張志龍 楊衛(wèi)平 張 焱 李吉成

1 引言

紅外成像系統(tǒng)利用目標與環(huán)境的紅外輻射差異成像，具有溫度靈敏度高、動態(tài)范圍大、空間分辨率高、透霧能力強、可晝夜工作等優(yōu)點。從紅外大氣傳輸特性來看，3～5 μm 大氣窗口的透過率超過90%，敏感的絕對溫度峰值為800 K，適于探測高溫目標，如林火、火山、核爆、發(fā)動機尾焰等；8～14 μm大氣窗口的透過率為80%～90%，敏感的絕對溫度峰值為 300 K，是常溫下地物熱輻射能量最集中的波段，適于探測地物的發(fā)射率及溫度。從目標背景的紅外輻射特性來看，地面和低空大氣的背景輻射可以分別近似為300 K和200～300 K的黑體輻射；而典型目標的溫度通常在500～900 K。因此，紅外成像系統(tǒng)是軍事偵察和戰(zhàn)場感知的利器。

隨著我國高分辨率對地觀測系統(tǒng)重大專項的實施，紅外遙感圖像獲取技術必將迎來新的發(fā)展機遇，有望形成高分辨率、全天時、實時/準實時的對地觀測能力，獲得越來越多的紅外遙感圖像。如何從海量的紅外遙感圖像中自動、準確、快速地識別出感興趣目標，已經(jīng)成為制約我國航天偵察裝備充分發(fā)揮軍事效能的技術瓶頸，迫切需要科研人員提出有效的解決辦法。

遙感圖像中感興趣目標的檢測識別問題一直以來都是遙感和視覺領域的研究熱點[15]-。艦船目標檢測與監(jiān)視則是世界各海岸國家的傳統(tǒng)任務，學者們圍繞該問題進行了廣泛研究并提出了多種有效方法。前期的研究更多關注SAR圖像艦船檢測識別問題。進入21世紀，光學遙感圖像在海上活動監(jiān)視領域的應用研究受到了更多的關注。代表性艦船檢測識別系統(tǒng)包括歐盟的IMPAST和DECLIMS，法國的CLS和BOOST，英國的MaST，挪威Eldhuset和MeosView等[6,7]。這些系統(tǒng)在漁業(yè)監(jiān)測、油污監(jiān)測、海岸安全以及軍事領域發(fā)揮著重要作用。

我國海域遼闊，海洋權益爭端日漸頻繁，海上艦船目標的檢測和監(jiān)視在民用和軍用上都有著廣泛的需求。在民用方面，可以對特定海域、海灣和港口的水運交通、遇難船只搜救、漁船監(jiān)視、非法移民、反毒品、海洋污染監(jiān)測等方面進行監(jiān)測和管理。在軍事方面，可以進行戰(zhàn)場態(tài)勢感知與評估、戰(zhàn)時海上監(jiān)視、恐怖活動監(jiān)視、打擊海盜等。因此，利用日益豐富的高分辨率紅外遙感圖像，進行海上艦船目標的檢測和識別，是一項具有重大理論意義和現(xiàn)實需求的研究課題。

在紅外遙感圖像中，艦船目標與背景的對比度通常較弱，亮目標與暗目標都有可能出現(xiàn)。同時，紅外遙感圖像存在一定的圖像噪聲和多種干擾，如海水波動、云團、小島、淺灘、陸地復雜邊緣等。因此，在檢測識別之前有必要先對紅外遙感圖像進行艦船目標增強。

本文提出了一種基于頻譜殘留變換的紅外遙感圖像艦船目標檢測方法，首先根據(jù)海洋紅外圖像中自然背景和干擾的特性設計頻譜殘留變換的模型參數(shù)，然后對海洋紅外圖像實施變換，在變換圖像上進行艦船目標檢測。實驗結果表明：該方法可以有效消除紅外圖像中的大尺度干擾和圖像噪聲，增強圖像中艦船目標的信雜比，提高了艦船檢測的準確性。

2 基于頻譜殘留變換的艦船目標增強

2.1 頻譜殘留變換

譜殘留模型是文獻[8]提出的一種顯著性計算模型。與其它顯著性模型[9-12]相比，該模型完全基于頻域處理，可以采用快速傅里葉變換（FFT）加以實現(xiàn)，具有計算簡單和快速的優(yōu)點。其基本思想是：大多數(shù)自然圖像的對數(shù)幅度譜具有近似相同的形狀，因此，一幅圖像的頻譜中有別于相同形狀的部分（即頻譜的殘留部分）蘊含著新的信息，是真正值得關注的部分（即目標）。假設原始圖像為I（ x），則譜殘留模型的計算過程如下：

