航空遙感影像的實(shí)時(shí)艦船目標(biāo)檢測(cè)

姜 鑫，陳武雄，聶海濤，朱 明，郝志成

(1. 中國(guó)科學(xué)院 長(zhǎng)春光學(xué)精密機(jī)械與物理研究所，吉林 長(zhǎng)春 130033；2. 重慶嘉陵華光光電科技有限公司，重慶 400700)

1 引 言

在風(fēng)云變幻的今天，適應(yīng)世界海洋形勢(shì)變化，洞察海洋安全發(fā)展趨勢(shì)，提升海洋環(huán)境的監(jiān)視能力，對(duì)于我國(guó)經(jīng)略海洋事業(yè)，顯得尤為重要[1]。衛(wèi)星等航天遙感手段已經(jīng)在海洋環(huán)境監(jiān)測(cè)中發(fā)揮了重要的作用，但其卻難以滿(mǎn)足對(duì)于時(shí)間響應(yīng)要求快速的應(yīng)急動(dòng)態(tài)海洋監(jiān)測(cè)任務(wù)[2]。航空遙感因其具備機(jī)動(dòng)快速的響應(yīng)能力，特別適合于海洋生態(tài)環(huán)境和突發(fā)事件的監(jiān)測(cè)[3]。因此，實(shí)現(xiàn)航空遙感影像的實(shí)時(shí)艦船目標(biāo)檢測(cè)具有重要的實(shí)際應(yīng)用價(jià)值。

艦船目標(biāo)檢測(cè)主要包括兩個(gè)步驟：海陸分割和艦船檢測(cè)[4]。首先，艦船目標(biāo)屬于海上目標(biāo)，因此當(dāng)遙感影像中出現(xiàn)陸地區(qū)域時(shí)，為避免由于陸地環(huán)境結(jié)構(gòu)復(fù)雜，影響后續(xù)艦船目標(biāo)檢測(cè)的準(zhǔn)確率，造成虛警，需要對(duì)遙感影像進(jìn)行海陸分割的預(yù)處理操作，分離海洋區(qū)域和陸地區(qū)域，減弱環(huán)境的影響。之后，僅在海洋區(qū)域內(nèi)進(jìn)行艦船檢測(cè)，并輸出最終的檢測(cè)結(jié)果，如艦船目標(biāo)在遙感影像中的坐標(biāo)位置，面積大小，長(zhǎng)度和寬度等信息。

傳統(tǒng)的海陸分割方式利用先驗(yàn)已知的海岸數(shù)據(jù)庫(kù)，首先根據(jù)地理坐標(biāo)信息找到遙感影像相對(duì)應(yīng)的陸地模板，再利用模板匹配技術(shù)將遙感影像中的陸地區(qū)域與陸地模板進(jìn)行匹配，最終完成海陸分割[5]。這種方案對(duì)于特定地理位置、特定場(chǎng)合的海陸分割可以實(shí)現(xiàn)較為理想的效果，但是在實(shí)際工程應(yīng)用中，人工采集標(biāo)定陸地模板難度巨大，且面對(duì)突發(fā)事件時(shí)，偵察飛機(jī)飛入新的區(qū)域，其海域、陸地模板難以獲得，利用模板匹配來(lái)進(jìn)行海陸分割更加具有不可操作性。目前，閾值分割法因其簡(jiǎn)單、高效的特點(diǎn)，在工程中得到了廣泛的應(yīng)用。

艦船檢測(cè)大體上可以分為基于傳統(tǒng)特征的檢測(cè)方法和基于深度學(xué)習(xí)的檢測(cè)方法，其中傳統(tǒng)特征包括灰度特征、紋理特征、形狀特征等，該類(lèi)方法實(shí)現(xiàn)起來(lái)快速，簡(jiǎn)單，容易實(shí)現(xiàn)，但魯棒性差[6]；基于深度學(xué)習(xí)的檢測(cè)方法不需要人工定義特征，但其事先需要預(yù)知大量的艦船訓(xùn)練數(shù)據(jù)庫(kù)，實(shí)際檢測(cè)時(shí)如果出現(xiàn)未被標(biāo)定過(guò)的艦船，容易被錯(cuò)誤分類(lèi)；同時(shí)，深度神經(jīng)網(wǎng)絡(luò)參數(shù)較多，檢測(cè)速度較慢，難以滿(mǎn)足實(shí)時(shí)處理系統(tǒng)的要求[7]。

