張建軍，史廷彥，楊麗春

(1.解放軍91404部隊，河北 秦皇島 066001;2.江蘇自動化研究所，江蘇 連云港 222061)

隨著航天技術、傳感器技術、計算機技術及其相關學科的迅猛發(fā)展，衛(wèi)星成像偵察技術飛速進步，其無論在光譜分辨率、空間分辨率、時間分辨率等方面都取得了巨大的進步，已經形成高光譜、高空間分辨率、全天時、全天候、實時/準實時的對地觀測能力。尤其自法國SPOT-1號衛(wèi)星以后，基于傳輸型高空間分辨率衛(wèi)星遙感圖像的應用已引起了各國的普遍關注。1999年美國的IKONS圖像衛(wèi)星系統(tǒng)已經能夠達到lm的地面分辨率，到2005年為止，美國的KH-12相機地面分辨率已經達到0.1m。

面對高分辨?zhèn)刹煨l(wèi)星所獲得的海量圖像數據，依靠判讀員的人工判讀工作量大，重復性高，并且判讀的結果依賴于判讀員的訓練素質及其現(xiàn)場狀態(tài)。因此，如何從海量數據中自動地檢測出艦船目標是一個亟需解決的問題。當前，主要有兩類傳感器應用于艦船目標的檢測:合成孔徑雷達(SAR)和可見光學遙感圖像。SAR受天氣、氣候影響較小，可以晝夜進行偵察和監(jiān)視，因此，獲得了比較廣泛的研究。Inggs［1］等在1999年研究基于SAR圖像的艦船目標檢測和分類，其中分類采用神經網絡的方法;Tello［2］在2004年研究基于小波分析的SAR圖像艦船目標檢測，對復雜海域背景下的小目標檢測獲得了較好的效果。

但是相比較SAR圖像處理，光學遙感圖像的處理技術研究較少。在國內，文獻［3］首先計算局部特征方差圖像，在局部特征方差圖像的基礎上通過Contrast box濾波自適應確定目標檢測閾值。文獻［4］對稀疏分布的艦船目標進行分塊處理，并對可能存在目標的區(qū)域進行目標檢測及聚合。在國外，Burgess1993年利用SPOT衛(wèi)星數據對更小的艦船進行檢測和識別;Corbane［5］在2008年研究了基于遺傳算法和神經網絡的艦船目標檢測和分類技術。

在目標檢測及圖像分割中，閾值法是最常用的方法之一。但對大幅度的遙感圖像，利用單一的閾值法很難獲得滿意的效果，滑窗恒虛警法對每個像素確定一個檢測閾值，能獲得較好的效果，但計算量太大，而且恒虛警法僅僅考慮的是單個像素及其鄰域的灰度信息，沒有考慮目標的信息。因此，如果能對每個目標區(qū)間，根據目標的先驗特征如面積、周長等自適應的選擇最優(yōu)閾值，不僅可以提高檢測精度，也會大大提高檢測效率。

檢測后的圖像，仍存在虛假目標，因此需要對檢測的區(qū)域進行鑒別，以剔除虛假目標?；谀繕颂卣鞯蔫b別是一種有效的鑒別方法，但由于目標特征較多，可能使得提取的特征較多，因此，計算量大，有些特征的區(qū)分性較差，可能導致鑒別率的下降。本文研究了一種在圖像特征中增加一個噪聲特征，并利用遞歸神經網絡進行訓練;對訓練的神經網絡，計算每個特征信噪比并進行特征選擇。

本文針對高分辨率光學遙感圖像的面目標的檢測，研究了一種根據目標的屬性，對每個可能的目標區(qū)域，自適應的快速選擇檢測閾值。針對檢測的虛假目標，研究了基于遞歸神經網絡及信噪比的特征選擇及鑒別方法。實驗證明，該方法從檢測精度、效率都能獲得較滿意的結果。

1 基于目標的閾值計算方法

1.1 傳統(tǒng)閾值目標檢測方法

對遙感圖像，目標的檢測主要是基于閾值的檢測方法，根據確定閾值方法的不同，有恒虛警法(CFAR)［6-8］、迭代法、最大類間方差法、熵方法等。其中，恒虛警法是遙感圖像中研究最多的檢測方法之一。它是根據經典的統(tǒng)計檢測理論，在給定的虛警概率條件下，根據目標所處周圍背景雜波的統(tǒng)計特性自適應求取檢測閾值，然后將待檢測像素和自適應閾值進行比較，判斷其是否為目標點。

