單幅光學遙感圖像中深灰色飛機的快速檢測算法

黃世奇，蒲學文，張玉成，羅 鵬

(西京學院 信息工程學院， 西安 710123)

1 引言

目標檢測、分類與識別是遙感圖像處理與應用的重要內容，特別是軍事領域中目標情報信息的獲取主要來源于各種遙感圖像。利用遙感圖像對機場中的飛機進行有效檢測和監測，是對飛機目標進行有效分類和識別，以及對飛機活動規律和活動目的進行判斷與預測的依據。飛機目標檢測與識別技術一直是學者們研究的熱點，并提出了許多有效的算法和模型[1-10]，并得到了很好的應用。這些方法大體上可分成傳統的特征檢測方法和深度學習檢測方法2類。傳統的方法一般是先提取特征，然后用各種分類器來實現飛機目標的檢測。當然，也可以直接利用特征或閾值來檢測飛機，如直方圖特征檢測、恒虛警率檢測和馬爾科夫隨機場檢測等。文獻[11]通過提取多維不變矩特征，然后選擇關鍵的幾個特征作為識別特征，最后利用支持向量機分類器實現飛機目標的檢測。傳統的方法實現飛機目標檢測過程簡單、運算量少，但是對于復雜背景下的飛機目標檢測，或者是小型飛機目標的檢測，正確檢測率低，易產生較多的虛檢率，同時對于飛機目標特征的描述和提取表現也不太理想。隨著深度學習技術的飛速發展和應用，其在遙感圖像處理中的應用也不斷增加[12-17]。文獻[18]利用全卷積網絡(fully convolutional networks，FCN )實現了遙感圖像中飛機目標的檢測，同樣對于小尺寸飛機目標的檢測效果仍然不佳。文獻[19]采用多個簡單卷積神經網絡的框架實現對候選區域特征的提取，比較精確地標出了飛機目標區域，但是對于大幅面遙感圖像，其對飛機的檢測效果同樣不理想。文獻[20]利用特征重用技術來描述目標的語義特征，并設計不同類型飛機尺寸比例的候選框尺度集合，獲得了較高的小目標檢測精度。

基于深度學習的圖像目標檢測算法能夠很好地提取到圖像高度抽象的語義特征，因此具有較強的泛化能力，避免傳統方法需要大量先驗知識來描述復雜特征和優化參數調整。但是，深度學習用于圖像處理，主要步驟包括：數據集的構造、網絡模型選擇與建立、模型的測試與訓練。特別是數據集的構建，是深度學習方法用于遙感圖像處理的一個關鍵和基礎環節。目前，基于深度學習的各種神經網絡模型，對圖像處理的要求是圖像大小橫向和縱向為幾百個像素，而一幅遙感圖像的大小橫縱向都是幾萬個像素。隨著遙感技術的發展，圖像的寬幅繼續增大，空間分辨率繼續提高，圖像內容更加豐富多彩、更加復雜，這對于深度學習理論應用于遙感圖像處理與應用將面臨更多挑戰和技術攻關。同時，深度學習網絡模型的測試與訓練需要大量的時間。因此，從快速發現目標的角度，對于單幅遙感圖像而言，傳統方法的優勢比較明顯。本文采用顏色模型對遙感圖像中深色飛機實現快速的檢測，實驗結果表明本文提出方法是可行的。

本文所提FATD算法的主要優點或貢獻主要包含在以下幾個方面。① 原理結構簡單，軟硬件都容易實現；② 提出基于圖像內容的閾值自動獲取策略，實現目標區域的自適應檢測，檢測閾值根據輸入遙感圖像的光譜特征自動產生，具有非常好的泛化能力；③ 提出利用圖像的顏色特征模型轉換來實現目標區域與背景對比度的改善，算法完成彩色圖像到灰度圖像的轉換、彩色圖像到彩色圖像的轉換、RGB圖像到HSI圖像的轉換；④ 提出利用信號處理理論的維納濾波器來降低背景環境干擾的影響，有效地提高了目標的正確檢測率；⑤ 實現過程不復雜，運行時間短，檢測速度快，達到了快速檢測的目的。

2 方法原理描述

目前，雖然許多文獻研究了飛機目標的檢測和分類問題，但其研究是基于圖像的飛機目標檢測，包括?？康孛婧涂罩酗w行的飛機。本文研究的是基于遙感圖像的飛機目標快速檢測策略，即針對地面機場中的靜止飛機，而且是深色的飛機。提出的FATD算法的原理框圖如圖1所示。FATD算法根據圖像的顏色特征、圖像內容和信號處理理論來完成遙感圖像的飛機目標快速檢測過程。

