CN101520896A - 利用光学遥感影像自动检测云层干扰舰船目标的方法 - Google Patents

Abstract

本发明提出了一种利用光学遥感影像自动检测云层干扰舰船目标的方法，利用本方法可显著地提高在云层遮挡下的舰船目标检测准确率，减少漏检率和虚警率。本发明主要通过下述技术方案予以实现：根据影像背景与舰船目标灰度特性分布差异进行图像区域分割的自适应阈值估计，分离影像中海洋和云层的背景区域与舰船及其云层相连的目标区域；轮廓跟踪法获得感兴趣区域ROI的轮廓方向链，强化目标的图形特征描述；利用目标轮廓方向链模板对区域轮廓方向链匹配搜索，区分出舰船区域与云层区域；采用形态与纹理分析法提取舰船的多特征参量，并利用多特征优先级的迭代决策法进行目标判决确认，从而实现具有云层干扰下的遥感影像的舰船自动检测。

Description

利用光学遥感影像自动检测云层干扰舰船目标的方法

技术领域

木发明涉及图像分析与模式识别领域的智能化目标检测技术，尤其是涉及利用遥感影像的云层干扰或云层半遮档下的舰船目标自动检测方法。

背景技术

在现有技术中，利用光学遥感影像的图像处理与目标特性分析，可获得对图像内容的理解以及场景的解译。利用光学遥感影像的目标检测可有效支持军事领域舰船的侦察和监视、民用领域的船只救援与管理。但是，光学遥感影像中通常存在多形态云层及其云层对舰船的半遮挡的干扰现象，加之舰船目标具有高稀疏性及随机分布性特点，这些因素都给光学遥感影像的舰船目标自动检测带来了极大的困难。

目前，现有利用遥感影像的舰船目标检测方法，可以概括为：(1)采用预设阈值的图像分割与形状和纹理特征匹配判决的舰船目标检测方法，简称特征匹配目标检测法；(2)采用Randon变换或Hough变换的舰船尾迹检测的间接舰船目标检测方法，简称变换目标检测法。对遥感影像的多形态云层与云层对舰船的半遮挡情况，上述特征匹配目标检测法由于不易区分云层干扰区和舰船船体区域，从而带来特征匹配判决的舰船检测的准确性不高。而变换目标检测法则不适合于慢速移动、无明显尾迹特征的舰船检测，此外，云层的多形态图形还会严重干扰对尾迹检测效果，从而导致变换目标检测法的遥感影像舰船目标检测率低、漏检率和虚警率高。这两类方法都无法有效分割舰船目标区域与云层干扰的区域，因而不适用于光学遥感影像中存在多形态云层干扰，尤其是云层对舰船的半遮挡情况下的高准确率的舰船目标检测。

发明内容

本发明的任务是提出一种能够显著提高云层遮档下的舰船目标检测准确率，减少其漏检率和虚警率，并能快速、准确地确定影像目标区域，对舰船目标进行自动检测处理的方法。

为了实现上述目的，本发明提出一种利用光学遥感影像自动检测云层干扰舰船目标的方法，包括如下步骤：

1)海洋背景阈值计算，按照输入影像的背景与舰船目标模板灰度特性分布，计算出图像区域分割的自适应阈值；

2)图像阈值分割，用上述计算的海洋背景阈值对遥感图像进行二值化分割，获得包含背景信息的“暗区域”和包含舰船轮廓信息的“亮区域”；

3)区域轮廓提取，用轮廓跟踪与提取方法，对上述阈值分割图中的“亮区域”的边缘轮廓进行提取，获得区域轮廓坐标链；

4)区域轮廓方向链确定，用上述区域轮廓坐标链计算得到区域轮廓方向链；

5)候选舰船目标区域定位，用舰船轮廓方向链模板与上述区域轮廓方向链进行滑窗匹配搜索，确定在遥感图像中候选舰船区域的定位坐标；

6)目标特征提取与判决，用上述候选舰船的定位坐标分割出候选舰船的ROI区域切片，计算ROI区域的多特征参数值，用多特征优先级的迭代决策法自动进行候选舰船目标判别确认。

