遥感图像中复杂海面背景下的海上舰船检测
- 格式：pdf
- 大小：454.88 KB
- 文档页数：5
小型微型计算机系统 Journal of Chinese Computer Systems
2007 年 月 第 期 Vol.28 No. 2007
遥感图像中复杂海面背景下的海上舰船检测
田明辉，万寿红, 岳丽华
（中国科学技术大学 信息学院计算机科学与技术系，安徽 合肥 230027）
E-mail ：mhtian@
体呈现较为亮色，且图像中存在较多的噪声、阴影等干扰因
息。这项研究有着广泛的应用，例如：舰船的寻找和救助、 素，加上舰船目标在图像中呈现出灰度特征不一致性，传统
捕鱼船监视、非法移民、保卫领土、反毒品、舰船非法倾倒 分割检测方法通常较难将水体与目标较好的分离[3]。因而传
油污的监视和管理等。
统分割方法在这类图像中的检测结果易出现较多的漏警和
Oθ (x, y) = L(x, y) ⊗ g(θ , x, y)
(2)
θ = 0D , 45D, 90D ,135D 这里 ⊗ 表示卷积。接下来对 L 使用离散矩变换[14]
（DMT）得到 3 幅描述纹理的特征图。如果窗体大小为
2k+1，离散矩变换的形式如下：
r=k s=k
∑ ∑ T p,q (x, y) =
图 2 本文视觉显著度模型 Fig.2 Visual Saliency Model in this paper
3 检测算法
图 1 Itti 视觉显著度模型
Fig.1 Itti Visual Saliency Model
视觉显著度模型是视觉注意机制的一部分，用于量化人 眼的视觉显著度以便生成视觉显著图，从而寻找图像中视觉 显著的对象。Itti 模型提供了一种自底向上、各个特征图 可并行计算的机制，并且将多种特征在多个尺度下进行融 合，最后合成一张综合的视觉显著度图[6-8]。这个显著度图 描述了在无先验信息指导情况下图像自身特质对人眼的刺 激程度，量化了图像中每个像素在多种特征综合考虑下的显 著性，并根据图中显著度的分布来指导被注意的区域。已有 的实验表明该模型对噪声、模糊、对比度和亮度具有很好的 鲁棒性[5,8]。
近些年，很多研究者发现人类视觉注意系统（human visual system）在面对一个复杂场景时，能够将注意力集 中在少数几个显著的视觉对象上，对其进行优先处理，该过 程被成为视觉注意[4]。这个过程与目标识别非常相似，尤其 是海上舰船类目标。现有的视觉注意机制大体分为两类，自 底 向 上 注 意 机 制 （ bottom-up ） 和 自 顶 向 下 的 注 意 机 制 （top-down）。目前研究较多的是前者，而在自底向上注意 机制中最具有代表性的则是 Itti 于 1998 年提出的视觉注意 机制[5]。
如图 3 所示，本文的舰船目标检测算法分流程为三个阶 段。第一阶段为显著图计算，对于一幅复杂海面遥感图像， 通过特征提取、显著度计算和显著图融合 3 个子部分生成该 遥感图像的视觉显著图。第二个阶段为感兴趣区域提取，在 第一阶段生成的显著图中寻找较为显著的视觉对象，并将该 区域提取出来，完成前期疑似目标筛选。第三阶段为舰船目 标识别，将第二阶段提取出来的视觉显著对象进行详细判 别，从而完成舰船的目标识别过程。
本文基于上面 Itti 视觉显著度模型，并针对复杂海面 的特点对其模型进行改进，综合近年来几种应用于遥感图像 分析上的视觉计算方法[9-12]，提出了一个新颖的适合复杂海 面舰船检测的视觉显著度模型，如图 2 所示。为降低计算复 杂性，在本文模型中，各个特征图的显著度计算与融合是在 同一尺度下进行。由于遥感图像大多为灰度图像，在本文模 型中采用了纹理、亮度和方向 3 种特征对遥感图像进行描 述。由于各个特征计算之间的无关性，本文模型也同样支持 各特征间计算的并行化处理。并且采用计算较为简单的全局 显著度[15]替代计算较为复杂的 center-surround 局部显著 度[5]计算，这样可以更好地描述一个位置在整幅图像中的显
著度计算，每个特征图都生成一幅相应的全局显著图，用于
描述遥感图像中各个位置相对于整幅图像的显著度。第三子
阶段为显著图融合，不同特征的显著图合成一张综合的显著
度图。
3.1.1 特征提取 在早期视觉系统中，通常选择纹理、亮度和方向三种特
征来描述一幅图像对人眼的刺激。对于一幅 8bit 的灰度幅遥
感图像，首先通过灰度拉伸得到亮度特征图 L 。然后，利 用 2D 的 Gabor wavelet 滤波器[13]对图像 L 进行滤波，以获
different experiments indicate that this approach is robust and effective. Comparing with a traditional approach based on threshold
segmentation, the correct ratio of this approach is increased and the missed alarms ratio is reduced.
