田國昊，石 磊，劉 轟，初秀民

(1.武漢理工大學 智能交通系統(tǒng)研究中心，湖北 武漢 430063；2.中設(shè)設(shè)計集團股份有限公司，江蘇 南京 210014；3.閩江學院，福建 福州 350000)

我國擁有較長的海岸線及內(nèi)河航道，航行安全監(jiān)管的需求越來越大。現(xiàn)今，我國沿海和長江干線已建成50余個船舶交通服務(wù)(VTS)中心，沿海重要水域及港口基本實現(xiàn)了全面覆蓋，長江干線航段基本實現(xiàn)全方位安全監(jiān)管[1]。雷達是VTS系統(tǒng)中不可缺少的組成部分，通過雷達可探查到水域中的船舶航行狀況，幫助海事人員了解水上綜合情況。雷達目標識別是雷達應(yīng)用的關(guān)鍵技術(shù)，而目標識別對于雷達圖像而言具有一定的要求。現(xiàn)今雷達成像技術(shù)已經(jīng)相對成熟，要提高目標識別準確率就需要針對不同應(yīng)用場景對雷達圖像進行處理。針對道路識別場景，文獻[2]通過對圖像紋理進行提取并修復(fù)規(guī)避圖像上出現(xiàn)不完整道路情況的發(fā)生；針對機場跑道場景，文獻[3]提出了一種機場跑道異物檢測方法，利用高斯模型疊加去除噪聲，運用背差法去除背景，再通過形態(tài)學處理增強圖片，最后運用漫水填充法得到雷達圖形中的目標。以上研究都是通過對雷達圖像進行處理進而檢測其目標，對特定的檢測環(huán)境具有較高的目標識別率。

長江的狹窄水域中地形相對復(fù)雜，航道狹窄、彎曲，岸線較長。船舶靠岸行駛時，船舶與岸線圖像融為一體，無法分離，給雷達目標捕獲、識別帶來困難。文獻[4]提出一種應(yīng)用于狹窄水道的雷達圖像處理技術(shù)，可獲取位于航道上的船舶圖像，然而此技術(shù)是基于切除大量岸線回波基礎(chǔ)上的，因此針對雷達圖像上近岸船舶并不能做到識別。為識別近岸船舶，文獻[5]又提出了一種基于圖像處理的內(nèi)河海事雷達圖像岸線橋梁提取方法，利用提取橋梁和岸線的方法對船舶進行識別。然而因岸線橋梁形狀復(fù)雜導致其提取難度高，且岸線橋梁圖像面積遠大于目標船舶圖像面積，去除岸線橋梁時容易丟失近岸船舶目標。

針對上述已有方法存在的問題，本文提出了一種基于圖像處理的雷達圖像船岸分離方法，通過混合高斯背景建模獲得背景圖形，對目標圖像進行形態(tài)學處理及邊緣檢測，最后通過背差法獲得目標船舶，從而進行船岸分離。此方法有利于提高雷達目標識別成功率，減少近岸船舶無法識別情況的發(fā)生，提高海事監(jiān)管水平，保障船舶航行安全。

1 近岸船舶分離處理方法

近岸船舶分離方法包括灰度圖轉(zhuǎn)化、混合高斯模型檢測運動目標、數(shù)學形態(tài)學處理、邊緣檢測等步驟。首先，通過多張雷達圖像進行混合高斯背景建模，獲取背景圖；其次，對當前雷達圖像進行灰度轉(zhuǎn)化，獲取灰度圖；再次，將灰度圖與背景圖進行背差操作，獲得目標船舶圖像，對船舶圖像進行數(shù)學形態(tài)學處理并通過邊緣檢測算法獲取船舶輪廓；最后，船舶輪廓圖與當前幀圖間進行圖像運算操作獲取船岸分離圖像。雷達圖像處理方案如圖1所示。