其中，PFA為虛警率，p(x)為雜波的概率分布。

上述檢測方法，都是根據某種原則確定閾值，再根據閾值確定每個像素是否為目標點，然后將所有的目標像素點聚類成目標區(qū)域，如圖1所示。在檢測的同時，沒有考慮到檢測目標的特征，只是在檢測完成后，鑒別區(qū)域是目標還是虛警。這類方法是選擇某種統(tǒng)計意義上的最優(yōu)閾值，但檢測結果不一定是最優(yōu)結果。

1.2 基于目標特征的閾值計算

對海上艦船目標特別是軍事目標，其長、寬、面積等是在一定的范圍之內(表1)，這與雜波、島嶼等虛警目標具有較大區(qū)別。因此，如果能夠根據目標的先驗知識，對每個區(qū)域初始的檢測結果進行調整，并選擇檢測結果最符合目標性質的閾值作為檢測閾值，是一種行之有效的方法，也是本文的研究內容。

圖1 傳統(tǒng)目標檢測方法

表1 幾種軍事目標的幾何特征

本文的艦船目標檢測流程如圖2所示。在檢測時將目標的屬性信息考慮在內，即根據目標的特征信息，來確定最優(yōu)的檢測閾值。與傳統(tǒng)的基于像素的檢測方法相比，該方法是一種閉環(huán)的目標檢測方法，通過檢測的結果來調整檢測的閾值，該方法計算的閾值并不一定是統(tǒng)計意義上最優(yōu)，但是能獲得更理想的檢測結果。

圖2 艦船目標檢測流程

如圖2所示，該方法是遍歷每個可能的閾值，對每個閾值下的檢測結果進行分析，并選擇最優(yōu)的檢測結果，因此，對灰度值為(0～255)的圖像，遍歷每個閾值則需要對圖像檢測255次，計算量太大。為了快速的分析不同閾值下的檢測結果，采用了基于連通樹的方法。

1.3 基本概念

在圖像中，連通區(qū)域(Connected Components)是灰度大于一個給定閾值，并且滿足一定的連通性質(如四連通或八連通)的所有像素點的集合。根據連通區(qū)域的內在聯(lián)系，將各個連通區(qū)域可以組成一個樹狀結構，該樹稱為連通樹(Components Tree)，連通樹被廣泛應用在多種圖像處理技術，如:圖像濾波、圖像分割等領域［9-11］。

定義集合V到D的映射函數為F(V，D)，對任一映射f∈F，(V，E，F(xiàn))稱為權重圖，對V中的任意一點p，f(p)稱為點p的權。

對f∈F下的連通區(qū)域定義為c，定義h(c)=min{f(x)|x∈c}，則在映射f下的任一連通區(qū)域可以表示為［k，c］，c表示連通區(qū)域，k=h(c)，稱連通區(qū)域［k，c］的高度為 k。若兩個連通區(qū)域［k1，c］∈C(f)，［k2，c］∈C(f)，則k1=k2。同時，對C(f)下的不同連通區(qū)域是由不相交的點集組成。

［k1，c1］，［k2，c2］是 C(f)的兩個連通區(qū)域，如果 c1? c2，并且沒有［k3，c3］滿足 c1? c3? c2，則認為［k2，c2］是［k1，c1］的父節(jié)點，［k1，c1］是［k2，c2］的子節(jié)點。根據這種父子關系，C(f)形成一個連通區(qū)域樹。C(f)中的元素稱為節(jié)點，沒有子節(jié)點的稱為葉子，沒有父節(jié)點的節(jié)點稱為根節(jié)點。

1.4 連通樹的創(chuàng)建

文獻［8］介紹了不同的組件樹創(chuàng)建方法，且統(tǒng)計了不同算法的時間復雜度，最快的算法時間復雜度為O(nln(n))，(n為圖像中像素的個數)。這些方法隨著圖像像素的增加，復雜度大大增加。

