周珍娟，韓金華

(1.江蘇城市職業(yè)學(xué)院 信息工程系，江蘇 南京211135;2.江蘇南京信息學(xué)院，江蘇 南京211135)

0 引 言

近年來(lái)，隨著光學(xué)遙感成像技術(shù)應(yīng)用的成熟和對(duì)海洋的不斷關(guān)注，人們希望借助光學(xué)遙感圖像在空間上識(shí)別出海域的艦船，以對(duì)艦船目標(biāo)進(jìn)行有效監(jiān)控。由此，基于艦船的遙感圖像目標(biāo)識(shí)別研究得到了越來(lái)越多的支持。與以往傳統(tǒng)的SAR 圖像目標(biāo)識(shí)別方法不同，遙感圖像的目標(biāo)識(shí)別主要依靠光學(xué)背景陰暗的變化進(jìn)行，由于艦船行駛于海域作業(yè)，這就要求在進(jìn)行圖像目標(biāo)的識(shí)別前依靠背景明亮度進(jìn)行海陸分離，定位出海域區(qū)域。同時(shí)遙感圖像還存在光學(xué)的云背景和噪聲干擾以及巖石島嶼等海面虛假目標(biāo)的存在。因此，本文為解決這一問(wèn)題，提出了基于多級(jí)視覺(jué)感知算法實(shí)現(xiàn)遙感圖像的艦船檢測(cè)，并根據(jù)艦船圖像特殊的灰度紋理以及形狀特征，借助SVM 分類(lèi)器方法進(jìn)行艦船目標(biāo)的有效識(shí)別，去除虛假目標(biāo)。

1 基本流程

如圖1 所示，對(duì)于艦船遙感圖像的目標(biāo)識(shí)別，首先根據(jù)遙感圖像的特點(diǎn)進(jìn)行圖像預(yù)處理，實(shí)現(xiàn)圖像的海陸分割獲取海面艦船圖像，進(jìn)而設(shè)計(jì)出一種方法去除圖像的各種背景干擾，檢測(cè)出艦船的目標(biāo)，還需要對(duì)檢測(cè)出的艦船目標(biāo)根據(jù)艦船特征進(jìn)行有效的識(shí)別，去除虛假目標(biāo)，得到真正的艦船目標(biāo)?？紤]到本文研究重點(diǎn)，現(xiàn)以經(jīng)海陸分割后的圖像為基礎(chǔ)進(jìn)行遙感艦船圖像的目標(biāo)識(shí)別研究。

圖1 艦船識(shí)別算法流程Fig.1 Ship recognition algorithm process

2 目標(biāo)識(shí)別算法

在經(jīng)過(guò)圖像預(yù)處理后的目標(biāo)圖像中，由于因天氣和設(shè)備性能等諸多因素，會(huì)造成海域中的艦船目標(biāo)和云背景夾雜，必須設(shè)計(jì)出一種算法過(guò)濾掉云背景目標(biāo)，本文從人的視覺(jué)角度出發(fā)，設(shè)計(jì)一種基于多級(jí)視覺(jué)感知算法進(jìn)行艦船目標(biāo)的檢測(cè)，過(guò)濾云背景干擾。

2.1 算法原理

2.1.1 圖像快速計(jì)算

設(shè)有原圖I (x)，頻譜幅度信息為:

因A(f)由遙感圖像L(f)經(jīng)過(guò)攝取采樣后獲得，所以可近似表示如下:

則頻率殘差的推導(dǎo)公式如下所示:

由于I(f)采用降分辨率獲取，會(huì)導(dǎo)致圖像顯著區(qū)域統(tǒng)計(jì)不準(zhǔn)確，本文以艦船目標(biāo)為統(tǒng)計(jì)對(duì)象，需要考慮到圖像的噪聲敏感，所以需要通過(guò)維納濾波來(lái)改進(jìn)，對(duì)區(qū)域圖像進(jìn)行全面統(tǒng)計(jì)。維納濾波器計(jì)算公式為:

這樣圖像的快速計(jì)算則轉(zhuǎn)化為:

根據(jù)該公式進(jìn)行圖像快速視覺(jué)計(jì)算，便可獲得圖標(biāo)區(qū)域艦船標(biāo)識(shí)。

2.1.2 圖像形態(tài)篩選

經(jīng)過(guò)圖像的快速計(jì)算，目標(biāo)區(qū)域還有冗余信息沒(méi)有消除，這里指遙感圖像中的云背景、海況干擾等，需要依據(jù)圖像進(jìn)行針對(duì)性的形態(tài)學(xué)濾波，已消除冗余信息，獲取艦船坐標(biāo)。本文以TopHat 形態(tài)學(xué)濾波為基礎(chǔ)，用開(kāi)、關(guān)2 種定義表達(dá)如下:

式中:f 為原圖像;g 為結(jié)構(gòu)體;fog 為開(kāi)運(yùn)算;f·g為閉運(yùn)算。

該濾波器可以通過(guò)對(duì)結(jié)構(gòu)體的內(nèi)容設(shè)置以恰當(dāng)?shù)谋４婺繕?biāo)信息，這樣濾波器通過(guò)對(duì)遙感艦船圖像的篩選以保留艦船目標(biāo)信息，去除無(wú)關(guān)的大塊其他信息。

2.1.3 提取信息特征

基于艦船目標(biāo)信息的提取采用方向自適應(yīng)方法，以改進(jìn)的Gabor 濾波器來(lái)提取艦船目標(biāo)信息，該濾波器設(shè)計(jì)如下:

其中:

F 決定了濾波器在頻域中的位置，該濾波器能夠感知圖像的響應(yīng)，此響應(yīng)以Gabor 能量表示如下:

其中:

在Gabor 濾波器設(shè)計(jì)中，考慮到單一濾波器并不能對(duì)所有的頻率范圍和多個(gè)方位信息進(jìn)行提取，所以為了實(shí)現(xiàn)全頻率和多方位的艦船目標(biāo)信息的提取，本文選用一組1 ～2 頻域倍頻范圍的、方位角處于0 ～180°的一組濾波器對(duì)圖像相應(yīng)的能量信息進(jìn)行提取。但考慮到海況氣候惡劣且云背景干擾復(fù)雜的情況，需要增強(qiáng)圖像的處理能力，因此，對(duì)圖像目標(biāo)狹長(zhǎng)的特征區(qū)域進(jìn)行方向信息的定位時(shí)進(jìn)行該方向上的濾波，對(duì)于圖像目標(biāo)長(zhǎng)度不足的需要進(jìn)行全方位的濾波以識(shí)別區(qū)目標(biāo)區(qū)域大小信息。

2.2 算法實(shí)現(xiàn)

為了測(cè)試算法的檢測(cè)效果，依照上述算法的原理，按照?qǐng)D像計(jì)算、圖像篩選和信息特征提取3 個(gè)步驟的設(shè)計(jì)流程，本文選取28 幅涵蓋有云背景與天氣干擾的遙感圖像進(jìn)行檢測(cè)，檢測(cè)結(jié)果如圖2 所示。

圖2 算法檢測(cè)效果Fig.2 Algorithm testing results

從圖中可以看出，經(jīng)過(guò)本文算法的特征檢測(cè)后，艦船圖像能夠去除干擾，得到較明顯的艦船目標(biāo)。同時(shí)，該算法檢測(cè)速度快、計(jì)算量小，運(yùn)用該算法減少了檢測(cè)時(shí)間，同時(shí)在一定程度上提高了檢測(cè)的準(zhǔn)確度。

3 目標(biāo)分類(lèi)識(shí)別

通過(guò)上述的算法處理后得到的圖像中，還存在著一定的虛假目標(biāo)，因此還需要對(duì)圖像目標(biāo)進(jìn)行分類(lèi)識(shí)別以過(guò)濾虛假目標(biāo)。提高艦船識(shí)別的準(zhǔn)確度。本文采用目標(biāo)特征的識(shí)別方法進(jìn)行艦船目標(biāo)的確認(rèn)。由于遙感圖像受到圖像尺寸和分辨率的影響，現(xiàn)作如下處理:首先，將經(jīng)過(guò)算法處理后的遙感圖像以艦船目標(biāo)區(qū)域?yàn)橹行模指畛?00×200 的切片區(qū)域作為識(shí)別的最小單元;其次，對(duì)切片區(qū)域按照形狀、紋理等目標(biāo)特征的特征參數(shù)進(jìn)行統(tǒng)計(jì);最后，采用SVM 自動(dòng)分類(lèi)器進(jìn)行艦船目標(biāo)的機(jī)器識(shí)別決策。

