静止轨道遥感卫星海面运动舰船快速检测方法

李晓博 孙文方 李 立



静止轨道遥感卫星海面运动舰船快速检测方法

李晓博*孙文方 李 立

(中国空间技术研究院西安分院 西安 710100)

面向静止轨道光学遥感卫星，该文提出一种海上运动舰船目标快速检测方法。该方法首先利用多结构多尺度形态学滤波对海洋背景遥感图像进行背景抑制；然后采用自适应阈值分割和自组织聚类获得候选目标；再根据目标运动特征，利用静止轨道卫星凝视序列图像对候选目标进行多目标移动式邻域判决，剔除虚假目标；最后关联舰船目标以及融合卫星平台数据，可快速计算舰船状态等深层次动态信息。实验结果与分析表明，所提方法能有效检测海洋背景遥感图像中的多个运动舰船目标，准确获取各个舰船位置、航速、航向、运动轨迹等信息，具有算法简单，目标检测率高、虚警率低，稳定性好等优点。该方法为我国静止轨道光学遥感卫星在轨数据处理与应用提供了技术支撑。

舰船检测；静止轨道遥感卫星；多运动舰船目标；运动轨迹

1 引言

在我国海上安全利益迅速增长情况下，由于静止轨道光学遥感卫星可对大范围指定区域进行持续观测，能实时、准确地感知并获取海洋动态信息并及时提供决策支持，有助于快速解决海洋突发事件。静止轨道光学成像卫星具有观测范围广、观测周期短、数据时效强等低轨卫星无法比拟的优势，通过静止轨道卫星对海上运动舰船目标进行实时或近实时监视和跟踪，可快速获取运动舰船的位置、航向、航速、运动轨迹等动态情报信息，实时向地面下传决策依据和引导信息。

目前，由于SAR图像具有全天时、全天候观测能力、形态探测能力和对地表的穿透性等特点，针对SAR图像的海上目标检测技术的研究较多。相对于SAR图像，利用光学图像进行海上目标检测的技术相对滞后。近几年，Jubelin等人[6]提出了一种多尺度中高分辨率的舰船检测算法。Song等人[7]提出一种基于视觉模型和LBP的光学遥感图像舰船检测算法。Liu等人[8]提出了一种基于形状和背景信息的高分辨率光学遥感图像舰船检测算法。文献[9]针对现有视觉注意计算模型不适于处理维度大于4的多维图像的不足，将选择性视觉注意机制引入到多光谱遥感图像目标检测中，提出一种基于双四元数的视觉注意计算模型目标检测方法，实现了多维数据的整体处理。文献[10]针对卫星遥感海洋可见光图像，提出一种基于结构纹理分解的舰船目标检测算法。文献[11]针对高分辨遥感图像中目标背景为复杂多变的海面，提出一种基于邻域特性分析的海面舰船检测方法。此外，还有一些学者对可见光遥感图像舰船检测进行了研究。

通过以上文献调研可知，目前可见光遥感图像舰船检测的一般流程为先对图像进行预处理(海陆分割、去噪、云剔除等)，再通过一定的阈值分割方法得到预检测目标，最后利用舰船目标的特征信息对预检测目标进行鉴别，最终得到舰船目标，一般在单帧图像中就可以将目标检测出来。然而，在静止轨道光学遥感卫星舰船检测中，由于遥感卫星成像距离远，获得的遥感图像空间分辨率通常较低(数十米量级)。舰船目标在图像上成像面积小，可利用的显著特征信息较少。同时舰船目标受到云层、岛屿、海浪以及噪声等干扰，使得利用常规舰船检测方法对海上运动舰船目标进行检测非常困难，且无法获得舰船目标运动轨迹等动态信息。针对以上问题，本文根据静止轨道遥感卫星成像系统特点，利用序列遥感图像，提出了一种静止轨道遥感卫星海上舰船目标快速检测方法。该方法能有效检测出重点关注区域内的多个运动舰船目标，并可准确计算出各个舰船运动轨迹、位置、航速、航向等动态情报信息，为我国静止轨道遥感卫星实现重点区域持续监视提供技术支撑。

