唐天翼等

摘 要： 針對(duì)多光譜遙感圖像中復(fù)雜海面背景下海上艦船檢測(cè)問(wèn)題，在高斯模型RX異常檢測(cè)算法的基礎(chǔ)上進(jìn)行改進(jìn)，提出一種基于色彩空間變換的復(fù)雜海面上艦船感興趣區(qū)域（ROI）的自動(dòng)檢測(cè)方法，解決了傳統(tǒng)的閾值分割方法在遙感圖像復(fù)雜海面背景下較難將目標(biāo)與背景分離的問(wèn)題。在多種不同復(fù)雜海面背景下的艦船ROI檢測(cè)實(shí)驗(yàn)中，與傳統(tǒng)閾值分割方法比較，該艦船ROI檢測(cè)方法有較好的檢測(cè)效果。

關(guān)鍵詞： 多光譜遙感； 色彩空間變換； RX算法； 艦船感興趣區(qū)域檢測(cè)

中圖分類號(hào)： TN911.73?34； TP391 文獻(xiàn)標(biāo)識(shí)碼： A 文章編號(hào)： 1004?373X（2015）21?0028?04

Multispectral ship ROI detection based on color

space transformation and anomaly detection

TANG Tianyi1， ZHU Changren1， ZHAO Hepeng2

（1. Key Laboratory of ATR， School of Electronic Science and Engineering， National University of Defense Technology， Changsha 410073， China；

2. Electronic Branch of Naval Equipment Department， Beijing 100841， China）

Abstract： Since it is difficult to detect the ships with complex sea background in multispectral remote sensing images， with the improvement on the basis of RX （Reed?Xiaoli） anomaly detection algorithm of Gaussian model， an automatic detection method of region of interest （ROI） of ship in complex sea based on color space transformation is proposed. The problem that the traditional threshold segmentation methods are hard to separate the target in the remote sensing image from the complex sea was solved. Compared with the traditional threshold segmentation methods， the ship ROI detection method has better detection results in ship ROI detection experiments under various complex sea background.

Keywords： multispectral remote sensing； color space transformation； RX algorithm； ship ROI detection

0 引 言

多光譜遙感應(yīng)用于目標(biāo)檢測(cè)與監(jiān)視具有一系列常規(guī)手段所不具備的優(yōu)勢(shì)，多光譜圖像能反應(yīng)各個(gè)波段地物的光譜信息，與其空間維信息組成信息豐富的多維信息，特別是多光譜遙感手段針對(duì)艦船目標(biāo)的檢測(cè)、識(shí)別具備獨(dú)特優(yōu)勢(shì)。國(guó)外遙感事業(yè)發(fā)展較早，應(yīng)用于軍事方面的遙感技術(shù)也比較成熟，比如法國(guó)SPOT衛(wèi)星、美國(guó)IKONOS，QuickBird，Keyhole等各種分辨率的衛(wèi)星。歐美在光學(xué)遙感圖像信息方面的研究已經(jīng)比較深入，并且成功開(kāi)發(fā)了例如美國(guó)ERDAS公司的ERDAS IMAGENE軟件、美國(guó)RSI公司的ENVI軟件等遙感圖像處理的商業(yè)軟件系統(tǒng)。據(jù)美國(guó)《國(guó)家安全》雜志指出，分辨率為30 m的衛(wèi)星可以發(fā)現(xiàn)港口、基地、橋梁、公路及在水面航行的艦船；而據(jù)稱美國(guó)較先進(jìn)的軍事偵察衛(wèi)星分辨率可以達(dá)到0.05 m，“足以看清某名士兵手中拿的是什么型號(hào)的槍支”。國(guó)內(nèi)隨著高分系列的衛(wèi)星在2013年開(kāi)始運(yùn)行，我國(guó)光學(xué)遙感圖像分辨率得到了極大提升，例如，高分一號(hào)全色和多光譜圖像分辨率分別達(dá)到2 m和8 m；高分二號(hào)全色和多光譜圖像分辨率分別達(dá)到1 m和4 m，這樣足以檢測(cè)并分類識(shí)別艦船。但是，隨著空間分辨率的提高，多光譜遙感數(shù)據(jù)的數(shù)據(jù)處理量也隨之變大，而且容易出現(xiàn)噪聲、模糊、陰影等。圖像的光譜信息通常會(huì)受多種因素的影響，例如季節(jié)變化、拍攝角度、傳感器狀態(tài)、天氣條件等，即使同一地區(qū)不同時(shí)間拍攝到的圖像也可能具有不同的亮度和對(duì)比度，特別是在海域環(huán)境下，其背景廣闊，艦船目標(biāo)稀疏且尺寸相對(duì)微小，實(shí)現(xiàn)針對(duì)于海上艦船目標(biāo)的感興趣區(qū)域（Region of Interest，ROI）的快速檢測(cè)亟待解決。

