基于多層顯著性模型的SAR圖像艦船目標檢測

扈 琪, 胡紹海, 劉帥奇

(1. 河北大學(xué)電子信息工程學(xué)院, 河北 保定 071002;2. 北京交通大學(xué)信息科學(xué)研究所, 北京 100044;3. 現(xiàn)代信息科學(xué)與網(wǎng)絡(luò)技術(shù)北京市重點實驗室, 北京 100044)

0 引 言

合成孔徑雷達(synthetic aperture radar,SAR)是一種能夠全天候、全天時產(chǎn)生高分辨率遙感圖像的相干成像系統(tǒng),因此受到世界各國普遍重視,在軍事及民用艦船檢測中發(fā)揮著重要的作用[1-4]。SAR圖像艦船檢測可以有效提高艦船運輸效率和減少海上交通事故,同時也是海洋監(jiān)視的重要組成部分。由于海面雜波的不確定性、艦船目標大小不一以及陸地雜波的干擾等,艦船目標的檢測性能會受到很大的影響。因此SAR圖像艦船檢測依然是一項重要且具有挑戰(zhàn)性的研究任務(wù)[5-9]。

在SAR圖像目標檢測中,最常用的算法是恒虛警率(constant false alarm rate, CFAR)算法。CFAR算法在均勻背景中可以提供具有恒定的虛警概率的檢測閾值,較好地避免背景噪聲、雜波和干擾變化的影響。隨著CFAR算法的不斷改進,形成了基于高斯分布、對數(shù)正態(tài)、Gamma[10]、Beta分布[11]等統(tǒng)計分布的CFAR檢測方法。這些方法對于某類特定場景能夠產(chǎn)生較好的檢測效果,但這些方法需要人為分析目標與背景的特性,并且參數(shù)設(shè)計復(fù)雜,缺乏普適性,在復(fù)雜環(huán)境中難以達到令人滿意的檢測效果。

近年來,各國學(xué)者根據(jù)人類視覺注意系統(tǒng)從復(fù)雜場景中檢測目標的特點,提出了許多優(yōu)秀的計算視覺注意模型來模擬人類視覺系統(tǒng)的結(jié)構(gòu)。文獻[12]提出了一種基于生物啟發(fā)的視覺注意模型,該模型通過中心-周圍對比度來測量圖像的顯著性。該模型獨立于圖像的統(tǒng)計特性,計算簡單。為了利用圖像的全局信息,文獻[13]從譜域的角度出發(fā)提出了一種基于傅里葉變換與譜殘差方法的顯著性檢測算法。該算法基于頻域計算處理,采用快速傅里葉變換實現(xiàn),計算簡單和快速。考慮到感興趣目標的先驗信息,文獻[14]提出了一種基于全局區(qū)域?qū)Ρ榷鹊娘@著性檢測算法。該算法生成了高質(zhì)量的顯著性圖,能夠均勻地突出整個目標區(qū)域。然而,在計算一個區(qū)域的顯著值時,該方法需要將該區(qū)域與整個圖像中的所有其他區(qū)域進行比較,計算復(fù)雜度很高。

雖然現(xiàn)有的基于顯著性的艦船檢測方法相比傳統(tǒng)方法有更好的檢測效果,但仍有一些問題需要進一步解決。首先,大多數(shù)檢測器僅對于背景單一、目標突出的圖像具有良好的檢測效果,對含有斑點噪聲或雜亂背景的圖像的目標檢測不具有魯棒性,甚至可能增加誤報率;第二,顯著性圖可以表示感興趣的區(qū)域,但對于目標位置的估計過于粗略,通常不能為目標定位提供精確的輪廓信息,因此僅僅依靠顯著性圖來推斷精確的艦船目標區(qū)域是不夠的。