圖1 遙感圖像飛機快速檢測算法原理框圖

從圖1可知，FATD算法的主要步驟如下。

步驟1輸入遙感圖像。輸入的遙感圖像是光學圖像，要求獲取的這些圖像是彩色的RGB圖像，而且圖像中包含有飛機目標。

步驟2判斷輸入圖像是否為彩色遙感圖像，并且是否包含有深灰色飛機。因為FATD算法的目的是針對深灰色飛機類檢測，所以首先判斷是否包含有這類飛機，采用人工視覺的方式進行判別。沒有特別說明時，通常所說的彩色圖像是指RGB模型圖像。因此，本算法中對彩色圖像的判別，即對RGB圖像判別。通過獲取RGB圖像的通道維數值來判斷圖像是否為彩色圖像。如果通道維數值小于3，判斷它是灰度圖像，等于3就是RGB彩色圖像。具體的判斷模型表達式為：

(1)

式(1)中：IO表示原始圖像；size(IO)表示求原始圖像的維數值；M×N表示圖像的空間大??；K表示圖像包含的波段數，即單個圖像的通道數目。

步驟3對圖像進行歸一化處理。由于遙感圖像獲取的時間和傳感器不同，導致遙感圖像的亮度信息會有所變化。為消除光照和不同傳感器等因素產生的影響，對輸入圖像的亮度值進行歸一化處理，其歸一化公式如式(2)所示。

(2)

式(2)中：IO(m,n)表示輸入的原始遙感圖像；I(m,n)表示歸一化處理后輸出的圖像；IOmax和IOmin分別表示原始輸入圖像IO(m,n)的光譜值的最大值與最小值。

步驟4獲取RGB圖像各個通道的單幅圖像。從歸一化處理后的RGB圖像中分別提取R、G和B各個通道的單波段圖像。歸一化的RGB圖像用I(m,n)表示，則各通道圖像的表示為：

(3)

(4)

(5)

式(5)中：H、S和I分量分別表示顏色屬性、飽和度和亮度圖像；參數θ可以通過式(6)進行計算而獲得。

(6)

步驟7提取H分量圖像。

步驟8對H分量圖像進行濾波處理。ATFD算法中采用維納濾波器對H分量圖像進行濾波處理。維納濾波是利用平穩隨機過程的相關特性和頻譜特性，對混有噪聲的信號進行濾波或預測的方法。這里主要是利用維納濾波器來去除一些孤島像素，使飛機目標的檢測率更高。利用維納濾波器對圖像進行濾波處理，關鍵步驟是濾波窗口大小的選擇和設置。窗口大小一般取決于飛機目標在圖像中的大小，如果目標較大，則這個窗口可以設置大一些；相反，如果目標較小，則窗口的尺寸需設置小一點。

步驟9把原始的RGB圖像IO(m,n)轉換成灰度圖像IG(m,n)。把彩色圖像轉換成灰度圖像的目的是自動獲取飛機目標檢測的閾值T。把RGB彩色圖像IO(m,n)按式(7)轉換成灰度圖像IG(m,n)，即：

IG=0.299×R+0.587×G+0.114×B

(7)

式(7)中，R、G和B分別表示原始圖像的3個通道分量圖像。

步驟10獲取目標檢測閾值T。提取灰度圖像IO(m,n)的均值作為飛機目標檢測的閾值，這是一種自動獲取的過程，而且是根據每次輸入的圖像來計算。因此，它能自適應地獲得符合圖像內容的閾值。

T=mean(IG)

(8)

步驟11對飛機目標區域進行檢測。利用步驟10)獲得的閾值，對步驟8)獲得的圖像進行逐像素檢測。用H*表示H分量濾波后的圖像，則檢測過程按式(9)規則進行。

(9)

式(11)中，ID(m,n)表示檢測后的結果圖像。

步驟12輸出檢測結果。

3 實驗結果與分析

本文所提FATD算法的目的是快速檢測某類飛機，即深灰色飛機。方法上采用顏色模型變換和閾值檢測有機結合，實現對飛機目標的有效快速檢測。雖然基于深度學習的各種卷積神經網絡在目標識別方面獲得了成功，但是對于單幅遙感圖像而言，還是傳統方法比較有優勢。深度學習需要大量的數據集，訓練系統需要花費大量的時間。對于一些敏感目標或新型目標，是很難獲得其有關數據集的，相反，此時傳統的單幅或小量數據集檢測方法具有明顯優勢，尤其在軍事情報偵察和毀傷效果評估等實時場合。為了驗證本文所提方法的可行性和科學性，本文設計了不同的比較實驗，并對實驗結果進行了較深入的分析和說明。

