熊　偉，　徐永力，　姚力波，　崔亞奇，　李岳峰

(海軍航空大學(xué)信息融合研究所,山東 煙臺　264001)

0　引言

合成孔徑雷達(SAR)具有全天時、全天候、大范圍等特點，是海洋監(jiān)測與監(jiān)視應(yīng)用的重要組成部分，其中艦船目標檢測日益成為研究熱點。SAR圖像艦船目標檢測作為其分類和識別的基礎(chǔ)，始終是SAR圖像應(yīng)用的重要方面[1]。

隨著Radarsat- 2，Terra-SAR-X以及高分三號等新一代SAR傳感器的發(fā)射運行，SAR逐漸向高分辨率、大幅寬、多極化方向發(fā)展。隨著圖像尺寸越來越大，基于圖像的逐點計算等檢測算法處理速度就變得緩慢，難以達到實時處理的要求[2]。大數(shù)據(jù)量的SAR圖像信息和有限的計算機處理能力之間的矛盾，迫切需要尋求快速的圖像檢測方法[3]。另一方面，SAR場景的圖像質(zhì)量越來越接近同類用途的光學(xué)圖像，圖像所呈現(xiàn)出的特性更加突出，因此越來越多的學(xué)習(xí)方法可用來對SAR圖像進行分類。一些學(xué)者對人類視覺智能展開研究并取得進展，其中采用視覺注意機制從復(fù)雜的視覺信息中篩選出有用信息提供給目標檢測，大大提高了處理效率。

目前艦船檢測算法主要包括恒虛警率(Constant False Alarm Rate,CFAR)及其改進算法[4-5]、SUMO算法[6]、KSW算法[7]等。CFAR檢測仍是應(yīng)用最為廣泛的方法，其中智能CFAR檢測在對多目標、非均勻雜波等復(fù)雜環(huán)境目標檢測時取得不錯效果[8]。智能CFAR檢測需要進行背景雜波統(tǒng)計建模，通常需要檢測預(yù)處理去除圖像中高亮像素，如基于自動篩選的智能CFAR算法[5]等目標檢測算法。此類方法大多需要大量先驗信息以確定篩選深度，這通常在取得較好的檢測效果和較少的運算量之間存在矛盾。其次，這類智能檢測方法在雜波背景建模階段的篩選無法避免一些灰度值較低的目標像素被判斷為背景，導(dǎo)致參數(shù)估計的準確性不高[9]。

借鑒智能CFAR檢測的處理機制，結(jié)合人的視覺顯著檢測理論，本文提出一種基于計算機視覺的檢測算法，首先利用視覺顯著注意的方法在全局范圍內(nèi)快速地篩選得到顯著性區(qū)域，然后使用局部檢測算子進行目標檢測。

1　基于視覺顯著注意的檢測理論

雖然近年來計算機視覺的研究已經(jīng)取得很大發(fā)展，獲得了一系列成果，但是人眼的視覺系統(tǒng)對于現(xiàn)實場景的信息分析及處理能力依舊更為高效。因此學(xué)者們不斷地研究人的視覺注意機制，并嘗試提出數(shù)學(xué)計算模型進而模擬人類視覺的注意機制。目前較為常用的視覺注意計算模型[10]有：ITTI視覺注意計算模型和AIM視覺注意計算模型以及基于傅里葉變換的頻譜殘差視覺注意計算模型。

考慮到前兩種視覺注意計算模型計算復(fù)雜度較高，不利于實際的實時應(yīng)用系統(tǒng)的構(gòu)建，尤其是其應(yīng)用于高分辨率寬幅SAR圖像這類大數(shù)據(jù)量圖像檢測時，模型難以實時有效地提取顯著圖。

通常得到一種實時性好的顯著性區(qū)域檢測算法需要采用全局搜索方式，這也減輕了局部遍歷的搜索代

價[5]。文獻[11]提出了一種基于圖像頻域的視覺顯著性區(qū)域提取方法，即頻譜殘差法(Spectral Residual,SR)。與其他計算模型相比，SR方法是一種全局的顯著性區(qū)域提取算法，模型基于頻域處理，采用快速傅里葉變換實現(xiàn)，具有計算簡單和快速的優(yōu)點。方法的基本思想為：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是蘊含著目標信息的頻譜殘差部分。

假設(shè)I(x)為一幅圖像，圖像的頻譜FFT[I(x)]分解成幅度譜A(f)和相位譜P(f)兩部分，即

A(f)=Amp{FFT[I(x)]}

(1)

