宋文韜 胡勇 鞏彩蘭 李賽

摘 ?要： 海面目標(biāo)的分割在軍事和民用領(lǐng)域有著重要的價(jià)值，但現(xiàn)階段對(duì)光學(xué)遙感下海面艦船等目標(biāo)的研究還較少。針對(duì)強(qiáng)雜波干擾海面場(chǎng)景下目標(biāo)分割精度低的問題，文中設(shè)計(jì)一種顯著條件隨機(jī)場(chǎng)的目標(biāo)分割算法。該算法基于背景可分性度量準(zhǔn)則，改進(jìn)了譜殘差顯著性，并使用全連接的隨機(jī)場(chǎng)替代一般的鄰域模型，利用全圖的上下文信息對(duì)目標(biāo)精確分割。實(shí)驗(yàn)結(jié)果表明，該算法能夠有效抑制海面雜波，實(shí)現(xiàn)了對(duì)像素的精確分割。

關(guān)鍵詞： 圖像分割; 視覺顯著性; 條件隨機(jī)場(chǎng); 海面目標(biāo); 遙感; 艦船目標(biāo)檢測(cè); 圖像處理; 目標(biāo)分割

中圖分類號(hào)： TN911.73?34; TP751.1 ? ? ? ? ? ? 文獻(xiàn)標(biāo)識(shí)碼： A ? ? ? ? ? ? ? ? ?文章編號(hào)： 1004?373X（2019）10?0128?04

Sea?surface target segmentation algorithm based on saliency condition random field

SONG Wentao1.2，3， HU Yong1，2， GONG Cailan1，2， LI Sai1，2，3

（1. Shanghai Institute of Technical Physics of Chinese Academy of Sciences， Shanghai 200083， China;

2. Key Laboratory of Infrared System Detection and Imaging Technology， Chinese Academy of Sciences， Shanghai 200083， China;

3. University of Chinese Academy of Sciences， Beijing 100049， China）

Abstract： The sea?surface target segmentation has an important value in military and civilian fields. However， there are few studies on sea?surface ship targets under optical remote sensing at present. In allusion to the low segmentation accuracy of targets in the strong clutter interfered sea scenario， a target segmentation algorithm based on the saliency condition random field is designed. In the algorithm， the spectral residual saliency is improved based on the background separability metrics criterion. The general neighborhood model is substituted by the fully?connected random field. The accurate segmentation of targets is conducted by using the context information of the whole image. The experimental results show that the algorithm can effectively suppress sea clutters and achieve accurate segmentation of pixels.

Keywords： image segmentation; visual saliency; condition random field; sea?surface target; remote sensing; ship target detection; image processing; target segmentation

光學(xué)遙感相比傳統(tǒng)的雷達(dá)探測(cè)[1] ，具有強(qiáng)隱蔽性、環(huán)境適應(yīng)性好的特點(diǎn)，得到越來越廣泛的應(yīng)用。

現(xiàn)在對(duì)光學(xué)遙感海面目標(biāo)的檢測(cè)與分割運(yùn)用較多的是基于顯著度的方法。顯著度是一種主動(dòng)模仿人眼特征的設(shè)計(jì)方法，模擬人眼可快速集中于感興趣區(qū)域，而提出的目標(biāo)檢測(cè)算法模型[2] 一般可分為3類：基于對(duì)比度信息[3] 、基于頻率域特征[4]、基于計(jì)算的特征融合的算法[5] 。但對(duì)不同場(chǎng)景適應(yīng)性差，會(huì)提取一定的錯(cuò)誤區(qū)域;經(jīng)顯著度處理后都有一個(gè)高斯濾波的過程，難以做到對(duì)像元的精確提取。概率圖模型是圖像分割領(lǐng)域的一個(gè)研究熱點(diǎn)，條件隨機(jī)場(chǎng)模型（Condition Random Field，CRF）是經(jīng)典的馬爾科夫隨機(jī)場(chǎng)模型（MRF）的發(fā)展，主要有兩個(gè)優(yōu)點(diǎn)：首先，去除觀測(cè)序列的獨(dú)立假設(shè)分布約束[6]，增強(qiáng)馬爾科夫隨機(jī)場(chǎng)模型的適應(yīng)能力;其次是能夠?qū)﹂L(zhǎng)距離和短距離像素關(guān)系進(jìn)行建模[7] ，特別是對(duì)于海面這種大面積背景，能夠充分利用圖像的上下文關(guān)系。本文針對(duì)遙感海面圖像的特點(diǎn)，對(duì)現(xiàn)有條件隨機(jī)場(chǎng)的檢測(cè)框架進(jìn)行改進(jìn)，提出一種改進(jìn)視覺顯著性一元?jiǎng)莺瘮?shù)，同時(shí)利用全連接的隨機(jī)場(chǎng)替代鄰域檢測(cè)模型，實(shí)現(xiàn)對(duì)海面艦船目標(biāo)的精確分割。

