曹 冰

(四川工程職業(yè)技術(shù)學(xué)院，四川 德陽618000)

0 引 言

艦船目標(biāo)檢測在國民經(jīng)濟(jì)、國家安全和環(huán)境保護(hù)等諸多方面有非常重要的地位。艦船目標(biāo)檢測可以監(jiān)控漁船作業(yè)、港口船舶航行、監(jiān)視艦船的軍事演習(xí)等。但由于復(fù)雜的海洋環(huán)境造成船舶檢測困難。目前大多通過獲取光學(xué)遙感圖像進(jìn)行檢測，在獲取光學(xué)遙感圖像時(shí)，往往受到拍攝時(shí)間、拍攝角度、氣候變化等因素的影響導(dǎo)致圖像中含有噪聲、陰影、光斑、模糊等問題。傳統(tǒng)閾值分割無法將艦船從海面背景有效分割出來，實(shí)驗(yàn)證明，基于閾值分割的目標(biāo)檢測存在較高的虛警率和漏警率［1］。

本文首先獲取原始的光學(xué)遙感圖像，進(jìn)行預(yù)處理去除噪聲等不良因素的干擾;其次進(jìn)行目標(biāo)增強(qiáng)，便于感興趣的視覺焦點(diǎn)提取;最后運(yùn)用自適應(yīng)濾波器提取出劃定的感興趣區(qū)域的特征信息，利用圖像信息融合檢測出艦船目標(biāo)。

1 基于圖像融合與處理技術(shù)的艦船目標(biāo)檢測

1.1 基于圖像融合與處理技術(shù)的艦船目標(biāo)檢測流程

人們在查看光學(xué)遙感圖像時(shí)通過視覺的非對稱性不斷捕捉圖像的細(xì)節(jié)，從而提煉出目標(biāo)顯著圖，然后找到焦點(diǎn)，能夠快速捕獲到目標(biāo)。與傳統(tǒng)方法相比，這種方法不需要遍歷整幅圖像，提高了檢測速率。

圖1 艦船檢測流程圖Fig.1 Ship detection flowchart

1.2 艦船目標(biāo)增強(qiáng)

基于頂帽變換能夠?qū)崿F(xiàn)非線性的空間域?yàn)V波，本文利用頂帽變化檢測出圖像的高頻部分，去除掉灰度級變化不大的部分。其目標(biāo)增強(qiáng)算法為:若f(x，y)表示灰度圖像，b(x，y)是高度為1，對稱且平坦的結(jié)構(gòu)元，此結(jié)構(gòu)元為離散函數(shù)。選擇合適的結(jié)構(gòu)元b 是基于頂帽變換進(jìn)行目標(biāo)增強(qiáng)的關(guān)鍵點(diǎn)。Kamarainen J K和Kyrki V［2］等通過對比結(jié)構(gòu)元大的尺寸估算出背景緩慢變化的區(qū)域，然后將獲取到的原始圖像與估算出的區(qū)域相減得到灰度亮變化大的區(qū)域?？墒沁@種方法對于受海浪、云層、霧氣影響所拍攝的光學(xué)遙感圖像而言并不能減低虛警率和漏警率。本文考慮在剔除虛警區(qū)域的同時(shí)又能最大限度保留目標(biāo)區(qū)域，設(shè)計(jì)了基于自適應(yīng)的結(jié)構(gòu)元素尺寸選取法。

輸入圖像Iinput被均勻劃分為N × M個(gè)小格，得到雜波率系數(shù)CRC 為:

式中:σLocal為小格的標(biāo)準(zhǔn)差;LocMean為標(biāo)準(zhǔn)差的平均值，表示局部信息，獲取的光學(xué)遙感圖像中海面背景的特征，如噪聲等引起的粗糙度;σWhole為整幅圖的標(biāo)準(zhǔn)差，表示整體信息，描述海面情況，式(2)中α1+ α2=1。

通過CRC 可以計(jì)算得到相應(yīng)的結(jié)構(gòu)元素Bsize，本文采用方形的結(jié)構(gòu)元素，大小為Ls× Ls。

式中L-1()為線性反比，其運(yùn)算函數(shù)如圖2所示。

圖2 線性反比運(yùn)算Fig.2 Inverse linear operation

圖2 中，CRC的取值范圍為［0，CRCmax］，邊長Ls的取值范圍為［Lmin，Lmax］，從而得到輸入圖像Iinput的增強(qiáng)目標(biāo)圖像為:

因此得到能夠根據(jù)海面變化等因素自適應(yīng)的結(jié)構(gòu)元素。

1.3 快速選取目標(biāo)區(qū)域

根據(jù)光學(xué)遙感圖像特點(diǎn)可知，艦船目標(biāo)自身的灰度分布不均勻，所以得到的圖像增強(qiáng)后不能得到連通區(qū)域，不利于目標(biāo)信息的提?。?］。故本文首先進(jìn)行區(qū)域連通，即將屬于同一增強(qiáng)區(qū)域合并，方法是:和是待連通的區(qū)域，其兩區(qū)域質(zhì)心距離為，此時(shí)待連通區(qū)域合并成一個(gè)新的連通區(qū)域，直到第k 次后不再產(chǎn)生新的連通區(qū)域，則候選目標(biāo)區(qū)域?yàn)?，M ≤N。經(jīng)過若干次迭代后屬于同一顯著區(qū)域的圖像被合并。保持ROI 區(qū)域與目標(biāo)尺寸的一致性，以目標(biāo)區(qū)域的 焦 點(diǎn) 位 置{P1(x1，y1)，P2(x2，y2)，…，PM(xM，yM)}為中心，提取邊長為L的方形ROI，每個(gè)ROI的邊長由其對應(yīng)的增強(qiáng)區(qū)域的大小決定，如:

式(5)表示第i個(gè)ROI的邊長由第i個(gè)目標(biāo)候選顯著區(qū)域Si決定。

1.4 艦船目標(biāo)檢測

Gabor 濾波器具有很好的聚焦功能，能在目標(biāo)鎖定區(qū)域內(nèi)提取更多的有用信息。本文通過一組Gabor 濾波器進(jìn)行艦船目標(biāo)增強(qiáng)和提取底層特征信息進(jìn)行目標(biāo)檢測，減少了運(yùn)算的復(fù)雜度［4］。

Gabor 濾波器的計(jì)算公式為:

式中:F 為帶通濾波器在頻域中的位置;σx為水平尺度信息;σy為空間尺度信息。

令BF的取值分別為1，1.5，2。，由于Gabor濾波器奇偶對稱，在［0～π］范圍，θ=。

將奇偶對稱的Gabor 濾波器對圖像響應(yīng)的模定義為Gabor 濾波器的能量。

根據(jù)參考文獻(xiàn)［5］選擇1 組參數(shù)不同的Gabor 濾波器組成Gabor 濾波器組來描述圖像所有的方向和頻域信息。

本文采用包含3個(gè)濾波器組，每組8個(gè)濾波器組成的多通道濾波器，如圖3所示。

圖3 Gabor 濾波器組Fig.3 Gabor filters

由圖3 可知，當(dāng)圖像通過Gabor 濾波器組后，輸出的24 張子圖像，包含不同方向和頻率的信息，但僅有其中的一小部分圖像能將目標(biāo)的真實(shí)信息表達(dá)出來。根據(jù)文獻(xiàn)［6］的融合方法，進(jìn)行能量誤差逼近，公式為:

通過計(jì)算當(dāng)前Gabor 能量圖與下一個(gè)Gabor 能量圖得到R2≥0.95，即得到包含顯著圖像的艦船目標(biāo)圖像，檢測出艦船目標(biāo)。

2 實(shí)驗(yàn)結(jié)果

本文選取了55 幅圖，分別使用閾值和本文算法進(jìn)行艦船目標(biāo)檢測，實(shí)驗(yàn)結(jié)果如表1所示。

表1 不同艦船目標(biāo)檢測算法對比Tab.1 Comparison of different ship target detection algorithm

通過表1 可知，本文所設(shè)計(jì)的算法與閾值分割進(jìn)行艦船目標(biāo)檢測相比，提高了檢測率，降低了漏檢率和虛警率。這是因?yàn)樵诤Ｃ鎻?fù)雜環(huán)境中，閾值分割進(jìn)行目標(biāo)檢測時(shí)很容易將云朵、浪花等形狀相似的目標(biāo)分類為艦船目標(biāo)，增加了虛警率，同時(shí)所選擇的閾值有時(shí)不能剔除尺寸不理想的特征值，造成漏檢率高于本文設(shè)計(jì)的算法，所以說傳統(tǒng)方法對于檢測復(fù)雜海況以及存在形狀相似的對比目標(biāo)時(shí)性能較差。

3 結(jié) 語

針對復(fù)雜海況進(jìn)行艦船目標(biāo)檢測，首先獲取原始光學(xué)遙感圖像，進(jìn)行預(yù)處理去除噪聲等不良因素的干擾;其次進(jìn)行目標(biāo)增強(qiáng)，利用CRC 自適應(yīng)控制的結(jié)構(gòu)元素尺寸，便于感興趣的視覺焦點(diǎn)提取，運(yùn)用自適應(yīng)濾波器提取出劃定的感興趣區(qū)域的特征信息，利用圖像信息融合檢測出艦船目標(biāo);最后通過實(shí)驗(yàn)進(jìn)行驗(yàn)證本文設(shè)計(jì)的算法與傳統(tǒng)的艦船目標(biāo)檢測相比提高了檢測率，即使存在噪聲等不利因素也能有效檢測出目標(biāo)，并且降低了漏檢率和虛警率。

［1］肖利平，曹炬，高曉穎.復(fù)雜海地背景下的艦船目標(biāo)檢測［J］.光電工程，2007，34(6):6-10.XIAO Li-ping，CAO Ju，GAO Xiao-ying.Detection for ship targets in complicated background of sea and land［J］.Opto-Electronic Engineering，2007，34(6):6-10.

［2］KAMARAINEN J K，KYRKI V，KALVIAINEN H.Invariance properties of gabor filter-based features overview and applications［C］//IEEE Transactions on Image Processing，2006，15(5):1088-1099.

［3］許志濤，劉金國，龍科慧，等.基于視覺注意機(jī)制的海洋監(jiān)視衛(wèi)星圖像艦船目標(biāo)檢測［J］.激光與光電子學(xué)進(jìn)展，2013，50(12):57-65.XU Zhi-tao，LIU Jin-guo，LONG Ke-hui，et al.Ship targets detection of ocean surveillance satellite images based on visual attention［J］.Laser＆Opto-electronics Progress，2013，50(12):57-65.

［4］姜慶標(biāo).光學(xué)遙感圖像艦船目標(biāo)檢測算法研究［J］.艦船科學(xué)技術(shù)，2014，36(12):95-98.JIANG Qing-biao.Study of target detection algorithm based on optical remote sensing images［J］.Ship Science and Technology，2014，36(12):95-98.

［5］JAIN A K，RATHA N K，LAKSHMANAN S.Object detection using gabor filters［J］.Pattern Recognition，1997，30(2):295-309.

［6］MORENO P，BERNARDINO A，JOSE Santos-Victor.Gabor parameter selection for local feature detection［J］.Instituto Superior Tecnico ＆ Instituto de Sistemas Robotica，2002.