P(f)=Pha{FFT[I(x)]}。

(2)

通過一個低通濾波器與圖像的對數(shù)幅度譜進行卷積，將該幅度譜平滑處理，與原圖像的對數(shù)幅度譜作差求出頻譜殘差。結(jié)合已得到的頻譜殘差和相位譜，得到原圖像的視覺顯著圖。頻譜殘差的計算過程為

L(f)=lg[A(f)]

(3)

R(f)=L(f)-hn(f)*L(f)

(4)

(5)

式中：FFT和FFT-1分別表示圖像的快速傅里葉變換及其逆變換；hn(f)表示頻域中的低通濾波器，如均值濾波器；g(x)表示空域中的低通濾波器，可采用一個高斯平滑濾波器；A(f)，P(f)，L(f)分別是原始圖像的幅度譜、相位譜、對數(shù)幅度譜；R(f)表示頻譜殘差；S(x)為顯著圖。

在計算頻譜殘差時，圖像的相位譜是計算顯著圖的關(guān)鍵。相對于對數(shù)幅度譜，相位譜是真正對于顯著圖具有實質(zhì)貢獻的部分，依據(jù)這點對頻譜殘差法進行改進。新的視覺顯著計算模型為

(6)

RM(f)=BP(f)·PM(f)

(7)

SM(f)=FFT-1[RM(f)]

(8)

式中：BP(f)指帶通濾波器，本文選擇中心頻率為f0、截止頻率為Δf的高斯濾波器；PM(f)是原圖像相位譜；RM(f)表示頻譜殘差；SM(f)為顯著圖。改進后的頻譜殘差顯著性計算模型主要包括原始頻譜的歸一化處理和頻域帶通濾波兩步運算。

相比之前的頻譜殘差法，改進的頻譜殘差法無需進行對數(shù)幅度譜計算和低通濾波，頻域的指數(shù)運算以及空域的高斯濾波，大大提升了計算速度。改進方法包含的2個控制參數(shù)f0和Δf，可依據(jù)目標特性進行調(diào)整，此計算模型具有一定適應(yīng)性。通過實驗對改進前后的計算模型進行對比分析。

通過人眼觀察實驗數(shù)據(jù)可以看出，圖1中改進前后所得到的SAR圖像顯著圖在視覺感受上非常相近。通過圖2進一步驗證：兩種顯著圖的殘差取值隨機分布于區(qū)間[-1,3]，在進一步說明了兩種顯著圖相似性的同時，發(fā)現(xiàn)在艦船目標存在的坐標附近灰度差值更加突出。因此可以得出結(jié)論，新的頻譜計算方法在一定程度上提高了目標的信雜比。

圖1　兩種頻譜殘差法的顯著圖細節(jié)對比Fig.1　Comparison of the details of saliency maps

圖2　圖像切片的兩種顯著圖灰度差值對比Fig.2　Comparison of gray difference of image slices

通常情況下，SAR圖像中目標的灰度值要高于其臨近區(qū)域的背景像素點的灰度值，因此艦船目標潛在區(qū)域一般都包含在所得到的顯著性區(qū)域內(nèi)，采用這種顯著性區(qū)域提取的方法能夠大大降低后續(xù)局部遍歷檢測時的數(shù)據(jù)量，在一定程度上提高檢測算法的實用性能[12]。

2　SAR圖像艦船目標檢測處理流程

本文基于視覺顯著的檢測理論，分析了高分辨率SAR圖像背景雜波和目標的特點，提出了一種雙層檢測機制下的SAR圖像艦船目標檢測算法。檢測流程分為兩個階段：第一階段，感興趣區(qū)域提取，通過一個改進的視覺顯著注意機制全局快速得到視覺的感興趣區(qū)域，提取潛在的艦船區(qū)域；第二階段結(jié)合貝葉斯理論中二元假設(shè)檢驗的思想，設(shè)計了一個局部最大后驗概率分類器對局部像素進行檢測，經(jīng)參數(shù)估計、比較判決完成顯著區(qū)域內(nèi)像素二分類以實現(xiàn)目標檢測。檢測流程如圖3所示。

圖3　基于視覺注意機制和局部最大后驗概率分類器的兩階段檢測流程圖Fig.3　The flow chart of the two-stage detection algorithm proposed in this paper