1 ?改進(jìn)視覺顯著性模型

1.1 ?基于譜殘差顯著性的目標(biāo)分割算法

人眼能夠快速和精確地定位自然場(chǎng)景中的目標(biāo)，并且在不需要事先識(shí)別目標(biāo)的情況下，轉(zhuǎn)移注意力并聚焦該目標(biāo)，同時(shí)將目標(biāo)從背景中分割出來?；诖?，人眼會(huì)對(duì)圖像中的變化更加敏感，一個(gè)基本原則就是抑制常規(guī)與頻繁出現(xiàn)的特征，同時(shí)對(duì)非常規(guī)的特征保持敏感。依據(jù)此將圖像分為背景和異常兩部分[8] ：

[H（Image）=H（Innovation）+H（Backgroung）] （1）

給定一幅圖像，首先進(jìn)行二維離散傅里葉變換，將其從空間域轉(zhuǎn)換到頻域，對(duì)幅值取對(duì)數(shù)，根據(jù)Hou x等人提出的理論，該對(duì)數(shù)曲線滿足局部線性條件[9]，基于此先驗(yàn)得到譜殘差（Spectral Residual，SR）顯著性。其步驟計(jì)算為：對(duì)于給定圖像[I（x）]，[A（f）]表示其經(jīng)過傅里葉變換的幅度譜，對(duì)其取對(duì)數(shù)譜，得到[L（f）]：

[L（f）=log A（f）] （2）

對(duì)對(duì)數(shù)譜[L（f）]進(jìn)行均值濾波，再將濾波結(jié)果與對(duì)數(shù)譜相減，得到剩余譜[R（f）]：

[R（f）=L（f）-hn（f）*L（f）] （3）

利用剩余譜和相位譜進(jìn)行反向傅里葉變換，進(jìn)行高斯濾波器，得到顯著圖：

[S（x）=g（x）*F-1[e[R（f）+P（f）]]2] （4）

式中：F表示傅里葉變換;P（f）表示其相位譜。

對(duì)顯著度進(jìn)行閾值分割，得到目標(biāo)的初始分割結(jié)果，一般選擇閾值threshold為3倍均值。

[threshold=3E（S（x））] （5）

將大于閾值的賦值為1，其余為0。

1.2 ?基于相對(duì)熵的背景可分性度量準(zhǔn)則

一般的視覺顯著性模型，輸入任意的圖像，都會(huì)相應(yīng)輸出高頻或者異常區(qū)域。與自然圖像不同，遙感廣域海面只有少部分影像包含待分割目標(biāo)，這些顯著性方法已不再適用。針對(duì)遙感目標(biāo)的局限性，本文提出一種基于背景可分性度量準(zhǔn)則，對(duì)視覺顯著性進(jìn)行改進(jìn)，并對(duì)像元進(jìn)行初始分割。相對(duì)熵（Relative Entropy）又稱為KL散度，是兩個(gè)概率分布一種度量準(zhǔn)則。 對(duì)一個(gè)假設(shè)背景的概率分布為P和目標(biāo)的概率分布為Q來說，他們的KL散度定義為：

[DKLPQ=iP（i）logP（i）Q（i）] （6）

對(duì)提取的顯著區(qū)域和背景進(jìn)行計(jì)算，在高斯分布假設(shè)下通過定義最大容許的貝葉斯錯(cuò)誤率可以計(jì)算KL離散度的最低閾值[10] ，符合條件的影像認(rèn)為存在目標(biāo)，將顯著分割結(jié)果作為其初始分割結(jié)果。

2 ?全連接條件隨機(jī)場(chǎng)精確分割

條件隨機(jī)場(chǎng)借助圖像的上下文關(guān)系，可以實(shí)現(xiàn)對(duì)顯著性初始分割結(jié)果的精確分割。一般對(duì)圖像隨機(jī)變量定義兩個(gè)場(chǎng)：一個(gè)是觀測(cè)場(chǎng)Y，對(duì)應(yīng)到圖像像元的觀測(cè)值（如DN）的集合;一個(gè)是標(biāo)記場(chǎng)，對(duì)應(yīng)于像元的狀態(tài)空間。其中L是標(biāo)記場(chǎng)X的配置空間，對(duì)于目標(biāo)分割問題，L對(duì)應(yīng)二元空間，即L={0，1}?；跅l件隨機(jī)場(chǎng)的聯(lián)合概率可用吉布斯分布描述[11]，如下：[PXY=1ZexpE（xy） ? ? ? ? ? ? ? ? ? =1Zexp-c∈C-VCXcY] （7）

