基于位置先驗信息配準和視覺顯著性的港口艦船目標檢測研究?

高 波 陳 忠 劉思思

（華中科技大學自動化學院 武漢 430074）

1 引言

港口停泊艦船不同于建筑物、機場等地面固定目標，它與地面場景不存在固定不變的空間關(guān)系，在實時圖上的方向也有一定的不確定性。同時，陸地場景復(fù)雜，人造建筑會對艦船的檢測造成極大干擾，直接分割不能獲取全部艦船的區(qū)域信息，反而會讓目標湮沒在陸地疑似目標之中。因此，要檢測出艦船目標，首先要確定其所在的港口結(jié)構(gòu)特性，排除陸地部分的干擾，定位港口位置，提取出艦船所在的背景簡單的海域，再由自身?？恳?guī)則進行分割。

港口目標有人工港口和天然港口之分，形式多樣，背景復(fù)雜，目前還沒有通用的港口檢測方法，快速有效的港口檢測識別一直是遙感圖像分析中一個重要的具有挑戰(zhàn)性的課題［1］。國際上極少有直接關(guān)于港口目標檢測或識別的論文，目前國內(nèi)有通過檢測港口碼頭、檢驗港口岸線封閉性［2～3］、檢測港口防波堤［4］三種思路來定位港口，其中檢測港口碼頭又可分為基于直線檢測定位港口［5～7］、基于輪廓差分鏈碼檢測港口［8］和基于角點檢測港口［9］。第一種思路只能提取碼頭而無法標識出整個港口目標；第二種思路不能單獨檢測碼頭，且可能將自然地形誤檢為港口；第三種思路防波堤目標漏檢較多。考慮到世界上港口數(shù)量有限，且港口在較長時間內(nèi)不會有大的布局變化，利用這些特性，論文選擇將包含全部信息的港口先驗圖像作為預(yù)備知識，采用圖像匹配算法來定位港口與碼頭的具體位置。在獲取到感興趣的區(qū)域后，采用基于區(qū)域?qū)Ρ榷鹊娘@著性方法對圖像進行增強，分割出艦船塊，最后利用艦船?？康臓顟B(tài)規(guī)則，采用橫縱掃描的方法來獲取每一個目標。

2 港口碼頭定位

大多數(shù)港口依天然海岸線而建，在可見光遙感圖像中，陸地區(qū)域具有高亮度，水體部分呈暗色調(diào)，水陸對比明顯。碼頭岸線是碼頭建筑物靠水體一側(cè)的交界線，獲取到它就可知道碼頭的大致位置區(qū)域與規(guī)模。把港口先驗信息作為預(yù)備知識學習，采用SIFT特征配準，根據(jù)先驗信息的結(jié)構(gòu)與覆蓋范圍，精確定位艦船所在碼頭區(qū)域。

2.1 SIFT特征匹配

SIFT算子是由David G.Lowe提出的一種圖像局部特征描述算子［10］，即尺度不變特征變換，它通過眾多的局部特性來描述圖像中的目標，具有很好的優(yōu)勢［11］，已被廣泛運用于目標識別、配準、圖像檢索等領(lǐng)域。

提取特征點后，采用快速近似最近鄰搜索算法（FLANN匹配子）來實現(xiàn)匹配點之間的高效計算，獲取最小距離，這里選取3倍最小距離作為去除錯誤匹配的閾值，若最小距離為0，可選用暴力匹配子選取最小的前50個匹配點，以達到篩選目的。同時，利用仿射變換模型進行驗證和判斷匹配結(jié)果，選取3對匹配坐標，求出仿射變換參數(shù)，然后利用剩下的匹配點代入進行驗證，檢驗結(jié)果是否配對。

其配對準確結(jié)果如圖1所示。

圖1 匹配結(jié)果

2.2 港口目標識別策略及先驗信息

此章節(jié)擬結(jié)合已有港口的先驗結(jié)構(gòu)信息的模板圖像，通過計算原始圖像與待處理圖像之間的變換關(guān)系，將先驗結(jié)構(gòu)信息映射到目標圖像上。

