遥感图像中舰船目标的快速精细检测

程 红，刘思彤，孙文邦，杨 帅



遥感图像中舰船目标的快速精细检测

程 红1，刘思彤1，2，孙文邦1，杨 帅1

( 1. 空军航空大学，长春 130022；2. 空军西安飞行学院，西安 710306 )

为解决大多数舰船检测算法的精度不高、速度较慢等问题，提出一种显著性特征引导的舰船目标快速精细检测方法。首先，利用基于局部与全局整合的视觉显著模型定位目标区域，并通过区域提取得到候选目标切片；然后利用改进的均值聚类方法将目标切片分割为超像素集合；最后通过融合显著图和超像素分割结果，筛选属于目标的超像素来实现精细分割，得到舰船目标的候选区域。实验结果表明，该方法能够准确快速地定位舰船目标，且能精确刻画目标轮廓，更有利于后续舰船识别等后续工作的开展。

舰船目标检测；视觉显著性定位；超像素分割；精细分割

0 引 言

舰船目标的检测与监视，对于确保取得海上军事行动的成功起到重要作用，更加关系到国家的安全和发展利益[1]。现有的舰船检测方法主要有阈值法、形态学对比度法[2]、Gabor滤波法[3-4]和基于特征的方法等等。形态学对比度法借助形态学滤波实现检测；Gabor滤波法通过模拟人眼的视觉特性对图像进行处理，能够有效抑制复杂海况背景和增强黑极性目标，具有较高的检测率和较强的鲁棒性。但受海浪、岛屿、光照和舰船材料等多方面因素的影响，图像中背景和目标复杂多样，使得上述方法的检测效率和检测精度下降，严重影响情报工作的开展[5]。为快速稳定地从海洋背景中检测目标，本文从基于视觉显著图的目标定位入手，对舰船进行精细检测与分割，能够在提高检测效率的同时更好地保留目标形状，从而有效地实现舰船目标的快速精确检测。

1 基于视觉显著图定位与超像素分割的舰船快速精细检测

为快速有效地从图像中检测出候选目标，首先对其进行定位。根据人眼视觉注意机制[6]的迅速聚焦能力，提出一种基于局部与全局整合的视觉显著模型，利用舰船目标与海洋背景在颜色、亮度、纹理、梯度等显著特征上的差异，度量并整合各特征的局部与全局显著性，再利用提出的强度对比法将各显著图加权融合，以便生成针对舰船目标的显著图，最后通过区域提取方法将显著区域提取出来，得到目标切片；为准确提取出目标区域，利用改进的均值聚类法将目标切片分割为超像素集合；最后通过融合显著图和超像素分割结果，筛选属于目标的超像素来实现精细分割，得到舰船目标区域。具体包括视觉显著图定位、超像素分割和目标精细分割三个步骤，如图1所示。

图1 基于视觉显著图定位与超像素分割的舰船检测流程图

1.1 视觉显著图定位

基于局部与全局整合的视觉显著模型框架如图2所示，具体包括显著特征提取、显著性度量和显著图融合三个步骤。

图2 基于局部与全局整合的视觉显著性模型

1.1.1显著特征提取

经典的ITTI模型[7]提取图像中的颜色、亮度和方向三类特征来描述显著区域，但提取方向特征计算量大且无针对性的方向搜索会影响检测结果的精准程度。考虑到舰船目标的亮度通常与周围有一定差异，即图像上灰度的不平滑过渡，因此本文引入梯度特征来描述舰船目标的显著性。

