CN113673385A - 基于红外图像的海面舰船检测方法 - Google Patents

Abstract

本发明公开一种基于红外图像的海面舰船检测方法，探测精度高、虚警率低、鲁棒性强。本发明的海面舰船检测方法，包括如下步骤：(10)红外图像预处理：对红外探测器采集到的包含舰船的海面图像进行预处理；(20)Dot‑Curve初步定位：对经预处理的红外图像进行Dot‑Curve提取，得到候选目标主副轴；(30)主副轴修正：基于残差分析理论，对候选目标主副轴的灰度曲线进行拟合，并对候选目标主副轴的位置进行修正；(40)特征提取：对候选目标进行特征提取，计算候选目标主副轴纹理特性和几何特性参数，架构特征集；(50)目标鉴别：比较需求项目和干扰项目的特征参数，对潜在目标进行特征分析、融合，获得需求目标。

Description

基于红外图像的海面舰船检测方法

技术领域

本发明属于红外目标探测技术领域，特别是一种探测精度高、虚警率低、鲁棒性强的基于红外图像的海面舰船检测方法。

背景技术

海洋舰船的检测跟踪与识别一直是军事及民用领域的热点研究问题，应用场景涉及捕捞监控、海面交通管制以及遇难船只救援等多个方面。近年来，搭载光学传感器的卫星、无人机获得的红外图像空间分辨率和光谱分辨率都越来越高，但也正由于获取的影像数据量加大、场景愈发复杂，舰船信号易被淹没在噪声信号中。

为有效检测海洋舰船，业界趋向于选取尺寸相对较大、不易隐藏的舰船尾迹特征作为辅助特征检测船只，即尾迹检测。与相对成熟的SAR图像舰船尾迹检测相比，基于光学图像的舰船尾迹检测研究起步较晚。在此领域较为知名的研究机构中，国外的如加拿大遥感中心(CCRS)、挪威国防研究中心和欧洲海事安全局(EMSA)等，国内的如国防科技大学和中国科学院等。部分学者在这方面也有了一定的研究成果，如相方莉等人基于小波变换提出了一种舰船尾迹检测方法；赵春晖等人改进CGHT算法，基于图像信息融合检测舰船尾迹。

当前的尾迹检测方法多是基于拉冬变换或霍夫变换进行一定的改进。其中，霍夫变换是拉东变换的一种特殊情况。但使用拉东变换进行线性特征检测有一些缺点：由于灰度积分是在图像的整个长度上进行的，因此很难检测到明显短于图像尺寸的线段；具备一定曲率的线性特征可能不会在变换域中产生合适的波峰或波谷。当变换应用于具有高噪声水平的图像时，这些问题甚至更为显著。因此现有算法只适用于已经被裁剪成最佳显示感兴趣区域的船舶尾流图像，且要求尾迹线性度好、图像信噪比高。但是，在一个连续分析光学图像数据以搜索船舶尾流的自动化系统中，尾流并不总是能完美覆盖整个图像；海上舰船尾迹特征由于舰船目标形状、尺寸、质量、船速不同具备多样性，空间分辨率、光照条件、拍摄视角、大气状况、海水运动情况等客观环境，也会对舰船及其尾迹特性产生不同程度的影响；海洋背景颇为复杂，耀斑、海洋内波、云层、岛屿、人工建筑、阴影等都会成为干扰项目。

