基于最佳閾值分割的艦船目標(biāo)檢測(cè)方法＊

王保云， 楊昆

（1.云南師范大學(xué) 信息學(xué)院，云南 昆明650500；2.西部資源環(huán)境地理信息技術(shù)教育部工程研究中心，云南 昆明650500）

海上艦船目標(biāo)檢測(cè)是數(shù)字圖像處理在遙感領(lǐng)域的一個(gè)重要應(yīng)用，其研究成果在民用和軍事方面都有廣泛的用途，比如在對(duì)特定海域進(jìn)行水運(yùn)交通監(jiān)視、船只救援、非法傾倒油污檢測(cè)、戰(zhàn)時(shí)戰(zhàn)況監(jiān)視、海盜行為監(jiān)控等.隨著當(dāng)前傳感器技術(shù)的發(fā)展，使得多源、多時(shí)相影像的獲取更為容易，艦船目標(biāo)檢測(cè)的方法朝著多源信息融合檢測(cè)的方向發(fā)展.法國(guó)的研究認(rèn)為一個(gè)完整的艦船監(jiān)測(cè)系統(tǒng)，應(yīng)將光學(xué)與微波遙感數(shù)據(jù)結(jié)合，其中全天時(shí)、全天候的微波遙感數(shù)據(jù)用于檢測(cè)目標(biāo)，分辨率高、解譯容易的光學(xué)遙感數(shù)據(jù)用于目標(biāo)識(shí)別，從而綜合提高艦船目標(biāo)的檢測(cè)和識(shí)別能力，并據(jù)此為歐盟第五框架DCLIMS開發(fā)了艦船目標(biāo)識(shí)別系統(tǒng)［1－3］.

無(wú)論是光學(xué)遙感圖像，還是SAR圖像，從中檢測(cè)艦船目標(biāo)的關(guān)鍵在于能否準(zhǔn)確地從含有目標(biāo)的區(qū)域中將背景和目標(biāo)分割開來(lái).常用的圖像分割方法包括區(qū)域生長(zhǎng)法［4］、聚類法［5－6］、邊緣與區(qū)域結(jié)合法［7］以及閾值法［8－10］等.區(qū)域生長(zhǎng)法需要給定種子點(diǎn)，依據(jù)種子點(diǎn)進(jìn)行區(qū)域生長(zhǎng)，自動(dòng)性差；聚類法適用于多區(qū)域分割，用于單目標(biāo)分割時(shí)其性質(zhì)和效果與單閾值法類似；基于邊緣的方法從物體輪廓來(lái)考慮分割，但分割效果受邊緣檢測(cè)效果的直接影響，多數(shù)情況下，邊緣檢測(cè)的抗噪性和精度難以同時(shí)保證.基于閾值的分割方法由于其原理簡(jiǎn)單、計(jì)算量小而在實(shí)時(shí)和近實(shí)時(shí)性系統(tǒng)中廣為應(yīng)用［8，11－12］.

許多應(yīng)用場(chǎng)合都對(duì)目標(biāo)檢測(cè)的漏警率有嚴(yán)格的要求，因?yàn)樯倭康穆┚瘜?huì)造成致命的后果，漏警的代價(jià)遠(yuǎn)高于虛警.文獻(xiàn)［13］針對(duì)光學(xué)遙感圖像采用多階閾值進(jìn)行分割，對(duì)于復(fù)雜海域背景情況下的艦船目標(biāo)識(shí)別取得一定效果，但該方法存在兩點(diǎn)不足：一是僅針對(duì)光學(xué)遙感圖像進(jìn)行建模，二是需要進(jìn)行多次分割，較為耗時(shí).鑒于此，本文從構(gòu)造分割閾值集合出發(fā)，通過(guò)特征約束條件，尋找最佳分割閾值，從而達(dá)到對(duì)艦船目標(biāo)的最佳分割效果.