其中：FFT和 F FT-1表示圖像的快速傅里葉變換及其反變換； hn（f）表示頻域中的低通濾波器，例如3×3的均值濾波器；g（ x）表示空域中的低通濾波器，例如高斯型的低通濾波器；A（ f）,P（ f）,L（ f）分別表示原始圖像的幅度譜，相位譜，對數(shù)幅度譜；R（ f）表示譜殘留；S（ x）表示顯著圖。

作者在研究譜殘留模型時發(fā)現(xiàn)：真正對顯著圖有實質(zhì)貢獻的其實是原始圖像的相位譜P（ f），式（3），式（4），式（5）的計算并非必要。對于這一點，將在實驗部分進行分析和討論。

基于上述發(fā)現(xiàn)，本文提出一種新的頻譜殘留變換模型，用以增強紅外圖像中的艦船目標，其計算過程如下：

其中，?表示復數(shù)的取模運算；BP（ f）表示頻域中的帶通濾波器，例如可以選擇中心頻率為 f0、截止頻率為Δf的高斯型濾波器；PM（f）表示本文定義的原始圖像的相位譜；RM（f）表示本文定義的譜殘留；SM（x）表示本文定義的顯著圖。式（6）～式（8）中用到的下標“M”用以區(qū)分本文定義的物理量。

新的頻譜殘留變換模型主要進行兩種運算：一是原始頻譜的歸一化；二是頻域帶通。與文獻[8]的譜殘留模型相比，新的變換無需計算對數(shù)幅度譜，無需進行頻率的低通濾波，頻域的指數(shù)運算和空域的高斯濾波，因而計算速度更為快速。

另外，新的頻譜殘留變換有兩個控制參數(shù)，即帶通濾波器的中心頻率0f和截止頻率Δf，可以根據(jù)目標特性進行調(diào)整，這為模型的使用創(chuàng)造了便利。

2.2 艦船目標的增強處理

在紅外遙感圖像中，艦船目標與海洋背景的對比度通常較弱，亮目標與暗目標都有可能出現(xiàn)。同時，紅外遙感圖像存在不同程度的噪聲和多種形式的干擾，例如海水波動、云團、小島、淺灘、陸地復雜邊緣等。直接利用傳統(tǒng)的雙參數(shù)恒虛警算法（CFAR）[13]會產(chǎn)生很多虛假目標。因此，在檢測之前有必要應先對艦船目標進行增強，以提高檢測的準確性。

艦船目標增強的目的在于提升目標在紅外遙感圖像中的信雜比，以便在增強后的圖像中目標與背景雜波的對比度更強，更有利于準確檢測。在紅外遙感圖像中，艦船目標的信號強度就是目標像素的灰度，它所反映的是目標的紅外輻射強度，由目標溫度決定并受成像時刻大氣衰減的影響；背景包含的因素多而且復雜，因此普遍采用統(tǒng)計的方法加以描述，常用的統(tǒng)計量是背景輻射的均值和標準偏差。

假設艦船目標的信號強度為tg，背景輻射強度的均值為bm，背景輻射強度的標準偏差為bσ，艦船目標的信雜比SCR定義為

mb和σb有兩種統(tǒng)計方法：一是統(tǒng)計待分析的整幅圖像的均值和標準偏差；二是在局部的背景掩模中統(tǒng)計。圖1是在局部范圍內(nèi)統(tǒng)計信雜比常用的一種掩模，其中心方格為待分析的目標像素，外圍方格為背景區(qū)域，兩者之間有保護區(qū)域防止目標信號對背景統(tǒng)計特性造成影響。

圖1 在局部范圍內(nèi)計算信雜比的掩模

利用頻譜殘留變換增強艦船目標的信雜比，關鍵在于根據(jù)艦船目標、自然背景干擾和圖像噪聲的特性，合理選擇帶通濾波器的類型及濾波器參數(shù)。簡便起見，本文選擇高斯型的帶通濾波器，其頻率響應函數(shù) B P（ f）可以表示為

對于 512×512的FFT變換，當 f0=1.8404,Δ f = 0.3682時，帶通濾波器的頻率響應函數(shù)如圖2所示。由于陸地、云團、海水、復雜陸岸邊緣等自然背景干擾屬于圖像中的低頻慢變化成份，噪聲屬于圖像中的高頻成份，因此帶通濾波器在去除背景干擾和抑制噪聲方面具有明顯的優(yōu)勢。

