王海霞,徐 進?,王慶名,趙 陽,龐璽斌

(1.大連海事大學(xué) 航海學(xué)院,遼寧 大連 116026;2.大連海事大學(xué) 校友事務(wù)與合作處,遼寧 大連 116026 )

0 引言

航海雷達(dá)能夠在惡劣天氣和能見度不良的條件下,穩(wěn)定獲取海上目標(biāo)和運動對象的方位角和距離,可實時感知周圍環(huán)境信息,提供掃描范圍內(nèi)的動態(tài)障礙物信息和其他在電子海圖上未能顯示出的靜態(tài)信息,對船舶安全航行發(fā)揮著十分重要的作用[1-2]。目前航海雷達(dá)的目標(biāo)識別主要依賴于駕駛員的手動作業(yè),受限于操作員的專業(yè)知識和航海識圖經(jīng)驗,存在目標(biāo)搜索和目標(biāo)識別慢等問題。 對多目標(biāo)的識別與跟蹤研究已經(jīng)成為航海雷達(dá)比較熱門方向,有比較好的應(yīng)用前景。

復(fù)雜背景下弱小目標(biāo)的檢測一直是圖像處理領(lǐng)域的熱點和難點[3-4],基于Prewitt 算子的自適應(yīng)背景預(yù)測算法,更有利于弱小目標(biāo)的實時檢測[5]。 嚴(yán)杭晨等[6]提出了一種基于全方位視覺的多目標(biāo)對象跟蹤方法,采用面向?qū)ο蟮亩嗄繕?biāo)對象跟蹤算法來識別不同的目標(biāo),具有魯棒性高、運算量小、便于硬件實現(xiàn)及高效等優(yōu)點,但會消耗一些計算資源。

雷達(dá)目標(biāo)邊緣檢測是雷達(dá)目標(biāo)識別的基礎(chǔ),但快速準(zhǔn)確檢測是邊緣特征提取的難點問題。 單閾值法提取的邊緣信息存在斷點、特征不準(zhǔn)確等問題,采用雙閾值法可以快速提取圖像邊緣信息并實時檢測[7]。 徐進等[8]用改進的Prewitt 算子,對比RATS,OTSU 和MaxEnt 閾值分割方法對航海雷達(dá)圖像進行降噪處理,效率較高,且能較為完善地保留圖像的原始信息。 許樂靈等[9]研究發(fā)現(xiàn)根據(jù)圖像邊緣區(qū)域自適應(yīng)地選擇2 個閾值,二者有效結(jié)合可大幅提高邊緣檢測算法的準(zhǔn)確度和運算效率。 胡笑莉等[10]利用OTSU 法和 Kittler 法互補計算出的2 個閾值,不僅保留了更多細(xì)節(jié)目標(biāo),也控制了算法的時間開銷,針對光照不均圖像的二值化問題,提出一種新的圖像增強方法。

本文以大連海事大學(xué)校船“育鯤”輪執(zhí)行科研航行任務(wù)時,采集的雷達(dá)原始圖像為數(shù)據(jù)基礎(chǔ),在警戒區(qū)范圍內(nèi),采用自動多級閾值與面積閾值的雙閾值法,提取對本船航行安全可能產(chǎn)生影響的目標(biāo),實現(xiàn)雷達(dá)目標(biāo)的快速識別,為船舶海上航行提供安全保障。

1 雷達(dá)目標(biāo)快速識別方法

1.1 數(shù)據(jù)來源及設(shè)備參數(shù)

本文選擇X 波段船載雷達(dá)信號采集得到的原始灰度圖像(設(shè)備參數(shù),如表1 所示),圖像中信號監(jiān)測范圍為0. 75 海里,圖像大小為1 024 像素×1 024 像素(如圖1 所示)。 監(jiān)測數(shù)據(jù)采集地點：大連沿海,位置如圖2 所示。 船載平臺：大連海事大學(xué)“育鯤”輪號(如圖3 所示),采集時間：2015 年8 月11 日10 時14 分59 秒。 這份數(shù)據(jù)中含有大量的含雜波信息,用于反演海面海浪、風(fēng)速、風(fēng)向等信息的研究。

圖1 雷達(dá)圖像原圖Fig.1 original radar image

圖2 數(shù)據(jù)采集點Fig.2 Data acquisition position

圖3 船載雷達(dá)溢油監(jiān)測系統(tǒng)(育鯤輪)Fig.3 Installation of marine radar oil spill monitoring system on the Yukun

表1 育鯤輪航海雷達(dá)設(shè)備參數(shù)Tab.1 Parameters of the marine radar installed on the Yukun