實(shí)際工程應(yīng)用中，實(shí)時(shí)艦船目標(biāo)檢測(cè)應(yīng)綜合考慮航空遙感影像的數(shù)據(jù)特點(diǎn)和應(yīng)用場(chǎng)景等多方面因素，來(lái)選擇合適的算法[8]。目前航空遙感相機(jī)大多已經(jīng)配備了光電傳感設(shè)備，由于要滿(mǎn)足數(shù)據(jù)存儲(chǔ)和實(shí)時(shí)圖像處理等多方面需求，采集的目標(biāo)圖像往往是數(shù)據(jù)量相對(duì)較小的灰度影像。基于此，受機(jī)上實(shí)時(shí)處理軟硬件限制，在不進(jìn)行航空遙感圖像精確幾何校正的情況下，本文重點(diǎn)針對(duì)航空遙感灰度影像，對(duì)海陸分割和艦船檢測(cè)兩大問(wèn)題展開(kāi)了研究，利用灰度信息對(duì)遙感影像進(jìn)行自適應(yīng)閾值分割，結(jié)合形態(tài)學(xué)算子和孔洞填充技術(shù)，實(shí)現(xiàn)海陸分割；利用艦船幾何結(jié)構(gòu)特征進(jìn)行直線段檢測(cè)，結(jié)合K均值密度聚類(lèi)技術(shù)，完成艦船目標(biāo)檢測(cè)，算法可以滿(mǎn)足機(jī)上實(shí)時(shí)處理的自動(dòng)、準(zhǔn)確、快速的需求。

2 海陸分割

將遙感影像中的陸地區(qū)域和海洋區(qū)域進(jìn)行分割，屏蔽或去除陸地區(qū)域，將檢測(cè)范圍限定在海洋區(qū)域，稱(chēng)為海陸分割過(guò)程。精準(zhǔn)的海陸分割至關(guān)重要，可以有效地縮小后續(xù)目標(biāo)檢測(cè)范圍，簡(jiǎn)化檢測(cè)復(fù)雜度，提高檢測(cè)的速度和效率。

閾值分割法作為傳統(tǒng)的圖像分割方法，在海陸分割任務(wù)上也得到了廣泛應(yīng)用，如直方圖谷底法[9]、最大類(lèi)間方差法[10]等，該類(lèi)方法從海面區(qū)域和陸地區(qū)域具有不同的灰度、紋理等特征的角度出發(fā)，確立分割閾值，經(jīng)過(guò)二值化處理，實(shí)現(xiàn)海陸分割。但這些閾值分割法自適應(yīng)性較差，比如對(duì)于最大類(lèi)間方差分割法來(lái)說(shuō)，其要求海洋和陸地的灰度直方圖具有雙峰特性，通過(guò)計(jì)算直方圖的波谷閾值，再將一幅遙感影像分割成海洋和陸地兩大塊。但實(shí)際應(yīng)用中,航空相機(jī)采集圖像時(shí)受光照、環(huán)境、噪聲等多方面因素的影響，很難保證采集的影像具有雙峰特性；同時(shí)，最大類(lèi)間方差分割法會(huì)對(duì)每幅圖像都進(jìn)行分割，當(dāng)航空相機(jī)采集的影像中全為海洋區(qū)域或全為陸地區(qū)域時(shí)，最大類(lèi)間方差分割法并不適用。因此，本文充分考慮了海洋區(qū)域和陸地區(qū)域在灰度特征上的差異，提出了一種根據(jù)圖像灰度特征變化的自適應(yīng)閾值分割方法，并結(jié)合形態(tài)學(xué)算子和孔洞填充技術(shù)，實(shí)現(xiàn)了航空遙感影像的海陸分割。海陸分割的具體流程如圖1所示。