根據(jù)港口目標識別策略，可知港口先驗信息需要兩部分信息：

1）港口模板圖像的內(nèi)容要求包含整個港口的全貌，即覆蓋了所有可能停靠艦船目標的區(qū)域。

2）從模板圖上標記碼頭，獲取指示港口內(nèi)船舶目標可能停靠區(qū)域的位置信息，并進行保存。

港口中船只大都停靠在碼頭周圍區(qū)域，其一般采用與碼頭平行?？康姆绞揭蕾嗽诖a頭，而碼頭一般是人工建筑，呈直線或類直線狀態(tài)，利用這一特性可以用線段近似描述碼頭邊緣，在碼頭邊緣兩側(cè)，一側(cè)為陸地，一側(cè)為海洋，海洋區(qū)域為艦船出現(xiàn)區(qū)域，即ROI區(qū)域。若線段為有向線段，例如，當線段方向為順時針方向時，其右側(cè)即為水體區(qū)域，逆時針方向時，其左側(cè)即為水體區(qū)域。因此，只用一條有向線段即可將整個碼頭信息概括表示，如圖2所示。

對于三維向量 A→=(x1，y1，z1)，B→=(x2，y2，z2)，其向量積公式為

A→× B→=(y1z2-y2z1，x1z2-x2z1，x1y2-x2y1) （1）

分別用三維向量 a→=(ax，ay，0) 和 b→=(bx，by，0)表示方向線段a和b，結(jié)合式（1）有：a→× b→=(0，0，axby-aybx) （2）

根據(jù)向量積右手定則，叉積結(jié)果Z坐標值為正，表示a到b為逆時針方向，此時b在a的左側(cè)；叉積結(jié)果為負，表示a到b為順時針方向，此時b在a的右側(cè)。

ROI區(qū)域的width參數(shù)根據(jù)碼頭的長度而不同，一般成正比關(guān)系。碼頭長表示其規(guī)模較大，可?？枯^多船只。

圖2 ROI區(qū)域

2.3 ROI圖像區(qū)域結(jié)果

結(jié)合上一節(jié)中的先驗信息，利用匹配點計算仿射變換模型的轉(zhuǎn)換參數(shù)，根據(jù)保存的模板圖像港口的線段信息，進而求取目標圖像中對應(yīng)的碼頭區(qū)域。

仿射變換模型：

令 f(x，y)和g(x，y)分別為同一地區(qū)的兩幅遙感圖像，通常情況下，兩者存在著一一對應(yīng)的關(guān)系，滿足某種幾何關(guān)系。令(x，y)和(x'，y')分別為圖像f(x，y)和 g(x，y)中的像素點位置坐標，對應(yīng)與實際中的相同位置，有：

其中 a1，a2，a3，a4以及 b1，b2為仿射變換參數(shù)。未知量為6個，則至少需要3對對應(yīng)坐標點才能求解?？衫蒙弦还?jié)的特征匹配點代入式（3）中求解反射參數(shù)。然后結(jié)合模板圖像標記的位置信息，求解目標圖像中碼頭的位置信息。

圖3為模板圖像，尺寸為3048*1481，分辨率為1m，圖4為目標碼頭圖像及其結(jié)果。

圖3 模板圖像

圖4 ROI子圖像區(qū)域

3 艦船目標檢測

遙感圖像在獲取過程中，不可避免地受到噪聲污染，為了分割出完整的目標，需對圖像進行必要的預(yù)處理。圖像平滑與圖像增強是圖像預(yù)處理中常用的處理方法，也是圖像處理中的重要內(nèi)容。另外，在ROI區(qū)域，有些并沒有目標存在，需要篩選。

3.1 無目標圖像篩選

我們利用圖像的灰度直方圖特點及自適應(yīng)閾值來判定圖像是否存在目標。如圖5（a）所示，包含目標圖像其共有特點呈現(xiàn)雙峰性質(zhì)，這樣自適應(yīng)閾值會在兩波峰之間的波谷區(qū)域，也意味著閾值附近的像素數(shù)量較少，大部分集中在雙峰附近。與之相反，無目標圖像灰度直方圖呈單峰狀態(tài)，其自適應(yīng)閾值在波峰區(qū)域，如圖5（b）所示。

