN206?34; TP391.4 文獻標識碼： A 文章編號： 1004?373X（2018）12?0133?06

Abstract： Interferences such as clouds， waves， islands and coasts often exist in multispectral remote sensing images under the sea background， which makes ship detection more challenging. A ship region of interest （ROI） identification algorithm based on spectral context feature is proposed in this paper. On the basis of ship ROI slices which are divided according to the direction of the principle axis and the subblocks on both sides of the axis， a feature description method based on the concavity and convexity of the spectrum and a feature extraction method based on direction symmetry are proposed. A spectral context feature description method of combining the concavity and convexity of the spectrum and the symmetry of the gradient direction is constructed and realized. The SVM classification is adopted to realize ship ROI identification. The experimental results show that the spectral context feature description method in the situation of different image resolution ratios can effectively eliminate many false alarms such as clouds， waves， islands and coasts， and has good robustness， effectiveness， and applicability.

Keywords： multispectral remote sensing image; ship ROI identification; spectral context feature; gradient direction; SVM classification; feature description method; image resolution

0 引 言

艦船檢測與監測是國家海洋發展戰略的重要組成部分，而衛星遙感技術對于海面艦船檢測與監測具有重要意義。從20世紀80年代開始，美國、歐洲、日本就相繼制定了海洋發展規劃，并且陸續發射海洋監測、偵察衛星。對于海上艦船的監測主要是合成孔徑雷達（SAR），SAR具有全天候的優點，且不受云層影響，而光學衛星遙感雖然分辨率較高且具備數量優勢，但是容易受天氣影響，通常可作為星載SAR的補充監測手段。近年來，隨著傳感器技術和數據融合技術不斷發展，現有多光譜遙感圖像的空間、光譜分辨率得以極大的提升。在現有多光譜遙感圖像基礎上進行艦船檢測，已經不僅限于利用光譜信息進行海陸分離以及地物分類，其光譜信息足以支持特征構建并實現艦船識別。現有的可見光遙感圖像艦船檢測技術主要有幾大類：

1） 閾值分割方法：包括最小誤差閾值法、OTSU方法[1]、最大熵法、多階閾值分割等。該類方法主要用于提取艦船ROI（Region of Interest）區域，運算簡單，模型容易構建與理解，但是在復雜的海面環境下，算法適用性不穩定。

2） 輪廓提取方法：包括Canny邊緣[2]、小波變換、廣義Hough變換[3?4]等，通過匹配艦船輪廓進而檢測艦船。該類方法雖然邊緣匹配準確率較高，但實際算法中連續邊緣的獲取較難。

3） 艦首檢測方法：利用SUSAN[2]、Harris角點檢測策略[1]，構建艦首局部特征，實現對艦船艦首的檢測[2，5]。

4） 特征檢測方法：包括灰度統計特征、形狀特征[3，6]（長寬比、緊湊性、離心率、矩形度等）、不變矩特征、紋理特征[7]（灰度共現陣、LBP、LMP及LTP等）、頻域特征[8]（CF等）、HOG特征[8?9]等多類特征的組合運用于艦船的分類、鑒別。

然而，針對于現有的較高分辨率（1～10 m）多光譜遙感圖像，上述方法在復雜場景中無法有效區分云、浪造成的干擾，所以本文結合艦船目標的光譜信息與上下文信息來鑒別艦船。

本文根據現有多光譜遙感圖像特性，提出光譜“凹凸性”的光譜特征描述，該描述能充分利用艦船目標的光譜特性、上下文特性，再結合灰度圖像下的梯度方向對稱性的特征描述，兩者組合構建光譜上下文特征，在粗檢測算法獲取的ROI區域[10]下，進行艦船的鑒別。該算法主要解決包括碎云、海浪、海島等多種干擾的去除，通過SVM分類，以實現艦船ROI鑒別。

