基于地理信息的艦船目標檢測算法研究

基于地理信息的艦船目標檢測算法研究

1港區(qū)內(nèi)停船的自動檢測算法對船只的監(jiān)控是各海岸國家的傳統(tǒng)任務。利用衛(wèi)星圖像對重點海域和重要港口進行監(jiān)測，可以顯著提高海防、海事監(jiān)測、管理和規(guī)劃能力。利用合成孔徑雷達(SAR)圖像進行艦船檢測的研究和技術(shù)開發(fā)在海洋遙感領域獲得了高度重視,目前已提出了許多艦船檢測算法。隨著IKONOS、QuickBird等高空間分辨率遙感衛(wèi)星的發(fā)射,基于高分辨率光學遙感影像的信息提取與目標識別逐漸成為新的研究熱點,但針對艦船的目標檢測與識別算法仍不多見。目前的艦船自動檢測算法針對的圖像區(qū)域一般都是海上或者是包括很少陸地的海上區(qū)域,待檢測的艦船與陸地邊緣有相當遠的距離。對于遙感影像中的海上艦船目標,由于其背景基本上是以海面為主的自然背景,與艦船目標在灰度、紋理等特征上差別比較明顯,因此許多基于自適應閾值、幾何模型等的算法均取得了較好的分割效果。但是對于?？坑诟劭诖a頭的艦船,由于背景區(qū)域不只是自然背景,還有大量人造目標,尤其是碼頭與停靠艦船灰度特征差別不大,又都與港口區(qū)域的海面灰度特征對比度明顯,一般的自動閾值分割將使碼頭與艦船將被標記為同類區(qū)域。因此,港口?？颗灤淖詣犹崛∶媾R著很大的困難。本文針對在高分辨率光學遙感影像中的特定目標——港口內(nèi)?？康拇笮团灤淖詣訖z測問題進行了深入研究,提出了一套基于地理信息的解決方案。由于高分辨率光學圖像細節(jié)豐富,本算法可作為預處理為后續(xù)的艦船分類識別提供保障。研究可用于港口區(qū)域艦船的動態(tài)監(jiān)測與跟蹤,為海運監(jiān)測管理、軍事作戰(zhàn)指揮等任務提供幫助。2港區(qū)主制造的結(jié)構(gòu)模式在高分辨率光學遙感圖像中,由于港口停靠艦船的特征與碼頭十分相近,而與海面有較強的區(qū)分度,因此如能使艦船與碼頭分離,則在水體背景中目標的分割將大大簡化。文獻提出了一種基于港口輪廓的幾何特征的分割算法,利用改進的Hough變換找出了被艦船覆蓋的部分碼頭邊緣。該算法抗干擾性能較好,但當停靠艦船非常密集時效果并不理想。我們注意到港口輪廓基本上是由比較平直的線段連接組成,非平直的地方一般都是沒有建造人工碼頭的天然海岸,不太可能?？看笮团灤?故不妨用一條直線段來近似的代替它。此外,一個港口一經(jīng)建成,其幾何布局將長期保持穩(wěn)定,因此其輪廓是基本保持不變的。綜上,我們提出一套方案,即事先將港口輪廓以模板的形式預先存儲起來,通過地理坐標的匹配后,再在海面背景下進行后續(xù)的目標分割。算法大致可分為四步,即先驗地理信息的獲取、目標粗分割、目標修整和結(jié)果入庫,下面詳細介紹。2.1數(shù)據(jù)安全存儲由于矢量數(shù)據(jù)存儲量小的優(yōu)點,我們選擇以碼頭輪廓拐點的矢量序列形式存儲港口地理信息。但由于在后續(xù)操作中涉及區(qū)域疊合分析,這正是柵格數(shù)據(jù)的強項,因此對矢量數(shù)據(jù)項附加了種子點數(shù)據(jù),從而可在使用過程中方便地轉(zhuǎn)化為柵格數(shù)據(jù)。這就兼顧了二者的優(yōu)點,滿足了不同階段的需求。具體的數(shù)據(jù)存儲方式如下:首先建立目錄文件,存儲各港口模板對應的大地坐標范圍。由于港口內(nèi)常見的河流入?？诩昂u等因素,一幅圖像內(nèi)往往不止一條碼頭輪廓,故模板文件中設置了若干對鏈表開始及結(jié)束標記,每一條鏈表對應一條輪廓。