式中：E在統(tǒng)計(jì)力學(xué)中表示[xy]的吉布斯能量，是基團(tuán)勢(shì)函數(shù)的疊加;C為基團(tuán)的集合，每個(gè)基團(tuán)c都將產(chǎn)生一個(gè)勢(shì)函數(shù)V;Z是歸一化函數(shù)。

一般而言只考慮單點(diǎn)和雙點(diǎn)基團(tuán)，即一元?jiǎng)莺瘮?shù)和成對(duì)勢(shì)（二元）函數(shù)，為了方便表示，用X來代替[XY]，所以其吉布斯能量為：

[E=iΨuXi+i≠jΨi，jXi，Xj] （8）

一元?jiǎng)莺瘮?shù)設(shè)置為視覺顯著度分割模型，其置信度M，一般設(shè)為50%，可得：

[ΨuXi=-ln M， ? ? ? ? ? ? ? ? ?像元為目標(biāo)-ln1-M2， ? ? ? ? ?像元為背景] （9）

二元?jiǎng)莺瘮?shù)用高斯核函數(shù)表示，i，j為圖中任意像元的序號(hào)。定義二元?jiǎng)莺瘮?shù)為：

[Ψi，jXi，Xj=μXi，Xjm=1Kwmkmfi，fj] （10）

式中：[μ（Xi，Xj）]是變分模型，一般選Ising/Potts模型，即只有當(dāng)像素i和j的標(biāo)簽不同時(shí)，才會(huì)為1，其他情況下分0;每一個(gè)[km]都代表一個(gè)高斯核函數(shù);[f]是由每個(gè)像素的圖像觀測(cè)值和位置特征構(gòu)造成的特征向量;[wm]為權(quán)重。所以高斯核函數(shù)為[7]：[kfi ，fj=w1exp-Pi-Pj22θ2α-Ii-Ij22θ2β+ ? ? ? ? ? ? ? ? ? w2exp-Pi-Pj22θ2γ] （11）

式中：I為每個(gè)像素值;P為像素在圖像上的坐標(biāo)。

為了降低優(yōu)化的復(fù)雜度，用最小化KL散度[D（QP）]尋找分布Q（X）代替P（X），分布Q可以寫成獨(dú)立的邊緣概率分布的乘積[12]：

[QX=iQiXi]

根據(jù)概率性質(zhì)有：[XiQi（Xi）=1]，利用拉格朗日乘數(shù)法求[argminQiD（QP）]，根據(jù)Q計(jì)算結(jié)果將每個(gè)像素概率最大狀態(tài)作為該像素的類別。

3 ?實(shí)驗(yàn)結(jié)果

本文算法的測(cè)試環(huán)境為Core（TM） ?i7?2600 CPU@2.90 GHz，編程語(yǔ)言C++，選擇High resolution ship collections 2016（HRSC2016） 數(shù)據(jù)集[13] 進(jìn)行對(duì)比實(shí)驗(yàn)，以驗(yàn)證本文方法在圖像分割中的效果。本節(jié)給出本文所提模型與基于迭代計(jì)算的ISODATA聚類分割算法、基于頻域視覺顯著度的FT算法[14] 、基于自適應(yīng)閾值的Otsu算法的實(shí)驗(yàn)結(jié)果，主要從分割視覺效果與分割精度兩個(gè)方面進(jìn)行比較，結(jié)果對(duì)比圖如圖1所示。

圖1 ?海面目標(biāo)分割結(jié)果對(duì)比圖

將本文算法與三類算法做對(duì)比，從圖中可以看出，ISODATA算法受海面雜波影響最大，分割結(jié)果不符合實(shí)際需求;FT顯著性和Otsu分割也會(huì)受到復(fù)雜海面影響，分割精度降低;而本文方法在3幅圖像視覺上都能保持較好的結(jié)果，魯棒性強(qiáng)。

為了對(duì)本文方法進(jìn)行定量評(píng)價(jià)，以像元檢測(cè)精度R作為評(píng)價(jià)指標(biāo)。

[R=正確分類像元數(shù)+錯(cuò)誤分類像元數(shù)像元總數(shù)×100%] （12）

其結(jié)果如表1所示。

從表中可以看出，傳統(tǒng)方法在海面雜波較多時(shí)，容易標(biāo)記出不屬于目標(biāo)的像素，這給實(shí)際工程處理帶來了不必要的麻煩，受圖像質(zhì)量影響比較大，本文方法能夠避免這種現(xiàn)象，對(duì)三種不同圖像都能保持較高的分割精度，有效抑制海面雜波的影響。

