王曉輝，胡玉新，呂鵬

(1 中國科學院大學，北京 100049；2 中國科學院空天信息創(chuàng)新研究院 中國科學院空間信息處理與應用系統(tǒng)技術(shù)重點實驗室，北京 100094)( 2019年11月14日收稿； 2020年2月17日收修改稿)

高分四號(GF-4)衛(wèi)星是中國2015年發(fā)射的一顆地球靜止軌道對地觀測遙感衛(wèi)星，作為目前世界上分辨率最高的地球同步軌道光學遙感衛(wèi)星，GF-4衛(wèi)星光學相機星下點空間分辨率優(yōu)于50 m，具有空間分辨率高、時間分辨率高、覆蓋范圍廣等特點[1-2]?；谏鲜鰞?yōu)點，可以利用GF-4衛(wèi)星對海上運動艦船目標進行連續(xù)、近實時檢測，獲取其行駛航跡，這對海洋船舶管理、漁業(yè)安全監(jiān)督和打擊海洋犯罪等方面具有重要意義[3]。

然而，由于大型艦船涂裝顏色通常較暗，盡管GF-4衛(wèi)星遙感圖像的分辨率為50 m，但是在GF-4衛(wèi)星遙感圖像中仍然無法看到艦船本身，只能看到艦船在運動過程中形成的尾跡。因此，利用GF-4衛(wèi)星遙感圖像進行艦船檢測實際上是對海上艦船在運動過程中形成的尾跡進行檢測。目前，主流的光學遙感圖像目標檢測算法主要有：基于灰度統(tǒng)計特征的檢測方法、基于深度學習的檢測方法和基于視覺注意機制的檢測方法等?；诨叶冉y(tǒng)計特征的方法[4-7]利用艦船或其尾跡灰度明顯大于海面灰度的特點進行檢測，但是該方法容易受到云的干擾，造成虛警或漏檢，因此并不適用；基于深度學習的目標檢測方法[8-10]通過提取目標的紋理和幾何特征進行檢測，但是GF-4衛(wèi)星圖像中艦船尾跡的紋理和幾何特征很少，且會隨艦船運動速度、方向和風力、風向不斷變化，因此并不適用；基于視覺注意機制的方法[11-18]將人類視覺系統(tǒng)聚焦感興趣區(qū)域的機理應用于圖像的感興趣區(qū)域(region of interest, ROI)提取中，該方法通過視覺顯著性模型提取視覺顯著圖，再對顯著圖中的顯著區(qū)域進行篩選提取ROI。由于視覺注意模型對圖像分辨率沒有太高要求，可以對非顯著區(qū)域進行大面積過濾，因此比較適合對GF-4衛(wèi)星圖像進行艦船檢測。

基于上述分析，本文提出一種基于顯著圖融合的GF-4衛(wèi)星多運動艦船檢測方法。隨后章節(jié)安排如下：第1節(jié)對GF-4衛(wèi)星光學遙感圖像進行中值濾波去噪和非線性灰度拉伸后，利用譜殘差(spectral residual, SR)方法[16]提取顯著圖進行艦船檢測，并對算法復雜度進行分析；第2節(jié)使用SR方法、基于相位譜和幅度譜調(diào)諧的方法(phase spectrum and tuning amplitude spectrum, PTA)[17]、基于離散余弦變換(discrete cosine transform, DCT)的相位譜方法(phase spectrum of discrete cosine transform, PCT)[18]對GF-4衛(wèi)星遙感圖像提取顯著圖，進行艦船檢測，并分析討論檢測結(jié)果；第3節(jié)提出一種基于顯著圖融合的艦船檢測方法，選擇SR方法的顯著圖為基礎(chǔ)顯著圖，使用基于加權(quán)Dempster-Shafer(DS)證據(jù)理論(weighted Dempster-Shafer evidence theory, WDS)[19]的圖像融合方法，將其與PCT方法、PTA方法的顯著圖進行融合，進一步提升艦船檢測效果；第4節(jié)對全文進行總結(jié)。

