基于U形結構提取的港口目標檢測研究

邢坤 岳春宇 周楠 張炳先 曹世翔 何紅艷

?

基于U形結構提取的港口目標檢測研究

邢坤 岳春宇 周楠 張炳先 曹世翔 何紅艷

（北京空間機電研究所，北京 100094）

遙感圖像中港口目標的檢測是目標識別研究的重要方面，準確、高效地自動提取港口目標對于提高遙感圖像自動解譯能力具有重大意義。文章提出一種基于U形結構單元提取的遙感圖像港口目標檢測的方法。首先利用梯度算子和灰度相似性聚類分割海洋和陸地區域并提取粗略海岸線，再根據內港區域的封閉特性提取疑似區域，在分析內港區域結構的基礎上，引入U形結構元的概念以及提取算法來對疑似區域進行確認。試驗表明，該方法檢測的港口目標準確率較高，速度較快，能夠滿足民用和軍事識別的需求。

遙感圖像 港口目標 內港區域 U形結構 衛星應用

0 引言

港口是一種結構非常復雜的目標，形態多樣，背景中存在大量其它設施，比如一些大型的油庫、貨場等建筑，受到水文地質等因素的影響；每個港口的相關設施都有其特殊的結構和布局，導致港口形狀特殊，給檢測技術帶來很大挑戰性。雖然目前針對遙感圖像中港口檢測的研究取得了一些進展，但是真正能夠應用于復雜背景下的港口目標檢測技術還有許多工作要做。

早期國外有一些文獻是根據港口的結構設計并基于專家知識和黑板框架的模型來檢測港口[1-2]，但近幾年文獻較少。在國內，檢測與識別技術是從較簡單的模型發展起來的。文獻[3]通過檢測輪廓線的角點，進而識別港口輪廓基元來達到檢測港口的目的，但算法依賴于輪廓的提取。文獻[4]針對港口自身的結構特點并融合專家知識，采用結構化分析方法，提出了基于黑板結構的產生式網港口模型。文獻[5]根據港口目標類型的不同設計了兩類港口候選區域的快速提取方法，采用EM算法估計最小錯誤率門限閾值的方法進行海洋和陸地分割，利用港口的半封閉區域特性實現港口的檢測，檢測方法中海陸分割的閾值需要迭代推導，比較耗時，而且對半封閉區域的分析不夠深入。文獻[6]將港口輪廓以模板的形式預先存儲，通過地理坐標的匹配判定港口存在的位置，但未作進一步識別分析。

隨著目標識別技術的發展，國內出現了一些新的方法。文獻[7，8]采用提取輪廓的方法識別港口；文獻[9]采用SIFT特征匹配方法定位大幅面遙感圖像中的特定港口目標；文獻[10]提出一種基于內港岸線特征譜的港口識別方法，根據特征譜的匹配相似度實現港口識別；文獻[11]提出了一種基于多級感知編組的港口提取方法；文獻[12，13]通過識別港口防波堤來判斷遙感圖像中是否存在港口目標；文獻[14，15]針對港口艦船目標變化檢測進行了研究。這些方法僅實現了特定港口目標的識別，不具有通用性，但對本文方法提供了思路。

綜合分析，港口目標自動檢測的困難主要在于：1）由于氣候、光照等因素影響，目標與背景對比不明顯，因此將目標從背景中分割出來比較困難；2）港口結構形狀和布局各異，很難用統一的模型描述；3）對港口目標自動識別的研究近幾年才開展，參考資料有限，許多方法不具有通用性。隨著高分辨率遙感技術的發展，圖像的背景更加復雜，受其他地物影響更加明顯。