鏈表的內(nèi)容包括一個區(qū)域內(nèi)種子點和若干控制點,相鄰控制點的連線構(gòu)成一條碼頭邊緣,以此類推形成一條折線輪廓,如圖1。地理信息獲取算法如下:首先取得圖像的大地坐標范圍,與目錄文件中的記錄匹配,找到對應記錄后轉(zhuǎn)向相關(guān)的模板文件,隨后新建一個全0圖像,根據(jù)模板文件中的數(shù)據(jù),每找到一條鏈表就在圖像中劃出相應折線,并從種子點開始以折線為界進行區(qū)域填充。這樣就形成了一個柵格形式的港口模板,其中非0區(qū)域表示陸地,如圖2。2.2自動閾值算法一般而言,在高分辨率光學遙感圖像中,艦船目標相對于海洋背景是平均灰度較高的區(qū)域,因此可利用較成熟的基于灰度直方圖的圖像分割技術(shù)獲取粗略的目標區(qū)域。常見的直方圖閾值算法有谷點法、統(tǒng)計判決法、最大熵法等,我們采用了一種迭代計算的自動閾值算法,其步驟為:①求出圖像中的最小和最大灰度Zl和Zk,令閾值初值Τ0=Ζl+Ζk2T0=Zl+Zk2②根據(jù)閾值Tk將圖像分割為目標和背景兩部分,分別求灰度均值ZO和ZB:ΖΟ=∑Ζ(i?j)＜ΤkΖ(i?j)∑Ζ(i?j)＜ΤkΖΟ=∑Ζ(i?j)＞ΤkΖ(i?j)∑Ζ(i?j)＞Τk其中Z(i,j)是圖像上(i,j)點灰度值;③求出新閾值:Τk+1=ΖΟ+ΖB2④如果Tk=Tk+1,則結(jié)束,否則K←k+1,轉(zhuǎn)步②。基于港口模板和上述二值迭代法的艦船目標粗分割步驟如下:①新建一個全0圖像;②區(qū)域疊合,即同時掃描原始圖像和二值模板圖像,統(tǒng)計非陸地點的灰度信息;③建立直方圖并按迭代法求得閾值;④對原圖灰度大于閾值的點,將①所建圖像中對應位置標記為目標區(qū)域。2.3船舶碼頭維修2.3.1興趣區(qū)域roi由于真實成像的復雜性,對艦船目標的二值粗分割并不能取得令人滿意的效果。比如:和海上艦船檢測明顯不同的一點就是,海上艦船一般不會出現(xiàn)兩艘及以上的并聯(lián),而?？坑诟劭谥械能娕炛g的多艘并聯(lián)則是常見的現(xiàn)象,如圖3(a)所示。對此,我們采取了一種基于先驗信息的切分算法來解決。其主要思想為:通過觀察大量圖像可總結(jié)出?？颗灤闹鬏S和碼頭的方向基本一致這一知識,而從港口模板可以方便的獲取各段碼頭邊緣,因此容易得到并聯(lián)目標的主軸。然后,利用艦船是形狀規(guī)則且有明顯軸向的面狀目標,而并聯(lián)現(xiàn)象在圖像中反映為橫向的細小粘連的特點,通過投影搜索相鄰目標區(qū)域間的連通點,從而完成并聯(lián)艦船目標的切分。艦船切分的主要步驟如下:①取一段碼頭,給定對應的感興趣區(qū)域(ROI),它是平行于且緊靠碼頭的一個四邊形區(qū)域,如圖4。②掃描該ROI,每找到一個候選目標區(qū)域,計算其大小,如小于S,轉(zhuǎn)④,否則計算其主軸,判斷是否與碼頭方向一致,如果不匹配,轉(zhuǎn)④,否則計算其長度和長寬比,如果長度大于L且長寬比小于R,則繼續(xù),否則轉(zhuǎn)④;③計算切分點,其原理及算法將在后面詳細介紹;④考察下一個候選目標區(qū)域;⑤考察下一段碼頭的ROI。目標的主軸信息在上述算法中具有至關(guān)重要的地位。