1 基于SR方法的GF-4衛(wèi)星光學遙感圖像艦船檢測方法

1.1 GF-4衛(wèi)星光學遙感圖像預處理

GF-4衛(wèi)星運行在距地面36 000 km的地球靜止軌道，其主要用途為氣象、林業(yè)、農(nóng)業(yè)、環(huán)保和減災等。與云層和陸地相比，GF-4衛(wèi)星圖像中的艦船尾跡屬于弱小目標，亮度低、面積小[20]。由于GF-4衛(wèi)星相機受空間高能粒子的影響，因此圖像不可避免地會受到噪聲干擾。此外，隨著相機使用次數(shù)的增加，壞像素點也會隨之增加。若直接對GF-4衛(wèi)星原始圖像進行尾跡檢測，一定會存在大量的虛警與漏檢[21]。因此，在進行尾跡檢測前，首先需要對GF-4衛(wèi)星原始遙感圖像進行預處理，目的主要有2個：1)減小噪聲和壞像素點對尾跡檢測的干擾，降低虛警；2)提高艦船尾跡灰度與海面灰度之間的比值，減少漏檢。預處理過程分為2部分，分別是中值濾波去噪和非線性灰度拉伸。下面將結(jié)合GF-4衛(wèi)星真實遙感圖像說明預處理的過程和意義。

圖1(a)展示的是2017年11月16日由GF-4衛(wèi)星拍攝的真實圖像，為便于觀察艦船尾跡及其周邊環(huán)境，我們在原始圖像中選取50 km×50 km(1 000 pixel×1 000 pixel)作為關(guān)注區(qū)域，圖中2個白框內(nèi)分別有2艘運動艦船的尾跡，可是肉眼幾乎無法看出。圖1(b)是圖1(a)的三維視圖，從圖中可以看出：1)在(245, 448)處存在1個壞像素點，灰度值很高；2)圖像中存在密卷云[22]，云的灰度值較高，形狀非常復雜；3)2個運動艦船的尾跡分別位于(713, 130)和(944, 292)，其灰度值都小于云的灰度值，如(182, 623)。圖1(c)展示的是圖1(a)中(944, 292)處目標放大后的效果，從圖中可以看出，即使進行了局部放大，也很難觀察到尾跡的存在。

圖1 GF-4遙感圖像、三維視圖和尾跡放大圖像Fig.1 GF-4 remote sensing images, 3D images, and enlarged wake images

圖像增強常用方法有：灰度變換、直方圖增強和平滑濾波等。理論上，只要參數(shù)設置合適，這些方法都可以用于GF-4衛(wèi)星圖像增強，達到圖像中尾跡灰度值與海面灰度值比值提高的目的。本文使用一種非線性灰度拉伸方法，可以自適應地對圖像進行拉伸，壓縮灰度級較高的云層與較低的海面背景，能夠達到更好的圖像增強效果。設GF-4衛(wèi)星原始遙感圖像為G(x,y)，首先對其進行中值濾波：

I(x,y)=M(G(x,y)).

(1)

其中：M(·)表示中值濾波過程，I(x,y)為中值濾波后的圖像。通常情況下，原始圖像中艦船尾跡占十幾個像素，壞像素點導致的噪聲占1～4個像素，因此本文中中值濾波器卷積核大小均設置為3×3。然后，對I(x,y)進行非線性灰度拉伸：

(2)

其中：m是降噪處理后圖像I(x,y)的灰度均值，E是拉伸曲線斜率，eps是一極小值，目的是防止當I(x,y)=0時公式無意義。由式(2)，經(jīng)作者對所掌握的GF-4衛(wèi)星多場景下的遙感圖像進行分析，E的取值范圍設為[6,8]較為合適。