2.1　視覺顯著注意機制下的SAR圖像感興趣區(qū)域提取

大多數(shù)情況下，艦船目標是稀疏分布于海面上的。一般的檢測算法對SAR圖像進行檢測時，往往在海面背景區(qū)域耗費較多時間，會大大降低算法的檢測效率?；趫D像頻域視覺注意機制的思想，圖像中頻繁出現(xiàn)的信息不具備視覺顯著性，相比之下艦船等新穎信息更能引起人眼視覺注意[13]。因此將視覺顯著性檢測用于目標檢測中，以實現(xiàn)對圖像顯著性區(qū)域的快速提取。

本文兩階段檢測算法的第一階段為視覺注意機制下感興趣區(qū)域的提取，采用改進的頻譜殘差法得到視覺顯著圖并對其處理。在對得到的顯著圖的處理時主要進行了兩步操作：一是顯著圖的二值化處理；二是感興趣區(qū)域的提取。

因此，采用兩次閾值分割，首先將視覺顯著圖中的顯著區(qū)域分割出來，以實現(xiàn)從視覺注意計算模型中篩選出圖像中的顯著性區(qū)域，即潛在的艦船區(qū)域。第二次閾值分割通過設(shè)定兩個經(jīng)驗閾值T1，T2(其中T2>T1)，將顯著圖中的像素進行分割，更精確地完成后續(xù)目標區(qū)域及背景區(qū)域灰度直方圖的近似。

2.2　基于局部最大后驗概率分類器的艦船目標檢測

從分類的角度來分析，艦船目標檢測即是一個兩類目標的分類問題。為實現(xiàn)進一步對圖像中顯著區(qū)域進行艦船目標檢測的工作，本文設(shè)計了一個局部的最大后驗概率分類器對其處理。

2.2.1局部最大后驗概率分類器

依據(jù)貝葉斯理論，目標檢測問題實際上是完成對數(shù)據(jù)矢量x的二元假設(shè)檢驗，以檢測目標是否存在。將數(shù)據(jù)樣本分為兩類，樣本類別分別為ω1和ω0。設(shè)P(ωi)表示輸入像素屬于ωi的先驗概率。因此二元假設(shè)檢測的貝葉斯準則為

(9)

(10)

式中：P(ω1|x)和P(ω0|x)分別指被檢測像元為目標和背景的后驗概率；P(x|ωi)是在給定類別ωi下的條件概率；P(x)指獲取像素的概率。根據(jù)貝葉斯準則以及最大后驗概率準則，分類器可定義為

(11)

目標存在時滿足的條件為

(12)

最大后驗概率分類器所采用的判決準則為

(13)

為能夠使用最大后驗概率分類器進行目標檢測，必須求取給定類別下待測像素點的條件概率P(x|ωi)和待測像素點相應(yīng)類別的先驗概率P(ωi)。

2.2.2分類器參數(shù)估計

求取給定兩類別情況下待測像素點的條件概率P(x|ωi)即是指目標和背景的概率密度函數(shù)。高分辨率SAR圖像中艦船目標呈現(xiàn)出分布式目標的形態(tài)特點，在上一階段所得視覺顯著圖中顯著區(qū)域也呈現(xiàn)出分布式的特點，顯著性越大的像素點往往也越有可能是目標像素點。因此設(shè)定一個較大的閾值對顯著圖進行分割，提取大于此閾值的區(qū)域像素進行灰度直方圖擬合艦船目標的概率分布。相應(yīng)地，用視覺顯著圖小于該閾值的區(qū)域灰度直方圖作為背景概率密度的近似。

相比局部CFAR檢測方法需要對所有局部區(qū)域進行背景區(qū)域的分布擬合，采用這種全局處理的方式在很好地逼近了目標和背景實際分布的同時，減少了計算量。通常情況下，CFAR檢測依據(jù)目標和背景特性的對比度差異進行圖像處理，使用一個滑動窗口來計算背景的分布，從而求得自適應(yīng)閾值。仿照CFAR的處理方式，本文采用滑窗來求取待測像素點屬于ωi的先驗概率以實現(xiàn)局部自適應(yīng)檢測，先驗概率P(ωi)定義為

(14)

式中：xt表示當前待檢測像素灰度值；x1，x2，…，xN,是滑動窗口內(nèi)所有屬于背景區(qū)域的像素點；c是調(diào)整先驗概率的一個經(jīng)驗參數(shù)。

