基于显著条件随机场的海面目标分割算法

宋文韬 胡勇 巩彩兰 李赛

摘  要： 海面目标的分割在军事和民用领域有着重要的价值，但现阶段对光学遥感下海面舰船等目标的研究还较少。针对强杂波干扰海面场景下目标分割精度低的问题，文中设计一种显著条件随机场的目标分割算法。该算法基于背景可分性度量准则，改进了谱残差显著性，并使用全连接的随机场替代一般的邻域模型，利用全图的上下文信息对目标精确分割。实验结果表明，该算法能够有效抑制海面杂波，实现了对像素的精确分割。

关键词： 图像分割; 视觉显著性; 条件随机场; 海面目标; 遥感; 舰船目标检测; 图像处理; 目标分割

中图分类号： TN911.73?34; TP751.1             文献标识码： A                  文章编号： 1004?373X（2019）10?0128?04

Sea?surface target segmentation algorithm based on saliency condition random field

SONG Wentao1.2，3， HU Yong1，2， GONG Cailan1，2， LI Sai1，2，3

（1. Shanghai Institute of Technical Physics of Chinese Academy of Sciences， Shanghai 200083， China;

2. Key Laboratory of Infrared System Detection and Imaging Technology， Chinese Academy of Sciences， Shanghai 200083， China;

3. University of Chinese Academy of Sciences， Beijing 100049， China）

Abstract： The sea?surface target segmentation has an important value in military and civilian fields. However， there are few studies on sea?surface ship targets under optical remote sensing at present. In allusion to the low segmentation accuracy of targets in the strong clutter interfered sea scenario， a target segmentation algorithm based on the saliency condition random field is designed. In the algorithm， the spectral residual saliency is improved based on the background separability metrics criterion. The general neighborhood model is substituted by the fully?connected random field. The accurate segmentation of targets is conducted by using the context information of the whole image. The experimental results show that the algorithm can effectively suppress sea clutters and achieve accurate segmentation of pixels.

Keywords： image segmentation; visual saliency; condition random field; sea?surface target; remote sensing; ship target detection; image processing; target segmentation

光学遥感相比传统的雷达探测[1] ，具有强隐蔽性、环境适应性好的特点，得到越来越广泛的应用。

现在对光学遥感海面目标的检测与分割运用较多的是基于显著度的方法。显著度是一种主动模仿人眼特征的设计方法，模拟人眼可快速集中于感兴趣区域，而提出的目标检测算法模型[2] 一般可分为3类：基于对比度信息[3] 、基于频率域特征[4]、基于计算的特征融合的算法[5] 。但对不同场景适应性差，会提取一定的错误区域;经显著度处理后都有一个高斯滤波的过程，难以做到对像元的精确提取。概率图模型是图像分割领域的一个研究热点，条件随机场模型（Condition Random Field，CRF）是经典的马尔科夫随机场模型（MRF）的发展，主要有两个优点：首先，去除观测序列的独立假设分布约束[6]，增强马尔科夫随机场模型的适应能力;其次是能够对长距离和短距离像素关系进行建模[7] ，特别是对于海面這种大面积背景，能够充分利用图像的上下文关系。本文针对遥感海面图像的特点，对现有条件随机场的检测框架进行改进，提出一种改进视觉显著性一元势函数，同时利用全连接的随机场替代邻域检测模型，实现对海面舰船目标的精确分割。

1  改进视觉显著性模型

1.1  基于谱残差显著性的目标分割算法

人眼能够快速和精确地定位自然场景中的目标，并且在不需要事先识别目标的情况下，转移注意力并聚焦该目标，同时将目标从背景中分割出来。基于此，人眼会对图像中的变化更加敏感，一个基本原则就是抑制常规与频繁出现的特征，同时对非常规的特征保持敏感。依据此将图像分为背景和异常两部分[8] ：

[H（Image）=H（Innovation）+H（Backgroung）] （1）

给定一幅图像，首先进行二维离散傅里叶变换，将其从空间域转换到频域，对幅值取对数，根据Hou x等人提出的理论，该对数曲线满足局部线性条件[9]，基于此先验得到谱残差（Spectral Residual，SR）显著性。其步骤计算为：对于给定图像[I（x）]，[A（f）]表示其经过傅里叶变换的幅度谱，对其取对数谱，得到[L（f）]：

