尹方平

(廣東機(jī)電職業(yè)技術(shù)學(xué)院,廣東 廣州 510515)

基于遙感圖像的艦船目標(biāo)檢測及特征提取技術(shù)

尹方平

(廣東機(jī)電職業(yè)技術(shù)學(xué)院,廣東 廣州 510515)

首先運用OSTU算法對艦船目標(biāo)圖像的陸域和海域空間分離，進(jìn)而提出一種基于云干擾背景的高斯分布混合統(tǒng)計模型進(jìn)行虛假目標(biāo)的過濾。在實現(xiàn)艦船目標(biāo)(ROI)檢測的基礎(chǔ)上，又根據(jù)艦船圖像的特征提取形態(tài)特征和尾跡特征等，精確實現(xiàn)對艦船目標(biāo)鑒別。數(shù)據(jù)表明，通過以上步驟的技術(shù)處理，能夠很好地實現(xiàn)對遙感圖像的艦船目標(biāo)進(jìn)行虛假過濾和快速的艦船特征提取。

空間分離；特征提??；目標(biāo)鑒別

0 引 言

當(dāng)前對于艦船圖像的目標(biāo)檢測有SAR系統(tǒng)和衛(wèi)星遙感。而衛(wèi)星遙感的艦船圖像檢測與識別，相對來說形成較晚，還不夠全面和系統(tǒng)，主要是針對圖像檢測中的某一方面或具體檢測過程中的某一環(huán)節(jié)進(jìn)行研究。衛(wèi)星遙感圖像的獲取主要受到天氣、海面氣候等多種因素的影響，所以獲取的原始圖像含有一些虛假或模糊的部分，需要客觀分析，確定艦船的最終目標(biāo)特征。本文參考大量前人研究成果和相關(guān)文獻(xiàn)中介紹的可行方法，根據(jù)遙感圖像的艦船目標(biāo)特征，結(jié)合現(xiàn)有的處理技術(shù)，步驟有序地對遙感獲取的艦船目標(biāo)進(jìn)行檢測和特征提取，鑒別出真正的艦船目標(biāo)圖域，為精確分析艦船的行為軌跡提供科學(xué)的方法。

1 目標(biāo)圖像檢測步驟

基于遙感的艦船檢測主要分為對艦船目標(biāo)域的確定和艦船特征的精確提取，初始的遙感圖像艦船目標(biāo)是在海陸背景下獲取的，對艦船目標(biāo)的檢測首先需要做到海域和陸域的圖像分離，將海域的艦船圖像呈現(xiàn)出來。為了能夠準(zhǔn)確辨別出圖像中的海域艦船目標(biāo)是真實的還是云背景干擾的圖像，需要利用數(shù)學(xué)算法去除干擾，過濾虛假目標(biāo)，獲取真實的艦船目標(biāo)；然后需要運用一定方法進(jìn)行圖像平滑和增強(qiáng)處理；最后對艦船目標(biāo)圖像進(jìn)行形態(tài)特征和尾跡特征的提取，實現(xiàn)精確的艦船目標(biāo)圖像的鑒別。本文的設(shè)計流程如圖1所示。

圖1 檢測主要流程Fig.1 The main steps of the process

2 基于遙感圖像的艦船目標(biāo)檢測

2.1 海陸分離

遙感獲取的艦船目標(biāo)圖像在海域和陸域由于背景不同，圖像像素的灰度值也不一樣，陸域背景較海域背景較亮，據(jù)此可以利用閾值方法實現(xiàn)海陸的初始分割。本文基于形態(tài)學(xué)的最大類間方差法(OSTU)實現(xiàn)，但考慮到陸域海域邊緣會有不相連的“小孔”細(xì)網(wǎng)狀區(qū)域，一般這種情況的處理是比較閾值的沌口大小，像素點面積占有較大陸域區(qū)域的“小孔”屬于陸域，反之則為海域，在這樣設(shè)定之后，則OSTU算法便好處理。其算法如下：

選取灰度值屬于不同范圍的兩類像素，某一K值為分界條件將灰度范圍分割為A和B兩大區(qū)域，現(xiàn)假設(shè)圖像的灰度范圍在1～L間隨機(jī)出現(xiàn)。在此間范圍內(nèi)，灰度值為li(1≤i≤L)的像素數(shù)目設(shè)定為ni，總的像素數(shù)為N，那么在A和B兩個區(qū)域的概率ωA和ωB根據(jù)數(shù)學(xué)計算分別如下所示：

A和B區(qū)域的平均灰度為：

則總平均灰度為：

則兩區(qū)域間的方差為：

σ2=wA(μA-μ)2+ωB(μB-μ)2。

由以上最大類間方差法(OSTU)綜合分析后的圖像，對屬于海域且面積大于或等于艦船面積但其面積卻小于某一限定的數(shù)值時重新判定其為陸域；反之，對屬于陸域且面積小于艦船面積所的數(shù)值時重新判定其為海域，經(jīng)過OSTU法處理后的圖像如圖2所示。