若紅外遙感圖像中，艦船目標的尺度大于lmin而小于lmax，根據(jù)離散傅里葉變換理論，當采用 512×512的FFT變換時，目標對應的空間頻率分別為π/lmin和π/lmax。因此，帶通濾波器的中心頻率f0和截止頻率Δf可以分別取為

圖2 高斯型帶通濾波器（f0 =1.8404rad, Δ f =0.3682rad）

根據(jù)上述參數(shù)設計的帶通濾波器，能夠在去除低頻慢變化背景干擾和高頻噪聲的同時，較好地保留目標特征信息，從而有效提高目標的信雜比。

3 艦船目標的檢測

經(jīng)過增強處理之后，圖像中的自然背景干擾和噪聲得到抑制，艦船目標的信號得到增強。原始圖像中的目標無論是亮目標還是暗目標，在增強后的圖像中都表現(xiàn)為亮目標，這為采取統(tǒng)一的檢測算法創(chuàng)造了便利。

目前，用于艦船檢測算法主要包括：CFAR及其改進算法[6,13-15]、SUMO算法[16]、KSW算法等[17]。其中，CFAR算法由于計算簡潔、閾值選取的自適應等優(yōu)點，成為目前研究最深入、最廣泛、最實用的一類算法。本文也采用CFAR算法進行艦船目標檢測。

CFAR算法的具體實現(xiàn)過程是：在給定的虛警概率條件下，首先由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。并通過參考窗口的滑動，實現(xiàn)對所有像素的自適應檢測。

具體來說，若中心像素（i, j） 的強度為g（i,j），背景雜波的均值和標準偏差分別為m（i,j）和 σ（i,j），根據(jù)背 景 雜波自 適應 求 取的 檢 測閾值 為 t（i,j）= m（i,j）+k?σ（i,j），那么對中心像素（i, j） 的檢測結果d（i,j）為

目標周圍背景雜波的統(tǒng)計特性由目標像素周圍參考窗口內(nèi)的像素確定，采用圖1所示的空心滑動窗口。這樣可以在估計目標周圍背景雜波模型參數(shù)時，去除目標像素對雜波模型參數(shù)估計的影響。

滑動窗口的大小應根據(jù)目標尺度確定。例如，若目標大小為10像素，則滑動窗口的大小應不小于23×23。只有這樣，保護區(qū)域才能真正發(fā)揮作用。

4 實驗結果

實驗部分首先將本文提出的頻譜殘留變換與文獻[8]的譜殘留模型進行對比分析；然后分析利用頻譜殘留變換進行艦船目標增強的效果；最后分析艦船目標檢測的實際效果。

4.1 頻譜殘留變換與譜殘留模型的對比分析

2.1 節(jié)指出，在文獻[8]的譜殘留模型中，式（3）～式（5）的計算并非必要?；谶@一發(fā)現(xiàn)，作者才提出了新的頻譜殘留模型。這一節(jié)通過實驗對上述結論進行驗證。

實驗采用的原始圖像如圖 3（a）所示，圖像大小為512×512，圖像中的背景是慢變化的云層，目標是進行飛行表演的7架飛機。圖3（b）是按照式（1）～式（5）得到的顯著圖，圖 3（c）是按照式（6）～式（8）得到的顯著圖，圖 3（d）是兩種顯著圖殘差的圖像表示，圖3（e）是兩個顯著圖殘差的3維表示。

通過人眼觀察圖 3（b）和圖 3（c）可以看出：兩種計算模型得到的顯著圖在視覺感受上非常接近。從圖 3（d）可以看出：在兩種顯著圖的殘差圖像中蘊含的有意義的目標信息非常有限，說明兩種顯著圖非常接近。從圖 3（e）可以看出：兩種顯著圖的殘差是取值范圍在[-3, 1]區(qū)間的隨機值，進一步說明兩種顯著圖的相似性。

表1是圖3（a）中7個飛機（由左至右編號）在不同顯著圖中的信雜比。計算信雜比的方法是：以顯著圖中目標區(qū)域的最大亮度作為目標信號強度，以33×33的滑動窗口最外層像素作為背景區(qū)域估計背景均值和標準偏差，采用式（9）計算信雜比。由表 1的數(shù)據(jù)可以看出：顯著圖中目標的信雜比相比原始圖像有了顯著提升，兩種顯著圖中對應目標的信雜比較為接近，基于本文方法得到的目標信雜比普遍更高。這表明：兩種計算模型都有增強目標信雜比的功能，本文提出的計算模型具有與文獻[8]的計算模型相當甚至更優(yōu)的效果，也從另一個方面解釋了圖3（d）殘差圖像中的目標信號產(chǎn)生的原因。

