董凱旋，張宇琦，李 政

(西安電子科技大學(xué)物理與光電工程學(xué)院，陜西西安 710071)

在光學(xué)遙感圖像艦船目標(biāo)檢測方面，光學(xué)遙感影像中雖能觀測到艦船并表現(xiàn)出其一些信息，但相對于SAR圖像，利用光學(xué)圖像進(jìn)行艦船檢測和分類的技術(shù)相對滯后，仍在研究中。由于光學(xué)傳感器成像受氣象、云層覆蓋和光照等因素限制實(shí)用性有限，或保密的原因，國外公開報(bào)道較少，我國在這方面的研究也僅限于理論，研究主要集中在高分辨率圖像中的目標(biāo)檢測。相對于SAR圖像，光學(xué)圖像分辨率高、解譯簡便，在分類和識別方面具有一定優(yōu)勢，因此研究光學(xué)圖像中的艦船檢測具有重要意義［1］。

1 艦船尾跡檢測預(yù)處理

在光學(xué)遙感圖像中，艦船灰度一般相對于海域背景灰度較高，影像中會存在陸地，而陸地相對于海域通常較亮，這種背景的圖像由于受陸地地物的影響，使得直接使用一次分割進(jìn)行艦船目標(biāo)檢測較為困難。因此，先對遙感圖像進(jìn)行灰度轉(zhuǎn)換，以提高遙感圖像的可解釋性，提升圖像的質(zhì)量和突出所需信息，使圖像中的線與邊緣特征得到加強(qiáng)，從而有利于艦船目標(biāo)的提取。此外，圖像在獲取和傳輸?shù)倪^程中，由于傳感器的誤差及大氣影響，會在圖像上產(chǎn)生一些噪聲，為抑制噪聲改善圖像質(zhì)量或減少變化幅度，使亮度變化平緩，需要對圖像進(jìn)行濾波平滑處理。最后，將包含艦船及其尾跡的海域從圖像中分離出來，去除陸地的影響，從而確定艦船檢測的具體范圍，再在海域中進(jìn)行目標(biāo)檢測，這樣便可提高目標(biāo)檢測的準(zhǔn)確性及效率，同時(shí)降低尾流參數(shù)估測的復(fù)雜性［1－8］。處理流程如圖1所示。

圖1 圖像預(yù)處理流程圖

2 艦船目標(biāo)尾跡特征提取及航速航向估算

2.1 艦船尾跡長度提取

2.1.1 灰度累積法

基于線性特征的尾跡檢測方法實(shí)際上可視為沿一定方向的積累過程?？紤]沿尾跡方向以一定的長度直接進(jìn)行灰度積累，即得到的灰度均值比沿其他方向積累得到的均值大或小。可與艦船檢測相結(jié)合，在艦船目標(biāo)的周圍計(jì)算各個(gè)不同方向上一定范圍內(nèi)的像素點(diǎn)灰度累計(jì)值，再取一定閾值，高于或低于該閾值的就視為有尾跡特征。

設(shè)已計(jì)算出的艦船重心點(diǎn)為(i，j)、length為累積半徑、step為累積步長、θ為角增量，算法流程如圖2所示［9］。

在進(jìn)行灰度累積時(shí)，需統(tǒng)計(jì)給定方向和長度的線段上像素灰度累計(jì)值、均值及標(biāo)準(zhǔn)偏差，并繪制相應(yīng)的曲線以供分析。累積半徑應(yīng)與航跡的長度相當(dāng)，即所得曲線上的尖峰和低谷能充分顯示航跡的存在。過長或短均會受到圖像中噪聲的干擾，引起檢測結(jié)果的不準(zhǔn)確。而航跡的長度、船航行速度及海面條件等與實(shí)際參數(shù)有關(guān)。累積步長的選取直接影響計(jì)算量，故需要計(jì)算量減小，加快檢測速度，為實(shí)現(xiàn)實(shí)時(shí)或近實(shí)時(shí)監(jiān)測海面提供方便。其中，累積步長大則計(jì)算量就小，但過大則有可能漏檢航跡，通常選擇為1°～3°。