從檢測過程來看，在整幅圖像中直接檢測港口目標是低效不可取的，應該首先有針對性的根據港口的特點篩選識別區域，然后再在候選區域內檢驗港口目標區別于其他目標的特征。大中型港口一般臨海而建，由于碼頭、突堤和防波堤等設施的隔離作用，使得附近的海域分割為內港區域和外港區域兩部分，在內港區域海岸線的邊緣呈直線狀特征，為了停泊船只，結構有若干伸向水域的部分，與水域的交界成“U”形結構。本文的思想就是在假設階段基于內港區域的封閉特性提取疑似港口區域，在驗證階段從疑似港口區域的海岸線上檢測“U”形結構來完成港口目標的檢測。港口目標檢測流程如圖1所示。

圖1 港口目標檢測流程

1 基于梯度的海陸分割

通過對港口目標兩側海陸紋理的研究可以發現：海域面積比較大且穿過圖像的邊界，整體灰度比較均勻，即灰度梯度幅值較小；陸地灰度由于受城市交通網、建筑物以及植被的影響，灰度不均勻，即灰度梯度幅值較大。本文采用基于梯度分析的方法，結合灰度相似性聚類初步提取海域，通過分析圖像中是否存在海域來判斷港口存在的可能性，因為圖像中存在海域才有可能存在港口，才有繼續檢測的必要。海陸分割算法流程如圖2所示。

圖2 海陸分割算法示意

對于圖像，采用3×3鄰域差分計算可以避免在像素之間內插點上計算梯度幅值，依據一階方向導數在邊緣處取最大值這一變化規律，檢查每個像素的鄰域并對灰度變化率進行量化，因此定義沿不同方向檢測梯度變化的模板為：

式中，表示像素所處的行列號。

梯度分割是一種基于度量空間的分割方法，只是利用了圖像的灰度值，而海域是灰度值相似度很高的大面積獨立區域。灰度相似性聚類則考慮了海域的空域分布特征，該方法的原理是依次檢查每一個像素與相鄰像素的灰度值之差，當灰度差小于規定閾值時，此相鄰像素即被認為與被檢查像素屬于同一區域而被聚合；反之，則認為屬于另一個區域，分割反復迭代進行。本文要分割的海域必與圖像邊界相連，所以選擇初始聚類中心為圖像邊界上灰度值較低（黑色）的像素，算法具體步驟如下：

4）當堆棧為空時，回到步驟1）；

5）重復步驟1）~4），直到圖像邊界的每個灰度值為0的像素點都有歸屬時，聚類結束。

根據聚類的面積判斷圖像中是否存在海域，如果上述算法得到的像素數量最多的聚類大于整幅圖像像素數目的10%，就認為此聚類為海域，可能存在港口區域，否則就終止檢測過程。這個簡單的判斷可以快速縮小檢測范圍，避免盲目操作。如果聚類符合要求，設定含有像素數量最多的聚類為海域，則其余區域全部置為陸地。檢測出的海域存在一些被誤判為陸地的團狀斑塊，給后續的內港區域提取造成一定影響，需要進行去斑塊操作。至此得到了海陸分割的圖像以及一條粗略海岸線，雖然海岸線并不是非常精確，但是并不影響檢測的結果。

2 基于封閉特性的疑似內港區域提取

文獻[16]通過提取輪廓，根據輪廓線幾何特征來進行判別，難度較大。本文提供一個簡單的方法：只對海域邊緣（粗略海岸線）的像素分別沿如圖3所示8個方向進行搜索，記錄遇到陸地的情況，定義在7個或7個以上方向遇到陸地，即認為此像素被陸地包圍，其包圍的海域就是內港區域。

圖3 8個搜索方向

海陸的交錯以及分割的影響使得封閉區域并不都是內港區域，這時可以用面積閾值去掉一部分虛警，因為對于大中型港口來說，內港區域具有一定的面積。為了減少漏檢率，本文定義閾值范圍。經過疑似內港區域提取，大部分港口目標被快速定位，但偶爾也會有一些區域被誤檢測為港口，需對疑似目標區域做進一步篩選。

