唐天翼 朱長(zhǎng)仁

摘 要： 多光譜遙感圖像海洋背景下往往存在云、海浪、海島、海岸等多種干擾情況，導(dǎo)致艦船檢測(cè)很具有挑戰(zhàn)性。因此提出一種基于光譜上下文特征的艦船感興趣區(qū)域（ROI）鑒別算法。在艦船ROI切片基礎(chǔ)上，按照主軸軸向和軸兩側(cè)子塊劃分，提出一種光譜“凹凸性”的特征描述方法和一種方向?qū)ΨQ性的特征提取方法，構(gòu)建并實(shí)現(xiàn)了組合光譜“凹凸性”和梯度方向?qū)ΨQ性的光譜上下文特征描述方法，利用SVM分類實(shí)現(xiàn)艦船ROI鑒別。實(shí)驗(yàn)證明，在不同的圖像分辨率情況下，引入光譜上下文特征的方法能夠有效剔除大量云、海浪、海島、海岸等虛警，具有較好的魯棒性、有效性、適用性。

關(guān)鍵詞： 多光譜遙感圖像; 艦船ROI鑒別; 光譜特征; 梯度方向; SVM分類; 圖像分辨率

中圖分類號(hào)： TN206?34; TP391.4 文獻(xiàn)標(biāo)識(shí)碼： A 文章編號(hào)： 1004?373X（2018）12?0133?06

Abstract： Interferences such as clouds， waves， islands and coasts often exist in multispectral remote sensing images under the sea background， which makes ship detection more challenging. A ship region of interest （ROI） identification algorithm based on spectral context feature is proposed in this paper. On the basis of ship ROI slices which are divided according to the direction of the principle axis and the subblocks on both sides of the axis， a feature description method based on the concavity and convexity of the spectrum and a feature extraction method based on direction symmetry are proposed. A spectral context feature description method of combining the concavity and convexity of the spectrum and the symmetry of the gradient direction is constructed and realized. The SVM classification is adopted to realize ship ROI identification. The experimental results show that the spectral context feature description method in the situation of different image resolution ratios can effectively eliminate many false alarms such as clouds， waves， islands and coasts， and has good robustness， effectiveness， and applicability.

Keywords： multispectral remote sensing image; ship ROI identification; spectral context feature; gradient direction; SVM classification; feature description method; image resolution

0 引 言

艦船檢測(cè)與監(jiān)測(cè)是國(guó)家海洋發(fā)展戰(zhàn)略的重要組成部分，而衛(wèi)星遙感技術(shù)對(duì)于海面艦船檢測(cè)與監(jiān)測(cè)具有重要意義。從20世紀(jì)80年代開始，美國(guó)、歐洲、日本就相繼制定了海洋發(fā)展規(guī)劃，并且陸續(xù)發(fā)射海洋監(jiān)測(cè)、偵察衛(wèi)星。對(duì)于海上艦船的監(jiān)測(cè)主要是合成孔徑雷達(dá)（SAR），SAR具有全天候的優(yōu)點(diǎn)，且不受云層影響，而光學(xué)衛(wèi)星遙感雖然分辨率較高且具備數(shù)量?jī)?yōu)勢(shì)，但是容易受天氣影響，通?？勺鳛樾禽dSAR的補(bǔ)充監(jiān)測(cè)手段。近年來，隨著傳感器技術(shù)和數(shù)據(jù)融合技術(shù)不斷發(fā)展，現(xiàn)有多光譜遙感圖像的空間、光譜分辨率得以極大的提升。在現(xiàn)有多光譜遙感圖像基礎(chǔ)上進(jìn)行艦船檢測(cè)，已經(jīng)不僅限于利用光譜信息進(jìn)行海陸分離以及地物分類，其光譜信息足以支持特征構(gòu)建并實(shí)現(xiàn)艦船識(shí)別?，F(xiàn)有的可見光遙感圖像艦船檢測(cè)技術(shù)主要有幾大類：

1） 閾值分割方法：包括最小誤差閾值法、OTSU方法[1]、最大熵法、多階閾值分割等。該類方法主要用于提取艦船ROI（Region of Interest）區(qū)域，運(yùn)算簡(jiǎn)單，模型容易構(gòu)建與理解，但是在復(fù)雜的海面環(huán)境下，算法適用性不穩(wěn)定。