為了解決這些問題,本文提出了一種新的多層顯著性檢測算法,該算法同時考慮了圖像的全局信息和局部特征,能夠有效地去除虛警,實現(xiàn)精確的艦船目標檢測。本文首先對圖像進行非下采樣剪切波變換(non-subsampled shearlet transform, NSST),并利用頻譜殘差法和邊緣檢測算子快速獲得圖像的顯著性圖。其次,根據(jù)該顯著性圖提取感興趣區(qū)域(region of interest, ROI),并僅對ROI去除虛警,從而大幅減輕計算負擔(dān)。最后,本算法利用基于CFAR的活動輪廓模型(active contour model, ACM)實現(xiàn)動態(tài)背景建模,從每個提取的ROI中估計出艦船輪廓,進一步實現(xiàn)艦船目標的檢測。本文所提出的艦船檢測方案遵循分層的虛警消除模式,通過顯著性驅(qū)動的區(qū)域級和輪廓級濾波逐步選擇艦船目標。另外,在實際SAR圖像上的實驗結(jié)果也證實了它在不同分辨率、不同尺度下可有效地對強度不均勻的圖像中的艦船進行精確檢測。

1 相關(guān)工作

1.1 顯著性檢測

在人類視覺注意機制的啟發(fā)下,一些研究者開始研究更為智能的艦船目標檢測的生物學(xué)模型。由于艦船是廣闊的近海區(qū)域中的突出物體,人眼可以毫不費力地關(guān)注這些區(qū)域,因此很多學(xué)者開發(fā)出具有生物啟發(fā)的目標區(qū)域自動選擇計算模型,例如:根據(jù)艦船在水域而非陸地的先驗知識,文獻[15]提出了一種基于視覺注意模型的SAR圖像艦船檢測方法,以提高艦船檢測性能。文獻[16]采用脈沖余弦變換模型,在關(guān)注的候選區(qū)域階段選擇艦船,在光學(xué)衛(wèi)星圖像上具有更好的檢測精度和召回率。文獻[17]提出了一種基于模式遞推的顯著性檢測器,用于非均勻SAR背景下的目標檢測,該檢測器對斑點噪聲和地表紋理具有較強的魯棒性。

從譜域的角度出發(fā),文獻[13]提出了一種基于圖像頻域的視覺顯著區(qū)域提取方法,即頻譜殘差(spectral residual, SR)法。與其他模型相比,SR法是一種全局顯著性區(qū)域提取算法。該算法基于頻域計算處理,采用快速傅里葉變換實現(xiàn),具有計算簡單和快速的優(yōu)點。文獻[18]使用拉普拉斯金字塔對圖像進行多尺度描述,結(jié)合SR法實現(xiàn)了顯著性特征的快速提取。受其啟發(fā),本文采用非下采樣剪切波模型代替拉普拉斯金字塔模型,充分發(fā)揮NSST變換的稀疏表示能力及多尺度空間分析能力,然后結(jié)合SR法快速獲得圖像的顯著性區(qū)域,得到高質(zhì)量、高分辨率的顯著性圖。

1.2 活動輪廓模型

自從活動輪廓模型被提出以來,其在圖像分割和圖像檢測等任務(wù)中得到了廣泛的應(yīng)用[19]。文獻[20]提出了一種基于局部圖像擬合能量驅(qū)動的主動輪廓模型。通過提取局部圖像信息,可以對強度不均勻的圖像進行分割。文獻[21]提出了基于局部區(qū)域的Chan-Vese模型。該模型可以分割出強度不均勻的圖像,并且計算成本較低,但它對初始輪廓很敏感。文獻[22]提出了一種基于局部直方圖擬合能量驅(qū)動的非參數(shù)主動輪廓模型。該模型定義了兩個擬合直方圖來局部逼近目標和背景的分布,可以對分布不易確定的區(qū)域進行分割。但是,由于需要計算每個灰度值的直方圖分布,因此計算量很大。

可以看出,基于局部信息擬合能量的主動輪廓模型可以有效地分割出強度不均勻的圖像。然而,不合適的初始輪廓會導(dǎo)致錯誤的分割。此外,這些模型的分割成本普遍較高。因此,文獻[23]提出了一種基于局部預(yù)擬合(local pre-fitting, LPF)能量驅(qū)動的主動輪廓模型,該模型對初始值具有較強的魯棒性,且計算量小。為了將LPF模型更好地應(yīng)用于SAR圖像中,并且考慮到雷達目標的雜波環(huán)境,本文將LPF與CFAR結(jié)合,提出了一種基于動態(tài)CFAR的活動輪廓顯著性模型(LPF-CFAR),逐步濾除虛警,從而精準地獲得了艦船目標的輪廓結(jié)構(gòu)。