本发明相比于现有技术具有如下有益效果。

与现有方法相比，本发明通过面向对象的自适应阈值估计的影像区域分割，可以快速、准确地确定光学遥感影像中目标区域；采用的轮廓跟踪与模板匹配搜索结合处理方法分离出舰船体区域与紧连船体的云层区域；利用特征决策树判决的目标确认方法，可显著提高光学遥感影像中具有多形态云层干扰，尤其是云层半遮档下舰船目标自动检测的准确率，减少其漏检率和虚警率。本发明具有较强的场景适应能力。

附图说明

为了更清楚地理解本发明，现将通过本发明实施例，同时参照附图，来描述本发明，其中：

图1是本发明对光学遥感影像中云层干扰或半遮挡舰船的检测流程图。

图2是本发明光学遥感影像中海洋背景阈值估计值计算的流程图。

图3是本发明遥感影像中利用区域轮廓坐标链定位候选舰船区域的流程图，直接利用获得的方向链进行全局匹配搜索候选舰船目标区域。

图4是本发明利用区域轮廓坐标链定位候选舰船区域的流程图，利用区域轮廓的方向差分链进行候选舰船目标粗定位，再利用该粗定位信息引导在区域轮廓方向链上进行舰船目标匹配搜索。

图5是本发明的ROI切片特征提取与特征决策树的目标判别确认流程图。

图6是遥感影像的目标轮廓跟踪示意图。

图7是遥感影像的舰船目标轮廓模板示意图。

图8(a)是逆时针方向跟踪的舰船目标轮廓模板；

图8(b)是顺时针方向跟踪的舰船目标轮廓模板。

图9是被云层半遮挡的舰船目标遥感影像图。

图10(a)是图9阈值分割二值图；

图10(b)是图9阈值分割二值图的轮廓图；

图10(c)是去掉图10(b)中内部闭环线的轮廓图。

图11(a)是区域轮廓跟踪处理得到轮廓点序列的图像行坐标序列；

图11(b)是区域轮廓跟踪处理得到轮廓点序列的图像列坐标序列。

图12是区域轮廓坐标链曲线中点A的方向角示意图。

图13(a)是区域轮廓坐标链计算获得的区域轮廓方向链曲线；

图13(b)是规格化的区域轮廓方向链曲线。

图14是差分计算规格化区域轮廓方向链得到的区域轮廓方向差分链曲线。

图15是区域轮廓方向差分链点取值为[160⁰，180⁰]与[-180⁰，-160⁰]范围内方向差分链的二值化曲线。

图16(a)是逆时针舰船轮廓方向链模板与区域轮廓方向链的匹配度曲线图；

图16(b)是顺时针舰船轮廓方向链模板与区域轮廓方向链的匹配度曲线图。

图17是图9中检测出的舰船轮廓图及标注的检测准确度值。

具体实施方式

参阅图1。木发明对光学遥感影像中被云干扰或半遮挡舰船目标的检测流程如图1所示。本发明读入待处理的遥感影像图像，计算图像背景分割的自适应阈值，采用阈值分割图像区域，然后提取候选目标的区域轮廓，定位候选舰船目标区域，最后提取目标特征并进行判别的目标确认，且整个流程用计算机软件方式自动实现。具体步骤是：

海洋背景阈值计算

参阅图2。海洋背景阈值计算的流程图如2所示。在步骤S11，进行图像直方图计算，即按照灰度图像的灰度等级，自动统计出每个灰度等级x的像素点个数，从而获得图像的灰度直方图h(x)；在步骤S12，在直方图h(x)的低灰度级，检测直方图的峰值，以该峰值对应的灰度等级x₀为海洋背景灰度均值；在步骤S13，计算规格化直方图，首先是用直方图峰值去除整个直方图，得到规格化直方图在步骤S14，在归格化直方图