圖5 無目標的圖像灰度直方圖

相對于有目標圖像，無目標圖像閾值附近的像素數(shù)量比例很大。利用這一特性，設(shè)定像素數(shù)量閾值即可判斷有無目標。

3.2 基于區(qū)域?qū)Ρ榷鹊娘@著性增強方法

由于大量陰影的存在，直接采用二值化效果并不好。因此需要采用圖像增強的方法，本章采用基于區(qū)域?qū)Ρ榷鹊娘@著性增強方法，即RC算法［12］。

圖6 5種算法結(jié)果

RC算法是用基于圖的快速分割算法將輸入圖像分割成若干區(qū)域，然后計算每一個像素塊的顯著性值，其從顏色差異，距離遠近，基本像素塊大小三方面進行顯著性考慮，是目標較為優(yōu)秀的顯著性算法之一，檢測結(jié)果精度高，且目標結(jié)果信息豐富。

計算顯著性的公式為

其中，Ds(rk，ri)為兩像素塊空間距離，Dr(rk，ri)為顏色距離，σs決定空間關(guān)系的影響大小，w(ri)為區(qū)域權(quán)值，表示為像素數(shù)量。

選取5種具有代表性的顯著性算法，對比結(jié)果如圖6所示。

在各種顯著性增強算法中，不管是在對比度還是處理陰影上，RC算法結(jié)果最好。

3.3 圖像平滑

運用RC算法進行顯著性增強后，陰影部分有很大改善，圖像也出現(xiàn)較大的對比度差異，同時也產(chǎn)生了噪聲，此時需要采用圖像平滑算法，已實現(xiàn)較好的二值化效果。

為了獲取更好的保持圖像艦船邊緣及其他重要信息，這里采用各向異性擴散濾波的圖像平滑算法來進行去噪。

其迭代方程為

四個散度公式：

四個導(dǎo)熱系數(shù)：

平滑后二值化，并利用形態(tài)學閉運算來填補陰影區(qū)域，可獲得目標堆積區(qū)域的外輪廓，從而獲取堆積區(qū)域的位置信息。

3.4 并靠艦船目標分割

對于艦船堆區(qū)域，統(tǒng)計橫軸或縱軸方向上的像素分布情況，其必出現(xiàn)多波峰鋸齒狀。船頭為局部波峰區(qū)域，船身接觸處為局部波谷區(qū)域，因此可采用谷-峰-谷特征來確定單個艦船位置，實際情況中，為了避免毛刺突起而造成的誤檢，提高算法魯棒性，這里采用均值濾波的方法，對像素數(shù)量進行平滑處理，最終精確獲取船身接觸位置，實現(xiàn)并靠目標的分割。

對于單個目標的區(qū)域以及分割之后的并靠目標，采用提輪廓的方法獲取其在ROI區(qū)域的位置信息，然后利用仿射變換逆推出目標在原圖像上的準確位置。

4 實驗結(jié)果

論文選取了兩幅具有代表性的光學遙感圖像，分別來自日本佐世保和橫須賀的港口遙感圖像作為待檢測圖像，像素分辨率為1m，尺寸大小分別為4544*3337，2500*2117，由于圖像過大這里只截取部分試驗結(jié)果，如圖7所示。

圖7 檢測結(jié)果

對于圖8上重要的艦船目標，都能夠較為準確的檢測出來，在所有的74個艦船目標檢測中，該方法總共檢測出68個重要目標，檢測率達到91.8%，且漏檢目標為一般性船只，驗證了該方法的可行性。

5 結(jié)語

本文描述了一種從遙感圖像數(shù)據(jù)中檢測?？颗灤恼w流程，該方法是結(jié)合SIFT特征匹配和基于區(qū)域?qū)Ρ榷鹊娘@著性算法來實現(xiàn)的。此方法優(yōu)點在于其適用性和準確性：1）適合任意港口，包括規(guī)則的人工港口和復(fù)雜的天然港口；2）人工標記模板港口信息，建立港口信息庫，繞開了海陸分離的思路，使得準確度和適用性提高；3）將顯著性算法運用于圖像分割中，大大減少了陰影等因素的干擾。

［1］周擁軍，朱兆達，丁全心.遙感圖像中港口目標識別技術(shù)［J］.南京航空航天大學學報，2008，40（3）：350-353.ZHOU Yongjun，ZHU Zhaoda，DING Quanxin.Port Target Recognition of Remote Sensing Image［J］.Journal of Nan?jing University of Aeronautics&Astronautics，2008，40（3）：350-353.