圖2 海陸分離圖像Fig.2 Separation of the image the land and sea

2.2 基于云背景干擾的統(tǒng)計分析

在進(jìn)行海陸分離的海域艦船目標(biāo)圖像，還需要辨識出海洋和艦船的不同屬性，同時，在純海洋背景下仍然有諸如云層和海面浮狀物等虛假圖像的干擾，所以需要從海洋背景中提取出類艦船目標(biāo)，然后利用一定的方法濾去虛假目標(biāo)。一般采用統(tǒng)計分布模型進(jìn)行處理。本文綜合研究實際，提出一種基于高斯分布混合統(tǒng)計模型進(jìn)行虛假目標(biāo)的過濾，因為高斯分布屬于正太分布，符合遙感圖像的背景擬合和自適應(yīng)閾值參數(shù)的選取。那么對于個數(shù)給定前提下的高斯混合模型，假設(shè)該模型有K個分量，每個分量的密度函數(shù)為：

φ(x|θj)=G(x|mj,σj)，

其相應(yīng)的加權(quán)系數(shù)為

則高斯混合模型的概率密度函數(shù)有如下推導(dǎo)：

采用最小二乘法來進(jìn)行遙感艦船圖像的直方圖擬合，采用KL距離度量準(zhǔn)則來評價擬合精度，設(shè)實際的分布為q(w)，擬合的分布為p(w)，那么KL距離表達(dá)式如下：

當(dāng)采用KL距離來判別高斯模型分量K的擬合進(jìn)度值時可知，高斯混合模型的分量K值越大，擬合精度越高，對云背景干擾的處理效果也越好。

3 艦船圖像的特征提取技術(shù)

3.1 艦船目標(biāo)特征的鑒別

3.1.1 目標(biāo)特征的提取

艦船圖像的輪廓確定后，便可對艦船圖像特征進(jìn)行分類和提取。艦船目標(biāo)特征的提取主要包括艦船形狀、長度、灰度、對比度等受到遙感圖像的分辨率和光照識別的一些辨別性特征的鑒別，由于分辨率造成的圖像遮擋和干擾需要借助一定的特征要素才能進(jìn)行精確的鑒別，所以特征要素的提取極為重要。在對艦船目標(biāo)特征的提取后，還需要對諸特征進(jìn)行有效的鑒別，才能真正實現(xiàn)艦船目標(biāo)的檢測。目標(biāo)特征的鑒別就是對艦船ROI相鄰或相近的區(qū)域進(jìn)行聚類，運用相關(guān)已知的數(shù)學(xué)方法進(jìn)行模型的提取，本文主要通過形狀特征和尾跡特征進(jìn)行艦船目標(biāo)特征的提取分析。

3.1.2 目標(biāo)特征聚類

假設(shè)遙感圖像的目標(biāo)艦船的長度和寬度分別為Lm和Wm，遙感圖像的光學(xué)分別率為r，艦船ROI的面積為：

S≤Smax=L×W/r×r，

其中Smax為艦船的最大面積。對于某個艦船區(qū)域間的像素i和j之間的距離d(i,j)滿足下面關(guān)系：

根據(jù)上述方法進(jìn)行目標(biāo)特征的提取，在此基礎(chǔ)上遍歷整幅圖像，統(tǒng)計檢測后的標(biāo)定區(qū)域灰度較亮像素的個數(shù)，歸類為該區(qū)域所屬范圍。當(dāng)面積不滿足統(tǒng)計時，可以用下面公式確定：

Sr={S|Smin≤S≤Smax}。

這樣，便可對艦船特征的歸屬進(jìn)行統(tǒng)計。

3.2 基于艦船目標(biāo)的形狀特征和尾跡特征的提取

3.2.1 形狀特征提取

形狀特征有多種提取方法，對艦船目標(biāo)長度L和寬度W的提取本文采用最小外切矩形法，并根據(jù)TBR準(zhǔn)則利用目標(biāo)區(qū)域的目標(biāo)像素數(shù)目與背景像素數(shù)目的最大比值來恰當(dāng)選擇ROI以作為最小外切矩形區(qū)域。先假設(shè)某區(qū)域圖像的隨意像素f(i,j)在轉(zhuǎn)變θ角后的坐標(biāo)為：

其中1≤i≤M0，1≤j≤N0，那么依次此角度為基準(zhǔn)的外切矩形即稱之為最小外切矩形。

假如在艦船的面積疆界用全部N個邊界像素和質(zhì)心間的歐式距離的有序序列用d(i)描述，其中歸一化輪廓序列的矩為mr和ur，那么在第r階輪廓序列矩mr和第r階中心矩ur被估算為：

