羅興潮 黃文騫 李加群 林位衡

（1.92556部隊 舟山 316009）（2.海軍大連艦艇學院軍事海洋與測繪系 大連 116013）

1 引言

隨著遙感技術(shù)的飛速發(fā)展，利用衛(wèi)星遙感圖像檢測海洋目標、監(jiān)視海洋動態(tài)、服務海事救援等方面越來越受到人們的關(guān)注。其中，近岸港口是海洋遙感檢測的重要區(qū)域，但影像中陸地區(qū)域存在大量干擾，影響港口的檢測工作。如何高效、準確地完成高分辨率光學港口影像的海陸分離，是近年來近海遙感領(lǐng)域的一個重要課題。

海陸分離方法可以分為基于圖像特征的海陸分離法和基于先驗信息的海陸分離法兩大類，基于圖像特征的海陸分離方法精度較低，無法滿足高分辨影像港口檢測的要求?；谙闰炐畔⒌暮ｊ懛蛛x方法，是一種借助現(xiàn)有的海岸線、港口圖等先驗信息，利用圖像匹配來實現(xiàn)海陸分離的方法。

圖像匹配方法可以分為三類：灰度信息的模板匹配、基于對象關(guān)系的匹配、基于特征提取的匹配?；叶刃畔⒌哪０迤ヅ渌惴ㄊ峭ㄟ^滑窗的方法獲取待匹配圖像的灰度信息，與已知模板進行相關(guān)性分析完成圖像匹配；基于對象關(guān)系的匹配算法是近年在人工智能領(lǐng)域提出的概念，基本思路是通過建立對象與網(wǎng)絡進行匹配，但構(gòu)建網(wǎng)絡與對象關(guān)系的難度較大，目前還未取得突破性進展；基于特征提取的匹配，是通過特征提取與分析完成圖像間的匹配，主要特征有點特征、線（邊緣）特征、面（區(qū)域）特征。

由于灰度信息的模板匹配與基于對象關(guān)系的匹配并不適用于基于先驗信息的海陸分離；而邊緣特征與區(qū)域特征的提取與匹配計算復雜度較高且不穩(wěn)定，本文提出了一種基于特征點匹配的海陸分離算法。

2 算法流程

基于特征點匹配的海陸分離方法，基本思路是先通過匹配地理坐標，從先驗影像庫中選擇先驗模板，再通過與模板的配準完成精細海陸分離，具體流程如下。

圖1 基于特征點匹配的海陸分離方法流程圖

Step1.建立先驗影像庫，收集國內(nèi)外各大港口影像，其中每組影像模板包括，匹配影像（灰度影像或多波段影像）、掩膜影像（人工標繪制作的海陸二值影像）；

Step2.讀取需要海陸分離的影像，完成影像預處理，并通過坐標匹配完成模板選擇；

Step3.提取輸入影像與匹配影像的特征點，并保存每個點的特征值；

Step4.匹配兩幅影像的的特征點，并通過兩兩配對的特征點，求出兩幅影像間的映射關(guān)系；

Step5.通過求得的映射關(guān)系，完成掩膜影像的配準，并對輸入影像進行掩膜處理，完成海陸分離。

3 影像預處理與坐標匹配

影像預處理的主要工作是去噪，在高分辨率可見光遙感影像中的噪聲，主要為椒鹽噪聲與高斯噪聲，可以通過中值濾波器與維納濾波器去除，如圖2。

圖2 影像去噪示例

影像完成預處理后，通過讀取坐標范圍，在模板庫中匹配相應區(qū)域的先驗影像。由于不同源的遙感影像定位的經(jīng)緯度坐標存在誤差，先驗影像無法直接進行掩膜，需要通過特征點的提取與匹配來完成影像的高精度配準。

4 特征點的提取與匹配

特征點的提取與匹配是基于特征點匹配的海陸分離方法的關(guān)鍵一步，它關(guān)系到影像配準的精度與整體算法的效率，需要平衡好算法精度與復雜度之間的關(guān)系。本文使用SURF算法進行特征點的提取與匹配。SURF（Speeded Up Robust Features）算法［1～4］由 Wang與 Bay等于 2006 年提出，在保留SIFT［5～9］算法優(yōu)良的尺度、光照、旋轉(zhuǎn)不變性的基礎(chǔ)上，改進了特征點的提取和描述方式，提高了運行速度。SURF算法主要由四個步驟組成：一是構(gòu)造Hessian矩陣及尺度空間；二是搜索定位特征點；三是賦予特征點方向值；四是生成特征點描述子。

由SURF算法提取出的每一個特征點對應的特征描述子是一個64維的特征向量。匹配特征點，就是將特征向量的歐氏距離最近的兩個特征點關(guān)聯(lián)起來，為了提高匹配的精度，需要剔除最近鄰歐氏距離Dismin與次近鄰歐氏距離Dissec的比值大于閾值T的點，即每組匹配的特征點需要滿足下式：