2 静止轨道遥感卫星海上运动目标快速检测方法

2.1基本原理

本文提出的静止轨道遥感卫星海面运动目标检测主要可分为图像预处理、海面运动目标预检测和虚假目标剔除3个部分，其原理框图如图1所示。首先，利用多结构多尺度形态学滤波对复杂海面背景图像进行背景抑制、相对增强舰船目标信号，降低复杂背景对目标检测的影响；然后利用自适应阈值分割对预处理后的图像实施目标预检测，并对预检测出的目标进行连通域标记和合并；最后根据目标帧间运动连续性特征，利用多目标移动式邻域判决排除虚假目标，最终确认真实目标，并计算出目标的运动轨迹、位置、航向以及航速等动态信息。

图1 静止轨道遥感卫星海面运动目标检测原理框图

2.2具体实现过程分析

2.2.1多结构多尺度形态学融合处理 由于静止轨道遥感卫星获取的舰船目标在图像中仅占几十个，甚至几个像素，遥感器远距离捕捉到的舰船目标的强度相对背景而言比较弱，且往往受到海浪、岛屿、云、噪声等复杂海洋背景的干扰。因此，对遥感图像直接进行检测容易引起漏警，甚至导致检测失败。为了保证复杂海洋背景下舰船目标检测性能，首先必须对遥感图像进行预处理，其主要目的是进行背景抑制，相对增强舰船目标与背景对比度。本文根据海浪、云层、岛屿等干扰的边缘形状特征，利用多结构元素形态学滤波对原始海洋背景图像进行预处理。由于舰船目标在海面背景中是一个突异的小斑点，而形态学开运算可以消除图像中小于结构元素的目标，因此可以用形态学开运算进行背景估计。开运算的效果在很大程度上取决于结构元素尺寸的选取。一般来说，所选择的结构元素尺寸要比舰船目标的尺寸稍大。若只采用一种结构元素，输出的图像只有一种几何信息被保持，其它几何信息与目标一起被滤掉，而输入图像通常是复杂的，它可能是各种简单几何形状的叠加或组合，因此采用单一结构会造成严重的背景泄漏。

为避免单一结构元素形态滤波的缺点，本文采用多个结构元素形态滤波方法来进行背景抑制。由于云层、海浪及岛屿边缘是直线与角的组合，因此选择的多结构元素分别由0°, 45°, 90°, 135° 4个方向的不同尺度的直线形结构元素进行组合构造多结构元素，如图2所示。利用不同尺度和不同形状的结构元素对原始图像进行形态开、闭组合运算，可用来同时抑制正、负脉冲噪音信号[16]，最后将不同结构元素的滤波结果进行一定融合处理可获得背景抑制图像，算法如式(1)：

图2 0°, 45°, 90°, 135°结构元素示意图

图3 海洋复杂背景抑制示例图

2.2.2基于自组织聚类的舰船目标预检测 经过背景抑制处理后，图像中的干扰得到了明显抑制，绝大部分像素集中在低灰度区，只有目标和少量噪声分布在高亮度区。这时可以采用基于均值修正的自适应阈值分割方法，把潜在的目标分离出来，具体方法如下：

阈值分割后，利用区域增长法对各个预检测目标的连通域进行标记。由于阈值分割的不完整，可能存在单个舰船目标由多个邻近连通域组成的情形，如图4(a)所示。为了避免对后续检测带来影响，就需要对这些相邻的属于一个目标的连通域进行聚类。然而，问题在于一幅图像中可能存在多个舰船目标，且目标的具体数目未知，属于未知分类数的聚类问题。

图4 自组织聚类示意图

通过分析可知，海上运动的舰船目标之间都存在一定的安全距离(如图4(b)所示)。利用这一先验知识，可以预先设定一定的距离搜索门限，即认为满足一定搜索门限条件的几个相邻连通域为同一个目标，并将相邻的连通域划分为同一个类。算法具体实现步骤如下：