圖1 雷達圖像處理方案

1)灰度圖轉(zhuǎn)化。此操作將圖像顏色空間從紅綠藍(RGB)三通道值轉(zhuǎn)為單通道灰度值表示，可減少圖像處理運算量，提高運算效率。本文灰度圖轉(zhuǎn)化操作增強圖像中強信號的主體部分，削弱因水波等原因產(chǎn)生的弱信號部分。

2)混合高斯背景建模。因所采集的雷達圖像是在固定地點不同時間線上采集的，雷達圖像中背景雖稍有浮動卻大體不變，本文采用在背差操作中效果良好的混合高斯背景建模。

3)背差操作及背景圖更新。背差操作可將當前幀圖像與背景圖像進行比較，以獲取兩圖間像素值差距較大區(qū)域。此時的當前幀圖將與原背景圖集繼續(xù)以累積求均值的方法獲得新背景圖。

4)數(shù)學形態(tài)學處理與邊緣檢測。數(shù)學形態(tài)學處理的基礎(chǔ)為腐蝕與膨脹，腐蝕去除近岸船舶圖像中的多余雜點，膨脹使目標船舶圖像調(diào)整至適當大小，形態(tài)學處理效果圖如圖2所示。邊緣檢測操作采用改進的Canny邊緣檢測，可獲得圖像中物體邊緣輪廓以進行圖像運算操作。

圖2 形態(tài)學處理效果圖

2 關(guān)鍵技術(shù)分析

針對近岸船舶圖像處理中的關(guān)鍵技術(shù)進行分析，分別從灰度圖轉(zhuǎn)化、混合高斯背景建模、改進的邊緣檢測、目標分離這幾方面表述。

2.1 灰度圖轉(zhuǎn)化

為減少圖像處理運算量，突出圖像主體部分，需對雷達圖像進行灰度轉(zhuǎn)化。為減弱信號對雷達掃描圖像的影響，本文對灰度圖轉(zhuǎn)化公式進行了改進，常規(guī)的灰度圖像轉(zhuǎn)化方法有最大值法、平均值法、加權(quán)平均值法，加權(quán)平均值法可通過給予RGB不同的權(quán)值，進而凸顯出圖像主體部分。加權(quán)平均值法數(shù)學計算如公式(1)所示。

X=a×CR+b×CG+c×CB，

(1)

式中，X表示轉(zhuǎn)化后的像素點像素值，CR(紅色)、CG(綠色)、CB(藍色)為三通道像素值，a、b、c分別為RGB加權(quán)數(shù)值(通過經(jīng)驗獲取，a=0.7、b=0.2、c=0.1)。

2.2 混合高斯背景建模獲取目標船舶

簡單目標檢測的基本方法有幀差法和背差法。幀差法是將當前幀圖像與相鄰幀圖像相減做差，而背差法與幀差法不同，將當前幀圖像與一個背景模型相減，在差分圖像中提取運動目標。背差法可通過使用大量的雷達圖像計算獲取背景模型，消除了幀差法因目標船舶移動緩慢而無法識別的缺點。

背差法中最重要的是背景建模，建模方法有平均值法、混合高斯背景建模等。背景建模效果圖見圖3。如圖3(a)所示，平均值法所得背景圖模糊陰影部分較多，將給目標檢測帶來誤差；如圖3(b)所示，混合高斯背景建模所得背景圖模糊陰影較少，且邊緣清晰，效果良好，因此本文選用此算法。

圖3 背景建模效果圖

獲得背景圖像后，可將背景圖與當前圖像做差值計算，得出目標船舶圖像，背差法效果圖如圖4所示，其計算如公式(2)所示：

，(2)

