李曉博 孫文方 李 立

?

靜止軌道遙感衛(wèi)星海面運動艦船快速檢測方法

李曉博*孫文方 李 立

(中國空間技術研究院西安分院 西安 710100)

面向靜止軌道光學遙感衛(wèi)星，該文提出一種海上運動艦船目標快速檢測方法。該方法首先利用多結構多尺度形態(tài)學濾波對海洋背景遙感圖像進行背景抑制；然后采用自適應閾值分割和自組織聚類獲得候選目標；再根據(jù)目標運動特征，利用靜止軌道衛(wèi)星凝視序列圖像對候選目標進行多目標移動式鄰域判決，剔除虛假目標；最后關聯(lián)艦船目標以及融合衛(wèi)星平臺數(shù)據(jù)，可快速計算艦船狀態(tài)等深層次動態(tài)信息。實驗結果與分析表明，所提方法能有效檢測海洋背景遙感圖像中的多個運動艦船目標，準確獲取各個艦船位置、航速、航向、運動軌跡等信息，具有算法簡單，目標檢測率高、虛警率低，穩(wěn)定性好等優(yōu)點。該方法為我國靜止軌道光學遙感衛(wèi)星在軌數(shù)據(jù)處理與應用提供了技術支撐。

艦船檢測；靜止軌道遙感衛(wèi)星；多運動艦船目標；運動軌跡

1 引言

在我國海上安全利益迅速增長情況下，由于靜止軌道光學遙感衛(wèi)星可對大范圍指定區(qū)域進行持續(xù)觀測，能實時、準確地感知并獲取海洋動態(tài)信息并及時提供決策支持，有助于快速解決海洋突發(fā)事件。靜止軌道光學成像衛(wèi)星具有觀測范圍廣、觀測周期短、數(shù)據(jù)時效強等低軌衛(wèi)星無法比擬的優(yōu)勢，通過靜止軌道衛(wèi)星對海上運動艦船目標進行實時或近實時監(jiān)視和跟蹤，可快速獲取運動艦船的位置、航向、航速、運動軌跡等動態(tài)情報信息，實時向地面下傳決策依據(jù)和引導信息。

目前，由于SAR圖像具有全天時、全天候觀測能力、形態(tài)探測能力和對地表的穿透性等特點，針對SAR圖像的海上目標檢測技術的研究較多。相對于SAR圖像，利用光學圖像進行海上目標檢測的技術相對滯后。近幾年，Jubelin等人[6]提出了一種多尺度中高分辨率的艦船檢測算法。Song等人[7]提出一種基于視覺模型和LBP的光學遙感圖像艦船檢測算法。Liu等人[8]提出了一種基于形狀和背景信息的高分辨率光學遙感圖像艦船檢測算法。文獻[9]針對現(xiàn)有視覺注意計算模型不適于處理維度大于4的多維圖像的不足，將選擇性視覺注意機制引入到多光譜遙感圖像目標檢測中，提出一種基于雙四元數(shù)的視覺注意計算模型目標檢測方法，實現(xiàn)了多維數(shù)據(jù)的整體處理。文獻[10]針對衛(wèi)星遙感海洋可見光圖像，提出一種基于結構紋理分解的艦船目標檢測算法。文獻[11]針對高分辨遙感圖像中目標背景為復雜多變的海面，提出一種基于鄰域特性分析的海面艦船檢測方法。此外，還有一些學者對可見光遙感圖像艦船檢測進行了研究。

通過以上文獻調研可知，目前可見光遙感圖像艦船檢測的一般流程為先對圖像進行預處理(海陸分割、去噪、云剔除等)，再通過一定的閾值分割方法得到預檢測目標，最后利用艦船目標的特征信息對預檢測目標進行鑒別，最終得到艦船目標，一般在單幀圖像中就可以將目標檢測出來。然而，在靜止軌道光學遙感衛(wèi)星艦船檢測中，由于遙感衛(wèi)星成像距離遠，獲得的遙感圖像空間分辨率通常較低(數(shù)十米量級)。艦船目標在圖像上成像面積小，可利用的顯著特征信息較少。同時艦船目標受到云層、島嶼、海浪以及噪聲等干擾，使得利用常規(guī)艦船檢測方法對海上運動艦船目標進行檢測非常困難，且無法獲得艦船目標運動軌跡等動態(tài)信息。針對以上問題，本文根據(jù)靜止軌道遙感衛(wèi)星成像系統(tǒng)特點，利用序列遙感圖像，提出了一種靜止軌道遙感衛(wèi)星海上艦船目標快速檢測方法。該方法能有效檢測出重點關注區(qū)域內的多個運動艦船目標，并可準確計算出各個艦船運動軌跡、位置、航速、航向等動態(tài)情報信息，為我國靜止軌道遙感衛(wèi)星實現(xiàn)重點區(qū)域持續(xù)監(jiān)視提供技術支撐。