[L（f）=log A（f）] （2）

对对数谱[L（f）]进行均值滤波，再将滤波结果与对数谱相减，得到剩余谱[R（f）]：

[R（f）=L（f）-hn（f）*L（f）] （3）

利用剩余谱和相位谱进行反向傅里叶变换，进行高斯滤波器，得到显著图：

[S（x）=g（x）*F-1[e[R（f）+P（f）]]2] （4）

式中：F表示傅里叶变换;P（f）表示其相位谱。

对显著度进行阈值分割，得到目标的初始分割结果，一般选择阈值threshold为3倍均值。

[threshold=3E（S（x））] （5）

将大于阈值的赋值为1，其余为0。

1.2  基于相对熵的背景可分性度量准则

一般的视觉显著性模型，输入任意的图像，都会相应输出高频或者异常区域。与自然图像不同，遥感广域海面只有少部分影像包含待分割目标，这些显著性方法已不再适用。针对遥感目标的局限性，本文提出一种基于背景可分性度量准则，对视觉显著性进行改进，并对像元进行初始分割。相对熵（Relative Entropy）又称为KL散度，是两个概率分布一种度量准则。 对一个假设背景的概率分布为P和目标的概率分布为Q来说，他们的KL散度定义为：

[DKLPQ=iP（i）logP（i）Q（i）] （6）

对提取的显著区域和背景进行计算，在高斯分布假设下通过定义最大容许的贝叶斯错误率可以计算KL离散度的最低阈值[10] ，符合条件的影像认为存在目标，将显著分割结果作为其初始分割结果。

2  全连接条件随机场精确分割

条件随机场借助图像的上下文关系，可以实现对显著性初始分割结果的精确分割。一般对图像随机变量定义两个场：一个是观测场Y，对应到图像像元的观测值（如DN）的集合;一个是标记场，对应于像元的状态空间。其中L是标记场X的配置空间，对于目标分割问题，L对应二元空间，即L={0，1}。基于条件随机场的联合概率可用吉布斯分布描述[11]，如下：[PXY=1ZexpE（xy）                   =1Zexp-c∈C-VCXcY] （7）

式中：E在统计力学中表示[xy]的吉布斯能量，是基团势函数的叠加;C为基团的集合，每个基团c都将产生一个势函数V;Z是归一化函数。

一般而言只考虑单点和双点基团，即一元势函数和成对势（二元）函数，为了方便表示，用X来代替[XY]，所以其吉布斯能量为：

[E=iΨuXi+i≠jΨi，jXi，Xj] （8）

一元势函数设置为视觉显著度分割模型，其置信度M，一般设为50%，可得：

[ΨuXi=-ln M，                  像元为目标-ln1-M2，          像元为背景] （9）

二元势函数用高斯核函数表示，i，j为图中任意像元的序号。定义二元势函数为：

[Ψi，jXi，Xj=μXi，Xjm=1Kwmkmfi，fj] （10）

式中：[μ（Xi，Xj）]是变分模型，一般选Ising/Potts模型，即只有当像素i和j的标签不同时，才会为1，其他情况下分0;每一个[km]都代表一个高斯核函数;[f]是由每个像素的图像观测值和位置特征构造成的特征向量;[wm]为权重。所以高斯核函数为[7]：[kfi ，fj=w1exp-Pi-Pj22θ2α-Ii-Ij22θ2β+                   w2exp-Pi-Pj22θ2γ] （11）

式中：I为每个像素值;P为像素在图像上的坐标。

为了降低优化的复杂度，用最小化KL散度[D（QP）]寻找分布Q（X）代替P（X），分布Q可以写成独立的边缘概率分布的乘积[12]：

[QX=iQiXi]

根据概率性质有：[XiQi（Xi）=1]，利用拉格朗日乘数法求[argminQiD（QP）]，根据Q计算结果将每个像素概率最大状态作为该像素的类别。

3  实验结果

本文算法的测试环境为Core（TM）  i7?2600 CPU@2.90 GHz，编程语言C++，选择High resolution ship collections 2016（HRSC2016） 數据集[13] 进行对比实验，以验证本文方法在图像分割中的效果。本节给出本文所提模型与基于迭代计算的ISODATA聚类分割算法、基于频域视觉显著度的FT算法[14] 、基于自适应阈值的Otsu算法的实验结果，主要从分割视觉效果与分割精度两个方面进行比较，结果对比图如图1所示。

图1  海面目标分割结果对比图

将本文算法与三类算法做对比，从图中可以看出，ISODATA算法受海面杂波影响最大，分割结果不符合实际需求;FT显著性和Otsu分割也会受到复杂海面影响，分割精度降低;而本文方法在3幅图像视觉上都能保持较好的结果，鲁棒性强。

