林智莘+謝超

摘 要：文章旨在開發(fā)基于NVIDIA Jetson TX2，Qt5和OpenCV2.4的近海區(qū)域SAR圖像艦船目標快速檢測系統(tǒng)，該系統(tǒng)具有SAR圖像載入，目標切片輸出，檢測結果實時顯示與性能分析等功能。根據(jù)預期目標，使用Matlab實現(xiàn)近海區(qū)域SAR艦船目標檢測基本流程，后期基于OpenCV移植到嵌入式開發(fā)平臺，并使用GPU實現(xiàn)并行計算加速處理，使艦船目標檢測速度得到提升。最后，使用Qt完成上層應用接口設計，搭建人機交互界面。

關鍵詞：SAR；海陸分割；艦船檢測；OpenCV；Qt；CUDA

中圖分類號：TP393；TN957 文獻標識碼：A 文章編號：2095-1302（2017）11-00-02

0 引 言

艦船目標檢測能夠獲取艦船目標的位置、大小、航向、速度和編隊信息，對搜集情報、監(jiān)測敵情有重大幫助。而近海區(qū)域作為重要的戰(zhàn)略區(qū)域，地理與人文環(huán)境復雜，進出港艦船較多，更加具有檢測價值。同時因近海區(qū)域氣候多變，常有云層覆蓋的特點，在這種情況下 SAR具有獨特優(yōu)勢。因此開展近海區(qū)域SAR圖像艦船目標檢測技術的研究意義重大[1]。

1 系統(tǒng)設計與實現(xiàn)

本SAR圖像艦船目標檢測系統(tǒng)的基本流程大致包括原始圖像預處理，海陸分割，艦船檢測，預警虛警鑒別，結果輸出，如圖1所示。其中，預處理是對SAR圖像進行濾波和增強，去除SAR圖像固有斑點噪聲的影響；海陸分割是對陸地區(qū)域進行掩膜，去除陸地帶來的虛警，同時提高檢測效率；目標檢測是對目標和背景進行分類，進一步確定目標，剔除虛警[2，3]。通過對檢測結果進行分析，確定真實目標和偽目標個數(shù)，算出預警率與虛警率。

1.1 圖像預處理

成像系統(tǒng)獲取的圖像即原始圖像往往受到各種因素的影響，并不能直接使用，必須在視覺信息處理的早期階段對原始圖像進行灰度校正、噪聲過濾等處理。圖像預處理的目的是改善圖像數(shù)據(jù)，通過抑制不需要的變形或者增強某些對于后續(xù)處理來說比較重要的圖像特征實現(xiàn)[4]。本文采用基于灰度映射的圖像預處理技術對圖象進行預處理。

由于本文所用的原始SAR圖像的位深為16位，灰度范圍為0～65 535，有些灰度高的像素點對后續(xù)海陸分割與目標檢測的影響很大，所以本文進行圖像預處理時，對其進行灰度拉伸，將16位的圖像轉化成8位，灰度范圍從0～65 535映射到0～255。

提取直方圖，根據(jù)灰度直方圖像素點的分布占總像素點的百分比設置256個閾值，再根據(jù)閾值把原始圖像映射到0～255的灰度值上。效果如圖2所示。

1.2 海陸分割

近海區(qū)域復雜的地形地貌給艦船檢測造成了很大困難，首先陸地區(qū)域回波強，地形地貌相對復雜，碼頭、堤壩等人造建筑都是強散射區(qū)域，它們在灰度特征上與艦船目標接近，又由于SAR圖像固有的相干噪聲和低信噪比特點，在圖像上，港口、堤壩的邊界比較模糊，當與艦船目標距離很近時，圖像上的艦船就會與碼頭、堤壩連在一起，此時人眼都無法準確區(qū)分，會對檢測效果造成很大干擾，導致得到較高的虛警；其次，陸地區(qū)域屬于干擾區(qū)域，在后續(xù)的檢測過程中屬于多余內容，會增加計算量，降低檢測效率[3，5]。因此，有效地將陸地和海洋進行分割是近港區(qū)艦船目標檢測的重要過程[6]。本文采用基于二值化及形態(tài)學處理的陸地掩膜方法進行海陸分割。

陸地區(qū)域與海洋區(qū)域在SAR圖像上灰度相差很大，灰度高的為陸地，灰度低的為海洋。本文根據(jù)一個全局閾值將整幅圖像進行二值化處理。選用的閾值通過自適應閾值算法得出。繪制出滑窗均值濾波后圖像的灰度直方圖，對直方圖進行凸包檢測，波谷點的灰度值即為閾值。效果如圖3所示。

對圖像進行膨脹處理，以消除陸地區(qū)域中某些灰度值較小的部分，如內陸湖，河流等。

對圖像進行腐蝕操作。由于需要鑒別的艦船目標也屬于灰度值較高的區(qū)域，在二值化過程中被分到了陸地區(qū)域。要進行海陸分割，就需要進行腐蝕操作，去除海面上小塊不連續(xù)的目標，只保留陸地區(qū)域。