2 靜止軌道遙感衛(wèi)星海上運動目標快速檢測方法

2.1基本原理

本文提出的靜止軌道遙感衛(wèi)星海面運動目標檢測主要可分為圖像預處理、海面運動目標預檢測和虛假目標剔除3個部分，其原理框圖如圖1所示。首先，利用多結構多尺度形態(tài)學濾波對復雜海面背景圖像進行背景抑制、相對增強艦船目標信號，降低復雜背景對目標檢測的影響；然后利用自適應閾值分割對預處理后的圖像實施目標預檢測，并對預檢測出的目標進行連通域標記和合并；最后根據(jù)目標幀間運動連續(xù)性特征，利用多目標移動式鄰域判決排除虛假目標，最終確認真實目標，并計算出目標的運動軌跡、位置、航向以及航速等動態(tài)信息。

圖1 靜止軌道遙感衛(wèi)星海面運動目標檢測原理框圖

2.2具體實現(xiàn)過程分析

2.2.1多結構多尺度形態(tài)學融合處理 由于靜止軌道遙感衛(wèi)星獲取的艦船目標在圖像中僅占幾十個，甚至幾個像素，遙感器遠距離捕捉到的艦船目標的強度相對背景而言比較弱，且往往受到海浪、島嶼、云、噪聲等復雜海洋背景的干擾。因此，對遙感圖像直接進行檢測容易引起漏警，甚至導致檢測失敗。為了保證復雜海洋背景下艦船目標檢測性能，首先必須對遙感圖像進行預處理，其主要目的是進行背景抑制，相對增強艦船目標與背景對比度。本文根據(jù)海浪、云層、島嶼等干擾的邊緣形狀特征，利用多結構元素形態(tài)學濾波對原始海洋背景圖像進行預處理。由于艦船目標在海面背景中是一個突異的小斑點，而形態(tài)學開運算可以消除圖像中小于結構元素的目標，因此可以用形態(tài)學開運算進行背景估計。開運算的效果在很大程度上取決于結構元素尺寸的選取。一般來說，所選擇的結構元素尺寸要比艦船目標的尺寸稍大。若只采用一種結構元素，輸出的圖像只有一種幾何信息被保持，其它幾何信息與目標一起被濾掉，而輸入圖像通常是復雜的，它可能是各種簡單幾何形狀的疊加或組合，因此采用單一結構會造成嚴重的背景泄漏。

為避免單一結構元素形態(tài)濾波的缺點，本文采用多個結構元素形態(tài)濾波方法來進行背景抑制。由于云層、海浪及島嶼邊緣是直線與角的組合，因此選擇的多結構元素分別由0°, 45°, 90°, 135° 4個方向的不同尺度的直線形結構元素進行組合構造多結構元素，如圖2所示。利用不同尺度和不同形狀的結構元素對原始圖像進行形態(tài)開、閉組合運算，可用來同時抑制正、負脈沖噪音信號[16]，最后將不同結構元素的濾波結果進行一定融合處理可獲得背景抑制圖像，算法如式(1)：

圖2 0°, 45°, 90°, 135°結構元素示意圖

圖3 海洋復雜背景抑制示例圖

2.2.2基于自組織聚類的艦船目標預檢測 經(jīng)過背景抑制處理后，圖像中的干擾得到了明顯抑制，絕大部分像素集中在低灰度區(qū)，只有目標和少量噪聲分布在高亮度區(qū)。這時可以采用基于均值修正的自適應閾值分割方法，把潛在的目標分離出來，具體方法如下：

閾值分割后，利用區(qū)域增長法對各個預檢測目標的連通域進行標記。由于閾值分割的不完整，可能存在單個艦船目標由多個鄰近連通域組成的情形，如圖4(a)所示。為了避免對后續(xù)檢測帶來影響，就需要對這些相鄰的屬于一個目標的連通域進行聚類。然而，問題在于一幅圖像中可能存在多個艦船目標，且目標的具體數(shù)目未知，屬于未知分類數(shù)的聚類問題。