1) 颜色与亮度特征提取。若图像是灰度图像，可以直接将图像作为亮度特征图，且后续的特征提取都在上进行。若图像是彩色的，则通过式(1)计算其亮度特征图

其中分别代表RGB颜色空间中的红、绿、蓝三个分量。

对于彩色图像，还需提取其颜色特征。由于RGB空间中各分量的相关性较大，为减少冗余，本文选用Lab颜色空间的三个分量组成特征向量作为颜色特征，则有。

2) 梯度特征提取。常用的梯度算子对噪声敏感，并常常在提取梯度特征的同时加强噪声。而形态学梯

度对噪声敏感度低，能得到较好的提取效果，定义式：

式中：为原始图像，为结构元素，、表示对图像进行膨胀、腐蚀运算。

为充分考虑舰船目标的尺度特征，本文利用大、小结构元素的各自优点，计算多尺度形态学梯度。设表示尺寸为的结构元素，则多尺度梯度为

文中取4个由小到大的结构元素，=4时能保证强化目标的边缘，并刚好弱化目标的内部结构，避免了内部特征对检测的影响。利用单尺度和多尺度梯度共同描述图像的梯度特征，能够在锁定舰船目标边界的同时突显舰船目标区域。

3) 纹理特征提取。对图像进行离散矩变换，得到纹理特征图。设窗体大小为2+1，则图像中每个像素(，)的离散矩变换可以表示为

式中：(，)=0,1,2,…。，的偶奇、奇偶和奇奇组合分别反映了垂直、水平和全局方向上对亮度的响应，为减少计算量，文中仅计算0,1，1,0，1,1。为统一符号，用11代表亮度特征图，用color代表颜色特征向量，用2j(=1,2)代表单尺度和多尺度梯度特征图，用3j(=1,2,3)代表纹理特征图。

1.1.2视觉显著性度量

视觉显著性度量是引导视觉注意的最常用方法，即特征图变换为显著图的过程。为充分利用遥感图像的信息优势，更好的度量图像的显著性，本文提出将局部显著度和全局显著度融合得到总的视觉显著度，以此来刻画图像中目标的显著程度。对于灰度图像，采用本文方法度量其显著性；而对于彩色图像，采用HC方法[8]度量其颜色显著性，再采用本文方法度量其它特征的显著性，最后将两者整合构成最终显著图。

1) 局部显著性度量。经典的ITTI模型通过多尺度图像的差值来凸显区域的局部显著性，但由于采用降采样处理，使得检测结果块状效应严重，不能准确的刻画目标且耗时较多。因此，本文用式(5)代替降采

样来度量局部显著性，既保留了目标细节又降低了计算复杂度。

其中：为图像的平均像素值，F为第类第幅特征图，表示第类第幅局部显著图，为图像F的中值滤波结果，借以凸显小目标，并抑制背景噪声。

2) 全局显著性度量。通过统计像素相对于整幅图像的特征差异，来进行全局显著性度量。本文采用文献[9]的方法计算全局显著性，公式如下：

其中：为得到的第类第幅全局显著图，和分别为的行数和列数，为的直方图，和分别为的最小值和最大值。

1.1.3特征整合

1) 特征权值的计算。针对常用的特征整合法[10]没有考虑各特征对最终显著图贡献程度的问题，提出利用特征图中显著区与非显著区的显著强度比值作为该特征图的权重系数进行整合，本文称之为强度对比法(IC)。首先，利用Otsu法对每个特征图进行显著区域分割，得到许多独立的显著连通区域T(T1，T2，，T)和非显著连通区域D(D1，D2，…，D)。然后分别计算显著和非显著区域的显著强度值，得到局部

显著值总量和平均强度系数，进而得到属于该特征图的强度值C。

其中：为区域R的面积，为给定显著图点的显著值。最后，将显著区域与非显著区域的显著强度值之比作为该显著图的权重值。

2) 合成显著图。首先计算除颜色特征外第类特征对应的显著图S。对于每类特征，先通过算子(×)[9]将局部与全局显著图融合并归一化，再对处理后的显著图进行加权合并，得到显著图S：

其中：为第类第幅显著图对应的权值系数，为F对应的第类显著图：=1时，；=2时，。为第类特征的特征图数目，=l，=2，=3。

在得到各类特征对应的显著图S后，计算它们在总特征图中的权重系数W。根据得到的权重将各特征显著图进行加权组合，最终得到一幅总显著图，计算公式如下：

对于彩色图像，还需要加入颜色特征图，则式(11)变为

1.1.4显著区域提取

对于得到的显著图，采用Otsu方法将其提取出来，显著值大于阈值的部分置为“1”；反之，置为“0”。阈值处理后的图像，会存在一些孔洞，采用形态学运算或区域填充方法去除。对得到的区域进行统计，以区域为中心，根据区域的长宽信息建立候选目标切片，以便进行下一步工作。