1 閾值分割

常見的閾值分割方法有最小誤差閾值法（Minimum Error Threshold，MinErT）［8，12，14］、最大類間方差法（OTSU）［15］和最大熵法（Maximum Entropy Threshold，MaxEnT）［16］.無(wú)論是哪一種閾值分割算法，要進(jìn)行成功分割，至少需要滿足如下條件：

（1）圖像存在可分割閾值T＊；

這樣，對(duì)圖像的分割可以描述為：

其中，RF為前景（目標(biāo)）像素集合，RB為背景像素集合.

對(duì)于條件（1），針對(duì)海洋區(qū)域的艦船目標(biāo)是合理的；至于條件（2），對(duì)于簡(jiǎn)單背景的圖像，當(dāng)前分割算法能夠滿足，但遙感圖像成像情況復(fù)雜，多數(shù)情況下數(shù)據(jù)的統(tǒng)計(jì)特性并不滿足算法的假設(shè)條件（比如像素統(tǒng)計(jì)直方圖不具有雙峰特性），使得計(jì)算出來(lái)的閾值偏離T＊太多（即Δ過(guò)大），導(dǎo)致分割失敗，無(wú)法檢測(cè)出目標(biāo).如圖1（a）為一幅Quickbird成像的背景復(fù)雜且含有艦船目標(biāo)的光學(xué)遙感圖像，圖1（b）為其無(wú)雙峰特性的統(tǒng)計(jì)直方圖，圖1（c）是初步分割結(jié)果（理想閾值），圖1（d）為圖1（c）經(jīng)過(guò)形態(tài)學(xué)后處理的結(jié)果.圖1（e）－（g）是用三種常見閾值分割法對(duì)原圖進(jìn)行分割的結(jié)果.可見，由于背景的復(fù)雜性，常用分割算法都難以找到準(zhǔn)確的分割閾值，導(dǎo)致分割失敗，無(wú)法從分割結(jié)果中提取出感興趣目標(biāo).

圖1 復(fù)雜海面背景圖像的閾值分割Fig.1 Segmentation results of different thresholds for ship target detection with complex sea background

相對(duì)于單閾值分割的局限性，多階閾值分割方法用于分割多個(gè)、不同灰度級(jí)的目標(biāo)或區(qū)域，王保云等對(duì)光學(xué)遙感圖像中復(fù)雜海面背景提出了多階閾值分割［13］，取得了一定的效果（其分割流程如圖2所示）.但多階閾值分割算法只針對(duì)光學(xué)圖像進(jìn)行分析，同時(shí)需要對(duì)多個(gè)分割結(jié)果進(jìn)行判斷，這增加了計(jì)算量.如何針對(duì)復(fù)雜背景情況，在多階閾值的基礎(chǔ)上尋找到最佳閾值進(jìn)行一次最優(yōu)分割，成為亟待解決的問(wèn)題.

圖2 基于多階閾值分割的目標(biāo)區(qū)域分割Fig.2 Flowchart of the multi－level threshold segmentation method

2 最佳閾值分割算法

2.1 算法流程

無(wú)論是在民用的船只監(jiān)測(cè)，還是軍事上的戰(zhàn)時(shí)戰(zhàn)況監(jiān)視等應(yīng)用環(huán)境，都需要艦船目標(biāo)檢測(cè)系統(tǒng)具有很高的檢測(cè)率（即漏警率接近于0），而對(duì)虛警率的要求則可以適當(dāng)放松.這使得我們可以首先關(guān)注如何最大可能的檢測(cè)到目標(biāo)，然后再進(jìn)行虛警去除.

從前面的分析可知，單閾值分割失敗是由于獲得的t相對(duì)于T＊發(fā)生了偏離.如果能夠?qū)Σ煌瑘D像獲得的t進(jìn)行修正以逼近T＊，這樣就能達(dá)到期望的分割效果，基于最佳閾值分割算法正是基于這一思路來(lái)建立的，即通過(guò)t構(gòu)建閾值集合，然后在分割約束條件下尋找最佳分割閾值T＊，從而進(jìn)行最優(yōu)分割.

