武思文，郎海涛**,石洪基，李 伟

(1.北京化工大学理学院，北京 100029； 2.北京化工大学信息学院，北京 100029)

研究简报

一种新的合成孔径雷达图像船只几何特征提取方法*

武思文1，郎海涛**1,石洪基1，李 伟2

(1.北京化工大学理学院，北京 100029； 2.北京化工大学信息学院，北京 100029)

海上船只监测在海洋交通、渔业管理等领域发挥着重要的作用。高分辨率合成孔径雷达卫星的发射，使船只类型识别成为可能，进一步提高了海洋监测的能力。几何特征是一种重要的船只类型识别特征，本文提出了一种新的合成孔径雷达图像船只几何特征提取方法。与传统方法不同，本文利用最大稳定极值区域算法，取代常用的恒虚警率算法，来检测定位船只。这种方法能够在同等检测率的情况下，有效的降低虚警率，并且具有更快的速度。在几何特征提取过程中，本文提出了改进的最小外接矩形提取方法，这种方法能够有效的抑制旁瓣对船只几何特征提取的影响。实验证明，本文提出的方法能够更快速、准确的提取船只的几何特征。

船只检测与分类； 几何特征； 最大稳定极值区域； 最小外接矩形； 合成孔径雷达

海洋是国民经济可持续发展的战略空间，也是国家安全的重要屏障。作为海上运输和作业的主要工具，对船只进行有效监测，在海洋交通、渔业管理、打击海上走私、保卫领海安全等领域发挥着重要的作用，受到世界各国的高度重视。由于具有宽幅观测以及全天时、全天候的工作能力，基于合成孔径雷达(SyntheticApertureRadar,SAR)的海上船只监测已经发展为一种通用手段。随着TerraSAR-X，Cosmo-SkyMed，Radarsat-2等高分辨率SAR卫星的发射，基于SAR图像的船只类型识别成为可能，极大的提高了海上船只监测系统的能力[1-3]。

基于SAR图像的船只类型识别方法是从SAR图像中提取具有船只类型区分能力的特征，从而对船只进行分类。常用的分类特征主要有以下几种：(1)能够反映船只形状、大小等差异的几何特征；(2)能够反映由于船只的结构或者材料不同而导致的散射机制差异的极化特征；(3)能够反映船只上层建筑分布差异的船只散射特征。上述三种特征中，极化特征和散射特征易受SAR成像条件(例如：传感器类型、入射角、极化方式)和环境因素(例如：不同风、浪、流条件导致的不同海况)的影响。因此，即便对于同一船只，在不同条件下提取的船只特征也可能不同，从而对船只类型识别准确率造成很大的影响。相比之下，SAR图像中船只的几何特征受外界因素影响小，能够被相对稳定的提取，其提取方法也相对简单。先前的工作已经验证了几何特征的船只类型识别能力。Lang等的工作证明，当采用单一特征对船只进行分类时，最佳的分类结果由几何特征获得。当采用多个特征组合对船只进行分类时，最佳的分类的结果离不开几何特征的参与[4]。在其后继的工作中，Lang 等进一步证明，仅利用简单几何特征的组合，能够接近或者达到综合使用几何特征以及散射特征的分类结果[5]。近期的工作不仅证明了几何特征的分类能力，也指出从SAR图像中精确的提取几何特征是进一步提高船只分类能力的关键[6]。

现有的自动目标识别系统(Automatic Target Recognition,ATR)首先利用恒虚警率算法(Constant False Alarm Rate,CFAR)从SAR图像中检测船只以确定其位置，然后再提取船只特征用于类型识别。具体流程如图1(a) 所示：在船只检测过程中，首先对海面进行建模，随后利用CFAR算法检测定位SAR图像中的船只，进而根据定位结果确定船只目标所在区域。在特征提取过程中，首先提取船只主轴方向，并根据该方向将船只旋转到与主轴方向平行，然后直接提取船只最小外接矩形(Minimum Bounding Rectangle,MBR)，根据MBR提取船只的长、宽、周长、面积等几何特征。

图1 船只检测与几何特征提取流程图Fig.1 Flow chart of ship detection and geometric feature extraction

基于上述流程所提取的船只几何特征的准确率受两个因素的影响。一是CFAR算法的船只检测性能。现有的研究结果表明，在SAR图像中准确的检测船只不是一个简单的问题[7-9]。例如，高分辨率图像中，由于船只表面散射强度不均匀，常常出现一只船被当作多只船检测出的情况；船上具有较强后向散射的结构导致的旁瓣，利用常规的检测算法难以抑制，经常被当作船检测出；高海况情况下，现有模型很难精确的对海杂波进行建模，导致漏检和虚警情况时有发生。为了有效平衡漏检和虚警，现有方法通常预先设置一个相对较高的虚警率，尽量避免漏检情况的发生，再通过筛选过程，利用形态学滤波等手段进一步消除虚警。显然，在存在较多虚警的情况下，这种做法会极大的增加检测过程的计算时间。另一个因素是在船只几何特征提取过程中，现有方法首先利用Radon变换等方法提取船只主轴方向，再将船只按主轴方向旋转后，直接提取MBR。研究表明，该方法所提取出的MBR大小常常大于船只的实际大小[10]。