2） 輪廓提取方法：包括Canny邊緣[2]、小波變換、廣義Hough變換[3?4]等，通過匹配艦船輪廓進(jìn)而檢測(cè)艦船。該類方法雖然邊緣匹配準(zhǔn)確率較高，但實(shí)際算法中連續(xù)邊緣的獲取較難。

3） 艦首檢測(cè)方法：利用SUSAN[2]、Harris角點(diǎn)檢測(cè)策略[1]，構(gòu)建艦首局部特征，實(shí)現(xiàn)對(duì)艦船艦首的檢測(cè)[2，5]。

4） 特征檢測(cè)方法：包括灰度統(tǒng)計(jì)特征、形狀特征[3，6]（長(zhǎng)寬比、緊湊性、離心率、矩形度等）、不變矩特征、紋理特征[7]（灰度共現(xiàn)陣、LBP、LMP及LTP等）、頻域特征[8]（CF等）、HOG特征[8?9]等多類特征的組合運(yùn)用于艦船的分類、鑒別。

然而，針對(duì)于現(xiàn)有的較高分辨率（1～10 m）多光譜遙感圖像，上述方法在復(fù)雜場(chǎng)景中無法有效區(qū)分云、浪造成的干擾，所以本文結(jié)合艦船目標(biāo)的光譜信息與上下文信息來鑒別艦船。

本文根據(jù)現(xiàn)有多光譜遙感圖像特性，提出光譜“凹凸性”的光譜特征描述，該描述能充分利用艦船目標(biāo)的光譜特性、上下文特性，再結(jié)合灰度圖像下的梯度方向?qū)ΨQ性的特征描述，兩者組合構(gòu)建光譜上下文特征，在粗檢測(cè)算法獲取的ROI區(qū)域[10]下，進(jìn)行艦船的鑒別。該算法主要解決包括碎云、海浪、海島等多種干擾的去除，通過SVM分類，以實(shí)現(xiàn)艦船ROI鑒別。

1 光譜上下文特征

1.1 光譜上下文的定義

在某種圖像分割的基礎(chǔ)上獲得具有目標(biāo)基本輪廓下的像元集合[I={（x，y）（x，y）∈ROI}]（即目標(biāo)ROI區(qū)域）。通過綜合考慮目標(biāo)的光譜、內(nèi)部上下文關(guān)系等特性，對(duì)目標(biāo)內(nèi)部按照某方向的某種規(guī)則或某幾種規(guī)則進(jìn)行內(nèi)部區(qū)域劃分[{R1，R2，…，Rn}]，主要考慮目標(biāo)內(nèi)部結(jié)構(gòu)特性，使某一類表征同一內(nèi)部結(jié)構(gòu)的像元集合在同一個(gè)區(qū)域中，例如，艦船按長(zhǎng)軸方向?qū)ζ溥M(jìn)行艦首、艦塔、艦尾三塊區(qū)域劃分，又比如艦船呈現(xiàn)的軸對(duì)稱結(jié)構(gòu)，可以按照以軸為分界左右劃分。然后，對(duì)目標(biāo)子區(qū)域[{Ri，1≤i≤n}]進(jìn)行局部描述[{H（Ri），ξ（Ri），…，Ψ（Ri），][1≤i≤n}]，包括區(qū)域內(nèi)光譜統(tǒng)計(jì)量[H（Ri）]，區(qū)域內(nèi)各波段間描述[Ψ（Ri）]，比如色彩直方圖、累積直方圖、NDVI、NDWI等。再根據(jù)目標(biāo)各分塊光譜[δ{H（R1），H（R2），…，H（Rn）}]、波段間關(guān)系的描述[?{ξ（Ri），…，ξ（Rj）}]。最后，綜合一種或多種光譜上下文描述構(gòu)造出對(duì)目標(biāo)ROI區(qū)域的光譜上下文描述如下：

[{H（R1），…，H（Rn），ξ（Ri），…，ξ（Rj），…，Ψ（Ri），…，Ψ（Rj）}]

