成 艷，孟祥勇，于雪蓮，錢惟賢

（1 南京理工大學 電子工程與光電技術學院，南京 210094；2 齊齊哈爾北方華安集團試驗場，黑龍江 齊齊哈爾 161000）

0 引言

現(xiàn)代海上監(jiān)控中，艦船作為海上重點監(jiān)控目標，其所屬類型不同，面臨檢測后的應對方式也是不同的。為了精確地完成艦船監(jiān)控，目標識別是關鍵問題。高分辨率衛(wèi)星遙感圖像的發(fā)展，提供了更廣闊的視野和更詳細的信息，可以對超大面積海面實現(xiàn)監(jiān)控，在多個領域應用廣泛。

遙感圖像分辨率的提高，使得圖像中艦船目標與背景間的輪廓越來越清晰，艦船目標的幾何特征愈加明顯?；趲缀翁卣鞯呐灤瑱z測算法，主要是基于艦船目標的特殊形狀特征，如船頭尖角、船身平行線、長寬比、對稱性等。

對艦船輪廓的描述主要有鏈碼描述和關鍵點描述方法。如：Liu 等人基于Harris 角點檢測和局部的輪廓及灰度信息獲得船頭目標，并結合船體長寬比及船身對稱性等特征，確認艦船目標。蔣李兵改進了可變夾角鏈碼方法，結合關鍵點描述方法，對艦船的輪廓特征進行描述。李慶峰融合了艦船形狀特征、梯度方向特征與紋理特征檢測艦船，并利用AdaBoost 分類器對特征向量分類檢測。

進入亞米空間分辨率后，艦船的內部結構和外部干擾也愈加清晰。現(xiàn)有的艦船輪廓檢測算法，易受船內結構、船邊水花及陰影等噪聲的干擾。針對此類復雜的艦船目標及背景，本文基于關鍵點描述方法，在提取出艦船目標區(qū)域后，結合艦船形狀和灰度特征，提取出對稱點對來檢測艦船輪廓。

1 艦船目標區(qū)域提取

1.1 海上艦船圖像特征

在海面場景的高分辨率光學遙感圖像中，海面背景占據(jù)了圖像中的大部分像素，且整體像素灰度值較低，起伏變化較為平緩。而足夠高的空間分辨率，使得艦船目標的形狀結構和紋理信息也得以很好的體現(xiàn)，整體像素灰度值較高，邊緣輪廓較為明顯，細節(jié)清晰。

通過調查不同種類軍船、民船的詳細形狀資料，形狀特征總結如下：

（1）理想的艦船以船頭到船尾的中軸線為對稱軸，在外形上較為對稱；船身主體兩側船舷相互平行，靠近船頭或船尾的部分兩側船舷會存在一定夾角。

（2）軍船相對于民船來說對速度要求較高，故船頭一般呈夾角較小的銳角形狀或較狹長的流線型子彈頭狀；民船通常對載貨量、穩(wěn)定性等要求較高，故船頭一般呈夾角相對較大的銳角形狀或相對較短圓的流線型子彈頭狀。

（3）常見船尾分為3 種形狀：橢圓船尾、巡洋艦型船尾和方型尾，在圖像中分別表現(xiàn)為半橢圓形狀、梯形及方形。其中，除某些駁船仍采用橢圓船尾外，許多客船、貨船及中低速的軍艦多采用巡洋艦型尾，而方型尾大多用于航速較高的艦艇及貨船。

（4）船頭部分隨著與船身距離的增大，其橫向寬度逐漸降低（趨近于0），降低的速率多呈非線性變化；而船尾部分隨著與船身距離的增大，其橫向寬度也逐漸降低，趨近于固定值（略小于船身主體寬度），降低的速率近似線性變化；一般軍船的船頭橫向寬度變化速率低于民船。

1.2 艦船目標區(qū)域提取

在高分辨率光學遙感圖像中，艦船目標整體灰度相對海面背景較高，目標與背景間的灰度差異較為明顯，可通過灰度閾值分割將二者分離，再通過數(shù)學形態(tài)學濾波，去除外部零散噪聲，對得到的連通域的凸包面積、外接矩形長寬比等特征參數(shù)進行統(tǒng)計，提取出艦船目標區(qū)域。