3.1 原始圖像的直接閾值檢測實驗

實驗檢測的原始遙感圖像如圖2所示，圖2中圖片(A)～(F)分別代表不同的遙感圖像。它們全部是彩色遙感圖像，即多光譜彩色遙感圖像或RBG遙感圖像，都經過了輻射和幾何校正以及大氣校正，而且這些圖像中都包含了不同類型的飛機，這些飛機幾乎都是呈現深灰色。同時，這些圖像包含了不同的背景情況。用閾值檢測方法分別對這些圖像進行檢測，實施的具體過程如圖3所示。檢測前，分別對它們進行了歸一化的預處理，然后再把它們轉換成灰度圖像，以灰度圖像的均值作為閾值，直接逐像素進行飛機目標檢測。獲得的實驗結果如圖4所示，圖4中圖片(A)～(F)分別是圖2(A)～(F)對應圖像的相應檢測結果。

圖2 原始遙感圖像

圖3 直接檢測的過程框圖

圖4 閾值直接檢測結果圖像

從圖4可知，不論是那種情況，用這種直接檢測飛機的效果都很差，幾乎不能把飛機目標有效地從原始圖像中分割出來，飛機的檢測效果是非常失敗的。在本文所有實驗中，為便于比較分析，對于同一圖像，使用不同方法進行目標檢測時獲取的閾值是相同的，具體如表1所示。

表1 實驗圖像參數

3.2 RGB圖像直接轉換成HSI圖像后的閾值檢測實驗

從圖4可知，用原始圖像直接進行飛機目標檢測，效果不太理想。本實驗中把原始RGB圖像進行模型轉換，變成HSI模型圖像，然后再提取H分量圖像進行閾值檢測。檢測過程如圖5所示，實驗結果如圖6所示。從圖5中可知，本實驗的主要步驟如下。

圖5 轉換成HSI圖像后的檢測過程框圖

第1步：輸入遙感圖像。

第2步：進行歸一化處理。

第3步：轉換成灰度圖像，并獲取檢測閾值?；叶葓D像的均值作為檢測閾值。

第4步：把歸一化后的遙感圖像轉換成HSI模型圖像。

第5步：提取H分量圖像。第6步：利用閾值檢測原理對H分量圖像執行目標檢測操作。

第7步：輸出檢測結果。

圖6(a)是原始遙感圖像(圖2)所對應圖像的HSI模圖像，圖6中的圖片(A)～(F)分別對應圖2中的(A)～(F)。圖6(b)所示的圖像是圖6(a)對應圖像的H分量圖像。圖6(c)是圖6(b)所示圖像的檢測結果，檢測方法是閾值檢測法，閾值如表1所示。從圖6中可以看到，利用這種直接轉換圖像模型的方式，對飛機目標的檢測效果并不理想。雖然能檢測到飛機目標，但是干擾的信息比較多，即虛檢測比較多。實驗結果表明這種直接將原始RGB圖像轉換成HSI圖像模式的方式不能有效地檢測到飛機目標區域，如圖6(c)所示。

圖6 直接轉換HSI模型后的檢測結果圖像

3.3 RGB圖像三通道分量變換后的閾值檢測實驗

3.2節的變換是2種模型之間的變換，然后直接進行飛機目標檢測實驗，效果不理想。本文實驗中，只是對RGB模型圖像中3個分量圖像中的2個分量圖像的順序進行互換，然后重新構成新的RGB圖像，再用閾值檢測方對新的RGB圖像進行目標檢測。實驗過程如圖7所示，實驗結果如圖8所示。從圖7中可知，本實驗的關鍵步驟是把原始的RGB遙感圖像中R分量圖像和B分量的圖像進行互換，然后形成新的RGB圖像，再對遙感圖像中飛機目標區域進行閾值檢測。

圖7 實現新RGB圖像獲取與目標檢測的原理框圖

圖8(a)是經圖7所示過程獲得的新RGB圖像，圖8中的圖片(A)～(F)對應圖2中的(A)～(F)。圖8(b)是圖8(a)的檢測結果，每幅圖像的檢測閾值如表1所示。從圖8(b)中可以看到，用直接閾值法對新RGB圖像進行目標檢測，獲得的結果同樣不理想。對比圖8(b)和圖4可發現，對應改變原始圖像RGB各分量圖像，無法改變目標的檢測結果情況。

