基于邊緣檢測的雷達圖像船岸分離方法

田國昊，石 磊，劉 轟，初秀民

(1.武漢理工大學 智能交通系統研究中心，湖北 武漢 430063；2.中設設計集團股份有限公司，江蘇 南京 210014；3.閩江學院，福建 福州 350000)

我國擁有較長的海岸線及內河航道，航行安全監管的需求越來越大。現今，我國沿海和長江干線已建成50余個船舶交通服務(VTS)中心，沿海重要水域及港口基本實現了全面覆蓋，長江干線航段基本實現全方位安全監管[1]。雷達是VTS系統中不可缺少的組成部分，通過雷達可探查到水域中的船舶航行狀況，幫助海事人員了解水上綜合情況。雷達目標識別是雷達應用的關鍵技術，而目標識別對于雷達圖像而言具有一定的要求?，F今雷達成像技術已經相對成熟，要提高目標識別準確率就需要針對不同應用場景對雷達圖像進行處理。針對道路識別場景，文獻[2]通過對圖像紋理進行提取并修復規避圖像上出現不完整道路情況的發生；針對機場跑道場景，文獻[3]提出了一種機場跑道異物檢測方法，利用高斯模型疊加去除噪聲，運用背差法去除背景，再通過形態學處理增強圖片，最后運用漫水填充法得到雷達圖形中的目標。以上研究都是通過對雷達圖像進行處理進而檢測其目標，對特定的檢測環境具有較高的目標識別率。

長江的狹窄水域中地形相對復雜，航道狹窄、彎曲，岸線較長。船舶靠岸行駛時，船舶與岸線圖像融為一體，無法分離，給雷達目標捕獲、識別帶來困難。文獻[4]提出一種應用于狹窄水道的雷達圖像處理技術，可獲取位于航道上的船舶圖像，然而此技術是基于切除大量岸線回波基礎上的，因此針對雷達圖像上近岸船舶并不能做到識別。為識別近岸船舶，文獻[5]又提出了一種基于圖像處理的內河海事雷達圖像岸線橋梁提取方法，利用提取橋梁和岸線的方法對船舶進行識別。然而因岸線橋梁形狀復雜導致其提取難度高，且岸線橋梁圖像面積遠大于目標船舶圖像面積，去除岸線橋梁時容易丟失近岸船舶目標。

針對上述已有方法存在的問題，本文提出了一種基于圖像處理的雷達圖像船岸分離方法，通過混合高斯背景建模獲得背景圖形，對目標圖像進行形態學處理及邊緣檢測，最后通過背差法獲得目標船舶，從而進行船岸分離。此方法有利于提高雷達目標識別成功率，減少近岸船舶無法識別情況的發生，提高海事監管水平，保障船舶航行安全。

1 近岸船舶分離處理方法

近岸船舶分離方法包括灰度圖轉化、混合高斯模型檢測運動目標、數學形態學處理、邊緣檢測等步驟。首先，通過多張雷達圖像進行混合高斯背景建模，獲取背景圖；其次，對當前雷達圖像進行灰度轉化，獲取灰度圖；再次，將灰度圖與背景圖進行背差操作，獲得目標船舶圖像，對船舶圖像進行數學形態學處理并通過邊緣檢測算法獲取船舶輪廓；最后，船舶輪廓圖與當前幀圖間進行圖像運算操作獲取船岸分離圖像。雷達圖像處理方案如圖1所示。

圖1 雷達圖像處理方案

1)灰度圖轉化。此操作將圖像顏色空間從紅綠藍(RGB)三通道值轉為單通道灰度值表示，可減少圖像處理運算量，提高運算效率。本文灰度圖轉化操作增強圖像中強信號的主體部分，削弱因水波等原因產生的弱信號部分。

2)混合高斯背景建模。因所采集的雷達圖像是在固定地點不同時間線上采集的，雷達圖像中背景雖稍有浮動卻大體不變，本文采用在背差操作中效果良好的混合高斯背景建模。

3)背差操作及背景圖更新。背差操作可將當前幀圖像與背景圖像進行比較，以獲取兩圖間像素值差距較大區域。此時的當前幀圖將與原背景圖集繼續以累積求均值的方法獲得新背景圖。

4)數學形態學處理與邊緣檢測。數學形態學處理的基礎為腐蝕與膨脹，腐蝕去除近岸船舶圖像中的多余雜點，膨脹使目標船舶圖像調整至適當大小，形態學處理效果圖如圖2所示。邊緣檢測操作采用改進的Canny邊緣檢測，可獲得圖像中物體邊緣輪廓以進行圖像運算操作。