圖2 灰度累積算法流程圖

為得到累積曲線后，需從累積曲線中分析是否存在尾跡特征。由于曲線上尖峰和低谷相對于附近累積值的變化較已劇烈，擬合后的曲線在累積曲線尖峰和低谷處與原始值相差較大，當(dāng)這種差別超過一定閾值范圍時(shí)，認(rèn)為其對應(yīng)的是尾跡特征。所以，確定閾值曲線成為關(guān)鍵，在此所用的閾值曲線是在所用的掃描曲線基礎(chǔ)上加入和減去nσ(σ為累積曲線標(biāo)準(zhǔn)偏差，n一般取3)，分別表示上下2條域值曲線，若累積曲線超出上面一條域值曲線則認(rèn)為出現(xiàn)尖峰，即存在亮尾跡;同樣，掃描曲線低于下方域值曲線則認(rèn)為出現(xiàn)低谷，即存在暗尾跡。

對于近似直線艦船尾跡，可直接對艦船尾跡圖像進(jìn)行預(yù)處理，再分別計(jì)算獲得艦船尾跡在水平方向和垂直方向上的投影長度，最終計(jì)算得到艦船尾跡長度。對于曲線艦船尾跡，一般可用多項(xiàng)式擬合累積曲線［10］，若遙感圖像上艦船航向平滑簡單或變化有一定規(guī)律，可直接利用簡單的二次多項(xiàng)式擬合獲得近似尾流曲線，且一般情況下，多項(xiàng)式的次數(shù)越多，需要的數(shù)據(jù)就越多，而預(yù)測也就越準(zhǔn)確。若遙感圖像上艦船航向復(fù)雜多變且運(yùn)動趨勢不明確，多項(xiàng)式擬合方法可能會產(chǎn)生龍格現(xiàn)象，該種情況下難以精確提取艦船尾跡長度。

2.1.2 Radon變換算法

Radon變換是檢測遙感圖像中線性特征的有效工具。但在有大量噪聲或強(qiáng)雜波存在的情況下，單純利用Radon變換來檢測無法使虛警率降低到可被檢測范圍內(nèi)。因此，根據(jù)Radon變換的原理和特性，結(jié)合形態(tài)學(xué)變換方法，采用對目標(biāo)區(qū)域進(jìn)行局部Radon變換的檢測方法來進(jìn)行艦船尾跡檢測。

Radon變換原理如圖3所示，在二維歐氏空間中Radon變換為

圖3 Radon變換原理

其中，D指坐標(biāo)為x－y的整個(gè)圖像平面;g(x，y)為在坐標(biāo)(x，y)處像素的亮度;δ為Dirac函數(shù);ρ指由原點(diǎn)至直線的法線距離;θ為直線的法線與x軸的夾角。其坐標(biāo)關(guān)系如圖4所示。

圖4 Radon變換坐標(biāo)關(guān)系圖

若θ和(或)ρ為定值，則可得到一變換的樣本。要獲得全變換可理解為和ρ變化，對任意θ和ρ，f是確定的。Dirac函數(shù)的出現(xiàn)使得F(x，y)的積分在直線ρ=x cosθ+y sinθ上進(jìn)行。

傳統(tǒng)Radon變換在平面圖像域中沿任何可能存在的直線將其像素的亮度進(jìn)行積分，從而使得線性特征更為明顯，直線的積分對應(yīng)于Radon變換空間中為一個(gè)單點(diǎn)。一般而言，若遙感圖像中的一條直線上像素的強(qiáng)度不同于背景，在變換域就能得到一亮或暗的峰值。因此，在變換域中的一個(gè)亮或暗的點(diǎn)相對于原圖像中則為亮或暗的直線。

對邊緣檢測過后的二值圖像進(jìn)行適度旋轉(zhuǎn)和裁剪，并對處理過后的圖像進(jìn)行Radon變換。為了對尾跡二值圖像進(jìn)行長度提取，通常只需選取一定的角度，這也可提高算法速度。實(shí)驗(yàn)選取θ=90°，經(jīng)Radon變換后的積分值反映的是線段長度信息，可通過閾值去掉不夠長的線性區(qū)域即可得到尾流長度信息。

2.2 艦船運(yùn)動參數(shù)提取

2.2.1艦船航速

從肉眼觀察來看，尾流的持續(xù)時(shí)間與航速有關(guān)，且隨著航速的增大，持續(xù)時(shí)間顯著增加。對千湖1號在航行速度分別為5 km/h、10 km/h和15 km/h 3種不同航速下拍攝，尾流持續(xù)時(shí)間依次約為20 min、15 min和7 min，因此近似地認(rèn)為，尾流的持續(xù)時(shí)間是航速的線性函數(shù)，該線性函數(shù)可表示為

