基于二次分割的港口艦船目標檢測方法

王方超，張 旻，宮麗美，陳 衛

(1.解放軍電子工程學院，安徽 合肥 230037; 2.安徽省電子制約技術重點實驗室，安徽 合肥 230037;3.脈沖功率激光技術國家重點實驗室，安徽 合肥 230037)

基于二次分割的港口艦船目標檢測方法

王方超1,2，張 旻1,2，宮麗美1,2，陳 衛3

(1.解放軍電子工程學院，安徽 合肥 230037; 2.安徽省電子制約技術重點實驗室，安徽 合肥 230037;3.脈沖功率激光技術國家重點實驗室，安徽 合肥 230037)

針對光學遙感圖像中港口艦船的紋理、灰度特征與碼頭十分接近，直接分割相對困難的問題，提出了基于二次分割的港口艦船目標檢測方法。該方法首先將Top-hat算子引入分水嶺分割算法中，解決了分水嶺算法過分割現象，同時獲得較完整的海陸分離結果；其次對分割后的陸地區域使用Freeman鏈碼進行輪廓描述，并結合改進的Hough變換進行目標區域的分離，通過二次分割有效地將碼頭與艦船分開；最后，計算各區域的面積實現港口艦船的識別。實驗結果表明，該方法魯棒性強，易于實現，通過實測數據可以解決港口艦船目標的檢測問題。

Top-hat算子;分水嶺分割；Freeman鏈碼；Hough變換；目標識別

0 引言

眾所周知，港口艦船目標的檢測問題在港口交通的監管、海船調度、漁業管理、打擊走私、海上艦船動態監測與跟蹤等方面有著重要的應用價值，因此一直受到人們廣泛的關注[1]。鑒于圖像偵察在軍事上的重要性，越來越多國家利用高分辨率衛星圖像對重點海域和重要港口進行監控，開展基于遙感圖像的港口艦船目標檢測與識別具有特殊的意義[2]。

目前，國內外學者對遙感圖像艦船目標的檢測識別研究主要集中在海洋背景下，如臧風妮等[3]為實現海事動態視頻監測中海面艦船目標的自動檢測，提出了基于小波域視覺注意機制的海面目標快速檢測算法，能夠快速準確檢測到海面艦船目標；許志濤等[4]將Itti模型應用于海洋監視衛星圖像艦船目標的檢測中，提出了基于視覺注意機制的海洋監視衛星圖像艦船目標檢測算法，具有較高檢測精度和實時性；周珍娟等[5]根據遙感圖像目標識別的要求，從艦船目標識別要點出發，并引入基于SVM分類器方法有效地過濾掉虛假艦船目標，最后實現對艦船目標的分類識別。而港口艦船目標檢測識別由于其紋理、灰度特征與碼頭十分接近，已有的基于海洋背景的艦船目標檢測算法無法解決港口艦船目標的識別問題，本文針對此問題，提出了基于二次分割的港口艦船目標檢測方法。

1 海陸分割

相對海洋中艦船的檢測，碼頭停靠的艦船目標與港口區域相連，需要先進行陸地與水域的分離；由于它們之間顏色紋理區別并不大，直接采用現有分水嶺分割算法，易造成過分割現象，本文通過基于Top-hat的分水嶺分割算法，解決了這一問題。

1.1 分水嶺分割算法

分水嶺分割方法，就是用圖像中每個點像素的灰度值表示該點海拔高度，在每一局部極小值表面刺穿一小孔，將整個模型慢慢浸入水中，隨著浸入的加深，每個局部極小值的影響區域慢慢向外擴展，于兩個集水盆匯合處形成分水嶺[6]。對圖像中每個像素灰度級從低到高進行排序，然后在從低至高的淹沒過程中，對每一局部極小值所在的影響域采用先進先出的隊列結構進行標記，然后準確計算出分水嶺的位置，并通過計算梯度函數與設置閾值進行比較得到海陸分割結果，其梯度函數如下。