表2給出了兩種計算模型完成上述運算所需的時間。由于本文提出的變換無需計算對數(shù)幅度譜，無需進行頻率的低通濾波，無需進行頻域的指數(shù)運算，也無需進行空域的高斯濾波，因而計算速度較文獻[8]的方法有非常明顯的提高。

表1 兩種顯著圖中目標的信雜比

表2 兩種計算模型的耗時

4.2 艦船目標增強結果

這一節(jié)分析艦船目標的增強效果。主要從視覺效果和增強前后艦船目標的信雜比變化兩方面進行分析。

圖3 兩種計算模型得到的顯著圖及其差異

實驗采用兩種紅外圖像：圖 4（a）是美國Landsat5拍攝的近紅外圖像，有明顯的條紋噪聲，空間分辨率30 m，包含2個艦船目標（按從左至右方式編為“艦船 1”和“艦船 2”）；圖 5（a）是機載中波紅外圖像，分辨率優(yōu)于1 m，包含3個艦船目標（按從左至右方式編為“艦船 1”、“艦船 2”、“艦船 3”）。圖 4（b）和圖 5（b）是采用譜殘留模型得到的艦船目標增強結果。圖 4（c）和圖 5（c）是采用本文方法分別針對兩種紅外圖像得到的艦船目標增強結果。表3是兩種方法針對Landsat5-Band5近紅外圖像提升艦船目標信雜比的情況。表4是兩種方法針對機載中波紅外圖像提升艦船目標信雜比的情況。

由圖4的實驗結果可以看出，經(jīng)過目標增強處理之后，圖像中包含的條紋噪聲得到明顯抑制，艦船目標的信號強度得到顯著提升。由圖5的實驗結果可以看出，經(jīng)過目標增強處理之后，圖像中包含的陸地干擾也得到明顯抑制，艦船目標在整個圖像中的信號強度提升非常顯著。表3和表4的數(shù)據(jù)進一步表明：兩種增強算法在提升目標信號強度方面具有顯著的效果，其中本文方法效果尤為突出。

4.3 艦船目標檢測結果

這一節(jié)在艦船目標增強的基礎上進行目標檢測實驗。CFAR算法的滑動窗口的大小為33×33，形狀如圖1所示，計算檢測閾值 t（i,j）= m（i,j）+ k ? σ（i,j）的參數(shù) k =10。圖6（b）和圖7（b）分別是CFAR算法基于原始圖像得到的檢測結果；圖 6（c）和圖 7（c）分別是CFAR算法基于本文方法增強后的圖像得到的檢測結果。

表3 Landsat5-Band5近紅外圖像中艦船目標的信雜比

表4 機載中波紅外圖像中艦船目標的信雜比

圖6的結果表明：在相同的檢測閾值條件下，基于原始圖像的CFAR算法漏檢了1個目標，而基于增強圖像的CFAR算法成功檢出了所有目標。圖7的實驗結果表明：在相同的檢測閾值下，基于原始圖像的CFAR算法出現(xiàn)了6個虛警，而基于增強圖像的CFAR算法則只出現(xiàn)了3個虛警。這兩組實驗表明：本文方法由于在檢測前對目標進行了增強處理，在此基礎上采用CFAR檢測比直接在原始圖像上進行目標檢測具有更高的檢測率和更低的虛警率。

5 結束語

隨著我國高分辨率對地觀測系統(tǒng)重大專項的實施，從海量的高分辨率紅外遙感圖像中自動、準確、快速地識別出感興趣目標，將成為制約我國航天偵察裝備充分發(fā)揮效能的技術瓶頸，迫切需要科研人員提出有效的解決辦法。

本文研究了紅外遙感圖像中艦船目標的檢測問題?；舅悸肥窍仍鰪娕灤繕说男盘枏姸龋龠M行目標檢測。在譜殘留模型的啟發(fā)下，本文提出了一種新的頻譜殘留變換模型，并通過視覺觀察、殘差分析、信雜比測算等方法分析了這種變換模型在增強效果、計算量方面所具有的優(yōu)勢。在此基礎上，研究了利用頻譜殘留變換進行紅外遙感圖像艦船目標增強的技術，提出了模型參數(shù)的設計方法，并通過實驗驗證了利用該方法去除背景干擾和圖像噪聲的可行性。進一步，研究了基于目標增強結果檢測艦船目標的技術，并與直接在原始圖像上進行檢測的方法進行了對比，實驗結果表明，本文提出的檢測方法具有更高的準確性。

圖4 對Landsat5-Band5紅外圖像的增強結果

圖5 對機載中波紅外圖像的增強結果

圖6 對Landsat5-Band5紅外圖像的檢測結果

圖7 對機載中波紅外圖像的檢測結果

現(xiàn)有研究需要深入和完善的地方在于：（1）分析頻譜殘留變換結果中圖像高頻隨機噪聲產(chǎn)生的原因，并在模型中加以修正；（2）有必要根據(jù)艦船目標的圖像特性深入研究帶通濾波器的選型和參數(shù)設計，完善濾波器選型和模型參數(shù)設計的理論。

[1] Cheng Gong, Han Jun-wei, Guo Lei, et al.. Object detection in remote sensing imagery using a discriminatively trained mixture model[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2013, （85）: 32-43.