圖1 海陸分割流程圖Fig.1 Flow chart of land sea segmentation

2.1 海陸粗分割

在航空遙感影像中，相較于陸地區(qū)域，海洋區(qū)域最顯著的特征就是表面灰度分布均勻，即從遙感影像局部統(tǒng)計(jì)特性的角度來(lái)講，海洋區(qū)域的統(tǒng)計(jì)均值與方差，在其局部區(qū)域內(nèi)具有相似性[11]。從數(shù)學(xué)上講，灰度均值表示了局部范圍內(nèi)像素點(diǎn)的亮暗程度，灰度方差表示了局部范圍內(nèi)像素點(diǎn)灰度值變化的劇烈程度。灰度均值大，表示局部區(qū)域內(nèi)亮度大；

灰度均值小，代表局部區(qū)域亮度小；灰度方差大，代表局部區(qū)域內(nèi)波紋抖動(dòng)大，變化較大；灰度方差小，表示局部區(qū)域內(nèi)波紋抖動(dòng)小，比較平靜[12]。因此，對(duì)于陸地區(qū)域來(lái)說(shuō)，區(qū)域內(nèi)環(huán)境錯(cuò)綜復(fù)雜，區(qū)域的灰度方差值較大，區(qū)域內(nèi)不同像素點(diǎn)的灰度均值也會(huì)體現(xiàn)出一定的差異；對(duì)于海洋區(qū)域來(lái)說(shuō)，區(qū)域內(nèi)具有局部相似性，區(qū)域的灰度方差值較小，區(qū)域內(nèi)所有像素點(diǎn)的灰度均值也會(huì)具有一致性。基于此，本文考慮利用灰度均值與灰度方差兩個(gè)變量，根據(jù)圖像本身的灰度信息自適應(yīng)調(diào)整海陸分割閾值，完成海陸的粗分割。具體操作步驟如下：

對(duì)遙感影像中的每個(gè)像素點(diǎn)(x,y)，以其為中心取大小為d×d的滑動(dòng)窗口H={(m,n)|x-d/2≤m≤x+d/2,y-d/2≤n≤y+d/2}，計(jì)算該滑動(dòng)窗口內(nèi)所包含像素點(diǎn)的灰度均值和方差，并將計(jì)算結(jié)果當(dāng)作像素點(diǎn)(x,y)的灰度均值和方差，并依次遍歷遙感影像中的每個(gè)像素點(diǎn)。記像素點(diǎn)(x,y)的灰度均值和方差計(jì)算結(jié)果分別為Ave(x,y)和Var(x,y)，計(jì)算公式如下：

(1)

(2)

其中：F(m,n)表示像素點(diǎn)(m,n)的灰度值。接著，計(jì)算整幅影像的灰度方差均值Varave，公式如下：

(3)

其中：M和N分別表示影像的垂直分辨率和水平分辨率。對(duì)于影像中的像素點(diǎn)(x,y)，如果該點(diǎn)的灰度方差值大于整幅影像的灰度方差均值，同時(shí)存在該點(diǎn)的灰度均值與周?chē)徲蛳袼攸c(diǎn)的灰度均值相差較大，則將該點(diǎn)判定為陸地區(qū)域，否則判定為海洋區(qū)域，數(shù)學(xué)上表示為滿(mǎn)足以下兩個(gè)條件：

Var(x,y)>Varave,

(4)

(5)

依次遍歷遙感影像中的每個(gè)像素點(diǎn)，依據(jù)上述準(zhǔn)則將像素點(diǎn)判定為海洋區(qū)域或陸地區(qū)域，完成海陸的粗分割。

2.2 連接分散陸地

完成海陸粗分割后，影像中的海洋區(qū)域和陸地區(qū)域均會(huì)出現(xiàn)一定的斷裂和空洞情況，因此本文利用形態(tài)學(xué)算子和孔洞填充技術(shù)完成連接和填補(bǔ)。