G(x,y)=grad(f(x,y))=

(1)

式(1)中，f(x,y)表示原灰度圖像，grad(·)表示梯度運算。然而，因量化誤差、目標內部紋理細節、梯度局部波動等因素，形成大量偽局部極小值，易造成嚴重的過分割現象，因此進行了基于Top-hat分水嶺的分割。

1.2 基于Top-hat分水嶺分割算法

Top-hat分水嶺分割算法，其主要思想就是在分水嶺分割算法的基礎上通過Top-hat變換[7]選用合適的結構元素，增大圖像目標點與背景點的灰度差，進一步提高對比度，消除過度分割現象，將港口艦船輪廓從復雜圖像中提取出來，完成海陸分離。

通過對梯度函數進行修改來消除分水嶺算法產生的過度分割，采用的方法是對梯度圖像進行閾值化處理，來消除灰度微小變化產生的過分割。即

G(x,y)=max(grad(f(x,y)),T)

(2)

式(2)中，T為分割閾值。

使用閾值限制過分割現象，獲得適量的區域，再對此區域邊緣點灰度級進行升序排列，然后從低到高實現淹沒過程，得出準確的分水嶺位置，并通過Top-hat開運算對分水嶺圖像進行操作，用結構元素b對圖像G進行開運算為：

G°b=(GΘb)⊕b

(3)

式(3)中，b為5×5的中心元素為5的平面鉆石形狀結構元素，通過開運算得到較為光滑的港口艦船的二值圖像。在海陸分割的基礎上，下面將進行港口艦船的目標檢測。

2 港口艦船的目標檢測

對于分割出的陸地目標通過Freeman鏈碼跟蹤、目標的區域分離、港口艦船的識別等三個步驟，實現港口與艦船的分離與識別。

2.1 Freeman鏈碼跟蹤

Freeman鏈碼，是利用曲線鏈碼差別累加值和鏈碼差來檢測曲線拐角點；然后計算曲線起點和方向，得到一個不隨曲線的旋轉、平移、尺度變換而變換拐角點序列；最后根據拐角點序列計算長度和夾角序列，并對它們進行相似判斷完成曲線跟蹤。鏈碼跟蹤有四方向和八方向兩種，其中四方向跟蹤力度不夠。本文對分離后的陸地目標，利用文獻[8]中的八方向鏈碼進行跟蹤，定義Lm和chainm，Lm為跟蹤的第m(m已≥1)條鏈碼，Lm((x,y)j)記錄第m條鏈碼上所有的點坐標，(x,y)j表示第j點的像素坐標，Lm(length)表示第m條鏈碼的像素數目，Len表示鏈碼的長度閾值，chainm記錄第m條鏈碼跟蹤的方向碼，Fist記錄鏈碼的起點，初始為空。鏈路方向可以根據實際需要進行選擇，本文采用八方向Freeman鏈碼如圖1所示。

圖1 八方向Freeman鏈碼Fig.1 Freeman code in eight direction

具體跟蹤步驟如下：

1)確定Freeman鏈碼起點。把掃描得到的初始邊緣點當做鏈碼起點，建立新的鏈碼Lm((x,y)j)，Fist記錄起點坐標，搜索過程中將跟蹤過的點都記作非邊緣點，避免重復掃描。如果搜索不到新的邊緣點，圖像搜索完畢轉至步驟(5)。

3)確定跟蹤方式。本文采用八鄰域進行跟蹤，按照從左至右，從下至上優先級順序尋找第一個輪廓的邊界點，接著以該點為跟蹤起始點，沿著左上方進行搜索，如左上方的點不是邊界點，那么搜索方向按順時針旋轉45°，直到找到下一個邊界點為止，然后把這個邊界點當做新的起始點，在當下搜索方向上逆時針旋轉90°，以同樣方法搜索下一邊界點，直到返回初始邊界點或到達最后邊界點，輪廓跟蹤過程如圖2所示。

