李文娟　趙和平　龐波

摘 要： 地物特征不單靠空域中像元灰度值的變化程度來(lái)表現(xiàn)，其頻譜能夠表征不同地物的特征，并可通過(guò)該頻譜特征進(jìn)行遙感圖像的分析和目標(biāo)的搜索、檢測(cè)。提出一種通過(guò)頻譜分析快速發(fā)現(xiàn)自然背景中人工目標(biāo)及其所在區(qū)域的新方法，首先對(duì)圖像的頻譜分布特征進(jìn)行了分析并提出了一種頻譜分布量化的算法，定義頻譜分布量化指數(shù)；根據(jù)計(jì)算出的區(qū)域頻譜分布量化指數(shù)，借鑒視覺(jué)顯著性的思想計(jì)算出各區(qū)域在整幅圖像中的顯著值，從而實(shí)現(xiàn)人工目標(biāo)的檢測(cè)。文中對(duì)該方法在海背景中艦船目標(biāo)的檢測(cè)和沙漠、戈壁中人工建筑的檢測(cè)進(jìn)行了實(shí)驗(yàn)，從結(jié)果可以看出新算法能夠有效地實(shí)現(xiàn)自然背景潛在人工目標(biāo)的快速搜索和發(fā)現(xiàn)，并確定出其所在區(qū)域，具有一定的靈活性，能夠適應(yīng)星上多變的檢測(cè)場(chǎng)景。

關(guān)鍵詞： 圖像處理； 傅里葉變換； 頻譜分析； 顯著檢測(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（2017）20?0139?04

Abstract： Ground object features can be reflected not only by pixel gray value changes in spatial domain， but also by their spectrums， whose features can be used for remote sensing image analysis， target search， and target detection. Therefore， a new fast detection method of man?made targets in natural background and their locations by using spectrum analysis is proposed. First， the spectrum distribution characteristics of the image are analyzed， and then a spectrum distribution quantification algorithm is put forward to define the quantification index of spectrum distribution. According to the calculated quantification index of spectrum distribution in the region， the salience value of each region in the whole image is calculated by drawing on the idea of visual saliency， to realize the detection of man?made targets. In this paper， an experiment of this method to detect ship targets in the sea background and man?made structures in desert and gobi is carried out. The results show that the new algorithm can effectively realize the rapid search and discovery of potential man?made targets in natural background， determine their locations， has certain flexibility， and can adapt itself to the changeable detection scenarios on satellites.

Keywords： image processing； Fourier transform； spectrum analysis； saliency detection

0 引 言

在星上資源和時(shí)間受限的條件下，如何通過(guò)遙感圖像信息處理使衛(wèi)星能夠快速聚焦到目標(biāo)或者目標(biāo)區(qū)域是星載遙感圖像信息處理的重點(diǎn)問(wèn)題之一。目標(biāo)檢測(cè)是星上圖像信息處理的重要研究領(lǐng)域，其通常算法是對(duì)圖像進(jìn)行分割，提取出目標(biāo)的特征，再通過(guò)分類器根據(jù)特征實(shí)現(xiàn)人工目標(biāo)的檢測(cè)。這類算法通?？煞譃閮煞N：一種是由下而上的數(shù)據(jù)驅(qū)動(dòng)方法，另一種是由上而下的知識(shí)驅(qū)動(dòng)方法[1]。前一種先對(duì)圖像進(jìn)行一般性分割，缺乏先驗(yàn)知識(shí)的指導(dǎo)盲目性大，計(jì)算比較復(fù)雜；后一種方法針對(duì)目標(biāo)進(jìn)行有目的的分割，計(jì)算效率較高，但當(dāng)目標(biāo)改變時(shí)，知識(shí)假設(shè)也需要隨之改變，不具有靈活性和自適應(yīng)能力?；趫D像分割的目標(biāo)檢測(cè)都會(huì)受到分割算法的影響，不能在保證一定檢測(cè)精度的條件下適應(yīng)星上復(fù)雜多變的觀測(cè)場(chǎng)景。近年來(lái)，視覺(jué)顯著性計(jì)算模型[2?5]由于能夠快速尋找圖像中具有顯著性的區(qū)域得到了研究者的關(guān)注，顯著性計(jì)算原理為自然背景中人工目標(biāo)的在軌快速檢測(cè)提供了新的方法。

