王保云， 楊昆

（1.云南師范大學 信息學院，云南 昆明650500；2.西部資源環(huán)境地理信息技術教育部工程研究中心，云南 昆明650500）

海上艦船目標檢測是數(shù)字圖像處理在遙感領域的一個重要應用，其研究成果在民用和軍事方面都有廣泛的用途，比如在對特定海域進行水運交通監(jiān)視、船只救援、非法傾倒油污檢測、戰(zhàn)時戰(zhàn)況監(jiān)視、海盜行為監(jiān)控等.隨著當前傳感器技術的發(fā)展，使得多源、多時相影像的獲取更為容易，艦船目標檢測的方法朝著多源信息融合檢測的方向發(fā)展.法國的研究認為一個完整的艦船監(jiān)測系統(tǒng)，應將光學與微波遙感數(shù)據(jù)結合，其中全天時、全天候的微波遙感數(shù)據(jù)用于檢測目標，分辨率高、解譯容易的光學遙感數(shù)據(jù)用于目標識別，從而綜合提高艦船目標的檢測和識別能力，并據(jù)此為歐盟第五框架DCLIMS開發(fā)了艦船目標識別系統(tǒng)［1－3］.

無論是光學遙感圖像，還是SAR圖像，從中檢測艦船目標的關鍵在于能否準確地從含有目標的區(qū)域中將背景和目標分割開來.常用的圖像分割方法包括區(qū)域生長法［4］、聚類法［5－6］、邊緣與區(qū)域結合法［7］以及閾值法［8－10］等.區(qū)域生長法需要給定種子點，依據(jù)種子點進行區(qū)域生長，自動性差；聚類法適用于多區(qū)域分割，用于單目標分割時其性質和效果與單閾值法類似；基于邊緣的方法從物體輪廓來考慮分割，但分割效果受邊緣檢測效果的直接影響，多數(shù)情況下，邊緣檢測的抗噪性和精度難以同時保證.基于閾值的分割方法由于其原理簡單、計算量小而在實時和近實時性系統(tǒng)中廣為應用［8，11－12］.

許多應用場合都對目標檢測的漏警率有嚴格的要求，因為少量的漏警將會造成致命的后果，漏警的代價遠高于虛警.文獻［13］針對光學遙感圖像采用多階閾值進行分割，對于復雜海域背景情況下的艦船目標識別取得一定效果，但該方法存在兩點不足：一是僅針對光學遙感圖像進行建模，二是需要進行多次分割，較為耗時.鑒于此，本文從構造分割閾值集合出發(fā)，通過特征約束條件，尋找最佳分割閾值，從而達到對艦船目標的最佳分割效果.

1 閾值分割

常見的閾值分割方法有最小誤差閾值法（Minimum Error Threshold，MinErT）［8，12，14］、最大類間方差法（OTSU）［15］和最大熵法（Maximum Entropy Threshold，MaxEnT）［16］.無論是哪一種閾值分割算法，要進行成功分割，至少需要滿足如下條件：

（1）圖像存在可分割閾值T＊；

這樣，對圖像的分割可以描述為：

其中，RF為前景（目標）像素集合，RB為背景像素集合.

對于條件（1），針對海洋區(qū)域的艦船目標是合理的；至于條件（2），對于簡單背景的圖像，當前分割算法能夠滿足，但遙感圖像成像情況復雜，多數(shù)情況下數(shù)據(jù)的統(tǒng)計特性并不滿足算法的假設條件（比如像素統(tǒng)計直方圖不具有雙峰特性），使得計算出來的閾值偏離T＊太多（即Δ過大），導致分割失敗，無法檢測出目標.如圖1（a）為一幅Quickbird成像的背景復雜且含有艦船目標的光學遙感圖像，圖1（b）為其無雙峰特性的統(tǒng)計直方圖，圖1（c）是初步分割結果（理想閾值），圖1（d）為圖1（c）經(jīng)過形態(tài)學后處理的結果.圖1（e）－（g）是用三種常見閾值分割法對原圖進行分割的結果.可見，由于背景的復雜性，常用分割算法都難以找到準確的分割閾值，導致分割失敗，無法從分割結果中提取出感興趣目標.

圖1 復雜海面背景圖像的閾值分割Fig.1 Segmentation results of different thresholds for ship target detection with complex sea background

相對于單閾值分割的局限性，多階閾值分割方法用于分割多個、不同灰度級的目標或區(qū)域，王保云等對光學遙感圖像中復雜海面背景提出了多階閾值分割［13］，取得了一定的效果（其分割流程如圖2所示）.但多階閾值分割算法只針對光學圖像進行分析，同時需要對多個分割結果進行判斷，這增加了計算量.如何針對復雜背景情況，在多階閾值的基礎上尋找到最佳閾值進行一次最優(yōu)分割，成為亟待解決的問題.