圖2 輪廓跟蹤圖示Fig.2 contour tracking show

4)確定新鏈碼起點。判斷Fist的八鄰域是否存在邊緣點，如果存在，將其當做第Lm+1條鏈碼的起點，并轉至步驟2)；否則，轉至步驟1)。

5)去除短鏈碼。判斷Lm(length)是否大于鏈碼的長度閾值，如果大于Len，保留該段鏈碼；否則認為是干擾，將其去除。

6)跟蹤完畢，得到港口艦船的輪廓鏈碼的二值圖像，下面進行目標區域的分離。

2.2 基于改進Hough變換的目標區域分離

2.2.1 Hough變換的直線檢測

Hough變換[9]是利用圖像空間與參數空間的點與線之間對偶關系，將圖像空間復雜的邊緣特征信息轉化為參數空間的聚類檢測問題，其變換為：

ρ=xcos θ+ysin θ

(4)

式(4)中，ρ為極徑，θ(0°≤θ≤180°)為極角，x表示像素點相對于圖像原點的行坐標; y表示像素點相對于圖像原點的列坐標。那么根據公式(4)，圖像空間中任意一點(xi,yi)映射到參數空間(ρ,θ)上，將對應一條正弦曲線，則在參數空間(ρ,θ)中對應得到多條正弦曲線，且這些曲線相交于同一點(ρ0,θ0)，根據此交點可以確定圖像空間中的該直線l，其斜截表達式為：

l:y=-xcot θ0+ρ0csc θ0

(5)

利用Hough變換將目標輪廓點帶入公式(4)，通過計算對參數空間(ρ,θ)的量化點進行投票，假使投票數超過某一門限值，就能確定與該直線對應的一對參數(ρ,θ)，進而檢測出目標的特征直線。Hough變換雖能檢測出輪廓直線段的方向和長度，但不能指出該直線的端點，并且不同直線邊緣點會相互干擾，使得無法確定實際中哪些直線應該連接或者刪除，影響直線提取的準確性，本文對此進行了改進。

2.2.2 改進Hough變換的直線檢測

對分離的陸地目標，利用Hough變換提取碼頭的直線特征，用于艦船與碼頭的分離。通過記錄參數空間(ρ,θ)每個點投票數的同時記錄直線的兩個端點，不斷調整端點來去除干擾、定位陸地目標輪廓的邊緣，從而達到提取直線的目的，可分為如下過程。

1)劃分參數空間

2)記錄直線端點

定義Hough變換參數空間數據存放變量，其中Pixelcount記錄參數空間點的投票值，Pointone、Pointtwo分別記錄該參數點對應二值圖像中直線兩個端點。由于二值圖像輪廓的跟蹤的優先級是從左至右、從下至上的。因此，二值圖像輪廓邊緣點(x0,y0)，若滿足公式(4)，則其對應參數空間點(ρ0,θ0)投票數Pixelcount加1；若當前投票為1，則(x0,y0)為點(ρ0,θ0)所對應直線第一點，此時記錄(ρ0,θ0)所對應兩個端點坐標都為(x0,y0)；若當前投票大于1，則僅更新Pointtwo坐標為(x0,y0)，以此來準確記錄邊緣點。

3)避免非直線端點被記錄

非直線端點主要存在以下兩種情況，如圖3(a)，直線l由于受艦船輪廓影響而出現斷續情況，但在投票過程中記錄的為直線最遠的兩個端點，通過連接兩個端點可以消除端點；另一種情況，如圖3(b)，若在參數空間投票中，對端點坐標記錄未加限制，直線l2的點M可能會被記錄為l1的端點，解決這種情況，可以在更新端點坐標之前預先判斷新端點與原端點之間距離是否大于設定閾值，如大于則不更新端點坐標，投票也不增加，用于去除非直線端點。

