赵春晖, 栾世杰

(哈尔滨工程大学 信息与通信工程学院, 黑龙江 哈尔滨 150001)

遥感图像的目标检测与识别一直是近年来国内外遥感图像研究领域的热点问题,其中海面舰船目标检测在舰船寻找与救助、捕鱼船监视、非法移民、保卫领土、反毒品、舰船非法倾倒油污的监视与管理[1-2]等方面有着广泛的应用.随着遥感图像数据分辨率的不断提高和近年来图像分析方法的深入研究,针对海面舰船目标的自动检测与提取已成为可能.

利用光学遥感图像检测舰船目标包括舰船船身和舰船尾迹.在海况系数高,舰船目标过小的情况下,尾迹检测尤为重要.目前基于SAR图像的舰船尾迹检测研究较为成熟.由于SAR的成像特点,可利用SAR平台的参数计算求得舰船目标的速度、方向等重要信息[3].但是,SAR图像中的舰船尾迹在大入射角和较长波长的情况下几乎不可见甚至消失[4].基于光学遥感图像的舰船尾迹较SAR图像显著度更高,检测过程受算法影响小,图像中的尾迹清晰度受平台、传感器因素影响小.因此,可以设计算法检测光学遥感图像的舰船尾迹,参与舰船目标特征的鉴别,作为舰船检测的辅助信息之一.

较成熟的尾迹检测基本算法有Hough变换法[5]、Radon变换法[6]和灰度积累法[7].其中Hough变换法及其各种改进方法在本领域应用较多.Kiryati等人提出了概率Hough变换(PHT)[8],将图像数据映射到参数域中具有更大概率的单元,而非所有单元.Due等人提出了随机Hough变换(RHT)[9],通过对像素点的随机采样,避免传统Hough变换计算量大的问题,且降低了内存需求;但其处理复杂图像时,会引入大量无效采样和累积,使算法性能降低.Chutatape-Guo在 PHT 的基础上提出的一种改进的直线 HT算法(CGHT)[10],而且具有较好的时间、空间指标.

本文根据尾迹检测的实际需要,改进了CGHT种子点的选取方式和处理顺序,在Google Earth数据库中截取若干图像进行仿真实验,取得了良好的效果.

1 舰船候选目标提取

在尾迹检测的研究过程中,有些学者认为检测舰船比检测尾迹更重要,1988年K.Eldhuset[4]提出:在不同风速、海况、航速情况下,舰船目标均比尾迹目标稳定;有些舰船不存在尾迹;尾迹检测较舰船检测复杂且费时.为了避免对舰船鉴别过程产生负面影响,本文采取先提取舰船候选目标,以舰船目标为主体检测尾迹的方法,减少了虚警和不必要的运算.

舰船候选区域提取是舰船目标检测算法的关键技术之一,在已被广泛研究的SAR图像舰船目标提取中,目标候选区域检测算法大都是基于CFAR技术的发展改进[4,11-12],在光学遥感图像的目标检测中也有应用[13-14].

CFAR是像素级的目标检测算法,采用空心滑动窗口的形式进行目标检测,其中包括三个窗口:目标窗口、保护窗口、背景窗口.见图1.算法通过对背景窗口概率分布的建模,判断目标窗口是否存在目标像素.其判决原理源自于贝叶斯决策理论.

图1 CFAR滑动窗口Fig.1 Moving window of CFAR

假设目标和背景满足不同的高斯分布,定义假设H0和H1,其中:

H0为滑动窗口中心没有目标像素;H1为滑动窗口中心有目标像素.

根据贝叶斯理论H0和H1对应的似然函数如下:

P(x|H0)为在假设条件H0成立的情况下,待检测像素的概率密度函数;P(x|H1)为在假设条件H1成立的情况下,待检测像素的概率密度函数.

对于未知目标和背景的先验概率P(H1)和P(H0),则根据Neyman-Pearson定理计算在给定虚警概率Pfa条件下,使得检测率最高的门限值.

给定虚警概率Pfa,根据公式:

(1)

求得检测门限t.此时,当x>t则判定x属于目标像素.假设海域背景服从高斯分布,在滑动窗的背景窗口里估计背景的高斯分布参数,最后得出目标窗口存在目标的判决准则为

(2)

其中:μT与μB分别为目标窗口与背景窗口的均值;σB为背景窗口的标准差.此时,基于高斯分布假设的CFAR称为双参CFAR.