兩組均予常規(guī)治療，包括避免可能加重腎損害的藥物應(yīng)用、降壓、糾正腎性貧血等，并予解毒泄?jié)犷w粒保留灌腸。治療組在對(duì)照組治療基礎(chǔ)上，加用蓉黃顆粒（含肉蓯蓉、生大黃、牛膝、蒲公英、六月雪、姜竹茹、茯苓、桃仁、甘草，由安徽省中醫(yī)院藥劑科制成顆粒劑，每包10 g，產(chǎn)品批號(hào)：20161211）沖服，3次/d，每次1袋。療程均12周。

基于分割閾值集合的分割算法流程如圖3所示，算法流程為：

（1）計(jì)算近似分割閾值t；

（2）計(jì)算分割閾值集合中各元素；

（3）選擇最佳分割閾值；

（4）分割并進(jìn)行后處理.

近似分割閾值t可選定 MinErT、OTSU、MaxEnT中任一算法的計(jì)算結(jié)果.

分割之后的后處理是為了去除噪聲，方便特征提取，對(duì)光學(xué)圖像可以采取一次開運(yùn)算；對(duì)于SAR圖像，由于其邊緣閉合性差，進(jìn)行一次3×3模板下的膨脹運(yùn)算.

圖3 目標(biāo)區(qū)域的最佳閾值分割流程Fig.3 Flowchart of the optimal threshold segmentation method

分割后的二值圖像認(rèn)為是目標(biāo)與背景完全分離的圖像，目標(biāo)為白而背景為黑，或相反.

2.2 閾值集合構(gòu)建

設(shè)T為根據(jù)t校正后的分割閾值，首先可得到分割閾值集合ΩT為：

式中λ＝0，±1，±2，...為控制調(diào)整系數(shù)，δ（I）為與圖像I有關(guān)的調(diào)整項(xiàng)單元，最小值為1.這里定義與文獻(xiàn)［13］相同

因?yàn)棣模↖）較小，所以可認(rèn)為ΩT中元素總有T的一個(gè)或者多個(gè)近似等于T＊，從而認(rèn)為ΩT中存在著理想分割閾值，即認(rèn)為T＊∈ΩT.

2.3 最佳閾值搜索

從ΩT快速搜索到T＊是算法的關(guān)鍵步驟.在多階閾值分割算法中，集合ΩT中所有元素均被用于分割操作，但最終分割成功的閾值只有T＊.為了最大限度發(fā)現(xiàn)目標(biāo)，所以總是假設(shè)區(qū)域中含有目標(biāo)，從而可以利用首次分割結(jié)果引導(dǎo)下一次的閾值選擇（如果首次分割不成功的話）.

式中g(shù)（fk）為分割后特征向量fk的約束函數(shù)，即λk的取值受當(dāng)前分割后特征向量約束.為簡(jiǎn)單起見，本文算法中只取目標(biāo)的面積因素（詳見下文）作為約束函數(shù)的自變量，即fk＝sk.若前分割結(jié)果所得目標(biāo)區(qū)域像素值較小，則降低分割閾值，即λk為負(fù)；當(dāng)所得目標(biāo)區(qū)域像素值過(guò)大，則增高分割閾值.g（sk）的定義為：

s0為當(dāng)前分辨率下同類型艦船目標(biāo)的面積像素均值，ck為經(jīng)驗(yàn)常數(shù)，本文算法中取c1＝5，c2＝3，ck＝1，k≥3.ck取值不同是為了更快的搜索到最佳分割閾值.以圖1（a）為例，σ＝16，MinErT算法得到的近似閾值為t＝66，應(yīng)用本文算法得到T1＝t＝66，T2＝72，T3＝70，搜索三次達(dá)到最佳閾值.

3 艦船目標(biāo)檢測(cè)流程

檢測(cè)流程：

圖4 遙感圖像艦船目標(biāo)檢測(cè)流程Fig.4 Flowchart of ship targets detection of remote sensing image

艦船目標(biāo)檢測(cè)首先進(jìn)行全圖的粗分割，提取感興趣區(qū)域，然后對(duì)感興趣區(qū)域進(jìn)行目標(biāo)分割，最后對(duì)分割結(jié)果提取特征并進(jìn)行判決.