L(x − r, y − s) ⋅ r p ⋅ sq (3)
r=−k s=−k
这里仅计算 T 0,1 、 T 1,0 和 T 1,1 来描述纹理特征。为描
述方便，这里将符号统一起来，用 F11 表示亮度特征图，用
F2 j ( j =1, 2,3,4) 表 示 4 幅 方 向 特 征 图 ，
F3 j ( j = 1, 2, 3) 表示 3 幅纹理特征图。
图 3 基于视觉显著度模型的舰船检测流程
Fig.3 Ship Detection Process based期
田明辉 等：遥感图像中复杂海面背景下的海上舰船检测
3
3.1 显著图计算
如图 2 所示，显著图计算分为三个子阶段。第一子阶段 为特征提取，用纹理、亮度和方向 3 个特征来描述一幅输入 的遥感图像，得到三种特征的特征图。第二子阶段为全局显
Key words: remote sensing image; complex sea surface; ship detection; saliency map
1引言
等。即使同一地区不同时间拍摄得到的图像也可能具有不同 的亮度和对比度。传统的海上舰船检测方法大多基于图像灰
舰船检测与监视是世界各海岸地带国家的传统任务，随
the deficiency, the Itti visual saliency model is introduced and improved by a global saliency measurement, and an automatic approach
based on saliency map is proposed for ship detection in remote sensing images with complex sea surface background. The results of
2
小型微型计算机系统
2007 年
化。通过对遥感图像进行多特征提取，显著度计算以及特征 显著图融合，从而在显著图上检测出舰船目标。与传统分割 方法相比，本文的方法采用多特征显著图融合，对于复杂海 面情况具有更好的鲁棒性，漏警率和虚警率均有所改善。
著程度，有利于舰船目标的前期快速的检测。
2 视觉显著度模型
摘 要：本文针对遥感图像中复杂海面背景下海上舰船的检测问题展开讨论，在 Itti 视觉显著度模型的基础之上进行改
进，提出了一种基于特征显著度图的复杂海面上舰船的自动检测方法，解决了传统的阈值分割方法在遥感图像复杂海面背
景下较难将目标与背景分离的问题。在多种不同复杂海面背景下的舰船检测实验中，与传统阈值分割方法比较，本文方法
TIAN Ming-hui，WAN Shou-hong，YUE Li-hua
（Dept. of Computer Science and Technology, University of Science and Technology of China, Anhui, Hefei 230027, China）
3.1.2 全局显著度计算
计算各个特征图中各个像素与其他像素的特征差异，将
差异值作为相应像素的全局显著度，以此来形成显著图。为
了加强空间位置的竞争，我们对该过程进行迭代计算，这样
可以拉大显著区域与非显著区域的显著度差异，使得图像中
不同位置之间彼此竞争，只有相对较为显著的区域才能保持
下来。具体计算公式[15]如下：
Abstract: In this paper, the problem of ship detection in remote sensing images with complex sea surface background is discussed.