因此，现有技术存在的问题是：基于红外图像的海面舰船检测普遍存在较高的漏检率和虚警率，检测效率低下，无法适应多种复杂场景，鲁棒性差。

发明内容

本发明的目的在于提供一种基于红外图像的海面舰船检测方法，探测精度高、虚警率低、鲁棒性强。

实现本发明目的的技术解决方案为：

一种基于红外图像的海面舰船检测方法，包括如下步骤：

(10)红外图像预处理：对红外探测器采集到的包含舰船的海面图像进行预处理，所述预处理包括红外图像分辨率调整、灰度拉伸；

(20)Dot-Curve初步定位：基于随机粗糙面理论，采用二维曲率滤波方法，对经预处理的红外图像进行Dot-Curve提取，得到候选目标主副轴；

(30)主副轴修正：基于残差分析理论，对候选目标主副轴的灰度曲线进行拟合，并对候选目标主副轴的位置进行修正；

(40)特征提取：对候选目标进行特征提取，计算候选目标主副轴纹理特性和几何特性参数，包括灰度均值、灰度方差、斜率、线性度，架构特征集；

(50)目标鉴别：比较需求项目和干扰项目的特征参数，对潜在目标进行特征分析，融合多种特征，剔除干扰项目，获得需求目标。

本发明与现有技术相比，其显著优点为：

1、探测精度高、虚警率低：

本发明方法基于二维曲率滤波，提出了Dot-Curve体系，能够达到更好的目标检测性能。现有的海面舰船尾迹检测方法往往只考虑到尾迹的图像线性检测，对具备一定曲率的尾迹、目标背景对比度不高的弱尾迹检测效率较低，对虚警的抗干扰能力不足。而本方法基于随机粗糙面理论，把图像曲面分解成多组由一维曲线集合表征的Dot和 Curve，可以从物理机理上描述Dot与Curve曲线的各种特性与船只尾迹物理特征之间的联系，较好地区分出目标项目和干扰项目，提高了目标检测性能，达到了更好的目标探测结果，使得探测虚警率低、探测精度高。

2、鲁棒性强：

本发明方法结合舰船尾迹物理特性和图像特征，不仅能够实现单一波段干净海面场景下的目标检测功能，还能实现不同波段不同空间尺度复杂海面背景下的目标检测功能，因此具有更好的鲁棒性，能够实现多种场景多种波段的红外海面舰船探测功能。有效解决了现有海面舰船检测方法只适用于已经被裁剪成最佳显示感兴趣区域的船舶尾流图像，通常只能实现某种波段下较为简单的海面场景的检测功能的技术问题。

下面结合附图和具体实施方式对本发明作进一步的详细描述。

附图说明

图1是本发明基于红外图像的海面舰船检测方法的主流程图。

图2是原始红外图像示例图。

图3是预处理之后的红外图像示例。

图4是图1中Dot-Curve初步定位步骤的流程图。

图5是Dot-Curve初步定位之后的图像示例。

图6是主副轴修正之后的图像示例。

图7是图1中目标鉴别步骤的流程图。

图8是目标鉴别后的检测结果示例图。

具体实施方式

结合图1，本发明基于红外图像的海面舰船检测方法，包括如下步骤：

(10)红外图像预处理：对红外探测器采集到的包含舰船的海面图像进行预处理，所述预处理包括红外图像分辨率调整、灰度拉伸；

通过分辨率调整、灰度拉伸等操作，对红外探测器采集到的包含舰船的复杂海面图像进行预处理，以调整图像尺寸，提高图像目标背景对比度。

作为原始输入的红外探测器采集到的包含海面舰船及干扰项(岛屿、内波)的红外图像如图2所示。

所述(10)红外图像预处理步骤包括：

(11)分辨率调整：

采用如下所示的双线性插值法来完成分辨率调整：

式中，g(i₀,j₀)表示原始图像中位置(i₀,j₀)的灰度值，g(i′,j′)、g(i′+1,j′)、 g(i′,j′+1)、g(i′+1,j′+1)表示调整后对应四邻点位置灰度值，α、β为插值系数。

由于探测器获取的影像分辨率较高、数据量较大，在不影响目标特性的条件下调整图像分辨率，可降低运算量，提高检测效率。

(12)灰度拉伸：

通过如下所示的分段灰度拉伸过程以提高目标与背景的对比度：

f＝k_n×g+b_n,a_n≤g≤b_n (2)

式中，f为拉伸后灰度，g为拉伸前灰度，k_n、b_n为拉伸系数，[a_n,b_n]为拉伸前灰度区间。

由于其成像性质红外图像往往探测目标与背景间对比度不够，尤其是灰度分布较为均匀的长波红外图像，需要拉伸灰度提高对比度。

预处理之后的图像如图3所示。

(20)Dot-Curve初步定位：基于随机粗糙面理论，采用二维曲率滤波方法，对经预处理的红外图像进行Dot-Curve提取，得到候选目标主副轴；

基于随机粗糙面理论，采用二维曲率滤波方法，对预处理后的图像依据facet模型计算卷积模板，分别计算与图像横向夹角0°、45°、90°、135°四个方向的一阶和二阶方向导数，得到一阶方向导数的过零点区域和二阶方向导数的图像曲率图，归一化后融合得到最终的曲率图像。再进行图像二值化、细化、生成链码等处理后可以得到初步的 dot-curve分布，获得候选目标的主副轴。