圖1(d)展示的是圖1(a)經(jīng)過預處理后的圖像。從圖中可以看出，云的細節(jié)變得清晰，白框內(nèi)出現(xiàn)2個“白點”，這就是2艘運動艦船的尾跡。圖1(e)是圖1(d)的三維視圖，從圖中可以看出：1)壞像素點導致的噪聲被明顯抑制；2)云層、尾跡與海面對比度明顯增強。圖1(f)是圖1(c)經(jīng)過預處理后的圖像，從圖中可以看出艦船在運動過程中所形成的“紡錘狀”尾跡，這讓尾跡在視覺上有了可以進行顯著性檢測的基礎(chǔ)。此外，從圖1(f)還可以看出，該尾跡在視覺上僅占二十幾個像素，且缺乏幾何和紋理特征，這也說明難以使用深度學習方法在GF-4衛(wèi)星遙感圖像中進行尾跡檢測。

1.2 基于譜殘差法的顯著圖提取方法

視覺顯著性模型利用視覺注意力機制對圖像進行顯著圖提取，從圖像全局信息中快速篩選出圖像焦點，獲得目標所在顯著區(qū)域。視覺顯著性模型主要有基于空域的顯著性檢測模型[11-14]和基于頻域的顯著性模型[15-18]：基于空域的顯著性模型主要通過提取多種圖像底層全局顯著特征，將其融合，建立全局顯著圖，但如前文所述，GF-4遙感圖像中艦船尾跡缺乏清晰的紋理、幾何特征，灰度圖像也缺乏多通道的顏色特征，因此空域模型難以應用于GF-4圖像；基于頻域的顯著性模型脫離生物視覺機制，將圖像轉(zhuǎn)換至頻域進行頻譜處理，抑制冗余背景信息，最后轉(zhuǎn)換到空域獲得顯著圖像。在頻域模型中，部分方法是與特征、類別或者其他形式的先驗知識無關(guān)的，如SR方法[16]、PTA方法[17]和PCT方法[18]等。

SR方法是文獻[16]提出的一種基于頻域進行顯著圖提取的方法，該方法認為一幅圖像的信息包括冗余信息與顯著性信息，將冗余信息(即對數(shù)譜中的相似部分)進行濾除，只關(guān)注對數(shù)譜的差異，從而獲得圖像的顯著性信息。SR方法首先對預處理后的遙感圖像U(x,y)進行二維離散傅里葉變換，得到頻域信號W(u,v)

W(u,v)=F(U(x,y))=A(u,v)e-jP(u,v).

(3)

其中:F(·)代表傅里葉變換,A(u,v)是頻域信號的幅度譜，P(u,v)是相位譜。對幅度譜A(u,v)取對數(shù)

L(u,v)=log(A(u,v)).

(4)

由于對數(shù)曲線滿足局部線性條件，所以用局部平均濾波器hn(u,v)對其進行平滑，獲得一般的對數(shù)譜V(u,v)

V(u,v)=L(u,v)*hn(u,v).

(5)

其中：*代表卷積，hn(u,v)為n×n的均值濾波卷積核

(6)

將對數(shù)譜L(u,v)和一般對數(shù)譜V(u,v)之差定義為譜殘差R(u,v)

R(u,v)=L(u,v)-V(u,v).

(7)

譜殘差能夠描述一幅圖像中的異常區(qū)域與焦點信息，因此可以用來進行顯著性目標檢測。將譜殘差R(u,v)和相位譜P(u,v)進行二維離散傅里葉反變換，對其取平方以消除誤差，再進行高斯濾波即可重構(gòu)出一幅圖像，用來表示原圖像中各像素的顯著度：

S(x,y)=g(x,y)*F-1(R(u,v)e-jP(u,v))2.