1 光譜上下文特征

1.1 光譜上下文的定義

在某種圖像分割的基礎上獲得具有目標基本輪廓下的像元集合[I={（x，y）（x，y）∈ROI}]（即目標ROI區域）。通過綜合考慮目標的光譜、內部上下文關系等特性，對目標內部按照某方向的某種規則或某幾種規則進行內部區域劃分[{R1，R2，…，Rn}]，主要考慮目標內部結構特性，使某一類表征同一內部結構的像元集合在同一個區域中，例如，艦船按長軸方向對其進行艦首、艦塔、艦尾三塊區域劃分，又比如艦船呈現的軸對稱結構，可以按照以軸為分界左右劃分。然后，對目標子區域[{Ri，1≤i≤n}]進行局部描述[{H（Ri），ξ（Ri），…，Ψ（Ri），][1≤i≤n}]，包括區域內光譜統計量[H（Ri）]，區域內各波段間描述[Ψ（Ri）]，比如色彩直方圖、累積直方圖、NDVI、NDWI等。再根據目標各分塊光譜[δ{H（R1），H（R2），…，H（Rn）}]、波段間關系的描述[?{ξ（Ri），…，ξ（Rj）}]。最后，綜合一種或多種光譜上下文描述構造出對目標ROI區域的光譜上下文描述如下：

[{H（R1），…，H（Rn），ξ（Ri），…，ξ（Rj），…，Ψ（Ri），…，Ψ（Rj）}]

1.2 光譜“凹凸性”的特征

本文提出一種光譜信息描述的新方法：光譜“凹凸性”描述CCCD（Color Concavo?Convex Descriptor）。該描述基于光譜曲線的波段間關系，對光譜折線進行“0?1”編碼描述。

CCCD描述表現出不同波段間關系，是一種光譜曲線的編碼方式。該描述容易理解、計算簡單、易于統計分析，能夠在一定程度上克服光譜信息的“同物異譜，異物同譜”的干擾性問題。具體構建如下：

1） 進行波段間灰度值比對，比對后取值0或1;

2） 依次遍歷全圖進行“凹凸性”編碼，其中，“凹凸性”編碼描述為：對于RGB圖像，分別取三個波段值R，G，B，然后，比對波段間灰度值大小，獲得000，001，010，011，100，101，110，111的八位編碼。

光譜“凹凸性”描述編碼如表1所示。

這是對區域內各像素的波段間上下文描述，通過這樣的光譜特性描述，能夠既表述地物的光譜統計特性，又能簡化計算，實現快速地目標檢測。

先統計整體區域獲得8位凹凸性描述特征直方圖[H8（ROI）];統計各分塊區域獲得8位凹凸性描述特征直方圖[H8（Ri），i=1，2，3]，三個子塊進行串聯獲得24維凹凸性描述特征直方圖[CCCD_24=][{H8（R1），H8（R2），H8（R3）}]。

針對部分干擾與目標的對稱性差異，對稱性的分塊描述[CCCD_16={H8（S1），H8（S2）}]，進而構建48維的CCCD特征描述如下：

[CCCD_48=H8（R1），H8（R2），H8（R3），H8（S1），H8（S2）}]

CCCD_48描述構建示意圖如圖1所示。

1.3 方向對稱性特征

在無干擾情況下，艦船的對稱性是比較好的，但是在遙感圖像下艦船目標會存在光照不均、陰影等干擾，這導致艦船對稱性并不是很嚴格。所以在本文中，主要是基于梯度方向直方圖[9]以及主方向來表征艦船與云、海島、海浪等干擾在對稱性上的類間區分度。

在以主軸軸線為界的左右區域劃分后，考慮到艦船目標的梯度方向在沿主軸方向的變化特性，再次對子區域進行細分，將左右兩個子區域均劃分為沿主軸方向的三個子塊，然后對各個子塊進行梯度方向的描述，并統計直方圖，以及最大值方向，最后通過對比左右區域的對應子塊的梯度方向特性來表述艦船ROI的對稱特性。

描述的具體步驟為：

1） 計算梯度。對每個波段圖像計算整個ROI區域的梯度，采用模板法在x和y兩個方向分別進行離散微分。

2） 計算方向。選擇各個波段中具有最大梯度模值的矢量作為一個像素的梯度方向。

3） 梯度方向直方圖統計。統計各子塊的局部圖像梯度信息并進行量化編碼，得到各子塊區域的梯度方向直方圖描述。取各子塊梯度方向直方圖的Bin=9，也就是將整個180°的梯度方向范圍劃分為9個方向區間，統計每個區域的像素點數目。

4） 構建描述。統計各個子塊直方圖90°方向[[α1，α2，α3]]也就是第5個直方的統計值[[H（?15），H（?25），H（?35）]]，并且將同一子區域的三個子塊的梯度方向直方圖串聯得到27維的直方圖編碼串，如下：

