前视红外图像中海岸线与海天线的通用检测方法研究

仇荣超， 吕俊伟， 宫剑， 修炳楠， 马新星， 刘思彤

(1.海军航空大学， 山东 烟台 264001; 2.空军西安飞行学院 空中特种勤务系， 陕西 西安 710300)

0 引言

海岸线与海天线检测是前视红外成像型反舰导弹末制导技术中的关键技术，反舰导弹发射后飞行高度较低，加上地球曲率的影响，当远处的舰船目标进入红外成像探测器的视场范围时，总是最先出现在海岸线与海天线附近，然后逐渐运动至海面区域中[1]。因此，海岸线与海天线是海面场景图像中的重要信息，通过确定海岸线与海天线的准确位置，能够有效地缩小舰船目标的搜索范围，抑制岸岛、云层以及天空等背景的干扰，提高后续舰船目标检测的时效性、准确性以及抗干扰能力。

目前，国内外许多学者对前视光学图像中的海天线检测方法进行了研究。刘士建等[2]提出了一种基于Laplacian模板与数学形态学结合的预处理方法来增强海面与天空的灰度差，设计了一种斜线查找矩阵来检测海天线；Kim等[3]基于随机采样一致性算法对海天线进行了拟合；Zou等[4]提出了一种基于剪切波变换的海天线检测方法，该方法基于图像边缘的梯度方向信息来识别海天线，计算复杂度非常高；梁世花等[5]将Seam Carving原理引入图像中最高能量线的检测，通过计算图像中像素点的梯度幅值并搜索最高能量线来辨识海天线；王博等[6]通过计算梯度显著性来增强海天线的直线特征，采用区域生长的方法实现了海天线的检测；安博文等[7]对图像进行梯度运算并使用Otsu算法分割图像，用Hough变换检测海天线；戴永寿等[8]提出了基于局部Otsu分割与Hough变换的海天线检测方法；曾文静等[9]结合周围纹理抑制的Canny边缘检测和Hough变换实现了海天线的检测；Tang等[10]提出了一种基于Randon变换的海天线检测方法，该方法面临与Hough变换同样的问题，计算量仍然偏大而且难以确定直线段的端点；孙熊伟等[11]基于双边滤波原理对图像进行了保边滤波去噪，利用LoG算子增强滤波边缘响应，最后基于图像边缘相位编码实现了海天线的检测，但计算量仍然较大。

综上所述，目前方法大多数都基于图像邻近像素的梯度幅值特征来实现海天线的检测，当面对存在复杂岸岛背景干扰的海岸场景红外图像或者存在云层、条状波浪等干扰且清晰度低、对比度低的海天场景红外图像时，海岸线与海天线的准确检测将变得困难。

本文在分析前视红外图像中海岸线与海天线特征基础上，提出一种海岸线与海天线的通用检测方法。基于积分图像，采用箱式滤波器从大尺度上来增强图像梯度显著性；通过行扫描方式得到梯度显著性累加值最大的区域，确定出海岸线与海天线区域。在海岸线与海天线区域内逐列寻找梯度显著性极值点并对所有的极值点进行多项式迭代拟合，得到准确的海岸线与海天线。基于实际采集的红外图像对本文方法进行了验证分析。

1 前视红外图像中海岸线与海天线的特点

图1(a)所示的远距离前视红外图像中，海面和岸岛区域的交界线即为海岸线(对应图中的红色直线段)。当受到岸岛不规则形状、海浪起伏以及成像角度等因素影响时，海岸线呈现为近似直线的曲线。

图1 前视红外海面场景图像Fig.1 FLIR images of sea scene

图1(b)所示的远距离前视红外图像中，海面和天空区域的交界线即为海天线(对应图中的红色直线段)。由于海面潮湿空气对红外辐射的散射和吸收作用，红外图像中的海天线通常呈现为模糊不清的近似直线。对于海天场景，当海面存在较强的条状海浪干扰、亮带干扰或者高辐射云层干扰时，海天线的检测会受到较强的背景边缘干扰；对于海岸场景，海岸线的检测还会受到复杂岛岸背景边缘的干扰。