利用形態(tài)學(xué)中的膨脹操作連接分散的陸地，將陸地區(qū)域連接成一個(gè)或幾個(gè)大的連通區(qū)域。本文利用3×3的結(jié)構(gòu)元素，掃描影像中的每一個(gè)像素點(diǎn)，用結(jié)構(gòu)元素與其覆蓋的二值圖像做“或”操作，使得邊界完成了向外部的擴(kuò)張。

2.3 填充陸地孔洞

陸地中也存在具有局部相似性的區(qū)域，比如小型湖泊、田地、草原等[12]，這些區(qū)域在進(jìn)行海陸粗分割時(shí)往往被誤認(rèn)為是海洋區(qū)域，因此本文考慮利用區(qū)域生長(zhǎng)的方法填充陸地孔洞。

區(qū)域生長(zhǎng)方法是根據(jù)事先定義的準(zhǔn)則，將相似或同類(lèi)像素點(diǎn)聚合成一個(gè)大區(qū)域的過(guò)程[13]。其生長(zhǎng)過(guò)程是從一個(gè)像素點(diǎn)開(kāi)始，將與該生長(zhǎng)點(diǎn)性質(zhì)相似的相鄰像素點(diǎn)進(jìn)行合并，并形成新的生長(zhǎng)點(diǎn)，重復(fù)此過(guò)程直到不能繼續(xù)生長(zhǎng)為止[14]。本文考慮將屬于海洋區(qū)域的像素點(diǎn)進(jìn)行區(qū)域生長(zhǎng)，具體的生長(zhǎng)步驟如下：

(1)掃描整幅影像，找到第一個(gè)屬于海洋區(qū)域的像素點(diǎn)，記為(x0,y0)；

(2)以(x0,y0)為中心，考慮(x0,y0)的8鄰域像素(x,y)，若(x,y)為海洋區(qū)域的像素點(diǎn)，則將(x,y)與(x0,y0)合并，同時(shí)將(x,y)壓入堆棧；

(3)從堆棧中取出一個(gè)像素點(diǎn)，將其視為(x0,y0)返回步驟(2)；

(4)當(dāng)堆棧為空時(shí)，返回步驟(1)；

重復(fù)步驟(1)～步驟(4)，直到圖像中所有屬于海洋區(qū)域的像素點(diǎn)均有歸屬，生長(zhǎng)結(jié)束。

接著，統(tǒng)計(jì)生長(zhǎng)過(guò)后各個(gè)獨(dú)立聯(lián)通區(qū)域的像素點(diǎn)數(shù)目，結(jié)合圖像分辨率的大小和先驗(yàn)信息設(shè)定一個(gè)像素點(diǎn)數(shù)目的閾值，將小于該閾值的獨(dú)立聯(lián)通區(qū)域歸為陸地區(qū)域，完成陸地孔洞填充。

2.4 刻畫(huà)海岸線

通過(guò)膨脹操作連接分散的陸地區(qū)域后，需要執(zhí)行一定次數(shù)的腐蝕操作，以完成海岸線的刻畫(huà)，保證海岸線的精度不受影響。類(lèi)似地，本文利用3×3的結(jié)構(gòu)元素，掃描影像中的每一個(gè)像素點(diǎn)，用結(jié)構(gòu)元素與其覆蓋的二值圖像做“與”操作，完成邊界向內(nèi)部收縮的過(guò)程，同時(shí)還可以消除小且無(wú)意義的區(qū)域。值得注意的是，腐蝕操作的次數(shù)可以略少于膨脹操作的次數(shù)，一是可以減低算法的復(fù)雜度，提高運(yùn)算速度和效率，二是可以人為地適當(dāng)擴(kuò)大陸地區(qū)域，以減少海岸邊由于水紋、雜波等因素對(duì)后續(xù)艦船目標(biāo)檢測(cè)時(shí)提取特征造成的影響。