(1)计算各个舰船目标连通域的形心坐标，并将其作为连通域中心点。二值图像中各个连通域形心定义为

式中，和分别表示二值图像中连通域在点的横坐标和纵坐标，Num表示连通域像素个数。

(3)设定阈值，对矩阵进行行(或列)搜索，当D<时，将归为类。当整个第行搜索完后，求得类中的最大值，并从第+1行(或列)开始继续搜索，直到距离矩阵搜索完毕。

(4)将构造的类进行合并，并按步骤(1)中的方法计算属于同一个类的几个相邻连通域的中心点，作为邻域判决的候选目标点，以降低后续处理算法复杂度。

2.2.3基于多目标移动式邻域判决的序列图像舰船检测 通过图像预处理和目标预检测后，只剩下为数很少的候选舰船目标。候选目标可能为真正的目标也可能是一些虚假目标或噪声点。根据舰船目标在连续帧间运动的关联性和连续性以及虚假目标或噪声运动的随机性特征。本文利用多目标移动式邻域判决法进行虚假目标剔除。

多目标移动式邻域判决示意图如图5所示(以两个目标为例)，其实质是多个时空滤波器，基于多目标移动式邻域判决的运动舰船检测方法基本思想是对于当前帧图像中的多个候选舰船目标，如果在后续连续的帧图像中，这些候选目标的小邻域内目标出现次数、位置变化、形态特征满足一定的约束条件时，则判定该候选目标为真正的舰船目标，否则剔除该候选目标。最后根据真实舰船目标在每帧中的位置坐标可计算出目标运动轨迹，算法流程图如图6所示。

图5 多目标移动式邻域判决示意图

图6 基于多目标移动式邻域判决的序列图像目标检测流程图

对于静止轨道遥感卫星舰船目标检测，由于在单帧图像中目标特征不明显，单帧检测的虚警率较高，且无法获得运动舰船目标的动态情报信息，多帧处理能有效消除噪声及虚假目标的影响，降低虚警率，实现对海上运动目标的有效检测与跟踪。

3 实验结果与分析

为了模拟静止轨道遥感卫星在目标监视模式卫星获取的序列图像，本文采用高分一号16 m多光谱图像数据的近红外波段图像作为原始图像(如图7(a)所示)，图像大小为1024×1024；并结合静轨卫星获得的序列图像时间分辨率及大型舰船运动速度模拟生成序列图像(10帧)进行仿真。其中，假设图7(a)中7艘舰船都以匀速向一个方向航行。图7(b)为第1帧原始图像经过多结构元素形态学滤波后得到的预处理图像，由图7(b)可见，海浪、舰船尾迹等干扰都得到了较大程度的抑制，目标相对于背景的信号比得到了有效提高，为后续运动目标检测奠定了良好的基础。图7(c)为运动舰船检测结果，7艘舰船目标都被准确检出。图7(d)是利用运动舰船目标帧间运动关联性，仿真高轨卫星在目标监视模式下得到舰船目标运动轨迹图。表1给出了舰船目标在不同帧图像(以前2帧为例)中位置坐标。利用表1数据，以及一些先验知识(例如：高轨卫星在目标监视模式下获得的卫星图像帧频为20 s，图像分辨率为16 m)，可以计算出图7(a)中7艘舰船的平均速度为11.3 m/s(加速度为0)，航向为315；进一步通过融合卫星平台数据可以计算舰船目标在各个时刻实际位置坐标(经纬度)、航向、航速以及加速度等动态情报信息。

图7 静止轨道运动舰船检测仿真结果

表1舰船目标位置信息(前两帧)

为了验证本文算法的抗噪性能，对序列测试图像分别添加不同信噪比的高斯噪声。当添加不同信噪比(SNR=0~5.0 dB)高斯噪声后，本文方法都可以正确检测出舰船目标，图8为添加高斯噪声后序列图像平均SNR=0.1 dB时的舰船检测结果。由图8可见，当SNR非常低的时候算法依旧能全部将7艘舰船检测出来，并准确给出其运动轨迹，该算法具有较好的抗干扰能力，能够抵抗海浪、噪声等干扰的影响。