2 本文算法

通常情況下,SAR圖像中目標的灰度值要高于其臨近區(qū)域的背景像素點的灰度值,因此艦船目標潛在區(qū)域一般都包含在所得到的顯著區(qū)域內(nèi),但僅僅依靠顯著性檢測不能得到艦船精確的輪廓特征。因此,本文結(jié)合全局顯著性檢測和局部活動輪廓提取,提出了一種新的分層艦船目標檢測算法。首先利用SR法檢測出SAR圖像的顯著性區(qū)域,然后通過二值化和形態(tài)學(xué)濾波提取圖像的ROI切片,最后利用改進的活動輪廓模型從ROI切片中獲取精確的艦船輪廓。本文所提出的艦船檢測方案的總體框架如圖1所示。接下來,本文對算法的每一部分進行介紹。

圖1 本文提出的SAR圖像艦船目標檢測算法框架Fig.1 Framework of proposed ship detection algorithm in SAR image

2.1 頻譜顯著性檢測

在對未知場景進行分析時,計算機無法預(yù)先知道圖像中物體的尺度。因此,需要同時考慮圖像在多尺度下的描述,并進一步獲知感興趣物體的最佳尺度。為此,可以將圖像構(gòu)建為一系列不同尺度的圖像集,在不同的尺度中檢測感興趣的特征。NSST是Shearlet變換的擴展,使用非下采樣拉普拉斯塔式濾波器組對圖像進行多尺度分解,分解后的圖像大小與源圖像相同;然后采用剪切波濾波器組對得到的各尺度子帶圖像進行多方向變換,從而得到不同尺度、方向的子帶圖像。在圖像的分解和重構(gòu)過程中,由于沒有對圖像進行下采樣和上采樣操作,使得NSST不僅具有良好的頻域局部化特性、多方向性以及接近最優(yōu)的稀疏表示能力,還具有平移不變性。

利用NSST對圖像進行處理,能夠?qū)D像分解為低頻和高頻部分,其中低頻部分在圖像顯著目標檢測中屬于重要信息,而高頻部分屬于冗余信息。為了充分利用NSST的尺度間特性,保留細節(jié)特征,本文利用文獻[13]中的SR法對NSST分解的不同尺度的低頻系數(shù)進行顯著性區(qū)域提取,然后將不同尺度的顯著圖進行融合,得到最終顯著圖。該方法的流程圖如圖2所示。

圖2 基于NSST的顯著性檢測結(jié)構(gòu)Fig.2 Structure of saliency detection based on NSST

本文對原圖像進行3次NSST分解,每次分解的低頻系數(shù)分別設(shè)為w1,w2,w3,然后分別對w1,w2,w3進行SR計算和羅伯特邊緣檢測,得到頻譜顯著圖s1,s2,s3和邊緣圖e1,e2,e3,最后通過加權(quán)合成得到最終顯著圖。

通過SR法得到的顯著圖直接影響后續(xù)目標輪廓檢測的質(zhì)量。假設(shè)I(x)為一幅圖像,圖像頻譜通過快速傅里葉變換(fast Fourier transform, FFT)將[I(x)]分解為幅度譜A(f)和相位譜P(f)兩部分:

A(f)=Amp{FFT[I(x)]}

(1)

P(f)=Pha{FFT[I(x)]}

(2)

通過一個低通濾波器與圖像的對數(shù)幅度譜進行卷積,將該幅度譜平滑處理,與原圖像的對數(shù)幅度譜作差求出SR。結(jié)合所得的SR和相位譜,求取原圖像的視覺顯著圖。SR的計算過程為

L(f)=ln[A(f)]

(3)

R(f)=L(f)-hn(f)L(f)

(4)

S(x)=g(x)*FFT-1[exp(R(f)+iP(f))]2

(5)