圖2 形態學處理效果圖

2 關鍵技術分析

針對近岸船舶圖像處理中的關鍵技術進行分析，分別從灰度圖轉化、混合高斯背景建模、改進的邊緣檢測、目標分離這幾方面表述。

2.1 灰度圖轉化

為減少圖像處理運算量，突出圖像主體部分，需對雷達圖像進行灰度轉化。為減弱信號對雷達掃描圖像的影響，本文對灰度圖轉化公式進行了改進，常規的灰度圖像轉化方法有最大值法、平均值法、加權平均值法，加權平均值法可通過給予RGB不同的權值，進而凸顯出圖像主體部分。加權平均值法數學計算如公式(1)所示。

X=a×CR+b×CG+c×CB，

(1)

式中，X表示轉化后的像素點像素值，CR(紅色)、CG(綠色)、CB(藍色)為三通道像素值，a、b、c分別為RGB加權數值(通過經驗獲取，a=0.7、b=0.2、c=0.1)。

2.2 混合高斯背景建模獲取目標船舶

簡單目標檢測的基本方法有幀差法和背差法。幀差法是將當前幀圖像與相鄰幀圖像相減做差，而背差法與幀差法不同，將當前幀圖像與一個背景模型相減，在差分圖像中提取運動目標。背差法可通過使用大量的雷達圖像計算獲取背景模型，消除了幀差法因目標船舶移動緩慢而無法識別的缺點。

背差法中最重要的是背景建模，建模方法有平均值法、混合高斯背景建模等。背景建模效果圖見圖3。如圖3(a)所示，平均值法所得背景圖模糊陰影部分較多，將給目標檢測帶來誤差；如圖3(b)所示，混合高斯背景建模所得背景圖模糊陰影較少，且邊緣清晰，效果良好，因此本文選用此算法。

圖3 背景建模效果圖

獲得背景圖像后，可將背景圖與當前圖像做差值計算，得出目標船舶圖像，背差法效果圖如圖4所示，其計算如公式(2)所示：

，(2)

式中，F(x,y)表示差分圖，I(x,y)表示當前幀圖，B(x,y)表示背景圖，T為設置閾值。

圖4 背差法效果圖

2.3 邊緣檢測算子比較

本文采用幾種通用的圖像邊緣檢測算子進行對比，如索貝爾(Sobel)邊緣檢測、拉普拉斯(Laplacian)邊緣檢測以及坎尼(Canny)邊緣檢測[6]，最終采用了經改進的Canny邊緣檢測。4種邊緣檢測算子效果圖見圖5。Sobel邊緣檢測時，其邊緣部分連接效果較差，出現了一些虛假邊緣，并且邊緣檢測線較寬，雖然其定位精確，但抗噪能力較差，應用效果并不理想，見圖5(a)。Laplacian邊緣檢測會使邊緣細節丟失，因使用前會使用高斯濾波平滑圖像，雖減少了噪聲的干擾，但同時會使邊緣尖銳部分也被平滑掉，致使邊緣細節丟失,見圖5(b)。Canny算子的使用效果整體而言相對較好，其不僅抗干擾能力強，而且可以利用其雙閾值的劃分將圖形真邊緣和偽邊緣進行區分，邊緣檢測線也相對較細[7]。但因高斯濾波對圖像邊緣也進行模糊，導致部分邊緣細節丟失，見圖5(c)。針對此問題，本文采用保持邊緣的雙邊濾波代替高斯濾波，雙邊濾波Canny檢測效果較好，邊緣并未出現缺失現象，因此本文選用此算法[8]，見圖5(d)。

圖5 4種邊緣檢測算子效果圖

本文Canny邊緣檢測的步驟如下。

1)雙邊濾波平滑圖像，雙邊濾波同時考慮像素點的空間域信息與值域信息。在進行邊緣模糊時，面對檢測點鄰域像素值相差較大的情況，會減低模糊的權重，避免邊緣被模糊。雙邊濾波后像素點m(x，y)為：

(3)

w(i，j)=ws(i,j)×wr(i,j)，

(4)

(5)

wr(i,j)=

(6)

式中，m(x，y)為模糊后像素點，x、y分別代表像素點橫縱坐標軸，m(i，j)為鄰域像素點，i、j分別代表鄰域像素點橫縱坐標軸，S為檢測點鄰域，w(i，j)為濾波權重，ws(i，j)為空間域濾波權重，wr(i，j)為值域濾波權重，δs為空間域標準差，δr為值域標準差。

2)計算梯度幅值和方向，用以篩選邊緣點，首先設定2個3×3卷積核Kx與Ky：

利用卷積核計算幅值和方向，其公式如下：

Gx=Kx*m(x,y)，

(7)

Gy=Ky*m(x,y)，

(8)

(9)

(10)