式中，F(xiàn)(x,y)表示差分圖，I(x,y)表示當前幀圖，B(x,y)表示背景圖，T為設(shè)置閾值。

圖4 背差法效果圖

2.3 邊緣檢測算子比較

本文采用幾種通用的圖像邊緣檢測算子進行對比，如索貝爾(Sobel)邊緣檢測、拉普拉斯(Laplacian)邊緣檢測以及坎尼(Canny)邊緣檢測[6]，最終采用了經(jīng)改進的Canny邊緣檢測。4種邊緣檢測算子效果圖見圖5。Sobel邊緣檢測時，其邊緣部分連接效果較差，出現(xiàn)了一些虛假邊緣，并且邊緣檢測線較寬，雖然其定位精確，但抗噪能力較差，應(yīng)用效果并不理想，見圖5(a)。Laplacian邊緣檢測會使邊緣細節(jié)丟失，因使用前會使用高斯濾波平滑圖像，雖減少了噪聲的干擾，但同時會使邊緣尖銳部分也被平滑掉，致使邊緣細節(jié)丟失,見圖5(b)。Canny算子的使用效果整體而言相對較好，其不僅抗干擾能力強，而且可以利用其雙閾值的劃分將圖形真邊緣和偽邊緣進行區(qū)分，邊緣檢測線也相對較細[7]。但因高斯濾波對圖像邊緣也進行模糊，導致部分邊緣細節(jié)丟失，見圖5(c)。針對此問題，本文采用保持邊緣的雙邊濾波代替高斯濾波，雙邊濾波Canny檢測效果較好，邊緣并未出現(xiàn)缺失現(xiàn)象，因此本文選用此算法[8]，見圖5(d)。

圖5 4種邊緣檢測算子效果圖

本文Canny邊緣檢測的步驟如下。

1)雙邊濾波平滑圖像，雙邊濾波同時考慮像素點的空間域信息與值域信息。在進行邊緣模糊時，面對檢測點鄰域像素值相差較大的情況，會減低模糊的權(quán)重，避免邊緣被模糊。雙邊濾波后像素點m(x，y)為：

(3)

w(i，j)=ws(i,j)×wr(i,j)，

(4)

(5)

wr(i,j)=

(6)

式中，m(x，y)為模糊后像素點，x、y分別代表像素點橫縱坐標軸，m(i，j)為鄰域像素點，i、j分別代表鄰域像素點橫縱坐標軸，S為檢測點鄰域，w(i，j)為濾波權(quán)重，ws(i，j)為空間域濾波權(quán)重，wr(i，j)為值域濾波權(quán)重，δs為空間域標準差，δr為值域標準差。

2)計算梯度幅值和方向，用以篩選邊緣點，首先設(shè)定2個3×3卷積核Kx與Ky：

利用卷積核計算幅值和方向，其公式如下：

Gx=Kx*m(x,y)，

(7)

Gy=Ky*m(x,y)，

(8)

(9)

(10)

式中，Kx、Ky分別為x與y方向上的卷積核，Gx和Gy分別為Kx、Ky與圖像上各點卷積后得到的卷積值，G為幅值，θ為方向。

3)運用非極值抑制的方法去除非邊緣像素，保留一些細小的線條，然后利用其雙閾值限制去除虛假邊緣。非極大值抑制則可以幫助將局部最大值之外的所有梯度值抑制為0，對梯度圖像中每個像素進行非極大值抑制的算法是：①將當前像素的梯度強度與沿正負梯度方向上的2個像素進行比較。② 如果當前像素的梯度強度與另外2個像素相比最大，則該像素點保留為邊緣點，否則該像素點將被抑制。

本文Canny算子邊緣檢測的優(yōu)勢在于可通過雙閾值對明顯邊緣與非明顯邊緣進行劃分，并且自動判定明顯與非明顯邊緣相連，才將弱邊緣包含于圖像之中。且采用保持邊緣的雙邊濾波，較好地保存了邊緣細節(jié)。采用此方法進行檢測不容易丟失虛弱邊緣的信息，因此該方法容易檢測出真正的弱邊緣，且具有較強的抑制噪聲能力。