對圖像進行再次膨脹，消除腐蝕過程中對陸地區(qū)域的影響。這樣陸地區(qū)域才會被有效地分割出來，效果如圖4所示。

由于陸地區(qū)域的灰度值為255，海洋區(qū)域的灰度值為0，根據(jù)形態(tài)學處理結果，將形態(tài)學處理后的圖像作為掩膜，在原圖上將陸地區(qū)域去掉，即可完成海陸分割，如圖5所示。

1.3 艦船目標檢測

本文對海陸分割后的圖像做直方圖凸包檢測，提取波峰處橫坐標獲得全局閾值，然后遍歷整幅圖像，大于閾值的認為是目標像素，小于閾值的則認為是背景雜波。將識別后的結果做連通域處理，使用OpenCV自帶的輪廓提取函數(shù)提取連續(xù)的像素點集，在預處理后的圖像中畫出艦船目標的外接矩形，并輸出艦船目標切片，如圖6所示。

2 嵌入式平臺移植

本文采用NVDIA Jetson TX2作為硬件平臺，TX2是一臺基于NVIDIA Pascal架構的AI單模超級計算機，其搭載Linux系統(tǒng)，能夠鑄就大規(guī)模、復雜的深度學習網(wǎng)絡，非常適合部署在機器人、無人機、智能攝像機等便攜醫(yī)療設備智能終端上。TX2搭載具有16 nm工藝的Tegra Parker處理器，6核設計，其CPU部分由2個丹佛加4個A57核心共同構成，GPU則采用NVIDIA Pascal架構，擁有256 個CUDA核心，性能得到了較大提高。

由于本文在預處理過程中涉及雙精度浮點型計算，對CPU的浮點運算要求較高，且圖像像素點較多，CPU已無法滿足快速計算的需要。因此，使用TX2的GPU對預處理過程中較為耗時的浮點運算過程作并行處理，以提高系統(tǒng)運行效率，大大減少系統(tǒng)運行時間。其核心代碼如圖7所示。

3 人機交互界面設計

本文在采用OpenCV和CUDA完成底層系統(tǒng)設計后，用Qt完成應用上層，從而實現(xiàn)人機交互，如圖8所示。其中，“載入SAR圖像”按鍵選取tif格式的SAR原始圖像，并實時顯示預處理過后的圖像，實現(xiàn)SAR圖像的動態(tài)載入工程。點擊 “開始檢測”按鍵，對圖像進行海陸分割和目標檢測，將檢測結果實時顯示出來，并提示輸出目標切片。界面包含GPU、CPU可選按鈕，控制是否加速處理過程，并將系統(tǒng)處理耗時進行實時顯示。

4 系統(tǒng)測試結果及性能分析

本系統(tǒng)衡量標準分為處理時間，虛警率，預警率。處理時間包括預處理、海陸分割、目標檢測三部分總的處理時間，而非系統(tǒng)運行時間。預警率等于檢測出的目標數(shù)除以真實的目標數(shù)。而虛警率是指結果中錯誤個數(shù)除以檢測出的目標個數(shù)。

分別對三幅不同大小的SAR近海區(qū)域圖像9.tif，6.tif和test2.tif進行測試，結果見表1所列。

通過結果可以得出，本艦船目標檢測系統(tǒng)對這三幅圖片的檢測率可以達到75%以上，虛警率控制在20%以下。

5 結 語

由文中實驗可知，選取的圖片越大，系統(tǒng)處理的時間也會相應越長。通過GPU對預處理部分浮點預算做并行加速處理，可大大減少處理時間。

參考文獻

[1]闞瀛芝.水陸交界區(qū)域SAR圖像艦船目標檢測技術[D].長沙：國防科學技術大學， 2012.

[2]趙全. 基于統(tǒng)計模型的SAR目標恒虛警檢測方法研究[D].西安：西安電子科技大學， 2012.

[3]劉瑞劍.低能見度條件下圖像清晰化處理研究[D].太原： 中北大學， 2008.

[4]蔡姝， 吳宏明.基于海陸分割的艦船目標變化檢測研究[J].電視技術， 2010， 34（5）： 109-112.

[5]李洪忠， 王超， 張紅， 等.基于海圖信息的SAR影像海陸自動分割[J].遙感技術與應用， 2009，24（6）： 731-736.

[6]陳琪. SAR圖像港口目標提取方法研究[D].長沙： 國防科學技術大學， 2011.

[7]代麗男，韓格欣，薄純娟.基于OpenCV的一種手勢識別方法[J].物聯(lián)網(wǎng)技術，2015，5（6）：25-27.

[8]段紅英. Fortran程序CUDA并行化總結[J].物聯(lián)網(wǎng)技術，2015，5（11）：92-93.endprint