圖8 新RGB的獲取及其直接閾值的檢測結果圖像

3.4 ATFD算法的實驗結果

用新RGB圖像轉換成HSI圖像，然后抽取H分量進行目標檢測。這就是本文提出的ATFD算法。前面的3個實驗，其實質是ATFD算法的中間過程或對比實驗。ATFD算法的最大優點是簡單、運行時間小，符合單幅圖像快速檢測的目的。ATFD算法原理如圖1所示，實驗圖像如圖2所示，圖9為實驗所得的結果。為了更好地驗證本文所提算法的有效性和可行性，我們把中間的實驗結果也列出來。

圖9(a)是圖8(a)對應圖像的HSI模型圖像，圖9(b)是圖9(a)對應的H分量圖像，圖9(c)是圖9(b)的直接閾值檢測結果，圖9(d)是圖9(b)經維納濾波處理后再進行閾值的檢測結果，即ATFD算法的最終結果。圖9(c)和圖9(d)使用的檢測閾值完全相同，每幅圖像的檢測閾值如表1所示。從圖9和圖6的比較中可看到，圖9的實驗效果明顯要優于圖6的實驗效果。圖6不僅檢測效果差，而且虛檢測率比較高，即其他干擾因素比較多。圖9不僅能有效檢測到飛機目標區域，而且虛檢測率比較小。因此把原始遙感圖像進行模型轉換后，原來無法檢測到的目標能夠容易地被檢測到。圖9(c) 和圖9(d)的區別在于是否進行了維納濾波，圖9(c)沒有進行維納濾波處理，直接進行閾值檢測的結果，圖9(d)顯示的結果是先對H分量圖像進行維納濾波處理，然后再進行閾值檢測。從檢測效果來看，圖9(c)存在較多的虛檢，而圖9(d)顯然提高了飛機目標的正確檢測率，濾除了一些干擾因素所造成的虛檢，這也是ATFD算法的一個貢獻。從圖9中可以看到，對于背景比較簡單的遙感圖像，例如圖9中的圖片(E)，是否進行了維納濾波操作處理，均不影響檢測結果。但是對于存在人造目標干擾的復雜背景，顯然利用維納濾波處理能有效降低環境干擾因素的影響。

圖9 ATFD算法的檢測結果圖像

ATFD算法對飛機目標檢測的一些參數情況如表2所示。算法實現的語言為Matlab的R2016b版本，運行時間如表2所示。每幅圖像的運行時間受圖像大小、圖像內容復雜性和維納濾波窗口大小等因素影響。從表2中可以看到，ATFD算法的運行速度是比較快的，能滿足實時性需求。維納濾波窗口的選擇一般是根據圖像目標大小而定，如果目標區域比較大，那么濾波窗口就大一點，如果目標區域比較小，那么濾波窗口就設計小一點，具體情況如表2所示。圖2中的圖片(B)，其左下角有一架飛機的部分，但是ATFD算法沒有檢測到。因為這不是一架完整的飛機，故ATFD算法把這部分當作環境干擾因素而被濾除掉了。圖2中的圖片(C)應該有3架飛機，而ATFD算法卻只檢測到了2架飛機，見圖9(d)中的圖片(C)，其原因是上邊那架飛機的顏色不是深灰色，不在ATFD算法的檢測范圍，所以沒有檢測到。因為ATFD算法只是針對深灰色這種類型飛機的快速檢測。同樣，圖2中的圖片(F)，其上邊3架飛機的顏色也不是深灰色，所以在圖9(d)的圖片(F)中，ATFD算法對這3架飛機的檢測效果也不是十分理想。

表2 ATFD算法的參數設置

通過上面的一系列實驗，我們可以看到ATFD算法確實能有效實現某類飛機目標的有效檢測，而且運行時間也非常短，實現了單幅彩色光學遙感圖像飛機目標快速檢測的目的。

4 結論

本文從光學遙感圖像的描述模型出發，通過特征模型轉換、信號濾波處理和閾值自動生成，提出了一種新的飛機目標檢測算法。該方法解決了在原始RGB遙感圖像中不能對深灰色飛機進行有效檢測和分割的問題。新的ATFD算法不僅能有效檢測和分割，而且運行時間短，實現了快速檢測,為光學遙感圖像的正確解譯和應用提供了有益的參考價值。下一步我們將研究探討其他顏色特征飛機的有效快速檢測問題。