式中:FFT和FFT-1表示圖像的傅里葉變換及其逆變換;hn(f)表示頻域的低通濾波器,如均值濾波器。g(x)表示空域的低通濾波器,可采用一個高斯平滑濾波器;A(f)、P(f)、L(f)分別是原始圖像的幅度譜、相位譜及對數(shù)幅度譜;R(f)表示SR;S(x)為顯著圖。

2.2 基于CFAR的活動輪廓顯著性模型

在得到顯著圖后,對顯著圖直接進行分割,然后提取顯著目標區(qū)域作為檢測結(jié)果,是艦船目標定位的一種直接方法。目前大多數(shù)基于顯著圖的艦船檢測方法都采用這種策略。然而,這個簡單的操作有以下兩個缺點。一方面,這種硬閾值策略要求顯著性映射具有較高質(zhì)量和包含清晰的目標輪廓,而這在實踐中很難保證。顯著圖通常是以一種模糊的方式來顯示一個位置吸引關(guān)注的可能性有多大,而且其中幾乎沒有清晰的物體輪廓信息。此外,雜波環(huán)境下復(fù)雜的雷達后向散射特性使得高信噪比顯著圖的生成變得更加困難。另一方面,最終的檢測性能與檢測閾值的選擇密切相關(guān),而檢測閾值通常是根據(jù)經(jīng)驗設(shè)定的,在多種場景下缺乏自適應(yīng)性。而尋找合適的方法來確定最佳分割閾值仍然是一個具有挑戰(zhàn)性的問題。因此,本文通過尋找一種軟目標分割策略對艦船輪廓進行檢測。

在高分辨率SAR圖像中,艦船目標的形狀和結(jié)構(gòu)更為復(fù)雜,輪廓線是艦船所在位置的重要標志。受此啟發(fā),本文嘗試利用輪廓顯著性來定位艦船目標區(qū)域。考慮到在前一節(jié)中得到的顯著圖,本文首先使用Otsu算法自動選取閾值對圖像進行二值化,再通過形態(tài)學(xué)濾波填補空洞和消除孤立點。然后尋找當(dāng)前顯著圖上每個目標的最小外接矩形,對應(yīng)到原始SAR圖像,即可提取出原始場景中所有包含目標的切片。值得注意的是,后續(xù)基于CFAR的活動輪廓檢測需要ROI切片包含目標和一定的背景,因此在提取ROI切片時將最小外接矩形框向外擴展50個像素。最終,艦船目標的搜索區(qū)域就從整個場景轉(zhuǎn)換到每個提取的候選區(qū)域。然后,利用基于CFAR的活動輪廓顯著性檢測器對每個候選區(qū)域進行目標檢測。

文獻[23]提出的基于局部預(yù)擬合的主動輪廓模型對初始值不敏感且計算量小,對于自然圖像可以很好地提取目標輪廓。為了使其更適用于SAR圖像,本文將經(jīng)典的CFAR技術(shù)融入到建模過程中,實現(xiàn)動態(tài)背景建模和分層虛警去除。將主動目標輪廓檢測和被動虛警去除的思想統(tǒng)一起來,可以得到更可靠的艦船檢測結(jié)果。本文首先使用雜波區(qū)域內(nèi)的像素值進行參數(shù)估計,然后根據(jù)所設(shè)定的虛警率及估計的參數(shù)求取閾值。

假設(shè)Ω?R2為圖像域,I(x):Ω→R為給定的灰度圖像。均值和標準差的估計為

(6)

(7)

(8)

式中:T是閾值;Pfa是所設(shè)定的虛警率。

然后,本文定義了以下函數(shù):

(9)

式中:Ωx表示以x為中心、半徑為w的小鄰域。Ωs和Ωl的定義為

(10)

這意味著Ωs是圖像強度小于Ωx中閾值的區(qū)域,Ωl是圖像強度大于Ωx中閾值的區(qū)域。fT(x)是Ωx中的閾值,fs(x)和fl(x)分別是Ωs和Ωl中的平均強度。根據(jù)式(7)和式(8),對于給定的Ωx,可以直接計算函數(shù)fs(x)和fl(x)。圖3以邊緣點x為例,對相關(guān)變量進行了更直觀的說明。藍色線圍成以x為中心點的區(qū)域Ωx。紅色線Cx表示區(qū)域Ωs和Ωl的邊界。

圖3 在邊緣點x處Cx、Ωx、Ωs和Ωl的說明。Fig.3 Illustration of Cx, Ωx, Ωland Ωlat edge point x.