针对上述两个问题，本文提出一种基于最大稳定极值区域(Maximally Stable Extremal Regions,MSER)的船只检测方法用以在SAR图像中检测定位船只。并对现有的MBR提取方法进行了改进，以便更准确的提取船只的几何特征。本文提出的方法流程如图1(b)所示。首先，用MSER检测算法替换CFAR算法对船只进行检测定位，提取海上船只的初始轮廓。在几何特征提取过程中，在获取了船只的主轴方向并将船只旋转到该方向之后，对船只图像分别计算沿x和y方向的灰度值累计，通过确定灰度累计值阶跃位置的方法确定船只的最小外界矩形。这种方法对旁瓣具有较强的抑制作用，可以进一步提高船只几何特征的提取准确率。

本文其余部分内容如下：第一部分中介绍了MSER算法，该算法用于在SAR图像中检测和定位船只目标；第二部分介绍了改进的MBR提取方法，基于所提取的最小外接矩形，可以更准确的提取船只的几何特征；第三部分实验证明了本文所提出的方法在船只检测和几何特征提取方面均优于现有的方法；最后，对本文工作进行了总结，并展望了未来工作。

1 基于MSER的船只检测

为了提取海上船只的几何特征，在SAR图像中对目标候选船只区域的准确定位和提取是关键的一步。由于船只在高分辨率的SAR图像中显示为明亮的斑点，船只区域像素的平均强度高于海面区域像素的强度。其次船只在SAR图像中不是某个特定的像素而是一个特定的区域，考虑到船只区域在SAR图像中具有以上两个特征，因此候选船只区域可以用MSER来表示[11]。

MSER算法可以用于图像中具有较高相对亮度的成片区域的检测。该算法是由Matas等人于2002年提出的，它是基于分水岭的概念[12]。MSER的基本原理是对一幅灰度图像(灰度值为0～255)取阈值进行二值化处理，阈值从0到255依次递增。阈值的递增类似于分水岭算法中水面的上升，随着水面的上升，有一些较矮的丘陵(低灰度值)会被淹没，而较高的山峰(高灰度值)不会被淹没，如果将被淹没的区域设置为0，而将未被淹没的区域设置为1，就能够形成一个二值图像。在得到的所有二值图像中，图像中的某些连通区域变化很小，甚至没有变化，则该区域就被称为最大稳定极值区域。这类似于当水面持续上升的时候，有些被水淹没的地方的面积没有变化。它的数学定义为：

q(i)=|Qi+Δ-Qi-Δ|/Qi，

(1)

其中:Qi表示阈值为i时的某一连通区域；Δ为灰度阈值的微小变化量;q(i)为阈值是i时的Qi区域的变化率。当q(i)为局部极小值时，则Qi为最大稳定极值区域。

MSER的检测算法具有运算速度快、定位准确、稳定性高以及无需任何平滑处理等优点。因此本文采用该方法进行SAR图像中的船只检测。

2 基于改进MBR的几何特征提取

现有的基于MBR的船只几何特征提取方法首先利用Radon变换等方法提取船只的主轴方向，再将船只按主轴方向旋转后，直接提取最小外接矩形。由于没有考虑旁瓣的影响，这种方法所提取的最小外接矩形大小常常大于船只的实际大小。为此，我们之前的工作对该方法进行了改进，提出了一种分步船只最小外接矩形提取方法[4-5]。第一步，如图2(b)所示，首先对原始图像(图2(a))进行二值化处理，之后对二进制图像进行Radon变换。根据灰度直方图(图2(c))最大值的角度确定船只的主轴方向。第二步，在船只主轴方向旋转到水平方向之后，分别计算x和y方向的灰度累计值(图2(f))。设I(x，y)为经过旋转的图像在图像坐标(x，y)处的强度值，Fy(x*)为沿y方向的累积值在x=x*处的值，在x方向的左右分割点xleft和xright根据下式定义：

图2 改进的SAR图像船只MBR提取方法Fig.2 An improved method of ship MBR extraction in SAR image

令xleft=min(x*),xright=max(x*)，使得：

fy(x*)>α·max(fy(x*))，

(2)

同理，在y方向的分割点ybottom和ytop根据下式定义：

令ybottom=min(y*)，ytop=max(y*)使得：

fx(y*)>α·max(fx(y*))，

(3)

