基于地理信息的舰船目标检测算法研究

基于地理信息的舰船目标检测算法研究

1港区内停船的自动检测算法对船只的监控是各海岸国家的传统任务。利用卫星图像对重点海域和重要港口进行监测，可以显著提高海防、海事监测、管理和规划能力。利用合成孔径雷达(SAR)图像进行舰船检测的研究和技术开发在海洋遥感领域获得了高度重视,目前已提出了许多舰船检测算法。随着IKONOS、QuickBird等高空间分辨率遥感卫星的发射,基于高分辨率光学遥感影像的信息提取与目标识别逐渐成为新的研究热点,但针对舰船的目标检测与识别算法仍不多见。目前的舰船自动检测算法针对的图像区域一般都是海上或者是包括很少陆地的海上区域,待检测的舰船与陆地边缘有相当远的距离。对于遥感影像中的海上舰船目标,由于其背景基本上是以海面为主的自然背景,与舰船目标在灰度、纹理等特征上差别比较明显,因此许多基于自适应阈值、几何模型等的算法均取得了较好的分割效果。但是对于停靠于港口码头的舰船,由于背景区域不只是自然背景,还有大量人造目标,尤其是码头与停靠舰船灰度特征差别不大,又都与港口区域的海面灰度特征对比度明显,一般的自动阈值分割将使码头与舰船将被标记为同类区域。因此,港口停靠舰船的自动提取面临着很大的困难。本文针对在高分辨率光学遥感影像中的特定目标——港口内停靠的大型舰船的自动检测问题进行了深入研究,提出了一套基于地理信息的解决方案。由于高分辨率光学图像细节丰富,本算法可作为预处理为后续的舰船分类识别提供保障。研究可用于港口区域舰船的动态监测与跟踪,为海运监测管理、军事作战指挥等任务提供帮助。2港区主制造的结构模式在高分辨率光学遥感图像中,由于港口停靠舰船的特征与码头十分相近,而与海面有较强的区分度,因此如能使舰船与码头分离,则在水体背景中目标的分割将大大简化。文献提出了一种基于港口轮廓的几何特征的分割算法,利用改进的Hough变换找出了被舰船覆盖的部分码头边缘。该算法抗干扰性能较好,但当停靠舰船非常密集时效果并不理想。我们注意到港口轮廓基本上是由比较平直的线段连接组成,非平直的地方一般都是没有建造人工码头的天然海岸,不太可能停靠大型舰船,故不妨用一条直线段来近似的代替它。此外,一个港口一经建成,其几何布局将长期保持稳定,因此其轮廓是基本保持不变的。综上,我们提出一套方案,即事先将港口轮廓以模板的形式预先存储起来,通过地理坐标的匹配后,再在海面背景下进行后续的目标分割。算法大致可分为四步,即先验地理信息的获取、目标粗分割、目标修整和结果入库,下面详细介绍。2.1数据安全存储由于矢量数据存储量小的优点,我们选择以码头轮廓拐点的矢量序列形式存储港口地理信息。但由于在后续操作中涉及区域叠合分析,这正是栅格数据的强项,因此对矢量数据项附加了种子点数据,从而可在使用过程中方便地转化为栅格数据。这就兼顾了二者的优点,满足了不同阶段的需求。具体的数据存储方式如下:首先建立目录文件,存储各港口模板对应的大地坐标范围。由于港口内常见的河流入海口及海岛等因素,一幅图像内往往不止一条码头轮廓,故模板文件中设置了若干对链表开始及结束标记,每一条链表对应一条轮廓。链表的内容包括一个区域内种子点和若干控制点,相邻控制点的连线构成一条码头边缘,以此类推形成一条折线轮廓,如图1。地理信息获取算法如下:首先取得图像的大地坐标范围,与目录文件中的记录匹配,找到对应记录后转向相关的模板文件,随后新建一个全0图像,根据模板文件中的数据,每找到一条链表就在图像中划出相应折线,并从种子点开始以折线为界进行区域填充。这样就形成了一个栅格形式的港口模板,其中非0区域表示陆地,如图2。2.2自动阈值算法一般而言,在高分辨率光学遥感图像中,舰船目标相对于海洋背景是平均灰度较高的区域,因此可利用较成熟的基于灰度直方图的图像分割技术获取粗略的目标区域。常见的直方图阈值算法有谷点法、统计判决法、最大熵法等,我们采用了一种迭代计算的自动阈值算法,其步骤为:①求出图像中的最小和最大灰度Zl和Zk,令阈值初值Τ0=Ζl+Ζk2T0=Zl+Zk2②根据阈值Tk将图像分割为目标和背景两部分,分别求灰度均值ZO和ZB:ΖΟ=∑Ζ(i‚j)＜ΤkΖ(i‚j)∑Ζ(i‚j)＜ΤkΖΟ=∑Ζ(i‚j)＞ΤkΖ(i‚j)∑Ζ(i‚j)＞Τk其中Z(i,j)是图像上(i,j)点灰度值;③求出新阈值:Τk+1=ΖΟ+ΖB2④如果Tk=Tk+1,则结束,否则K←k+1,转步②。基于港口模板和上述二值迭代法的舰船目标粗分割步骤如下:①新建一个全0图像;②区域叠合,即同时扫描原始图像和二值模板图像,统计非陆地点的灰度信息;③建立直方图并按迭代法求得阈值;④对原图灰度大于阈值的点,将①所建图像中对应位置标记为目标区域。2.3船舶码头维修2.3.1兴趣区域roi由于真实成像的复杂性,对舰船目标的二值粗分割并不能取得令人满意的效果。