傳統(tǒng)的海上艦船檢測(cè)方法大多都是基于圖像灰度分割的方法[1?2]，在較為平靜、紋理均勻且水體呈現(xiàn)較暗的圖像下，這類方法表現(xiàn)效果較好。而在實(shí)際的復(fù)雜海況下，遙感圖像中普遍存在大海浪、云層遮擋、部分水體呈亮色以及較多的噪聲、陰影等干擾的情況[3]，而且在圖像中艦船目標(biāo)灰度特征并不一致，傳統(tǒng)分割檢測(cè)方法通常難以將水體與目標(biāo)較好的分離，這樣易出現(xiàn)較多的檢測(cè)漏警和虛警[4?5]。而在高分辨率遙感圖像艦船檢測(cè)中，通常采用自適應(yīng)閾值圖像分割或者紋理分割的方法[6?7]，但對(duì)大尺寸復(fù)雜背景遙感圖像中艦船ROI檢測(cè)的應(yīng)用效果不佳。

本文利用多光譜遙感圖像中大片海域以及海上碎云其各自相對(duì)比較均一的光譜特性，構(gòu)建色彩空間變換，實(shí)現(xiàn)對(duì)背景的抑制、艦船目標(biāo)的突出，然后通過(guò)RX異常檢測(cè)，最后經(jīng)分割以大小、形狀等特征獲取海上艦船ROI區(qū)域。

1 YCW色彩空間變換

根據(jù)計(jì)算機(jī)色彩理論，每一種顏色在計(jì)算機(jī)中有不同的表達(dá)方式，這樣就有了各種不同的顏色顯示格式。這些格式只不過(guò)是顏色在計(jì)算機(jī)中不同的表示方法而已；但是在圖像處理的實(shí)際過(guò)程中，研究者通常會(huì)根據(jù)不同的需求選擇不同的色彩空間以實(shí)現(xiàn)好的算法效果。其中最常見(jiàn)的色彩空間有HSV，RGB，HSI，CHL，LAB，CMY，YCrCb，[IW1W2]等[8]。

一般來(lái)說(shuō)，現(xiàn)實(shí)生活中最常見(jiàn)、使用最多的就是RGB色彩空間，它被稱為與設(shè)備相關(guān)的顏色模型。RGB顏色模型所覆蓋的顏色域取決于顯示設(shè)備熒光點(diǎn)的顏色特性，是與硬件相關(guān)的，它采用三維直角坐標(biāo)系。其中紅、綠、藍(lán)原色是加性原色，各個(gè)原色混合在一起可以產(chǎn)生復(fù)合色，但是在RGB色彩空間中，3個(gè)顏色分量都包含亮度信息，存在相關(guān)性，因此用于檢測(cè)算法的亮度適應(yīng)性不好。因此有檢測(cè)算法考慮建立在亮度歸一化 [RGB]色彩空間，其中RGB色彩空間變換為：

式中：[r，g，b]為式（1）中的色度坐標(biāo)；[W2]為[IW1W2]色彩空間中的第2個(gè)水色波段；[Y]即為YCrCb中的[Y，][C1]為[Cr，][Cb]基礎(chǔ)上改進(jìn)的波段，由于[Cr]與[Cb]之間表達(dá)的圖像顏色內(nèi)容比較類似，所以將兩者綜合為一個(gè)波段。考慮到后續(xù)RX算法的適用性，取[C=255-C1，]即取[C1]波段的反色。