(8)

其中：F-1(·)代表傅里葉反變換，g(x,y)為高斯濾波器，作用是提升圖像的顯著性效果。SR方法對圖1(d)提取顯著圖的結(jié)果如圖2(a)所示，圖中2個白點即為2個尾跡的SR方法檢測結(jié)果。圖2(b)是圖2(a)的三維視圖，從圖中可以看出，2個艦船尾跡所在位置的顯著度明顯高于圖中其他區(qū)域，云層與海面都被抑制。

圖2 SR方法顯著圖及其三維圖像Fig.2 Saliency map and its 3D image using SR method

1.3 算法復雜度分析

作為評價一個目標檢測方法性能的重要因素，計算復雜度是一項關(guān)鍵指標。因為本節(jié)方法由預處理和SR方法組成，所以計算復雜度分析也由這2部分組成。預處理部分包括中值濾波和非線性灰度拉伸，對于處理一幅尺寸為M×N的遙感圖像，計算復雜度為O(MN)[23]。SR方法與2種經(jīng)典的基于頻域的顯著性檢測方法(PTA方法[17]和PCT方法[18])的計算復雜度對比如表1所示。

表1 不同顯著性檢測方法的計算復雜度Table 1 Computational complexity of differentsaliency detection methods

其中：α、β是PTA方法中幅度譜調(diào)諧參數(shù)，K為高斯濾波核大小。分析3種算法復雜度，可以得出以下結(jié)論：1)基于頻域的視覺顯著性模型復雜度主要集中在空域與頻域相互轉(zhuǎn)換計算；2)與SR方法相比，PTA方法通過分段的方式進行幅度譜調(diào)諧，隨著調(diào)諧參數(shù)增大，計算復雜度增加；3)由于增加了幅度譜調(diào)諧的過程，所以盡管PTA方法與SR方法計算復雜度仍在同一數(shù)量級，但PTA方法的計算時間要明顯增加；4)PCT方法使用DCT變換完成空域到頻域的計算，雖然可以獲得更優(yōu)的浮點數(shù)計算結(jié)果和算法魯棒性，但時間復雜度的數(shù)量級要遠高于SR方法與PTA方法。綜上所述，SR方法在計算復雜度上具有明顯優(yōu)勢，可以更快地進行GF-4衛(wèi)星遙感圖像顯著圖提取。

2 基于SR方法的GF-4衛(wèi)星光學遙感圖像艦船檢測方法實驗及分析

為驗證第1節(jié)方法的正確性和有效性，本節(jié)使用所提多運動艦船檢測方法對GF-4衛(wèi)星實測遙感圖像進行艦船尾跡檢測，并與基于PTA方法和PCT方法的多運動艦船檢測方法進行對比和討論。實驗平臺為64位4核Intel i7-7700HQ CPU，主頻2.8 GHz，內(nèi)存32 GB，操作系統(tǒng)為Windows 10，仿真程序平臺為MATLAB 2018b。

實驗使用GF-4衛(wèi)星在2017年11月和2018年8月期間拍攝的3個典型場景的遙感圖像，它們分別為薄云場景、密卷云場景和有島嶼場景。為方便觀察艦船尾跡及其周邊環(huán)境，我們從原始圖像裁切50 km×50 km (1 000 pixel×1 000 pixel)的含有艦船尾跡的數(shù)據(jù)。中值濾波器卷積核尺寸為3×3，拉伸曲線斜率E=7。GF-4衛(wèi)星原始圖像如圖3(a)～3(c)所示，圖中白框內(nèi)為尾跡位置，可是肉眼卻無法觀察到任何目標。經(jīng)過預處理后圖像如圖3(d)～3(f)所示，從圖中可以看出，圖像整體變得明亮，細節(jié)變得清晰，白框內(nèi)均出現(xiàn)“白點”，這就是艦船尾跡。

圖3 GF-4衛(wèi)星薄云、密卷云和有島嶼場景遙感圖像Fig.3 Light clouds, cirrus clouds, and island scene remote sensing images of GF-4

PTA方法是通過傅里葉變換將圖像轉(zhuǎn)換到頻域后，基于整體圖像的幅度譜的均值mPTA設定一個顯著性特征分類閾值Δ=γmPTA，其中γ為增強倍數(shù)，根據(jù)此閾值進行非線性的幅度譜調(diào)諧，提升主要顯著目標的顯著度，降低非顯著目標的顯著度，最后經(jīng)傅里葉反變換得到顯著圖。PCT方法將圖像經(jīng)DCT變換后得到頻域的相位譜，舍去幅度譜信息，僅將相位譜進行DCT反變換到空域獲得重構(gòu)圖像，對重構(gòu)圖像進行KPCT次哈達瑪乘積以突顯顯著圖中顯著度較高的像素點并抑制低顯著度區(qū)域，最后進行平滑濾波，獲得顯著圖。