4 ?結(jié) ?論

本文提出一種結(jié)合視覺顯著度和條件隨機(jī)場(chǎng)的艦船目標(biāo)分割算法，改進(jìn)了基于頻域信息的顯著性算法，使其能夠更突出異常目標(biāo)，同時(shí)結(jié)合條件隨機(jī)場(chǎng)模型，更有效利用廣域遙感圖像的空間上下文信息，實(shí)現(xiàn)了對(duì)像素的精確分割。這種算法在遙感圖像數(shù)據(jù)處理領(lǐng)域具有一定的潛在應(yīng)用前景。

參考文獻(xiàn)

[1] APRILE A， GROSSI E， LOPS M， et al. Track?before?detect for sea clutter rejection： tests with real data [J]. IEEE transactions on aerospace and electronic systems， 2016， 52（3）： 1035?1045.

[2] 徐芳，劉晶紅，曾冬冬，等.基于視覺顯著性的無(wú)監(jiān)督海面艦船檢測(cè)與識(shí)別[J].光學(xué)精密工程，2017，25（5）：1300?1311.

XU Fang， LIU Jinghong， ZENG Dongdong， et al. Detection and identification of unsupervised ships and warships on sea surface based on visual saliency [J]. Optics and precision engineering， 2017， 25（5）： 1300?1311.

[3] GU K， ZHAI G， YANG X， et al. Automatic contrast enhancement technology with saliency preservation [J]. IEEE transactions on circuits and systems for video technology， 2015， 25（9）： 1480?1494.

[4] LI J， DUAN L Y， CHEN X， et al. Finding the secret of image saliency in the frequency domain [J]. IEEE transactions on pattern analysis and machine intelligence， 2015， 37（12）： 2428?2440.

[5] BORJI A. Boosting bottom?up and top?down visual features for saliency estimation [C]// Proceedings of IEEE Computer Society Conference on Computer Vision and Pattern Recognition. [S.l.]： IEEE Computer Society， 2012： 438?445.

[6] LAFFERTY J， MCCALLUM A， PEREIRA F. Conditional random fields： probabilistic models for segmenting and labeling sequence data [C]// Proceedings of the 18th International Conference on Machine Learning. San Francisco： Morgan Kaufmann Publishers Inc.， 2001： 282?289.

[7] KR?HENB?HL P， KOLTUN V. Efficient inference in fully connected CRFs with Gaussian edge potentials [J]. Advances in neural information processing systems， 2011， 24： 109?117.

[8] 陳海永，徐森，劉坤，等.基于譜殘差視覺顯著性的帶鋼表面缺陷檢測(cè)[J].光學(xué)精密工程，2016，24（10）：2572?2580.

CHEN Haiyong， XU Sen， LIU Kun， et al. Surface defect detection of steel strip based on spectral residual visual saliency [J]. Optics and precision engineering， 2016， 24（10）： 2572?2580.

[9] HOU X， ZHANG L. Saliency detection： a spectral residual approach [C]// Proceedings of IEEE Conference on Computer Vision and Pattern Recognition. Minneapolis： IEEE， 2007： 1?8.

[10] 劉豐軼，胡勇，饒鵬，等.一種改進(jìn)的MRF點(diǎn)目標(biāo)檢測(cè)算法[J].紅外與毫米波學(xué)報(bào)，2018，37（2）：212?218.

LIU Fengyi， HU Yong， RAO Peng， et al. Modified point target detection algorithm based on Markov random field [J]. Journal of infrared and millimeter waves， 2018， 37（2）： 212?218.

[11] 劉彤，黃修添，馬建設(shè)，等.基于完全聯(lián)系的條件隨機(jī)場(chǎng)的圖像標(biāo)注[J].計(jì)算機(jī)應(yīng)用，2017，37（10）：2841?2846.

LIU Tong， HUANG Xiutian， MA Jianshe， et al. Image labeling based on fully?connected conditional random field [J]. Journal of computer applications， 2017， 37（10）： 2841?2846.

[12] KR?HENB?HL P， KOLTUN V. Parameter learning and convergent inference for dense random fields [C]// Proceedings of the 30th International Conference on Machine Learning. Atlanta： IEEE， 2013： 513?521.

[13] LIU Z， YUAN L， WENG L， et al. A high resolution optical satellite image dataset for ship recognition and some new baselines [C]// Proceedings of the 6th International Conference on Pattern Recognition Applications and Methods. Porto： IEEE， 2017： 324?331.

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