圖3 非直線端點誤判情況Fig.3 Error judgement in non-line endpoint

4)合并直線并分離目標區域

根據港口艦船輪廓二值圖像中兩條線段的距離長短，當兩條線的距離小于指定值時，Houghlines會將兩條線合并為一條線。Minlengh用來確定是否保存該線；如果線條長度小于設定值，線條就會被擦除；否則保存，根據檢測到的點在二值圖上繪出直線，從而分離出艦船目標區域。

2.3 港口艦船的識別

在前面描繪每個連通區域邊界前提下，循環遍歷每個連通區域邊界，統計連通區域的面積分布并顯示區域面積。由于港口碼頭連通區域范圍較大、干擾區域范圍較小，而分離的艦船目標區域相對適中，通過設置面積閾值區間，選擇出潛在的感興趣目標區域，即艦船目標，進而達到識別目的。

3 實驗結果與分析

為了說明本文方法實時性和有效性，采用Matlab實驗仿真進行驗證。圖像來源于實測遙感圖像，對遙感圖像中港口艦船目標的檢測，分別作了二組實驗加以說明。第一組實驗為港口艦船圖像的預處理，即通過海陸分割獲得港口艦船等陸地區域；第二組實驗為港口艦船目標的檢測，即在海陸分割的基礎上，根據碼頭區域的平直幾何特征差異，對港口艦船區域進行Freeman鏈碼描述，并通過改進Hough變換達到碼頭與艦船區域的分離，最終實現港口艦船的識別。實驗所用軟件為Matlab7.6.0；硬件條件：Intel i3 CPU，內存2 G。

實驗1：港口艦船的海陸分割

對大尺度遙感圖像而言，通常感興趣目標僅占一小部分，其余大部分都為背景區域，直接進行目標檢測識別，必然耗費大量時間。我們從實測的高分辨率遙感圖像中截取了感興趣的部分作為實驗圖像，圖像大小為367×531，對測試圖像使用分水嶺算法與基于Top-hat分水嶺算法進行分割，實驗仿真結果如圖4所示。

圖4 海陸分割結果Fig.4 Result of the land and sea segmentation

圖4(a)為截取的原始遙感圖像，圖4(b)、圖4(c)分別為兩種算法海陸分割的結果，從圖4分割結果可看出，分水嶺分割算法過分割較嚴重，產生更多細節信息，影響后續輪廓跟蹤準確性；Top-hat分水嶺分割解決過分割這一現象，為下步目標識別奠定了基礎。

實驗2：港口艦船的目標檢測

經一步分割將碼頭與艦船視為同一目標，無法識別出艦船；要想實現對艦船目標的檢測，還需進行二次分割，使得艦船從整體輪廓中進一步分離出來。為此，做了實驗2，根據碼頭區域的平直幾何特征差異，通過Freeman鏈碼描繪出輪廓，利用改進Hough變換檢測目標，最后達到識別艦船的目的。實驗仿真結果如圖5所示。

圖5 港口艦船目標檢測結果Fig.5 Harbor ships detection result

圖5(a)為海陸分離結果，圖5(b)是對圖5(a)進行輪廓鏈碼提取的結果，圖5(c)是在圖5(b)輪廓的基礎上，根據碼頭的平直幾何特征用改進的Hough變換檢測的直線特征，用于分離艦船與碼頭區域，圖5(d)中兩塊紅色的部分為檢測的港口艦船目標。

實測數據驗證：

圖6為對實測衛星遙感圖像進行檢測，圖6(a)為實際拍攝的港口艦船目標圖像，圖6(b)為本文方法進行檢測所得的結果。

圖6 實測衛星遙感圖像Fig.6 Real measured satellite remote sensing images

由圖6檢測結果可知，本算法可以對圖中的艦船目標進行有效提取。但是當停靠碼頭的艦船數目較多，且相鄰艦船距離較近時，檢測過程中會發生誤判。要消除此類情況造成的誤判，傳統的基于像元的方法會因過多關注地物局部細節，而難以提取地物的整體結構信息。針對可見光衛星遙感圖像的特點，考慮以對象為最小單元，利用光學圖像中地物的幾何形態和結構信息以及光譜信息，進行基于面向對象的信息提取，減小誤判情況，這是本文下一步研究內容。