圖4 自組織聚類示意圖

通過分析可知，海上運動的艦船目標之間都存在一定的安全距離(如圖4(b)所示)。利用這一先驗知識，可以預先設定一定的距離搜索門限，即認為滿足一定搜索門限條件的幾個相鄰連通域為同一個目標，并將相鄰的連通域劃分為同一個類。算法具體實現(xiàn)步驟如下：

(1)計算各個艦船目標連通域的形心坐標，并將其作為連通域中心點。二值圖像中各個連通域形心定義為

式中，和分別表示二值圖像中連通域在點的橫坐標和縱坐標，Num表示連通域像素個數(shù)。

(3)設定閾值，對矩陣進行行(或列)搜索，當D<時，將歸為類。當整個第行搜索完后，求得類中的最大值，并從第+1行(或列)開始繼續(xù)搜索，直到距離矩陣搜索完畢。

(4)將構造的類進行合并，并按步驟(1)中的方法計算屬于同一個類的幾個相鄰連通域的中心點，作為鄰域判決的候選目標點，以降低后續(xù)處理算法復雜度。

2.2.3基于多目標移動式鄰域判決的序列圖像艦船檢測 通過圖像預處理和目標預檢測后，只剩下為數(shù)很少的候選艦船目標。候選目標可能為真正的目標也可能是一些虛假目標或噪聲點。根據(jù)艦船目標在連續(xù)幀間運動的關聯(lián)性和連續(xù)性以及虛假目標或噪聲運動的隨機性特征。本文利用多目標移動式鄰域判決法進行虛假目標剔除。

多目標移動式鄰域判決示意圖如圖5所示(以兩個目標為例)，其實質是多個時空濾波器，基于多目標移動式鄰域判決的運動艦船檢測方法基本思想是對于當前幀圖像中的多個候選艦船目標，如果在后續(xù)連續(xù)的幀圖像中，這些候選目標的小鄰域內目標出現(xiàn)次數(shù)、位置變化、形態(tài)特征滿足一定的約束條件時，則判定該候選目標為真正的艦船目標，否則剔除該候選目標。最后根據(jù)真實艦船目標在每幀中的位置坐標可計算出目標運動軌跡，算法流程圖如圖6所示。

圖5 多目標移動式鄰域判決示意圖

圖6 基于多目標移動式鄰域判決的序列圖像目標檢測流程圖

對于靜止軌道遙感衛(wèi)星艦船目標檢測，由于在單幀圖像中目標特征不明顯，單幀檢測的虛警率較高，且無法獲得運動艦船目標的動態(tài)情報信息，多幀處理能有效消除噪聲及虛假目標的影響，降低虛警率，實現(xiàn)對海上運動目標的有效檢測與跟蹤。

3 實驗結果與分析

為了模擬靜止軌道遙感衛(wèi)星在目標監(jiān)視模式衛(wèi)星獲取的序列圖像，本文采用高分一號16 m多光譜圖像數(shù)據(jù)的近紅外波段圖像作為原始圖像(如圖7(a)所示)，圖像大小為1024×1024；并結合靜軌衛(wèi)星獲得的序列圖像時間分辨率及大型艦船運動速度模擬生成序列圖像(10幀)進行仿真。其中，假設圖7(a)中7艘艦船都以勻速向一個方向航行。圖7(b)為第1幀原始圖像經(jīng)過多結構元素形態(tài)學濾波后得到的預處理圖像，由圖7(b)可見，海浪、艦船尾跡等干擾都得到了較大程度的抑制，目標相對于背景的信號比得到了有效提高，為后續(xù)運動目標檢測奠定了良好的基礎。圖7(c)為運動艦船檢測結果，7艘艦船目標都被準確檢出。圖7(d)是利用運動艦船目標幀間運動關聯(lián)性，仿真高軌衛(wèi)星在目標監(jiān)視模式下得到艦船目標運動軌跡圖。表1給出了艦船目標在不同幀圖像(以前2幀為例)中位置坐標。利用表1數(shù)據(jù)，以及一些先驗知識(例如：高軌衛(wèi)星在目標監(jiān)視模式下獲得的衛(wèi)星圖像幀頻為20 s，圖像分辨率為16 m)，可以計算出圖7(a)中7艘艦船的平均速度為11.3 m/s(加速度為0)，航向為315；進一步通過融合衛(wèi)星平臺數(shù)據(jù)可以計算艦船目標在各個時刻實際位置坐標(經(jīng)緯度)、航向、航速以及加速度等動態(tài)情報信息。

圖7 靜止軌道運動艦船檢測仿真結果

表1艦船目標位置信息(前兩幀)