1.2 超像素分割

超像素分割[11]就是利用中层视觉特征对图像进行过分割方法的过程。本文将超像素与视觉显著图结合，利用目标的显著信息实现对复杂性目标的描述。Achanta等人提出的简单线性迭代算法[12]采用均值聚类获取超像素，以其快速的运算速度，灵活的实用性和出色的分割效果广泛应用于图像分割领域。本文在其基础上进行改进，具体步骤如下：

1) 在显著图定位的基础上，仅对候选目标切片进行均值聚类分割，在降低计算量的同时大大提高了分割效率，分割的准确性也得到大幅度提升。

2) 设置分割参数。也就是超像素的数量。通过实验发现，图像分辨率对超像素个数的选取有一定影响，当分辨率高于2.5 m时，取50效果较好；当分辨力低于2.5 m时，取20效果较好。本文中图像分辨率均高于2.5 m，因此=50。

3) 构建分类向量。在利用颜色或灰度信息的基础上，加入位置信息共同作为聚类依据。对于灰度图像，每一个候选目标切片的聚类向量表示为，其中，为灰度值，为位置信息。对于彩色图像，聚类向量表示为，其中为Lab空间中的颜色信息。

4) 利用特征向量和分割参数进行均值聚类，将聚类得到的结果用[0,1]之间的灰度值随机标记，并依次存入相应超像素集合C中，以便进行精细分割，流程如图3。

图3 超像素分割流程图

1.3 目标精细分割

如图4，首先，需要计算每个目标切片中每一超像素的平均显著性和自适应阈值，对于任一切片s：平均显著性，即显著图中超像素的平均显著值，定义式：

图4 目标精细分割流程图

自适应阈值T，即决定超像素是否保留的阈值，充分考虑到超像素在切片背景下的显著性，将其定义式(14)：

其中：(，)为(，)位置处的显著值，表示切片s的第个超像素，为中的像素个数，、分别为切片s的行数和列数，为切片s的平均显著值。

经过积极有效的护理干预,上述参与研究的35例患者中,25例患者显效,血糖恢复正常水平;10例患者有效,血糖接近正常水平;所有患者均未发生糖尿病合并症,治疗总有效率达100%。追踪调查结果显示:33例患者对护理表示满意,护理满意度达94.3%。

然后，将切片中每一超像素的平均显著值与阈值进行比较，若，则将该超像素保留；反之，将其剔除。最后，将该切片中保留下来的超像素合并。待所有切片都完成精细分割，再将所有切片的超像素结果合并，从而得到最终的检测结果。图5给出了超像素分割与精细分割的结果。切片中目标与背景对比较明显，但背景纹理复杂，灰度分布不均；本文方法不受纹理的干扰，能够将图像分成超像素集合且目标超像素边缘清晰准确；再根据精细分割要求，利用切片的局部显著图计算阈值，保留目标超像素得到，最后去除非目标超像素，得到该切片的检测结果。

图5 超像素分割与精细分割结果

2 实验结果对比与分析

2.1 检测结果图像分析

为验证本文方法的可行性与有效性，实验在Intel(R) Corel(TM) 2.66GHz(内存4G)的硬件环境下进行，将本文方法与常用的形态学对比度法和Gabor滤波法进行对比分析。根据背景干扰的不同分为两组实验：

第一组：基于灰度或颜色分布不均的海洋背景

图6(a)为一幅航母编队的图像，受成像角度和光照的影响图像中海洋背景颜色分布不均。从图中可以看出，Gabor滤波法受光照不均的影响，仅检测到低亮度区域的舰船，而其他目标被高亮度区域的海洋淹没，造成大量漏检；形态学对比度法虽然能够降低分布不均对算法造成的影响，检测到了大部分目标且检测率较高，但不能较好的保持目标完整性，目标缺失严重；而本文方法表现出很大优势，既能很好地抑制干扰、保证很高的检测率，又能完整地刻画目标。