關(guān)于計算主軸,有基于Hough變換、PCA分析、紋理分析等的多種算法,我們?yōu)椴舰谠O計了基于投影的算法,步驟如下:①以圖像的中心作坐標原點,建立直角坐標系;②求出通過坐標原點的傾角為θ的直線所經(jīng)過圖像(包括物體與背景)上的所有點的直角坐標,記錄在數(shù)組P(θ,xi,yi)中;③用傾角為θ+90°的直線,沿P(θ;xi,yi)所標志的傾角為θ的直線對物體進行包夾(如圖5),計算(xi,yi)和(xj,yj)兩個點之間的距離λ,記入數(shù)組L(θ,λ);④當把所有傾角的值全算過之后,在L(θ,λ)里尋找最小λ所對應的角度θ,則投影方向為θ±90°(若θ>90°,則-;反之則+)。確定了目標區(qū)域的主軸后,易得平行于主軸的2條切線以及垂直于主軸方向的2條切線的方程,通過計算后者之間的距離得到切分步②中的目標長度,計算前者之間的距離得到目標寬度,并由此計算長寬比。下面介紹切分點的搜索(即切分算法步③)。我們在平行于主軸的兩條切線之間,按均勻采樣間隔作條平行線,則它們必然切割目標區(qū)域。計算它們在區(qū)域輪廓上的弦長度,存入數(shù)組Len(n),0≤n<k中?？蓪en(n)視為目標輪廓向主軸垂向的投影信號,它實際上反映了目標的幾何特征。理想的并聯(lián)艦船目標之間僅有橫向的細小粘連,因此Len(n)在目標連接處必然反映為近似的階躍,通過檢測信號階躍點即可初步得到候選切分點。我們通過計算信號差分d(n)=Len(n+1)-Len(n),0≤n<k-1的幅度來判別階躍點,并結(jié)合切分點處Len(n)較小的規(guī)則進行篩選,得到切分點處的直線方程后將原區(qū)域中對應這些直線的部分置0,從而使多個目標得以分隔開來。切分后的并聯(lián)艦船如圖3(b)所示。2.3.2基于投影特征的目標區(qū)域確定在高分辨率光學遙感圖像中的艦船檢測中的另一個問題是:由于艦船上高層建筑在甲板上的投影,使得部分區(qū)域在灰度特征上明顯不同于其他區(qū)域,致使二值分割后在各實際目標區(qū)域內(nèi)出現(xiàn)大量背景點,雖然一般不會對目標檢測造成嚴重影響,但是一旦陰影完全割斷了目標區(qū)域(如圖6(a)),如不加以處理,將使一個目標被檢測為2個以上的目標,或者當目標區(qū)域較小的部分被忽略掉時造成檢測結(jié)果過小。低分辨率的遙感圖像,尤其是SAR圖像受類似問題影響相對較小。我們設計了一個簡便且行之有效的算法來處理這種情況。被陰影割斷的部分一般都是船頭,因此它們必然是面積較小,長度較短的區(qū)域。我們在每次掃描一段碼頭的ROI過程中,篩選出滿足上述條件的候選區(qū)域,然后分別計算其重心,在同一ROI中以那些較大區(qū)域的重心與之匹配,匹配原則是兩個重心的連線與主軸方向一致。最后在匹配的點對之間以直線段相連,從而使斷開的兩部分重新恢復連通性,以便后面能將它們作為一個整體處理,如圖6(b)。2.4特征提取及分析至此我們已完成了并聯(lián)目標的切分和斷裂目標的連接,最后掃描全圖,記錄各目標區(qū)域的橫、縱坐標范圍,即完成整個檢測流程。如有進一步分類識別的需求,則還須對各目標做多種特征提取及分析。準確的目標檢測結(jié)果使這些復雜計算限制于目標所在的局部圖像之內(nèi)成為可能,由于QuickBird圖像數(shù)據(jù)量巨大而目標所占區(qū)域極小,所以此項工作將起到重要的先導作用。3誤使用的船舶我們在VisualC++6.0環(huán)境下編程實現(xiàn)了本文算法,實驗所用計算機為Celeron2.0G,256M內(nèi)存,實驗數(shù)據(jù)為0.6m分辨率的某港口QuickBird衛(wèi)星圖像,圖像尺寸為4833×4833。圖像中共有17艘停靠艦船,其中14艘大型艦船全部正確檢出,耗費時間約為40s。圖7給出了部分實驗結(jié)果。4信息的模板技術(shù)本文提出了一套針對高分辨率光學遙感圖像中