1.2 光譜“凹凸性”的特征

本文提出一種光譜信息描述的新方法：光譜“凹凸性”描述CCCD（Color Concavo?Convex Descriptor）。該描述基于光譜曲線的波段間關(guān)系，對(duì)光譜折線進(jìn)行“0?1”編碼描述。

CCCD描述表現(xiàn)出不同波段間關(guān)系，是一種光譜曲線的編碼方式。該描述容易理解、計(jì)算簡(jiǎn)單、易于統(tǒng)計(jì)分析，能夠在一定程度上克服光譜信息的“同物異譜，異物同譜”的干擾性問題。具體構(gòu)建如下：

1） 進(jìn)行波段間灰度值比對(duì)，比對(duì)后取值0或1;

2） 依次遍歷全圖進(jìn)行“凹凸性”編碼，其中，“凹凸性”編碼描述為：對(duì)于RGB圖像，分別取三個(gè)波段值R，G，B，然后，比對(duì)波段間灰度值大小，獲得000，001，010，011，100，101，110，111的八位編碼。

光譜“凹凸性”描述編碼如表1所示。

這是對(duì)區(qū)域內(nèi)各像素的波段間上下文描述，通過這樣的光譜特性描述，能夠既表述地物的光譜統(tǒng)計(jì)特性，又能簡(jiǎn)化計(jì)算，實(shí)現(xiàn)快速地目標(biāo)檢測(cè)。

先統(tǒng)計(jì)整體區(qū)域獲得8位凹凸性描述特征直方圖[H8（ROI）];統(tǒng)計(jì)各分塊區(qū)域獲得8位凹凸性描述特征直方圖[H8（Ri），i=1，2，3]，三個(gè)子塊進(jìn)行串聯(lián)獲得24維凹凸性描述特征直方圖[CCCD_24=][{H8（R1），H8（R2），H8（R3）}]。

針對(duì)部分干擾與目標(biāo)的對(duì)稱性差異，對(duì)稱性的分塊描述[CCCD_16={H8（S1），H8（S2）}]，進(jìn)而構(gòu)建48維的CCCD特征描述如下：

[CCCD_48=H8（R1），H8（R2），H8（R3），H8（S1），H8（S2）}]

CCCD_48描述構(gòu)建示意圖如圖1所示。

1.3 方向?qū)ΨQ性特征

在無干擾情況下，艦船的對(duì)稱性是比較好的，但是在遙感圖像下艦船目標(biāo)會(huì)存在光照不均、陰影等干擾，這導(dǎo)致艦船對(duì)稱性并不是很嚴(yán)格。所以在本文中，主要是基于梯度方向直方圖[9]以及主方向來表征艦船與云、海島、海浪等干擾在對(duì)稱性上的類間區(qū)分度。

在以主軸軸線為界的左右區(qū)域劃分后，考慮到艦船目標(biāo)的梯度方向在沿主軸方向的變化特性，再次對(duì)子區(qū)域進(jìn)行細(xì)分，將左右兩個(gè)子區(qū)域均劃分為沿主軸方向的三個(gè)子塊，然后對(duì)各個(gè)子塊進(jìn)行梯度方向的描述，并統(tǒng)計(jì)直方圖，以及最大值方向，最后通過對(duì)比左右區(qū)域的對(duì)應(yīng)子塊的梯度方向特性來表述艦船ROI的對(duì)稱特性。

描述的具體步驟為：

1） 計(jì)算梯度。對(duì)每個(gè)波段圖像計(jì)算整個(gè)ROI區(qū)域的梯度，采用模板法在x和y兩個(gè)方向分別進(jìn)行離散微分。

2） 計(jì)算方向。選擇各個(gè)波段中具有最大梯度模值的矢量作為一個(gè)像素的梯度方向。

3） 梯度方向直方圖統(tǒng)計(jì)。統(tǒng)計(jì)各子塊的局部圖像梯度信息并進(jìn)行量化編碼，得到各子塊區(qū)域的梯度方向直方圖描述。取各子塊梯度方向直方圖的Bin=9，也就是將整個(gè)180°的梯度方向范圍劃分為9個(gè)方向區(qū)間，統(tǒng)計(jì)每個(gè)區(qū)域的像素點(diǎn)數(shù)目。