圖2 基于多階閾值分割的目標區(qū)域分割Fig.2 Flowchart of the multi－level threshold segmentation method

2 最佳閾值分割算法

2.1 算法流程

無論是在民用的船只監(jiān)測，還是軍事上的戰(zhàn)時戰(zhàn)況監(jiān)視等應用環(huán)境，都需要艦船目標檢測系統(tǒng)具有很高的檢測率（即漏警率接近于0），而對虛警率的要求則可以適當放松.這使得我們可以首先關注如何最大可能的檢測到目標，然后再進行虛警去除.

從前面的分析可知，單閾值分割失敗是由于獲得的t相對于T＊發(fā)生了偏離.如果能夠對不同圖像獲得的t進行修正以逼近T＊，這樣就能達到期望的分割效果，基于最佳閾值分割算法正是基于這一思路來建立的，即通過t構建閾值集合，然后在分割約束條件下尋找最佳分割閾值T＊，從而進行最優(yōu)分割.

兩組均予常規(guī)治療，包括避免可能加重腎損害的藥物應用、降壓、糾正腎性貧血等，并予解毒泄?jié)犷w粒保留灌腸。治療組在對照組治療基礎上，加用蓉黃顆粒（含肉蓯蓉、生大黃、牛膝、蒲公英、六月雪、姜竹茹、茯苓、桃仁、甘草，由安徽省中醫(yī)院藥劑科制成顆粒劑，每包10 g，產(chǎn)品批號：20161211）沖服，3次/d，每次1袋。療程均12周。

基于分割閾值集合的分割算法流程如圖3所示，算法流程為：

（1）計算近似分割閾值t；

（2）計算分割閾值集合中各元素；

（3）選擇最佳分割閾值；

（4）分割并進行后處理.

近似分割閾值t可選定 MinErT、OTSU、MaxEnT中任一算法的計算結果.

分割之后的后處理是為了去除噪聲，方便特征提取，對光學圖像可以采取一次開運算；對于SAR圖像，由于其邊緣閉合性差，進行一次3×3模板下的膨脹運算.

圖3 目標區(qū)域的最佳閾值分割流程Fig.3 Flowchart of the optimal threshold segmentation method

分割后的二值圖像認為是目標與背景完全分離的圖像，目標為白而背景為黑，或相反.

2.2 閾值集合構建

設T為根據(jù)t校正后的分割閾值，首先可得到分割閾值集合ΩT為：

式中λ＝0，±1，±2，...為控制調(diào)整系數(shù)，δ（I）為與圖像I有關的調(diào)整項單元，最小值為1.這里定義與文獻［13］相同

因為δ（I）較小，所以可認為ΩT中元素總有T的一個或者多個近似等于T＊，從而認為ΩT中存在著理想分割閾值，即認為T＊∈ΩT.

2.3 最佳閾值搜索

從ΩT快速搜索到T＊是算法的關鍵步驟.在多階閾值分割算法中，集合ΩT中所有元素均被用于分割操作，但最終分割成功的閾值只有T＊.為了最大限度發(fā)現(xiàn)目標，所以總是假設區(qū)域中含有目標，從而可以利用首次分割結果引導下一次的閾值選擇（如果首次分割不成功的話）.

式中g（fk）為分割后特征向量fk的約束函數(shù)，即λk的取值受當前分割后特征向量約束.為簡單起見，本文算法中只取目標的面積因素（詳見下文）作為約束函數(shù)的自變量，即fk＝sk.若前分割結果所得目標區(qū)域像素值較小，則降低分割閾值，即λk為負；當所得目標區(qū)域像素值過大，則增高分割閾值.g（sk）的定義為：

s0為當前分辨率下同類型艦船目標的面積像素均值，ck為經(jīng)驗常數(shù)，本文算法中取c1＝5，c2＝3，ck＝1，k≥3.ck取值不同是為了更快的搜索到最佳分割閾值.以圖1（a）為例，σ＝16，MinErT算法得到的近似閾值為t＝66，應用本文算法得到T1＝t＝66，T2＝72，T3＝70，搜索三次達到最佳閾值.

3 艦船目標檢測流程

檢測流程：

圖4 遙感圖像艦船目標檢測流程Fig.4 Flowchart of ship targets detection of remote sensing image

艦船目標檢測首先進行全圖的粗分割，提取感興趣區(qū)域，然后對感興趣區(qū)域進行目標分割，最后對分割結果提取特征并進行判決.