3.1 圖像分割

本文按照200 ×200 像素的切片作為分割的最小單元進(jìn)行目標(biāo)特征的鑒別，由于圖像的目標(biāo)特征辨識(shí)以幾何圖形輪廓為基礎(chǔ)，所以下面以GPAC 幾何輪廓模型作為圖像分割的模型函數(shù)，其基本能量函數(shù)如下:

其中:p1，p2分別為像素點(diǎn);E 為最小的期望函數(shù)值;W 為圖像的相似性標(biāo)度;Ro 為圖像分割的內(nèi)部區(qū)域;Ri 為圖像分割的外部區(qū)域。以該函數(shù)為基的圖像曲線演化偏微分方程如下:

該偏微分方程有效地將分割區(qū)域的輪廓邊緣曲線的內(nèi)部像素點(diǎn)和外部像素點(diǎn)進(jìn)行對(duì)比，當(dāng)外部像素點(diǎn)與內(nèi)部像素點(diǎn)間的不相似性較大則將該輪廓邊緣分割為外部，反之則歸類(lèi)為內(nèi)部。這樣，以中心差分法計(jì)算像素點(diǎn)的灰度和圖像分割區(qū)域的灰度方差，便可實(shí)現(xiàn)精確的圖像分割，圖3 為以GPAC 模型進(jìn)行的單位切片分割前后變化。

圖3 切片分割效果Fig.3 Slice segmentation results

3.2 圖像特征提取

特征提取主要提取出圖像的灰度、紋理與形狀等能夠標(biāo)識(shí)圖像目標(biāo)存在的識(shí)別量，具體包括圖像的尺寸、面積、長(zhǎng)度、矩形度、長(zhǎng)寬比及速度方向等參數(shù)。

3.2.1 灰度與紋理特征提取

1)灰度特征

設(shè)

其中:p(i)為區(qū)域灰度為i 的總體統(tǒng)計(jì)數(shù)量比率;

那么以p(i)為基礎(chǔ)，則區(qū)域灰度以一階二階矩以及平均熵表達(dá)的計(jì)算公式如下:

式中:μ 為區(qū)域的灰度均值，代表目標(biāo)區(qū)域的目標(biāo)明亮程度，σ2和E 分別為該區(qū)域的灰度方差和平均熵;

2)紋理特征

圖像灰度的明亮程度在區(qū)域上呈現(xiàn)出一定的不均勻圖案，在空間上則反映出稀疏或濃重的不規(guī)則紋理信息，紋理信息從側(cè)面印證了圖像的灰度特征，紋理信息的特征提取范圍要適當(dāng)擴(kuò)大到切片的外圍部分以增強(qiáng)圖像識(shí)別的準(zhǔn)確性。考慮到紋理圖像的參數(shù)估計(jì)，本文引入灰度共現(xiàn)矩陣以實(shí)現(xiàn)紋理特征的提取。由于在區(qū)域相近位置的兩像素點(diǎn)灰度相近，則該區(qū)域的共現(xiàn)矩陣陣元值也較均勻，因此依據(jù)此可以提取出目標(biāo)圖像的紋理特征。

記目標(biāo)圖像的某像素點(diǎn)灰度為i，那么在距該像素點(diǎn)d 處的像素點(diǎn)灰度記為j，當(dāng)i 與j 處于與水平方向夾角為P 的直線上，P(i，j)為陣元，那么圖像的紋理特征參數(shù)可用如下公式表示:

其中N1，N2，N3，N4和N5分別為能量、慣量矩、逆差矩、相關(guān)性和熵。

3.2.2 形狀特征提取

圖像的形狀特征指能夠標(biāo)識(shí)圖像的大小、尺寸、面積等圖像輪廓的參數(shù)指標(biāo)，由于遙感圖像的分辨率不一樣，在進(jìn)行形狀特征的提取時(shí)要保證圖像在變換中不變形，所以圖像特征的提取選取以下幾個(gè)參數(shù)進(jìn)行提取:

1)偏心率

設(shè)橢圓狀艦船的長(zhǎng)軸和短軸長(zhǎng)度分別為a 和b:

其中μxy為(x + y)階中心矩，則偏心率

2)矩形度

矩形度表示為圖像切片區(qū)域面積s 和該面積的最小外接矩形SRec之間比值，定義如下:

3)凸率

凸率表征圖像在某一區(qū)域面積sc的均勻程度，定義如下:

4)緊湊性

緊湊性表征著目標(biāo)圖像面積與邊界的的均勻性，圖像越緊湊，值越趨近于1，則該圖像越趨向于圓形，定義如下:

以上參數(shù)具有在平移、翻轉(zhuǎn)中的不變特征，可以很好對(duì)區(qū)域形狀進(jìn)行描述，因而可以較好區(qū)分出目標(biāo)圖像。

3.3 基于SVM 的圖像分類(lèi)識(shí)別

在對(duì)目標(biāo)圖像進(jìn)行圖像切片分割和圖像特征參數(shù)的統(tǒng)計(jì)提取后，便可將樣本數(shù)據(jù)進(jìn)行SVM 的自動(dòng)分類(lèi)識(shí)別。SVM 是一種機(jī)器學(xué)習(xí)方法，其集成了凸二次規(guī)劃、松弛變量和核函數(shù)等多種技術(shù)，能夠很好實(shí)現(xiàn)模式識(shí)別和圖像分類(lèi)。本文將從圖像切片中提取的圖像特征為樣本數(shù)據(jù)，將特征參數(shù)以多維向量的形式輸出，經(jīng)過(guò)一定程度的SVM 鑒別器訓(xùn)練，實(shí)現(xiàn)切片圖像的分類(lèi)識(shí)別。本文設(shè)計(jì)的識(shí)別流程如圖4 所示。

通過(guò)對(duì)各特征的統(tǒng)計(jì)組合分析，以實(shí)現(xiàn)最高的識(shí)別率、最小虛警率為目的準(zhǔn)則，在經(jīng)過(guò)大量的測(cè)試后，本文選用以形狀和灰度的組合特征向量為SVM 輸入的樣本數(shù)據(jù)進(jìn)行圖像的識(shí)別。

4 結(jié) 語(yǔ)

實(shí)驗(yàn)按照形狀與灰度特征相結(jié)合的多維特征向量作為樣本數(shù)據(jù)，以2 399 ×1 876 作為圖像大小尺寸，整個(gè)分類(lèi)識(shí)別過(guò)程持續(xù)159.639 s，其中圖像的切片分割時(shí)間占用較長(zhǎng)，識(shí)別的圖像結(jié)果如圖5 所示。

圖4 基于SVM 分類(lèi)識(shí)別過(guò)程Fig.4 Classification identification process based on the SVM

圖5 識(shí)別圖像結(jié)果Fig.5 The results of image recognition

圖5 中標(biāo)注的藍(lán)色為算法檢測(cè)結(jié)果，通過(guò)SVM分類(lèi)器決策后，此次試驗(yàn)中有39 個(gè)虛警目標(biāo)被過(guò)濾，另外還成功識(shí)別出6 個(gè)漏檢目標(biāo)，雖然該次實(shí)驗(yàn)還未能完全消除虛警目標(biāo)，但相比較分類(lèi)識(shí)別前，識(shí)別目標(biāo)有效增加，虛警目標(biāo)大大降低，對(duì)遙感圖像的艦船目標(biāo)識(shí)別有很好的應(yīng)用。

［1］農(nóng)國(guó)明，于鉞，楊國(guó)錚，等.衛(wèi)星海洋觀測(cè)信息在海域監(jiān)視偵察中的應(yīng)用［J］. 艦船科學(xué)技術(shù)，2011，33(增刊):92 -94.

［2］HEIDI B，ELAN S，CHESSA G，et al. Enhanced ship detection from overhead imagery［C］.Optics and Photonics in Global Homeland Security IV，Orlando，F(xiàn)lorida，USA，2008，3:17 -20.

［3］肖利平，曹炬，高曉穎. 復(fù)雜海地背景下的艦船目標(biāo)檢測(cè)［J］.光電工程，2007，34(6):6 -10.

［4］陳標(biāo)，侯海平，陶榮華，等.艦船尾SAR 圖像特征的譜分析研究［J］.艦船科學(xué)技術(shù)，2008，30(6):95 -98.

［5］田明輝，萬(wàn)壽紅，岳麗華. 遙感圖像中復(fù)雜海面背景下的海上艦船檢測(cè)［J］. 小型微型計(jì)算機(jī)系統(tǒng)，2008，29(11):196 -200.

［6］ZHOU H，GUO J，ZHU C R，et al. Ship detection from optical remote sensing images based on PLSA model［J］.Journal of Remote Sensing，2010，14(4):663 -680.