如图4所示，所述(20)Dot-Curve初步定位步骤包括：

(21)单向曲率计算：

按下式计算目标曲率：

Cur＝|f”| (3)

式中，Cur为曲率，f″为图像灰度二阶导数；

要想计算目标曲率，就要先计算出一阶导数为0的极值点区域，如下式：

然后再计算所得区域内的二阶导数，如下式：

式中，(i₁，j₁)是像素坐标点，ω为方向向量

与图像横向的夹角，K₂、K₃、K₄、K₅、K₆、K₇、K₈、K₉、K₁₀为组合系数；根据Facet模型可知，组合系数K_n可通过图像计算得到，计算公式为：

K_n＝f(i+r,j+c)*W_n (6)，

式中，*是卷积符号，(r,c)是以像素(i,j)为中心的局部图像的平面坐标，W_n是卷积核且

P_n(r,c)为离散基底，离散基底的表达式为：

{P_n(r,c)}＝{1,r,c,r²-2,rc,c²-2,r³-(17/5)r,(r²-2)c,r(c²-2),c³-(17/5)c}(7)，

在满足不超过图像范围的条件下，代入得到卷积核；

曲率是指曲线的切线方向角对弧长的转动率，表明曲线的弯曲程度。几何数学中，曲率的求导公式为：

上式的计算针对的是连续的光滑曲面。

基于海面背景的船舶尾迹灰度图像构成的三维曲面是由离散点构成的曲面，检测目标附近的灰度值存在一个极值，也就是一阶导为0，根据式(31)可知，目标极值处的曲线曲率为：

Cur＝|f”| (3)

即极值处曲率为该处二阶导数的绝对值。因此，要想计算目标曲率，就要先计算出一阶导数为0的极值点区域，然后再计算所得区域内的二阶导数，最后再算绝对值。

在满足不超过图像范围的条件下，代入得到卷积核。

(22)曲率融合：

根据各个方向的曲率图像，融合得到三维离散曲面曲率：

式中，C(i，j)表示加权曲率，l、m表示权值，通常取值l＝m＝1，Cur⁰、Cur⁹⁰、 Cur⁴⁵、Cur¹³⁵表示与图像横向夹角分别为0°、45°、90°、135°四个方向的曲率图像；

分别计算得到与图像横向夹角0°、45°、90°、135°四个方向的曲率图像后，需要将这四个方向的曲率，表示成三维离散曲面的曲率。由高斯曲率的定义，曲面上一点的高斯曲率等于该点主曲率K₁与K₂的乘积，得到三维离散曲面表达式。

(23)图像二值化：

对融合后的曲率图像按下式进行阈值分割，

式中，BI(i,j)表示二值化后的图像，TH表示分割阈值，根据不同图像质量取 TH＝λ×max(C(i,j))，λ为二值化阈值系数；

(24)目标主副轴获取：

将各个方向二阶导数最小值满足阈值的点记为Dot点，将二值化后的图像中值为1的连通域从多像素宽度细化为单位像素宽度线条，连接线条像素生成链码，得到的Curve线即为主轴，以主轴节点为中心在垂直方向取多个像素即为副轴。