4） 構(gòu)建描述。統(tǒng)計(jì)各個(gè)子塊直方圖90°方向[[α1，α2，α3]]也就是第5個(gè)直方的統(tǒng)計(jì)值[[H（?15），H（?25），H（?35）]]，并且將同一子區(qū)域的三個(gè)子塊的梯度方向直方圖串聯(lián)得到27維的直方圖編碼串，如下：

2 引入光譜上下文特征的艦船ROI鑒別

艦船目標(biāo)ROI鑒別方法有很多可供選擇的特征方法，基于光譜信息的特征和基于上下文描述的特征均有多種不同方法，但這些方法都存在一個(gè)共性的缺點(diǎn)，那就是信息利用率不夠高，往往考慮偏向于全色圖像下的形狀、灰度統(tǒng)計(jì)、紋理、結(jié)構(gòu)、光譜統(tǒng)計(jì)以及角點(diǎn)提取、詞袋（Bow）模型等，少有研究者對(duì)特征進(jìn)行多方面考慮、多種類融合。本文將光譜“凹凸性”CCCD_48描述與梯度方向MCHOG60對(duì)稱性描述串聯(lián)結(jié)合為光譜上下文特征?CCCD_48+MCHOG60特征，這是一類光譜信息與現(xiàn)有灰度方法組合的特征。

在艦船目標(biāo)ROI區(qū)域構(gòu)建光譜上下文描述，將特征矢量輸入到分類器中，對(duì)艦船與云、艦船與海浪、艦船與海島、艦船與部分海岸的兩兩分類，實(shí)現(xiàn)艦船目標(biāo)ROI的鑒別去虛警。艦船ROI鑒別具體框架流程圖如圖3所示。

3 實(shí)驗(yàn)結(jié)果與分析

為了驗(yàn)證本文方法的性能，與經(jīng)典方法進(jìn)行了實(shí)驗(yàn)比較。主要包括基于灰度圖像的區(qū)域Hu不變矩、LBP紋理特征的鑒別方法、CCCD_48特征方法、MCHOG60特征方法。分類SVM算法的實(shí)現(xiàn)采用OpenCV 2.4.4的SVM線性核分類器，其中線性核函數(shù)為[K（x，x1）=（x·x1）]。

1） 評(píng)價(jià)標(biāo)準(zhǔn)。采用檢測(cè)率[RTargets]和虛警率[Rinterfere]，定義：

具體實(shí)驗(yàn)結(jié)果分析如下：

1） CCCD_48+MCHOG60、Hu不變矩方法、LBP方法在鑒別云干擾的第一組實(shí)驗(yàn)中普遍表現(xiàn)比較好，優(yōu)于單獨(dú)用CCCD_48，MCHOG60三種特征的鑒別效果。在第二組實(shí)驗(yàn)中，在資源三號(hào)衛(wèi)星多光譜圖像的實(shí)驗(yàn)條件下，CCCD_48+MCHOG60方法去干擾效果最好，MCHOG60鑒別效果與CCCD_48+MCHOG60方法效果相近。在第三組實(shí)驗(yàn)中，SPOT衛(wèi)星10 m分辨率多光譜圖像下，CCCD_48+MCHOG60檢測(cè)出全部目標(biāo)，虛警6個(gè)，優(yōu)于單獨(dú)用CCCD_48，MCHOG60三種特征的鑒別效果，而兩種經(jīng)典方法在這種分辨率的目標(biāo)圖像下檢測(cè)效果極差。

2） 去海岸干擾實(shí)驗(yàn)中，第一組實(shí)驗(yàn)可以看到CCCD_48+MCHOG60表現(xiàn)的鑒別能力最強(qiáng)，達(dá)到94.84%的檢測(cè)率，虛警率為14.29%，這種光譜上下文方法鑒別能力上明顯優(yōu)于兩種經(jīng)典方法。第二組實(shí)驗(yàn)采用單幅大連港口區(qū)域的資源三號(hào)多光譜圖像，可以看出基于CCCD_48+MCHOG60特征的鑒別方法虛警僅3個(gè)，比經(jīng)典Hu不變矩方法虛警少2個(gè)，而經(jīng)典LBP鑒別方法都表現(xiàn)有較高的漏警，去虛警能力也較CCCD_48+MCHOG60方法沒有優(yōu)勢(shì)。