在实际工作时，虽然前视红外远距离探测系统被安装在稳定平台上，但依然不可避免地存在轻微的角运动，因此图像中的海岸线或海天线可能存在较小的水平方向倾斜角，但倾斜角不会超过5°[2]。

2 海岸线与海天线检测算法流程

2.1 梯度显著性增强

当受到海面潮湿空气的散射和吸收时，海岸线与海天线的渐变带时常比较模糊，从小尺度上来分析，海岸线与海天线的渐变带没有明显的梯度，直接对图像做梯度显著性增强时，海岸线与海天线处的边缘特征可能并不明显，而高辐射的云层、亮带、海浪、岛岸等处则可能产生大量的强干扰边缘特征，但是从大尺度上来分析，无论是海面与天空之间还是海面与岸岛之间，均存在明显的热辐射差异，从大尺度上来对图像进行梯度显著性增强，可以得到显著的海岸线与海天线的水平边缘特征。

本文在对原始红外图像构建积分图像后，采用箱式滤波器从大尺度上增强海岸线与海天线的梯度显著性，具体步骤如下：

1)构建积分图像。基于红外图像I构建积分图像U后，可快速计算图像I中任意矩形区域内所有像素的灰度值之和，积分图像U中任意像素点的灰度值U(m,n)表示为当前像素点和图像左上角所围成矩形区域内所有像素点的灰度值之和：

(1)

式中：i、j分别表示图像I中的行列坐标；m、n分别表示图像U中的行列坐标，1≤m≤M,1≤n≤N，M、N分别为红外图像I的行数和列数。

已知图像I中任意矩形区域R的左上角行列坐标为(ml,nl)、右下角行列坐标为(mr,nr)，通过积分图像U计算矩形区域R内所有像素的灰度值之和Sum(R)：

Sum(R)=U(ml,nl)+U(mr,nr)-
U(ml,nr)-U(mr,nl).

(2)

2)增强图像的梯度显著性。如图2所示，梯度显著性增强模板为本文采用的箱式滤波器，模板的长和高分别为W、2W，假设模板中黑色矩形对应图像区域A，白色矩形对应图像区域B，借助积分图像可以快速计算矩形区域A和区域B内所有像素的灰度值之和，则模板中心图像像素点I(m,n)的梯度显著性V(m,n)的计算公式为

V(m,n)=|(Sum(A)-Sum(B))|.

(3)

图2 梯度显著性增强模板Fig.2 Enhancement template of gradient saliency

通过箱式滤波器计算图像中像素点的垂直梯度显著性，旨在从大尺度上增强图像中海岸线与海天线的水平边缘特征。通过不同尺寸的梯度显著性增强模板遍历图像，计算出每个像素点的梯度显著性并进行归一化处理，即可得到不同尺度下图像的梯度显著图V.

2.2 海岸线与海天线潜在区域确定

如图3(a)和图3(b)中的红色矩形框所示，由于海岸线与海天线存在一定的倾斜角，定义海岸线与海天线外接矩形框内的图像区域为海岸线与海天线区域。如图3(c)和图3(d)所示，在经过梯度显著性增强后，海岸线与海天线附近像素的梯度显著性通常较强。

图3 海岸线与海天线区域Fig.3 Area of coastline/sea-sky line

通过矩形框从上至下逐行滑动，遍历梯度显著图，统计矩形框内像素的梯度显著性累加值，确定海岸线与海天线区域。具体步骤如下：

1)构建积分图。依据梯度显著图V构建积分图像G，

(4)

2)计算海岸线与海天线区域的范围。如图3(a)和图3(b)中的红色矩形框所示，假设海岸线与海天线区域的长和高分别为L、H，海岸线与海天线的倾斜角度不超过5°，据此可以计算出海岸线与海天线的最大外接矩形框尺寸为

(5)

图4 矩形区域内像素梯度显著性累加Fig.4 Statistic of gradient saliency in rectangular region

3)逐行滑动统计矩形区域内像素的梯度显著性。如图4所示，设定矩形框的长和宽分别为L、H，对于图像中的第i行，以i行为矩形框的行坐标中心，则矩形区域R的左上角行列坐标为(i-H/2,1)，右下角行列坐标为(i+H/2,L)，基于积分图像G统计矩形区域R内像素的梯度显著性累加值S(i)：

S(i)=G(i+H/2,L)+G(i-H/2,1)-

G(i-H/2,L)-G(i+H/2,1),i=1,2,…,M.