Dot-Curve初步定位之后的图像如图5所示。

(30)主副轴修正：基于残差分析理论，对候选目标主副轴的灰度曲线进行拟合，并对候选目标主副轴的位置进行修正；

基于残差分析理论，对主副轴的灰度曲线进行拟合，并对主副轴的位置进行修正。

所述(30)主副轴修正步骤包括：

(31)灰度曲线拟合：

对主轴和亮目标副轴灰度曲线用双高斯函数进行拟合，表达式如下：

用反高斯函数对暗目标副轴灰度曲线进行拟合，表达式如下：

式中，a₁、b₁、c₁、a₂、b₂、c₂、a₃、b₃、c₃为拟合系数，x为曲线像素位置；

亮目标为灰度高于海面背景的目标，暗目标为灰度低于海面背景的目标。

(32)当前残差比较：

计算主副轴灰度拟合值与真实值的残差方差；若残差方差小于残差阈值，则主副轴定位良好，否则需要进行修正；

(33)主副轴修正：

对于当前残差大于残差阈值的主副轴，取亮目标副轴的灰度最大值坐标、暗目标副轴的灰度最小值坐标，作为新的副轴中点坐标，连接最值点形成新的主轴，并生成相应副轴。

理论上，副轴的中点位置为灰度最值，但考虑到目标及背景的主轴会出现转弯、交叉等问题，使得船只尾迹的检测出现一定的错位，因此，就需要对Curve主轴做修正处理。

对于当前残差大于阈值的主副轴，需要计算副轴每个坐标点的拟合残差，取其中残差最小的点作为新的副轴中点坐标，连接成为新的主轴，并生成相应副轴。最简单的，取亮目标副轴的最大值坐标、暗目标副轴的最小值坐标，代替原先的副轴中点位置，连接这些最值点后形成新的主轴。

主副轴修正之后的图像如图6所示。

(40)特征提取：对候选目标进行特征提取，计算候选目标主副轴纹理特性和几何特性参数，包括灰度均值、灰度方差、斜率、线性度，架构特征集；

对候选目标进行特征提取，计算主副轴的长度、灰度均值、灰度方差、副轴两侧灰度斜率(由副轴两端向副轴中点拟合)、主轴线性度等参数，统计其纹理特性和几何特性，架构特征集。

总结海面舰船尾迹特性规律如下：

(41)完整的船只尾迹主轴包括从船只到近尾流再到远尾流，亮尾迹灰度曲线的船体部分高于尾迹部分，尾迹部分的灰度急速衰减后随着与船体距离的增大而降低，暗尾迹靠近船只部分灰度值较高，近尾流部分灰度逐渐降低，往远尾流方向去，灰度又有所回升。而背景中的curve主轴灰度变化不明显且无显著规律。

(42)相对同幅图像的背景curve线来说，船体尾迹主轴灰度方差很大。

(43)对于亮尾迹，副轴两侧灰度斜率均大于0；对于暗尾迹，副轴两侧灰度斜率均小于0，有同号性，即乘积大于0。而检测出的背景curve线，副轴两侧灰度斜率通常会呈现出一正一负，即乘积小于0。

(44)对于亮尾迹目标，副轴灰度曲线两边低，中间高，符合高斯分布。对于暗尾迹目标，副轴灰度曲线两边高中间低，呈反高斯形状，船只部分则两边低中间高，符合高斯分布规律。背景结果中副轴灰度曲线总体符合阶梯状的分布。

(45)船体尾迹主轴线性度较高，背景curve线的主轴线性度无规律。

(50)目标鉴别：比较需求项目和干扰项目的特征参数，对潜在目标进行特征分析，融合多种特征，剔除干扰项目，获得需求目标。

如图7所示，所述(50)目标鉴别步骤包括：

(51)主轴方差及副轴两侧灰度斜率筛选：

根据船只尾迹主轴灰度方差和副轴两侧灰度斜率，按下式对curve进行筛选；

式中，std为主轴灰度方差，Th为主轴灰度方差阈值，slop_n为每一组副轴两侧由两端向副轴中点拟合灰度斜率的乘积，flag为筛选标志；

由于船只尾迹主轴灰度方差较大，副轴两侧灰度斜率具有同向性，这两点特征明显区别于背景，选取这两个参数作为第一步筛选的标准，同时满足这两个条件的curve线进入下一步筛选。

(52)主轴线性度筛选：

针对上一步筛选后flag为1的curve线，根据主轴线性度，按下式进行筛选：

式中，std1为主轴上的点到主轴坐标拟合曲线的方差，TH1为主轴线性度方差阈值， std2为局部主轴上的点到局部主轴坐标拟合曲线的方差，TH2为局部主轴线性度方差阈值；