3 基于U形結構元的港口目標檢測

經過觀察發現內港區域的邊緣呈直線狀特征，為了方便船舶停靠，海岸線包圍海域呈“U”形結構，這是港口目標區別于其他目標的固有特征，以前算法不曾提及。U形結構是一種重要的形狀特征，是由滿足一定位置關系的一對平行線段與一條垂直線段組合而成。由于光照條件的變化及其周圍背景的復雜性，能否從疑似港口內港區域的海岸線上提取上述特征成為本節的關鍵。基于U形結構元檢測港口算法流程如圖4所示。

圖4 基于U形結構提取的港口目標檢測

3.1 直線單元獲取

鄰接矩陣是表示頂點之間相鄰關系的矩陣，這里根據無向圖鄰接矩陣的性質來記錄不同的邊緣端點之間的鄰接關系，并根據這些鄰接信息對邊緣鏈進行跟蹤、處理。獲取直線單元(Element Line, EL)的流程如圖5所示，步驟概括：1）對內港區域的海岸線周圍區域進行邊緣掃描，得到各條獨立邊緣的信息，將跟蹤得到的邊緣稱為邊緣鏈；2）構建邊緣鏈的各端點和邊緣鏈本身的鄰接矩陣，并根據鄰接矩陣信息對邊緣鏈進行合并、刪除等操作；3）對處理過的邊緣鏈進行迭代分裂，獲得直線單元。

圖5 獲取直線單元流程示意

3.2 直線單元編組

圖6 EL與候選直線的關系

圖7 U形結構元

具體的編組算法步驟如下：

3）對累積結構數組中每條候選直線的所有EL進行合并，通過長度閾值判斷刪除沒有意義的短直線。

3.3 U形結構元提取

本文所要提取的U形結構元如圖7所示，其中0、1和2分別為構成結構元的3條直線單元，0、1、2和0、1、2分別表示它們的端點。

提取U形結構元的算法如下：選定一條直線單元記為0，根據斜率判斷是否存在與0成近似垂直的直線單元L。如果存在兩條或者兩條以上的L，從中尋找組成U形結構元的1和2，首先判斷1和2都有位于0同側的端點，保證結構元的開口方向，然后判斷端點之間的距離：

式中表示距離長度。

4 試驗分析

算法針對針對1m、5m和10m分辨率30幅遙感圖像進行試驗，其中26幅存在27個大中型港口，正確檢測25個，虛警2個，漏檢2個，正確識別率92.6%，虛警率7.4%，漏檢率7.4%，10 000像素× 10 000像素圖像平均處理時間在2s以內。對試驗結果進行深入分析發現，虛警的原因是某些河流的入海口影響了檢測，漏檢的原因是港內停靠的船只干擾了內港區域直線單元的提取。

文獻[16]首先根據活動輪廓模型提取海岸線，然后根據特征聚類分割內港岸線，最后通過特征點松弛匹配識別特定港口，方法處理時間比較長，不具有實用性。文獻[5]針對大型和中小型港口分別設計港口候選區域提取方法，再采用閾值方法進行海洋和陸地的分割，最后利用港口的固有特征實現港口識別，識別方法中海陸分割的閾值不好掌握，而且對半封閉區域的分析不夠深入。從識別時間來說，本文算法采用了多種策略來優化時間，比如簡單的基于梯度的海陸分割、基于海岸線封閉海域的提取以及粗略海岸線周圍帶狀區域的提取等，而文獻[5]閾值分割采用EM算法估計海洋和陸地在圖像上的高斯分布參數，由最小錯誤率準則導出分割門限，算法采用迭代操作，所以耗時較長；從虛警率來說，上述算法對固有特征的分析只是簡單判斷了半封閉特性，沒有深入考慮其他特征，導致虛警率高，而本文基于U型結構來判別疑似區域的人工建筑，減少了虛警。綜上分析本文算法效率較高。