图8 当SNR=0.1时本文算法检测性能

由以上仿真结果可见，本文方法能有效检测到海上运动舰船目标，具有很好的检测性能。此外，相比低轨卫星在轨舰船检测，本文方法利用静轨卫星获得的大幅宽、短帧频序列图像，并根据舰船目标在连续帧间运动的关联性和连续性特征进行运动舰船检测，在实现广域海面运动目标的快速检测方面有明显优势，可有效提高用户获取海洋舰船动态信息的时效性。

4 总结

本文面向静止轨道遥感卫星在轨数据处理系统，结合静止轨道遥感卫星成像特点，提出了一种静止轨道遥感卫星在轨运动舰船目标快速检测方法。本文方法可实现指定大范围海域运动目标的快速发现，并结合卫星平台数据计算出各个运动舰船的位置、航速、航向、运动轨迹等动态情报信息，可满足静止轨道遥感卫星对海洋运动目标持续监视的需求。此外，本文方法还可结合在轨数据融合处理技术与低轨高分辨光学卫星、电子侦察卫星协同作业，进一步提高星上处理结果可信度；实现天基平台对海洋运动目标快速发现、跟踪、确认与指示，向地面及时提供决策依据和引导信息，具有广阔的应用前景。

参考文献

[1] Hou Biao, Chen Xing-zhong, and Jiao Li-cheng. Multilayer CFAR detection of ship targets in very high resolution SAR images[J]., 2014, 12(4): 811-815.

[2] PasqualeI,Martin C, Raffaella G,.. Ship-detection in SAR imagery using low pulse repetition frequency radar[C]. 10th European Conference on Synthetic Aperture Radar, Berlin, 2014: 1-4.

[3] Wei Ju-jie, Li Ping-xiang, and Yang jie. A new automatic ship detection method using L-band polarimetric SAR imagery[J]., 2014, 7(4): 1383-1393.

[4] 李亚超, 周瑞雨, 全英汇, 等. 采用自适应背景窗的舰船目标检测算法[J]. 西安交通大学学报, 2013, 47(6): 25-30.

Li Ya-chao, Zhu Rui-yu, Quan Ying-hui,.. An algorithm of ship target detection based on the adaptive background window function[J].Journal of Xian Jiaotong University, 2013, 47(6): 25-30.

[5] 焦智灏, 杨健, 叶春茂, 等. 基于杂波区分度参数的舰船检测方法[J]. 系统工程与电子技术, 2014(8): 1488-1493.

Jiao Zhi-hao, Yang Jian, Ye Chun-mao,. Ship detection method based on distinction parameter between areas of targets and clutters[J]., 2014(8): 1488-1493.

[6] Jubelin G and Khenchaf A. Multiscale algorithm for ship detection in mid, high and very high resolution optical imagery[C]. IEEE International Geoscience and Remote Sensing Symposium (IGARSS), Quebec City, 2014: 2289-2292.

[7] Song Zhi-na, Sui Hai-gang, and Wang Yu-jie. Automatic ship detection for optical satellite images based on visual attention model and LBP[C]. IEEE Workshop on Electronics, Computer and Applications, Ottawa, 2014: 722-725.

[8] Liu Ge, Zhang Ya-sen, Zheng Xin-wei,. A new method on inshore ship detection in high-resolution satellite images using shape and context information[J]., 2014, 11(3): 617-621.

[9] 丁正虎, 余映, 王斌, 等. 选择性视觉注意机制下的多光谱图像舰船检测[J]. 计算机辅助设计与图形学学报, 2011, 23(3): 419-425.

Ding Zheng-hu, Yu Ying, Wang Bin,.. Visual attention- based ship detection in multi-spectral imagery[J].-&, 2011, 23(3): 419-425.

