基于二次分割的港口舰船目标检测方法

王方超，张 旻，宫丽美，陈 卫

(1.解放军电子工程学院，安徽 合肥 230037; 2.安徽省电子制约技术重点实验室，安徽 合肥 230037;3.脉冲功率激光技术国家重点实验室，安徽 合肥 230037)

基于二次分割的港口舰船目标检测方法

王方超1,2，张 旻1,2，宫丽美1,2，陈 卫3

(1.解放军电子工程学院，安徽 合肥 230037; 2.安徽省电子制约技术重点实验室，安徽 合肥 230037;3.脉冲功率激光技术国家重点实验室，安徽 合肥 230037)

针对光学遥感图像中港口舰船的纹理、灰度特征与码头十分接近，直接分割相对困难的问题，提出了基于二次分割的港口舰船目标检测方法。该方法首先将Top-hat算子引入分水岭分割算法中，解决了分水岭算法过分割现象，同时获得较完整的海陆分离结果；其次对分割后的陆地区域使用Freeman链码进行轮廓描述，并结合改进的Hough变换进行目标区域的分离，通过二次分割有效地将码头与舰船分开；最后，计算各区域的面积实现港口舰船的识别。实验结果表明，该方法鲁棒性强，易于实现，通过实测数据可以解决港口舰船目标的检测问题。

Top-hat算子;分水岭分割；Freeman链码；Hough变换；目标识别

0 引言

众所周知，港口舰船目标的检测问题在港口交通的监管、海船调度、渔业管理、打击走私、海上舰船动态监测与跟踪等方面有着重要的应用价值，因此一直受到人们广泛的关注[1]。鉴于图像侦察在军事上的重要性，越来越多国家利用高分辨率卫星图像对重点海域和重要港口进行监控，开展基于遥感图像的港口舰船目标检测与识别具有特殊的意义[2]。

目前，国内外学者对遥感图像舰船目标的检测识别研究主要集中在海洋背景下，如臧风妮等[3]为实现海事动态视频监测中海面舰船目标的自动检测，提出了基于小波域视觉注意机制的海面目标快速检测算法，能够快速准确检测到海面舰船目标；许志涛等[4]将Itti模型应用于海洋监视卫星图像舰船目标的检测中，提出了基于视觉注意机制的海洋监视卫星图像舰船目标检测算法，具有较高检测精度和实时性；周珍娟等[5]根据遥感图像目标识别的要求，从舰船目标识别要点出发，并引入基于SVM分类器方法有效地过滤掉虚假舰船目标，最后实现对舰船目标的分类识别。而港口舰船目标检测识别由于其纹理、灰度特征与码头十分接近，已有的基于海洋背景的舰船目标检测算法无法解决港口舰船目标的识别问题，本文针对此问题，提出了基于二次分割的港口舰船目标检测方法。

1 海陆分割

相对海洋中舰船的检测，码头停靠的舰船目标与港口区域相连，需要先进行陆地与水域的分离；由于它们之间颜色纹理区别并不大，直接采用现有分水岭分割算法，易造成过分割现象，本文通过基于Top-hat的分水岭分割算法，解决了这一问题。

1.1 分水岭分割算法

分水岭分割方法，就是用图像中每个点像素的灰度值表示该点海拔高度，在每一局部极小值表面刺穿一小孔，将整个模型慢慢浸入水中，随着浸入的加深，每个局部极小值的影响区域慢慢向外扩展，于两个集水盆汇合处形成分水岭[6]。对图像中每个像素灰度级从低到高进行排序，然后在从低至高的淹没过程中，对每一局部极小值所在的影响域采用先进先出的队列结构进行标记，然后准确计算出分水岭的位置，并通过计算梯度函数与设置阈值进行比较得到海陆分割结果，其梯度函数如下。

G(x,y)=grad(f(x,y))=

(1)

式(1)中，f(x,y)表示原灰度图像，grad(·)表示梯度运算。然而，因量化误差、目标内部纹理细节、梯度局部波动等因素，形成大量伪局部极小值，易造成严重的过分割现象，因此进行了基于Top-hat分水岭的分割。

1.2 基于Top-hat分水岭分割算法

Top-hat分水岭分割算法，其主要思想就是在分水岭分割算法的基础上通过Top-hat变换[7]选用合适的结构元素，增大图像目标点与背景点的灰度差，进一步提高对比度，消除过度分割现象，将港口舰船轮廓从复杂图像中提取出来，完成海陆分离。

通过对梯度函数进行修改来消除分水岭算法产生的过度分割，采用的方法是对梯度图像进行阈值化处理，来消除灰度微小变化产生的过分割。即

G(x,y)=max(grad(f(x,y)),T)

