基于譜殘差和梯度紋理融合特征的艦船檢測

李慶峰，何 斌,王文勝,蘇 暢,韓璽鈺,梁懷丹

(1.中國科學院 長春光學精密機械與物理研究所，吉林 長春 130033；

2.中國科學院大學，北京 100049；

3.北京信息科技大學 機電工程學院,北京 100192)

1 引 言

隨著科技的快速發展，光學遙感器的圖像分辨率有了大幅度提高，人造艦船目標的檢測與識別在可見光遙感圖像中有著極其重要的意義和研究價值。針對可見光遙感圖像中的艦船目標檢測任務，一方面，圖像分辨率的提高可以獲得目標更清晰豐富的形狀紋理結構，有更多的數據量來描述目標灰度分布關聯性；另一方面目標灰度同質性降低、紋理差別增大、云霧與海浪等干擾給艦船檢測帶來了新的挑戰。如何及時高效地處理高分辨率可見光遙感圖像信息，從海量數據中挖掘出有價值的信息，已經成為遙感圖像分析與理解、智能視覺等領域研究的熱點。艦船作為一類重要的、典型的人造目標檢測對象，是用于海上運輸的重要載體以及戰爭時期遭受攻擊的重要軍事目標。因此，對艦船的檢測工作在民用和軍事檢測與識別領域有廣闊的應用前景[1-2]。遙感載荷成像時會受到大氣散射、雜散光干擾、云霧遮擋等諸多因素的影響。同時，海面云霧及孤立海島等其他干擾物也會對海面艦船的成像干擾。因此，如何從復雜的海洋背景中快速、準確地檢測和識別出艦船目標仍然是一個難題。

現有的艦船檢測方法大多采用“先篩選后確認”的策略：首先通過一些計算量小的艦船特征和檢測算法進行目標候選區域提取，從大幅圖像中篩選出疑似目標的區域；然后根據艦船與其他干擾物的自身精細特征圖像差異(形狀、紋理等)對候選區域進行確認，剔除虛警，進行目標的判別確認，實現對艦船目標的識別。例如，在候選區域目標定位和篩選提取階段，有利用圖像灰度統計和邊緣信息實現閾值分割[3]；也有利用自然背景與人工目標的分析特征差異來進行定位檢測[4]；亦有利用多層稀疏編碼構造圖像顯著圖進行分割，獲取候選目標區域[5]。在候選區域目標判別確認階段，通過設計的復雜特征來描述艦船目標，最后采用機器學習SVM算法進行二分類判別確認。例如文獻[3]通過提取形狀不變量特征以及層次化描述的簡單紋理、多尺度紋理等特征，獲得高達679維描述目標特征的向量；文獻[6-7]通過構建顯著圖模型來提取艦船目標的局部二值模式(Local Binary Pattern，LBP)特征來進行分類識別。文獻[8-9]使用顯著性模型和形狀不變量以及梯度特征來實現對艦船目標的檢測與識別，其中文獻[8]定位算法較為復雜，同時缺乏對艦船目標的內部紋理信息的利用。雖然，以上方法都能取得不錯的檢測結果，但是存在以下兩個問題：受云霧、島嶼等干擾影響，導致候選區域目標的分割易產生虛假目標，分割效果的好壞直接關系到檢測精度和算法的時效性。同時，已有算法的特征向量維數較大，在訓練分類器、描述目標切片提取特征以及最終分類判別時計算均較為復雜。

針對上述問題，本文提出了一種基于譜殘差(Spectral Residual,SR)[10]和梯度紋理融合特征的艦船檢測方法。該方法包括：目標在候選區域的粗篩選和定位以及對船舶目標的識別與確認。前半部分采用模擬人的視覺注意機制的譜殘差模型結合自適應動態閾值法對海面船舶目標區域進行搜索定位，有效地抑制了海面大面積云層、尾波浪花等的干擾。在后半部分，根據船舶目標的形狀和紋理特點，設計了一種實用的結合形狀、梯度、紋理3種信息的融合特征。文中梯度方向特征具有較好的旋轉和尺度不變性，同時，采用局部與全局紋理信息互補來描述紋理特征，充分利用了艦船目標切片內部的紋理信息。然后，利用AdaBoost分類器對30維的融合特征向量進行分類鑒別，有效地剔除云塊和孤島等虛假目標的干擾，減少了特征向量的維數，降低了計算復雜度。

