周珍娟，韩金华

(1.江苏城市职业学院 信息工程系，江苏 南京211135;2.江苏南京信息学院，江苏 南京211135)

0 引 言

近年来，随着光学遥感成像技术应用的成熟和对海洋的不断关注，人们希望借助光学遥感图像在空间上识别出海域的舰船，以对舰船目标进行有效监控。由此，基于舰船的遥感图像目标识别研究得到了越来越多的支持。与以往传统的SAR 图像目标识别方法不同，遥感图像的目标识别主要依靠光学背景阴暗的变化进行，由于舰船行驶于海域作业，这就要求在进行图像目标的识别前依靠背景明亮度进行海陆分离，定位出海域区域。同时遥感图像还存在光学的云背景和噪声干扰以及岩石岛屿等海面虚假目标的存在。因此，本文为解决这一问题，提出了基于多级视觉感知算法实现遥感图像的舰船检测，并根据舰船图像特殊的灰度纹理以及形状特征，借助SVM 分类器方法进行舰船目标的有效识别，去除虚假目标。

1 基本流程

如图1 所示，对于舰船遥感图像的目标识别，首先根据遥感图像的特点进行图像预处理，实现图像的海陆分割获取海面舰船图像，进而设计出一种方法去除图像的各种背景干扰，检测出舰船的目标，还需要对检测出的舰船目标根据舰船特征进行有效的识别，去除虚假目标，得到真正的舰船目标。考虑到本文研究重点，现以经海陆分割后的图像为基础进行遥感舰船图像的目标识别研究。

图1 舰船识别算法流程Fig.1 Ship recognition algorithm process

2 目标识别算法

在经过图像预处理后的目标图像中，由于因天气和设备性能等诸多因素，会造成海域中的舰船目标和云背景夹杂，必须设计出一种算法过滤掉云背景目标，本文从人的视觉角度出发，设计一种基于多级视觉感知算法进行舰船目标的检测，过滤云背景干扰。

2.1 算法原理

2.1.1 图像快速计算

设有原图I (x)，频谱幅度信息为:

因A(f)由遥感图像L(f)经过摄取采样后获得，所以可近似表示如下:

则频率残差的推导公式如下所示:

由于I(f)采用降分辨率获取，会导致图像显著区域统计不准确，本文以舰船目标为统计对象，需要考虑到图像的噪声敏感，所以需要通过维纳滤波来改进，对区域图像进行全面统计。维纳滤波器计算公式为:

这样图像的快速计算则转化为:

根据该公式进行图像快速视觉计算，便可获得图标区域舰船标识。

2.1.2 图像形态筛选

经过图像的快速计算，目标区域还有冗余信息没有消除，这里指遥感图像中的云背景、海况干扰等，需要依据图像进行针对性的形态学滤波，已消除冗余信息，获取舰船坐标。本文以TopHat 形态学滤波为基础，用开、关2 种定义表达如下:

式中:f 为原图像;g 为结构体;fog 为开运算;f·g为闭运算。

该滤波器可以通过对结构体的内容设置以恰当的保存目标信息，这样滤波器通过对遥感舰船图像的筛选以保留舰船目标信息，去除无关的大块其他信息。

2.1.3 提取信息特征

基于舰船目标信息的提取采用方向自适应方法，以改进的Gabor 滤波器来提取舰船目标信息，该滤波器设计如下:

其中:

F 决定了滤波器在频域中的位置，该滤波器能够感知图像的响应，此响应以Gabor 能量表示如下:

其中:

在Gabor 滤波器设计中，考虑到单一滤波器并不能对所有的频率范围和多个方位信息进行提取，所以为了实现全频率和多方位的舰船目标信息的提取，本文选用一组1 ～2 频域倍频范围的、方位角处于0 ～180°的一组滤波器对图像相应的能量信息进行提取。但考虑到海况气候恶劣且云背景干扰复杂的情况，需要增强图像的处理能力，因此，对图像目标狭长的特征区域进行方向信息的定位时进行该方向上的滤波，对于图像目标长度不足的需要进行全方位的滤波以识别区目标区域大小信息。

2.2 算法实现

为了测试算法的检测效果，依照上述算法的原理，按照图像计算、图像筛选和信息特征提取3 个步骤的设计流程，本文选取28 幅涵盖有云背景与天气干扰的遥感图像进行检测，检测结果如图2 所示。

图2 算法检测效果Fig.2 Algorithm testing results

从图中可以看出，经过本文算法的特征检测后，舰船图像能够去除干扰，得到较明显的舰船目标。同时，该算法检测速度快、计算量小，运用该算法减少了检测时间，同时在一定程度上提高了检测的准确度。

3 目标分类识别

通过上述的算法处理后得到的图像中，还存在着一定的虚假目标，因此还需要对图像目标进行分类识别以过滤虚假目标。提高舰船识别的准确度。本文采用目标特征的识别方法进行舰船目标的确认。由于遥感图像受到图像尺寸和分辨率的影响，现作如下处理:首先，将经过算法处理后的遥感图像以舰船目标区域为中心，分割出200×200 的切片区域作为识别的最小单元;其次，对切片区域按照形状、纹理等目标特征的特征参数进行统计;最后，采用SVM 自动分类器进行舰船目标的机器识别决策。

3.1 图像分割

本文按照200 ×200 像素的切片作为分割的最小单元进行目标特征的鉴别，由于图像的目标特征辨识以几何图形轮廓为基础，所以下面以GPAC 几何轮廓模型作为图像分割的模型函数，其基本能量函数如下:

其中:p1，p2分别为像素点;E 为最小的期望函数值;W 为图像的相似性标度;Ro 为图像分割的内部区域;Ri 为图像分割的外部区域。以该函数为基的图像曲线演化偏微分方程如下:

该偏微分方程有效地将分割区域的轮廓边缘曲线的内部像素点和外部像素点进行对比，当外部像素点与内部像素点间的不相似性较大则将该轮廓边缘分割为外部，反之则归类为内部。这样，以中心差分法计算像素点的灰度和图像分割区域的灰度方差，便可实现精确的图像分割，图3 为以GPAC 模型进行的单位切片分割前后变化。

图3 切片分割效果Fig.3 Slice segmentation results

3.2 图像特征提取

特征提取主要提取出图像的灰度、纹理与形状等能够标识图像目标存在的识别量，具体包括图像的尺寸、面积、长度、矩形度、长宽比及速度方向等参数。

3.2.1 灰度与纹理特征提取

1)灰度特征

设

其中:p(i)为区域灰度为i 的总体统计数量比率;

那么以p(i)为基础，则区域灰度以一阶二阶矩以及平均熵表达的计算公式如下:

式中:μ 为区域的灰度均值，代表目标区域的目标明亮程度，σ2和E 分别为该区域的灰度方差和平均熵;

2)纹理特征

图像灰度的明亮程度在区域上呈现出一定的不均匀图案，在空间上则反映出稀疏或浓重的不规则纹理信息，纹理信息从侧面印证了图像的灰度特征，纹理信息的特征提取范围要适当扩大到切片的外围部分以增强图像识别的准确性。考虑到纹理图像的参数估计，本文引入灰度共现矩阵以实现纹理特征的提取。由于在区域相近位置的两像素点灰度相近，则该区域的共现矩阵阵元值也较均匀，因此依据此可以提取出目标图像的纹理特征。

记目标图像的某像素点灰度为i，那么在距该像素点d 处的像素点灰度记为j，当i 与j 处于与水平方向夹角为P 的直线上，P(i，j)为阵元，那么图像的纹理特征参数可用如下公式表示:

其中N1，N2，N3，N4和N5分别为能量、惯量矩、逆差矩、相关性和熵。

3.2.2 形状特征提取

图像的形状特征指能够标识图像的大小、尺寸、面积等图像轮廓的参数指标，由于遥感图像的分辨率不一样，在进行形状特征的提取时要保证图像在变换中不变形，所以图像特征的提取选取以下几个参数进行提取:

1)偏心率

设椭圆状舰船的长轴和短轴长度分别为a 和b:

其中μxy为(x + y)阶中心矩，则偏心率

2)矩形度

矩形度表示为图像切片区域面积s 和该面积的最小外接矩形SRec之间比值，定义如下:

3)凸率

凸率表征图像在某一区域面积sc的均匀程度，定义如下:

4)紧凑性

紧凑性表征着目标图像面积与边界的的均匀性，图像越紧凑，值越趋近于1，则该图像越趋向于圆形，定义如下:

以上参数具有在平移、翻转中的不变特征，可以很好对区域形状进行描述，因而可以较好区分出目标图像。

3.3 基于SVM 的图像分类识别

在对目标图像进行图像切片分割和图像特征参数的统计提取后，便可将样本数据进行SVM 的自动分类识别。SVM 是一种机器学习方法，其集成了凸二次规划、松弛变量和核函数等多种技术，能够很好实现模式识别和图像分类。本文将从图像切片中提取的图像特征为样本数据，将特征参数以多维向量的形式输出，经过一定程度的SVM 鉴别器训练，实现切片图像的分类识别。本文设计的识别流程如图4 所示。

通过对各特征的统计组合分析，以实现最高的识别率、最小虚警率为目的准则，在经过大量的测试后，本文选用以形状和灰度的组合特征向量为SVM 输入的样本数据进行图像的识别。

4 结 语

实验按照形状与灰度特征相结合的多维特征向量作为样本数据，以2 399 ×1 876 作为图像大小尺寸，整个分类识别过程持续159.639 s，其中图像的切片分割时间占用较长，识别的图像结果如图5 所示。

图4 基于SVM 分类识别过程Fig.4 Classification identification process based on the SVM

图5 识别图像结果Fig.5 The results of image recognition

图5 中标注的蓝色为算法检测结果，通过SVM分类器决策后，此次试验中有39 个虚警目标被过滤，另外还成功识别出6 个漏检目标，虽然该次实验还未能完全消除虚警目标，但相比较分类识别前，识别目标有效增加，虚警目标大大降低，对遥感图像的舰船目标识别有很好的应用。

［1］农国明，于钺，杨国铮，等.卫星海洋观测信息在海域监视侦察中的应用［J］. 舰船科学技术，2011，33(增刊):92 -94.

［2］HEIDI B，ELAN S，CHESSA G，et al. Enhanced ship detection from overhead imagery［C］.Optics and Photonics in Global Homeland Security IV，Orlando，Florida，USA，2008，3:17 -20.

［3］肖利平，曹炬，高晓颖. 复杂海地背景下的舰船目标检测［J］.光电工程，2007，34(6):6 -10.

［4］陈标，侯海平，陶荣华，等.舰船尾SAR 图像特征的谱分析研究［J］.舰船科学技术，2008，30(6):95 -98.

［5］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):196 -200.

［6］ZHOU H，GUO J，ZHU C R，et al. Ship detection from optical remote sensing images based on PLSA model［J］.Journal of Remote Sensing，2010，14(4):663 -680.