Traditional segmentation approaches have much difficulty in separating targets from complex sea surface background. To overcome
有较高的检测率和较低的虚警率。
关键词：遥感图像；复杂海面；舰船检测；显著度图
中图分类号：TP
文献标识码：A
文章编号：1000-1220（2007）02--
Ship Detection in Remote Sensing Images with Complex Sea Surface Background
通常的舰船检测算法大多分为两个阶段，即前期的快速 疑似目标筛选阶段和后期的目标详识别阶段[1,2]。本文的检 测算法也是采用上面的方式，但本文算法与传统算法的主要 不同之处在于前期的目标筛选方法和后期的识别方法。传统 的前期筛选算法大多采用单特征阈值分割技术[1]，筛选结果 对单特征阈值的依赖性较强，因而对于复杂海面较难将目标 有效地分离出来，形成了较多的漏警，检测率不高。本文的 前期目标筛选算法采用视觉显著度模型，通过多特征视差计 算来对疑似的目标进行筛选，避免了筛选结果对单一特征的 依赖，有效地将目标从复杂海面背景中分离开，提高了前期 的检测率。在后期的详识别阶段，本文采用多特征矢量相似 度计算方法，相比传统的特征阈值限定方法，具有更好的鲁 棒性，可以有效地去除虚警。
2007 年 月 第 期 Vol.28 No. 2007
遥感图像中复杂海面背景下的海上舰船检测
田明辉，万寿红, 岳丽华
（中国科学技术大学 信息学院计算机科学与技术系，安徽 合肥 230027）
E-mail ：mhtian@
体呈现较为亮色，且图像中存在较多的噪声、阴影等干扰因
息。这项研究有着广泛的应用，例如：舰船的寻找和救助、 素，加上舰船目标在图像中呈现出灰度特征不一致性，传统
捕鱼船监视、非法移民、保卫领土、反毒品、舰船非法倾倒 分割检测方法通常较难将水体与目标较好的分离[3]。因而传
油污的监视和管理等。
统分割方法在这类图像中的检测结果易出现较多的漏警和
Oθ (x, y) = L(x, y) ⊗ g(θ , x, y)
(2)
θ = 0D , 45D, 90D ,135D 这里 ⊗ 表示卷积。接下来对 L 使用离散矩变换[14]
（DMT）得到 3 幅描述纹理的特征图。如果窗体大小为
2k+1，离散矩变换的形式如下：
r=k s=k
∑ ∑ T p,q (x, y) =
图 2 本文视觉显著度模型 Fig.2 Visual Saliency Model in this paper
3 检测算法
图 1 Itti 视觉显著度模型
Fig.1 Itti Visual Saliency Model
视觉显著度模型是视觉注意机制的一部分，用于量化人 眼的视觉显著度以便生成视觉显著图，从而寻找图像中视觉 显著的对象。Itti 模型提供了一种自底向上、各个特征图 可并行计算的机制，并且将多种特征在多个尺度下进行融 合，最后合成一张综合的视觉显著度图[6-8]。这个显著度图 描述了在无先验信息指导情况下图像自身特质对人眼的刺 激程度，量化了图像中每个像素在多种特征综合考虑下的显 著性，并根据图中显著度的分布来指导被注意的区域。已有 的实验表明该模型对噪声、模糊、对比度和亮度具有很好的 鲁棒性[5,8]。
近些年，很多研究者发现人类视觉注意系统（human visual system）在面对一个复杂场景时，能够将注意力集 中在少数几个显著的视觉对象上，对其进行优先处理，该过 程被成为视觉注意[4]。这个过程与目标识别非常相似，尤其 是海上舰船类目标。现有的视觉注意机制大体分为两类，自 底 向 上 注 意 机 制 （ bottom-up ） 和 自 顶 向 下 的 注 意 机 制 （top-down）。目前研究较多的是前者，而在自底向上注意 机制中最具有代表性的则是 Itti 于 1998 年提出的视觉注意 机制[5]。
如图 3 所示，本文的舰船目标检测算法分流程为三个阶 段。第一阶段为显著图计算，对于一幅复杂海面遥感图像， 通过特征提取、显著度计算和显著图融合 3 个子部分生成该 遥感图像的视觉显著图。第二个阶段为感兴趣区域提取，在 第一阶段生成的显著图中寻找较为显著的视觉对象，并将该 区域提取出来，完成前期疑似目标筛选。第三阶段为舰船目 标识别，将第二阶段提取出来的视觉显著对象进行详细判 别，从而完成舰船的目标识别过程。
本文基于上面 Itti 视觉显著度模型，并针对复杂海面 的特点对其模型进行改进，综合近年来几种应用于遥感图像 分析上的视觉计算方法[9-12]，提出了一个新颖的适合复杂海 面舰船检测的视觉显著度模型，如图 2 所示。为降低计算复 杂性，在本文模型中，各个特征图的显著度计算与融合是在 同一尺度下进行。由于遥感图像大多为灰度图像，在本文模 型中采用了纹理、亮度和方向 3 种特征对遥感图像进行描 述。由于各个特征计算之间的无关性，本文模型也同样支持 各特征间计算的并行化处理。并且采用计算较为简单的全局 显著度[15]替代计算较为复杂的 center-surround 局部显著 度[5]计算，这样可以更好地描述一个位置在整幅图像中的显
著度计算，每个特征图都生成一幅相应的全局显著图，用于
描述遥感图像中各个位置相对于整幅图像的显著度。第三子
阶段为显著图融合，不同特征的显著图合成一张综合的显著
度图。
3.1.1 特征提取 在早期视觉系统中，通常选择纹理、亮度和方向三种特
征来描述一幅图像对人眼的刺激。对于一幅 8bit 的灰度幅遥
感图像，首先通过灰度拉伸得到亮度特征图 L 。然后，利 用 2D 的 Gabor wavelet 滤波器[13]对图像 L 进行滤波，以获
different experiments indicate that this approach is robust and effective. Comparing with a traditional approach based on threshold
segmentation, the correct ratio of this approach is increased and the missed alarms ratio is reduced.
