基于遥感图像的舰船目标检测及特征提取技术

尹方平

(广东机电职业技术学院,广东 广州 510515)

基于遥感图像的舰船目标检测及特征提取技术

尹方平

(广东机电职业技术学院,广东 广州 510515)

首先运用OSTU算法对舰船目标图像的陆域和海域空间分离，进而提出一种基于云干扰背景的高斯分布混合统计模型进行虚假目标的过滤。在实现舰船目标(ROI)检测的基础上，又根据舰船图像的特征提取形态特征和尾迹特征等，精确实现对舰船目标鉴别。数据表明，通过以上步骤的技术处理，能够很好地实现对遥感图像的舰船目标进行虚假过滤和快速的舰船特征提取。

空间分离；特征提取；目标鉴别

0 引 言

当前对于舰船图像的目标检测有SAR系统和卫星遥感。而卫星遥感的舰船图像检测与识别，相对来说形成较晚，还不够全面和系统，主要是针对图像检测中的某一方面或具体检测过程中的某一环节进行研究。卫星遥感图像的获取主要受到天气、海面气候等多种因素的影响，所以获取的原始图像含有一些虚假或模糊的部分，需要客观分析，确定舰船的最终目标特征。本文参考大量前人研究成果和相关文献中介绍的可行方法，根据遥感图像的舰船目标特征，结合现有的处理技术，步骤有序地对遥感获取的舰船目标进行检测和特征提取，鉴别出真正的舰船目标图域，为精确分析舰船的行为轨迹提供科学的方法。

1 目标图像检测步骤

基于遥感的舰船检测主要分为对舰船目标域的确定和舰船特征的精确提取，初始的遥感图像舰船目标是在海陆背景下获取的，对舰船目标的检测首先需要做到海域和陆域的图像分离，将海域的舰船图像呈现出来。为了能够准确辨别出图像中的海域舰船目标是真实的还是云背景干扰的图像，需要利用数学算法去除干扰，过滤虚假目标，获取真实的舰船目标；然后需要运用一定方法进行图像平滑和增强处理；最后对舰船目标图像进行形态特征和尾迹特征的提取，实现精确的舰船目标图像的鉴别。本文的设计流程如图1所示。

图1 检测主要流程Fig.1 The main steps of the process

2 基于遥感图像的舰船目标检测

2.1 海陆分离

遥感获取的舰船目标图像在海域和陆域由于背景不同，图像像素的灰度值也不一样，陆域背景较海域背景较亮，据此可以利用阈值方法实现海陆的初始分割。本文基于形态学的最大类间方差法(OSTU)实现，但考虑到陆域海域边缘会有不相连的“小孔”细网状区域，一般这种情况的处理是比较阈值的沌口大小，像素点面积占有较大陆域区域的“小孔”属于陆域，反之则为海域，在这样设定之后，则OSTU算法便好处理。其算法如下：

选取灰度值属于不同范围的两类像素，某一K值为分界条件将灰度范围分割为A和B两大区域，现假设图像的灰度范围在1～L间随机出现。在此间范围内，灰度值为li(1≤i≤L)的像素数目设定为ni，总的像素数为N，那么在A和B两个区域的概率ωA和ωB根据数学计算分别如下所示：

A和B区域的平均灰度为：

则总平均灰度为：

则两区域间的方差为：

σ2=wA(μA-μ)2+ωB(μB-μ)2。

由以上最大类间方差法(OSTU)综合分析后的图像，对属于海域且面积大于或等于舰船面积但其面积却小于某一限定的数值时重新判定其为陆域；反之，对属于陆域且面积小于舰船面积所的数值时重新判定其为海域，经过OSTU法处理后的图像如图2所示。

图2 海陆分离图像Fig.2 Separation of the image the land and sea

2.2 基于云背景干扰的统计分析

在进行海陆分离的海域舰船目标图像，还需要辨识出海洋和舰船的不同属性，同时，在纯海洋背景下仍然有诸如云层和海面浮状物等虚假图像的干扰，所以需要从海洋背景中提取出类舰船目标，然后利用一定的方法滤去虚假目标。一般采用统计分布模型进行处理。本文综合研究实际，提出一种基于高斯分布混合统计模型进行虚假目标的过滤，因为高斯分布属于正太分布，符合遥感图像的背景拟合和自适应阈值参数的选取。那么对于个数给定前提下的高斯混合模型，假设该模型有K个分量，每个分量的密度函数为：

φ(x|θj)=G(x|mj,σj)，

其相应的加权系数为

则高斯混合模型的概率密度函数有如下推导：

采用最小二乘法来进行遥感舰船图像的直方图拟合，采用KL距离度量准则来评价拟合精度，设实际的分布为q(w)，拟合的分布为p(w)，那么KL距离表达式如下：

当采用KL距离来判别高斯模型分量K的拟合进度值时可知，高斯混合模型的分量K值越大，拟合精度越高，对云背景干扰的处理效果也越好。

3 舰船图像的特征提取技术

3.1 舰船目标特征的鉴别

3.1.1 目标特征的提取

舰船图像的轮廓确定后，便可对舰船图像特征进行分类和提取。舰船目标特征的提取主要包括舰船形状、长度、灰度、对比度等受到遥感图像的分辨率和光照识别的一些辨别性特征的鉴别，由于分辨率造成的图像遮挡和干扰需要借助一定的特征要素才能进行精确的鉴别，所以特征要素的提取极为重要。在对舰船目标特征的提取后，还需要对诸特征进行有效的鉴别，才能真正实现舰船目标的检测。目标特征的鉴别就是对舰船ROI相邻或相近的区域进行聚类，运用相关已知的数学方法进行模型的提取，本文主要通过形状特征和尾迹特征进行舰船目标特征的提取分析。