有的算法［17］把感興趣區(qū)域提取和目標(biāo)分割合二為一，但由于感興趣區(qū)域的全局性，難以兼顧到區(qū)域內(nèi)分割的準(zhǔn)確性，直接判決影響了檢測(cè)效果.更多算法將粗細(xì)兩級(jí)分割分別進(jìn)行.為了使在提取感興趣區(qū)域時(shí)不發(fā)生艦船目標(biāo)遺漏的情況，一般都把粗分割的門限控制得較為寬松，這樣會(huì)引入較多的非目標(biāo)子塊.下一步的自適應(yīng)目標(biāo)分割就需要對(duì)所有感興趣區(qū)域進(jìn)行精細(xì)分割，從而能夠保證提取的特征能夠準(zhǔn)確刻畫區(qū)域特性，并作出正確的判決.

本文的感興趣區(qū)域提取使用文獻(xiàn)［17］中contrast box濾波，將提取出來(lái)的區(qū)域作為粗分割結(jié)果，以待進(jìn)行精細(xì)分割.

特征提取和判決：

根據(jù)艦船目標(biāo)的幾何特性和分割后的特點(diǎn)，采用下列六個(gè)量描述目標(biāo)［13，17］：區(qū)域長(zhǎng)度l—最小外接矩形長(zhǎng)度；長(zhǎng)寬比r—最小外接矩形的長(zhǎng)寬比，描述目標(biāo)區(qū)域的矩形；面積a—區(qū)域的像素面積，描述目標(biāo)區(qū)域的大??；緊致度c—區(qū)域邊界像素?cái)?shù)目的平方與面積a的比值，描述目標(biāo)區(qū)域的邊界復(fù)雜性；矩形度f(wàn)—區(qū)域面積與區(qū)域的最小外接矩形面積的比值，描述目標(biāo)區(qū)域與最小外接矩形的接近程度；對(duì)稱性s—二值圖中目標(biāo)區(qū)域關(guān)于最小外接矩形中心線兩邊的像素?cái)?shù)的差異，描述目標(biāo)區(qū)域的對(duì)稱性.

上述六個(gè)量組合成一個(gè)6維目標(biāo)特征矢量V（l，r，a，c，f，s），對(duì)艦船目標(biāo)進(jìn)行表達(dá)，兼顧了艦船的外形特征和多邊形特性.

根據(jù)先驗(yàn)知識(shí)或訓(xùn)練數(shù)據(jù)，給出每個(gè)特征的置信區(qū)間，根據(jù)每個(gè)置信區(qū)間對(duì)提取的特征進(jìn)行匹配，最后綜合特征矢量判別得到目標(biāo)判斷結(jié)果.

4 實(shí)驗(yàn)及結(jié)果

4.1 試驗(yàn)數(shù)據(jù)

為了試驗(yàn)算法對(duì)不同數(shù)據(jù)源、不同分辨率、不同場(chǎng)景的目標(biāo)檢測(cè)效果，我們選取了多顆衛(wèi)星的光學(xué)遙感數(shù)據(jù)和雷達(dá)遙感數(shù)據(jù)作為測(cè)試.

光學(xué)遙感數(shù)據(jù)：

測(cè)試來(lái)自 Quickbird、Spot、Ikonos、Landsat衛(wèi)星遙感圖像中隨機(jī)篩選的24 523個(gè)樣本，分辨率從10m到0.6m，圖像大小從30pixels×32 pixels到500pixels×500pixels.其中含有艦船目標(biāo)的樣本共1 133個(gè)，船體大小從15pixels×4 pixels到316pixels×80pixels，而不含艦船目標(biāo)的樣本數(shù)為23 390個(gè).圖5為實(shí)驗(yàn)的部分樣本，其中右邊兩幅含有艦船目標(biāo).

