近海岸目标快速提取

万磊，曾文静，张铁栋，徐玉如(哈尔滨工程大学 水下机器人技术国防科技重点实验室，黑龙江 哈尔滨 150001)

对于海面运动载体如水面艇，在一定的范围内需要依靠数字摄像头来检测前方目标.如何快速有效地完成静态图像中海上目标的正确分割是目前一大难题［1］.有些学者为了分割出目标，尝试采用分形模型描述波浪［2］，通过不断地改变窗口大小实现目标定位.吴琦颖等［3］提出了一种迭代的基于倒三角小模板的线性低通滤波方法，实现了粗分辨率图像上的平滑和目标检测.Smith等［4］通过利用小窗口的波浪直方图作为匹配模板以区分波浪和非波浪.以上方法在实时性和准确性方面并不占优势.鉴于此，针对海岸背景下的海面图像序列，提出了一种快速的近海目标自动检测方法.

1 海岸线检测

之所以先检测海岸线，是因为作为海面目标的终结界限，海岸线为目标的定位提供了重要信息，同时也为搜索近海目标缩小了范围.检测出海岸线，后续就可以仅处理海面部分，简化了目标检测的难度.在海岸界限内寻找海岸线使得计算量更小并且受到的干扰更小，所以这里首先分析海岸背景的图像特点，然后量化该特点，粗略定位海岸界限区域，之后在该区域内进行相应的轮廓提取及直线检测.

1.1 海岸背景图像特点

典型的海岸背景图像如图1所示，有以下几个特点:1)在载体航行过程中，可见光摄像机得到的图像背景虽然时刻变化，但总体来讲图像由上中下三部分组成，即天空区域、海岸界限区域和海面区域.海岸界限区域包含有贯穿整个视野的信息量，该区域相对来讲具备一定的复杂度.2)整个图像中，海岸界限区域邻接天空的邻域与其邻接海面的邻域之平均灰度差最显著.这是由于一般情况下海面图像中，3个区域不可变更的位置顺序所决定的，天空区域的灰度均值远大于海面区域的灰度均值.3)在海岸界限区域，假如岸上的建筑物轮廓中或海面上连成片的波纹中正好出现了连续直线，其长度足够大，那么它有可能被误检为海岸线.但是除了这种较为极端的现象以外，自然界中的岸与海交接的线才是横贯图像连接最紧的最长直线，尽管有时这条直线可能会被船只分裂开来.

图1 原始海岸背景图像Fig.1 Original off-shore background images

1.2 定位海岸界限区域

量化海面图像各个区域的视觉感受特征有助于判断海岸界限存在于图像中的位置.已知原始图像大小为M×N像素，沿着列方向将该图像F(x，y)平均分割为 T(T ＞3)幅子图像 f1、f2、…、ft，每幅子图像的尺寸皆为A×N(A=M/T)像素.规定每相邻3幅子图像(fi-1，fi，fi+1)(1＜i＜t)组成一个单元区域，每个单元区域的视觉感受特征量化指标M(fi-1，fi，fi+1)由两部分因素构成，中间子图像fi的复杂度和与之相邻的上下子图像fi-1，fi+1间的灰度差异.将量化指标 M(fi-1，fi，fi+1)表示为

式中:G(fi-1)与G(fi+1)分别为子图像fi-1和子图像fi+1的平均灰度;H(fi)为子图像fi的熵，表示复杂度，其中，0≤ps≤1(s=0，1，…，255)=1.熵值越大对应区域的灰度种类越多，变化越剧烈，包含的信息量越大［5］.计算各个单元区域的指标M(fi-1，fi，fi+1)，当中间子图像的熵值越大，且相邻上下子图像间的灰度均值之差越大时，这个单元区域属于海岸线区域的可能性就越大.

1.3 海岸界限轮廓提取

Canny算子是一种常用且较为出色的边缘检测算子［6-7］.针对其自身的局限性，采用周围纹理抑制方法(surround suppression)对其改进［8］，使得边缘信息中在包含海岸线信息同时有较少的冗余的纹理信息，实现在所定位的海岸界限区域内对海岸轮廓的提取.

1.3.1 原始梯度计算

由于海岸线是沿着行方向连续的直线，所以只计算y方向的梯度，以减少非y方向的梯度影响，则原始梯度计算公式为

式中:Mag表示图像梯度，Mag(y)表示图像在y方向的梯度.