图6 不同方法的检测结果对比

第二组：基于多因素干扰的海洋背景

图7(a)和图8(a)为两幅包含小目标、碎云、尾迹和复杂颜色分布等多种干扰的遥感图像。形态学对比度法和Gabor滤波法受到不同程度背景干扰的影响，使得检测结果出现大量虚警或漏检。虽然两种方法都能检测到目标，但前者得到的结果较贴近目标的真实形状，无法对尾迹进行处理；而后者检测结果较真实目标稍大，可用于目标定位，不利于进一步目标识别，但能在一定程度上屏蔽尾迹干扰。而本文方法不存在以上问题，能够避免背景干扰，更好的贴近目标的真实形状，具有较好的检测效果和较高的检测精度。

图7 不同方法的检测结果对比

图8 不同方法的检测结果对比

2.2 实验结果参数分析

为客观、定量地评价本文方法，采用检测率(DR)、虚警率(FAR)、查准率(PR)和F-measure[8]等参数对实验结果进行分析，此外，提出检测精度(Detection Precision，DP，用D表示)来分析各算法反映目标细节的能力，定义如下：

如表1所示，Gabor滤波法的平均检测率都很低，不能满足检测的需要；又由于形态学对比度法和Gabor滤波法的虚警数量较多且检测结果不稳定，因此无法准确计算这些方法的PR、F-measure、FOM和DP等参数，检测性能很低；而本文方法的检测率较高，平均在95%以上，且从PR、F-measure、FOM和DP等参数可以突出本文方法在检测准确率和检测精确度上的极大优势；此外，从检测时间上看，本文方法的检测时间略高于检测性能很低的形态学对比度法，但仅为Gabor滤波法的1/3。综上可知，本文方法能够在复杂、多背景干扰的情况下，稳定有效地检测出舰船目标，较好地保持了目标的形状和结构信息，具有较高的检测效率和精度，在检测性能上具有较大优势。

表1 舰船检测结果参数对比

Table 1 Comparison of parameters

最高法院2012年裁定的“微生物研究所案”中，被告从专利权人的被许可人处获得了制造涉案专利药品的原料药(可以被视为是“用于制造专利产品的专用元件”)，之后用该原料药生产出了专利药品。最高法院通过引用第12条，而认定被告通过默示许可的途径获得了专利许可[注]参见“江苏省微生物研究所有限责任公司、福州海王福药制药有限公司诉福州海王福药制药有限公司、辽宁省知识产权局行政裁决案”，(2011)知行字第99号决定书。。由此可以知道，最高法院亦认为“用于制造专利产品的专用元件”并不适用权利用尽规则。

3 结 论

针对常用的舰船目标检测方法易受复杂背景干扰，导致检测效率降低、检测精度下降以及耗时长等问题，提出一种基于视觉显著图定位与超像素分割的方法，利用舰船目标与背景在初级视觉特征上的显著性差异构造显著图，检测并定位图像中的候选舰船目标，提取目标切片；然后利用改进的均值聚类方法将目标切片分割为超像素集合；再通过筛选属于目标的超像素来实现精细分割，得到舰船候选区域检测结果。并通过实验验证该方法相比其它算法具有以下优势：

1) 能够快速准确地定位目标，舰船检测率高，具有较高的检测效率；

2) 能够清晰地刻画舰船的边界轮廓及形状结构，具有较高的检测精度。

[1] Corbane C，Marre F，Petit M. Using SPOT-5 HRG data in panchromatic mode for operational detection of small ships in tropical area [J]. Sensors(S1424-8220)，2008，8：2959-2973.

[2] 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.

XIAO Liping，CAO Ju，GAO Xiaoying. Detection for ship targets in complicated background of sea and land [J]. Opto-Electronic Engineering，2007，34(6)：6-10.

[3] 施鹏. 基于光学遥感图像的舰船目标自动检测技术 [D]. 北京：中国科学技术大学，2010：10-25.

SHI Peng. The Ship Detection based on Optical Remote Sensing Images [D]. Beijing：University of Science and Technology of China，2010：10-25.