最終F1，F(xiàn)2，F(xiàn)3，F(xiàn)4這組向量便可作為形狀特征鑒別的特征向量。

3.2.2 尾跡特征提取

基于尾跡特征的提取方法有多種，本文選取基于改進(jìn)的局部Radon 變換的方法進(jìn)行艦船尾跡特征的提取，對于一組二維圖像信號f(x,y)， 通過Radon 變換后可表示為：

式中：D為二維XY平面；f(x,y)為在坐標(biāo)(x,y)處的圖像的灰度值；ρ為從原點到一直線間的長度；θ為該直線與X軸間的角度大小。

從上式的含義可知，Radon 變換圖像像素點在每條直線上的積分，該積分能夠有效反映艦船目標(biāo)圖像在不同的投影下的像素灰度總積累特征，該特征總是在Radon 變換域得到上下起伏變化的曲線峰值，或明亮或灰暗，而變換域峰值又是灰度特征的標(biāo)志，這樣便可通過變換域峰值來判定艦船尾跡的，進(jìn)而實現(xiàn)對尾跡特征的提取。

3.3 目標(biāo)特征的綜合分析檢測

為了快速過濾掉虛假目標(biāo)，獲取精確的艦船ROI，在研究中往往選擇艦船特征的各提取方法進(jìn)行綜合的鑒別分析?？紤]到更精確快速的進(jìn)行艦船特征的提取檢測，本文綜合了艦船的形狀特征和紋理特征提取方法，選取了8幅艦船遙感圖像，共檢測出96個海面艦船檢測目標(biāo)，實現(xiàn)了檢測率由鑒別檢測前的96.8%到檢測后的93.4%變化，而且也實現(xiàn)了目標(biāo)檢測性能中的虛警率的大幅下降，其百分比由檢測前的26.2%到減少到檢測后的6.19%，成功地完成了對28個虛假云背景目標(biāo)的過濾，達(dá)到了既定的檢測效果。綜合特征的檢驗結(jié)果如圖3所示。

圖3 目標(biāo)鑒別結(jié)果Fig.3 The results of objective to identify

[1] LI Wen-wu.Detection of ship in optical remote sens-ing image of median-low resolution[master dissertation][M].National University of Defense Technology,China,2008.

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

ZHAO Ying-hai,WU Xiu-qing,WEN Ling-yun,et al. Ship target detection scheme for optical remote sensing images[J].Opto-electronic engineering,2008,35(8):102-106.

[3] CORBANE C,PECOUL E,et al.Fully au-tomated procedure for ship detection using optical satel-lite imagery.In:Proceedings of the International Confer-ence on Remote Sensing of Inland, Coastal, and Oceanic Waters.Noumea, New Caledonia:SPIE,2008.71500R-1 71500R-13.

[4] 王彥杰，汪增福.基于光學(xué)圖像的艦船航跡檢測[J].智能系統(tǒng)學(xué)報,2007,2(4):46-51.

WANG Yan-jie,WANG Zeng-fu.Ship wake detection using optical images[J].CAAI Transactions on intelligent systems,2007,2(4):46-51.

[5] ZHU Chang-ren,ZHOU Hui,et al.A novel hierarchical method of ship detection from space-borne optical image based on shape and texture features[J].IEEE Transactions on Geoscience and Remote Sensing,2010,48(9):3446-3456.

[6] GREIDANUS H,LEMOINE G,KOURTI N.Satellite ship detection for fishery control[C]//NURC International Symposium Remote Sensing Applications to Support NATO Expeditionary Operations.Lerici.Italy,2005.

Ship target detection and feature extraction technology research based on remote sensing image

YIN Fang-ping

(Guangdong Vocational College of Mechanical and Electrical Technology,Guangzhou 510515,China)

In this paper, firstly we propose the spatial separation of land and sea by using the OSTU algorithm for the land and sea space ship target image.Morever,we proposed a gaussian distribution hybrid statistical model for false target filter which based on cloud interference background. When achieving target detection based on the ship target image, we attempt the ship image feature extraction based on target characteristics and morphological characteristics for achieving precise target discriminatio.Finally,the data shows that the technical processing through the above steps,this method can filtering false targets of remote sensing images and quickly extracts ship features.

spatial separation;feature extraction;target discrimination

2014-02-02;

2014-07-25

國家自然科學(xué)基金資助項目(11201504)

尹方平(1980-)，男，碩士，副教授，研究方向為應(yīng)用數(shù)學(xué)及圖像處理。

TN919.85

A

1672-7649(2014)12-0112-04

10.3404/j.issn.1672-7649.2014.12.025