将双参CFAR运算结果IMC进行迭代拉伸-收缩、孔洞填充、求取连通区域和小目标剔除处理后,获得舰船候选目标.

2 CGHT直线检测

CGHT是一种改进的Hough变换方法,针对传统Hough变换累加参数矩阵计算量过大的缺点,采用了“多对一”映射,将所有可能的特征点映射到某一种子点对应的一维数组,并采用动态内存管理,在检测直线方面有较低的时间、空间复杂度[15].

CGHT算法流程描述如下:

(1) 种子点的选取.设在M×N的图像中有K个特征点,依次从集合中抽取一点作为种子点,该特征点被处理之后从集合中删除,在之后的迭代中不再被选取为种子点.

(2) 选定某一种子点,按顺序检测每一个特征点,与种子点构成一条直线.

(3) 计算参数.种子点与特征点分别为(xi,yi),(xj,yj),则参数由下式计算得到:

(3)

(4) 参数空间的累加.为一个种子点(xi,yi)创建一个累加器H(θ).计算每对点的参数θi,j,在累加器中使H(θi,j)=1,如果某对点的参数θi,m与参数矩阵中已存在的θi,j相等或误差小于容忍度δ,则H(θi,j)=H(θi,j)+1.

(5) 检查在累加矩阵中的峰值.对每个种子点,全部点对经过(2)～(4)步骤后,检查累加器H(θ)中的计数,如果某个计数单元超过预先设置的峰值T,则认为种子点(xi,yi)和特征点θi,j确定的直线是原图像中的一条直线.可计算出另一个参数:

ρi,j=xicosθi,j+yisinθi,j.

(4)

(6) 设置一个全局参数矩阵H*(θ,ρ),保留已经抽取的直线参数(θi,j,ρi,j).在特征点集合中删除检测出来的直线,避免后续迭代中不必要的重复.重新初始化H(θ).在新的特征点集合中再选一点作为种子点.

重复上述步骤,直到全局剩余的特征点数少于阈值T,算法结束.得到的矩阵H*(θ,ρ)在参数域表征了图像空间中检测到的直线.

按实际需要取出矩阵H*(θ,ρ)中若干峰值点,由公式:

(5)

即可求出原图像中对应的直线位置.

3 应用改进的CGHT检测舰船尾迹

已有的基于Hough变换的尾迹检测大多采用灰度分割方法获得二值图像,分割阈值的选取缺乏自适应性,而且在海况系数高的情况下分割后的图像存在大量噪声点,直接进行Hough变换无法取得理想效果.有文献直接利用灰度图像,在标准Hough变换基础上提出灰度Hough变换[16].但是由于直接采用灰度图像计算量大,难以实现目标检测的实效性,本文提出将CFAR计算结果作为CGHT检测的原图像,以减少冗余数据和虚警尾迹.

第1章中处理原图像得到若干疑似舰船的连通区域,将连通区域标号,依次检测每一个连通区域对应的舰船尾迹.

CGHT算法“多对一”的思想减少了直线检测的盲目性,缺点在于检测区域为“扇形”,处理复杂图像时算法不稳定,而本文中采用的尾迹图像切片均属于简单线性特征,既利用了CGHT速度上的优势又避免了不足.CGHT算法的核心在于种子点的选取,标准CGHT将图像中所有特征点轮流作为种子点,在全局范围检测直线.考虑到尾迹检测的特点,可仅将舰船船身像素作为种子点,即对船身像素设置累加器H(θ),非种子点的特征点仅用于参数计算.

3.1 种子点与特征点的选取

双参CFAR运算结果IMC是区分目标像素和背景像素的二值图像,形态学处理后求得连通区域的图像为IMT,选定一连通区域屏蔽其他区域,得到图像IMTK, 将IMTK与IMC做逻辑与运算,求出对应的舰船船身像素,作为种子点集合:

Seeds′={Seed1′, Seed2′,…, SeedN′}.

(6)

提取尾迹的直线检测必须以船身为主体,CGHT按顺序选取种子点的策略不再适用,并且因为舰船尾迹的宽度较小,提取出不适合的直线并将直线上的特征点置零可能严重影响尾迹定位的精确性.所以本文在CGHT运算之前将种子点重新排序.