比如:和海上舰船检测明显不同的一点就是,海上舰船一般不会出现两艘及以上的并联,而停靠于港口中的军舰之间的多艘并联则是常见的现象,如图3(a)所示。对此,我们采取了一种基于先验信息的切分算法来解决。其主要思想为:通过观察大量图像可总结出停靠舰船的主轴和码头的方向基本一致这一知识,而从港口模板可以方便的获取各段码头边缘,因此容易得到并联目标的主轴。然后,利用舰船是形状规则且有明显轴向的面状目标,而并联现象在图像中反映为横向的细小粘连的特点,通过投影搜索相邻目标区域间的连通点,从而完成并联舰船目标的切分。舰船切分的主要步骤如下:①取一段码头,给定对应的感兴趣区域(ROI),它是平行于且紧靠码头的一个四边形区域,如图4。②扫描该ROI,每找到一个候选目标区域,计算其大小,如小于S,转④,否则计算其主轴,判断是否与码头方向一致,如果不匹配,转④,否则计算其长度和长宽比,如果长度大于L且长宽比小于R,则继续,否则转④;③计算切分点,其原理及算法将在后面详细介绍;④考察下一个候选目标区域;⑤考察下一段码头的ROI。目标的主轴信息在上述算法中具有至关重要的地位。关于计算主轴,有基于Hough变换、PCA分析、纹理分析等的多种算法,我们为步②设计了基于投影的算法,步骤如下:①以图像的中心作坐标原点,建立直角坐标系;②求出通过坐标原点的倾角为θ的直线所经过图像(包括物体与背景)上的所有点的直角坐标,记录在数组P(θ,xi,yi)中;③用倾角为θ+90°的直线,沿P(θ;xi,yi)所标志的倾角为θ的直线对物体进行包夹(如图5),计算(xi,yi)和(xj,yj)两个点之间的距离λ,记入数组L(θ,λ);④当把所有倾角的值全算过之后,在L(θ,λ)里寻找最小λ所对应的角度θ,则投影方向为θ±90°(若θ>90°,则-;反之则+)。确定了目标区域的主轴后,易得平行于主轴的2条切线以及垂直于主轴方向的2条切线的方程,通过计算后者之间的距离得到切分步②中的目标长度,计算前者之间的距离得到目标宽度,并由此计算长宽比。下面介绍切分点的搜索(即切分算法步③)。我们在平行于主轴的两条切线之间,按均匀采样间隔作条平行线,则它们必然切割目标区域。计算它们在区域轮廓上的弦长度,存入数组Len(n),0≤n<k中。可将Len(n)视为目标轮廓向主轴垂向的投影信号,它实际上反映了目标的几何特征。理想的并联舰船目标之间仅有横向的细小粘连,因此Len(n)在目标连接处必然反映为近似的阶跃,通过检测信号阶跃点即可初步得到候选切分点。我们通过计算信号差分d(n)=Len(n+1)-Len(n),0≤n<k-1的幅度来判别阶跃点,并结合切分点处Len(n)较小的规则进行筛选,得到切分点处的直线方程后将原区域中对应这些直线的部分置0,从而使多个目标得以分隔开来。切分后的并联舰船如图3(b)所示。2.3.2基于投影特征的目标区域确定在高分辨率光学遥感图像中的舰船检测中的另一个问题是:由于舰船上高层建筑在甲板上的投影,使得部分区域在灰度特征上明显不同于其他区域,致使二值分割后在各实际目标区域内出现大量背景点,虽然一般不会对目标检测造成严重影响,但是一旦阴影完全割断了目标区域(如图6(a)),如不加以处理,将使一个目标被检测为2个以上的目标,或者当目标区域较小的部分被忽略掉时造成检测结果过小。低分辨率的遥感图像,尤其是SAR图像受类似问题影响相对较小。我们设计了一个简便且行之有效的算法来处理这种情况。被阴影割断的部分一般都是船头,因此它们必然是面积较小,长度较短的区域。我们在每次扫描一段码头的ROI过程中,筛选出满足上述条件的候选区域,然后分别计算其重心,在同一ROI中以那些较大区域的重心与之匹配,匹配原则是两个重心的连线与主轴方向一致。最后在匹配的点对之间以直线段相连,从而使断开的两部分重新恢复连通性,以便后面能将它们作为一个整体处理,如图6(b)。2.4特征提取及分析至此我们已完成了并联目标的切分和断裂目标的连接,最后扫描全图,记录各目标区域的横、纵坐标范围,即完成整个检测流程。如有进一步分类识别的需求,则还须对各目标做多种特征提取及分析。准确的目标检测结果使这些复杂计算限制于目标所在的局部图像之内成为可能,由于QuickBird图像数据量巨大而目标所占区域极小,所以此项工作将起到重要的先导作用。3误使用的船舶我们在VisualC++6.0环境下编程实现了本文算法,实验所用计算机为Celeron2.0G,256M内存,实验数据为0.6m分辨率的某港口QuickBird卫星图像,图像尺寸为4833×4833。图像中共有17艘停靠舰船,其中14艘大型舰船全部正确检出,耗费时间约为40s。图7给出了部分实验结果。4信息的模板技术本文提出了一套针对高分辨率光学遥感图像中