通過(guò)實(shí)驗(yàn)證明，經(jīng)YCW色彩空間變換后（如圖1所示），灰度直方圖與高斯分布更為擬合，海域、船體、云的光譜都明顯各自聚集，這樣海域背景抑制、目標(biāo)凸顯，因此在YCW色彩空間中比RGB模型下更適合進(jìn)行局部高斯模型下的RX檢測(cè)，從而實(shí)現(xiàn)艦船ROI檢測(cè)。

2 RX異常檢測(cè)算法

本文采用的異常檢測(cè)算法為RX（Reed?Xiaoli）算法[12]，該算法是利用廣義似然比檢驗(yàn)（Generalized Likelihood Ratio Test，GLRT）得到的非監(jiān)督的恒虛警目標(biāo)檢測(cè)算法，假設(shè)多光譜海上遙感圖像的局部背景的統(tǒng)計(jì)模型為高斯分布，而且假定數(shù)據(jù)分析中的多維高斯隨機(jī)過(guò)程服從空間均值快變、方差慢變的分布狀態(tài)。算法檢測(cè)過(guò)程中，假定海上遙感圖像的背景數(shù)據(jù)是由大量統(tǒng)計(jì)均勻一致的圖像子塊構(gòu)成，在每一個(gè)這樣的子塊上進(jìn)行異常目標(biāo)檢測(cè)。RX異常檢測(cè)算法的參數(shù)通過(guò)統(tǒng)計(jì)處理檢測(cè)窗口內(nèi)部的均值和方差來(lái)獲取，檢測(cè)窗口中心點(diǎn)是否為目標(biāo)依據(jù)得到的檢測(cè)結(jié)果來(lái)判斷。利用檢測(cè)窗口遍歷整幅圖像，就可得到全部的檢測(cè)結(jié)果。本文中RX異常檢測(cè)算法使用雙窗口檢測(cè)模式（包括同心嵌套的背景窗和目標(biāo)窗，如圖2所示），從檢測(cè)像元的局部近鄰中估計(jì)協(xié)方差和均值等參數(shù)。其中外窗要比內(nèi)窗大很多，可以包含更多的背景信息樣本。根據(jù)實(shí)驗(yàn)窗口大小，在實(shí)際應(yīng)用中都取為奇數(shù)[13]。

針對(duì)實(shí)際中的多光譜海上遙感圖像，考慮到廣闊海域上存在著多種復(fù)雜的海況；因此在大面積窗口下可能出現(xiàn)灰度分布不太符合高斯分布的情況，這樣會(huì)使得RX異常檢測(cè)算法檢測(cè)效果不佳；所以本文先采用YCW色彩空間變換，使得圖像中同類目標(biāo)或者背景的光譜更為聚集，海面上局部灰度分布情況更加服從高斯模型，然后進(jìn)行局部高斯模型下的RX異常檢測(cè)算法。

局部高斯模型下的RX異常檢測(cè)算法具體實(shí)現(xiàn)過(guò)程如下[14?15]：

通過(guò)RX算子遍歷全幅圖像后，檢測(cè)得到的結(jié)果為RX灰值結(jié)果圖，根據(jù)異常度不同，會(huì)有灰度的不同，結(jié)合分割方法，可實(shí)現(xiàn)艦船目標(biāo)粗ROI的提取。RX異常檢測(cè)算法應(yīng)用于多光譜遙感艦船ROI檢測(cè)中，具有其優(yōu)勢(shì)：高斯模型符合海上遙感圖像局部的基本數(shù)據(jù)情況；RX異常檢測(cè)算法有效利用了多波段光譜特性，有利于艦船ROI檢測(cè)；結(jié)合YCW色彩空間下的RX異常檢測(cè)算法能很好地實(shí)現(xiàn)弱對(duì)比度的艦船ROI檢測(cè)。

3 艦船ROI檢測(cè)

本文的艦船ROI檢測(cè)算法總體流程如圖3所示。

（1） 預(yù)處理：對(duì)獲取的多光譜海上數(shù)據(jù)進(jìn)行幾何校正、輻射校正，并與相應(yīng)位置較高分辨率全色圖像進(jìn)行HIS融合，得到空間分辨率改善的多光譜海上遙感數(shù)據(jù)。

（2） YCW色彩空間變換。

（3） RX異常檢測(cè)算法。在YCW色彩空間中進(jìn)行局部高斯模型RX異常檢測(cè)，并根據(jù)不同的輸入圖像分辨率對(duì)窗口大小進(jìn)行調(diào)整。