為了便于對比，我們將所有顯著圖進行歸一化處理，目標檢測閾值設置為0.40，圖4～圖6的半透明平面代表閾值平面。3種方法的主要參數(shù)設置如下：PTA方法中均值增強倍數(shù)γ=50，幅度譜調(diào)諧參數(shù)α=3、β=0.5；PCT方法中哈達瑪乘積次數(shù)KPCT=1；SR方法中均值濾波卷積核尺寸為3×3；3種方法高斯濾波的高斯核尺寸為3×3。薄云場景下3種方法顯著圖提取結(jié)果如圖4所示，從圖中可以看出：1)在當前參數(shù)設置下，3種方法均檢測到全部3個尾跡目標；2)PTA方法在(540, 2)處出現(xiàn)了虛警；3)在該場景下，3種方法中尾跡處的顯著度區(qū)別不大。

圖4 薄云場景不同方法顯著圖的三維視圖Fig.4 3D images of saliency map using different methods on light clouds image

密卷云場景下3種方法顯著圖提取的結(jié)果如圖5所示，從圖中可以看出：1)PTA方法未檢測到(944, 292)處的尾跡，SR方法和PCT方法檢測到了全部2個尾跡；2)對于(944, 292)處的艦船尾跡，PCT方法顯著圖的顯著度為0.720 0，SR方法顯著圖的顯著度為0.678 5，均遠高于PTA方法的0.379 4；3)在對非顯著性區(qū)域的抑制方面，選擇處于厚云區(qū)域的(191, 825)點進行對比，SR方法在此點的顯著度比PCT方法低17.80%，這說明SR方法對云層的抑制效果比PCT方法更明顯。

圖5 密卷云場景不同方法顯著圖三維視圖Fig.5 3D images of saliency map using different methods on cirrus clouds image

有島嶼場景下3種方法顯著圖提取的結(jié)果如圖6所示，從圖中可以看出：1)通過面積特征對島礁過濾后，PTA方法未檢測到(615, 806)處的尾跡，SR方法和PCT方法檢測到了全部2個尾跡；2)PTA方法在圖像左側(cè)島嶼邊緣(352, 934)和(89, 500)處出現(xiàn)虛警；3)對位于(615, 806)的次顯著尾跡而言，SR方法顯著圖的顯著度更高，而PCT方法顯著度為0.403 8，已經(jīng)接近檢測閾值，PTA方法顯著度為0.330 9，低于檢測閾值；4)對于背景區(qū)域，以(352, 934)為例，PTA方法和PCT方法顯著圖的顯著度分別為0.454 2和0.361 2，均高于SR方法的0.333 9，這說明SR方法對島嶼邊緣的背景抑制更明顯。

圖6 有島嶼場景不同方法顯著圖三維視圖Fig.6 3D images of saliency map using different methods on island scene image

我們對3個場景的各28幀圖像序列進行尾跡檢測。通過人工判讀，得到3個場景中真實尾跡總數(shù)分別為：81、39和42。實驗分別統(tǒng)計檢測數(shù)、虛警數(shù)、漏檢數(shù)和每幀圖像處理時間，統(tǒng)計結(jié)果如表2所示。從表2可以看出：1)在薄云場景中，PTA方法的虛警數(shù)明顯高于PCT方法與SR方法，這是由于PTA方法的分類閾值來自于整體圖像幅度譜均值，但是薄云場景中的一小片毛卷云導致圖像幅度譜均值變化，云的顯著度被增強；2)在密卷云場景中，與PCT方法、SR方法相比，PTA方法漏檢更多，這是由于該場景中幅度譜調(diào)諧的閾值分割導致次要目標顯著度被降低；3)在有島嶼場景中，PCT方法的虛警數(shù)遠高于PTA方法與SR方法，這是因為PCT方法損失了圖像幅度譜信息，還進行了1次哈達瑪乘積使顯著度增強，從而導致背景區(qū)域被增強；4)在處理時間指標上，PTA方法和PCT方法均劣于SR方法，這是因為PTA方法加入幅度譜調(diào)諧，PCT方法使用DCT方法進行頻域變換，導致2種方法計算復雜度更高。綜上所述，SR方法在虛警數(shù)與處理時間2個指標上明顯優(yōu)于PCT方法，在虛警數(shù)、漏檢數(shù)和處理時間3個指標上明顯優(yōu)于PTA方法。