1.2 數(shù)據(jù)預(yù)處理

1.2.1 坐標(biāo)系統(tǒng)變換

實驗數(shù)據(jù)的坐標(biāo)系統(tǒng)是現(xiàn)實世界中船載設(shè)備常用的極坐標(biāo)系統(tǒng)。 但是,數(shù)據(jù)采集的原始坐標(biāo)系統(tǒng)是信號抽象世界的平面直角坐標(biāo)系統(tǒng)。 為了從數(shù)據(jù)源頭進行解譯分析,應(yīng)先將數(shù)據(jù)投影回平面坐標(biāo)系下。 極坐標(biāo)以距離和方位角(P,θ)表示目標(biāo)位置,而直角坐標(biāo)以(x,y)表示,采用式(1)進行相互轉(zhuǎn)換,其中θ 為與正北方向的夾角[11]。

1.2.2 Prewitt 算子

雷達(dá)信號夾帶很多的干擾噪聲,包括斑點噪聲和同頻干擾,在識別雷達(dá)目標(biāo)之前對雷達(dá)圖像進行預(yù)處理顯得尤為必要[12]。 現(xiàn)有Prewitt 相關(guān)算法存在邊緣識別率低、準(zhǔn)確性差、閾值設(shè)定隨機性大等問題,為此提出一種自適應(yīng)閾值的Prewitt 圖像邊緣檢測算法。

Prewitt 算子是一階微分算子,它利用像素點領(lǐng)域的灰度差峰值,檢測目標(biāo)邊緣[13]。 其原理是利用方向特性窗口與目標(biāo)圖像進行卷積來完成的,主要包含水平特征窗口與垂直特征窗口。 對數(shù)字圖像f(x,y),Prewitt 算子的定義如下：

式中,G(i)為垂直特征窗口算子,多用于檢測水平邊緣,G(j)為水平特征窗口算子,多用于檢測垂直邊緣,i,j 分別為圖像矩陣的行列數(shù)。

由于同頻干擾在平面直角坐標(biāo)系中,表現(xiàn)為Y 軸垂直方向的高亮噪聲,因此本文將Prewitt 算子進行改進,且只利用垂直特征檢測窗口,公式如下：

改進Prewitt 算法計算量小,獲取的邊緣線條細(xì)節(jié)更加完整清晰。

1.2.3 魯棒自動閾值法

RATS 是一種灰度圖像二值化閾值分割方法[14]。 在噪聲存在的情況下,分割閾值T 偏向于圖像中最大類。 噪聲的偏移可以通過一個低于沒有經(jīng)過加權(quán)的灰度邊緣強度閾值來消除。 這時,閾值T演變?yōu)槿缦鹿剑?/p>

式中,η 為噪聲的標(biāo)準(zhǔn)偏差,λ 為實際使用的邊緣強度閾值的矯正參數(shù)。 針對式(6)中定義的邊緣強度,Wilkinson[15]在1998 年的實際實驗中,認(rèn)為高斯噪聲圖像中的λ=5 最適合。 結(jié)果表明,針對原點處邊緣的均勻響應(yīng),任何邊緣檢測器在任意維度上都會產(chǎn)生相同的最優(yōu)閾值T。 特別是在梯度儀檢測器中：

式中,gx,gy,gz 沒有曲率偏差和旋轉(zhuǎn)變化。 除此之外,Kahmoun[16]在1994 年提到,梯度檢測器可以減少噪聲偏差。 然而,減少噪聲偏置是以增加方差為代價的。 這個方差可以利用Sobel 濾波器內(nèi)核計算得到的x,y,z 的導(dǎo)數(shù)來控制。

1.2.4 線性內(nèi)插

由于同頻干擾在平面坐標(biāo)系圖像中,呈現(xiàn)出縱向特性[17]。 所以,在處理噪聲點時,選取其橫軸方向上鄰近的2 個非噪聲像素點,按照距離進行加權(quán)插值,如下：

式中,m,n 分別表示目標(biāo)點左、右側(cè)的噪聲點總數(shù)。

同頻干擾是雷達(dá)在天線接收端方向上造成的噪聲,在雷達(dá)圖像上代表方位角方向的信號噪聲。 在抑制這種噪聲時,應(yīng)當(dāng)在以方位角為橫軸方向,以量程回波信號為縱軸方向的平面坐標(biāo)系統(tǒng)中進行降噪處理。 由于橫向卷積處理后的同頻干擾噪聲信號強度被削弱,而其他像元的信號強度變化并不明顯,因此,原圖像與卷積處理后的圖像,會在同頻干擾處存在較大差異。 接下來,再應(yīng)用自動多級閾值法,進行圖像的二值化分類。 其中,同頻干擾和噪聲為“1”,其他像元為“0”,。 再采用橫向濾波器,對同頻干擾信號進行線性內(nèi)插處理[18],如圖4 所示。