2 引入光譜上下文特征的艦船ROI鑒別

艦船目標ROI鑒別方法有很多可供選擇的特征方法，基于光譜信息的特征和基于上下文描述的特征均有多種不同方法，但這些方法都存在一個共性的缺點，那就是信息利用率不夠高，往往考慮偏向于全色圖像下的形狀、灰度統計、紋理、結構、光譜統計以及角點提取、詞袋（Bow）模型等，少有研究者對特征進行多方面考慮、多種類融合。本文將光譜“凹凸性”CCCD_48描述與梯度方向MCHOG60對稱性描述串聯結合為光譜上下文特征?CCCD_48+MCHOG60特征，這是一類光譜信息與現有灰度方法組合的特征。

在艦船目標ROI區域構建光譜上下文描述，將特征矢量輸入到分類器中，對艦船與云、艦船與海浪、艦船與海島、艦船與部分海岸的兩兩分類，實現艦船目標ROI的鑒別去虛警。艦船ROI鑒別具體框架流程圖如圖3所示。

3 實驗結果與分析

為了驗證本文方法的性能，與經典方法進行了實驗比較。主要包括基于灰度圖像的區域Hu不變矩、LBP紋理特征的鑒別方法、CCCD_48特征方法、MCHOG60特征方法。分類SVM算法的實現采用OpenCV 2.4.4的SVM線性核分類器，其中線性核函數為[K（x，x1）=（x·x1）]。

1） 評價標準。采用檢測率[RTargets]和虛警率[Rinterfere]，定義：

具體實驗結果分析如下：

1） CCCD_48+MCHOG60、Hu不變矩方法、LBP方法在鑒別云干擾的第一組實驗中普遍表現比較好，優于單獨用CCCD_48，MCHOG60三種特征的鑒別效果。在第二組實驗中，在資源三號衛星多光譜圖像的實驗條件下，CCCD_48+MCHOG60方法去干擾效果最好，MCHOG60鑒別效果與CCCD_48+MCHOG60方法效果相近。在第三組實驗中，SPOT衛星10 m分辨率多光譜圖像下，CCCD_48+MCHOG60檢測出全部目標，虛警6個，優于單獨用CCCD_48，MCHOG60三種特征的鑒別效果，而兩種經典方法在這種分辨率的目標圖像下檢測效果極差。

2） 去海岸干擾實驗中，第一組實驗可以看到CCCD_48+MCHOG60表現的鑒別能力最強，達到94.84%的檢測率，虛警率為14.29%，這種光譜上下文方法鑒別能力上明顯優于兩種經典方法。第二組實驗采用單幅大連港口區域的資源三號多光譜圖像，可以看出基于CCCD_48+MCHOG60特征的鑒別方法虛警僅3個，比經典Hu不變矩方法虛警少2個，而經典LBP鑒別方法都表現有較高的漏警，去虛警能力也較CCCD_48+MCHOG60方法沒有優勢。

3） 去海浪干擾實驗中，基于CCCD_48+MCHOG60特征方法的鑒別能力最好，但是該方法檢測率較經典方法低，這是由于部分高亮海浪與艦船邊緣的高亮會有干擾性;經典方法檢測率都在98%左右，但是鑒別海浪干擾的能力比光譜上下文特征的鑒別方法差。

4） 去海島干擾實驗中，CCCD_48+MCHOG60方法去干擾能力最強，但是檢測率比較低，虛警率為12.5%，其檢測率達到97.42%，在三種方法中最優，而兩種經典鑒別方法在檢測率上略低于CCCD_48+MCHOG60方法，而且去干擾能力也明顯比光譜上下文特征鑒別方法差。在去海島和去海岸干擾的實驗中MCHOG60對稱性描述特征與CCCD_48+MCHOG60的鑒別表現稍好，而后者的檢測率高于前者方法，這是由于光譜信息CCCD_48的加入，能夠在一定的鑒別能力下降的同時提高特征鑒別能力;同時，也可以看到CCCD_48+MCHOG60光譜上下文特征在去云干擾中的鑒別能力和檢測率均優于MCHOG60方法，在去海浪干擾實驗中，雖然在檢測率上，CCCD_48+MCHOG60光譜上下文特征方法較MCHOG60方法略有下降，但是鑒別能力得到了一定提高。