为了对本文方法进行定量评价，以像元检测精度R作为评价指标。

[R=正确分类像元数+错误分类像元数像元总数×100%] （12）

其结果如表1所示。

从表中可以看出，传统方法在海面杂波较多时，容易标记出不属于目标的像素，这给实际工程处理带来了不必要的麻烦，受图像质量影响比较大，本文方法能够避免这种现象，对三种不同图像都能保持较高的分割精度，有效抑制海面杂波的影响。

4  结  论

本文提出一种结合视觉显著度和条件随机场的舰船目标分割算法，改进了基于频域信息的显著性算法，使其能够更突出异常目标，同时结合条件随机场模型，更有效利用广域遥感图像的空间上下文信息，实现了对像素的精确分割。这种算法在遥感图像数据处理领域具有一定的潜在应用前景。

参考文献

[1] APRILE A， GROSSI E， LOPS M， et al. Track?before?detect for sea clutter rejection： tests with real data [J]. IEEE transactions on aerospace and electronic systems， 2016， 52（3）： 1035?1045.

[2] 徐芳，刘晶红，曾冬冬，等.基于视觉显著性的无监督海面舰船检测与识别[J].光学精密工程，2017，25（5）：1300?1311.

XU Fang， LIU Jinghong， ZENG Dongdong， et al. Detection and identification of unsupervised ships and warships on sea surface based on visual saliency [J]. Optics and precision engineering， 2017， 25（5）： 1300?1311.

[3] GU K， ZHAI G， YANG X， et al. Automatic contrast enhancement technology with saliency preservation [J]. IEEE transactions on circuits and systems for video technology， 2015， 25（9）： 1480?1494.

[4] LI J， DUAN L Y， CHEN X， et al. Finding the secret of image saliency in the frequency domain [J]. IEEE transactions on pattern analysis and machine intelligence， 2015， 37（12）： 2428?2440.

[5] BORJI A. Boosting bottom?up and top?down visual features for saliency estimation [C]// Proceedings of IEEE Computer Society Conference on Computer Vision and Pattern Recognition. [S.l.]： IEEE Computer Society， 2012： 438?445.

[6] LAFFERTY J， MCCALLUM A， PEREIRA F. Conditional random fields： probabilistic models for segmenting and labeling sequence data [C]// Proceedings of the 18th International Conference on Machine Learning. San Francisco： Morgan Kaufmann Publishers Inc.， 2001： 282?289.

[7] KR?HENB?HL P， KOLTUN V. Efficient inference in fully connected CRFs with Gaussian edge potentials [J]. Advances in neural information processing systems， 2011， 24： 109?117.

[8] 陈海永，徐森，刘坤，等.基于谱残差视觉显著性的带钢表面缺陷检测[J].光学精密工程，2016，24（10）：2572?2580.

CHEN Haiyong， XU Sen， LIU Kun， et al. Surface defect detection of steel strip based on spectral residual visual saliency [J]. Optics and precision engineering， 2016， 24（10）： 2572?2580.

[9] HOU X， ZHANG L. Saliency detection： a spectral residual approach [C]// Proceedings of IEEE Conference on Computer Vision and Pattern Recognition. Minneapolis： IEEE， 2007： 1?8.

[10] 刘丰轶，胡勇，饶鹏，等.一种改进的MRF点目标检测算法[J].红外与毫米波学报，2018，37（2）：212?218.

LIU Fengyi， HU Yong， RAO Peng， et al. Modified point target detection algorithm based on Markov random field [J]. Journal of infrared and millimeter waves， 2018， 37（2）： 212?218.

[11] 刘彤，黄修添，马建设，等.基于完全联系的条件随机场的图像标注[J].计算机应用，2017，37（10）：2841?2846.

LIU Tong， HUANG Xiutian， MA Jianshe， et al. Image labeling based on fully?connected conditional random field [J]. Journal of computer applications， 2017， 37（10）： 2841?2846.

[12] KR?HENB?HL P， KOLTUN V. Parameter learning and convergent inference for dense random fields [C]// Proceedings of the 30th International Conference on Machine Learning. Atlanta： IEEE， 2013： 513?521.

[13] LIU Z， YUAN L， WENG L， et al. A high resolution optical satellite image dataset for ship recognition and some new baselines [C]// Proceedings of the 6th International Conference on Pattern Recognition Applications and Methods. Porto： IEEE， 2017： 324?331.

[14] ACHANTA R， HEMAMI S， ESTRADA F， et al. Frequency?tuned salient region detection [C]// Proceedings of IEEE Conference on Computer Vision and Pattern Recognition. Miami： IEEE， 2009： 1597?1604.