(6)

从上到下逐行滑动矩形框，遍历梯度显著图统计矩形区域内的像素梯度显著性累加值，得到数组S.

4)确定海岸线与海天线潜在区域。如图5(b)所示为梯度显著性累加数组S的曲线，其中最大值点的坐标对应海岸线潜在区域B(左侧红色矩形框)所处的行坐标P，

P=max[S(i)]，i=1,2,…,M.

(7)

海岸线潜在区域B的左上角行列坐标为(P-H/2,1)、右下角行列坐标为(P+H/2,L)。

图5 海岸线潜在区域确定示意图Fig.5 Schematic diagram of determining the potential area of coastline

2.3 海岸线与海天线拟合

在确定海岸线与海天线潜在区域B后，需要进一步确定海岸线与海天线的准确位置。具体步骤如下：

1)在潜在区域内逐列寻找最大梯度显著性像素。由于海岸线与海天线处像素的梯度显著性通常要高于附近像素的梯度显著性，如图5(a)梯度显著图像内矩形框区域所示，在海岸线与海天线潜在区域B对应的梯度显著图g中寻找每一列中梯度显著性最大的像素，将其作为海岸线与海天线上的像素，第j列中梯度显著性最大的像素坐标(xj,yj)如下：

(8)

由此可得到海岸线与海天线的初始像素点坐标集[X;Y]，其中X={xj,j=1,2,…,N},Y={yj,j=1,2,…,N}。

2)由多项式迭代拟合海岸线与海天线。受噪声、舰船遮挡、岛岸背景等不确定因素的影响，上述所得海岸线与海天线的初始像素点坐标集中存在一些错误值。为了准确拟合海岸线与海天线，对初始坐标集[X;Y]进行多项式迭代拟合，以剔除初始坐标集中错误的坐标点，尽可能获得海岸线与海天线的准确位置。实施步骤如下：

步骤1选取合适的拟合函数f，设置拟合多项式的次数n.

3 实验验证与结果分析

为了验证本文算法的有效性，对实际采集的中波红外图像进行仿真测试，图像分辨率为320×256，图像灰度级为16 bit，图像采集时间覆盖日出前、日出后、正午、日落前等多个时段，图像场景包含海岸背景和海天背景。实验在Intel(R) Core(TM) i7-6700K CPU 4 GHz处理器以及32 G内存的PC机上使用MATLAB R2014a软件进行。

采用本文的梯度显著性增强方法对示例图像进行不同尺度的梯度显著性增强，梯度显著性增强模板的尺寸分别为6×3、10×5、14×7，并与Sobel算子、LoG算子的梯度显著性增强结果进行了对比。表1为3幅海面场景的红外示例图像。

表1 梯度显著性增强结果

Tab.1 Enhanced results of gradient saliency

如表1所示，对于海岸场景图像，由于岛岸背景复杂，在海岸线边缘特征得到增强的同时，岛岸背景中的许多边缘特征也得到了增强。对于海天场景图像，海天线较为模糊，海天线邻近的像素灰度差异较小，由于基于Sobel算子与LoG算子的梯度显著性增强方法仅考虑邻近像素的灰度差异性，并不能有效增强海天线的边缘特征；本文方法考虑的是海天线邻近区域的灰度差异性，能够更好地增强海天线的边缘特征。当滤波模板尺寸较小时，海岸线与海天线的边缘特征不能得到有效增强，当滤波模板尺寸较大时，海岸线与海天线的定位准确率会降低，综合考虑边缘特征的增强效果和定位的准确率，本文后续实验采用尺寸为10×5的滤波模板。