[2] Cheng Gong, Han Jun-wei, Zhou Pei-cheng, et al.. Multiclass geospatial object detection and geographic image classification based on collection of part detectors[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2014, （98）:119-132.

[3] Han Jun-wei, Zhou Pei-cheng, Zhang Ding-wen, et al..Efficient, simultaneous detection of multi-class geospatial targets based on visual saliency modeling and discriminative learning of sparse coding[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2014, （89）: 37-48.

[4] An Zhen-yu, Shi Zhen-wei, Teng Xichao, et al.. An automated airplane detection system for large panchromaticimage with high spatial resolution[J]. Optik-International Journal for Light and Electron Optics, 2014,125（12）: 2768-2775.

[5] Zhang Wan-ceng, Sun Xian, Wang Hong-qi, et al.. A generic discriminative part-based model for geospatial object detection in optical remote sensing images[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2015, 99（1）: 30-44.

[6] 張亮. SAR 圖像艦船目標檢測方法研究[D]. [碩士論文], 國防科學技術大學, 2007.Zhang Liang. Detection of ship in SAR image[D]. [Master dissertation], National University of Defense Technology,2007.

[7] 陳海亮. 基于特征的光學遙感圖像艦船目標檢測技術研究[D].[碩士論文], 國防科學技術大學, 2010.Chen Hai-liang. Feature based method for ship detection in optical remote sensing image[D]. [Master dissertation],Graduate School of National University of Defense Technology, 2010.

[8] Hou X and Zhang L. Saliency detection: a spectral residual approach[C]. Proceedings of the 2007 IEEE Conference on Computer Vision and Pattern Recognition （CVPR 2007）,Minneapolis, Minnesota, USA, 2007: 1-8.

[9] Harel J, Koch C, and Perona P. Graph-based visual saliency[C]. Proceedings of the 20th Neural Information Processing Systems （NIPS 2006）, Vancouver, British Columbia, Canada, 2006: 545-552.

[10] Achanta R, Estrada F, Wils P, et al.. Salient region detection and segmentation[C]. Proceedings of the 6th International Conference on Computer Vision Systems （ICVS 2008）,Santorini, Greece, 2008: 66-75.

[11] Achanta R, Hemami S, Estrada F, et al.. Frequency-tuned salient region detection[C]. Proceedings of the 2009 Computer Vision and Pattern Recognition, 2009（CVPR 2009）, Miami, Florida, USA, 2009: 1597-1604.

[12] Itti L, Koch C, and Niebur E. A model of saliency-based visual attention for rapid scene analysis[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence,1998, 20（11）: 1254-1259.

[13] 許軍毅, 計科峰, 雷琳, 等. 基于GLRT的光學衛(wèi)星遙感圖像艦船目標檢測[J]. 遙感技術與應用, 2012, 27（4）: 616-622.Xu Jun-yi, Ji Ke-feng, Lei Lin, et al.. Ship target detection from optical satellite remote sensing image based on GLRT[J]. Remote Sensing Technology and Application, 2012, 27（4）:616-622.

[14] Smith M E and Varshney P K. Intelligent CFAR processor based on data variability[J]. IEEE Transactions on Aerospace and Electronic Systems, 2000, 36（3）: 837-847.

[15] Farrouki A and Barkat M. Automatic censoring CFAR detector based on ordered data variability for nonhomogeneous environments[J]. IEE Proceedings-Radar,Sonar and Navigation, 2005, 152（1）: 43-51.

[16] Harm G. Developments in detection algorithms at JRC[C].The Third Meeting of the DECLIMS Project, Vancouver, BC,2004: 1-7.

[17] 唐沐恩, 林挺強, 文貢堅. 遙感圖像中艦船檢測方法綜述[J].計算機應用研究, 2011, 28（1）: 29-36.Tang Mu-en, Lin Ting-qiang, and Wen Gong-jian. Overview of ship detection methods in remote sensing image[J].Application Research of Computers, 2011, 28（1）: 29-36.