表2 GF-4圖像序列不同方法艦船檢測結(jié)果Table 2 Ship detection results using different methods on GF-4 satellite sequential images

通過以上實驗，可以得到以下結(jié)論：1)在GF-4衛(wèi)星光學遙感圖像多運動艦船檢測問題中，PTA方法采用的分段調(diào)諧處理在密卷云場景中容易把次顯著目標顯著度降低，或在薄云場景中將部分背景的顯著度提高，從而產(chǎn)生漏檢和虛警；2)PCT方法在頻域中舍棄了幅度譜，損失了很多灰度信息，這使得如圖6(b)中(615, 806)處尾跡的顯著度變低。此外，PCT方法由于使用哈達瑪乘積增強顯著區(qū)域，導致島嶼和厚云邊緣也被增強，造成更多虛警；3)PTA方法為增強首要顯著目標，在幅度譜調(diào)諧過程中加入多次判斷，增加了計算復雜度，PCT方法為了算法魯棒性使用了DCT變換，而DCT變換計算復雜度較高。綜上所述，無論是檢測效果還是處理速度，SR方法優(yōu)于PCT方法和PTA方法。

3 基于顯著圖融合的GF-4衛(wèi)星光學遙感圖像艦船檢測方法

通過第2節(jié)的實驗分析可以看出，盡管SR方法提取的顯著圖在大多數(shù)場景下具有較好的效果，但是不同的顯著性檢測方法有其自身的優(yōu)勢。例如，PCT方法提取的顯著圖對整體圖像邊緣部分抑制較好，PTA方法提取的顯著圖在密卷云場景中對虛警抑制較好等。本節(jié)以SR方法提取的顯著圖為基礎(chǔ)圖像，結(jié)合PCT方法和PTA方法提取的顯著圖，利用WDS方法進行融合，獲取更準確的顯著圖，進而得到更優(yōu)的檢測效果。

圖像融合是是將同一場景的2幅或多幅圖像信息加以綜合的過程，從低級到高級可以抽象為像素級、特征級和決策級圖像融合[24]。像素級圖像融合技術(shù)可以最大程度保留信息，更適合顯著圖融合，其分為變化域方法與空間域方法。變換域的圖像融合方法將原圖像分解至多分辨率空間，得到多尺度的頻率子帶系數(shù)，在不同尺度上對子圖像進行融合，然后進行重構(gòu)得到最終融合圖像，如文獻[25]提出的基于平穩(wěn)小波變換(stationary wavelet transform, SWT)的圖像融合方法，可以使得圖像對比度更高，信息量更豐富，但是小波變換計算復雜度較高?？臻g域方法根據(jù)關(guān)注的有效信息，通過制定的融合規(guī)則直接對像素點或像素塊進行融合，如文獻[19]提出的WDS方法，可以發(fā)揮DS證據(jù)理論在不確定事件的融合優(yōu)勢。傳統(tǒng)的DS證據(jù)理論融合方法對所有證據(jù)擁有相同的權(quán)值，但是不同顯著性檢測方法不僅在不同場景下的效果不一，在不同像素處的可信度也不同，因此WDS方法較為適用于顯著性圖像融合。