区别于岛屿、云团边缘，海面舰船尾迹往往具有较好的线性度，针对上一步筛选后flag为1的curve线，首先对主轴坐标进行拟合，计算主轴上的点到拟合主轴线的距离方差std1，然后以主轴每个节点为起点取连续n个点进行拟合，计算点到拟合线的距离方差std2，确定阈值，进行筛选。

针对船只转弯、尾迹漂移等特殊情况中的尾迹，除线性度外，可根据实际情况计算尾迹形状系数(如一维曲率、夹角等)进行筛选。

(53)与Dot点检测结果距离筛选：

针对上一步筛选后flag为1的curve线，根据curve两端端点到每个Dot检测结果的距离，按下式进行筛选：

式中，dis_n为两个端点到每个Dot检测结果的距离，th为距离阈值；

每一条尾迹线都有与之匹配的船只Dot检测结果，且距离较近，背景干扰项则不然。针对上一步筛选后flag为1的curve线，计算curve两端端点到每个Dot检测结果的距离，若两个端点到每个Dot检测结果的距离都超过阈值则认为是干扰项剔除。

(54)目标判别：

最终筛选标志为1的curve即为舰船尾迹，由此获得舰船及其尾迹的坐标及灰度信息，用于舰船信息的反演和后续的跟踪识别。

目标鉴别之后的图像如图8所示。

本发明方法基于二维曲率滤波，提出了Dot-Curve体系，基于随机粗糙面理论，把图像曲面分解成多组由一维曲线集合表征的Dot和Curve，可以从物理机理上描述Dot 与Curve曲线的各种特性与船只尾迹物理特征之间的联系，较好地区分出目标项目和干扰项目，提高了目标检测性能，达到了更好的目标探测结果，使得探测虚警率低、探测精度高。

本发明方法结合舰船尾迹物理特性和图像特征，不仅能够实现单一波段干净海面场景下的目标检测功能，还能实现不同波段不同空间尺度复杂海面背景下的目标检测功能，因此具有更好的鲁棒性，能够实现多种场景多种波段的红外海面舰船探测功能。有效解决了现有海面舰船检测方法只适用于已经被裁剪成最佳显示感兴趣区域的船舶尾流图像，通常只能实现某种波段下较为简单的海面场景的检测功能的技术问题。

Claims (5)

1.一种基于红外图像的海面舰船检测方法，其特征在于，包括如下步骤：

(10)红外图像预处理：对红外探测器采集到的包含舰船的海面图像进行预处理，所述预处理包括红外图像分辨率调整、灰度拉伸；

(20)Dot-Curve初步定位：基于随机粗糙面理论，采用二维曲率滤波方法，对经预处理的红外图像进行Dot-Curve提取，得到候选目标主副轴；

(30)主副轴修正：基于残差分析理论，对候选目标主副轴的灰度曲线进行拟合，并对候选目标主副轴的位置进行修正；

(40)特征提取：对候选目标进行特征提取，计算候选目标主副轴纹理特性和几何特性参数，包括灰度均值、灰度方差、斜率、线性度，架构特征集；

(50)目标鉴别：比较需求项目和干扰项目的特征参数，对潜在目标进行特征分析，融合多种特征，剔除干扰项目，获得需求目标。

2.根据权利要求1所述的海面舰船检测方法，其特征在于，所述(10)红外图像预处理步骤包括：

(11)分辨率调整：

采用如下所示的双线性插值法来完成分辨率调整：

式中，g(i₀,j₀)表示原始图像中位置(i₀,j₀)的灰度值，g(i′,j′)、g(i′+1,j′)、g(i′,j′+1)、g(i′+1,j′+1)表示调整后对应四邻点位置灰度值，α、β为插值系数。

