基于多尺度分形特征的海面目標(biāo)檢測方法

吳春光

（92941部隊，葫蘆島 125000）

在復(fù)雜海空背景下，由目標(biāo)和空中、海上隨機(jī)出現(xiàn)的干擾構(gòu)成異類多目標(biāo)系統(tǒng)，其獨有的群特性，即各目標(biāo)區(qū)域之間的相互干擾影響了目標(biāo)的檢測精度。尤其層疊的海浪造成灰度的明暗交替，具有非平穩(wěn)、不均勻的特性，對檢測性能影響極大。傳統(tǒng)的邊緣檢測和閾值分割方法不能取得良好的效果，如何快速、準(zhǔn)確、有效的提取出目標(biāo)，并提高算法的魯棒性是當(dāng)前面臨的難題［1］。

在海面背景的海面目標(biāo)檢測中，海面背景和目標(biāo)的圖像表面有明顯區(qū)別，但某種情況下卻具有相同或相似的分形維［2］，這時僅用分形維來進(jìn)行目標(biāo)檢測，背景和目標(biāo)就會混淆。在多尺度情況下，自然景物的分形參數(shù)在一定尺度范圍內(nèi)能保持相對穩(wěn)定，而艦船、浮標(biāo)、鉆井平臺及燈塔等目標(biāo)的分形參數(shù)隨尺度顯著變化［3］，突出了背景和目標(biāo)分形特征隨尺度變化的差異。本文提出了一種基于多尺度分形特征的海面目標(biāo)檢測方法，并針對海面目標(biāo)進(jìn)行了檢測，取得了較好的效果。

1 圖像多尺度分形特征

由于分形維直觀上與物體表面的粗糙度相吻合，而自然界中的不同物體粗糙度有很大差別，可用分形維作為區(qū)分不同類別物體的有效參數(shù)。由于分形維反映了人們對物體表面粗糙程度的感受，同時又具有尺度變換下不變性等優(yōu)異的性質(zhì)，因而該參數(shù)在圖像分析中備受青睞，如何準(zhǔn)確地估計分形維成為關(guān)鍵［4］。

分?jǐn)?shù)布朗運動模型是Mandelbrot和Van Ness等提出的，它將粗糙表面看成是隨機(jī)游動的結(jié)果，即在方向和距離上都是均勻隨機(jī)變量。它可以用來描述自然界中的隨機(jī)分形，是一種統(tǒng)計自仿射數(shù)學(xué)模型。分?jǐn)?shù)布朗運動模型是計算圖像分形維的一種重要的方法。

分?jǐn)?shù)布朗運動是非平穩(wěn)的隨機(jī)過程，分析困難，但它的增量是一個平穩(wěn)過程。

設(shè)g(x,y)是一幅最大灰度級為G、大小為N×N的灰度圖像，基于分?jǐn)?shù)布朗運動模型來計算該圖像分形維：

確定檢測窗口：設(shè)定大小為M×M的檢測窗口，移動檢測窗口，在圖像中按逐個象素進(jìn)行，每移動到一個新的位置，就計算檢測窗口中圖像的分形維，其公式［5］如下：

其中，E(·)表示均值，取對數(shù)并整理后得：

由不同的圖像尺度M得到多尺度分形維數(shù)DM，定義如下的多尺度分形（multi-scale fractal，MF）特征

2 多尺度分形檢測

該方法主要分以下四個過程進(jìn)行：

（1）濾波消噪。對圖像進(jìn)行中值濾波，消除噪聲的干擾。

（2）圖像分割。采用模糊C均值（FCM）聚類方法對圖像進(jìn)行分割，確定潛在的目標(biāo)點L(r)，r=1，2，…，R，R為潛在目標(biāo)點個數(shù)。

（3）提取多尺度分形特征。依據(jù)公式（4）和公式（5）提取多尺度分形特征。

（4）目標(biāo)檢測。在一定尺度范圍內(nèi)，自然背景的分形特征保持相對穩(wěn)定，隨尺度變化較小，而海面人造目標(biāo)的分形特征隨尺度變化較大，本文根據(jù)人造目標(biāo)與自然背景在多尺度分形特征上的差異，采用支持向量機(jī)（SVM）方法對多尺度分形特征圖像的像素點進(jìn)行分類，完成目標(biāo)檢測。

3 分析比對

圖1 灰度圖像Fig.1 The gray-scale image

圖2 Sobel邊緣檢測結(jié)果Fig.2 The result of edge detection based on Sobel operator

選取分辨率為256×256的圖像，該圖像中含有艦船和浮標(biāo)兩種不同類型的海面目標(biāo)，分別采用Sobel邊緣檢測方法、單一分形維檢測方法及多尺度分形檢測方法實現(xiàn)檢測，具體結(jié)果如圖1—圖4所示。

圖3 單一分形維檢測結(jié)果Fig.3 The result of single fractal dimension

圖4 多尺度分形檢測結(jié)果Fig.4 The result of multi-scale fractal feature

從檢測結(jié)果比較可以看出，邊緣檢測和單一分形維檢測方法都不同程度的受到了背景的影響。其中，圖1為灰度圖像；圖2采用邊緣檢測方法不僅檢測到艦船和浮標(biāo)兩個目標(biāo)，同時也檢測到了海平面和海浪；圖3采用單一分形維檢測方法，也不能準(zhǔn)確的檢測到海面目標(biāo)；而圖4采用多尺度分形特征檢測方法準(zhǔn)確的檢測到了艦船和浮標(biāo)兩個目標(biāo)，沒有受到背景的影響，效果優(yōu)于其他兩種方法。顯然，該方法能夠很好的應(yīng)用于海面目標(biāo)檢測。

4 結(jié)論

分形作為非線性系統(tǒng)所具有的一種特殊復(fù)雜動力學(xué)行為，由于其本身表現(xiàn)出來的奇異特性，對海面目標(biāo)自動檢測與識別提供了一種方法。本文利用海面目標(biāo)與自然背景圖像多尺度分形特征的差別，提出了一種基于多尺度分形的海面目標(biāo)檢測方法，該方法有效消除了海空背景對目標(biāo)檢測的干擾，能有效的檢測出目標(biāo)。

［1］曾鵬鑫，么健石，朱琳琳，等.基于分形的人造目標(biāo)與自然物體區(qū)別［J］.東北大學(xué)學(xué)報：自然科學(xué)版，2006（3）：27-30.

［2］楊波，徐光，朱志剛.基于分形特征的自然景物圖象分割方法［J］. 中國圖象圖形學(xué)報，1999，4（1）：7-11.

［3］Chauduri B B，Nirupam S.Texture segmentation using fractal dimension［J］.IEEE Tran on Pattern Analysis Mach Intel1，1995，17（1）：72-77.

［4］Fan J P，David K Y，Ahmed K E，et al.Automatic image segmentation by integrating color edge extraction and seeded region growing［J］.IEEE Trans On Image Processing，2001，10（10）：1454-1466.

［5］楊紹清，劉松濤，林洪文，等.分?jǐn)?shù)布朗運動模型的人造目標(biāo)檢測［J］. 火力與指揮控制，2008，3（2）：66-68.

［6］魏穎，佟國峰，史澤林，等.一種基于多尺度分形新特征的目標(biāo)檢測方法［J］.東北大學(xué)學(xué)報：自然科學(xué)版，2005，26（11）：1062-1065.