2 紋理特征

2.1 局部二進制模式

局部二進制模式(LBP)是一種用于圖像局部紋理特征描述的經典算子，它的核心思想主要是指設定中心點像素的灰度值的大小為閾值，將其與它3×3鄰域灰度值相比較，得到相應的二進制碼以此來實現圖像局部紋理結構信息的描述[11]。如果相鄰像素的灰度值大于或者等于中心點像素灰度值，將該像素的位置標記為1，否則置0。也就是說，按照規定的編碼方向對中心像素的八鄰域進行二值化，將將二進制序列轉化為無符號十進制數作為中心點像素的響應。對整個圖像進行處理后，得到一幅LBP響應圖像，并利用響應圖像的統計柱狀圖作為LBP特征，用在后續識別工作上。LBP算子的計算公式如下：

(1)

其中，

(2)

式中：P表示P鄰域，R表示圓域半徑，gc表示局部鄰域的中心點像素灰度值，gk(k=0,1,…,P-1)表示3×3鄰域范圍像素點灰度值。

由于LBP柱狀圖是單獨計算圖像的每個分區，對于塊區域，標準LBP描述符得到的二進制模式數較大，而塊區域中實際像素數相對較少，從而導致柱狀圖過于稀疏，其并不具備太多的統計意義。為了進一步減少LBP特征模式的特征維度，Ojala等人提出，如果二進制位串被看作一個循環，并且它包含的從1到0或從0到1的跳躍不超過2次，則它是一個統一的模式[11]。除統一化模式外，其它的模式均為非統一化模式。8鄰域的LBP算子有58種統一化模式，加1個非統一化模式，共有59種模式。

LBP特征的統一化模式可表示為：

(3)

式中：U表示二進制的序列中兩個相鄰二進制值之間的0/1(或1/0)變換次數?？紤]到艦船目標大小變化范圍，本文中鄰域P=8，鄰域半徑R=2，使用雙線性插值結果提供對角線四鄰域的灰度值。最后，使用Uniform LBP模式直方圖統計方差作為特征。

2.2 灰度共生矩陣特征

應用結果表明，通過研究灰度的空間相關特性，灰度共生矩陣(GLCM)能夠從方向、間隙、變化范圍和速度等方面反映圖像的綜合信息。它能反應圖像亮度的分布特性和亮度相近像素之間的位置分布特性，具有良好的紋理識別效果[12]。

灰度共生矩陣原理是取圖像I中的任意一點(x,y)和另一個偏離它的點(x+a,y+b)(其中，a,b為整數，代表偏移量)形成一對點。如果將點對的灰度值設置為(f1，f2)，并在整幅圖像上移動點(x,y)，則將獲得不同的(f1，f2)值。如果圖像的最大灰度為L,則有L2種f1與f2的組合。對于整個圖像，計算每個(f1，f2)值的出現次數，然后將其排列成一個正方形矩陣，再用(f1，f2)的總發生次數歸一化為發生概率P(f1，f2),由此產生灰度共生矩陣p(i,j)。HARALICK等人對GLCM定義了14種[13]用于表達紋理的二階統計量，但這些統計量會重復描述紋理信息[14]。考慮到算法效率，實際應用中需要選擇符合目標紋理特性和描述需求的統計量組合描述紋理特征。