(2)

式(2)中，T为分割阈值。

使用阈值限制过分割现象，获得适量的区域，再对此区域边缘点灰度级进行升序排列，然后从低到高实现淹没过程，得出准确的分水岭位置，并通过Top-hat开运算对分水岭图像进行操作，用结构元素b对图像G进行开运算为：

G∘b=(GΘb)⊕b

(3)

式(3)中，b为5×5的中心元素为5的平面钻石形状结构元素，通过开运算得到较为光滑的港口舰船的二值图像。在海陆分割的基础上，下面将进行港口舰船的目标检测。

2 港口舰船的目标检测

对于分割出的陆地目标通过Freeman链码跟踪、目标的区域分离、港口舰船的识别等三个步骤，实现港口与舰船的分离与识别。

2.1 Freeman链码跟踪

Freeman链码，是利用曲线链码差别累加值和链码差来检测曲线拐角点；然后计算曲线起点和方向，得到一个不随曲线的旋转、平移、尺度变换而变换拐角点序列；最后根据拐角点序列计算长度和夹角序列，并对它们进行相似判断完成曲线跟踪。链码跟踪有四方向和八方向两种，其中四方向跟踪力度不够。本文对分离后的陆地目标，利用文献[8]中的八方向链码进行跟踪，定义Lm和chainm，Lm为跟踪的第m(m已≥1)条链码，Lm((x,y)j)记录第m条链码上所有的点坐标，(x,y)j表示第j点的像素坐标，Lm(length)表示第m条链码的像素数目，Len表示链码的长度阈值，chainm记录第m条链码跟踪的方向码，Fist记录链码的起点，初始为空。链路方向可以根据实际需要进行选择，本文采用八方向Freeman链码如图1所示。

图1 八方向Freeman链码Fig.1 Freeman code in eight direction

具体跟踪步骤如下：

1)确定Freeman链码起点。把扫描得到的初始边缘点当做链码起点，建立新的链码Lm((x,y)j)，Fist记录起点坐标，搜索过程中将跟踪过的点都记作非边缘点，避免重复扫描。如果搜索不到新的边缘点，图像搜索完毕转至步骤(5)。

3)确定跟踪方式。本文采用八邻域进行跟踪，按照从左至右，从下至上优先级顺序寻找第一个轮廓的边界点，接着以该点为跟踪起始点，沿着左上方进行搜索，如左上方的点不是边界点，那么搜索方向按顺时针旋转45°，直到找到下一个边界点为止，然后把这个边界点当做新的起始点，在当下搜索方向上逆时针旋转90°，以同样方法搜索下一边界点，直到返回初始边界点或到达最后边界点，轮廓跟踪过程如图2所示。

图2 轮廓跟踪图示Fig.2 contour tracking show

4)确定新链码起点。判断Fist的八邻域是否存在边缘点，如果存在，将其当做第Lm+1条链码的起点，并转至步骤2)；否则，转至步骤1)。

5)去除短链码。判断Lm(length)是否大于链码的长度阈值，如果大于Len，保留该段链码；否则认为是干扰，将其去除。

6)跟踪完毕，得到港口舰船的轮廓链码的二值图像，下面进行目标区域的分离。

2.2 基于改进Hough变换的目标区域分离

2.2.1 Hough变换的直线检测

Hough变换[9]是利用图像空间与参数空间的点与线之间对偶关系，将图像空间复杂的边缘特征信息转化为参数空间的聚类检测问题，其变换为：

ρ=xcos θ+ysin θ

(4)

式(4)中，ρ为极径，θ(0°≤θ≤180°)为极角，x表示像素点相对于图像原点的行坐标; y表示像素点相对于图像原点的列坐标。那么根据公式(4)，图像空间中任意一点(xi,yi)映射到参数空间(ρ,θ)上，将对应一条正弦曲线，则在参数空间(ρ,θ)中对应得到多条正弦曲线，且这些曲线相交于同一点(ρ0,θ0)，根据此交点可以确定图像空间中的该直线l，其斜截表达式为：

l:y=-xcot θ0+ρ0csc θ0

(5)

利用Hough变换将目标轮廓点带入公式(4)，通过计算对参数空间(ρ,θ)的量化点进行投票，假使投票数超过某一门限值，就能确定与该直线对应的一对参数(ρ,θ)，进而检测出目标的特征直线。Hough变换虽能检测出轮廓直线段的方向和长度，但不能指出该直线的端点，并且不同直线边缘点会相互干扰，使得无法确定实际中哪些直线应该连接或者删除，影响直线提取的准确性，本文对此进行了改进。