表2所示为表1中3幅示例图像的海岸线与海天线检测结果。由表2可知：对于梯度显著性累加数组曲线，曲线最大值点所在的横坐标对应的就是海岸线与海天线潜在区域所处的行坐标；对于初始海岸线与海天线，受岛岸不规则形状、舰船遮挡、图像模糊等因素影响，初始的海岸线与海天线定位不够准确，因此需要对其进行多项式迭代拟合。本文设定拟合多项式次数为1，σ=3，观察拟合后的海岸线与海天线可知，本文确定的海岸线与海天线和实际的海岸线与海天线位置基本一致，偏差较小，准确反映了实际海岸线与海天线的真实走势。

如表3所示的10组示例图像包含了海岸场景以及海天场景下的多种复杂环境，涵盖了云层、海面杂波、太阳反射、复杂岛岸背景干扰以及海天线模糊且局部对比度低的情况。采用Hough变换、Radon变换以及本文方法，针对10组示例图像进行海岸线与海天线检测实验。同时，为了体现本文梯度显著性增强的优越性，将梯度显著性增强与Hough变换和Radon变换相结合，对10组图像进行实验并进行实验结果对比。其中，进行Hough变换时，取变换空间中前5个峰值点并将它们映射为图像空间中的直线段(图像中的蓝色线段)，并将长度最长的线段重新拟合，得到海岸线与海天线(图像中的红色直线)。受图像中岛岸、云层、条状波浪等背景干扰的影响以及图像二值化阈值难以确定的问题，Hough会产生许多虚假直线段，给海岸线与海天线的辨识造成极大的困难，检测效果并不理想。Radon变化针对梯度图像，采用线积分的方式，虽然辨识边缘的能力稍强于Hough变换，但存在与Hough变换类似的问题，在检测结果中会存在大量的虚假直线段，且实时性更差。由于本文提出的梯度显著性增强策略可以有效增强图像中的海岸线与海天线边缘，因而，结合梯度显著性增强的Hough变换和Radon变换的方法可以更好地克服背景的干扰以及海天线模糊的问题，检测出图像中的海岸线与海天线，进一步表明了本文提出的梯度显著性增强策略的有效性。最后，本文提出的海岸线与海天线检测方法能够在多种干扰因素下准确检测出海岸线与海天线的位置，可以更加准确地拟合出海岸线与海天线的走势，对于海岸线与海天线的辨识能力显著优于Hough变换和Radon变换2种方法。

表2 海岸线与海天线检测结果

Tab.2 Detected results of coastline and sea-sky line

下面以检测概率和检测时间2个指标来客观评价本文方法的海岸线与海天线检测性能，其中，海岸线与海天线准确检测的依据是检测结果能够覆盖真实海岸线与海天线的50%以上。分别采用Hough变换、Radon变换、梯度显著性增强+Hough变换、梯度显著性增强+Radon变换以及本文方法，对100幅红外图像进行测试，表4所示为不同方法检测性能对比。由表4可见：基于梯度显著性增强的Hough变换和Radon变换方法分别优于原始的Hough变换和Radon变换方法，可以看出本文梯度显著性增强的有效性；而本文算法的检测概率则优于前述所有的方法，并且由于本文借助了积分图像的优势，运算量小，平均每幅图像的处理时间只需要7 ms，可以更好地满足实际应用中的实时性要求。

表3 海岸线与海天线检测结果对比

Tab.3 Comparison of detected results of coastline and sea-sky line

表4 不同方法检测性能对比

指标Hough变换Radon变换梯度显著性增强+Hough变换梯度显著性增强+Radon变换本文方法检测概率/%4369519196检测时间/ms317533777

4 结论

本文针对前视红外海面场景图像中海岸线与海天线的检测问题，在分析前视红外图像中海岸线与海天线特点前提下，提出了一种海岸线与海天线的通用检测方法。该方法首先借助箱式滤波器和积分图像，从大尺度上增强海岸线与海天线的边缘特征，避免了在小尺度上无法有效增强海岸线与海天线边缘特征的问题，为后续的海岸线与海天线准确检测奠定了基础。通过实际采集的前视红外场景图像对本文方法进行了验证和分析，结果表明本文方法在检测准确率和实时性方面都显著优于Hough变换和Radon变换方法。

在下一步研究工作中，如何优化本文方法并将其部署到硬件平台上，是需要开展的重点工作之一。