有的算法［17］把感興趣區(qū)域提取和目標分割合二為一，但由于感興趣區(qū)域的全局性，難以兼顧到區(qū)域內(nèi)分割的準確性，直接判決影響了檢測效果.更多算法將粗細兩級分割分別進行.為了使在提取感興趣區(qū)域時不發(fā)生艦船目標遺漏的情況，一般都把粗分割的門限控制得較為寬松，這樣會引入較多的非目標子塊.下一步的自適應目標分割就需要對所有感興趣區(qū)域進行精細分割，從而能夠保證提取的特征能夠準確刻畫區(qū)域特性，并作出正確的判決.

本文的感興趣區(qū)域提取使用文獻［17］中contrast box濾波，將提取出來的區(qū)域作為粗分割結果，以待進行精細分割.

特征提取和判決：

根據(jù)艦船目標的幾何特性和分割后的特點，采用下列六個量描述目標［13，17］：區(qū)域長度l—最小外接矩形長度；長寬比r—最小外接矩形的長寬比，描述目標區(qū)域的矩形；面積a—區(qū)域的像素面積，描述目標區(qū)域的大??；緊致度c—區(qū)域邊界像素數(shù)目的平方與面積a的比值，描述目標區(qū)域的邊界復雜性；矩形度f—區(qū)域面積與區(qū)域的最小外接矩形面積的比值，描述目標區(qū)域與最小外接矩形的接近程度；對稱性s—二值圖中目標區(qū)域關于最小外接矩形中心線兩邊的像素數(shù)的差異，描述目標區(qū)域的對稱性.

上述六個量組合成一個6維目標特征矢量V（l，r，a，c，f，s），對艦船目標進行表達，兼顧了艦船的外形特征和多邊形特性.

根據(jù)先驗知識或訓練數(shù)據(jù)，給出每個特征的置信區(qū)間，根據(jù)每個置信區(qū)間對提取的特征進行匹配，最后綜合特征矢量判別得到目標判斷結果.

4 實驗及結果

4.1 試驗數(shù)據(jù)

為了試驗算法對不同數(shù)據(jù)源、不同分辨率、不同場景的目標檢測效果，我們選取了多顆衛(wèi)星的光學遙感數(shù)據(jù)和雷達遙感數(shù)據(jù)作為測試.

光學遙感數(shù)據(jù)：

測試來自 Quickbird、Spot、Ikonos、Landsat衛(wèi)星遙感圖像中隨機篩選的24 523個樣本，分辨率從10m到0.6m，圖像大小從30pixels×32 pixels到500pixels×500pixels.其中含有艦船目標的樣本共1 133個，船體大小從15pixels×4 pixels到316pixels×80pixels，而不含艦船目標的樣本數(shù)為23 390個.圖5為實驗的部分樣本，其中右邊兩幅含有艦船目標.

圖5 部分光學遙感圖像實驗樣本Fig.5 Some optical samples of remote sensing image

SAR數(shù)據(jù)：

從Radarsat 1數(shù)據(jù)中隨機挑選516個樣本，其中含有艦船目標的為22個，不含艦船目標的為494個.圖6為部分樣本，其中右邊兩幅含有艦船目標.

圖6 部分SAR圖像實驗樣本Fig.6 Some SAR samples of remote sensing image

4.2 試驗結果

試驗中，針對含有艦船目標的光學遙感數(shù)據(jù)進行了粗略歸類.將海面較為簡單、統(tǒng)計直方圖具有明顯雙峰特性的歸為第一類，海面背景較為復雜的歸為第二類.這樣共有三組艦船樣本：光學一類453個，光學二類680個，SAR圖22個.不含艦船的樣本共23 884個.總測試樣本共25 039個.

分別使用MinErT、OTSU、MaxEnT三種常用閾值分割方法對實驗樣本進行目標檢測，結果如表1.表中同時給出了以上述三種方法獲得閾值為基礎的多階閾值分割法檢測效果，如表中的“多階閾值法”所示，同時給出對應的最佳閾值法檢測結果，分別對應表1中的“本文方法（t1）”“本文方法（t2）”“本文方法（t3）”項，實驗中多階閾值法和本文算法的參數(shù)M取值均為8.

表1 檢測結果統(tǒng)計Table 1 Statistics of detection results

表1中也同樣可以看出，初始閾值對于本文算結果為初始閾值的“本文方法（t2）”和“本文方法（t3）”同樣表現(xiàn)出良好的檢測效果，檢測率分別為 97.0%、95.6%，虛警數(shù)分別為 392 和372個.