圖3 連通樹的生成

基于此，在 Union-find［12］的基礎上，Najman 等［13］于2006年提出了基于圖論的連通樹快速創(chuàng)建方法。U-nion-find是一種簡單有效區(qū)域查找合并方法，該算法對任意的數據，其復雜度為O(m×α(m))，其中，函數α(m)隨變量的增速非常慢，α(1080)≈4。

1)排序

在區(qū)域樹的生成過程中，是按照像素灰度的高低進行處理的，因此，需要將圖像按像素灰度進行排序，其準則為:將像素按灰度的降序排列，若灰度相同，則按照從上到下，從左到右的順序排列。為了降低復雜度，采用快速排序的BinSort算法，將圖像序列中的像素按灰度值粗分到不同的箱中，在每個箱中再自動排序，最后將每個箱按灰度大小進行連接。

2)節(jié)點查找合并

假定當前已處理了灰度大于m的所有像素，并且已經建立了所有灰度大于m的節(jié)點和局部連通樹，則對于灰度等于m的像素x，可以找到它當前所屬的節(jié)點。設點x的灰度為gx，對x的四連通(或8連通)鄰域y，則假設y已經處理過(gy≥m，或gy=gx，且y排序在x的前面)，若y的節(jié)點和x所屬的節(jié)點相同，則不需處理，若不相同，則有兩種可能:1)m的灰度和n的灰度相同，則在這種情況下，m和n應該屬于同一個節(jié)點，因此將m所屬的節(jié)點和n所屬的節(jié)點進行合并;2)n的灰度大于m的灰度，則在這種情況下，n所在的節(jié)點成為m所屬節(jié)點的子節(jié)點。

如圖3(a)為一原始數據，共包含5個灰度。圖3(b)為生成的連通樹，共包含9個節(jié)點，其中，3個節(jié)點為葉子節(jié)點。節(jié)點的表示方法為:節(jié)點號(節(jié)點表示的像素，面積。

根據上述算法進行圖像連通樹的創(chuàng)建，其中主要的節(jié)點數據結構如下:

2 基于光學遙感圖像的艦船目標檢測

基于特征的艦船目標檢測流程共包括四個部分:海陸分割、連通樹的創(chuàng)建、連通節(jié)點的選擇、基于節(jié)點的分割圖像映射，如圖4所示。

節(jié)點

{

節(jié)點前指針;

節(jié)點后指針;

節(jié)點信息

父節(jié)點指針;

子節(jié)點列表指針;

}

圖4 艦船目標檢測流程圖

2.1 海陸分割

海上目標的檢測問題，首要解決的就是海陸分離，去除陸地干擾，只對海域數據應用檢測算法，這樣既可以加快檢測速度，也可以避免出現(xiàn)陸地虛警目標。光學遙感圖像中，陸地和海域的差異主要體現(xiàn)在兩個區(qū)域像素的灰度值上，陸地區(qū)域雖然沒有海域均勻，區(qū)域中像素灰度有亮有暗，但整個區(qū)域總體比海域區(qū)域亮，即陸地區(qū)域中的絕大部分灰度值比海域區(qū)域大，因此可以利用閾值方法實現(xiàn)海陸的初始分割。

首先利用OSTU法將海陸分離后，陸地區(qū)域會形成一個大的連通區(qū)域，但其中會有很多“小孔”的區(qū)域，檢測后，需要對這些“小孔”進行填充。一般來說，若某區(qū)域屬于陸地，則對某一大小的窗口，屬于陸地的像素點會占較大的比例;相反，如果屬于海洋區(qū)域，則屬于海域的像素點會占較大的比例。本文統(tǒng)計一定大小的窗口中海陸像素的個數，若陸地點大于一定的閾值，則認為該區(qū)域屬于陸地，所有的點都標記為陸地，反之都標記為海域。

2.2 連通節(jié)點的屬性及選擇

對海陸分隔后的圖像，采用上文的方法建立連通樹。在連通樹中，每個節(jié)點可以計算出其不同的屬性，如該連通區(qū)域的周長、面積、連通區(qū)域內的灰度差，體積等。