2.5 填充海洋孔洞

與陸地區(qū)域類(lèi)似，海洋區(qū)域內(nèi)艦船、小島等目標(biāo)不具有局部相似性，因此在進(jìn)行海陸粗分割時(shí)易被誤認(rèn)為是陸地區(qū)域[9]。同樣地，本文考慮利用區(qū)域生長(zhǎng)的方法填充海洋的孔洞，具體生長(zhǎng)過(guò)程與前文一致。之后，對(duì)于像素點(diǎn)少于一定數(shù)目的獨(dú)立聯(lián)通區(qū)域判定為海洋區(qū)域，完成海洋孔洞填充。

至此，完成了海陸分割的所有操作流程，可去除陸地區(qū)域，將后續(xù)的艦船目標(biāo)檢測(cè)范圍限定在海洋區(qū)域中。

3 艦船檢測(cè)

隨著航空遙感影像分辨率的逐漸提高，影像中目標(biāo)的幾何結(jié)構(gòu)特征也變得更加豐富、清晰，比如機(jī)場(chǎng)、橋梁、港口等典型目標(biāo)，均具備明顯的直線段特征。同時(shí)，與紋理、顏色等特征相比，幾何結(jié)構(gòu)特征受相機(jī)拍攝環(huán)境的影響較小，無(wú)論在何種光照、角度下拍攝，一個(gè)典型目標(biāo)的幾何基元結(jié)構(gòu)都不會(huì)發(fā)生變化，因此幾何結(jié)構(gòu)特征也逐漸成為遙感影像中目標(biāo)檢測(cè)和識(shí)別的重要依據(jù)[15]。

對(duì)于艦船目標(biāo)而言，艦首多為尖形結(jié)構(gòu)，艦尾多為梯形、方形結(jié)構(gòu)，兩舷平直[16]，其獨(dú)特的長(zhǎng)條形狀是區(qū)分艦船目標(biāo)與其他海面目標(biāo)一個(gè)十分基礎(chǔ)且重要的幾何結(jié)構(gòu)特征。基于此，本文利用艦船目標(biāo)的幾何結(jié)構(gòu)特性，首先對(duì)其進(jìn)行直線段檢測(cè)；之后，對(duì)檢測(cè)出的直線段進(jìn)行K均值密度聚類(lèi)；接著，根據(jù)每個(gè)類(lèi)內(nèi)的直線段數(shù)目，完成對(duì)有效類(lèi)的最小外接矩形畫(huà)框，并最終輸出檢測(cè)后的艦船目標(biāo)信息。艦船目標(biāo)檢測(cè)的具體流程如圖2所示。

圖2 艦船檢測(cè)流程圖Fig.2 Flow chart of ship detection

3.1 直線段檢測(cè)

艦船目標(biāo)具有明顯的幾何結(jié)構(gòu)特征，比較容易用直線段對(duì)其進(jìn)行描述；而海面的島嶼、雜波、水紋等背景不具有明顯的形狀特征，因此其直線段分布是十分隨機(jī)的。基于此，本文中利用經(jīng)典的LSD (Line Segment Detector)直線段檢測(cè)方法[17]，來(lái)完成對(duì)艦船目標(biāo)的直線段檢測(cè)，該方法能夠在較短的時(shí)間內(nèi)獲得較高精度的直線段檢測(cè)結(jié)果。

LSD直線段檢測(cè)算法首先計(jì)算圖像中所有點(diǎn)的梯度大小和方向，然后將梯度方向變化小且相鄰的點(diǎn)作為一個(gè)連通域，接著根據(jù)每一個(gè)域的矩形度判斷是否需要按照規(guī)則將其斷開(kāi)以形成多個(gè)矩形度較大的域，最后對(duì)生成的所有的域做改善和篩選，保留其中滿(mǎn)足條件的域，即為最后的直線檢測(cè)結(jié)果。該算法的優(yōu)點(diǎn)在于檢測(cè)速度快，而且無(wú)需參數(shù)調(diào)節(jié)，利用錯(cuò)誤控制的方法，提高直線檢測(cè)的準(zhǔn)確度。LSD算法對(duì)艦船目標(biāo)的直線段檢測(cè)結(jié)果如圖3所示。