圖5 部分光學(xué)遙感圖像實(shí)驗(yàn)樣本Fig.5 Some optical samples of remote sensing image

SAR數(shù)據(jù)：

從Radarsat 1數(shù)據(jù)中隨機(jī)挑選516個(gè)樣本，其中含有艦船目標(biāo)的為22個(gè)，不含艦船目標(biāo)的為494個(gè).圖6為部分樣本，其中右邊兩幅含有艦船目標(biāo).

圖6 部分SAR圖像實(shí)驗(yàn)樣本Fig.6 Some SAR samples of remote sensing image

4.2 試驗(yàn)結(jié)果

試驗(yàn)中，針對(duì)含有艦船目標(biāo)的光學(xué)遙感數(shù)據(jù)進(jìn)行了粗略歸類.將海面較為簡(jiǎn)單、統(tǒng)計(jì)直方圖具有明顯雙峰特性的歸為第一類，海面背景較為復(fù)雜的歸為第二類.這樣共有三組艦船樣本：光學(xué)一類453個(gè)，光學(xué)二類680個(gè)，SAR圖22個(gè).不含艦船的樣本共23 884個(gè).總測(cè)試樣本共25 039個(gè).

分別使用MinErT、OTSU、MaxEnT三種常用閾值分割方法對(duì)實(shí)驗(yàn)樣本進(jìn)行目標(biāo)檢測(cè)，結(jié)果如表1.表中同時(shí)給出了以上述三種方法獲得閾值為基礎(chǔ)的多階閾值分割法檢測(cè)效果，如表中的“多階閾值法”所示，同時(shí)給出對(duì)應(yīng)的最佳閾值法檢測(cè)結(jié)果，分別對(duì)應(yīng)表1中的“本文方法（t1）”“本文方法（t2）”“本文方法（t3）”項(xiàng)，實(shí)驗(yàn)中多階閾值法和本文算法的參數(shù)M取值均為8.

表1 檢測(cè)結(jié)果統(tǒng)計(jì)Table 1 Statistics of detection results

表1中也同樣可以看出，初始閾值對(duì)于本文算結(jié)果為初始閾值的“本文方法（t2）”和“本文方法（t3）”同樣表現(xiàn)出良好的檢測(cè)效果，檢測(cè)率分別為 97.0%、95.6%，虛警數(shù)分別為 392 和372個(gè).

表2 分割次數(shù)與適用場(chǎng)景Table 2 Statistics of times of segmentation and application cases

表2為各算法的閾值計(jì)算次數(shù)與分割次數(shù)比較.MinErT、OTSU和MaxEnT是直接進(jìn)行閾值計(jì)算，計(jì)算較為簡(jiǎn)單，但只適用于簡(jiǎn)單背景的情形，對(duì)于復(fù)雜背景的情況，大多分割失??；多階閾值法對(duì)復(fù)雜背景有了一定的適應(yīng)性，但分割次數(shù)較多，平均需要進(jìn)行6次計(jì)算才能找到最佳閾值，因?yàn)槎嚯A閾值法是用所有閾值進(jìn)行分割，所以同樣需要進(jìn)行6次分割和特征判斷；本文算法由于以特征約束為導(dǎo)向，能夠大大降低閾值計(jì)算次數(shù)和分割次數(shù)，平均只需分割2.3次就能達(dá)到最佳效果.

圖7（a）、（b）分別為一幅光學(xué)遙感圖像和一幅SAR圖像的檢測(cè)效果圖.從圖中可以看到本文算法能夠?qū)ε灤M(jìn)行很好的檢測(cè)，不受海浪背景和近岸物體的影響.