3） 去海浪干擾實(shí)驗(yàn)中，基于CCCD_48+MCHOG60特征方法的鑒別能力最好，但是該方法檢測(cè)率較經(jīng)典方法低，這是由于部分高亮海浪與艦船邊緣的高亮?xí)懈蓴_性;經(jīng)典方法檢測(cè)率都在98%左右，但是鑒別海浪干擾的能力比光譜上下文特征的鑒別方法差。

4） 去海島干擾實(shí)驗(yàn)中，CCCD_48+MCHOG60方法去干擾能力最強(qiáng)，但是檢測(cè)率比較低，虛警率為12.5%，其檢測(cè)率達(dá)到97.42%，在三種方法中最優(yōu)，而兩種經(jīng)典鑒別方法在檢測(cè)率上略低于CCCD_48+MCHOG60方法，而且去干擾能力也明顯比光譜上下文特征鑒別方法差。在去海島和去海岸干擾的實(shí)驗(yàn)中MCHOG60對(duì)稱性描述特征與CCCD_48+MCHOG60的鑒別表現(xiàn)稍好，而后者的檢測(cè)率高于前者方法，這是由于光譜信息CCCD_48的加入，能夠在一定的鑒別能力下降的同時(shí)提高特征鑒別能力;同時(shí)，也可以看到CCCD_48+MCHOG60光譜上下文特征在去云干擾中的鑒別能力和檢測(cè)率均優(yōu)于MCHOG60方法，在去海浪干擾實(shí)驗(yàn)中，雖然在檢測(cè)率上，CCCD_48+MCHOG60光譜上下文特征方法較MCHOG60方法略有下降，但是鑒別能力得到了一定提高。

從上述四種干擾去除實(shí)驗(yàn)結(jié)果來看，不同的描述特征用于不同的干擾鑒別有不同的效果，其中，CCCD_48+MCHOG60方法去除干擾的能力較強(qiáng)且檢測(cè)率較高。

4 結(jié) 語(yǔ)

本文對(duì)現(xiàn)有艦船ROI鑒別方法進(jìn)行了綜述討論，提出一種光譜上下文特征的描述方法，并訓(xùn)練SVM分類器實(shí)現(xiàn)對(duì)多光譜遙感圖像海上艦船的目標(biāo)鑒別。通過提出光譜“凹凸性”的區(qū)域光譜統(tǒng)計(jì)直方圖CCCD_8，并在這種直方圖統(tǒng)計(jì)量基礎(chǔ)上構(gòu)建目標(biāo)軸向分塊和對(duì)稱特性的CCCD_48特征;簡(jiǎn)化梯度方向直方圖HOG特征提取，對(duì)目標(biāo)先按其特性分塊后取每個(gè)分塊的梯度方向直方圖統(tǒng)計(jì)，通過對(duì)稱性的直方圖分布Contrast關(guān)系和對(duì)應(yīng)左右對(duì)稱子塊區(qū)域的90°邊緣對(duì)應(yīng)梯度方向值對(duì)比值，構(gòu)建MCHOG60對(duì)稱性描述;兩種描述組合為CCCD_48+MCHOG60的光譜上下文描述。

經(jīng)過實(shí)驗(yàn)驗(yàn)證，CCCD_48+MCHOG60光譜上下文特征具有良好的鑒別性能，優(yōu)于不引入光譜信息和不引入上下文信息的鑒別方法，能夠更有效地實(shí)現(xiàn)艦船目標(biāo)鑒別。

參考文獻(xiàn)

[1] LIU Ge， ZHANG Yasen， ZHENG Xinwei， et al. A new method on inshore ship detection in high?resolution satellite images using shape and context information [J]. IEEE geoscience and remote sensing letters， 2014， 11（3）： 617?621.