1.3.2 各向同性纹理抑制

纹理抑制概念是由Grigorescu等［8］提出的，主要用来消除Canny边缘算子所带来的轮廓内部纹理产生的无意义边缘.其原理是当一个边缘像素的梯度与它周围的梯度强度相似时，就对其予以抑制，这样可以在一定程度上减弱内部纹理，使得边缘能量集中在轮廓上.定义权重函数wσ为

图2为σ=1时，wσ的变化趋势［9］.图3为图2对应的具备抑制作用的环形区域.半径为r1的圆内，DoGs(x，y)＜0，权重 wσ为0，即在这个邻域内，支持原始梯度大小.半径为r2的圆外，DoGσ(x，y)微乎其微，工程上不考虑它的贡献，所以仅圆环区域为抑制区.一般地，r1≈2σ，r2=4r1.这种纹理边缘抑制方法符合人眼视觉感受.

图2 权重函数Fig.2 weighted function

图3 抑制作用的环形区域Fig.3 Suppression ring region

1.3.3 改进梯度计算

将梯度与权重函数进行卷积，得到每个像素点的周围加权抑制因素，从原梯度中减去抑制部分，则可以得到人眼希望保留的部分Mag(ss)，突出感兴趣的边缘，大多表现为轮廓形式，计算公式［10］为

采纳这一算法，是认为在图像的所有轮廓中提取海岸线要比在图像的所有梯度边缘中提取海岸线更简单快捷.之后，继续原始Canny算法步骤中的非极大值抑制以及双阈值化以得到二值图像.

1.4 哈夫/Hough变换加权投票

通过分析海岸线存在于图像中的特点，得知该直线应该是视野中连续性最好的最长直线.而其余的非海岸线长直线，则是由轮廓上的点与其他随机的点的集合，这些点组成的直线长度有可能比海界线的长度更长.这里提出对参数空间的每个投票做加权的方法来求直线的有效长度，选择有效长度最长的直线作为海岸线.

首先对边缘图像做标准哈夫/Hough变换［11］.对每一个像素点(x，y)，计算经过该点的所有直线对应的参数(ρ，θ)，对参数空间进行图像空间像素点个数的投票累积.实际上，累积的投票就是在图像中支持该参数对应直线的边缘点的数量，这里称之为表象长度S.设对应直线在图像中表现为n条分线段构成，每条分线段的像素数为Li，(1＜i＜n)，那么有

选取参数空间中表象长度大于某个阈值的直线作为候选直线，将阈值设置为L，以减少部分干扰源.若候选直线的条数t为1，那么这条直线即为所求的海岸线;若t大于1，则在候选直线中提取出最可能成为海界线的直线，对所有S＞L的候选直线进行投票加权，求其有效长度E.对于n条分线段，每条分线段上的像素赋予相同的权值wi，定义为该线段的长度Li占候选直线横贯图像的长度Lt的比例，即

很明显，分线段占标准长度的比例越大，该线段对直线的投票权值越大，对有效长度的贡献也就越大.而且表象长度S最大并不代表有效长度E最大.选择有效长度最大的那条直线作为海界线，有效长度的表示方法符合人眼观测海界线的连续性特征.

2 滤波

检测出海岸线后，需对海岸线以下的区域进行分割处理.由于海面杂波的灰度变化起伏较大，而且近距离的舰船自身的颜色特征也较为突出，所以单纯的阈值分割方法显然很难将海面杂波与舰船目标区分开［12］，因此从强烈的海面杂波干扰中提取舰船目标仍然是非常困难的一件事情.考虑到在平静海面条件下，聚类方法能够将前景与海面有效分离，因此在这种理念下，将重点放在滤波处理上，提出一种非传统的滤波方法来平滑海面部分.该处理方法的优势在于:1)滤波之后能够减少聚类方法的计算量;2)滤波使得海面平滑，降低由伪目标引起的虚警率.从海面序列图像看出，虽然海面上波浪高低起伏，但它同样具有纹理比较细腻，颜色分布比较均匀等特点.对于海面来讲，它自身区域性很强，虽然也会出现不同于海面灰度的某个局部小区域，但整体上灰度基本具有区域一致性，使得人眼一看便可识别出非海面的目标区域，所以从像素点出发来进行滤波，不如从像素块出发进行滤波处理，用每个像素块的主频灰度来代替原像素值.对于像素块主频灰度，这里定义为像素块中出现最多的灰度段的平均值，实现过程的伪代码如下:

m×n为像素块大小，δ为灰度距离度量准则，这3个参数需要事先确定.t，t1为像素的索引，tmax为灰度最大值，gmin为灰度最小值，label为灰度的类别，categ［j］为像素 j对应的类别，labels［i］为类别 i对应的像素个数.