接下來,定義局部能量函數(shù)如下:

(11)

式中:C為演化曲線;outside(C)和inside(C)分別表示局部區(qū)域內(nèi)曲線C的外部和內(nèi)部區(qū)域。給定一個中心點x,當(dāng)曲線C正好位于目標邊界上時,上述能量可以最小化,如圖3中的Cx。

為了處理強度不均勻的圖像,文獻[24]在數(shù)據(jù)擬合項中引入高斯核函數(shù)Kσ來代替Ωx,提取局部區(qū)域的強度信息來指導(dǎo)輪廓的運動。σ是核函數(shù)的標準差,可以看作是控制局部區(qū)域大小的比例參數(shù)。由于高斯核函數(shù)的局部化性質(zhì),當(dāng)y點遠離中心點x時,強度I(y)的貢獻減小到零。因此,局部能量由x附近y點的強度控制。同時,fs(x)和fl(x)可以看作是輪廓外部和內(nèi)部高斯窗口中圖像強度的加權(quán)平均值。因此,公式(11)中的Ex可以重寫為

(12)

對于圖像域Ω中的所有x點,需要最小化Ex的積分。因此,給出以下能量泛函ELPF-CFAR:

ELPF-CFAR(C)=

(13)

當(dāng)ELPF-CFAR最小化時,曲線C將包含位于邊界上的曲線。但在遠離邊界的區(qū)域會有一些多余的曲線。因此,需要添加長度約束項L(φ)來平滑和縮短曲線[24]。此外,添加了距離正則項P(φ),使模型不需要重新初始化[25]。

利用Lipschitz函數(shù)的零水平集φ來表示曲線C,整個能量函數(shù)可以表示為

FLPF-CFAR(φ)=ELPF-CFAR(φ)+vL(φ)+μP(φ)

(14)

式中:v和μ分別是長度項系數(shù)和距離調(diào)節(jié)項系數(shù)。ELPF-CFAR(φ)、L(φ)和P(φ)定義如下:

ELPF-CFAR(φ)=

(15)

(16)

(17)

(18)

(19)

式中:fs(x)和fl(x)根據(jù)式(9)和式(10)計算得出。在該模型中,fs(x)和fl(x)可以看作是局部逼近曲線C兩側(cè)圖像強度的預(yù)擬合函數(shù)。fs(x)和fl(x)與水平集函數(shù)φ無關(guān),只在演化開始計算一次,不需要在每次迭代中更新。

本文使用不同場景下的一些SAR圖像來測試改進前后的輪廓檢測模型的效果,實驗結(jié)果如圖4所示。

圖4 LPF和LPF-CFAR檢測結(jié)果對比Fig.4 Detection results comparison of LPF and LPF-CFAR

由圖4可以看出,與LPF模型相比,LPF-CFAR能更準確地檢測出目標輪廓。當(dāng)雜波對目標區(qū)域影響較大時,LPF-CFAR可以更好地去除虛警,得到理想的分割結(jié)果。即使在目標邊緣較弱或內(nèi)部孔洞較大的情況下,該方法也能給出令人滿意的真實艦船輪廓估計。因此,LPF-CFAR模型更適用于SAR圖像檢測。