中，以x₀为起始点提取规格化直方图峰值右侧邻域点，确定x₀右邻域灰度级对应的直方图值，形成直方图值序列 $Q\{\hat{h}\left(x_1\right),\hat{h}\left(x_2\right),\·\·\·,\hat{h}\left(x_n\right)\};$ 在步骤S15，估计图像灰度分布的高斯模板均方差参数，根据直方图序列Q，按照下述公式(1)，估算出海洋背景高斯模板的均方差参数

$\mathrm{\σ}=\frac{1}{n}\underset{i=1}{\overset{n}{\mathrm{\Σ}}}\sqrt{-\frac{{(x_i-x_0)}^2}{2\ln \left[\hat{h}\left(x_i\right)\right]}}---\left(1\right)$

其中，n取小于5的值。利用多个序列点估计均方差参数σ，能提高σ的估计精度。

在步骤S16，利用均值x₀和均方差参数σ估计阈值，确定海洋背景灰度阈值G_th。根据高斯型函数的“3σ”原则，由下述公式(2)，确定出遥感影像海洋背景分割的阈值G_th：

G_th＝x₀+kσ                           (2)

其中，参数k在2.5～5取值。

图像阈值分割

在步骤S2，利用上述估计的图像分割阈值G_th，对待处理遥感影像进行图像二值化，图像灰度值大于G_th的像素点灰度值置为1，形成图像的“亮区域”，否则置为0，为图像的“暗区域”。图10(a)给出了图9灰度图的阈值分割图。图10(a)中的“亮区域”包含了舰船目标的信息，为关注的图像区域。

轮廓跟踪与提取

参阅图6。在步骤S3，跟踪与提取区域轮廓，获得区域轮廓坐标链与区域轮廓方向链，提供候选目标的定位参数。图6示出图像分割图中空心点为“亮区域”，实心点为“亮区域”的轮廓点，箭头指向为轮廓跟踪算法对轮廓点的搜索方向。首先，在图6中确定轮廓跟踪的起始轮廓点，按照从左到右、从下到上的顺序搜索轮廓点，找到的第一个轮廓边界点P₀；如果左上方的点是轮廓点，则为第二个轮廓点P₁，并逆时针旋转90⁰作为下一个轮廓点起始搜索方向，否则将轮廓点的搜索方向顺时针旋转45⁰，直到找到第二个轮廓点P₁为止。继续搜索下一个轮廓点，直到返回起始轮廓点P₁为止。根据轮廓跟踪技术可以获取轮廓点的点坐标序列，称为轮廓点的坐标链。坐标链的次序反映了轮廓跟踪的次序。

根据区域轮廓跟踪与提取原理，对图10(a)中的“亮区域”进行轮廓跟踪与提取，“亮区域”对应于图1中的空心点，含有舰船目标的轮廓信息，其边缘轮廓对应于图1中的实心点。通过获得“亮区域”轮廓的坐标链T_Coord{P₁，P₂，…，P_n}，其中，每个点P_i坐标代表轮廓点在灰度图像中的位置，并用图像行列坐标P_i(x_i，y_i)表示。

图10(b)给出了图10(a)的轮廓提取图，而图10(c)中剔除了长度较小的轮廓，因为这些轮廓中不可能包含舰船目标。图11给出了轮廓跟踪后的坐标曲线。

轮廓方向链计算

参阅图12。在步骤S4，用区域轮廓坐标链计算区域轮廓方向链。每个轮廓点的方向用该点在轮廓中的切线方向与水平方向的夹角表示，如图12所示，点A的切线用线段AB近似代替，其方向角度为：

${\mathrm{\θ}}_A=\arctan \frac{y_B-y_A}{x_B-x_A}---\left(3\right)$

式中：θ_A为点A的方向角，x_A、y_A分别为点A在灰度图像上的行坐标和列坐标，x_B、y_B分别为点B在灰度图像上的行坐标和列坐标。

图13(a)给出了直接由公式(3)计算得到区域轮廓方向链。由于公式(3)的取值范围为[-180⁰，180⁰]，则在±180⁰方位上区域轮廓方向链的方向角将会出现急剧变化的情况。为了使区域轮廓的方向角度值连续变化，需要对由公式(3)得到的方向链进行规格化处理。