计算种子点坐标的几何重心(x0,y0),并求取每一个种子点与重心(x0,y0)的欧氏距离:

按距离从小到大重新排序种子点,形成新的种子点序列:

Seeds={Seed1, Seed2, …, SeedN}.

(8)

由于选取图像IMC的目标点作为特征点,不同舰船目标之间会相互干扰,本文中的特征点由标准CGHT的全局选取改为局部选取:求取与连通区域有相同标准二阶中心距的椭圆长轴长度a,设定半径R=k×a,取图像IMC中距离重心(x0,y0)小于R的目标点组成特征点集合:

Target={Target1, Target2, …, TargetM}.

(9)

3.2 改进的CGHT算法流程

将第2章CGHT迭代计算步骤修改如下:

步骤(1)仅从设定好的种子点序列中取点;

步骤(5)考虑到舰船尾迹的长度无法准确估计,取消检查累加器H(θ)峰值的阈值T,对每个种子点仅取H(θ)中的最大值;

步骤(6)分别在种子点集和特征点集中删除检测出来的直线,种子点集中的元素删除后顺序不变,再依次取下一个种子点;

直到种子点集合中的点取完时算法结束,而不考虑非种子点的特征点剩余个数.

这样迭代计算出参数累加矩阵H*(θ,ρ),通过寻找峰值提取原图像中的直线特征.处理流程如图2.

图2 提取参数算法流程图Fig.2 Algorithm flowchart of extract parameters

取出若干参数对,反变换到图像空间中,对每条直线进行线段端点选取,步骤如下:

(1) 寻找在直线上的目标像素;

(2) 填充长度小于Tgap的空隙;

(3) 剔除长度小于Tlength的线段;

(4) 剔除端点距离船体重心过远的线段.

CFAR滑动窗口的尺度大小和虚警率将影响特征点的密度,有时检测出的尾迹连续性很差,所以应适当提高Tgap的取值,本文取Tgap=40,Tlength=30,以保证可以检测出中断的长尾迹.

此时选择出的线段即为舰船候选目标对应的舰船尾迹,保存线段的斜率、端点坐标、长度等信息,作为后期舰船目标鉴别的特征.

3.3 算法性能分析

3.3.1 空间复杂度

本文算法中设定种子点个数为m,特征点个数为n(m

由3.2节所述,因舰船尾迹长度无法估计,不设置H(θ)的阈值,仅取每一次累加的最大值,在最坏情况下,每个种子点对应的H(θ)需要n-1个存储单元,m个种子点将检测出m个参数对,即在矩阵H*(θ,ρ)中需要2m个存储单元,存储空间为:

S=2m+n-1

(11)

然而由于实际上每次迭代都会删除一部分特征点,算法所需的存储空间会逐渐减小.

3.3.2 计算复杂度

标准Hough变换和CGHT在逆变换和直线提取上的计算方法是相似的,而累加参数所占用的时间在整体算法中占很大比例,所以仅考虑累加参数矩阵H*(θ,ρ)的计算量.

(12)

而本文在采取每次循环删除对应特征点的方法时,最坏情况下的计算复杂度为

V=m.

(13)

二者计算复杂度之比为

(14)

即在最坏情况下,CGHT算法的复杂度依然比标准Hough变换低很多.在累加过程中,CGHT可设置阈值T,当剩余特征点个数小于T时算法停止.本文提出种子点和特征点分别讨论的方法,本质上是根据舰船的形态动态设置阈值T,由具体情况决定算法停止时间,在原本的CGHT基础上进一步减小了计算复杂度.

4 仿真实验

在Google Earth数据库里选取20幅1 280×720的海域图像,其中包含不同尺度、形态、清晰度的舰船尾迹.实验平台为64位双核Intel i5-2 450 M CPU,2.50 GHz主频,4.00 G内存的Windows 7操作系统,程序运行平台MATLAB2011b.

取两幅带有舰船目标的海域图像,对本文算法进行仿真.第一组实验所用数据包含一艘舰船及对应尾迹,并有小的虚警目标,第二组实验所用数据包含两艘舰船及对应尾迹,有大尺度的海浪干扰.实验结果如图3、图4所示.