[10] 王卫卫, 席灯炎, 杨塨鹏, 等. 利用结构纹理分解的海洋舰船目标检测[J]. 西安电子科技大学学报(自然科学版), 2012, 39(4): 131-137.

Wang Wei-wei, Xi Deng-yan, Yang Gong-peng,. Warship target detection algorithm based on cartoon-texture decomposition[J]., 2012, 39(4): 131-137.

[11] 龚志成, 曾惠翼, 裴继红. 基于邻域分析的海洋遥感图像舰船检测方法[J]. 深圳大学学报(理工版), 2013, 30(6): 584-591.

Gong Zhi-cheng, Zeng Hui-yi, and Pei Ji-hong. A method for ship detection based on neighborhood characteristics in remote sensing image[J]., 2013, 30(6): 584-591.

[12] 周伟, 关键, 何友. 光学遥感图像低可观测区域舰船检测[J]. 中国图象图形学报, 2012, 17(9): 1181-1187.

Zhou Wei, Guan Jian, and He You. Ship detection from low observable regions in optical remote sensing imagery[J]., 2012, 17(9): 1181-1187.

[13] 许志涛, 刘金国, 龙科慧, 等. 基于视觉注意机制的海洋监视卫星图像舰船目标检测[J]. 激光与光电子学进展, 2013, 50(12): 1001-1009.

Xu Zhi-tao, Liu Jin-guo, Long Ke-hui,. Ship targets detection of ocean surveillance satellite images based on visual attention[J]., 2013, 50(12): 1001-1009.

[14] Su Li, Zhou Na, Xu Cong-ying,.. On the small ship target detection based on panoramic vision[C]. 32nd Chinese Control Conference (CCC), Xi’an, 2013: 3575-3579.

[15] Bin Jin, Yu Cong, Wei Zhou,. A new method for detection of ship docked in harbor in high resolution remote sensing image[C]. International Conference on Progress in Informatics and Computing (PIC), Shanghai, 2014: 341-344.

[16] 马文伟, 赵永强, 张国华, 等. 基于多结构元素形态滤波与自适应阈值分割相结合的红外弱小目标检测[J]. 光子学报, 2011, 40(7): 1020-1024.

Ma Wen-wei, Zhao Yong-qiang, Zhang Guo-hua,.. Infrared dim target detection based on multi-structural element morphological filter combined with adaptive threshold segmentation[J]., 2011, 40(7): 1020-1024.

Ocean Moving Ship Detection Method for Remote Sensing Satellite in Geostationary Orbit

Li Xiao-bo Sun Wen-fang Li Li

((’),710100,)

A moving ship detection method is presented for ocean moving objects detection of remote sensing satellite in geostationary orbit. First, the multi-structural and multiscale element morphological filter is used to suppress background information of oceanic remote sensing images. Then, image segmentation is done by adopting the adaptive threshold algorithm. Accordingly, the connected domains of pre-detection targets are obtained by utilizing self-organized clustering. Finally, real targets from many candidate targets can be obtained by multi-object variable region decision based on moving targets feature. The experiment results and analysis show that the proposed method can detect moving warship targets and the trajectories of moving targets efficiently, and has high detection probability and robustness. This method provides technical support for on-board image processing of remote sensing satellite in geostationary orbit.

Ship detection; Remote sensing satellite in geostationary orbit; Multiple moving ship targets; Moving trajectory

TP751

A

1009-5896(2015)08-1862-06

10.11999/JEIT141615

李晓博 lxb619@126.com

2014-12-18收到，2015-03-25改回，2015-06-08网络优先出版

国家自然科学基金(61372175)和高分辨率对地观测系统青年创新基金(GFZX04060103)资助课题

李晓博： 男，1983年生，工程师，研究方向为卫星数据传输与信息处理.

孙文方： 男，1979年生，高级工程师，研究方向为卫星数据传输与信息处理.

李 立： 男，1976年生，研究员，研究方向为卫星数据传输与信息处理.