3 實驗結(jié)果及分析

3.1 數(shù)據(jù)集和參數(shù)設(shè)置

為了驗證本文算法的性能,本文使用AIR-SARShip-1.0數(shù)據(jù)集[26]和高分辨率SAR圖像數(shù)據(jù)集(high-resolution SAR images dataset, HRSID)數(shù)據(jù)集[27]進行測試。AIR-SARShip-1.0數(shù)據(jù)集來源于高分三號衛(wèi)星,是一個面向?qū)挿鶊鼍暗腟AR艦船目標公開樣本數(shù)據(jù)集,包含31幅SAR圖像,圖像分辨率分別為1 m和3 m,標注信息主要為艦船目標的位置,并經(jīng)過專業(yè)判讀人員的確認,目前該數(shù)據(jù)集以支持復(fù)雜場景下的艦船目標檢測等應(yīng)用為主。HRSID是用于高分辨率SAR圖像艦船檢測、語義分割和實例分割的數(shù)據(jù)集。該數(shù)據(jù)集共包含5 604幅高分辨率SAR圖像和16 951艘艦船實例,包括具有不同分辨率、極化、海況、海域和沿海港口的SAR圖像,分辨率分別為0.5 m、1 m和3 m。

(20)

3.2 實驗結(jié)果對比

為了驗證本文算法的有效性,將本文提出的SAR圖像艦船目標檢測算法與經(jīng)典的檢測算法進行實驗對比。對比算法包括基于對數(shù)正態(tài)混合模型的CFAR(lognormal mixture-CFAR, LNM-CFAR)檢測方法[28]、基于半?yún)?shù)雜波估計的CFAR(semiparametric clutter estimation-CFAR, SCE-CFAR)檢測算法[29]、基于視覺注意(visual attention based, VAB)的目標檢測算法[30]、基于超像素級CFAR(superpixel-level CFAR, SP-CFAR)的目標檢測算法[31]和基于顯著性檢測(saliency detection, SD)的目標檢測方法[18]。

首先使用AIR-SARShip-1.0數(shù)據(jù)集中的兩幅圖像進行算法對比分析,實驗結(jié)果如圖5和圖6所示。圖5(a)Image Ⅰ為原始SAR圖像,圖5(b)為地面真值圖,圖5(c)～圖5(h)為檢測結(jié)果。圖6(a)Image Ⅱ為原始SAR圖像,圖6(b)為地面真值圖,圖6(c)～圖6(h)為檢測結(jié)果。可以看出,原始SAR圖像中除了艦船區(qū)域內(nèi)的弱散射外,角點反射也很明顯,導(dǎo)致艦船目標附近出現(xiàn)亮線。這種強干擾信號的存在,使艦船目標的精確檢測變得更加困難。使用LNM-CFAR、SCE-CFAR和SP-CFAR進行檢測后,依然還存在一些海雜波,而由角反射引起的虛警作為被檢測艦船區(qū)域的一部分被保留。VAB和SD可以很好地突出目標區(qū)域,但由于過于依賴尺度特性,導(dǎo)致目標輪廓不夠清晰明顯。而本文提出的算法結(jié)合尺度選擇和輪廓檢測,即使在弱散射單元中也能正確地檢測到船內(nèi)區(qū)域,消除了由角反射引起的虛警,更加符合人類的視覺特性,實現(xiàn)了準確的場景解譯。

圖5 SAR圖像Image Ⅰ艦船目標檢測結(jié)果Fig.5 Detection results of ship target in SAR image Image Ⅰ

圖6 SAR圖像Image Ⅱ艦船目標檢測結(jié)果Fig.6 Detection results of ship target in SAR image Image Ⅱ

為了對檢測結(jié)果進行詳細的觀察,將Image Ⅰ和Image Ⅱ中標記為1、2、3和4的4個矩形框?qū)?yīng)的區(qū)域檢測結(jié)果提取出來,如圖7所示。可以看到,本文方法在抵抗強背景噪聲和保持艦船區(qū)域完整性方面具有較好的性能,即使在艦船輪廓更加模糊的圖像Image Ⅱ中,也能得到較好的檢測結(jié)果。

圖7 Image Ⅰ和Image Ⅱ中矩形框1、2、3和4對應(yīng)的4個局部艦船區(qū)域Fig.7 Four local ship regions corresponding to rectangular boxes 1, 2, 3, and 4 in Images I and Ⅱ

