光学遥感图像舰船目标检测与识别综述.pdf

《光学遥感图像舰船目标检测与识别综述.pdf》由会员分享，可在线阅读，更多相关《光学遥感图像舰船目标检测与识别综述.pdf（11页珍藏版）》请在三一文库上搜索。

1、第 37 卷第 9 期自动化学报Vol. 37, No. 9 2011 年 9 月ACTAAUTOMATICASINICASeptember,2011 光学遥感图像舰船目标检测与识别综述 王彦情 1 马 雷 1 田 原 1 摘要遥感图像舰船目标自动检测与识别是遥感图像处理与分析领域备受关注的课题, 其核心任务是判断遥感图像中是否 存在舰船目标 , 并对其进行检测、 分类与精确定位, 它在海面交通监控、船只搜救、 渔业管理和海域态势感知等领域具有广阔 的应用前景 . 本文主要围绕光学卫星遥感图像中的舰船目标自动检测与识别, 分析舰船目标检测与识别面临的难点问题, 综述 当前光学遥感图像舰船检测与

2、识别的主要处理方法, 在此基础上指出研究中尚存在的问题并展望未来的发展趋势. 关键词光学遥感图像 , 舰船目标检测 , 自动目标识别 , 图像理解 DOI10.3724/SP.J.1004.2011.01029 State-of-the-artof ShipDetectionandRecognitionin OpticalRemotelySensedImagery WANGYan-Qing 1 MA Lei 1 TIANYuan 1 AbstractShip detectionand recognitionis one of the most active research topics in

3、 the ?eld of remote sensing. This strong interest is driven by a wide spectrum of promisingapplicationsin many areas such as ocean tra?csurveillance,ship rescuing, ?sheries management,maritimesituationalawareness (MSA),etc.The aim of ship detectionand recognition is to extract,identifyand locate shi

4、p targets in remotelysensed images.This paper provides a comprehensivesurvey of recent developmentson ship detectionand recognitionin opticalremotelysensed imagery.Thein?uencingfactors are analyzed, and the state of the art methodsare reviewed.Furthermore,the remainingproblems and futuredevelopment

5、trends are providedfor detectingand recognizingship targetsin opticalremotelysensed images. KeywordsOpticalremotelysensed imagery,ship detection,automatictargetrecognition,image understanding 遥感图像目标检测与识别一直是遥感图像处理 和模式识别领域研究的热点课题,而舰船作为海上 运输载体和重要的军事目标,其自动检测与识别具 有非常重要的现实意义,无论在民用还是军事领域 都有着广阔的应用前景 1 .在民用方

6、面,可以监控特 定港口或海域的海运交通,辅助遇难船只救援,配合 安全管理部门监测和打击非法捕鱼、非法倾倒油污、 走私和海盗等违法行为;在军事领域,可以监视敌方 重点港口和海域的舰船部署与动态,分析敌方的海 上作战实力,评估战时海上打击效果,形成海上作战 情报等 2 . 近年来,随着对地观测技术的飞速发展,卫星 遥感进入了一个前所未有的新阶段,一批高空间 分辨率、 短重访周期的成像卫星涌现,为海域侦察 和舰船目标监视提供了极为丰富的数据源.如,法 国SPOT-5卫星全色图像星下点分辨率为2.5米, 重访周期为14天,美国IKONOS卫星全色图 收稿日期 2010-11-22录用日期 2011-0

7、1-22 ManuscriptreceivedNovember22, 2010; acceptedJanuary22, 2011 国家自然科学基金(61101222,60873161,61005067)资助 SupportedbyNationalNaturalScienceFoundationof China (61101222,60873161,61005067) 1. 中国科学院自动化研究所综合信息系统研究中心北京 100190 1. IntegratedInformationSystemCenter,Instituteof Automa- tion,ChineseAcademyof Sc

8、iences,Beijing100190 像星下点分辨率为1米,重访周期为3天,美国 Quickbird卫星全色图像星下点分辨率为0.6米,重 访周期为13.5天,美国GeoEye-1卫星全色影像 星下点分辨率为0.41米,重访周期为23天,美国 WorldView-2卫星全色影像星下点分辨率为0.46 米,重访周期为1.1 3.7天,而美国最先进的军用 间谍卫星已经可以获取0.05米分辨率的高清图像. 而且,随着地球成像卫星系统、下一代光电系统等一 系列天基侦察系统和项目的推进与实施,未来将不 断出现性能更好、分辨率更高、重访周期更短的对 地观测卫星,可利用的卫星遥感图像数据也将呈指 数级爆

9、炸式地增长. 面对如此海量的遥感图像数据,单纯依靠人工 目视判读来获取舰船目标信息的传统方式,由于效 率低、 主观性强、 成本高、 信息获取周期长等缺陷, 已远远不能满足现代社会对高效信息的需求.如何 快速准确地从海量遥感数据中自动提取和识别出舰 船目标已成为当前迫切需要解决的难题. 由于合成孔径雷达(Syntheticaperture radar, SAR)可全天时、 全天候成像,目前基于遥感图像的 舰船检测研究大多是围绕SAR图像开展的,算法已 经比较成熟.相比而言,基于光学遥感图像的舰船目 标检测与识别研究起步较晚,公开报道的技术文献也 1030自动化学报37卷 比较少.虽然易受光照和云