表2 分割次數(shù)與適用場景Table 2 Statistics of times of segmentation and application cases

表2為各算法的閾值計算次數(shù)與分割次數(shù)比較.MinErT、OTSU和MaxEnT是直接進行閾值計算，計算較為簡單，但只適用于簡單背景的情形，對于復雜背景的情況，大多分割失?。欢嚯A閾值法對復雜背景有了一定的適應性，但分割次數(shù)較多，平均需要進行6次計算才能找到最佳閾值，因為多階閾值法是用所有閾值進行分割，所以同樣需要進行6次分割和特征判斷；本文算法由于以特征約束為導向，能夠大大降低閾值計算次數(shù)和分割次數(shù)，平均只需分割2.3次就能達到最佳效果.

圖7（a）、（b）分別為一幅光學遙感圖像和一幅SAR圖像的檢測效果圖.從圖中可以看到本文算法能夠對艦船進行很好的檢測，不受海浪背景和近岸物體的影響.

圖7 艦船目標檢測結果Fig.7 Results of ship targets detection

5 總 結

本文提出了基于最佳閾值分割的艦船目標檢測方法.該方法以初始閾值出發(fā)，通過特征約束，自適應地尋找最佳分割閾值，能夠適應各種前／背景特征變化的情況，將目標成功分割出來，特別是海面背景復雜的圖像效果尤佳.根據(jù)不同衛(wèi)星的大量數(shù)據(jù)試驗證明，在針對特定目標類型的分割識別中，本文方法在保持虛警率不變或者略有升高的條件下，可使檢測率得到大幅提升，具有廣闊的應用前景.

［1］HEYNEN M.Coastal mapping＆ship detection from vhr satellite imagery［C］.The Fifth Meeting of the DECLIMS Project，F(xiàn)amborough，UK，2005.

［2］MARRE F.Automatic vessel detection system on spot－5optical imagery：a neuro2genetic approach［C］.The Fourth Meeting of the DECLIMS Project，Toulouse，F(xiàn)rance，2004.

［3］OLIVIER PRONIER.Optical data for ship detection［C］.The Sixth Meeting of the DECLIMS Project，Ispra，Italy，2006.

［4］范偉.基于區(qū)域生長的彩色圖像分割算法［J］.計算機工程，2010，36（13）：192－196.

［5］LI HAIYAN，HE YIJUN，SHEN HUI.Ship detection with the fuzzy c－mean clustering algorithm using fully polarimetric［C］.Geoscience and Re－mote Sensing Symposium，IEEE International（IGARSS2007），Barcelona，Spain，2007.

［6］吳銳，尹芳，唐降龍，等.模糊邏輯和譜聚類的字符圖像分割［J］.哈爾濱工業(yè)大學學報，2010，42（2）：268－271.

［7］何寧，張朋.基于邊緣和區(qū)域信息相結合的變分水平集圖像分割方法［J］.電子學報，2009，37（10）：2215－2219.

［8］儲昭亮，王慶華，陳海林，等.基于極小誤差閾值分割的艦船自動檢測方法［J］.計算機工程，2007，33（11）：239－241.

［9］KITTLER J，ILLINGWORTH J.Minimum error thresholding［J］.Pattern Recognition，1986，19（1）：41－47.

［10］Zasada D M，Sanyal P K，Perry R P.Detecting moving targets in multiple－channel SAR via double thresholding［C］.Proceedings of the IET International Conference on Radar Systems，Edinburgh，UK，2007.

［11］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.

［12］朱齊丹，荊麗秋，畢榮生，等.最小誤差閾值分割法的改進算法［J］.光電工程，2010，37（7）：107－113.

［13］王保云，張榮，袁圓，等.可見光遙感圖像中艦船目標檢測的多階閾值分割方法［J］，中國科學技術大學學報，2011，41（4）：293－298.

［14］范九倫，雷博.灰度圖像最小誤差閾值分割法的二維推廣［J］.自動化學報，2009，35（4）：386－393.

［15］石爽，曲仕茹，張大奇.基于改進型類間方差分割的紅外目標提取算法［J］.西北工業(yè)大學學報，2010，28（2）：259－263.

［16］吳一全，潘喆，吳文怡.二維直方圖區(qū)域斜分的最大熵閾值分割算法［J］.模式識別與人工智能，22（1）：162－168，2009.

［17］趙英海，吳秀清，聞凌云，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.