图3 图像一的检测结果Fig.3 Detection results of image one(a)—舰船目标; (b)—种子点集合; (c)—特征点集合; (d)—舰船尾迹.

图4 图像二的检测结果Fig.4 Detection results of image two(a)—舰船目标; (b)—种子点集合; (c)—特征点集合; (d)—舰船尾迹.

图3d和图4d表明本文算法较精确地定位了舰船尾迹的位置和角度,对于有明显窄V型尾迹的舰船目标,本文算法可以精确定位检测出两条不同方向的尾迹.

应用标准Hough变换检测这两幅图像,结果如图5.

图5 标准Hough变换检测结果Fig.5 Detection results of standard Hough transform (a)—图像1检测结果; (b)—图像2检测结果.

如图5所示,标准Hough变换检测宽度较大的尾迹可能提取出多条直线,直线呈X状或V状,在参数空间中θ值相距较远不易剔除.造成这种缺点的原因是标准Hough变换没有删除使用过的特征点.

图5b中的窄V型尾迹只检测出一侧尾迹.漏检的尾迹只有小部分为高灰度值区域,尺度上与左侧舰船尾迹相差太大,在标准Hough变换中设置检测直线个数的全局阈值,短尾迹很有可能被长尾迹淹没.而本文算法针对每个舰船船身目标单独处理,避免了全局阈值选取的问题.

观察标准Hough变换和本文算法的二维参数矩阵H*(θ,ρ)如图6、图7所示.

与标准Hough变换不同,改进的CGHT二维参数矩阵中仅有少数点值不为零,大幅减少了处理参数时的冗余运算.

对20副遥感图像进行算法仿真,目视判别共有37条舰船尾迹,分别应用标准Hough变换和本文算法,规定明显的窄V型尾迹只检测出一条判定为漏检,性能对比如表1所示.

图6 标准Hough变换参数矩阵Fig.6 Parameter matrix of standard Hough transform’s

图7 改进CGHT算法参数矩阵Fig.7 Parameter matrix of improved CGHT’s

性 能标准Hough变换改进的CGHT算法检测尾迹2831虚警尾迹54检测率/%75.6883.78虚警率/%13.5110.81平均耗时/s4.74900.4047

由表1可知,改进的CGHT算法相对于传统Hough变换在运算速度上有大幅提高,舰船尾迹的检测率和虚警率也有所改善.表中的标准Hough变换检测率低于本文算法,原因在于标准Hough变换为了克服伪尾迹的干扰,必须对尾迹长度最小值设置一个较大的阈值,以平衡虚警率和检测率,而本文算法可用较小阈值进行检测,不同舰船之间也不会因尾迹长度差异而互相干扰.

5 结 论

实验仿真表明,针对光学遥感图像中舰船尾迹的特点,本文提出的改进CGHT直线检测算法可有效检测出图像中存在的尾迹.由于利用了舰船船身的位置信息,本文算法与传统Hough变换相比在检测率和虚警率上有了一定提升.对CGHT参数计算方式的引入则大幅缩短了算法运行时间,提高了尾迹检测的实时性.与SAR数据不同,光学遥感图像包含丰富的灰度纹理信息,如何有效地提取出尾迹中的特征用于图像自动解译、目标鉴别与分类是今后值得深入研究的方向.

参考文献:

[ 1 ]田明辉,万寿红,岳丽华. 遥感图像中复杂海面背景下的海上舰船检测[J]. 小型微型计算机系统, 2008,29(11):2162-2166.

(Tian Minghui, Wan Shouhong, Yue Lihua. Ship Detection in Remote Sensing Images with Complex Sea Surface Background[J]. Journal of Chinese Computer Systems, 2008,29(11):2162-2166.)

[ 2 ]赵春晖,金文超. 基于视觉注意的光学遥感图像舰船目标检测方法[J]. 黑龙江大学自然科学学报, 2012,29(6):817-821.

(Zhao Chunhui, Jin Wenchao. Ship Detection Algorithm in Optical Remote-Sensing Images[J]. Journal of Natural Science of Heilongjiang University, 2012,29(6):817-821.)

[ 3 ]张建生,孙建鹏,陈焱,等. 光学遥感探测尾流研究[J]. 西安工业大学学报, 2013,33(4):268-277.