式中，Kx、Ky分別為x與y方向上的卷積核，Gx和Gy分別為Kx、Ky與圖像上各點卷積后得到的卷積值，G為幅值，θ為方向。

3)運用非極值抑制的方法去除非邊緣像素，保留一些細小的線條，然后利用其雙閾值限制去除虛假邊緣。非極大值抑制則可以幫助將局部最大值之外的所有梯度值抑制為0，對梯度圖像中每個像素進行非極大值抑制的算法是：①將當前像素的梯度強度與沿正負梯度方向上的2個像素進行比較。② 如果當前像素的梯度強度與另外2個像素相比最大，則該像素點保留為邊緣點，否則該像素點將被抑制。

本文Canny算子邊緣檢測的優勢在于可通過雙閾值對明顯邊緣與非明顯邊緣進行劃分，并且自動判定明顯與非明顯邊緣相連，才將弱邊緣包含于圖像之中。且采用保持邊緣的雙邊濾波，較好地保存了邊緣細節。采用此方法進行檢測不容易丟失虛弱邊緣的信息，因此該方法容易檢測出真正的弱邊緣，且具有較強的抑制噪聲能力。

2.4 目標分離

由數學看來，灰度圖可視為由像素點組成的矩陣，由此可將圖像按數學運算的方法進行計算，使圖像更加精準。本文船岸分離方法將輪廓圖像取“非”，并將非運算圖像與原圖像取“或”，可獲得最終的船岸分離圖像。

船岸目標圖像分離是基于輪廓圖與原圖像進行計算的基礎上。其計算如下：

(11)

3 試驗結果

3.1 試驗場景

長江航道屬于內河航道，其航道情況復雜，雷達圖像中目標船舶與岸線融合的情況時有發生，適用于本方法。本文采用某公司提供的4G固態雷達，并選取武漢白沙洲航段進行試驗。

3.2 試驗步驟

本文提供船岸分離方法，為減少冗余操作，雷達圖像保留有效區域，即岸線與河道相交匯的區域。背景圖為將多張背景圖進行混合高斯建模操作后所得，經閾值限制保留背景圖，去除前景圖像。對比背景圖與當前圖，在當前圖中岸線部分有明顯的船岸融合圖像，使目標船舶難以辨認。當前圖與背景圖經背差操作得到背差圖，背差圖中包含船舶圖像以及大量邊緣雜點。腐蝕圖中，使用7×7卷積核進行腐蝕操作，消除邊緣雜點，船舶圖像相對縮?。慌蛎泩D中，采用相同結構體使船舶圖像恢復適當大小；輪廓圖中，采用Canny邊緣檢測并進行膨脹操作，Canny邊緣檢測保證船舶輪廓完整，膨脹操作使輪廓明顯易于觀察。最后將目標輪廓與當前圖進行分離操作即可得到船岸分離圖像。

3.3 試驗結果分析

經試驗，取不同時段雷達掃描圖像進行船岸分離操作，船岸分離準確率如表1所示，船岸分離準確率已由原來的50%左右達到80%以上。不同時刻的雷達掃描圖像，運用本文方法皆可將船岸圖像分離，且船舶大小、船舶位置對船岸分離效果皆無影響，船岸分離圖像中可明顯辨認出近岸船舶。與當前圖及背景圖對比，可發現沒有誤將岸線分離的情況發生，船岸分離效果良好。圖6為船岸分離圖像與原圖對比。

圖6 船岸分離圖像與原圖對比

通過本文研究方法進行船岸分離，可使近岸船舶易于識別，減少近岸后丟失船舶數據情況的發生。雷達可使使用者直觀的觀測到海域中的航行情況，船岸分離后的圖像突出了近岸船舶，具有易于觀察的特點，增加了船舶識別準確度，為海事監管安全進一步提供了保障。

4 結束語

本文基于圖像處理技術提出了一種雷達掃描圖船岸分離方法。在近岸處船舶與岸線相干擾的情況下，該方法運用混合高斯模型檢測運動目標、數學形態學運算、邊緣檢測等技術將雷達圖像上的目標船舶與岸線進行分離。本方法可提高雷達目標識別成功率，減少近岸船舶無法識別情況的發生，提高海事監管水平，保障船舶航行安全。

本文對海事雷達圖像進行研究，并取得了一定的研究成果。但在實際應用方面還有許多不足。①本文采用背差法，當背景圖像出現誤差時，差分效果不佳將影響船岸分離的準確性。雷達背景圖像的獲取方法有較大的改進空間，這對提升雷達目標識別率具有重要意義。②本文在進行灰度轉換和邊緣提取等操作時，使用了一些經驗參數作為判斷閾值，經驗參數無法自適應更新。在后續研究中，可對圖像處理閾值自適應選取方向進行研究。