2.4 目標分離

由數(shù)學看來，灰度圖可視為由像素點組成的矩陣，由此可將圖像按數(shù)學運算的方法進行計算，使圖像更加精準。本文船岸分離方法將輪廓圖像取“非”，并將非運算圖像與原圖像取“或”，可獲得最終的船岸分離圖像。

船岸目標圖像分離是基于輪廓圖與原圖像進行計算的基礎(chǔ)上。其計算如下：

(11)

3 試驗結(jié)果

3.1 試驗場景

長江航道屬于內(nèi)河航道，其航道情況復(fù)雜，雷達圖像中目標船舶與岸線融合的情況時有發(fā)生，適用于本方法。本文采用某公司提供的4G固態(tài)雷達，并選取武漢白沙洲航段進行試驗。

3.2 試驗步驟

本文提供船岸分離方法，為減少冗余操作，雷達圖像保留有效區(qū)域，即岸線與河道相交匯的區(qū)域。背景圖為將多張背景圖進行混合高斯建模操作后所得，經(jīng)閾值限制保留背景圖，去除前景圖像。對比背景圖與當前圖，在當前圖中岸線部分有明顯的船岸融合圖像，使目標船舶難以辨認。當前圖與背景圖經(jīng)背差操作得到背差圖，背差圖中包含船舶圖像以及大量邊緣雜點。腐蝕圖中，使用7×7卷積核進行腐蝕操作，消除邊緣雜點，船舶圖像相對縮?。慌蛎泩D中，采用相同結(jié)構(gòu)體使船舶圖像恢復(fù)適當大??；輪廓圖中，采用Canny邊緣檢測并進行膨脹操作，Canny邊緣檢測保證船舶輪廓完整，膨脹操作使輪廓明顯易于觀察。最后將目標輪廓與當前圖進行分離操作即可得到船岸分離圖像。

3.3 試驗結(jié)果分析

經(jīng)試驗，取不同時段雷達掃描圖像進行船岸分離操作，船岸分離準確率如表1所示，船岸分離準確率已由原來的50%左右達到80%以上。不同時刻的雷達掃描圖像，運用本文方法皆可將船岸圖像分離，且船舶大小、船舶位置對船岸分離效果皆無影響，船岸分離圖像中可明顯辨認出近岸船舶。與當前圖及背景圖對比，可發(fā)現(xiàn)沒有誤將岸線分離的情況發(fā)生，船岸分離效果良好。圖6為船岸分離圖像與原圖對比。

圖6 船岸分離圖像與原圖對比

通過本文研究方法進行船岸分離，可使近岸船舶易于識別，減少近岸后丟失船舶數(shù)據(jù)情況的發(fā)生。雷達可使使用者直觀的觀測到海域中的航行情況，船岸分離后的圖像突出了近岸船舶，具有易于觀察的特點，增加了船舶識別準確度，為海事監(jiān)管安全進一步提供了保障。

4 結(jié)束語

本文基于圖像處理技術(shù)提出了一種雷達掃描圖船岸分離方法。在近岸處船舶與岸線相干擾的情況下，該方法運用混合高斯模型檢測運動目標、數(shù)學形態(tài)學運算、邊緣檢測等技術(shù)將雷達圖像上的目標船舶與岸線進行分離。本方法可提高雷達目標識別成功率，減少近岸船舶無法識別情況的發(fā)生，提高海事監(jiān)管水平，保障船舶航行安全。

本文對海事雷達圖像進行研究，并取得了一定的研究成果。但在實際應(yīng)用方面還有許多不足。①本文采用背差法，當背景圖像出現(xiàn)誤差時，差分效果不佳將影響船岸分離的準確性。雷達背景圖像的獲取方法有較大的改進空間，這對提升雷達目標識別率具有重要意義。②本文在進行灰度轉(zhuǎn)換和邊緣提取等操作時，使用了一些經(jīng)驗參數(shù)作為判斷閾值，經(jīng)驗參數(shù)無法自適應(yīng)更新。在后續(xù)研究中，可對圖像處理閾值自適應(yīng)選取方向進行研究。