2.2.2 改进Hough变换的直线检测

对分离的陆地目标，利用Hough变换提取码头的直线特征，用于舰船与码头的分离。通过记录参数空间(ρ,θ)每个点投票数的同时记录直线的两个端点，不断调整端点来去除干扰、定位陆地目标轮廓的边缘，从而达到提取直线的目的，可分为如下过程。

1)划分参数空间

2)记录直线端点

定义Hough变换参数空间数据存放变量，其中Pixelcount记录参数空间点的投票值，Pointone、Pointtwo分别记录该参数点对应二值图像中直线两个端点。由于二值图像轮廓的跟踪的优先级是从左至右、从下至上的。因此，二值图像轮廓边缘点(x0,y0)，若满足公式(4)，则其对应参数空间点(ρ0,θ0)投票数Pixelcount加1；若当前投票为1，则(x0,y0)为点(ρ0,θ0)所对应直线第一点，此时记录(ρ0,θ0)所对应两个端点坐标都为(x0,y0)；若当前投票大于1，则仅更新Pointtwo坐标为(x0,y0)，以此来准确记录边缘点。

3)避免非直线端点被记录

非直线端点主要存在以下两种情况，如图3(a)，直线l由于受舰船轮廓影响而出现断续情况，但在投票过程中记录的为直线最远的两个端点，通过连接两个端点可以消除端点；另一种情况，如图3(b)，若在参数空间投票中，对端点坐标记录未加限制，直线l2的点M可能会被记录为l1的端点，解决这种情况，可以在更新端点坐标之前预先判断新端点与原端点之间距离是否大于设定阈值，如大于则不更新端点坐标，投票也不增加，用于去除非直线端点。

图3 非直线端点误判情况Fig.3 Error judgement in non-line endpoint

4)合并直线并分离目标区域

根据港口舰船轮廓二值图像中两条线段的距离长短，当两条线的距离小于指定值时，Houghlines会将两条线合并为一条线。Minlengh用来确定是否保存该线；如果线条长度小于设定值，线条就会被擦除；否则保存，根据检测到的点在二值图上绘出直线，从而分离出舰船目标区域。

2.3 港口舰船的识别

在前面描绘每个连通区域边界前提下，循环遍历每个连通区域边界，统计连通区域的面积分布并显示区域面积。由于港口码头连通区域范围较大、干扰区域范围较小，而分离的舰船目标区域相对适中，通过设置面积阈值区间，选择出潜在的感兴趣目标区域，即舰船目标，进而达到识别目的。

3 实验结果与分析

为了说明本文方法实时性和有效性，采用Matlab实验仿真进行验证。图像来源于实测遥感图像，对遥感图像中港口舰船目标的检测，分别作了二组实验加以说明。第一组实验为港口舰船图像的预处理，即通过海陆分割获得港口舰船等陆地区域；第二组实验为港口舰船目标的检测，即在海陆分割的基础上，根据码头区域的平直几何特征差异，对港口舰船区域进行Freeman链码描述，并通过改进Hough变换达到码头与舰船区域的分离，最终实现港口舰船的识别。实验所用软件为Matlab7.6.0；硬件条件：Intel i3 CPU，内存2 G。

实验1：港口舰船的海陆分割

对大尺度遥感图像而言，通常感兴趣目标仅占一小部分，其余大部分都为背景区域，直接进行目标检测识别，必然耗费大量时间。我们从实测的高分辨率遥感图像中截取了感兴趣的部分作为实验图像，图像大小为367×531，对测试图像使用分水岭算法与基于Top-hat分水岭算法进行分割，实验仿真结果如图4所示。

图4 海陆分割结果Fig.4 Result of the land and sea segmentation

图4(a)为截取的原始遥感图像，图4(b)、图4(c)分别为两种算法海陆分割的结果，从图4分割结果可看出，分水岭分割算法过分割较严重，产生更多细节信息，影响后续轮廓跟踪准确性；Top-hat分水岭分割解决过分割这一现象，为下步目标识别奠定了基础。

实验2：港口舰船的目标检测

经一步分割将码头与舰船视为同一目标，无法识别出舰船；要想实现对舰船目标的检测，还需进行二次分割，使得舰船从整体轮廓中进一步分离出来。为此，做了实验2，根据码头区域的平直几何特征差异，通过Freeman链码描绘出轮廓，利用改进Hough变换检测目标，最后达到识别舰船的目的。实验仿真结果如图5所示。