本文提出一種使用WDS方法作為顯著圖融合方式，進行GF-4衛(wèi)星光學遙感圖像艦船檢測的方法。首先對預處理后的GF-4遙感圖像U(x,y)使用n種不同顯著性檢測方法(PCT方法、PTA方法和SR方法)提取顯著圖，對不同顯著圖的(x,y)處，使用加權(quán)DS證據(jù)理論計算加權(quán)質(zhì)量函數(shù)值作為參考融合顯著圖的顯著度Sal1(x,y)

(9)

其中：Crd(Qi(x,y))和Qi(x,y)分別為第i種顯著性檢測方法的可信度和基本概率分配。

由第2節(jié)實驗可知，SR方法在多數(shù)場景下優(yōu)于PCT方法和PTA方法，將其作為基礎(chǔ)顯著性檢測方法，根據(jù)其前景置信度計算基礎(chǔ)顯著圖Sal2(x,y)

Sal2(x,y)=Bel(Q(x,y)).

(10)

其中：Bel(·)為置信度函數(shù)。最終圖像Sal(x,y)由參考融合顯著圖Sal1(x,y)與基礎(chǔ)顯著圖Sal2(x,y)融合而成：

Sal(x,y)=μ1×Sal1(x,y)+μ2×Sal2(x,y).

(11)

其中：μ1和μ2為合成權(quán)重值。

將SR方法提取的顯著圖、SWT方法融合顯著圖與WDS方法融合顯著圖進行對比分析，實驗使用圖3薄云、密卷云和有島嶼3個典型場景的圖像。根據(jù)經(jīng)驗，WDS方法中式(11)中合成權(quán)重值μ1=0.6，μ2=0.4；SWT方法中小波基選擇為bior4.4小波，分解層數(shù)為4層。最終所有結(jié)果圖像均進行歸一化，目標檢測閾值設置為0.40，圖7～圖9中的半透明平面代表閾值平面。

薄云場景下，SR方法提取的顯著圖、經(jīng)SWT方法和WDS方法融合的顯著圖如圖7所示，從圖中可以看出：1)3種方法的顯著圖均檢測到了3個尾跡；2)對位于(492, 509)和(896, 301)的2個艦船尾跡，SWT方法和WDS方法融合顯著圖的顯著度均高于SR方法，它們?nèi)诤狭薖CT方法和PTA方法在2個艦船尾跡處顯著度較高的優(yōu)勢；3)對于圖像邊緣(466, 999)處，3種方法的顯著度分別為：0.197 7、0.159 5和0.093 82，可以看出WDS方法融合顯著圖的顯著度對圖像邊緣的抑制優(yōu)于SR方法和SWT方法，融合了PCT方法對圖像邊緣的抑制優(yōu)勢。

圖7 薄云場景不同融合方法顯著圖三維視圖Fig.7 3D images of saliency map using different fusion methods on light clouds image

密卷云場景下3種方法顯著圖提取的結(jié)果如圖8所示，從圖中可以看出：1)3種方法均檢測到2個尾跡，但是在(944, 292)處的尾跡，結(jié)合圖5的分析，可以看出SWT方法融合過程中在此處決策傾向于PTA方法，而WDS方法傾向于PCT方法，導致在此處尾跡2種融合方法顯著度變化趨勢不一致，WDS方法顯著度變高，而SWT方法變低；2)對于背景點(672, 965)，WDS方法融合了PTA方法的優(yōu)勢，顯著度變低；3)對于圖像邊緣(1, 892)，2種融合方法吸收了PCT方法優(yōu)勢，顯著度降低。

圖8 密卷云場景不同融合方法顯著圖三維視圖Fig.8 3D images of saliency map using different fusion methods on cirrus clouds image

有島嶼場景下3種方法顯著圖提取結(jié)果如圖9所示，從圖中可以看出：1)通過面積特征對島礁過濾后，3種方法均檢測到2個尾跡；2)SWT方法雖然在(615, 806)處的艦船尾跡得到了更高的顯著度，但是在(352, 934)和(89, 500)2處背景點顯著度也相應變高，提高了虛警風險，WDS方法在這幾處和SR方法基本一致；3)在圖像邊緣(384, 999)處，2種融合方法的抑制效果更優(yōu)，其中WDS方法在該處的顯著度由SR方法的0.355 5降低至0.211 2，比SWT方法抑制效果更明顯。