开始:

置t的初值为0;置label的初值为-1;置categ［j］的初值为-1;置labels［i］的初值为0;

For像素块内的每个像素P［t］，

{If categ［t］为-1，

{label++ ，labels［label］++ ，

label⇒categ［t］⇒gmax，

P［t］⇒gmin;

For没有类别标记的其余像素P［t1］，

{If P［t1］≤gmax+δ而且 P［t1］≥gmin-δ，

{categ［t1］=label，

labels［label］+1⇒labels［label］，更新

label类里的gmax和gmin}

}

求取当前所有类别中占比例最大的类L;

If 2×labels［L］＞m×n- ∑i=labellabels［i］，

{类L即为主频灰度段，段内灰度平均值即为主

频灰度，Break}

}

}

结束.

3 聚类

在海岸线以下，经过上述滤波处理过后，海面背景达到了灰度一致性与区域一致性，从而在空间特征上与色彩特征上均具备聚类的优势.所以文中目标检测将聚类方法作为实现目标与海面背景分离的核心步骤.聚类之前先将图像的灰度空间转换到LUV空间.经过滤波处理后，针对背景中相近的像素点，以像素点为单位，按照相似准则对其进行粗分割，然后以初步聚类得到的点集为单位，之后根据LUV色彩空间的Euclidean距离对其进行细分割［13］，最后通过限制最小区域面积去除琐碎的小区域.步骤如下:

1)对海岸线以下的像素点xi，按照8邻域区域生长方式进行扫描，合并满足相似准则的点，标记其所属类zj.

2)比较类与类之间的相近程度，依据色彩空间的距离阈值 Eδ，将邻近的区域融合成同一类，并更新类别.

3)每一类代表一个区域，判断所有区域的大小，若区域面积少于M，将该区域归入与其特征最接近的区域.

之所以进行粗分割和细分割，是因为粗分割可以很快地将相似的像素点归类，但是由于区域生长的结果使得归类的点集比较分散，为了让所有的点集具有区域一致性，再次使用细分割对分散的点集进行聚类，这样能达到快速精确的分割效果.按照先验知识，面积最大的类为海面背景，所以由此来二值化图像，将最大的区域灰度设置为黑，其余区域设置为白，即完成了目标分割，然后按照目标由远及近而由小到大的特征，设置与海岸线距离相应的区域大小限制，来排除伪目标.

4 试验结果

为了验证文中提出方法的有效性，对某型艇于海面采集的可见光视频进行图像处理，原始图像大小为352×288，3组序列图像共318帧，本文算法准确地检测出目标的概率大于90%，伪目标出现的概率小于5%.由于篇幅的限制，只对图1中的海岸图像进行结果展示.实验平台为PentiumIV处理器，1G内存，软件平台为WindowsXP操作系统，Visual C++6.0 编辑器.

由于图像最下面的单元区域容易受到水面艇自身首部及其运动产生强波浪的影响，所以将其排除不参与计算.为了减弱海岸子图像的影响，取最大指标M所对应的单元区域和其下相邻子图像一起组成海岸线区域.检测海岸线时所选取的参数分别为:T=12，σ =1，Thigh=0.05 Tlow=0.01，L=width/5.对海岸线以下进行主频灰度滤波，参数为:δ=15，滤波模板为3 ×3.聚类的参数为:Eδ=0.25，M=10.岸线检测结果、滤波结果与聚类结果分别如图4～6所示.

图4表明对于4幅图像，本文方法均能准确地定位海岸线.由图5可以看出，相比3×3中值滤波结果，文中所提出的滤波方法取得了更加理想的效果，海面波浪基本成为等灰度的整体区域.图6(a)为图像没有经过滤波的聚类结果，可见对于有浪的海面状况，很难成功地分离出目标.中值滤波后的聚类结果中也存在很多伪目标.而主频灰度滤波后的聚类结果不仅能够精确检测到目标的位置，而且受到伪目标的干扰极小，即使存在，也不是区域性的，可以利用后处理轻易排除.为了明显展示图像分别经过2种滤波方法后的聚类结果，图6均未经过后处理来剔除伪目标.

从计算量来看，中值滤波与主频灰度滤波的计算量是一致的，然而没有经过滤波与中值滤波和主频灰度滤波的结果对于聚类的计算量影响极大，灰度越平滑，聚类的计算量越小，反之越大.从处理时间上来看，没有经过滤波的聚类过程平均耗时1 000 ms左右，经由3×3中值滤波的聚类过程平均耗时600 ms左右，而经由主频灰度滤波的聚类过程平均耗时200 ms左右，时间优势显而易见，为后续的识别等任务奠定了可靠的基础.