通過對艦船目標和非目標的GLCM紋理統計量實驗研究表明(圖1 (a)和(b))：對比度(Contrast),相關性(Correlation)這兩個統計量能夠很好地描述艦船圖像紋理中灰度基元之間空間聯系，反映了紋理信息中灰度分布的性質。取步長為2，對0°，45°，90°，135°方向求統計量，并對上述各方向統計量指標進行歸一化，獲取描述紋理特征的二階統計量進行分類。

2.2.1 對比度(反差)

對比度用于測量共生矩陣的值如何分布，以及圖像中局部變化的程度。它反映了整幅圖像中像素和它相鄰像素之間的亮度反差。紋理凹槽越深，對比度越大，效果越清晰。

Contrast=∑i∑j(i-j)2P(i,j).

(4)

2.2.2 相關性(同質性)

利用同質性衡量圖像的水平或豎直方向上的灰度共生矩陣元素的相似度，反映圖像紋理局部變化，即灰度的局部相關特性。同質性的值越大，表明圖像不同區域的紋理變化越小，局部紋理均勻且規則。

(5)

其中:

(6)

(7)

(8)

圖1 GLCM特征統計實驗結果。(a)對比度；(b)相關性。Fig.1 GLCM feature statistics experiment results.(a)Contrast;(b)Correlation.

(9)

3 形狀特征

對于高分辨率可見光遙感圖像中的艦船目標而言，艦船的大小因類型不同差別較大，就幾何特征而言，有長寬比、面積等均有差別。考慮到形狀的適應性，形狀特征的設計需要滿足對不同分辨率和尺寸不同的艦船具有旋轉和尺寸縮放不變性，即不受艦船方向和大小形狀特征的描述性能。本文選取的形狀特征有：長寬比、緊密度、矩形度。

3.1 緊密度

緊密度要求區域具有光滑邊界，根據實際需要及后續融合特征尺度歸一化，定義為：

(10)

其中:Perimeter是指目標切片區域邊界周長，即像素點的個數。區域為圓形時，Compactness=1；區域邊界彎曲越復雜，Compactness值越大。

3.2 矩形度

用區域實際像素數與能包含該區域最大的凸包中的像素數的比值表示矩形度(Rectangularity)。凸包的嚴格數學定義：在向量空間H中，對于給定的集合X，所有包含X的凸集的交集S被稱為X的凸包。

(11)

3.3 長寬比

由于實際分割結果，并非十分規則的長方形，使用區域的等效橢圓的長短軸,長短軸用疑似目標切片區域的標準化二階中心矩來表示。設二維數字圖像f(i,j)的(p+q)階原點矩定義為：

(12)

中心矩為：

(13)

式中:

(14)

等效橢圓長軸為：

(15)

等效橢圓短軸為：

(16)

則長寬比的定義為：

(16)

4 梯度方向特征

在獲得到候選區域的目標切片后，需要對候選區域進行特征設計，以便更精確地進行識別和確認，進一步去除誤報區域，獲得更準確的檢測結果。艦船目標在可見光遙感圖像的目標中一般呈對稱長條形狀，輪廓特征具有共同的形狀共性。由于船上兩條長邊弦對稱分布，兩側的梯度方向基本是對稱的，且沿垂直主軸方向具有很高的梯度幅值。通過對行人檢測方向梯度直方圖[15](HOG)特征提取算法的研究，結合艦船自身的固有特點，針對艦船目標設計梯度方向特征，將360°的梯度方向均分為8個統計間隔(bins)，如圖2(a)所示。該梯度方向設計可以更好地描述艦船的對稱性，突出艦船的側弦，即梯度方向垂直于主軸方向。為了準確鑒別檢測目標，剔除疑似艦船目標切片，以及避免艦船尺寸對梯度方向特征的影響。如圖2(b)將艦船目標細分為3個統計區塊：B1，B2，B3，分別計算B1，B2，B33個統計區塊內8個統計間隔的梯度強度的統計特征。