為了驗證本文算法的抗噪性能，對序列測試圖像分別添加不同信噪比的高斯噪聲。當添加不同信噪比(SNR=0~5.0 dB)高斯噪聲后，本文方法都可以正確檢測出艦船目標，圖8為添加高斯噪聲后序列圖像平均SNR=0.1 dB時的艦船檢測結果。由圖8可見，當SNR非常低的時候算法依舊能全部將7艘艦船檢測出來，并準確給出其運動軌跡，該算法具有較好的抗干擾能力，能夠抵抗海浪、噪聲等干擾的影響。

圖8 當SNR=0.1時本文算法檢測性能

由以上仿真結果可見，本文方法能有效檢測到海上運動艦船目標，具有很好的檢測性能。此外，相比低軌衛(wèi)星在軌艦船檢測，本文方法利用靜軌衛(wèi)星獲得的大幅寬、短幀頻序列圖像，并根據(jù)艦船目標在連續(xù)幀間運動的關聯(lián)性和連續(xù)性特征進行運動艦船檢測，在實現(xiàn)廣域海面運動目標的快速檢測方面有明顯優(yōu)勢，可有效提高用戶獲取海洋艦船動態(tài)信息的時效性。

4 總結

本文面向靜止軌道遙感衛(wèi)星在軌數(shù)據(jù)處理系統(tǒng)，結合靜止軌道遙感衛(wèi)星成像特點，提出了一種靜止軌道遙感衛(wèi)星在軌運動艦船目標快速檢測方法。本文方法可實現(xiàn)指定大范圍海域運動目標的快速發(fā)現(xiàn)，并結合衛(wèi)星平臺數(shù)據(jù)計算出各個運動艦船的位置、航速、航向、運動軌跡等動態(tài)情報信息，可滿足靜止軌道遙感衛(wèi)星對海洋運動目標持續(xù)監(jiān)視的需求。此外，本文方法還可結合在軌數(shù)據(jù)融合處理技術與低軌高分辨光學衛(wèi)星、電子偵察衛(wèi)星協(xié)同作業(yè)，進一步提高星上處理結果可信度；實現(xiàn)天基平臺對海洋運動目標快速發(fā)現(xiàn)、跟蹤、確認與指示，向地面及時提供決策依據(jù)和引導信息，具有廣闊的應用前景。

參考文獻

[1] Hou Biao, Chen Xing-zhong, and Jiao Li-cheng. Multilayer CFAR detection of ship targets in very high resolution SAR images[J]., 2014, 12(4): 811-815.

[2] PasqualeI,Martin C, Raffaella G,.. Ship-detection in SAR imagery using low pulse repetition frequency radar[C]. 10th European Conference on Synthetic Aperture Radar, Berlin, 2014: 1-4.

[3] Wei Ju-jie, Li Ping-xiang, and Yang jie. A new automatic ship detection method using L-band polarimetric SAR imagery[J]., 2014, 7(4): 1383-1393.

[4] 李亞超, 周瑞雨, 全英匯, 等. 采用自適應背景窗的艦船目標檢測算法[J]. 西安交通大學學報, 2013, 47(6): 25-30.

Li Ya-chao, Zhu Rui-yu, Quan Ying-hui,.. An algorithm of ship target detection based on the adaptive background window function[J].Journal of Xian Jiaotong University, 2013, 47(6): 25-30.

[5] 焦智灝, 楊健, 葉春茂, 等. 基于雜波區(qū)分度參數(shù)的艦船檢測方法[J]. 系統(tǒng)工程與電子技術, 2014(8): 1488-1493.

Jiao Zhi-hao, Yang Jian, Ye Chun-mao,. Ship detection method based on distinction parameter between areas of targets and clutters[J]., 2014(8): 1488-1493.

[6] Jubelin G and Khenchaf A. Multiscale algorithm for ship detection in mid, high and very high resolution optical imagery[C]. IEEE International Geoscience and Remote Sensing Symposium (IGARSS), Quebec City, 2014: 2289-2292.

[7] Song Zhi-na, Sui Hai-gang, and Wang Yu-jie. Automatic ship detection for optical satellite images based on visual attention model and LBP[C]. IEEE Workshop on Electronics, Computer and Applications, Ottawa, 2014: 722-725.

[8] Liu Ge, Zhang Ya-sen, Zheng Xin-wei,. A new method on inshore ship detection in high-resolution satellite images using shape and context information[J]., 2014, 11(3): 617-621.