其中，α是一个经验参数，本文将其设置为α=0.3。

3 实验及结果

为了测试本文所提方法的性能，本文采用四组实际SAR图像进行了测试。如图3所示，其中第一组数据1号船只包含明显的旁瓣，可以利用它测试方法对旁瓣的抑制能力；第二组数据2、3、4号船只是小型船只，可以用其测试方法对小目标船只的检测定位能力。

为了给出全面的评价，本文将所提方法与现有的CFAR检测算法和常用的船只MBR提取方法进行了比较。分别进行了三组实验：第一个实验比较了MSER算法与CFAR算法的船只检测与定位能力；第二个实验比较了MSER算法与CFAR算法的计算速度；第三个实验，以提取船只长度和宽度两个几何特征为例，比较了常用的MBR提取方法与本文提出的改进的MBR提取算法的准确率。

图3 四组测试图像Fig.3 Test SAR images

3.1 MSER与CFAR的船只检测性能比较

该实验分别采用MSER算法和CFAR算法，检测其中两组SAR图像中的船只目标。对于CFAR算法，本文采用K分布对海杂波进行建模[13]，对于该数据将虚警率设置为0.01时，得到最高的检测率。

图4为2种检测算法的实验结果：上方两幅图像为MSER检测实验结果，下方两幅图像为CFAR检测实验结果。通过实验结果图像我们可以清楚地看到，具有明显散射旁瓣的SAR图像和目标船只尺寸较小时，使用K分布的CFAR检测算法为了确保得到较高的检测率，导致虚警率增高，不能有效的抑制散射旁瓣等缺点。如前所述，这些问题将严重影响之后几何特征提取结果的准确率，以及增大计算时间。然而，在基于MSER检测算法的实验结果中，无论是在抑制散射旁瓣还是在小目标检测方面都具有良好的性能，能够准确的定位船只。

3.2 运算时间比较

本文除了对2种检测算法的定位性能进行了比较之外，也比较了两种算法的计算时间。所用的计算软件为Matlab R2014b，运行的操作系统为64位Windows10，安装内存8 GB。将两种检测算法，即基于K分布的CFAR检测算法和MSER检测算法，在相同的运算环境下循环运行10次。得到基于K分布的CFAR检测算法和MSER检测算法时间比约为3∶1(其中CFAR检测算法运行时间为2.4 s、MSER检测算法时间为0.8 s)。该实验证明本文所提出的基于MSER的检测算法在运行速度远快于基于K分布的CFAR检测算法。

图4 上方为MSER检测算法结果，下方为K-CFAR检测结果Fig.4 Ships detection results of MSER algorithm (top) and K-CFAR algorithm (bottom)

3.3 两种几何特征提取方法比较

该实验以提取船只长度和宽度两个几何特征为例，比较了常用的MBR提取方法与本文提出的改进的MBR提取算法的准确率。实验结果如表1和2所示，表1为基于改进MBR提取方法的船只几何特征提取结果。表2为基于常规MBR提取方法的船只几何特征提取结果。

从表中可以看到，文中提出的几何特征提取方法对有明显散射旁瓣的1号船只，提取的几何特征准确率远远高于常规方法。证实了我们的提取方法，在抑制旁瓣上有很好的效果。此外，常规方法长度平均误差为6.0个像素、宽度平均误差为5.3个像素；而用文中提出的方法长度平均误差为5.8个像素、宽度平均误差为3.4个像素。可见，改进的最小外接矩形提取方法在宽度的提取上具有明显的优势。

4 结论

本文提出了一种基于最大稳定极值区域的船只检测与几何特征提取方法。实验结果表明，MSER方法具有非常高的船只定位精度，在相同检测率条件下，具有比CFAR方法更好的抑制虚警率的性能，也比CFAR方法更快速。改进的MBR提取算法对旁瓣噪声等具有更好的抑制作用，能够更准确的提取船只的几何特征。在今后的研究工作中，我们会继续完善该方法，希望本文所提出的船只几何特征提取方法可以在实际工作中发挥作用。

表1 基于改进MBR提取方法的船只几何特征提取结果(单位：像素)

Note:①Ship；②Length；③Actual length；④Width；⑤Actual width；⑥Ewor of length；⑦Ewor of width;⑧Average error

表2 基于常规MBR提取方法的船只几何特征提取结果(单位：像素)

Note:①Ship；②Length；③Actual length；④Width；⑤Actual width；⑥Ewor of length；⑦Ewor of width;⑧Average error

[1] Margarit G.Barba A J.Milanes,Tabasco A.,Operational ship monitoring system based on synthetic aperture radar processing[J].Remote Sensing,2009,1(3):375-392.