本文同時使用HRSID數(shù)據(jù)集中的兩幅圖像進行算法對比分析,實驗結(jié)果如圖8和圖9所示。圖8(a)中所示的Image Ⅲ為原始SAR圖像,圖8(b)為地面真值圖,圖8(c)～圖8(h)為檢測結(jié)果。圖9(a)所示的Image Ⅳ為原始SAR圖像,圖9(b)為地面真值圖,圖9(c)～圖9(h)為檢測結(jié)果。從圖8和圖9可以看出,由于艦船區(qū)域內(nèi)分辨單元接收到的回波大多較弱,且艦船目標輪廓更為模糊和不規(guī)則,艦船較為密集,因此具有更大的挑戰(zhàn)性。圖8(c)～圖8(g)和圖9(c)～圖9(g)的檢測結(jié)果有很多空洞,有些目標甚至被分割為若干個碎片。而本文提出的算法能夠完整檢測艦船目標,去除虛警。同樣,本文提取Image Ⅲ和Image Ⅳ中標記為5、6、7和8的矩形框相對應(yīng)的區(qū)域以進行詳細觀察,檢測結(jié)果如圖10所示。結(jié)果表明,本文算法在弱散射情況下可整體檢測目標,即使在目標較為密集時,也能較好地保持艦船結(jié)構(gòu)。

圖8 SAR圖像Image Ⅲ艦船目標檢測結(jié)果Fig.8 Detection results of ship target in SAR image Image Ⅲ

圖9 SAR圖像Image Ⅳ艦船目標檢測結(jié)果Fig.9 Detection results of ship target in SAR image Image Ⅳ

圖10 Image Ⅲ和Image Ⅳ中矩形框5、6、7和8對應(yīng)的4個局部艦船區(qū)域Fig.10 Four local ship regions corresponding to rectangular boxes 5, 6, 7, and 8 in Images Ⅲ and Ⅳ

為了更加客觀地評價目標檢測結(jié)果,本文利用檢測率Pd和損失函數(shù)Tloss對上述艦船檢測算法的性能進行定量評價。Pd值越大,Tloss值越小,說明算法性能越好。

(21)

Tloss=Pf+β(1-Pd)

(22)

式中:Ndt表示檢測到的目標像素的個數(shù);Nts表示目標像素總數(shù);虛警率Pf=Ndc/Ncs,Ndc表示檢測到的雜波像素的個數(shù),Ncs表示雜波像素總個數(shù);β說明了Pf(虛警損失)相對于(1-Pd)(漏警目標損失)的相對重要性。在實際應(yīng)用中,一個好的艦船檢測器應(yīng)該在檢測率和虛警率之間做出妥協(xié)。本文取β=1,即認為Pf和(1-Pd)具有同樣的重要性。

表1給出Image Ⅰ-Image Ⅳ不同檢測方法的客觀評價值。可以看出,對于目標輪廓明顯的Image Ⅰ,所有算法均具有較高的Pd值。對于目標邊緣輪廓不明顯的Image Ⅱ,所有算法的性能均有所下降,但本文算法依然具有最低的Tloss值。對于雜波較多的Image Ⅲ和Image Ⅳ,其他算法的性能下降明顯,但本文所提方法依然具有最高的Pd值和最低的Tloss值。總體來看,本文算法具有一定魯棒性,對于不同環(huán)境下的艦船目標能保持較高的檢測率。

表1 Image Ⅰ-Image Ⅳ的客觀評價指標

4 結(jié) 論

針對SAR圖像中艦船目標輪廓檢測不夠完整的問題,本文提出了一種基于分層顯著性的目標檢測方法。首先使用基于NSST變換和SR法的全局顯著性檢測策略,快速定位潛在目標區(qū)域,并對圖像進行顯著性區(qū)域提取,得到ROI圖像。然后,利用基于CFAR的活動輪廓顯著性模型,使用圖像的局部特征,從得到的ROI中提取艦船輪廓進行輪廓級濾波,得到精準的艦船目標。實驗結(jié)果表明,本文提出的SAR圖像艦船目標檢測方法能夠完整檢測到艦船目標,有效去除虛警,實現(xiàn)準確的場景解譯。