面積為連通節(jié)點的像素點個數;灰度差和體積如式(2)、式(3)。

對不同的應用場景，所選擇的節(jié)點屬性各不相同，在艦船目標檢測中，本文感興趣的是艦船目標，相對其它目標來說，艦船目標的面積在一定范圍內(分辨率不同閾值不同)，相較于海洋背景，艦船目標相對較亮，因此采用面積和區(qū)域的最小灰度可以較好地區(qū)分艦船目標和其它目標。本文即采用這兩類屬性信息來篩選合適的節(jié)點。

由連通樹的創(chuàng)建過程可知，每個節(jié)點的屬性有以下關系:

其中，c表示某節(jié)點，c－＞parent表示c節(jié)點的父節(jié)點，c－＞area表示c節(jié)點區(qū)域的面積，c－＞mingray表示c節(jié)點的最小灰度。從上式可以看出，從葉子節(jié)點到根節(jié)點其面積是遞增的，最小灰度是遞減的。

1)面積較小區(qū)域節(jié)點的刪除

對一些面積比較小的目標，則認為該節(jié)點表示的是雜波區(qū)域，需要將這些較小的連通區(qū)域刪除掉。由于其葉子節(jié)點到根節(jié)點的連通區(qū)域面積是線性增加的，因此，按照灰度的高低順序依次來查找每個節(jié)點，若該節(jié)點的面積小于設定的閾值，則將該節(jié)點刪除，并將該節(jié)點從其父節(jié)點的子節(jié)點鏈表中刪除。

2)面積較大區(qū)域節(jié)點的標定

定義以下性質:

其中，T為艦船目標面積的上界，c為節(jié)點，c－＞area表示節(jié)點的面積。

由于較大區(qū)域(大于當前最大艦船目標的面積)是真實目標的父節(jié)點，因此，不能將這些節(jié)點刪除，只能用變量來標定這些節(jié)點。在本文中，每個節(jié)點設定一個標識信息active，若active=0，則表示感興趣目標區(qū)域所在的節(jié)點，active=1則認為不是，初始時每個節(jié)點的active=0。從連通樹的葉子節(jié)點開始判斷，當前的節(jié)點為p，若其面積小于閾值T，則繼續(xù)判斷其父節(jié)點q;若其面積大于閾值T，則通過遞歸的方法，對其所有的父節(jié)點active都設為1。

3)基于灰度的節(jié)點篩選

對艦船目標來說，其灰度相較海洋背景更亮，因此，若該區(qū)域像素的灰度值較低，則認為該區(qū)域不是艦船目標，對節(jié)點c來說，其中像素的灰度都大于一個灰度值t，因此，只需要判斷每個節(jié)點的最小灰度t是否滿足條件:

由于從葉子節(jié)點到根節(jié)點，c－＞mingray是遞減的，因此，對當前的節(jié)點p，若p－＞mingray大于T1，則繼續(xù)判斷其父節(jié)點;若p－＞mingray小于T1，則通過遞歸的方法，對其所有的父節(jié)點active都設為1。

通過上述選擇，則對于目標區(qū)域，其c－＞active=0，非目標區(qū)域，其c－＞active=1。

2.3 基于節(jié)點的分割圖像映射

經過上述步驟處理，若節(jié)點c－＞active=0，則表示該區(qū)域為目標區(qū)域，若等于1，則為非目標區(qū)域。因此，從連通樹的葉子節(jié)點開始判斷，若c－＞active=0，從表示該節(jié)點的像素x開始，將和x連通的，且灰度大于或等于x灰度的像素標記為目標像素。

基于連通樹的目標檢測，相當于對每個區(qū)域選擇一個最優(yōu)閾值，即各個區(qū)域的檢測閾值是不相同的，每個節(jié)點的最低灰度值即為該區(qū)域的最優(yōu)閾值。

3 基于RNN網絡的特征選擇及目標鑒別

在光學遙感圖像的艦船目標檢測中，可能存在島嶼、云等虛假目標，因此需要進一步的剔除虛假目標，即目標鑒別。目標鑒別可以認為是兩類模式識別問題，即區(qū)分目標和非目標。在圖像模式識別中，多采用基于特征的識別方法，目標的特征包括統(tǒng)計特征、幾何特征、紋理特征等。在模式識別領域，太多的特征可能會降低分類性能，一方面，由于訓練樣本集包含的訓練樣本較少，另一方面，各個特征之間可能存在的相關性，這都會導致識別效率的下降。同時，太多的特征也導致計算量的增加，導致“維數災難”。因此，在模式識別前，都需要對提取的特征進行選擇，以選擇區(qū)分性最好的特征。