圖3 直線段檢測(cè)示意圖Fig.3 Schematic diagram of line segment detection

3.2 直線段聚類(lèi)

如圖3所示，進(jìn)行直線段檢測(cè)后，艦船目標(biāo)區(qū)域往往會(huì)出現(xiàn)較為密集分布的多條直線段，基于此，本文利用K均值密度聚類(lèi)算法[18]，來(lái)對(duì)檢測(cè)出的直線段進(jìn)行區(qū)域聚類(lèi)。K均值密度聚類(lèi)算法應(yīng)用簡(jiǎn)單，收斂速度快，聚類(lèi)效果好，因此在工程中得到了廣泛的應(yīng)用。本文應(yīng)用K均值密度聚類(lèi)算法的具體實(shí)施步驟如下：

(1)從檢測(cè)出的所有直線段中隨機(jī)選擇出一條直線段，將該直線段的中心點(diǎn)作為初始聚類(lèi)的中心點(diǎn)；

(2)隨機(jī)選擇一條直線段，計(jì)算該直線段中心與當(dāng)前所有聚類(lèi)中心點(diǎn)的距離，根據(jù)最小距離原則找到與其最近的聚類(lèi)，當(dāng)該距離小于預(yù)先設(shè)定的距離閾值時(shí)，將該直線段劃分到該聚類(lèi)中，并重新計(jì)算該聚類(lèi)的中心點(diǎn)，新的中心點(diǎn)即為類(lèi)內(nèi)所有直線段的中心；否則，重新創(chuàng)建一個(gè)聚類(lèi)，并將該直線段的中心點(diǎn)作為新聚類(lèi)的中心點(diǎn)；

(3)依次遍歷檢測(cè)出的直線段，重復(fù)步驟(2)，直至所有直線段均有所歸屬的聚類(lèi)，聚類(lèi)結(jié)束。

其中，距離閾值可以根據(jù)影像的分辨率大小、艦船目標(biāo)的尺寸大小以及先驗(yàn)知識(shí)綜合設(shè)定，以使艦船檢測(cè)效果達(dá)到最佳。

3.3 有效類(lèi)畫(huà)框

聚類(lèi)結(jié)束后，統(tǒng)計(jì)每個(gè)類(lèi)內(nèi)所包含的直線段數(shù)目，當(dāng)直線段數(shù)目大于預(yù)先設(shè)定的數(shù)目閾值后，判定其為有效類(lèi)，并畫(huà)出該類(lèi)所有直線段的最小外接矩形。對(duì)圖3中檢測(cè)出的直線段進(jìn)行K均值密度聚類(lèi)、有效類(lèi)畫(huà)框后，結(jié)果如圖4所示。

圖4 有效聚類(lèi)畫(huà)框示意圖Fig.4 Effective clustering frame diagram

有效聚類(lèi)畫(huà)框后，將有重疊區(qū)域的矩形框進(jìn)行合并，并刻畫(huà)出重疊矩形框的最小外接矩形作為最終的檢測(cè)框，結(jié)果如圖5所示。

圖5 艦船檢測(cè)結(jié)果Fig.5 Results of ship detection

最終，將所刻畫(huà)的檢測(cè)框作為艦船目標(biāo)信息進(jìn)行輸出，包括了目標(biāo)在影像中的坐標(biāo)位置、目標(biāo)長(zhǎng)度、目標(biāo)寬度、目標(biāo)面積等信息。