L(x − r, y − s) ⋅ r p ⋅ sq (3)
r=−k s=−k
这里仅计算 T 0,1 、 T 1,0 和 T 1,1 来描述纹理特征。为描
述方便，这里将符号统一起来，用 F11 表示亮度特征图，用
F2 j ( j =1, 2,3,4) 表 示 4 幅 方 向 特 征 图 ，
F3 j ( j = 1, 2, 3) 表示 3 幅纹理特征图。
图 3 基于视觉显著度模型的舰船检测流程
Fig.3 Ship Detection Process based期
田明辉 等：遥感图像中复杂海面背景下的海上舰船检测
3
3.1 显著图计算
如图 2 所示，显著图计算分为三个子阶段。第一子阶段 为特征提取，用纹理、亮度和方向 3 个特征来描述一幅输入 的遥感图像，得到三种特征的特征图。第二子阶段为全局显
Key words: remote sensing image; complex sea surface; ship detection; saliency map
1引言
等。即使同一地区不同时间拍摄得到的图像也可能具有不同 的亮度和对比度。传统的海上舰船检测方法大多基于图像灰
舰船检测与监视是世界各海岸地带国家的传统任务，随
the deficiency, the Itti visual saliency model is introduced and improved by a global saliency measurement, and an automatic approach
based on saliency map is proposed for ship detection in remote sensing images with complex sea surface background. The results of
2
小型微型计算机系统
2007 年
化。通过对遥感图像进行多特征提取，显著度计算以及特征 显著图融合，从而在显著图上检测出舰船目标。与传统分割 方法相比，本文的方法采用多特征显著图融合，对于复杂海 面情况具有更好的鲁棒性，漏警率和虚警率均有所改善。
著程度，有利于舰船目标的前期快速的检测。
2 视觉显著度模型
摘 要：本文针对遥感图像中复杂海面背景下海上舰船的检测问题展开讨论，在 Itti 视觉显著度模型的基础之上进行改
进，提出了一种基于特征显著度图的复杂海面上舰船的自动检测方法，解决了传统的阈值分割方法在遥感图像复杂海面背
景下较难将目标与背景分离的问题。在多种不同复杂海面背景下的舰船检测实验中，与传统阈值分割方法比较，本文方法
TIAN Ming-hui，WAN Shou-hong，YUE Li-hua
（Dept. of Computer Science and Technology, University of Science and Technology of China, Anhui, Hefei 230027, China）
3.1.2 全局显著度计算
计算各个特征图中各个像素与其他像素的特征差异，将
差异值作为相应像素的全局显著度，以此来形成显著图。为
了加强空间位置的竞争，我们对该过程进行迭代计算，这样
可以拉大显著区域与非显著区域的显著度差异，使得图像中
不同位置之间彼此竞争，只有相对较为显著的区域才能保持
下来。具体计算公式[15]如下：
Abstract: In this paper, the problem of ship detection in remote sensing images with complex sea surface background is discussed.
Traditional segmentation approaches have much difficulty in separating targets from complex sea surface background. To overcome
有较高的检测率和较低的虚警率。
关键词：遥感图像；复杂海面；舰船检测；显著度图
中图分类号：TP
文献标识码：A
文章编号：1000-1220（2007）02--
Ship Detection in Remote Sensing Images with Complex Sea Surface Background
通常的舰船检测算法大多分为两个阶段，即前期的快速 疑似目标筛选阶段和后期的目标详识别阶段[1,2]。本文的检 测算法也是采用上面的方式，但本文算法与传统算法的主要 不同之处在于前期的目标筛选方法和后期的识别方法。传统 的前期筛选算法大多采用单特征阈值分割技术[1]，筛选结果 对单特征阈值的依赖性较强，因而对于复杂海面较难将目标 有效地分离出来，形成了较多的漏警，检测率不高。本文的 前期目标筛选算法采用视觉显著度模型，通过多特征视差计 算来对疑似的目标进行筛选，避免了筛选结果对单一特征的 依赖，有效地将目标从复杂海面背景中分离开，提高了前期 的检测率。在后期的详识别阶段，本文采用多特征矢量相似 度计算方法，相比传统的特征阈值限定方法，具有更好的鲁 棒性，可以有效地去除虚警。