$\stackrel{\&OverBar;}{{\mathrm{\&theta;}}_{i+1}}=\left\{\begin{array}{cc}{\mathrm{\&theta;}}_{i+1}-360& {\mathrm{\&Delta;}}_i>180\\ {\mathrm{\&theta;}}_{i+1}& -180<{\mathrm{\&Delta;}}_i<180\\ {\mathrm{\&theta;}}_{i+1}+360& {\mathrm{\&Delta;}}_i<-180\end{array}\right.---\left(4\right)$

其中，Δ_i＝θ_i+1-θ_i。图13(b)给出了规格化区域轮廓方向链T_Angle曲线。

将二维的区域轮廓坐标链转化成一维的方向链，达到数据降维，从而更容易进行舰船检测处理。

图7示出被半遮挡舰船的轮廓模板图。各类舰船的轮廓形状相似，但其尺寸有差异，由于舰船轮廓的宽度特征width对模板建立有较大影响，所以需要选择合适的宽度值width。

图8示出用舰船轮廓模板分别沿逆时针与顺时针方向跟踪后，按照公式(3)-(4)计算得到的区域轮廓方向链的曲线图。

候选舰船目标区域定位

用目标轮廓方向链模板在区域轮廓方向链上匹配搜索处理，完成对船体区域与云层区域的区分，到达候选舰船目标区域定位。匹配搜索处理有如下两种方式。

参阅图3。图3所示第一种匹配搜索处理方式。在步骤S51，建立各类感兴趣舰船的轮廓模板，获得舰船轮廓方向链模板库。首先，用感兴趣舰船的轮廓模板长、宽特征length和width确定出舰船轮廓的点坐标序列，然后，用上述方向链计算方法确定相应的轮廓方向链模板获得舰船轮廓方向链模板库。在步骤S52，用舰船轮廓方向链模板与遥感图像的区域轮廓方向链进行滑窗匹配，获得候选舰船在区域坐标链上的定位坐标值。

舰船轮廓方向链模板进行匹配搜索法具体如下。令T_Angle(i)为轮廓曲线的规格化方向链中第i个值，i＝0，1，2，…，m-1；令T_{Angle_Model}(k)为舰船目标轮廓方向链模板的第k个值，k＝0，1，2，…，n-1。区域边缘轮廓的规格化方向链与舰船轮廓方向链模板进行滑窗匹配后，规格化轮廓方向链的第i个方向点对应的匹配度Conformability(i)由公式(5)确定：

$\mathrm{Conformability}\left(i\right)=1-\frac{\underset{k=0}{\overset{n-1}{\mathrm{\&Sigma;}}}|T_{\mathrm{Angle}\_\mathrm{Norm}}(i+k)-T_{\mathrm{Angle}\_\mathrm{Model}}\left(k\right)|}{\underset{k=0}{\overset{n-1}{\mathrm{\&Sigma;}}}\left|T_{\mathrm{Angle}\_\mathrm{Model}}\left(k\right)\right|}---\left(5\right)$

其中，T_{Angle_Norm}的计算公式(6)：

$T_{\mathrm{Angle}\_\mathrm{Norm}}(i+j)=T_{\mathrm{Angle}}(i+j)-\frac{1}{n}\underset{k=0}{\overset{n-1}{\mathrm{\&Sigma;}}}{T}_{\mathrm{Angle}}(i+k),j=\mathrm{0,1,2},\&CenterDot;\&CenterDot;\&CenterDot;,n-1---\left(6\right)$