4 驗(yàn)證分析

本文所提出的海陸分割算法和艦船目標(biāo)檢測(cè)算法已經(jīng)應(yīng)用在某型號(hào)航空相機(jī)任務(wù)上，算法實(shí)現(xiàn)平臺(tái)為嵌入式數(shù)字信號(hào)處理器TMS320C6455，針對(duì)1 920×1 080分辨率大小的航空遙感灰度影像，海陸分割算法實(shí)現(xiàn)時(shí)間約9 ms，艦船目標(biāo)檢測(cè)算法實(shí)現(xiàn)時(shí)間約11 ms，實(shí)現(xiàn)了30 FPS的機(jī)上實(shí)時(shí)處理要求。為了驗(yàn)證本文算法的有效性，選取了300張典型實(shí)際飛行拍攝的遙感影像進(jìn)行對(duì)比測(cè)試，所構(gòu)建的測(cè)試圖像集場(chǎng)景復(fù)雜且豐富，匯集了島嶼、海浪、薄云、近岸等各種區(qū)域背景條件下和不同光照條件下的艦船目標(biāo)。由于相關(guān)航空遙感圖像較為敏感，不便于展示，本文僅列舉幾組能夠配套的影像對(duì)海陸分割效果和艦船目標(biāo)檢測(cè)效果進(jìn)行展示。

圖6 海陸分割實(shí)驗(yàn)結(jié)果Fig.6 Experimental results of land sea segmentation

為了驗(yàn)證海陸分割算法的有效性，本文與文獻(xiàn)[19]和文獻(xiàn)[20]中的海陸分割算法進(jìn)行比較。文獻(xiàn)[19]通過(guò)改進(jìn)指數(shù)加權(quán)平均比率算子進(jìn)行邊緣強(qiáng)度檢測(cè)，而后利用小波變換進(jìn)行二次邊緣提取，實(shí)現(xiàn)海陸分割；文獻(xiàn)[20]提出了一種分策略粗精結(jié)合海陸分割方法，進(jìn)行基于梯度積分圖的邊界分割。本文采用如下參數(shù)來(lái)分析算法性能[5]：

(6)

陸地檢測(cè)錯(cuò)誤率=

(7)

陸地檢測(cè)正確率=

(8)

不同海陸分割算法的比較結(jié)果如表1所示。從表中可以觀察出，本文提出的海陸分割算法陸地檢測(cè)率為95.8%，陸地檢測(cè)錯(cuò)誤率為5.7%，陸地檢測(cè)正確率為94.4%，海陸分割效果較為理想。圖5為海陸分割的實(shí)驗(yàn)結(jié)果，為便于觀察，對(duì)圖像進(jìn)行了二值化處理，陸地區(qū)域用黑點(diǎn)表示，海洋區(qū)域用白點(diǎn)表示。實(shí)驗(yàn)結(jié)果顯示文獻(xiàn)[19]中的海陸分割算法在海陸邊界處受海洋陰影干擾較大，易將海洋區(qū)域錯(cuò)劃為陸地區(qū)域；文獻(xiàn)[20]中的分割算法海岸線輪廓刻畫(huà)較為粗糙，易將海陸交界處的海洋區(qū)域劃分到陸地區(qū)域；本文算法分割后陸地區(qū)域邊緣連接較完整，未出現(xiàn)邊緣斷裂情況，海岸線輪廓與原始圖像基本保持一致，分割算法對(duì)噪聲的敏感度較低，分割結(jié)果較為準(zhǔn)確，魯棒性好。

表1 海陸分割算法結(jié)果比較

為了驗(yàn)證艦船目標(biāo)檢測(cè)算法的有效性，本文與文獻(xiàn)[21]和文獻(xiàn)[22]中所提出的檢測(cè)方法進(jìn)行比較，評(píng)價(jià)指標(biāo)選用準(zhǔn)確率和虛警率。文獻(xiàn)[21]根據(jù)艦船目標(biāo)特性對(duì)方向梯度直方圖進(jìn)行了改進(jìn)，將其與其他形狀特征組成特征向量，最后通過(guò)分類(lèi)器完成目標(biāo)確認(rèn)。文獻(xiàn)[22]通過(guò)引入空間金字塔池化結(jié)構(gòu)，結(jié)合密集連接對(duì)現(xiàn)有的YOLO-v3檢測(cè)算法進(jìn)行了改進(jìn)。其中，準(zhǔn)確率和虛警率的定義為：

(9)

(10)