遙感圖像中不可避免地包含一定噪聲，可通過混合中值濾波方法，對原始灰度圖像進行預處理，降低噪聲。該濾波方法的數(shù)學表達式可寫為：

其中，

這里，為濾波窗口大小，［］ 為取中值操作。

常用的灰度閾值分割方法有最大類間方差法、直方圖谷點法、基于熵的方法等，考慮到數(shù)據(jù)的計算量和圖像的復雜性，可對基于直方圖谷點法進行相應改進。由于含有艦船目標的圖像灰度直方圖并非“雙峰一谷”的形狀，而是多峰多谷狀，需要結合圖像實際目標背景特征，選擇分割閾值。觀察圖像發(fā)現(xiàn)，艦船陰影在圖像中灰度值最小，海面背景灰度也偏低，二者均在圖像中占據(jù)一定比例的像素，分別對應灰度直方圖最左邊2 個峰。因此，計算圖像直方圖后進行平滑操作，在第二個谷值處設置閾值，將圖像分割為不同灰度段的二值化連通域圖像，灰度高于閾值的區(qū)域設為1。由于艦船行駛時會產(chǎn)生水花，為了減輕水花影響，同時消除部分噪聲干擾，對分割后圖像進行數(shù)學形態(tài)學濾波，先腐蝕后膨脹，去除目標外部小物體。得到的連通域凸包即為艦船目標區(qū)域。

2 艦船輪廓檢測算法

對于具有一定分辨率的船只，艦船輪廓特征成為分析識別艦船的主要對象，而單純的灰度分割無法得到真實的艦船輪廓，還需做進一步的輪廓提取。

艦船輪廓提取時，首先在艦船目標區(qū)域定位艦船的主副軸，然后依據(jù)船體兩側邊緣的平行和對稱特征，在船體邊緣檢測的基礎上，篩選出兩側平行船舷和船頭船尾的成對點，接著依次連接點對，擬合艦船輪廓，最后對輪廓形狀函數(shù)進行建模，實現(xiàn)艦船形狀檢測。算法流程如圖1 所示。

圖1 艦船輪廓檢測算法Fig.1 Ships contour detection algorithm

2.1 主副軸定位

提取艦船目標區(qū)域后，得到艦船目標的二值化二維凸包，采用K3M 算法迭代腐蝕邊界，逐步細化，得到艦船骨架。骨架為單層像素寬度線條，記錄每段線條的起點、終點、發(fā)生較大轉折的拐點，從拐點斷開，計算每段骨架線段的向量范數(shù)，最大值所在線段即為主軸，對應艦船目標的對稱軸。以主軸節(jié)點為中心，在垂直主軸方向上，取多個連續(xù)像素為副軸，副軸長度為艦船最小外接矩形寬度。

計算每條副軸灰度曲線大于閾值的脈寬，脈寬大于脈寬均值0.9 倍的副軸視為位于艦船目標船身。

2.2 邊緣檢測

艦船輪廓邊緣是圖像灰度快速變化的地方，是圖像中的高頻分量。使用差分金字塔得到原圖的高頻圖像，以減少后續(xù)計算量。

噪聲屬于高頻信號，為了有效抑制噪聲，使用高斯濾波器平滑圖像。高斯卷積函數(shù)為：

則平滑后的圖像為：

對于二維離散圖像，使用2×2 一階有限差分，近似計算方向與方向的偏導數(shù)：

則圖像梯度幅值和方向的計算公式為：

其中，（，）為梯度幅度，（，）為梯度方向。若在沿其梯度方向的局部鄰域中，某像素的梯度幅度不是最大值，則將其置0。

對非極大值抑制后的圖像，采用高低雙閾值來濾除噪聲和幅值較小的梯度。高閾值得到強邊緣圖像，低閾值得到弱邊緣圖像，將強邊緣圖像中的邊緣線在弱邊緣圖像中按8 像素鄰域進行拓展，得到最終的邊緣圖像。

2.3 點對提取

對艦船目標的二維凸包進行圖像膨脹，將位于膨脹后的二維凸包外的邊緣點置0，抑制背景邊緣。對艦船邊緣線的坐標進行一階擬合，計算邊緣線與主軸的夾角，即：

其中，是邊緣線相對水平方向的夾角，是主軸線相對水平方向的夾角。

計算邊緣線到主軸的平均距離，即：

其中， d為邊緣線上每一像素到主軸線的距離。

考慮到艦船形狀的狹長近似平行特點和具有一定的尺寸，篩除與主軸夾角大于閾值和到主軸平均距離小于閾值的邊緣線。

依次尋找位于同一副軸兩側的邊緣點對，計算2 點到主軸的距離差和兩點間距離，此時用到的數(shù)學公式分別為：

其中，和是邊緣點對中，2 點到主軸線的距離。

由于艦船外形近似對稱，篩除到主軸距離差大于閾值的邊緣點對；對于位于船身的邊緣點對，篩除點間距離小于脈寬均值0.9 倍或大于1.2 倍的點對，抑制艦船目標內部結構和外部水花產(chǎn)生的邊緣。