（4） 分割。采用自適應(yīng)的閾值算法，在得到—個(gè)RX異常值表示的灰度圖像時(shí)，如果設(shè)定—個(gè)固定的閾值把灰度圖像轉(zhuǎn)換為二值圖像，由于不同區(qū)域會(huì)有不同的干擾，分割效果往往不理想。如果閾值太低，干擾會(huì)太多；閾值太高，漏檢率高。依據(jù)待檢測(cè)圖像本身自動(dòng)選擇對(duì)檢測(cè)圖片出現(xiàn)噪聲，背景復(fù)雜或者光照變化等有重要的意義。首先，設(shè)定初始閾值[Th0=0.8×255=204，]每次以[ΔTh=0.05×255=12]的間隔降低閾值，找到屬于艦船像素?cái)?shù)量變化最小時(shí)的那個(gè)閾值作為選定的閾值；然后根據(jù)選定的閾值，對(duì)圖像進(jìn)行分割，得到相應(yīng)的二值圖像。

（5） 連通域大小判定。海上艦船大小一般有一定的長(zhǎng)寬比范圍（一般為1.5～11），面積范圍（小于500 m×50 m）。

（6） 艦船ROI輸出。

4 實(shí)驗(yàn)與分析

為驗(yàn)證上述算法的有效性， 本文實(shí)驗(yàn)在Intel Core2 Duo CPU E4400處理器，2 GB內(nèi)存的硬件環(huán)境下進(jìn)行。操作系統(tǒng)為Microsoft Windows XP，實(shí)驗(yàn)開(kāi)發(fā)環(huán)境是ENVY 4.8和Microsoft Visual Studio 2010以及OPENCV 2.4.4。

實(shí)驗(yàn)在具有復(fù)雜海面背景的多光譜遙感圖像中進(jìn)行，完成多幅具有不同噪聲、陰影以及云層遮擋的復(fù)雜海面多光譜遙感圖像實(shí)驗(yàn)。

實(shí)驗(yàn)數(shù)據(jù)集：SPOT遙感衛(wèi)星5 m，10 m多光譜圖像數(shù)據(jù)，大小為1 000×1 000，800×800；國(guó)內(nèi)資源三號(hào)遙感衛(wèi)星2.1 m多光譜融合圖像數(shù)據(jù)，大小為3 000×3 000；天宮一號(hào)高光譜成像儀數(shù)據(jù)。

實(shí)驗(yàn)參數(shù)設(shè)置：RX算法中，針對(duì)不同分辨率圖像內(nèi)外窗口大小取值不同。分辨率為10 m時(shí)，外窗和內(nèi)窗大小取[75×75]和[3×3]；分辨率為5 m時(shí)，外窗和內(nèi)窗大小取[150×150]和[5×5]；分辨率為2.1 m時(shí)，外窗和內(nèi)窗大小取[300×300]和[7×7。]

圖4顯示了在不同海域采用不同方法進(jìn)行艦船ROI檢測(cè)的部分結(jié)果圖。結(jié)果表明：一般的閾值分割方法容易受到海浪以及圖像中的噪聲、陰影干擾的影響，分割出來(lái)的檢測(cè)區(qū)域大小偏差大，出現(xiàn)虛警、漏檢較多；通過(guò)RX異常檢測(cè)算法的檢測(cè)效果較一般閾值分割方法好，能夠克服部分海浪以及陰影干擾，但是部分弱目標(biāo)檢測(cè)效果不佳；而通過(guò)YCW色彩空間變換后，圖像的灰度直方圖更接近于高斯模型，經(jīng)RX異常檢測(cè)算法檢測(cè)能夠獲得目標(biāo)更為突出的檢測(cè)結(jié)果，這樣可有效地減少ROI區(qū)域檢測(cè)的漏檢率，雖然會(huì)帶入一些碎云虛警，但是其中大部分虛警可以通過(guò)大小形狀等特征進(jìn)行排除，所以說(shuō)，YCW色彩空間中進(jìn)行RX異常檢測(cè)能達(dá)到較好的海上艦船ROI檢測(cè)效果。

5 結(jié) 語(yǔ)