图4 海岸线检测结果Fig.4 Offshore line detection result

图5 滤波结果比较Fig.5 Comparison of filtering results

图6 滤波处理后的聚类结果比较Fig.6 Comparison of clustering results

5 结束语

针对海面运动载体可见光序列图像，紧密结合海岸背景图像的特点，提出了一种以检测海岸线为前提的近海目标自动检测方法.该方法首先利用海面图像的分块复杂度和相邻块间灰度的差异来定位海岸线区域，再提取海岸线区域的主要轮廓，之后对哈夫/Hough变换进行投票加权处理，得出海岸线的精确位置.实验证明该方法既能够检测倾斜海岸线也可以检测水平海岸线.然后对海岸线以下的海面部分，作主频灰度滤波处理，以消除杂波效应，接着凭借海面背景的聚类优势，对滤波的部分进行聚类，将最大面积的区域与其他区域分离开来二值化图像，最后依照目标物由远及近的大小变化制定最小区域面积以剔除伪目标，即完成了目标检测，整个过程在0.2 s以内，能够准确快速的给出目标的形状结果，为海面目标识别提供了可靠的参考作用.然而对于运动的海面载体来说，其摄像头获取的图像不仅有海岸背景，也有海天背景，如何在2种背景下均适用是下一步值得研究的问题.

［1］齐永锋，火元莲，张家树.基于简化的PCNN与类内最小离散度的图像自动分割方法［J］.光电子·激光，2008，19(9):1259-1264.QIYongfeng，HUO Yuanlian，ZHANG Jiashu.An automatic image segmentation method based on simplified PCNN and minimumscatter within clusters［J］.Journal of Optoelectronics·Laser，2008，19(9):1259-1264.

［2］赵亦工，朱红.自然背景中人造目标的自适应检测［J］.电子学报，1996，24(4):17-20.ZHAO Yigong，ZHU Hong.Adaptive detection of artificial objects in natural background［J］.Acta Electronica Sinica，1996，24(4):17-20.

［3］吴琦颖，李翠华.用于海上感兴趣区域实时分割的近似算法［J］.厦门大学学报:自然科学版，2007，46(1):33-37.WU Qiying，LI Cuihua.The approximation algorithms applied tomaritime region of interest segmentation［J］.Journal of Xiamen University，2007，46(1):33-37.

［4］SMITH A，TEALmK.Identification and tracking ofmaritime objects in near-infrared image sequences for collision avoidance［C］//7th International Conference on Image Processing and Its Applications.Manchester，UK，1999:250-254.

［5］祝世平，夏曦，张庆荣.一种基于逐点闽值分割的图像边缘检测方法［J］.光电子·激光，2008，19(10):1383-1387.ZHU Shiping，XIA Xi，ZHANG Qingrong.An edge detection algorithmin image processing based on point-by-point threshold segmentation［J］.Journal of Optoelectronics·Laser，2008，19(10):1383-1387.

［6］刘媛媛，刘文波，甄子洋.灰色关联度和模糊熵相结合的图像分割算法［J］.光电子·激光，2008，19(9):1250-1253.LIU Yuanyuan，LIUWenbo，ZHEN Ziyang.Image segmentationmethod based on fuzzy entropy and grey relational analysis［J］.Journal of Optoelectronics·Laser，2008，19(9):1250-1253.

［7］白婷婷，邓彩霞，耿英.基于小波变换与Canny算子融合的图像边缘检测方法［J］.哈尔滨理工大学学报，2010，15(1):44-47.BAITingting，DENGCaixia，GENGYing.Image edge detection based on wavelet transformand Canny operator［J］.Journal of Harbin University of Science and Technology，2010，15(1):44-47.

［8］GRIGORESCU C，PETKOV N，MICHEL A.Westenberg contour and boundary detection improved by surround suppression of texture edges［J］.Image and Vision Computing，2004，22(8):609-622.

［9］GUO Siyu，PRIDMORE T，KONG Yaguang，et al.An improved Hough transformvoting scheme utilizing surround suppression［J］.Pattern Recognition Letters，2009，30:1241-1252.

［10］HIDAYAT R.Texture-boundary detection in real-time［D］.Christchurch:University of Canterbury，2010:75-76.

［11］郭斯羽，孔亚广，张煦芳.基于局部连通性和PCA的直线检测Hough算法［J］.电子测量与仪器学报，2008，22(6):70-74.GUO Siyu，KONG Yaguang，ZHANG Xufang.Hough transformfor straight line detection based on local connectivity［J］.Journal of Electronic Measurement and Instrument，2008，22(6):70-74.

［12］董宇星，刘伟宁.基于灰度特性的海天背景小目标检测［J］.中国光学与应用光学，2010，3(3):253-256.DONG Yuxing，LIUWeining.Detection of sea sky line in complicated background based on grey characteristic［J］.Chinese Journal of Optics and Applied Optics，2010，3(3):253-256.

［13］XU Tao，IKER G.An objective evaluation of the mean shift-based image segmentation algorithm［C］//Proceedings of IPCV.Las Vegas，USA，2008:205-211.