式中，T_{Angle_Norm}(i+j)表示在方向链上以T_{Angle_Norm}(i)为起始点、长度为n的方向链段上的第j个点的方向链角度值，

表示了方向链段的方向平均值。为了提高计算速度，用待匹配轮廓方向链数据段的中间点对应的方向角代替方向平均值，则：

T_{Angle_Norm}(i+j)＝T_Angle(i+j)-T_Angle(i+n/2)，j＝0，1，2，…，n-1     (7)

匹配度Conformability在[-1，1]之间取值，取1时表示二者完全匹配，取-1时表示二者完全不匹配，匹配度也作为舰船目标检测准确性的度量值。设定匹配度阈值Threshold，当Conformability(i)>Threshold时，在区域坐标链上第i至第i+n个点为候选舰船目标的轮廓点。

图16(a)与图16(b)分别给出了舰船轮廓逆时针方向链模板及顺时针方向链模板与轮廓方向链的匹配度曲线图。在图16(a)中，有两个峰值超过了给定的匹配度阈值，说明在该轮廓上存在两个可能的逆时针方向舰船目标；而图16(b)中没有匹配度大于匹配度阈值，说明在轮廓上没有顺时针方向舰船目标。在轮廓方向链上确定了候选舰船目标后，根据候选舰船目标方向链的位置，确定其在相应坐标链上的坐标，从而确定候选舰船目标在灰度图像中的坐标范围。

参阅图4。图4所示第二种匹配搜索处理方式。在步骤S51，建立各类感兴趣舰船的轮廓模板，获得舰船轮廓方向链模板库。首先，用舰船的轮廓模板的长宽特征length和width，确定出舰船轮廓的点坐标序列；然后，用上述方向链计算方法确定相应的轮廓方向链模板，获得舰船轮廓方向链模板库。在步骤S53，利用区域轮廓方向链计算区域轮廓方向链差分链；在步骤S54，域轮廓方向链差分链值获取感兴趣舰船的粗定位参量；在步骤S55，在利用舰船轮廓方向链模板匹配局部搜索，并根据匹配度是否大于预设匹配阈值来判定目标性质，获取候选舰船的精确定位坐标值。

在步骤S53中，根据轮廓方向链T_Angle计算方向差分链T_{Angle_Diff}的方法如公式(8)：

T_{Angle_Diff}(i)＝T_Angle(i+2*width)-T_Angle(i)         (8)

其中，width为舰船轮廓模板的宽度。图14给出了轮廓方向差分链的曲线。由于舰船轮廓具有两条近似平行的船舷直线，这两条轮廓直线的方向角会在轮廓方向差分链上的值在±180⁰附近。因此，在步骤S54，可以直接在轮廓方向差分链上确定候选舰船的位置定位坐标。图15是轮廓方向差分链的方向差分值为[160⁰，180⁰]与[-180⁰，-160⁰]取值的二值化为1、0，其中“1”对应区域为舰船存在的可能区间。

第一种匹配搜索处理方式采用的全局滑窗匹配方式可以准确的得到候选舰船目标位置，但由于通过滑窗方式逐点匹配计算量较大，比较耗时。而第二种匹配搜索处理方式，引入方向差分链对舰船进行粗检测以确定在轮廓方向链上可能会出现舰船的粗略位置，然后在这些位置对应的轮廓方向链上，利用局部滑窗匹配的方式进一步确定候选舰船目标，可提高舰船的搜索定位效率。

候选舰船目标判别确认

参阅图5。图5给出了对候选舰船目标ROI区域切片的判别确认流程。

在步骤S61，利用坐标在灰度图上的舰船，根据候选舰船的坐标范围，在图像中提取出候选舰船目标的感兴趣区域ROI切片；

在步骤S62，计算ROI区域切片的结构形状、面积、灰度均值、对比度、纹理、不变矩的特征参数值。

在步骤S63，根据机器视觉的视觉选择性注意机制思路，本发明提出多特征优先级的迭代决策法，选择优先权级高的特征参量首先来判决候选目标的属性，判别结果分为舰船目标、干扰目标及不明目标，当判别结果为舰船目标或干扰目标时，判别流程结束；当判别结果为不明目标时，返回步骤S62，选择次优特征参量，重复步骤S63的判决。图17是图9影像的检测结果，且匹配度值表示检测结果的准确性。图1所示的整个流程完成利用遥感影像对存在云层干扰的舰船目标自动检测。