地物特征不單靠空域中像元灰度值的變化程度來(lái)表現(xiàn)，還可以通過(guò)其頻域中所固有的頻譜能量值來(lái)表征，頻域中頻譜分量作為物質(zhì)能量的特征之一，在描述物體的紋理、結(jié)構(gòu)、形態(tài)等特征上具有獨(dú)特的優(yōu)勢(shì)[6?8]。圖像的頻譜不僅能夠表征目標(biāo)的特征，還可通過(guò)頻譜特征實(shí)現(xiàn)遙感圖像的分析和目標(biāo)搜索、檢測(cè)。文獻(xiàn)[9]將能量譜作為特征，通過(guò)提取能量譜特征、設(shè)計(jì)分類器實(shí)現(xiàn)了不同地物信號(hào)的分類識(shí)別，平均分類精度可達(dá)88.96%。自然背景中的人工目標(biāo)具有與背景明顯不同的亮度、紋理和幾何特征，例如海面上的艦船，山地、沙漠中的人工建筑等。這種差異性可以通過(guò)借鑒視覺(jué)顯著性的方法凸顯出來(lái)，從而實(shí)現(xiàn)自然背景下人工目標(biāo)的快速檢測(cè)。本文提出了一種通過(guò)頻譜分布分析快速發(fā)現(xiàn)自然背景中人工目標(biāo)及其區(qū)域的新方法。文中首先定義了頻譜分布指數(shù)提取圖像的頻譜分布特征，然后根據(jù)不同區(qū)域的頻譜分布量化指數(shù)，計(jì)算出各區(qū)域在整幅圖像中的顯著值，從而實(shí)現(xiàn)人工目標(biāo)的快速檢測(cè)。

1 圖像的傅里葉變換

1.1 圖像頻譜

1.2 圖像的頻譜分布

圖像的空間頻率是指單位長(zhǎng)度內(nèi)亮度做周期性變化的次數(shù)[10]，短距離內(nèi)的亮度變化相當(dāng)于高頻波，而長(zhǎng)距離內(nèi)的變化相當(dāng)于低頻波。一幅圖像中，灰度變化緩慢表示該區(qū)域是連續(xù)漸變的一塊區(qū)域，如大面積的沙漠、海域或者戈壁等；灰度變化劇烈的部分通常代表與背景有明顯差別、灰度變化較快的邊緣部位，對(duì)應(yīng)的頻率值較高。

由此可知，圖像頻域中的頻率分量表征著圖像的信息和特征，低頻部分代表了圖像的輪廓和灰度信息，高頻部分代表了圖像的邊緣和紋理等細(xì)節(jié)信息，如圖1所示。

圖1顯示了圖像頻譜函數(shù)的統(tǒng)計(jì)特性：圖像的大部分能量集中在低、中頻，體現(xiàn)圖像細(xì)節(jié)特征的高頻分量占整個(gè)頻譜能量很小的一部分。如果經(jīng)去噪后圖像頻譜中的中、高頻分量較多，則表示該圖像中有更多的細(xì)節(jié)信息，這些細(xì)節(jié)是進(jìn)行目標(biāo)檢測(cè)和判斷需要提取的信息。

2 基于圖像頻譜分布量化分析的檢測(cè)算法

2.1 頻譜分布量化指數(shù)的數(shù)學(xué)定義

自然背景與人工目標(biāo)在紋理、邊緣、幾何等特征上存在差異，而這些差異也體現(xiàn)在頻譜中。紋理等細(xì)節(jié)特征越豐富的圖像的中、高頻譜分量較多，平滑背景的頻譜則多集中在低頻區(qū)域，如圖2所示。

由定義可以看出，[df]的值會(huì)隨著頻率的增大而增大，同時(shí)也受頻率分量的能量比例影響，但究其根本還是同整幅圖像中頻率分量的能量在整幅圖中所占比例以及頻率分量的高低有很大關(guān)系。

2.2 檢測(cè)算法

一般遙感圖像的尺寸較大，一方面為了突出目標(biāo)的局部特征，另一方面為了便于計(jì)算目標(biāo)區(qū)域與背景之間的頻譜差異，在檢測(cè)時(shí)將遙感圖像進(jìn)行分塊處理。檢測(cè)算法流程如圖3所示。

檢測(cè)算法的步驟如下：

（1） 將圖像劃分成相同大小的圖像塊，選取合適的大小既能突出目標(biāo)，又能滿足快速計(jì)算的要求。

（2） 對(duì)所有圖像塊進(jìn)行傅里葉變換，按照式（3）～式（5）求出所有圖像塊的[df]值。

（3） 根據(jù)所有圖像塊的均值[df]求出每個(gè)圖像塊的偏離度：

3 實(shí)驗(yàn)結(jié)果及分析

選取多幅海洋背景下的艦船遙感圖像進(jìn)行實(shí)驗(yàn)，其中目標(biāo)的大小各異，海面背景的干擾也不相同。圖4（a）中是檢測(cè)的原圖，從圖4（a）中可以看出目標(biāo)的尺寸不同，其中兩艘船的尺寸較小容易被忽略。按照上文中的方法和檢測(cè)步驟計(jì)算每個(gè)圖像塊的[df]值，所有圖像塊的[dev]參數(shù)并歸一化后生成檢測(cè)顯著圖如圖4（b）所示，圖4（c）顯示了根據(jù)顯著圖對(duì)原圖中進(jìn)行目標(biāo)提取的結(jié)果。