圖3為閾值T=0.5的SURF特征點匹配示例。

圖3 閾值T=0.5的SURF特征點匹配示例

5 基于RANSAC的特征點篩選與影像配準

完成特征點的匹配后，需要從各組匹配點中解算出影像的變換矩陣，以此完成影像配準。但通過匹配的特征點中還存在著許多的誤匹配點，會使變換矩陣產(chǎn)生偏差，因此需要先將其剔除。本文采用RANSAC 算法［10～13］來進行匹配點篩選并計算出影像變換矩陣。

RANSAC（Random Sample Consensus）算法由Fischler和Bolles于1981年提出，核心在于兩個點集的配準過程，表示如下：

其中，pt與ps為一組對應點，R與T為變換矩陣。

RANSAC算法的基本思路是：將點集分為“模內(nèi)點集”與“模外點集”，“模內(nèi)點集”符合數(shù)學模型、“模外點集”不符合數(shù)學模型。通過一部分“模內(nèi)點集”迭代估計數(shù)學模型的參數(shù)，得到一個包含最多點集的最優(yōu)數(shù)學模型。

基于RANSAC算法的特征點篩選流程如下：

Step1：在特征點集中隨機選擇4組對應點，并根據(jù)這些對應點計算出變換矩陣R。

Step2：根據(jù)變換矩陣R與誤差函數(shù)計算出滿足當前變換矩陣的特征點子集S。

Step3：根據(jù)當前特征點子集S元素個數(shù)判斷是否為最優(yōu)集。

Step4：計算當前的變換矩陣下的特征點集錯誤概率P，重復Step1～3，直至錯誤概率小于設(shè)置的最小錯誤率，得到最優(yōu)變換矩陣R*。

通過迭代得出的最優(yōu)的變換矩陣R*，便可以完成影像的配準。由于RANSAC算法具有不確定性，需要增加迭代次數(shù)來提高配準的精度，特別是在處理不同尺度、光照、形變等情況下的多源遙感影像時。

6 掩膜

圖像掩膜指將圖像中與需求無關(guān)的區(qū)域用選定的擋板模型遮掩起來，主要用于提取感興趣區(qū)，屏蔽干擾等。

實現(xiàn)掩膜需要完成三個步驟：制作掩膜、配準掩膜與覆蓋影像。其中，制作掩膜是建立先驗影像庫的主要工作之一，需要人工裁定影像庫中近岸港口數(shù)據(jù)的海陸區(qū)域，并其轉(zhuǎn)換為二值圖像。該二值影像便是掩膜處理中的擋板，使用變換矩陣對二值影像進行配準后，將其覆蓋在輸入影像上，便完成了海陸分離。

7 實驗與分析

7.1 運行環(huán)境與評價指標

為了測試處理高分辨率港口影像海陸分離時各方法的性能，本文做了四種方法的對比實驗：Otsu算法、改進的Otsu海陸分離方法、基于SIFT特征點匹配的海陸分離方法、基于SURF特征點匹配的海陸分離方法。運行環(huán)境如表1所示。

表1 運行環(huán)境

為了客觀分析與對比各方法的海陸分離效果，本文設(shè)置了兩個評價指標：耗時T與分割精度P，分割精度P的定義為

其中，Sr為精確分割的海洋區(qū)域，St實驗分割的海洋區(qū)域。

7.2 實驗數(shù)據(jù)

實驗數(shù)據(jù)來源“Google Earth”，先驗數(shù)據(jù)為1024×1024的匹配影像與掩膜影像，匹配影像的分辨率約為2m，待海陸分離數(shù)據(jù)為1536×1536的A影像與2047×2047的B影像，分辨率約為1m。匹配影像與A、B影像具有不同尺度，雖然匹配影像尺寸大小不如待分離影像，但實際覆蓋區(qū)域相同或是更大，如圖4。

7.3 實驗結(jié)果與分析

A、B影像的海陸分離的結(jié)果如圖5～6及表1～2，實驗表明，Otsu算法精度最低，海陸分離的效果最差，無法完整分割海域與陸地；改進的Otsu海陸分離方法雖然有效地去除了海浪噪聲、降低了陸地建筑干擾，但無法精準分割出港口輪廓，容易混淆靠港艦船與突出碼頭；而后兩種基于特征點匹配的海陸分離方法分割效果都相當好，能夠精準地將碼頭與海域分割開來。在運行速度方面，基于SURF特征點匹配的海陸分離方法快于基于SIFT特征點匹配的海陸分離方法。參考分割精度與耗時兩個指標，并結(jié)合實驗結(jié)果影像的分割效果綜合評價，基于SURF特征點匹配的海陸分離方法在四種方法中表現(xiàn)最好。

圖4 實驗數(shù)據(jù)

圖5 A影像的海陸分離結(jié)果

表2 A影像的海陸分離性能比較

圖6 B影像的海陸分離結(jié)果

表3 B影像的海陸分離性能比較

8 結(jié)語

本文提出了一種基于SURF特征點匹配的高分辨率光學港口影像海陸分離方法，先通過坐標匹配找到相應區(qū)域的先驗影像；再通過SURF算法提取特征點，并基于歐氏距離進行匹配；然后使用RANSAC算法完成特征點的篩選與影像匹配；最后通過配準的掩膜影像實現(xiàn)海陸分離。實驗表明，該方法具有較高的精度與計算效率。