2.4 輪廓擬合

完成上述操作，剩余的邊緣點按所在副軸對應主軸上位置依次連接后，得到艦船的偽輪廓。但此時輪廓線上仍有許多小的毛刺。

為了去除毛刺，簡化艦船輪廓形狀模型，將艦船船尾兩側最后端2 個邊緣點加入關鍵點序列，遍歷找到邊緣點序列中位于2 點之間的、到2 點連線距離最大的邊緣點，插入到關鍵點序列2 點之間。對關鍵點序列任意2 個相鄰點重復上述插點步驟，直至所有位于相鄰2 點間的邊緣點到2 點間連線的距離均小于閾值，得到描述艦船輪廓的關鍵點序列為止。

將相鄰關鍵點用線段按順序連接，就可以對艦船輪廓近似擬合。計算任意3 個相鄰點所產(chǎn)生的夾角，對得到的線段序列和夾角序列進行建模，并統(tǒng)計面積、長寬等形狀特征，與先驗模型進行匹配，則可完成艦船目標的識別。

3 實驗結果及分析

圖像的分辨率越高，數(shù)據(jù)計算量越大。因此，在中低分辨率的圖像中檢測出包含艦船的區(qū)域，在高分辨率圖像中的對應位置進行艦船輪廓的檢測識別。

以23 型護衛(wèi)艦為例，展示輪廓檢測效果。艦船行進方向右側有大片陰影，左側后方有水花泡沫，艦船內部結構設施及其陰影也較為清晰。對原始灰度圖像采用灰度閾值分割后，得到艦船目標區(qū)域如圖2（a）所示。圖2（a）中紅線為凸包輪廓，綠線為其最小外接矩形，海面背景和船外側陰影被抑制，艦船目標區(qū)域包含完整的船體和部分緊靠船側的水花。從艦船目標區(qū)域檢測到的邊緣中篩選出對稱點對，共得到9 個關鍵點，線段序列如圖2（b）中紅線所示。船側水花噪聲被去除，艦船輪廓線擬合效果較好，沒有受到船內部設施邊緣線的影響。

圖2 艦船輪廓檢測結果Fig.2 Ships contour detection results

分別統(tǒng)計經(jīng)過目標區(qū)域提取和艦船輪廓檢測兩個步驟后，得到的艦船面積和最小外接矩形的長寬參數(shù)，見表1。由于去除了水花，面積和長寬均有所改變。

表1 艦船特征參數(shù)統(tǒng)計Tab.1 Statistics of ships characteristic parameters

由表1 可知，與艦船的實際參數(shù)相比，輪廓檢測后得到的長寬比與艦船實際長寬比略小一些，這是由于拍攝高度角并非嚴格的90°，而是稍有傾斜所致。

對不同場景不同種類的船只檢測輪廓，部分結果如圖3 所示。相對于鏈碼描述方法檢測輪廓，基于關鍵點描述方法的檢測算法，不僅能夠清晰地描述輪廓線的走向，且對局部小的干擾不敏感，具有一定的抗噪性，還可以提高后續(xù)匹配識別的計算效率。關鍵點描述方法的核心是關鍵點的檢測，對于關鍵點，至今未有統(tǒng)一的數(shù)學定義。本文的關鍵點檢測方法，以基于艦船灰度特征和形狀特征的對稱點對為基礎，對傳統(tǒng)關鍵點檢測方法無法檢測的弧線部分也可以用不同密度的點序列描述，輪廓擬合效果較好，對艦船局部內外部干擾項不敏感，檢測過程簡單，魯棒性強。

圖3 艦船輪廓Fig.3 Ships contour

4 結束語

本文針對在高分辨率遙感圖像中檢測艦船輪廓的需求，提出了基于關鍵點描述的艦船輪廓檢測算法。該方法通過灰度多閾值分割來獲取艦船目標區(qū)域，以船體對稱軸為主軸架構主副軸框架，對目標區(qū)域邊緣點提取對稱點對，再生成關鍵點序列，得到對應的線段序列和夾角序列。該方法過程簡單，易于實現(xiàn)，適用于不同場景、不同種類的船只，能夠較好地擬合艦船輪廓，為后續(xù)的艦船識別打下基礎。