結(jié)合得到的先驗概率和條件概率，對顯著區(qū)域的艦船潛在目標實現(xiàn)二次檢測。

3　實驗結(jié)果與分析

在視覺顯著性和局部分類器的理論基礎(chǔ)上進行目標檢測實驗?？紤]到Terra-SAR圖像作為典型的高分辨率SAR圖像，本文選取一幅具有代表性的Terra-SAR圖像進行檢測實驗，并與經(jīng)典檢測算法對比，分析其優(yōu)缺點。

本文實驗采用的機器系統(tǒng)配置為Inter(R) Core(TM) i3- 4170 CPU @3.70 GHz處理器，內(nèi)存為8 GB，運行平臺為Matlab 2016。

選取一幅像素大小為5517×3712的Terra-SAR-X圖像作為實驗數(shù)據(jù)，其成像區(qū)域為直布羅陀海峽區(qū)域，圖像采樣率為1.25 m，極化方式為HH極化，其中該區(qū)域海況復(fù)雜，存在大量艦船與非均勻區(qū)域。

本文采用的仿真實驗數(shù)據(jù)如圖4a所示，該區(qū)域包含大量的不均勻海雜波背景以及尺寸有較大差別的艦船目標，并且還存在一定面積的陸地區(qū)域。圖4b是對艦船目標進行標記的圖像，實驗圖像中艦船數(shù)目為19個。為客觀評價算法檢測效率，實驗驗證過程中保證各算法都在相同條件下執(zhí)行，每種算法均運行5次，記錄每次運行時間，取10次實驗運行耗時的平均值。

圖4　實驗仿真圖像Fig.4　Experimental simulation images

首先采用改進的頻譜殘差方法計算得到顯著圖。圖5a為所得實驗圖像顯著圖，針對本文實驗采用的待檢測圖像，高斯濾波器的參數(shù)設(shè)定方差為0.25。從圖中可以看出，顯著圖保留了視覺認知中明顯的目標，同時也消除了陸地區(qū)域。通過對顯著圖進行兩次閾值分割操作，以完成艦船目標的潛在區(qū)域提取、背景及目標分布的直方圖擬合，仿真結(jié)果見圖6。本文對全局背景及目標的近似提取操作時采用兩個閾值進行分割，以實現(xiàn)更加精確的近似。針對所得顯著圖進行閾值分割，閾值需根據(jù)圖像的不同進行調(diào)整。對于本文實驗圖像設(shè)定第一次分割閾值為28，完成圖像潛在區(qū)域提??；第二次分割閾值包含2個，分別設(shè)置閾值T1=50和閾值T2=65。通過閾值T1分割得到近似背景區(qū)域，類似地，通過閾值T2得到近似的目標區(qū)域。

圖5　基于視覺顯著注意的區(qū)域提取Fig.5　Area extraction based on visual attention

圖6　目標及背景分布的擬合Fig.6　Fitting of target and background distribution

由圖6可得到背景和目標的直方圖擬合，分別使用對數(shù)正態(tài)分布、瑞利分布、威布爾分布對目標和背景分布進行擬合，得到局部最大后驗概率分類器條件概率密度，繼而，采用滑窗對目標潛在區(qū)域進行先驗概率的計算。其中，滑動窗口的設(shè)計需要依據(jù)SAR圖像中艦船目標所占的像素面積、尺寸及其分布情況而定，針對本文中采用的實驗數(shù)據(jù)，設(shè)定滑動窗口的像素尺寸為180×180，以步長為像素90滑動，經(jīng)驗參數(shù)c取4×10-6。圖7給出通過局部分類器的檢測可得到最后的檢測結(jié)果。

圖7　實驗圖像的檢測結(jié)果Fig.7　The detection results of the experimental images

為更好地評價各檢測算法，定義品質(zhì)因數(shù)

(15)

式中：Ntt為檢測出的目標數(shù)目；Nfa表示虛警目標個數(shù)；Ngt表示實際存在的目標個數(shù)。

為了評價本文算法的有效性，表1給出了分別使用本文算法、雙參數(shù)CFAR算法和基于Log-normal分布的CFAR算法對實驗數(shù)據(jù)進行檢測的結(jié)果對比。其中，雙參數(shù)、Log-normal的CFAR的虛警率設(shè)為10-5。由結(jié)果可以看出：雙參數(shù)CFAR檢測算法存在漏檢，并且檢測出7個虛警目標，檢測耗時較長。雙參數(shù)CFAR算法優(yōu)點在高斯分布參數(shù)估計相對簡單，但是由于高斯分布對海雜波尤其是復(fù)雜海雜波背景擬合度不高，檢測精度低；基于Log-normal分布的CFAR艦船檢測算法檢測出了所有真實目標，但存在5個虛警目標，并且耗時最長。雖然對雜波進行分布擬合度得到了提高，但是背景分布參數(shù)估計和概率分布函數(shù)計算時間相對較長。