式中，k為比例系數(shù)，在上述實(shí)驗(yàn)條件下近似為7/5=1.4，b是一個(gè)小修正量，對應(yīng)于上述3種航速的情況分別等于0 min、1 min、－1 min。

對于時(shí)間T，可用尾流長度L與其速度v之比來近似表示，即T=L/v，故式(1)可作變換

即，v可表示為僅與尾流長度L有關(guān)的函數(shù)

對于式(3)，由于b是一個(gè)較小的修正量，且尾流長度 L為 20～50倍船長，可達(dá)數(shù)千米，故，由此可得艦船近似速度

2.2.2 艦船方向

對于本文的近似直線尾跡，可在上述尾跡長度提取算法中灰度累積法的基礎(chǔ)上確定艦船航向。在艦船目標(biāo)的周圍分別計(jì)算0°和90°兩個(gè)不同方向上一定范圍內(nèi)的像素點(diǎn)灰度累計(jì)值，再取閾值，高于或低于該閾值的就視為有尾跡特征。利用此方法分別獲得艦船尾跡在水平方向的投影長度L水平和尾跡在垂直方向上的投影 L垂直，如圖5所示。獲得艦船航向與垂直方向夾角

圖5 艦船尾跡投影

3 實(shí)驗(yàn)結(jié)果及誤差分析

本文主要針對兩種不同艦船尾流的幾何特征結(jié)果，估測艦船速度及航向并予以對比和分析。原圖如圖6所示，對原圖像進(jìn)行處理后，獲得艦船尾跡圖像如圖7所示。

圖6 圖像(a)

圖7 艦船尾跡檢測

通過對艦船檢測二值圖像進(jìn)行裁剪和適當(dāng)旋轉(zhuǎn)，可獲得如圖8的艦船尾跡圖像，對艦船尾跡二值圖像進(jìn)行Radon變換，結(jié)果如圖9所示。由此可看出，對二值圖像進(jìn)行90°變換積分，設(shè)定恰當(dāng)閾值，對應(yīng)所得的峰值在橫軸上的跨度即為艦船尾流所占像素個(gè)數(shù)。若設(shè)定閾值為2 000，則可估算出像素個(gè)數(shù)約為360。但由上圖可看出，Radon變換結(jié)果的橫軸坐標(biāo)間隔為100個(gè)像素點(diǎn)，因此無法從圖中精確讀取像素個(gè)數(shù)，仍存在一定的局限性。

圖8 裁剪

圖9 Radon變換(90°)

故在文中，對艦船尾跡二值圖像分別進(jìn)行0°和90°灰度累積，設(shè)定在圖像0°方向，即水平方向上灰度累積的最小閾值和最大閾值分別為10和30個(gè)像素;設(shè)定在圖像90°方向，即垂直方向上灰度累積的最小閾值和最大閾值分別為3和30個(gè)像素，在此閾值范圍內(nèi)圖像有尾跡特征。并分別獲得尾流在水平方向和垂直方向上的投影，最終利用上述艦船航速與航向提取方法求得速度v與航向角度θ。

實(shí)驗(yàn)中獲得的艦船尾流所占像素為376，本次實(shí)驗(yàn)圖像是從Google Earth提取的，其分辨率為1.0，尾流長度L=376×1.0=376 m。故由式(4)和式(5)可得6.606 5°。

在艦船尾跡檢測過程中，測得的尾跡可能會與真實(shí)艦船尾跡出現(xiàn)一定的偏差，這是由于艦船氣泡尾流的長度與尾流中氣泡的濃度、檢測儀器的分辨率有關(guān)，氣泡濃度越大，儀器分辨率越高，尾流信號越明顯［11］。為進(jìn)一步探討艦船因素對尾流探測及艦船航速估測的影響，本文利用相同海洋環(huán)境條件下的艦船尾流圖像如圖10所示，對原圖像進(jìn)行處理后，獲得艦船尾跡圖像如圖11所示。

圖10 圖像(b)

圖11 艦船尾流檢測圖像

而對艦船檢測二值圖像進(jìn)行裁剪和適當(dāng)旋轉(zhuǎn)，如圖12所示。對艦船尾跡二值圖像分別進(jìn)行0°和90°灰度累積，最終獲得艦船尾流長度L=720.100 7×1.0=