圖2(c)是艦船正向和逆向的梯度方向特征直方圖，從中可以看出B1，B2，B3統計區塊的梯度方向特征直方圖總體相似。特別地，1D和5D兩個統計間隔對應的梯度方向的直方圖高度均遠高于其余6個統計間隔內的直方圖高度。原因在于艦船目標兩條對稱的長側邊弦，兩邊的梯度方向統計量總體上應是相差不多的。同時，旋轉后的艦船目標依然保持這一特性，結合圖4(a)和(b)可以得出結論，針對艦船目標設計的梯度方向特征具有旋轉和尺度不變性。

圖2 梯度方向特征示意圖Fig.2 Illustration for gradient direction feature

5 譜殘差與融合特征的艦船檢測

高分辨率可見光遙感圖像的前景目標—艦船和背景區域相比尺寸較小，通常目標只占整幅圖像很小的一部分。所以，先從整張圖像中快速準確的定位艦船潛在的候選目標區域，不僅能夠提高在圖像中搜索候選目標區域的速度，而且還能降低算法的計算復雜度和檢測的虛警率。而人類的視覺注意機制能夠快速、準確的從復雜場景中區分出視野中前景目標和背景，定位遠方的感興趣目標位置。所以，本文將模擬人類的視覺注意機制的視覺顯著性檢測思想引入艦船目標的候選區域提取上來。

目前模擬人類的視覺注意機制的視覺顯著性檢測[6-7,9]已經成為艦船檢測的研究熱點，主要分為基于空間域和頻率域兩類模型[16]。根據本文使用的遙感圖像數據特點，引入基于頻域分析的譜殘差[10](SR)視覺顯著性檢測模型，結合自適應動態閾值分割技術來提取候選目標區域，能夠很好的提取復雜云層干擾下的候選目標區域，降低虛景率，以便后續目標切片的紋理和梯度描述與艦船目標鑒別。

5.1 基于視覺注意機制的譜殘差候選區域定位

由于每個目標都有自己與眾不同的特性，基于傅里葉變換的SR算法通過尋找背景的通用性來獲取目標圖像的顯著性，與有復雜目標干擾下的海洋艦船目標檢測有異曲同工之處。該方法能夠有效的解決背景頻率特性高于艦船的場景下(如大面積云霧擾動問題)的目標定位問題。本文采取該方法獲得疑似目標全局顯著圖，并將顯著圖進行三維效果顯示，如圖3(b)所示。

該算法的實現過程：

(1)將圖像I(x)用傅立葉變換到頻率域，取幅值的對數后得到對數頻率譜L(f)：

A(f)=|F[I(x)]|，

(18)

P(f)=φ(F[I(x)])，

(19)

L(f)=log(A(f))，

(20)

式中：F為二維離散傅里葉變換，|.|代表其幅值，φ代表其相位。

(2)用均值濾波器hn(f)對其進行平滑，獲取的大致形狀即為冗余信息：

V(f)=L(f)hn(f).

(21)

(3)頻譜殘差就是圖像的傅里葉譜和其進行均值濾波后的差：

R(f)=L(f)-V(f).

(22)

(4)對譜殘差R(f)和相位P(f)用二維離散傅里葉反變換處理：

(23)

(5)最后，進行高斯模糊濾波重構出一幅圖像，獲得表示原圖像各像素的顯著性的顯著圖(Saliency map)。

圖3中以圖像平面為xy平面，將像素灰度值作為z軸坐標，將兩種場景下的原圖與全局顯著圖，三維立體化顯示出來，以更好地觀察譜殘差模型的變換效果。通過圖3(a)和(b)對比可以得出結論，基于頻域變換的譜殘差模型在云霧干擾情況，尤其是云霧彌漫的場景中的艦船目標候選區域定位有很好的效果，能夠準確定位云霧遮掩下的疑似艦船目標區域。

接著，結合自適應動態閾值法對疑似目標顯著圖進行分割，獲得二值化分割圖像。它的表達式為：

Tc=m(S)+k×σ(S)，

(24)

(25)