從上述四種干擾去除實驗結果來看，不同的描述特征用于不同的干擾鑒別有不同的效果，其中，CCCD_48+MCHOG60方法去除干擾的能力較強且檢測率較高。

4 結 語

本文對現有艦船ROI鑒別方法進行了綜述討論，提出一種光譜上下文特征的描述方法，并訓練SVM分類器實現對多光譜遙感圖像海上艦船的目標鑒別。通過提出光譜“凹凸性”的區域光譜統計直方圖CCCD_8，并在這種直方圖統計量基礎上構建目標軸向分塊和對稱特性的CCCD_48特征;簡化梯度方向直方圖HOG特征提取，對目標先按其特性分塊后取每個分塊的梯度方向直方圖統計，通過對稱性的直方圖分布Contrast關系和對應左右對稱子塊區域的90°邊緣對應梯度方向值對比值，構建MCHOG60對稱性描述;兩種描述組合為CCCD_48+MCHOG60的光譜上下文描述。

經過實驗驗證，CCCD_48+MCHOG60光譜上下文特征具有良好的鑒別性能，優于不引入光譜信息和不引入上下文信息的鑒別方法，能夠更有效地實現艦船目標鑒別。

參考文獻

[1] LIU Ge， ZHANG Yasen， ZHENG Xinwei， et al. A new method on inshore ship detection in high?resolution satellite images using shape and context information [J]. IEEE geoscience and remote sensing letters， 2014， 11（3）： 617?621.

[2] 李軒，劉云清，卞春江，等.局部顯著特征下的光學遙感圖像舷靠艦船檢測[J].中國圖象圖形學報，2016，21（5）：657?664.

LI Xuan， LIU Yunqing， BIAN Chunjiang， et al. Inshore ship detection method in optical remote sensing images using local salient characteristics [J]. Journal of image and graphics， 2016， 21（5）： 657?664.

[3] 安彧，王小非，夏學知，等.海戰場光學遙感圖像艦船目標檢測[J].武漢大學學報（工學版），2015，48（4）：568?573.

AN Yu， WANG Xiaofei， XIA Xuezhi， et al. Detection of sea battlefield′s ship targets in optical remote sensing images [J]. Engineering journal of Wuhan University， 2015， 48（4）： 568?573.

[4] 趙春暉，欒世杰.相位譜的光學遙感圖像艦船目標檢測[J].沈陽大學學報（自然科學版），2015，27（5）：369?375.

ZHAO Chunhui， LUAN Shijie. Ship detection in optical remote?sensing images based on phase spectrum [J]. Journal of Shenyang University （Natural science）， 2015， 27（5）： 369?375.

[5] JIN Bin， CONG Yu， ZHOU Wei， et al. A new method for detection of ship docked in harbor in high resolution remote sensing image [C]// Proceedings of International Conference on Process in Informatics and Computing. Shanghai： IEEE， 2014： 341?344.

[6] 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）：589?595.

DU Chun， SUN Jixiang， LI Zhiyong， et al. Method for ship recognition using optical remote sensing data [J]. Journal of image and graphics， 2012， 17（4）： 589?595.

[7] 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.

HU Junhua， XU Shoushi， CHEN Hailin， et al. Detection of ships in harbor in remote sensing image based on local self?similarity [J]. Journal of image and graphics， 2009， 14（4）： 591?597.

[8] SHI Zhenwei， YU Xinran， JIANG Zhiguo， et al. 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.

[9] QI Shengxiang， MA Jie， LIN Jin， et al. Unsupervised ship detection based on saliency and S?HOG descriptor from optical satellite images [C]. IEEE geoscience and remote sensing letters， 2015， 12（7）： 1451?1455.

[10] 唐天翼，朱長仁，趙和鵬.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[J].現代電子技術，2015，38（21）：28?31.

TANG Tianyi， ZHU Changren， ZHAO Hepeng. Multispectral ship ROI detection based on color space transformation and anomaly detection [J]. Modern electronics technique， 2015， 38（21）： 28?31.

[11] TUIA D， CAMPS?VALLS G， MATASCI G， et al. Learning relevant image features with multiple?kernel classification [J]. IEEE transactions on geoscience and remote sensing， 2010， 48（10）： 3780?3791.

[12] 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.

[13] XU Jian， SUN Xian， ZHANG Daobing， et al. Automatic detection of inshore ships in high?resolution remote sensing images using robust invariant generalized hough transform [J]. IEEE geoscience and remote sensing letters， 2014， 11（12）： 2070?2074.