[9] 丁正虎, 余映, 王斌, 等. 選擇性視覺注意機制下的多光譜圖像艦船檢測[J]. 計算機輔助設計與圖形學學報, 2011, 23(3): 419-425.

Ding Zheng-hu, Yu Ying, Wang Bin,.. Visual attention- based ship detection in multi-spectral imagery[J].-&, 2011, 23(3): 419-425.

[10] 王衛(wèi)衛(wèi), 席燈炎, 楊塨鵬, 等. 利用結構紋理分解的海洋艦船目標檢測[J]. 西安電子科技大學學報(自然科學版), 2012, 39(4): 131-137.

Wang Wei-wei, Xi Deng-yan, Yang Gong-peng,. Warship target detection algorithm based on cartoon-texture decomposition[J]., 2012, 39(4): 131-137.

[11] 龔志成, 曾惠翼, 裴繼紅. 基于鄰域分析的海洋遙感圖像艦船檢測方法[J]. 深圳大學學報(理工版), 2013, 30(6): 584-591.

Gong Zhi-cheng, Zeng Hui-yi, and Pei Ji-hong. A method for ship detection based on neighborhood characteristics in remote sensing image[J]., 2013, 30(6): 584-591.

[12] 周偉, 關鍵, 何友. 光學遙感圖像低可觀測區(qū)域艦船檢測[J]. 中國圖象圖形學報, 2012, 17(9): 1181-1187.

Zhou Wei, Guan Jian, and He You. Ship detection from low observable regions in optical remote sensing imagery[J]., 2012, 17(9): 1181-1187.

[13] 許志濤, 劉金國, 龍科慧, 等. 基于視覺注意機制的海洋監(jiān)視衛(wèi)星圖像艦船目標檢測[J]. 激光與光電子學進展, 2013, 50(12): 1001-1009.

Xu Zhi-tao, Liu Jin-guo, Long Ke-hui,. Ship targets detection of ocean surveillance satellite images based on visual attention[J]., 2013, 50(12): 1001-1009.

[14] Su Li, Zhou Na, Xu Cong-ying,.. On the small ship target detection based on panoramic vision[C]. 32nd Chinese Control Conference (CCC), Xi’an, 2013: 3575-3579.

[15] Bin Jin, Yu Cong, Wei Zhou,. A new method for detection of ship docked in harbor in high resolution remote sensing image[C]. International Conference on Progress in Informatics and Computing (PIC), Shanghai, 2014: 341-344.

[16] 馬文偉, 趙永強, 張國華, 等. 基于多結構元素形態(tài)濾波與自適應閾值分割相結合的紅外弱小目標檢測[J]. 光子學報, 2011, 40(7): 1020-1024.

Ma Wen-wei, Zhao Yong-qiang, Zhang Guo-hua,.. Infrared dim target detection based on multi-structural element morphological filter combined with adaptive threshold segmentation[J]., 2011, 40(7): 1020-1024.

Ocean Moving Ship Detection Method for Remote Sensing Satellite in Geostationary Orbit

Li Xiao-bo Sun Wen-fang Li Li

((’),710100,)

A moving ship detection method is presented for ocean moving objects detection of remote sensing satellite in geostationary orbit. First, the multi-structural and multiscale element morphological filter is used to suppress background information of oceanic remote sensing images. Then, image segmentation is done by adopting the adaptive threshold algorithm. Accordingly, the connected domains of pre-detection targets are obtained by utilizing self-organized clustering. Finally, real targets from many candidate targets can be obtained by multi-object variable region decision based on moving targets feature. The experiment results and analysis show that the proposed method can detect moving warship targets and the trajectories of moving targets efficiently, and has high detection probability and robustness. This method provides technical support for on-board image processing of remote sensing satellite in geostationary orbit.

Ship detection; Remote sensing satellite in geostationary orbit; Multiple moving ship targets; Moving trajectory

TP751

A

1009-5896(2015)08-1862-06

10.11999/JEIT141615

李曉博 lxb619@126.com

2014-12-18收到，2015-03-25改回，2015-06-08網(wǎng)絡優(yōu)先出版

國家自然科學基金(61372175)和高分辨率對地觀測系統(tǒng)青年創(chuàng)新基金(GFZX04060103)資助課題

李曉博： 男，1983年生，工程師，研究方向為衛(wèi)星數(shù)據(jù)傳輸與信息處理.

孫文方： 男，1979年生，高級工程師，研究方向為衛(wèi)星數(shù)據(jù)傳輸與信息處理.

李 立： 男，1976年生，研究員，研究方向為衛(wèi)星數(shù)據(jù)傳輸與信息處理.