[4] Bau T C，Sarkar S，Healey G. Hyperspectral region classification using a three dimensional Gabor filterbank [J]. IEEE Transactions on Geoscience and Remote Sensing(S1545-598X)，2010，48(9)：3457-3464.

[5] 赵英海，吴秀清，闻凌云，等. 可见光遥感图像中舰船目标检测方法 [J]. 光电工程，2008，35(8)：102-106.

ZHAO Yinghai，WU Xiuqing，WEN Lingyun，. Ship Target Detection Scheme for Optical Remote Sensing Images [J]. Opto-Electronic Engineering，2008，35(8)：102-106.

[6] Frintrop S，Klodt M，Rome E. A Real-Time Visual Attention System Using Integral Images [C]// Proc. of the 5th International Conference on Computer Vision Systems (ICVS 2007)，Bielefeld University，Germany，March 21-23，2007：512-518.

[7] TAI S L. Image representation using 2D gabor wavelets [J]. IEEE Transactions on Pattern Analysis and Machine Intelligence(S1939-3539)，1996，18(10)：959-971.

[8] CHENG Mingming，ZHANG Guoxin，Mitra N J，. Global Contrast Based Salient Region Detection [C]// Proc. of 2011 IEEE Conference on Computer Vision and Pattern Recognitions，Colorado Springs，Colorado，USA，June 20-25，2011：409-416.

[9] 张鹏，王润生. 基于视点转移和视区追踪的图像显著区域检测 [J]. 软件学报，2004，15(6)：891-898.

ZHANG Peng，WANG Runsheng. Detecting Salient Regions Based on Location Shift and Extent Trace [J]. Journal of Software，2004，15(6)：891-898.

[10] 邱新洁. 视觉注意机制建模中的特征调制和选择策略研究 [D]. 天津：天津大学，2010：20-31.

QIU Xinjie. Study on the Feature Modulation and Selection Strategies for Modeling Visual Attention Mechanisms [D]. Tianjin：Tianjin University，2010：20-31.

[11] Achanta R，Shaji A，Smith K，. SLIC Superpixels Compared to State-of-the-Art Superpixel Methods [J]. IEEE Transactions on Pattern Analysis and Machine Intelligence(S1939-3539)，2012，34(11)：2274-2282.

[12] Goferman Stas，Zelnik-Manor Lihi，Tal Ayellet. Context-Aware Saliency Detection [J]. IEEE Transactions on Pattern Analysis and Machine Intelligence(S1939-3539)，2012，34(10)：1915-1926.

Fine Rapid Detection of Ship Targets in Remote Sensing Images

CHENG Hong1，LIU Sitong1,2，SUN Wenbang1，YANG Shuai1

( 1. Aviation University of Air Force, Changchun 130022, China；2. Xi’an FlightAcademyof Air Force, Xi¢an 710306, China )

In order to solve the problem that majority of ship detection algorithms show the low accuracy and slow rate, a fine rapid ship detection algorithm based on salient feature guidance is proposed. First, the candidate target area is located through visual saliency model based on the local and global integration, and candidate target slices are gained through the region extraction. Then, the improved means clustering method is used to divide the target slice into super pixels. Finally, ship target regions are gained through filtering super pixels belonging to the target to achieve a fine segmentation after the integration of a significant figure and super-pixel segmentation. Experimental results show that the algorithm proposed in this paper can quickly and accurately locate the target ship, accurately depict the object contour, and is more conducive to subsequent follow-up work.

ship detection; visual saliency location; super-pixel segmentation; explicit segmentation

TP751

A

10.3969/j.issn.1003-501X.2016.04.005

2014-12-08；

2015-03-23

全军军事类研究生课题(2013JY514)

程红(1969-），女(汉族)，辽宁辽阳人。博士，教授，硕士生导师，主要从事遥感图像信息处理。E-mail：sztucl2012@yaeh.net。

刘思彤(1989-)，女(汉族)，辽宁大连人。助教，硕士，主要从事数字图像处理工作。E-mail：liusitong1114@163.com。