圖8~10分別顯示了不同分辨率圖像的港口目標檢測結果，可以看出算法具有很強的實用性，能夠正確檢測出不同尺度、不同形狀的港口目標。

圖8 港口目標檢測1

圖9 港口目標檢測2

圖10 港口目標檢測3

5 結束語

本文在分析結構特征的基礎上，針對遙感圖像中大中型港口的快速檢測問題提出了一些新的思路，例如采用基于梯度分割的方法結合灰度相似性聚類提取海洋和陸地區域，通過分析圖像中是否存在海域來判斷港口存在的可能性；對粗略海岸線分別沿8個方向尋找陸地，根據封閉程度提取疑似內港區域；引入U形結構元的概念以及提取算法，對內港區域進行結構特征驗證，確定真實港口區域。算法具有計算量小和準確率高的優點，而且模型通用，因為幾乎所有的大中型港口具有封閉特性、內港海岸線具有U形結構，該算法對高分辨率圖像和一定范圍內的低分辨率圖像同樣適用。

參考文獻（References

）

[1] CVETKOVI? D M, DOOB M, SACHS H. Spectra of Graph: Theoryand Applications[M]. Berlin: Academic Press, 1982.

[2] CHUNGF R K. Spectral Graph Theory[M]. Providance, Rhode Island USA: American Mathematical Society, 1997.

[3] 李艷, 彭嘉雄. 港口目標特征提取與識別[J]. 華中科技大學學報, 2001, 29(6): 9-11. LI Yan, PENG Jiaxiong. Feature Extraction of the Harbor Target and its Recognition[J]. Journal of Huazhong University of Science and Technology, 2001, 29(6): 9-11. (in Chinese)

[4] 楊耘, 王樹根, 邱丹丹. 基于規則的高分辨率影像港口識別模型[J]. 測繪信息與工程, 2005, 30(5): 40-42. YANG Yun, WANG Shugen, QIU Dandan. Harbor Recognition Model from High-resolution Images Based on Rules[J]. Journal of Geomatics, 2005, 30(5): 40-42. (in Chinese)

[5] 朱兵, 李金宗, 陳愛軍. 大尺度遙感圖像中港口目標快速識別[J]. 模式識別與人工智能, 2006, 219(4): 552-556. ZHU Bing, LI Jinzong, CHEN Aijun. Fast Knowledge Based Recognition of Harbor Ttarget[J]. Computer Applications, 2006, 26(3): 729-732. (in Chinese)

[6] 隆剛, 陳學佺. 高分辨率遙感圖像港內艦船的自動檢測方法[J]. 計算機仿真, 2007, 24(5): 198-201. LONG Gang, CHEN Xuequan. A Method for Automatic Detection of Ships in Harbor Area in High-resolution Remote Sensing Image[J]. Computer Simulation, 2007, 24(5): 198-201. (in Chinese)

[7] 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. ZHOU Yongjun, ZHU Zhaoda, DING Quanxin. Port Target Recognition of Remote Sensing Image[J]. Journal of Nanjing University of Aeronautics & Astronautics, 2008, 40(3): 350-353. (in Chinese)

[8] 劉麗麗. 遙感圖像中港口目標的檢測與識別[D]. 哈爾濱: 哈爾濱工業大學, 2007 LIU Lili. Harbor Target Detectionand Recognitionin Remote Sensing Image[D]. Harbin: Harbin Institute of Technology, 2007. (in Chinese)

[9] 張振. 高分辨率可見光遙感圖像港口及港內目標識別方法研究[D]. 合肥: 中國科學技術大學, 2009. ZHANG Zhen. Research on Target Recognition Methods of Harbor and Harbor in High Resolution Visible Light Remote Sensing Images[D]. Hefei: Master Thesis of University of Science & Technology of China, 2009. (in Chinese)