本文通過(guò)對(duì)多種色彩空間進(jìn)行討論，在考慮多光譜海上遙感圖像的目標(biāo)與海面成像特征的基礎(chǔ)上，構(gòu)建一種適合于海上艦船感興趣區(qū)域檢測(cè)的YCW色彩空間，在該色彩空間中結(jié)合RX異常檢測(cè)算法的檢測(cè)優(yōu)勢(shì)，實(shí)現(xiàn)對(duì)多光譜海上艦船的感興趣區(qū)域檢測(cè)，該算法經(jīng)過(guò)實(shí)驗(yàn)驗(yàn)證，具有良好的魯棒性和適用性，能夠有效實(shí)現(xiàn)海上艦船感興趣區(qū)域檢測(cè)。

致謝：感謝中國(guó)科學(xué)院空間應(yīng)用工程與技術(shù)中心為本研究提供天宮一號(hào)高光譜成像儀數(shù)據(jù)產(chǎn)品。

參考文獻(xiàn)

[1] 叢瑜，周偉，于仕財(cái)，等.一種對(duì)港口影像進(jìn)行艦船目標(biāo)提取方法[J].計(jì)算機(jī)仿真，2014，31（1）：22?25.

[2] 尤曉建，徐守時(shí)，侯蕾.基于特征融合的可見(jiàn)光圖像艦船檢測(cè)新方法[J].計(jì)算機(jī)工程與應(yīng)用，2005，41（19）：199?202.

[3] ZHU Changren， ZHOU Hui， WANG Runsheng， et al. A novel hierarchical method of ship detection from spaceborne optical image based on shape and texture feature [J]. IEEE Transactions on Geoscience and Remote Sensing， 2010， 48（9）： 3446?3456.

[4] 孫皓，孫顯，王宏琦.一種高分辨率遙感圖像艦船檢測(cè)方法研究[J].測(cè)繪科學(xué)，2013，38（5）：112?115.

[5] DING Zhenghu， YU Ying， WANG bin， et al. An approach for visual attention based on biquaternion and its application for ship detection in multispectral imagery [J]. Neurocomputing， 2012， 76（1）： 9?17.

[6] YANG Guang， LI Bo， JI Shufan， GAO Feng， et al. Ship detection from optical satellite images based on sea surface analysis [J]. IEEE Geoscience and Remote Sensing Letters， 2014， 11（3）： 641?645.

[7] 隆剛，陳學(xué)佺.高分辨率遙感圖像港內(nèi)艦船的自動(dòng)檢測(cè)方法[J].計(jì)算機(jī)仿真，2007，24（5）：198?201.

[8] 趙春暉，張洪才，王永忠.基于特征顏色空間變換的目標(biāo)跟蹤融合算法[J].計(jì)算機(jī)工程與應(yīng)用，2008，44（3）：8?9.

[9] 張爭(zhēng)珍，石躍祥.YCgCr顏色空間的膚色聚類人臉檢測(cè)法[J].計(jì)算機(jī)工程與應(yīng)用，2009，45（22）：163?165.

[10] ZHONG Zhiguang. A new adaptive color space YCH for face detection [C]// Proceedings of 2010 IEEE International Confe?rence on Intelligent System Design and Engineering Application. [S.l.]： IEEE， 2010： 84?89.

[11] 李紅宣.基于多光譜遙感影像的海船目標(biāo)檢測(cè)技術(shù)研究[D].昆明：云南大學(xué)，2013.

[12] REED I S， YU Xiaoli. Adaptive multiple?band CFAR detection of an optical pattern with unknown spectral distribution [J]. IEEE Transactions on Acoustics， Speech， and Signal Processing， 1990， 38（10）： 1760?1770.

[13] 史振威，吳俊，楊碩.RX 及其變種在高光譜圖像中的異常檢測(cè)[J].紅外與激光工程，2012，41（3）：796?802.

[14] 成寶芝.基于光譜特性的高光譜圖像異常目標(biāo)檢測(cè)算法研究[D].哈爾濱：哈爾濱工程大學(xué)，2012.

[15] SHI Zhenwei， YU Xinran， JIANG Zhiguo. Ship detection in high?resolution optical imagery based on anomaly detector and local shape feature [J]. IEEE Transactions on Geoscience and Remote Sensing， 2014， 52（8）： 4511?4523.