[2] Brusch S,Lehner S,Fritz T,et al.Ship surveillance with terrasar-x [J],IEEE Transactions on Geoscience and Remote Sensing,2011,49(3):1092-1103.

[3] Zhao Z,Ji K,Xing X,et al.Ship surveillance by integration of space-borne sar and ais-review of current research [J].Journal of Navigation,2014:67(1):177-189.

[4] Lang H T,Wu S W.Capability of geometric features to classify ships in SAR imagery[J].Proc.of SPIE,2016.10004:100415-1-8.

[5] Lang H T ,Zhang J,Zhang X et al.Ship classification in SAR image by joint feature and classifier selection [J].IEEE GEOSCIENCE AND REMOTE SENSING LETTERS,2016,13(2),212-216.

[6] Duan C,Hu W,Du X.SAR image based geometrical feature extraction of ships [C].Geoscience and Remote Sensing Symposium (IGARSS),2011:2547-2550.

[7] Gao G.An adaptive and fast CFAR algorithm based on automatic censoring for targetdetection in high-resolution SAR images [J].IEEE Transactions on Geoscience and Remote Sensing,2009,47(6):p1685-1697.

[8] Ai J,Qi X,Yu W Anew CFA Rship detection algorithmbased on 2-Djoint log-normal distribution in SAR images [J].IEEE Geoscience and Remote Sensing Letter,2010,7(4):806-810.

[9] An W,Xie C,Yuan X,An improved iterative censoring scheme for cfar ship detection with sar imagery [J].IEEE Transactions on Geoscience and Remote Sensing,2014,52(8):4585-4595.

[10] Wang C,Zhang H,Wu F,et al.A novel hierarchical ship classifier for COSMO-SkyMed SAR data [J].IEEE Geoscience and Remote Sensing Letter,2014,11:484-488.

[11] Wang Q.Inshore ship detection using high-resolution synthetic aperture radar images based on maximally stable extremal region.[J].Journal of Applied Remote Sensing,2015,9(1):095094-095094.

[12] Matas J,Chum O,Urban M,et al.Robust Wide Baseline Stereo from Maximally Stable Extremal Regions[C].Proc of British Machine Vision Conference,2002:384-396.

[13] Oliver C J,Optimum texture estimators for sar clutter [J].Journal of Physics D Applied Physics,1993,26(11),1824-1835.

责任编辑 陈呈超

A Novel Ship Geometric Feature Extraction Method for SAR Imagery

WU Si-Wen1,LANG Hai-Tao1,SHI Hong-Ji1,LI Wei2

(1.Department of Physics and Electronics,Beijing University of Chemical Technology,Beijing 100029,China;2.School of Information,Beijing University of Chemical Technology,Beijing 100029,China)

The monitoring of marine vessels plays an important role in the field of ocean transportation and fishery management.The launch of the high resolution synthetic aperture radar (SAR) makes it possible to identify the type of vessel,and further enhance the capability of the ocean monitoring.Geometric feature is one type of the important characteristics of vessel type recognition.This paper presents a new method to extract geometric features of vessels from SAR image.Different from the traditional method,this paper uses the maximally stable extremal regions (MSER) algorithm,rather than widely used the constant false alarm rate (CFAR) algorithm,to detect the location of the vessel.This method can effectively reduce the false alarm rate in the case of the same detection rate,and has a faster speed.In the process of geometric feature extraction,this paper proposes an improved minimum bounding rectangle (MBR) extraction method.This method can effectively suppress the influence of the sidelobe on the geometric feature extraction of vessels.Experiments show that the proposed method can extract the geometric features of the shipmore quickly and accurately.

ship detection and classification; geometric features;maximally stable extremal regions(MSER); minimum bounding rectangle(MBR); synthetic aperture radar (SAR)

国家自然科学基金项目(61471024)；海洋公益性科研专项(201505002)；北京化工大学双一流项目(PY201619)资助

Supported in part by the National Natural Science Foundation of China(61471024),National Marine Technology Program for Public Welfare (201505002) and The Higher Education and High-Quality and World-Class Universities (PY201619)

2016-09-15;

2016-11-16

武思文(1992-)，男，硕士生，主要研究方向合成孔径雷达图像中的船只识别。

** 通讯作者：E-mail:langht@mail.buct.edu.cn

TP753

A

1672-5174(2017)02-101-05

10.16441/j.cnki.hdxb.20160225

武思文，郎海涛,石洪基,等.一种新的合成孔径雷达图像船只几何特征提取方法[J].中国海洋大学学报(自然科学版),2017,47(2):101-105.

WU Si-Wen,LANG Hai-Tao,SHI Hong-Ji，et al.A novel ship geometric feature extraction method for SAR imagery[J].Periodical of Ocean University of China,2017,47(2):101-105.