Claims (5)

1.一种利用光学遥感影像自动检测云层干扰舰船目标的方法，包括如下步骤：

1)海洋背景阈值计算，按照输入影像的背景与舰船目标模板灰度特性分布，计算出图像区域分割的自适应阈值；

2)图像阈值分割，用上述计算的海洋背景阈值对遥感图像进行二值化分割，获得包含背景信息的“暗区域”和包含舰船轮廓信息的“亮区域”；

3)区域轮廓提取，用轮廓跟踪与提取方法，对上述阈值分割图中的“亮区域”的边缘轮廓进行提取，获得区域轮廓坐标链；

4)区域轮廓方向链确定，用上述区域轮廓坐标链计算得到区域轮廓方向链；

5)候选舰船目标区域定位，用舰船轮廓方向链模板与上述区域轮廓方向链进行滑窗匹配搜索，确定在遥感图像中候选舰船区域的定位坐标；

6)目标特征提取与判决，用上述候选舰船的定位坐标分割出候选舰船的ROI区域切片，计算ROI区域的多特征参数值，用多特征优先级的迭代决策法自动进行候选舰船目标判别确认。

2.如权利要求1所述的利用遥感影像自动检测处理云层干扰舰船目标的方法中的海洋背景阈值计算，包括以下步骤：

1)步骤1，计算输入遥感图像的灰度直方图；

2)步骤2，检测上述灰度直方图的峰值，以峰值点对应的灰度等级为海洋背景灰度均值；

3)步骤3，用灰度直方图的各灰度等级值除以直方图峰值，获得规格化直方图；

4)步骤4，在上述规格化直方图峰值点的右侧，提取其相邻的灰度等级对应的灰度直方统计值；

5)步骤5，利用上述规格化直方图的峰值点及其邻域点估计海洋背景灰度分布高斯模板的均方差参数；

6)步骤6，利用海洋背景灰度分布高斯模板的均值和均方差参数计算海洋背景区域分割的阈值。

3.如权利要求1所述的利用遥感影像自动检测云层干扰舰船目标的方法中的候选舰船目标区域定位方法一，包括以下步骤：

1)步骤S51，建立舰船轮廓方向链模板，获得舰船轮廓方向链模板库；

2)步骤S52，用舰船轮廓方向链模板与获得的区域轮廓方向链进行滑窗匹配，获得候选舰船的定位坐标。

4.如权利要求1所述的利用遥感影像自动检测云层干扰舰船目标的方法中的候选舰船目标区域定位方法二，包括以下步骤：

1)步骤S51，建立舰船轮廓方向链模板，获得舰船轮廓方向链模板库；

2)步骤S53，用轮廓方向链计算方向差分链；

3)步骤S54，在轮廓方向差分链上，获取候选舰船定位的方向角序列；

4)步骤S55，用舰船轮廓方向链模板在上述候选舰船定位的方向角序列中进行匹配搜索，获取候选舰船的定位坐标。

5.如权利要求1所述的利用遥感影像自动检测云层干扰舰船目标的方法中的目标特征提取与判决，包括以下步骤：

1)步骤S61，根据获取候选舰船的定位坐标分割出候选舰船的感兴趣区域ROI切片；

2)步骤S62，计算ROI区域切片包括结构形状、面积、灰度均值、对比度、纹理、不变矩的特征参数值。

3)步骤S63，利用计算得到的ROI区域特征参量，用多特征优先级的迭代决策法进行候选目标判决确认，其判别结果分为舰船目标、云层干扰及不明目标，其中，结果分为舰船目标、云层干扰时直接输入判决结果，结果为不明目标则转步骤S64。

4)步骤S64，选择次优特征参量，重复步骤S62、步骤S63。

Images