應(yīng)用文中方法實(shí)現(xiàn)自然背景下人工目標(biāo)快速檢測(cè)，選取多幅沙漠背景或者戈壁背景的遙感圖像進(jìn)行實(shí)驗(yàn)。圖5（a）所示為戈壁中有人工建筑的遙感圖像，圖5（b）為根據(jù)第2.2節(jié)中的計(jì)算步驟對(duì)原圖中的人工目標(biāo)進(jìn)行檢測(cè)的顯著圖，并根據(jù)該顯著圖確定了原圖中的人工目標(biāo)所在區(qū)域，結(jié)果如圖5（c）所示。

本文選取了兩組實(shí)驗(yàn)圖像對(duì)算法進(jìn)行驗(yàn)證，分別將海面上的艦船和沙漠、山地等自然場(chǎng)景中的人工建筑作為檢測(cè)的目標(biāo)，并對(duì)實(shí)驗(yàn)結(jié)果進(jìn)行了統(tǒng)計(jì)如表1所示。實(shí)驗(yàn)結(jié)果說(shuō)明，本文算法能夠快速實(shí)現(xiàn)自然背景下人工目標(biāo)的檢測(cè)，對(duì)大自然場(chǎng)景中的小目標(biāo)的檢測(cè)也比較有效。通過(guò)計(jì)算分塊圖像頻譜分布指數(shù)[df]值，并求取分塊圖像的偏離度來(lái)判別每個(gè)圖像塊中是否有目標(biāo)，達(dá)到了對(duì)目標(biāo)進(jìn)行快速檢測(cè)的目的。

4 結(jié) 語(yǔ)

圖像的頻譜能夠表征目標(biāo)的特征，并通過(guò)其頻譜特征可以進(jìn)行遙感圖像的分析和目標(biāo)搜索、檢測(cè)。本文提出了一種通過(guò)頻譜分析快速發(fā)現(xiàn)自然背景中人工目標(biāo)及其區(qū)域的新方法：通過(guò)定義頻譜分布量化指數(shù)[df]提取出圖像頻譜分布特征，根據(jù)區(qū)域的頻譜分布量化值，通過(guò)計(jì)算區(qū)域之間的差異度得到各區(qū)域的顯著值，從而實(shí)現(xiàn)自然背景下的人工目標(biāo)快速檢測(cè)。實(shí)驗(yàn)結(jié)果表明新算法能夠有效地實(shí)現(xiàn)自然背景下潛在人工目標(biāo)和多目標(biāo)的快速搜索和發(fā)現(xiàn)，且計(jì)算簡(jiǎn)單、快捷，適用于在軌的目標(biāo)快速檢測(cè)和定位。

表1 目標(biāo)檢測(cè)結(jié)果

參考文獻(xiàn)

[1] 黃姍.遙感圖像目標(biāo)檢測(cè)[D].西安：西安電子科技大學(xué)，2010.

[2] ITTI L， KOCH C， NIEBUR E. A model of saliency?based visual attention for rapid scene analysis [J]. IEEE transactions on pattern analysis and machine intelligence， 2016， 20（11）： 1254?1259.

[3] HOU X， ZHANG L. Dynamic visual attention： searching for coding length increments [J/OL]. [2014?05?26]. https：//wenku.baidu.com/view/d76f1c61b4daa58da0114a9f.html.

[4] CHENG M M， ZHANG G X， MITRA N J， et al. Global contrast based salient region detection [J]. Computer vision and pattern recognition， 2011， 37（3）： 409?416.

[5] ACHANTA R， S?SSTRUNK S. Saliency detection using maximum symmetric surround [C]// Proceedings of IEEE International Conference on Image Processing. Hongkong， China： IEEE， 2010， 119（5）： 2653?2656.

[6] 劉曉龍，李英成.地物頻譜在遙感圖像分類中的應(yīng)用研究[J].遙感信息，1999，14（1）：24?26.

[7] 葉澤田.頻譜段圖像及其應(yīng)用的探討[J].環(huán)境遙感，1993，8（2）：139?146.

[8] 吳桂平，肖鵬峰，馮學(xué)智，等.基于光譜空間變換的遙感圖像目標(biāo)探測(cè)方法研究[J].光譜學(xué)與光譜分析，2013，33（3）：741?745.

[9] 吳桂平，肖鵬峰，馮學(xué)智，等.利用頻譜能量進(jìn)行高分辨率遙感圖像地物識(shí)別[J].武漢大學(xué)學(xué)報(bào)（信息科學(xué)版），2011，36（11）：1294?1297.

[10] 趙好好，馮學(xué)智，肖鵬峰.基于頻域特征的遙感圖像城市道路綠地覆蓋輪廓提取[J].遙感信息，2014，29（3）：50?56.

[11] GOODMAN J W.傅里葉光學(xué)導(dǎo)論[M].3版.北京：電子工業(yè)出版社，2011.

[12] 馬衛(wèi)紅.基于圖像分析的光學(xué)傳遞函數(shù)測(cè)試技術(shù)研究[D].西安：西安光學(xué)精密機(jī)械研究所，2005.

[13] 馮學(xué)智，肖鵬峰，趙書(shū)河，等.遙感數(shù)字圖像處理與應(yīng)用[M].北京：商務(wù)印書(shū)館，2011.