式中：S表示顯著圖，m和k分別為S的均值和方差，k為閾值系數。值得指出的是，系數k的選取根據實際需求而定。為保證檢測效果和對虛景的敏感度。本文的經驗值k=2。

最后，使用形態學腐蝕、膨脹、孔洞填充來對顯著圖分割圖進行處理，根據艦船目標的形態學面積特征來去除小面積區域，獲得疑似目標的形態學濾波結果和定位疑似目標區域，分別如圖3(c)和(d)所示。

(a)原圖及三維顯示(a)Original image and 3D display

(b)全局顯著圖及三維顯示(b)Global saliency map and 3D display

(c)二值化圖 (d)候選區域定位 (c)Binary image (d)Localization of the ROI圖3 疑似目標定位Fig.3 Suspected target location res

5.2 基于融合特征的艦船目標鑒別

譜殘差模型雖然可以抑制薄云層、海霧及尾跡浪花等的干擾影響，但仍可能檢測到厚云層，島嶼等干擾物。在獲取候選區域目標切片后，需根據能區別艦船與干擾物的有效特征對候選區域目標切片進行判別確認，進一步去除虛警干擾，獲得更準確的檢測結果。本文使用的可見光遙感圖像中檢測到的干擾目標形狀不規則，而艦船目標呈條形狀(以022導彈艇為例，長寬比3.5)且左右船弦呈對稱分布，從圖2(b)及圖7(a)艦船圖像數據集中可以看出，艦船目標形狀特征較為規律，且多是兩側長邊弦對稱分布的狹條狀。

遙感圖像中艦船目標的位置方向隨機，所以在提取候選區域目標切片后，提取候選區域目標切片梯度紋理形狀融合特征前，需要確定目標主軸方向。本文使用PCA獲取目標主分量方向。具體步驟：我們使用5.1節中疑似艦船目標候選區域定位流程中的目標形態學濾波后的二值分割結果，提取疑似目標區域的所有像素坐標，用PCA分析法提取疑似目標區域的第一主分量對應的變換系數。而艦船多是兩側長邊弦對稱分布的狹條狀，第一主分量投影變換的方向就是目標的主軸方向。

圖4是艦船目標與非艦船目標(島嶼、海浪、云塊)的梯度方向特征。由圖4(a)可以看出艦船梯度方向特征在3個區域塊中1和5方向區間(垂直于主方向)的柱狀圖統計量明顯大于其余方向區間的柱狀圖統計量而對于不是艦船的目標(圖4(c)～(e))，其它梯度方向特征沒有這個特點。同時，圖4(b)說明梯度方向特征對帶尾跡的小船同樣有效,具有很好的尺度不變性。

(a)船及其梯度方向直方圖特征(a)Ship and its corresponding histogram features of gradient directions

(b)尾跡小船及其梯度方向特征直方圖(b)Wake ship and its gradient direction feature histogram

(c)島嶼及其梯度方向直方圖特征(c)Island and its corresponding histogram features of gradient directions

(d)海浪及其梯度方向直方圖特征(d)Wave and its corresponding histogram features of gradient directions

(e)云塊及其梯度方向直方圖特征(e)Cloud and its corresponding histogram features of gradient directions圖4 梯度方向直方圖特征Fig.4 Histogram features of gradient directions

圖5 統一化直方圖統計方差Fig.5 The histogram statistical variance of uniform

最后，對疑似目標區域切片進行梯度紋理融合特征描述，結合艦船目標切片的長寬比、緊湊度、矩形度等形狀特征，進而獲得最終的30維融合特征向量。此時，本文將艦船檢測問題經過一系列的數據處理轉化為將要解決的一個二分類問題，通過訓練好的AdaBoost分類器來對疑似目標切片進行最終的判別確認，其中圖6是Adaboost訓練與測試錯誤率。