(12)灰度拉伸：

通过如下所示的分段灰度拉伸过程以提高目标与背景的对比度：

f＝k_n×g+b_n,a_n≤g≤b_n (2)，

式中，f为拉伸后灰度，g为拉伸前灰度，k_n、b_n为拉伸系数，[a_n,b_n]为拉伸前灰度区间。

3.根据权利要求2所述的海面舰船检测方法，其特征在于，所述(20)Dot-Curve初步定位步骤包括：

(21)单向曲率计算：

按下式计算目标曲率：

Cur＝|f”| (3)，

式中，Cur为曲率，f″为图像灰度二阶导数；

要想计算目标曲率，就要先计算出一阶导数为0的极值点区域，如下式：

然后再计算所得区域内的二阶导数，如下式：

式中，(i₁,j₁)是像素坐标点，ω为方向向量

与图像横向的夹角，K₂、K₃、K₄、K₅、K₆、K₇、K₈、K₉、K₁₀为组合系数；根据Facet模型可知，组合系数K_n可通过图像计算得到，计算公式为：

K_n＝f(i+r,j+c)*W_n (6)，

式中，*是卷积符号，(r,c)是以像素(i,j)为中心的局部图像的平面坐标，W_n是卷积核且

P_n(r,c)为离散基底，离散基底的表达式为：

{P_n(r,c)}＝{1,r,c,r²-2,rc,c²-2,r³-(17/5)r,(r²-2)c,r(c²-2),c³-(17/5)c} (7)，

在满足不超过图像范围的条件下，代入得到卷积核；

(22)曲率融合：

根据各个方向的曲率图像，融合得到三维离散曲面曲率：

式中，C(i,j)表示加权曲率，l、m表示权值，通常取值l＝m＝1，Cur⁰、Cur⁹⁰、Cur⁴⁵、Cur¹³⁵表示与图像横向夹角分别为0°、45°、90°、135°四个方向的曲率图像；

(23)图像二值化：

对融合后的曲率图像按下式进行阈值分割，

式中，BI(i,j)表示二值化后的图像，TH表示分割阈值，根据不同图像质量取TH＝λ×max(C(i,j))，λ为二值化阈值系数；

(24)目标主副轴获取：

将各个方向二阶导数最小值满足阈值的点记为Dot点，将二值化后的图像中值为1的连通域从多像素宽度细化为单位像素宽度线条，连接线条像素生成链码，得到的Curve线即为主轴，以主轴节点为中心在垂直方向取多个像素即为副轴。

4.根据权利要求3所述的海面舰船检测方法，其特征在于，所述(30)主副轴修正步骤包括：

(31)灰度曲线拟合：

对主轴和亮目标副轴灰度曲线用双高斯函数进行拟合，表达式如下：

用反高斯函数对暗目标副轴灰度曲线进行拟合，表达式如下：

式中，a₁、b₁、c₁、a₂、b₂、c₂、a₃、b₃、c₃为拟合系数，x为曲线像素位置；

(32)当前残差比较：

计算主副轴灰度拟合值与真实值的残差方差；若残差方差小于残差阈值，则主副轴定位良好，否则需要进行修正；

(33)主副轴修正：

对于当前残差大于残差阈值的主副轴，取亮目标副轴的灰度最大值坐标、暗目标副轴的灰度最小值坐标，作为新的副轴中点坐标，连接最值点形成新的主轴，并生成相应副轴。

5.根据权利要求4所述的海面舰船检测方法，其特征在于，所述(50)目标鉴别步骤包括：

(51)主轴方差及副轴两侧灰度斜率筛选：

根据船只尾迹主轴灰度方差和副轴两侧灰度斜率，按下式对curve进行筛选；

式中，std为主轴灰度方差，Th为主轴灰度方差阈值，slop_n为每一组副轴两侧由两端向副轴中点拟合灰度斜率的乘积，flag为筛选标志；

(52)主轴线性度筛选：

针对上一步筛选后flag为1的curve线，根据主轴线性度，按下式进行筛选：

式中，std1为主轴上的点到主轴坐标拟合曲线的方差，TH1为主轴线性度方差阈值，std2为局部主轴上的点到局部主轴坐标拟合曲线的方差，TH2为局部主轴线性度方差阈值；

(53)与Dot点检测结果距离筛选：

针对上一步筛选后flag为1的curve线，根据curve两端端点到每个Dot检测结果的距离，按下式进行筛选：

式中，dis_n为两个端点到每个Dot检测结果的距离，th为距离阈值；

(54)目标判别：

最终筛选标志为1的curve即为舰船尾迹，由此获得舰船及其尾迹的坐标及灰度信息，用于舰船信息的反演和后续的跟踪识别。

Images