特征選擇的方法較多，如PCA方法、Fisher方法、遺傳算法等。其中，PCA、Fisher方法是對原始特征空間進行變換，變換后的維數變少，是原始特征空間的一種組合變換，因此變換后的特征已不具有實際的物理意義。而遺傳算法是在原始的特征空間中選擇一個最優(yōu)子空間，每個特征還保存原來的物理特征，該方法是近年研究較多的特征選擇方法。但是，基于遺傳算法的特征選擇只能選擇一個子空間，而不能判別在該子集中，哪個特征的區(qū)分性更好。

本文研究基于RNN網絡的特征選擇方法，其原理是:利用訓練集訓練RNN網絡，對訓練好的RNN網絡，根據輸入層到隱藏層的權重的和Mi來表示該特征的重要程度:

即在模式識別中，某一特征貢獻越大，則其越重要，其Mi值越高。為了衡量該特征的貢獻程度，引入了信號處理中信噪比的概念，即在原特征空間中增加一個均勻分布的噪聲特征N，由于噪聲對分類的貢獻最小，因此MN小，通過和噪聲進行比較來衡量每個特征的貢獻程度。如式(11)，信噪比定義為

因此，通過信噪比可以定量的進行特征的選擇，即定義一信噪比閾值T，若特征的信噪比大于該閾值，則選擇該特征，否則不選擇。

3.1 特征提取

本文選擇的特征如表2所示。

表2 提取的目標特征

在計算紋理特征時，首先生成目標區(qū)域在0°、45°、90°、135°、180°、225°、270°、315°、360°八個方向上的灰度共生矩陣，然后計算每個方向上的灰度共生矩陣的角二階距、對比度、相關性、灰度共生矩陣，因此統(tǒng)計的紋理特征具有旋轉不變性。然后對每個特征計算八個方向上的均值和標準差(共8維)，以此作為紋理特征。對每個目標，其特征向量共為28維。

設計的RNN網絡在特征提取階段，其輸入層為29，隱藏層為14，輸出層為1。在識別階段，輸入層根據特征選擇的個數來確定，隱藏層設為5，輸出層為1。

3.2 基于SNR的特征選擇

在進行光學圖像特征選擇時，共選擇了15個目標區(qū)域和15個非目標區(qū)域作為樣本集合，如圖5所示。

圖5 圖像樣本集

在實驗中，隨機選擇20個目標作為訓練樣本，10個作為測試樣本。首先對訓練樣本分別進行歸一化處理，使得其值歸一化為(－1，1)之間(噪聲特征也進行歸一化處理)，然后利用訓練樣本對RNN網絡進行訓練，對訓練好的RNN網絡，再利用測試樣本進行測試。

實驗共進行了2組(每組訓練樣本和測試樣本不同)，在每組中，共進行了3次實驗，圖6為統(tǒng)計的每個特征值的信噪比結果。

圖6 特征信噪比統(tǒng)計

信噪比統(tǒng)計如圖6所示，閾值設為5，共有5個特征:灰度均值、矩特征(M5)、矩特征(M2)、圓形度、紋理對比度的方差。

利用測試樣本，特征選擇前和選擇后的識別結果如圖7所示，選擇前的總是別率為96%，特征選擇后，其識別率為100%。

此外，也利用SAR圖像進行了實驗，共包含30個目標區(qū)域和15個非目標區(qū)域，其SNR結果和識別率如圖8和9所示。其選取的特征為:目標的復雜度、目標的圓形度、目標的標準差、紋理特征(相關性均值)、紋理特征(相關性方差)。由圖9所示，其識別率由65%提高到100%，因此識別結果有較大的提高。

圖7 識別結果

圖8 SAR目標特征信噪比統(tǒng)計

圖9 SAR目標分類統(tǒng)計結果

由圖7和圖9可知，基于RNN網絡的信噪比進行特征的選擇，其識別率都有一定程度的提高，因此該方法是一種有效的特征選擇方法。同時，基于RNN網絡信噪比的特征選擇方法，通過計算每個特征的信噪比，可以度量每個特征的對識別貢獻的大小，即信噪比越高，則貢獻程度越大。