圖6 Adaboost訓練與測試錯誤率Fig.6 Adaboost training and test error rate

6 實驗結果與分析

6.1 實驗平臺及數據

本文使用的硬件平臺是Intel E33.30GHzCPU+16 GB內存，軟件平臺為Matlab 2016B。本文實驗使用的259張2 m分辨率可見光遙感圖像來源于高分一號和谷歌地圖，這些圖像的尺寸范圍1 024×1 024到4 096×2 048。選取200幅遙感圖像，使用ACDSee15軟件截取407個正樣本(艦船目標)數據集，如圖7(a)所示；截取520個負樣本(云塊，島嶼，海浪，人造物等非艦船干擾)數據集,如圖7(b)所示，尺寸范圍10×10到200×200。

剩下的圖像作為檢測實驗圖，使用ACDSee15截取98張包含有418個船舶目標的圖像，尺寸范圍512×512到1 024×1 024。這些圖像中包含含有孤島、薄云及云塊干擾的海面等復雜背景，以檢測算法魯棒性。

圖7 樣本數據集Fig.7 Sample data dataset

6.2 實驗結果與分析

檢測結果如圖8所示，從左到右為3種海洋背景下的船舶檢測結果，即含孤島的海洋、薄云擾動的海洋以及云塊干擾的海洋。圖8(b)左圖和中圖的場景中，虛景是與艦船目標大小相似的島嶼，經過融合特征分類鑒別，檢測出艦船,如圖8(c)左圖和中圖所示。從圖8(b)右圖中場景中，虛景是云塊亮度過高的區域剔除有殘留導致，通過融合特征描述分類鑒別，最終檢測出艦船，如圖8(c)右圖所示。從圖8(b)、(c)中可以看出，該方法能夠很好地在云霧干擾的海洋背景下定位出疑似艦船目標，并從疑似目標中準確篩選出船舶目標。

接著，結合自適應動態門限法與形態學濾波法處理全局顯著圖，對疑似艦船目標區域進行定位，然后用上述各節中介紹的形狀梯度紋理融合特征提取疑似目標切片的向量，使用訓練好的AdaBoost分類器模型進行特征分類剔除虛景，完成艦船目標確認鑒別。

(a)原圖(a)Original image

(b)疑似目標定位(b)Suspected target location

(c)檢測結果(c)Detection results圖8 艦船檢測實驗結果Fig.8 Example of ship detection results

為驗證本文方法的有效性，我們將其與文獻[6]、[8]、[9]中的方法進行了比較，選用召回率(Recall)和檢測精度(Precision)作為評價指標。4種方法的檢測結果對比如表2所示。此外，在算法耗時方面，算法訓練AdaBoost分類器用時12.054 8 s；對于1 024×1 024大小的圖像，各算法檢測用時對比如表1所示。

召回率和檢測精度的定義為：

(26)

(27)

式中：TP表示正確檢測為艦船目標的數量，TR表示是實際檢測到的艦船目標數量，FP表示將背景錯誤判定成艦船目標的數量。

表1 4種算法的檢測耗時對比Tab.1 Time-consuming comparison of detection of four algorithms (s)

表2 4種算法的檢測結果對比Tab.2 Comparison of detection results of four algorithms

7 結 論

本文提出了一種基于譜殘差和梯度紋理融合特征的艦船檢測方法，能準確提取海面艦船目標，獲取艦船目標的數量和位置信息，在檢測時間和精度上都能夠滿足實際工程需要。該方法通過譜殘差模型結合自適應閾值法搜索定位海面艦船目標區域，可以有效抑制海面云霧、尾跡浪花等的干擾；結合艦船目標形狀紋理特點，設計了梯度方向特征及形狀紋理特征的融合特征，不受云塊、小島等虛假目標的干擾，能有效地描述艦船目標的特征。最后，利用AdaBoost分類器對目標進行了鑒別確認，得到了準確的檢測結果。實驗結果表明：本文提出算法的檢測精度為95.51%，召回率為96.65%，可以滿足海域艦船目標的快速定位和檢測的準確性要求。