［2］朱兵，李金宗，陳愛軍.基于知識的快速港口識別［J］.計算機應(yīng)用，2006，26（3）：729-732.ZHU Bing，LI Jinzong，CHEN Aijun.Fast knowledge based recognition of harbor target［J］.Computer Applica?tions，2006，26（3）：729-732.

［3］張志龍.基于遙感圖像的重要目標特征提取與識別方法研究［D］.長沙：國防科學技術(shù)大學，2005.ZHANG Zhilong.Feature Extraction and Recognition of Important Targets in Remote Sensing Imagery［D］.Chang?sha：National University of Defense Technology，2005.

［4］柴宏磊.基于知識的遙感圖像港口目標識別［D］.成都：電子科技大學，2015.CHAI Honglei.Research on Port Target in Remote Sens?ing Images based on Knowledge［D］.Chengdu：University of Electronic Science and Technology of China，2015.

［5］趙波.遙感圖像目標識別算法研究［D］.長沙：國防科學技術(shù)大學，2004.ZHAO Bo.A Research on Target Recognition Algorithms for Remote Sensing Image［D］.Changsha：National Univer?sity of Defense Technology，2004.

［6］Mandal D P，Murthy C A，Pal S K.Analysis of IRS imag?ery for detecting man-made objects with a multivalued rec?ognition system［J］.IEEE Transactions on Systems Man&Cybernetics Part A Systems&Humans，1996，26（2）：241-247.

［7］楊耘，王樹根，邱丹丹.基于規(guī)則的高分辨率影像港口識別模型［J］.測繪地理信息，2005，30（5）：40-42.YANG Yun，WANG Shugen，QIU Dandan.Harbor Recog?nition Model from High Resolution Images Based on Rules［J］.Journal of Geomatics，2005，30（5）：40-42.

［8］叢瑜，周偉，于仕財，等.一種對港口影像進行艦船目標提取方法［J］.計算機仿真，2014，31（1）：22-25.CONG Yu，ZHOU Wei，YU Shicai，et al.Method for Ex?traction of Ship Target from Remote Sensing Images［J］.Computer Simulation，2014，31（1）：22-25.

［9］李艷，彭嘉雄.港口目標特征提取與識別［J］.華中科技大學學報（自然科學版），2001，29（6）：10-12.LI Yan，PENG Jiaxiong.Feature Extraction of the Harbor Target and Its Recognition［J］.Journal of Huazhong Uni?versity of Science&Technology，2001，29（6）：10-12.

［10］Lowe D G.Distinctive Image Features from Scale-Invari?ant Keypoints［J］.International Journal of Computer Vi?sion，2004，60（2）：91-110.

［11］張振，徐守時，胡俊華，等.基于局部特征的遙感圖像快速自動配準［J］.計算機工程與應(yīng)用，2010，46（13）：161-163.ZHANG Zhen，XU Shoushi，HU Junhua，et al.Fast auto registration of remote sensing image based on local fea?ture［J］.Computer Engineering and Applications，2010，46（13）：161-163.

［12］Cheng M M，Mitra N J，Huang X，et al.Global Contrast Based Salient Region Detection.［J］.Pattern Analysis&Machine Intelligence IEEE Transactions on，2015，37（3）：569.

［13］Hou X，Zhang L.Saliency Detection：A Spectral Residu?al Approach［C］//Computer Vision and Pattern Recogni?tion，2007.CVPR'07.IEEE Conference on.IEEE，2007：1-8.

［14］ Achanta R，Hemami S，Estrada F，et al.Frequen?cy-tuned salient region detection［C］//Computer Vision and Pattern Recognition，2009.CVPR 2009.IEEE Con?ference on.IEEE，2009：1597-1604.

［15］Zhai Y，Shah M.Visual attention detection in video se?quences using spatiotemporal cues［C］//ACM Interna?tional Conference on Multimedia.ACM，2006：815-824.

［16］Cheng M M，Mitra N J，Huang X，et al.Global Contrast Based Salient Region Detection.［J］.Pattern Analysis&Machine Intelligence IEEE Transactions on，2015，37（3）：569.