(Zhang Jiansheng, Sun Jianpeng, Chen Yan, et al. Study on Detection of Ship Wake Using Optical Remote Sensing[J]. Journal of Xi’an Technological University, 2013,33(4):268-277.)

[ 4 ]Eldhuset K. Automatic Ship Wake Detection in Spaceborne SAR Images from Coastal Regions[C]∥Geoscience and Remote Sensing Symposium, 1988. IGARSS’88. Remote Sensing: Moving Toward the 21st Century, International. IEEE, 1988:1529-1533.

[ 5 ]种劲松,朱敏慧. 基于归一化灰度Hough变换的SAR图像舰船尾迹检测算法[J]. 中国图象图形学报: A辑, 2004,9(2):146-150.

(Zhong Jinsong, Zhu Minhui. Ship Wake Detection Algorithm in SAR Image Based on Normalized Grey Level Hough Transform[J]. Journal of Image and Graphics, 2004,9(2):146-150.)

[ 6 ]蒋定定,许兆林,李开端. 基于Radon变换的SAR图像船迹检测研究[J]. 海洋测绘, 2004,24(2):50-52.

(Jiang Dingding, Xu Zhaolin, Li Kaiduan. Ship Trace Detection of SAR Image Based on Radon Transform[J]. Hydrographic Surveying and Charting, 2004,24(2):50-52.)

[ 7 ]李红康. 海洋遥感图像舰船目标及尾迹检测研究[D]. 成都:电子科技大学, 2008.

(Li Hongkang. Ship Objectives and Wake Detection of Ocean Remote Sensing Images[D]. Chengdu: University of Electronic Science and Technology, 2008.

[ 8 ]Kiryati N, Eldar Y, Bruckstein A M. AProbabilistic Hough Transform[J]. Pattern Recognition, 1991,24(4):303-316.

[ 9 ]Xu L, Oja E, Kultanen P. ANew Curve Detection Method: Randomized Hough Transform(RHT)[J]. Pattern Recognition Letters, 1990,11(5):331-338.

[10]Chutatape O, Guo L. AModified Hough Transform for Line Detection and its Performance[J]. Pattern Recognition, 1999,32(2):181-192.

[11]Lu Y, Yu Y, Huang S. CFARDetection for K-Distributed Multi-Looked SAR Image[C]∥Radar Conference, 2000. The Record of the IEEE 2000 International, Alexandria, VA, 2000:284-288.

[12]南杰,张红,王超,等. 长度归一化扫描的合成孔径雷达图像船舶尾迹恒虚警率检测[J]. 中国图象图形学报, 2013,18(9):1176-1183.

(Nan Jie, Zhang Hong, Wang Chao, et al. Ship Wake Constant False Alarm Rate Detection Algorithm in Synthetic Aperture Radar Images Based on Length Normalized Scaning[J]. Journal of Image and Graphics, 2013,18(9):1176-1183.)

[13]李文武. 中低分辨率光学遥感图像舰船目标检测算法研究[D]. 长沙:国防科学技术大学, 2008.

(Li Wenwu. Ship Target Detection Algorithm of Medium-and-Low-Resolution Optical Images[D]. Changsha: National University of Defense Technology, 2008.)

[14]许军毅. 光学卫星遥感图像舰船目标检测技术研究[D]. 长沙:国防科学技术大学, 2011.

(Xu Junyi. Ship Target Detection Technology of Optical Satellite Remote Sensing Image[D]. Changsha: National University of Defense Technology, 2011.)

[15]陈洪波,王强,徐晓蓉. 用于线段特征提取的改进Hough变换[J]. 计算机工程与应用, 2004,40(21):75-78.

(Chen Hongbo, Wang Qiang, Xu Xiaorong. Improved Hough Transform Used in Line Segment Detection[J]. Computer Engineering and Applications, 2004,40(21):75-78.)

[16]种劲松. 合成孔径雷达图像舰船目标检测算法与应用研究[D]. 北京: 中国科学院电子学研究所, 2002.

(Zhong Jinsong. Detection Algorithms and Applications of Synthetic Aperture Radar Image Ship Target[D]. Beijing: Institute of Electronics, Chinese Academy of Science, 2002.)