圖12 圖像剪切與旋轉(zhuǎn)

對于不同類型艦船，尾流沿縱向的衰減與L/B值關(guān)系密切。L/B越大氣泡數(shù)密度值衰減得越慢，且尾流沿長度方向會呈現(xiàn)不同形狀和長度，從而間接影響到艦船航速與航向的估測結(jié)果。

本文研究的是近似直線尾跡，對于此類艦船尾跡，可直接利用艦船尾跡在水平方向和垂直方向上的投影長度計(jì)算得到艦船尾跡長度。但對于曲線艦船尾跡，一般可用多項(xiàng)式擬合的方法擬合累積曲線，若遙感圖像上艦船航向平滑簡單或變化有一定規(guī)律，可利用簡單的二次多項(xiàng)式擬合獲得近似尾流曲線，且一般情況下，多項(xiàng)式的次數(shù)越多，需要的數(shù)據(jù)就越多，而預(yù)測也就越準(zhǔn)確。若遙感圖像上艦船航向復(fù)雜多變且運(yùn)動趨勢不明確，多項(xiàng)式擬合方法可能會產(chǎn)生龍格現(xiàn)象，這種情況下難以精確提取艦船尾跡長度。

4 結(jié)束語

利用高分辨率光學(xué)遙感圖像來檢測艦船目標(biāo)及其尾跡是海洋遙感領(lǐng)域的研究熱點(diǎn)之一，本文的主要工作正是圍繞海洋遙感圖像中的艦船檢測展開的。文中的主要工作集中在遙感圖像艦船目標(biāo)檢測的方法研究，尾跡檢測方法研究和利用尾跡的幾何特性估算艦船速度，并對直接灰度累積算法和Radon變化原理進(jìn)行了討論，并與艦船目標(biāo)檢測相結(jié)合，分別利用兩種算法對艦船目標(biāo)特性進(jìn)行了針對性提取。在對艦船航速估算方法的研究過程中，將尾跡的長度特性與艦船速度估算相結(jié)合，獲得僅與尾流長度相關(guān)的速度與航向估算函數(shù)，極大地簡化了艦船的速度與航向估算流程。

本文所提出的艦船目標(biāo)檢測與參數(shù)估計(jì)方法，主要基于對艦船尾跡的檢測和長度提取。因此，如何更精確地檢測艦船尾跡和獲取尾跡長度將是下一步研究的重點(diǎn)，尤其是對于曲線艦船尾跡的檢測和長度提取精度的提高，將進(jìn)一步促進(jìn)本算法的精確性。

［1］崔紅，常洋，張建生.基于Matlab的尾流圖像數(shù)字化處理［J］.光子學(xué)報(bào)，2010，39(12):2274 －2277.

［2］羅昭拓.高分辨率遙感圖像中道路提取的分析與研究［M］.上海:上海交通大學(xué)，2008.

［3］崔兆華.改進(jìn)的Snake模型及其在多飛機(jī)標(biāo)提取中的應(yīng)用［D］.沈陽:東北大學(xué)，2008.

［4］王旭紅.遙感影像數(shù)據(jù)挖掘技術(shù)研究［D］.西安:西北大學(xué)，2005.

［5］周麗雅.遙感影像融合及質(zhì)量評價(jià)研究［D］.鄭州:中國人民解放軍信息工程大學(xué)，2006.

［6］Otsu N.A threshold selection method from gray level histogram［J］.IEEE Transactions on Systems，Man and Cybernetics，1979，9(1):62 － 66

［7］陳海亮.基于特征的光學(xué)遙感圖像艦船目標(biāo)檢測技術(shù)研究［D］.長沙:國防科學(xué)技術(shù)大學(xué)，2010.

［8］岡薩雷斯.數(shù)字圖像處理［M］.2版.阮秋琦，譯.北京:電子工業(yè)出版社，2005.

［9］李紅康，王建國.基于灰度累積的遙感圖像艦船尾跡檢測［J］.兵工自動化，2007，26(9):66 －67.

［10］李紅康.海洋遙感圖像艦船目標(biāo)及尾跡檢測研究［D］.成都:電子科技大學(xué)，2008.

［11］田雪冰，顧建農(nóng)，張志宏，等.艦船主尺度參數(shù)對艦船氣泡尾流幾何特性的影響［J］.艦船科學(xué)技術(shù)，2012，34(1):6－10.