3.1.2 目标特征聚类

假设遥感图像的目标舰船的长度和宽度分别为Lm和Wm，遥感图像的光学分别率为r，舰船ROI的面积为：

S≤Smax=L×W/r×r，

其中Smax为舰船的最大面积。对于某个舰船区域间的像素i和j之间的距离d(i,j)满足下面关系：

根据上述方法进行目标特征的提取，在此基础上遍历整幅图像，统计检测后的标定区域灰度较亮像素的个数，归类为该区域所属范围。当面积不满足统计时，可以用下面公式确定：

Sr={S|Smin≤S≤Smax}。

这样，便可对舰船特征的归属进行统计。

3.2 基于舰船目标的形状特征和尾迹特征的提取

3.2.1 形状特征提取

形状特征有多种提取方法，对舰船目标长度L和宽度W的提取本文采用最小外切矩形法，并根据TBR准则利用目标区域的目标像素数目与背景像素数目的最大比值来恰当选择ROI以作为最小外切矩形区域。先假设某区域图像的随意像素f(i,j)在转变θ角后的坐标为：

其中1≤i≤M0，1≤j≤N0，那么依次此角度为基准的外切矩形即称之为最小外切矩形。

假如在舰船的面积疆界用全部N个边界像素和质心间的欧式距离的有序序列用d(i)描述，其中归一化轮廓序列的矩为mr和ur，那么在第r阶轮廓序列矩mr和第r阶中心矩ur被估算为：

最终F1，F2，F3，F4这组向量便可作为形状特征鉴别的特征向量。

3.2.2 尾迹特征提取

基于尾迹特征的提取方法有多种，本文选取基于改进的局部Radon 变换的方法进行舰船尾迹特征的提取，对于一组二维图像信号f(x,y)， 通过Radon 变换后可表示为：

式中：D为二维XY平面；f(x,y)为在坐标(x,y)处的图像的灰度值；ρ为从原点到一直线间的长度；θ为该直线与X轴间的角度大小。

从上式的含义可知，Radon 变换图像像素点在每条直线上的积分，该积分能够有效反映舰船目标图像在不同的投影下的像素灰度总积累特征，该特征总是在Radon 变换域得到上下起伏变化的曲线峰值，或明亮或灰暗，而变换域峰值又是灰度特征的标志，这样便可通过变换域峰值来判定舰船尾迹的，进而实现对尾迹特征的提取。

3.3 目标特征的综合分析检测

为了快速过滤掉虚假目标，获取精确的舰船ROI，在研究中往往选择舰船特征的各提取方法进行综合的鉴别分析。考虑到更精确快速的进行舰船特征的提取检测，本文综合了舰船的形状特征和纹理特征提取方法，选取了8幅舰船遥感图像，共检测出96个海面舰船检测目标，实现了检测率由鉴别检测前的96.8%到检测后的93.4%变化，而且也实现了目标检测性能中的虚警率的大幅下降，其百分比由检测前的26.2%到减少到检测后的6.19%，成功地完成了对28个虚假云背景目标的过滤，达到了既定的检测效果。综合特征的检验结果如图3所示。

图3 目标鉴别结果Fig.3 The results of objective to identify

[1] LI Wen-wu.Detection of ship in optical remote sens-ing image of median-low resolution[master dissertation][M].National University of Defense Technology,China,2008.

[2] 赵英海,吴秀清，闻凌云，等.可见光遥感图像中舰船目标检测方法[J].光电工程，2008，35(8):102-106.

ZHAO Ying-hai,WU Xiu-qing,WEN Ling-yun,et al. Ship target detection scheme for optical remote sensing images[J].Opto-electronic engineering,2008,35(8):102-106.

[3] CORBANE C,PECOUL E,et al.Fully au-tomated procedure for ship detection using optical satel-lite imagery.In:Proceedings of the International Confer-ence on Remote Sensing of Inland, Coastal, and Oceanic Waters.Noumea, New Caledonia:SPIE,2008.71500R-1 71500R-13.

[4] 王彦杰，汪增福.基于光学图像的舰船航迹检测[J].智能系统学报,2007,2(4):46-51.

WANG Yan-jie,WANG Zeng-fu.Ship wake detection using optical images[J].CAAI Transactions on intelligent systems,2007,2(4):46-51.

[5] ZHU Chang-ren,ZHOU Hui,et al.A novel hierarchical method of ship detection from space-borne optical image based on shape and texture features[J].IEEE Transactions on Geoscience and Remote Sensing,2010,48(9):3446-3456.

[6] GREIDANUS H,LEMOINE G,KOURTI N.Satellite ship detection for fishery control[C]//NURC International Symposium Remote Sensing Applications to Support NATO Expeditionary Operations.Lerici.Italy,2005.

Ship target detection and feature extraction technology research based on remote sensing image

YIN Fang-ping

(Guangdong Vocational College of Mechanical and Electrical Technology,Guangzhou 510515,China)

In this paper, firstly we propose the spatial separation of land and sea by using the OSTU algorithm for the land and sea space ship target image.Morever,we proposed a gaussian distribution hybrid statistical model for false target filter which based on cloud interference background. When achieving target detection based on the ship target image, we attempt the ship image feature extraction based on target characteristics and morphological characteristics for achieving precise target discriminatio.Finally,the data shows that the technical processing through the above steps,this method can filtering false targets of remote sensing images and quickly extracts ship features.

spatial separation;feature extraction;target discrimination

2014-02-02;

2014-07-25

国家自然科学基金资助项目(11201504)

尹方平(1980-)，男，硕士，副教授，研究方向为应用数学及图像处理。

TN919.85

A

1672-7649(2014)12-0112-04

10.3404/j.issn.1672-7649.2014.12.025