4 結論

本文提出了基于二次分割的港口艦船目標檢測方法。該方法通過引入Top-hat算子，獲取較完整海陸分離結果，利用Freeman鏈碼對分割的陸地目標進行輪廓描述，并結合改進的Hough變換實現了目標區域的分離，最后通過提取各區域面積特征實現港口艦船目標的識別。實驗結果表明，該方法魯棒性強，易于實現，通過實測數據可以解決港口艦船目標的檢測問題，但對碼頭多艦船停靠問題的針對性不強。

[1]石文君,汪小平,王登位. 基于D-S證據理論的近岸艦船目標識別[J]. 電光與控制,2009,16(11):87-91.

[2]周擁軍,朱兆達,丁全心. 遙感圖像中港口目標識別技術[J]. 南京航空航天大學學報,2008,40(3):350-353.

[3]臧風妮,李慶忠,張洋. 一種快速自動檢測海面目標算法[J]. 中國海洋大學學報,2015,45(4):110-115.

[4]許志濤,劉金國,龍科輝,等. 基于視覺注意機制的海洋監視衛星圖像艦船目標檢測[J]. 激光與光電子學進展,2013,50(1):1-8.

[5]周振娟,韓金華. 艦船遙感圖像的目標識別研究[J]. 艦船科學技術,2014,36(12):86-90.

[6]孫惠杰,鄧廷權,李艷超. 改進的分水嶺圖像分割算法[J]. 哈爾濱工程大學學報,2014,35(7):857-864.

[7]王志社,楊風暴,陳磊,等. 基于紋理分割和Top-Hat變換的合成孔徑雷達與可見光圖像增強融合[J]. 光學學報,2014,34(10):1-8.

[8]余博,郭雷,趙云天,等. Freeman鏈碼描述的曲線匹配方法[J]. 計算機工程與應用,2012,48(4):5-8.

[9]滕今朝,邱杰. 利用Hough變換實現直線的快速精確檢測[J]. 中國圖象圖形學報,2008,13(2):234-237.

Harbor Ship Targets Detection Based on Secondary Segmentation

WANG Fangchao1,2,ZHANG Min1,2,GONG Limei1,2,CHEN Wei3

(1.Electronic Engineering Institute of PLA, Hefei 230037, China; 2.Key Laboratory Electronic Restricting Technique,Hefei 230037, China; 3.State Key Laboratory of Pulsed Power Laser Technology, Hefei 230037, China)

It was hard to discriminate inshore ships from harbors because of the similarity of gray and texture for both targets. Aiming at these problems, a method of harbor ships target detection based on secondary segmentation was proposed. Firstly, a top-hat operator was used to watershed segmentation algorithm to solve the over-segmentation phenomenon, and obtain the image of sea and land separation results at the same time. Secondly, make use of Freeman Chain Code tracking the harbor ships contour and combine with the improved Hough conversion to detect the target to separate the dock and ship through the secondary segmentation. Finally calculate the regional area to achieve the harbor ships recognition. The experiment results show that this method has strong robustness and easy to implement, experiments based on the satellite sensing image demonstrated that the method proposed could solve the harbor ships detection problem.

top-hat operator; watershed segmentation; Freeman chain code; Hough conversion; target recognition

2016-07-13

國家自然科學基金項目資助(61171170)；安徽省自然科學基金項目資助(1408085QF115)

王方超(1991—)，男，陜西渭南人，碩士研究生，研究方向：圖像處理與信息融合技術。E-mail: fangchaowang@163.com。

TN911.73

A

1008-1194(2016)06-0089-05