圖9 有島嶼場景不同融合方法顯著圖三維視圖Fig.9 3D images of saliency map using different fusion methods on island scene image

表3展示了對3個場景的各28幀圖像序列進行艦船檢測的結(jié)果，通過分析可以看出：1)在薄云場景中，盡管前文分析WDS方法和SWT方法優(yōu)于SR方法，但是由于本身場景較為簡單，檢測效果較好，所以在該場景中，3種方法的檢測結(jié)果基本相同；2)在密卷云場景中，2種融合方法使虛警數(shù)降低，且WDS方法使得(944, 292)處艦船尾跡的顯著度提高，在尾跡從圖像邊緣向圖像內(nèi)運動時，可以提前一幀檢測到該尾跡，WDS方法使漏檢數(shù)得到降低；3)在有島嶼場景中，2種方法對圖像邊緣的顯著度進行了有效抑制，圖像邊緣處虛警得到降低，但是SWT方法顯著圖島嶼邊緣的顯著度提升導致產(chǎn)生新的虛警，所以該方法最終總虛警數(shù)未發(fā)生變化，SWT的尾跡顯著度有一定提升，漏檢數(shù)優(yōu)于其他2種方法；4)在處理時間指標上，融合方法需要在幾種顯著性檢測方法結(jié)束后進行處理，故處理時間要高于單一顯著性檢測方法，SWT方法中使用小波變換且3幅顯著圖需要串行融合，故處理時間遠高于WDS方法。綜上，綜合考慮檢測效果和時效性，WDS方法雖然處理時間優(yōu)于SWT方法，劣于SR方法，但是對于復雜場景(密卷云、有島嶼等)的檢測效果要明顯優(yōu)于SR方法和SWT方法。

表3 GF-4圖像序列不同融合方法艦船檢測結(jié)果Table 3 Ship detection results using different fusion methods on GF-4 satellite sequential images

通過本節(jié)實驗，可以得到以下結(jié)論：1)與PCT方法和PTA方法相比，盡管SR方法在大多場景下取得了較好的檢測效果，但是在密卷云等場景下，可以利用WDS方法融合PCT方法和PTA方法的優(yōu)點，使得檢測效果進一步提升；2)盡管本文所提的基于顯著圖融合的GF-4衛(wèi)星光學遙感圖像多運動艦船目標檢測方法處理時間高于單一顯著性檢測方法，但是平均每幀處理時間仍在0.8 s內(nèi)，可以滿足GF-4衛(wèi)星光學遙感圖像艦船目標檢測的時效性需求；3)SWT方法在密卷云場景的次顯著目標處，融合過程決策傾向于顯著度較低的PTA方法，增加了目標漏檢風險；4)WDS方法可以指定檢測效果較好的SR方法顯著圖為基礎(chǔ)顯著圖，使得最終結(jié)果在融合其他方法優(yōu)點的基礎(chǔ)上，不會因為不同方法某點顯著度的較大偏差導致偏離較好的基礎(chǔ)結(jié)果過多，從而具有更好的適應性。綜上所述，WDS方法可以通過融合多種顯著性檢測方法的結(jié)果，提升GF-4衛(wèi)星光學遙感圖像多艦船檢測效果。

4 結(jié)論

GF-4衛(wèi)星高時間分辨率、高空間分辨率和高成像幅寬等優(yōu)點，使其對運動艦船進行連續(xù)觀測成為可能。面對運動艦船尾跡紋理和幾何特征少、變化大，環(huán)境復雜等實際困難，本文提出一種基于WDS方法的GF-4衛(wèi)星光學遙感圖像多運動艦船檢測方法，融合SR方法、PCT方法和PTA方法在不同場景下進行艦船檢測的優(yōu)點，能夠利用GF-4衛(wèi)星光學遙感圖像對海上艦船的尾跡進行準確、快速地檢測，這對打擊海上偷渡、非法捕撈等犯罪活動具有重要意義。