3.3 基于特征的目標鑒別

由上文可知，對光學遙感圖像，選擇的特征為:灰度均值、矩特征(M5)、矩特征(M2)、圓形度、紋理對比度的方差。因此，在目標鑒別時，就選擇候選目標區(qū)域的這5個特征。首先提取訓練樣本集合的特征，并進行歸一化處理，利用訓練樣本集特征訓練RNN網絡，其輸入層為5，隱藏層為5，輸出層為1。對目標，其目標值為1，對非目標，其目標值為 －1。訓練次數為2000次。

對檢測的候選目標區(qū)域，提取上述5個特征，然后利用訓練好的RNN網絡進行識別，若目標值大于0，則認為是目標區(qū)域，否則為非目標區(qū)域。

圖10 艦船目標檢測結果

4 實驗及結果分析

圖10(a)為一港口的遙感圖像，圖像大小為1500×1500像素，包括大小船只大約80艘。圖10(b)為本文的海陸分割結果，圖10(c)為本文的檢測結果，可以看出，基于連通樹的檢測方法較準確地檢測出艦船目標。從效率上分析，本文的檢測時間為2.4s，基于滑窗的恒虛警法檢測時間為120s，因此本文方法的檢測效率大大高于恒虛警法。同時，恒虛警法需要設置雜波模型、滑窗大小、虛警率等參數，且每個參數都對檢測結果有較大的影響。本文的方法只需設置目標面積的上下限、灰度下限三個參數，而這些參數根據目標的大小和圖像分辨率很容易定量地確定。

5 結束語

針對光學遙感圖像的艦船目標檢測，本文研究了基于檢測目標的面積等性質，自適應的快速選擇檢測閾值的方法;同時研究了基于RNN神經網絡以及信噪比的特征選擇方法，通過引入噪聲特征來進行特征選擇，實驗表明該方法是一種有效的特征選擇方法。實驗結果表明，本文方法能有效地檢測目標。

［1］Inggs，Robinson.Ship Target Recognition Using Low Resolution Radar and Neural Network［J］.IEEE Transactions，1999，volume35，386-393.

［2］M Tello，A Novel Algorithm for Ship Detection in SAR Imagery Based on the Wavelet Transform［J］，IEEE Geoscience and Remote Sensing Letters，2005，2:201-205.

［3］趙英海吳秀清，等.可見光遙感圖像中艦船目標檢測方法［J］.光電工程，2008，35(8):102-106.

［4］高立寧，畢福昆，等.一種光學遙感圖像海面艦船檢測算法［J］.清華大學學報(自然科學版)，2011，51(1):105-110.

［5］C Corbane，Marre F，Using SPOT-5 HRG Data in Panchromatic Mode for Operational Detection of Small Ships in Tropical Area［J］.Sensors，2008(8):2959-2973.

［6］匡綱要，高貴，蔣詠梅，等.合成孔徑雷達目標檢測理論、算法及應用［M］.長沙:國防科技大學出版社，2007.

［7］楊麗春，常清，史廷彥.一種有效的紅外弱小目標DBT算法研究［J］.指揮控制與仿真，2011，33(3):43-45.

［8］種勁松，歐陽越，朱慧敏，等.合成孔徑雷達圖像海洋目標檢測［M］.北京:海洋出版社，2006.

［9］J.Mattes，J.Demongeot.Efficient Algorithms to Implement the Confinement Tree［J］.Springer，2000:392-405.

［10］R.Jones.Component Trees for Image Filtering and Segmentation［J］.In NSIP'97，1997.

［11］Jones，R.Connected Filtering and Segmentation Using Component Trees［J］.Computer Vision and Image Understanding，75:215-228.

［12］R.E.Tarjan.Efficiency of a Good but not Linear Set U-nion Algorithm［J］.Journal of the ACM，1975，22:215-225.

［13］L.Najman，M.Couprie.Building the Component Tree in Quasi-linear Time［J］.IEEE，2006，Transactions on Image Processing，15:3531-3539.