圖4 圖像預(yù)處理Fig.4 Result of data preprocessing

2 識別過程與結(jié)果

2.1 鎖定目標(biāo)范圍

“警戒區(qū)”即為根據(jù)主管機關(guān)在充分考慮該水域的通航環(huán)境、通常情況下的通航秩序及該水域歷史上發(fā)生的險情、事故情況進行綜合分析的基礎(chǔ)上給所有航經(jīng)該水域的船舶采取警戒行為的區(qū)域[19]。警戒區(qū)會比其他區(qū)域更加可能會發(fā)生碰撞危險事故,所以船舶在該水域航行的過程中,應(yīng)當(dāng)加強對某類碰撞危險的針對性瞭望,選擇當(dāng)下本船最佳航速、航向來避免碰撞事故的發(fā)生。 利用灰度分布動態(tài)曲線,根據(jù)本船目前警戒區(qū)范圍,識別出目前對本船有航行威脅的目標(biāo),如圖5 所示。

圖5 設(shè)定警戒區(qū)Fig.5 Set warning zone

2.2 自動多級閾值法

隨著分類數(shù)量的增加,閾值圖像變得更加類似于原始圖像[20]。 原始圖像與閾值圖像之間的差異隨著分類數(shù)量的增加而減少,但是表示閾值圖像所需的總位數(shù)隨著類數(shù)的增加而增加。 因此,這2 個因素之間必須存在妥協(xié)。

設(shè)k 表示分類數(shù)量,Dis(k)表示閾值和原始圖像之間的差異。 考慮這2 個因素的成本函數(shù)C(k)公式被提議為：

式中,ρ 是一個正的權(quán)重常數(shù),C(k)的第1 項測量閾值圖像和原始圖像之間的差異所導(dǎo)致的成本,第2 項測量由用于表示閾值圖像的位數(shù)所導(dǎo)致的成本。 差異的平方根Dis(k)與隨機變量的“標(biāo)準(zhǔn)偏差”具有相似的含義。 采用平方位使用懲罰有兩個原因：首先是使用“中間值定理”證明C(k)可以擁有唯一的最小值;第2 個是通過(Dis(k))來避免這個詞的控制。 為了達(dá)到CdDis(k)和Cb(log2(k))之間的最佳折衷,C(k)必須最小化。 基于成本函數(shù)C(k),提出自動閾值準(zhǔn)則(ATC)以確定最優(yōu)分類數(shù)量k?公式如下：

k：灰度被分類的分類號碼;

Sk,i：當(dāng)灰度級被分為k 類時的第i 個非零閾值;

Ck,i：第i 類具有從Sk,i-1到(Sk,i-1)的灰度級;

ωk,i：Ck,i的概率;

Pk,i：在由ωk,i歸一化后由Ck,i導(dǎo)出的分布;

μk,i：Pk,i的平均數(shù);

因此,對于給定的分布P≡{pi|i∈Gm},可以得到以下關(guān)系：

式中,GSk,i≡{Sk,i-1,Sk,i-1+1,…,(Sk,i-1)}在每個類中,所有的灰度級都被指定為該類灰度級的平均值。 差異Dis(k)公式為：

從Pk,i中選擇具有最大方差的分布并應(yīng)用最大相關(guān)標(biāo)準(zhǔn)(Maximum Correlation Criterion,MCC),該選擇分布可以進一步分成2 個分布。 因此,原始分布p 可以在歸一化之后被分割成k+1 個分布,并且原始圖像的灰度也被分成k+1 個類別。 重新標(biāo)記式(9)～式(14)的所有閾值和k+1 級版本。 因此,可以相應(yīng)地定義差異Dis(k+1)。

直觀地看,隨著分類數(shù)量的增加,閾值圖像變得更加類似于原始圖像。 因此,當(dāng)分類數(shù)量增加時,差異應(yīng)該減小。 現(xiàn)在,定義的Dis(k)將在下面被證明具有這種適當(dāng)性。

此外,如果假設(shè)Dis(k)的形式為a×k-λ,那么可以得到關(guān)于C(k)的下列命題。

命題2：如果Dis(k)=a×k-λ,a＞0,λ＞0 且ρ＜4×ln256×256λ/2/(λa1/2(ln2)2),則Dis(k) 對于k?[1,256]具有唯一的最小值。