图5 港口舰船目标检测结果Fig.5 Harbor ships detection result

图5(a)为海陆分离结果，图5(b)是对图5(a)进行轮廓链码提取的结果，图5(c)是在图5(b)轮廓的基础上，根据码头的平直几何特征用改进的Hough变换检测的直线特征，用于分离舰船与码头区域，图5(d)中两块红色的部分为检测的港口舰船目标。

实测数据验证：

图6为对实测卫星遥感图像进行检测，图6(a)为实际拍摄的港口舰船目标图像，图6(b)为本文方法进行检测所得的结果。

图6 实测卫星遥感图像Fig.6 Real measured satellite remote sensing images

由图6检测结果可知，本算法可以对图中的舰船目标进行有效提取。但是当停靠码头的舰船数目较多，且相邻舰船距离较近时，检测过程中会发生误判。要消除此类情况造成的误判，传统的基于像元的方法会因过多关注地物局部细节，而难以提取地物的整体结构信息。针对可见光卫星遥感图像的特点，考虑以对象为最小单元，利用光学图像中地物的几何形态和结构信息以及光谱信息，进行基于面向对象的信息提取，减小误判情况，这是本文下一步研究内容。

4 结论

本文提出了基于二次分割的港口舰船目标检测方法。该方法通过引入Top-hat算子，获取较完整海陆分离结果，利用Freeman链码对分割的陆地目标进行轮廓描述，并结合改进的Hough变换实现了目标区域的分离，最后通过提取各区域面积特征实现港口舰船目标的识别。实验结果表明，该方法鲁棒性强，易于实现，通过实测数据可以解决港口舰船目标的检测问题，但对码头多舰船停靠问题的针对性不强。

[1]石文君,汪小平,王登位. 基于D-S证据理论的近岸舰船目标识别[J]. 电光与控制,2009,16(11):87-91.

[2]周拥军,朱兆达,丁全心. 遥感图像中港口目标识别技术[J]. 南京航空航天大学学报,2008,40(3):350-353.

[3]臧风妮,李庆忠,张洋. 一种快速自动检测海面目标算法[J]. 中国海洋大学学报,2015,45(4):110-115.

[4]许志涛,刘金国,龙科辉,等. 基于视觉注意机制的海洋监视卫星图像舰船目标检测[J]. 激光与光电子学进展,2013,50(1):1-8.

[5]周振娟,韩金华. 舰船遥感图像的目标识别研究[J]. 舰船科学技术,2014,36(12):86-90.

[6]孙惠杰,邓廷权,李艳超. 改进的分水岭图像分割算法[J]. 哈尔滨工程大学学报,2014,35(7):857-864.

[7]王志社,杨风暴,陈磊,等. 基于纹理分割和Top-Hat变换的合成孔径雷达与可见光图像增强融合[J]. 光学学报,2014,34(10):1-8.

[8]余博,郭雷,赵云天,等. Freeman链码描述的曲线匹配方法[J]. 计算机工程与应用,2012,48(4):5-8.

[9]滕今朝,邱杰. 利用Hough变换实现直线的快速精确检测[J]. 中国图象图形学报,2008,13(2):234-237.

Harbor Ship Targets Detection Based on Secondary Segmentation

WANG Fangchao1,2,ZHANG Min1,2,GONG Limei1,2,CHEN Wei3

(1.Electronic Engineering Institute of PLA, Hefei 230037, China; 2.Key Laboratory Electronic Restricting Technique,Hefei 230037, China; 3.State Key Laboratory of Pulsed Power Laser Technology, Hefei 230037, China)

It was hard to discriminate inshore ships from harbors because of the similarity of gray and texture for both targets. Aiming at these problems, a method of harbor ships target detection based on secondary segmentation was proposed. Firstly, a top-hat operator was used to watershed segmentation algorithm to solve the over-segmentation phenomenon, and obtain the image of sea and land separation results at the same time. Secondly, make use of Freeman Chain Code tracking the harbor ships contour and combine with the improved Hough conversion to detect the target to separate the dock and ship through the secondary segmentation. Finally calculate the regional area to achieve the harbor ships recognition. The experiment results show that this method has strong robustness and easy to implement, experiments based on the satellite sensing image demonstrated that the method proposed could solve the harbor ships detection problem.

top-hat operator; watershed segmentation; Freeman chain code; Hough conversion; target recognition

2016-07-13

国家自然科学基金项目资助(61171170)；安徽省自然科学基金项目资助(1408085QF115)

王方超(1991—)，男，陕西渭南人，硕士研究生，研究方向：图像处理与信息融合技术。E-mail: fangchaowang@163.com。

TN911.73

A

1008-1194(2016)06-0089-05