艦船目標(biāo)檢測(cè)結(jié)果對(duì)比如表2所示。從表中的對(duì)比結(jié)果可以看出，本文提出的艦船檢測(cè)算法準(zhǔn)確率為94.1%，虛警率為3.9%，檢測(cè)準(zhǔn)確率高，虛警率低，檢測(cè)效果較為理想，該檢測(cè)精度指標(biāo)已基本滿(mǎn)足絕大多數(shù)航空遙感影像艦船目標(biāo)檢測(cè)任務(wù)的精度要求，同時(shí)可以滿(mǎn)足工程任務(wù)中的實(shí)時(shí)艦船目標(biāo)檢測(cè)需求。文獻(xiàn)[22]中基于深度學(xué)習(xí)的艦船目標(biāo)檢測(cè)算法實(shí)現(xiàn)了較高的檢測(cè)準(zhǔn)確率，但其實(shí)現(xiàn)需要預(yù)知大量的目標(biāo)樣本數(shù)據(jù)庫(kù)；同時(shí)，深度神經(jīng)網(wǎng)絡(luò)參數(shù)較多，檢測(cè)速度慢，受機(jī)上軟硬件的限制，難以滿(mǎn)足機(jī)上實(shí)時(shí)處理的任務(wù)需求。另外，可以觀察到本文檢測(cè)算法的虛警率較低，這是因?yàn)樵谂灤瑱z測(cè)前已經(jīng)進(jìn)行了海陸分割，后續(xù)僅在海面區(qū)域上進(jìn)行艦船目標(biāo)檢測(cè)，避免陸地上復(fù)雜景物對(duì)檢測(cè)造成的影響，由此也體現(xiàn)了海陸分割+艦船檢測(cè)這一方法的優(yōu)勢(shì)。

表2 艦船目標(biāo)檢測(cè)算法結(jié)果比較

圖7是艦船目標(biāo)檢測(cè)的實(shí)驗(yàn)結(jié)果示意圖，文中分別給出了在平靜海面、海面雜波、海面薄霧、強(qiáng)碎浪海況、薄云覆蓋、云層干擾、小島干擾、陸地干擾等多種不同情況下的檢測(cè)結(jié)果。從圖中可以看出，在不同情況下，艦船目標(biāo)檢測(cè)結(jié)果準(zhǔn)確、穩(wěn)定，受外界干擾小，魯棒性強(qiáng)。

圖7 艦船目標(biāo)檢測(cè)實(shí)驗(yàn)結(jié)果Fig.7 Experimental results of ship target detection

5 結(jié) 論

作為海洋監(jiān)視任務(wù)中的關(guān)鍵一環(huán)，開(kāi)展有關(guān)航空遙感影像的艦船目標(biāo)檢測(cè)研究具有重要意義。本文重點(diǎn)對(duì)海陸分割和艦船檢測(cè)兩個(gè)問(wèn)題進(jìn)行了研究，利用影像灰度信息實(shí)現(xiàn)了自適應(yīng)閾值分割，結(jié)合形態(tài)學(xué)算子和孔洞填充技術(shù)，較好的完成了海陸分割任務(wù)；利用艦船目標(biāo)的幾何結(jié)構(gòu)特征，結(jié)合LSD直線段檢測(cè)技術(shù)和K均值密度聚類(lèi)技術(shù)，實(shí)現(xiàn)了艦船目標(biāo)的有效檢測(cè)。實(shí)驗(yàn)結(jié)果表明：針對(duì)海陸分割任務(wù)，算法的陸地檢測(cè)率為95.8%，陸地檢測(cè)錯(cuò)誤率為5.7%，陸地檢測(cè)正確率為94.4%；針對(duì)艦船檢測(cè)任務(wù)，目標(biāo)檢測(cè)準(zhǔn)確率為94.1%，目標(biāo)檢測(cè)虛警率為3.9%。本文算法能夠準(zhǔn)確地實(shí)現(xiàn)海洋和陸地的自適應(yīng)分割，并能夠提取出影像中艦船的數(shù)量、尺寸和位置信息，在檢測(cè)時(shí)間和檢測(cè)精度上都能夠滿(mǎn)足實(shí)際工程的需求。