[2] 李軒，劉云清，卞春江，等.局部顯著特征下的光學(xué)遙感圖像舷靠艦船檢測(cè)[J].中國(guó)圖象圖形學(xué)報(bào)，2016，21（5）：657?664.

LI Xuan， LIU Yunqing， BIAN Chunjiang， et al. Inshore ship detection method in optical remote sensing images using local salient characteristics [J]. Journal of image and graphics， 2016， 21（5）： 657?664.

[3] 安彧，王小非，夏學(xué)知，等.海戰(zhàn)場(chǎng)光學(xué)遙感圖像艦船目標(biāo)檢測(cè)[J].武漢大學(xué)學(xué)報(bào)（工學(xué)版），2015，48（4）：568?573.

AN Yu， WANG Xiaofei， XIA Xuezhi， et al. Detection of sea battlefield′s ship targets in optical remote sensing images [J]. Engineering journal of Wuhan University， 2015， 48（4）： 568?573.

[4] 趙春暉，欒世杰.相位譜的光學(xué)遙感圖像艦船目標(biāo)檢測(cè)[J].沈陽(yáng)大學(xué)學(xué)報(bào)（自然科學(xué)版），2015，27（5）：369?375.

ZHAO Chunhui， LUAN Shijie. Ship detection in optical remote?sensing images based on phase spectrum [J]. Journal of Shenyang University （Natural science）， 2015， 27（5）： 369?375.

[5] JIN Bin， CONG Yu， ZHOU Wei， et al. A new method for detection of ship docked in harbor in high resolution remote sensing image [C]// Proceedings of International Conference on Process in Informatics and Computing. Shanghai： IEEE， 2014： 341?344.

[6] 杜春，孫即祥，李智勇，等.光學(xué)遙感艦船目標(biāo)識(shí)別方法[J].中國(guó)圖象圖形學(xué)報(bào)，2012，17（4）：589?595.

DU Chun， SUN Jixiang， LI Zhiyong， et al. Method for ship recognition using optical remote sensing data [J]. Journal of image and graphics， 2012， 17（4）： 589?595.

[7] 胡俊華，徐守時(shí)，陳海林，等.基于局部自相似性的遙感圖像港口艦船檢測(cè)[J].中國(guó)圖象圖形學(xué)報(bào)，2009，14（4）：591?597.

HU Junhua， XU Shoushi， CHEN Hailin， et al. Detection of ships in harbor in remote sensing image based on local self?similarity [J]. Journal of image and graphics， 2009， 14（4）： 591?597.

[8] SHI Zhenwei， YU Xinran， JIANG Zhiguo， et al. Ship detection in high?resolution optical imagery based on anomaly detector and local shape feature [J]. IEEE transactions on geoscience and remote sensing， 2014， 52（8）： 4511?4523.

[9] QI Shengxiang， MA Jie， LIN Jin， et al. Unsupervised ship detection based on saliency and S?HOG descriptor from optical satellite images [C]. IEEE geoscience and remote sensing letters， 2015， 12（7）： 1451?1455.

[10] 唐天翼，朱長(zhǎng)仁，趙和鵬.基于色彩空間變換與異常檢測(cè)的多光譜艦船感興趣區(qū)域檢測(cè)[J].現(xiàn)代電子技術(shù)，2015，38（21）：28?31.

TANG Tianyi， ZHU Changren， ZHAO Hepeng. Multispectral ship ROI detection based on color space transformation and anomaly detection [J]. Modern electronics technique， 2015， 38（21）： 28?31.

[11] TUIA D， CAMPS?VALLS G， MATASCI G， et al. Learning relevant image features with multiple?kernel classification [J]. IEEE transactions on geoscience and remote sensing， 2010， 48（10）： 3780?3791.

[12] ZHU Changren， ZHOU Hui， WANG Runsheng， et al. A novel hierarchical method of ship detection from spaceborne optical image based on shape and texture feature [J]. IEEE transactions on geoscience and remote sensing， 2010， 48（9）： 3446?3456.

[13] XU Jian， SUN Xian， ZHANG Daobing， et al. Automatic detection of inshore ships in high?resolution remote sensing images using robust invariant generalized hough transform [J]. IEEE geoscience and remote sensing letters， 2014， 11（12）： 2070?2074.