圖7 艦船目標(biāo)檢測(cè)結(jié)果Fig.7 Results of ship targets detection

5 總 結(jié)

本文提出了基于最佳閾值分割的艦船目標(biāo)檢測(cè)方法.該方法以初始閾值出發(fā)，通過(guò)特征約束，自適應(yīng)地尋找最佳分割閾值，能夠適應(yīng)各種前／背景特征變化的情況，將目標(biāo)成功分割出來(lái)，特別是海面背景復(fù)雜的圖像效果尤佳.根據(jù)不同衛(wèi)星的大量數(shù)據(jù)試驗(yàn)證明，在針對(duì)特定目標(biāo)類型的分割識(shí)別中，本文方法在保持虛警率不變或者略有升高的條件下，可使檢測(cè)率得到大幅提升，具有廣闊的應(yīng)用前景.

［1］HEYNEN M.Coastal mapping＆ship detection from vhr satellite imagery［C］.The Fifth Meeting of the DECLIMS Project，F(xiàn)amborough，UK，2005.

［2］MARRE F.Automatic vessel detection system on spot－5optical imagery：a neuro2genetic approach［C］.The Fourth Meeting of the DECLIMS Project，Toulouse，F(xiàn)rance，2004.

［3］OLIVIER PRONIER.Optical data for ship detection［C］.The Sixth Meeting of the DECLIMS Project，Ispra，Italy，2006.

［4］范偉.基于區(qū)域生長(zhǎng)的彩色圖像分割算法［J］.計(jì)算機(jī)工程，2010，36（13）：192－196.

［5］LI HAIYAN，HE YIJUN，SHEN HUI.Ship detection with the fuzzy c－mean clustering algorithm using fully polarimetric［C］.Geoscience and Re－mote Sensing Symposium，IEEE International（IGARSS2007），Barcelona，Spain，2007.

［6］吳銳，尹芳，唐降龍，等.模糊邏輯和譜聚類的字符圖像分割［J］.哈爾濱工業(yè)大學(xué)學(xué)報(bào)，2010，42（2）：268－271.

［7］何寧，張朋.基于邊緣和區(qū)域信息相結(jié)合的變分水平集圖像分割方法［J］.電子學(xué)報(bào)，2009，37（10）：2215－2219.

［8］儲(chǔ)昭亮，王慶華，陳海林，等.基于極小誤差閾值分割的艦船自動(dòng)檢測(cè)方法［J］.計(jì)算機(jī)工程，2007，33（11）：239－241.

［9］KITTLER J，ILLINGWORTH J.Minimum error thresholding［J］.Pattern Recognition，1986，19（1）：41－47.

［10］Zasada D M，Sanyal P K，Perry R P.Detecting moving targets in multiple－channel SAR via double thresholding［C］.Proceedings of the IET International Conference on Radar Systems，Edinburgh，UK，2007.

［11］胡俊華，徐守時(shí)，陳海林，等.基于局部自相似性的遙感圖像港口艦船檢測(cè)［J］.中國(guó)圖象圖形學(xué)報(bào)，2009，14（4）：591－597.

［12］朱齊丹，荊麗秋，畢榮生，等.最小誤差閾值分割法的改進(jìn)算法［J］.光電工程，2010，37（7）：107－113.

［13］王保云，張榮，袁圓，等.可見光遙感圖像中艦船目標(biāo)檢測(cè)的多階閾值分割方法［J］，中國(guó)科學(xué)技術(shù)大學(xué)學(xué)報(bào)，2011，41（4）：293－298.

［14］范九倫，雷博.灰度圖像最小誤差閾值分割法的二維推廣［J］.自動(dòng)化學(xué)報(bào)，2009，35（4）：386－393.

［15］石爽，曲仕茹，張大奇.基于改進(jìn)型類間方差分割的紅外目標(biāo)提取算法［J］.西北工業(yè)大學(xué)學(xué)報(bào)，2010，28（2）：259－263.

［16］吳一全，潘喆，吳文怡.二維直方圖區(qū)域斜分的最大熵閾值分割算法［J］.模式識(shí)別與人工智能，22（1）：162－168，2009.

［17］趙英海，吳秀清，聞凌云，等.可見光遙感圖像中艦船目 標(biāo) 檢 測(cè) 方 法 ［J］.光 電 工 程，2008，35（8）：102－106.