[10] 張志龍, 張焱, 沈振康. 基于特征譜的高分辨率遙感圖像港口識別方法[J]. 電子學報, 2010, 38(9): 2184-2188. ZHANG Zhilong, ZHANG Yan, SHEN Zhenkang. A Method for Automatic Detection of Ships in Harbor Area in High-resolution Remote Sensing Image[J]. Acta Electronica Sinica, 2010, 38(9): 2184-2188. (in Chinese)

[11] 陳琪, 陸軍, 匡綱要. 基于感知編組的遙感圖像港口提取方法[J]. 信號處理, 2010, 26(7): 1099-1103. CHEN Qi, LU Jun, KUANG Gangyao. Harbor Detection Method of Remote Sensing Images Based on Perceptual Organization[J]. Signal Processing, 2010, 26(7): 1099-1103. (in Chinese)

[12] 魏軍偉. 遙感圖像中港口目標檢測研究與實現[D]. 西安: 西安電子科技大學, 2007. WEI Junwei. Research and Implementation of Port Target Detection in Remote Sensing Images[D]. Xi’an: Master Thesis of Xidian University, 2007. (in Chinese)

[13] 柴宏磊. 基于知識的遙感圖像港口目標識別[D]. 成都: 電子科技大學, 2015. CHAI Honglei. Research on Port Target in Remote Sensing Images Based on Knowledge[D]. Chengdu: Master Thesis of University of Electronic Science and Technology of China, 2015. (in Chinese)

[14] 叢瑜, 周偉, 于仕財, 等. 一種對港口影像進行艦船目標提取方法[J]. 計算機仿真, 2014, 31(1): 22-25. CONG Yu, ZHOU Wei, YU Shicai, et al. Method for Extraction of Ship Target from Remote Sensing Images[J]. Computer Simulation, 2014, 31(1): 22-25. (in Chinese)

[15] 孫艷麗, 周偉, 王杰. 基于電子地圖的港口艦船目標變化檢測[J]. 海軍航空工程學院學報, 2016, 31(3): 372-378. SUN Yanli, ZHOU Wei, WANG Jie. Change Detection of Ship Target in Port Based on Electronic Map[J]. Journal of Naval Aeronautical and Astronautical University, 2016, 31(3): 372-378. (in Chinese)

[16] 張志龍. 基于遙感圖像的重要目標特征提取與識別方法研究[D]. 長沙: 國防科學技術大學, 2005: 121-123. ZHANG Zhilong. Research on Feature Extraction and Recognition of Important Targets Based on Remote Sensing Images[D]. Changsha: National University of Defense Technology, 2005: 121-123. (in Chinese)

（編輯：夏淑密）

Research on Harbor Target Detection Based on U-shape Structure Extraction

XING Kun YUE Chunyu ZHOU Nan ZHANG Bingxian CAO Shixiang HE Hongyan

（Beijing Institute of Space Mechanics & Electricity, Beijing 100094, China）

Harbor detection is an important aspect in target recognition research. Accurate and fast harbor extraction has great significance for improving the ability of automatically interpreting the remote sensing images. A method of harbor target detection based on U-shape structure extraction is proposed in the paper. The gradient operator and the gray scale similarity clustering are used to divide the oceans and the land, and then the rough coastlines are extracted. The suspected harbors are extracted according to the enclosed features of the inner harbor area. Based on the analysis of the regional structure of the inner harbor, the concept of U-shape structure element and the extraction algorithm are introduced to confirm the suspected area. The experimental results show that the proposed method has higher accuracy and faster speed, and can meet the requirements of civilian and military recognition.

remote sensing images; harbor target; inside region; U-shape structure; satellite application

TP751.1

A

1009-8518(2018)01-0104-08

10.3969/j.issn.1009-8518.2018.01.013

邢坤，男，1980年生，2010年獲哈爾濱工業大學機械電子工程專業博士學位，高級工程師。研究方向為遙感圖像處理。E-mail：xingkunfeixiang@aliyun.com。

2017-08-31

國家重大科技專項工程