表1　復(fù)雜海面Terra-SAR圖像3種檢測方法檢測結(jié)果對比

對比以上方法，實驗表明本文提出的檢測算法由于在視覺顯著計算中，陸地相對于艦船目標出現(xiàn)頻率是相對較高的，屬于不顯著信息，因此本文無需對原圖像做海陸分割的預(yù)處理，而是直接利用視覺注意計算模型獲取圖像中的感興趣區(qū)域。繼而通過一個最大后驗概率分類器進行目標檢測處理，比直接在原始圖像上進行目標檢測具有更高的檢測效率和更低的虛警率。

4　結(jié)束語

本文分析不同海況條件下的海洋雜波統(tǒng)計特性和檢測分類的基本理論，借鑒生物視覺認知思想，設(shè)計和改進了高分辨SAR圖像艦船目標檢測方法。通過仿真

實驗驗證了本文提出的檢測算法在不同雜波環(huán)境下具有較好的檢測性能。

現(xiàn)有研究需要深入和完善的問題還有：1)檢測場景中若存在較多小面積的島嶼時，需要進行陸地消除的預(yù)處理，陸地消除也是另外一個比較重要的研究領(lǐng)域；2)在進行頻域變換的視覺顯著性處理中，需要根據(jù)艦船目標的圖像特性進一步完善帶通濾波器的參數(shù)設(shè)置，以尋求相對適用性強的濾波器；3)下一階段將借鑒生物認知、機器學(xué)習(xí)思想來設(shè)計局部分類器，更進一步提升檢測精準度。

[1]MOREIRA A,PRATS-IRAOLA P,YOUNIS M,et al.A tutorial on synthetic aperture radar [J].IEEE Geoscience and Remote Sensing Magazine,2013,1(1):6- 43.

[2]鄧云凱，趙鳳軍，王宇.星載SAR技術(shù)的發(fā)展趨勢及應(yīng)用淺析[J].雷達學(xué)報，2012,1(1):1-10.

[3]邢相薇,計科峰,康利鴻,等.HRWS SAR圖像艦船目標監(jiān)視技術(shù)研究綜述[J].雷達學(xué)報,2015,4(1):107-121.

[4]何友,關(guān)鍵,彭應(yīng)寧.雷達自動檢測與恒虛警處理[M].北京：清華大學(xué)出版社,1999.

[5]FARROUKI A,BARKAT M.Automatic censoring CFAR detector based on ordered data variability for nonhomogeneous environments[J].IEEE Proceedings of Radar,Sonar and Navigation,2005,152(1):43-51.

[6]HARM G.Developments in detection algorithms at JRC[C]//The Third Meeting of the DECLIMS Project,Van-couver,BC,2004:1-7.

[7]陳利民，楊學(xué)志，張晰，等.SAR艦船檢測算法對比分析研究[J].遙感信息，2015,30(2):99-104.

[8]焦李成，張向榮，侯彪，等.智能SAR圖像處理與解譯[M].北京：科學(xué)出版社，2008.

[9]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.

[10]GAO D S,HAN S Y,VASCONCELOS N.Discriminant saliency,the detection of suspicious coincidences,and applications to visual recognition[J].IEEE Transactions on Pattern Analysis and Machine Intelligence,2009,31(6):989-1005.

[11]HOU X D,ZHANG L Q.Saliency detection:a spectral residual approach[C]//IEEE Conference on Computer Vision and Pattern Recognition(CVPR 2007),2007:1-8.

[12]張志龍,楊衛(wèi)平,張焱,等.基于頻譜殘留變換的紅外遙感圖像艦船目標檢測方法[J].電子與信息學(xué)報,2015,37(3):2144-2150.

[13]ACHANTA R,HEMAMI S,ESTRADA F,et al.Frequency-tuned salient region detection[C]//IEEE Conference on Computer Vision and Pattern Recognition,2009:1597-1604.