從命題2 中可以看出,當(dāng)Dis(k)開始增加時,可以確定最小成本,而不是在全球范圍內(nèi)進行搜索。 這意味著式(10)中的搜索過程可以終止并且ATC 的計算復(fù)雜度可以進一步降低。 自動多級閾值分割效果如圖6 所示。

圖6 自動多級閾值法Fig.6 Automatic multi-level threshold method

2.3 面積閾值法

通過面積閾值法對第1 次圖像分割后的圖像進行目標(biāo)提取,根據(jù)船舶的面積范圍設(shè)定一個最佳閾值,將低于此閾值的噪聲目標(biāo)進行剔除,如圖7所示。

圖7 面積閾值法Fig.7 Area threshold method

2.4 目標(biāo)提取

最后,將降噪后的圖像,從平面坐標(biāo)系轉(zhuǎn)換到極坐標(biāo)系統(tǒng)下,其轉(zhuǎn)換公式如下：

將圖像上識別出來的已經(jīng)剔除后的目標(biāo)進行標(biāo)紅顯示,以便進行下一步提取目標(biāo),如圖8 所示。

圖8 目標(biāo)識別結(jié)果Fig.8 Result of target recognition

2.5 雷達(dá)目標(biāo)與電子海圖融合

① 根據(jù)船首向角度,將雷達(dá)圖像進行旋轉(zhuǎn),使雷達(dá)圖像的0 點方向指向正北方向,如圖9 所示。

圖9 雷達(dá)圖像真北方向校正Fig.9 True north direction correction of radar image

② 提取所有識別目標(biāo)的輪廓,并記錄每個目標(biāo)的邊界點圖像坐標(biāo),如圖10 所示。

圖10 目標(biāo)輪廓提取Fig.10 Target contour extraction

③ 根據(jù)船舶的GPS 信息,依據(jù)WGS1984 地理坐標(biāo)系統(tǒng)到Beijing1954 平面坐標(biāo)系統(tǒng)(大連港附近海域處于6°帶劃分的21 帶中)的空間投影方法,將船舶的經(jīng)緯度坐標(biāo)變換為平面直角坐標(biāo)系,單位變換為m。 (121.741 812°,38.943 339°)變換為(390 917.14 m,4 313 042.96 m)

④ 由于當(dāng)前數(shù)據(jù)的量程為0.75 海里,且圖像半徑為512 像素,從而計算出每個像素點的空間分辨率為2.71 m。 根據(jù)每個目標(biāo)的邊界點圖像坐標(biāo)與船舶所在中心點的圖像坐標(biāo),以及每個像素的空間分辨率,計算出每個邊界點的在Beijing1954 平面坐標(biāo)系統(tǒng)下的平面坐標(biāo)。 最后,將每個邊界點的平面坐標(biāo)從Beijing1954 平面坐標(biāo)系統(tǒng)反投影回WGS1984 地理坐標(biāo)系統(tǒng)中,變換為經(jīng)緯度坐標(biāo)。

⑤ 利用地理信息系統(tǒng)中的空間對象生成技術(shù)與每個目標(biāo)的所有邊界點地理坐標(biāo),在電子海圖中生成識別的目標(biāo)多邊形,如圖11 所示。

圖11 數(shù)據(jù)融合結(jié)果Fig.11 Result of data Fusion

3 結(jié)束語

本文以大連海事大學(xué)校船“育鯤”輪航行過程采集的雷達(dá)圖像為數(shù)據(jù)基礎(chǔ),提出一種基于多級閾值與面積閾值的雙閾值法的雷達(dá)目標(biāo)快速識別方法。 研究結(jié)果表明：

① 改進后的Prewitt 算子進行圖像卷積運算可以實現(xiàn)邊緣檢測,RATS 自動閾值法在提取同頻干擾時能夠消除邊緣細(xì)小噪聲,而線性內(nèi)插的方式加權(quán)求均值,抑制同頻干擾,運算簡單,需要采取的像素點少;

② 多級閾值與面積閾值的雙閾值法,能夠?qū)⒉挥绊懕敬叫行∶娣e的目標(biāo)剔除,只保留船舶或其他較大面積影響船舶航行安全的目標(biāo);

③ 提取后的目標(biāo)與電子海圖融合,在電子海圖上面顯示本船附近在警戒區(qū)內(nèi)可能會對船舶航行安全造成影響的目標(biāo),為駕駛員提供更加全面可靠的信息。