10、雾等因素影响,但是光学 图像直观易理解,空间分辨率通常比较高,在有光照 和晴朗天气条件下,图像内容丰富,目标结构特征明 显,在海域舰船侦察尤其是舰船识别方面具有SAR 图像不能比拟的优势,是SAR图像进行海洋目标监 视的重要补充. 当前关于光学遥感图像舰船目标检测与识别方 面的研究工作,主要是针对舰船检测与识别中的某 个或某些特定问题开展的,尚缺乏对整体研究现状 的专门性综述.虽然最近也有综述性文章涉及光学 图像舰船目标检测技术 3 ,但其关注点主要在于天 基海洋目标监视的系统分析及其相关研究的回顾, 对光学图像舰船目标检测介绍得比较简单,也不够 全面.为了使广大科研人员对光学遥感图像舰船目

11、标检测与识别技术现状有个全面清晰的了解,本文 将对光学遥感图像,特别是基于光学卫星遥感图像 的舰船检测与识别技术进行回顾与分析,并指出未 来发展方向,以便为未来技术发展提供支撑. 1研究现状 舰船目标作为海上监测和战时打击的重点目 标,是遥感图像自动目标检测与识别的重要内容.科 研人员在SAR图像舰船目标自动检测与识别方面 已开展了大量的研究,主要是利用舰船目标与水体 之间不同的电磁散射特性在SAR图像上所表现出 来的差异.目前已完成或正在开发的SAR舰船目 标监视系统主要有 2, 4 :加拿大的海洋监视工作站 (Ocean MonitoringWorkstation,OMW)系统、美 国阿拉

12、斯加SAR演示验证(Alaska SAR demon- strationsystem, AKDEMO)系统、 欧盟联合研究 中心(Joint Research Center, JRC)的VDS (Ves- sel detection system)系统、英国Qinetiq的MaST 系统、 挪威FFI的Eldhuset和挪威Kongsberg的 MeosView、法国Kerguelen的CLS和BOOST舰 船遥感探测系统、英国国防评估署(Defence Evalu- ation and Research Agency, DERA)的舰船探测系 统、罗马大学安装在ESA-ESRN (Europ

13、ean Space Agency European Space Research Institute)上 的舰船探测系统、意大利Alenia Aerospazio公司 的舰船探测系统、 澳大利亚的ADSS (Analysts de- tection support system)、 中国科学院微波成像实验 室的Ship-SurveillanceUS等. 而基于光学遥感图像的舰船目标检测与识别研 究起步较晚,技术相对滞后,目前仍主要处于理论 研究阶段.然而,随着光学卫星图像分辨率的不断 提高,光学图像在舰船侦察尤其是舰船目标分类与 识别方面的突出优势引起了海洋监测部门和国内外 学者的高度关注,近

14、年来关于光学遥感图像舰船目 标检测与识别的研究呈现不断增多的趋势.欧盟第 五框架DECLIMS(Detectionand classi?cation of marine tra?cform space)项目中德国的De?niens 和法国的IRD (Institutefor Research and Devel- opment)利用光学图像进行舰船目标检测 4 ,近年 来基于光学卫星图像的舰船目标检测和分类应用 系统开始出现 5 ,这方面的技术文献也在逐渐增 多 1- 2, 6- 47 . 基于光学卫星遥感图像的舰船目标检测与识别 主要有如下特点: 1)图像数据量大:随着卫星数量的增多、重访

15、周期的缩短、 图像分辨率的提高,遥感图像数据量越 来越大,数据量每天以TB级的速度增长,且随着新 卫星的升空,数据量还将会不断增加; 2)图像受天气、 光照、海况、成像传感器参数等 多种因素影响:图像获取时间、天气状况(晴天、 多 云等)、光照、 海浪大小、 成像视角、 图像空间分辨 率,以及船舶行驶速度、船舶颜色、 船舶材料、 尾迹 等不同,舰船目标在光学图像中表现出来的特征也 有所变化; 3)舰船目标为人造刚体目标,或行驶在海面上, 或停靠在港口码头,且靠岸舰船通常与码头岸线平 行; 4)除航母外,为了适航,舰船多呈轴对称结构, 且一般为舰首较尖的狭长形状;不同的舰船由于其 用途不同,外形

16、结构也相应地有所差异. 为了快速准确地提取舰船目标,目前的舰船检 测方法通常采取由粗到精的策略,首先从大幅图像 中快速提取出候选区域,利用反映舰船目标的最为 明显且计算量小的一些特征,确定出舰船目标可能 存在的区域;然后再利用精细特征对候选区域进一 步确认分析,去除虚警,找出真实的舰船目标. 当前的舰船检测识别研究多采用面向对象的思 想 43 ,针对舰船检测方法受图像所覆盖场景影响较 大的特点,将光学遥感图像舰船目标检测识别分为 纯海洋背景和海陆背景中的舰船目标检测识别,如 图1所示. 除预处理模块外,纯海洋背景中的舰船目标检 测识别主要包括离岸舰船目标检测和舰船目标分类 识别两大模块,其中离

17、岸舰船目标检测模块由离岸 舰船目标候选区域提取和舰船目标确认两个子模块 组成,而海陆背景下的舰船目标检测识别则主要包 括海陆分离、舰船目标检测、舰船目标分类识别三 大模块,其中舰船目标检测模块由离岸舰船目标候 选区域提取、 靠岸舰船目标候选区域提取和舰船目 标确认三个子模块组成.离岸舰船目标候选区域提 取,是指从海洋背景中确定行驶中的舰船目标可能 存在的区域;海陆分离,即把海陆背景图像中的海洋 9期王彦情等 : 光学遥感图像舰船目标检测与识别综述1031 (a) 纯海洋背景下的舰船目标检测识别 (a) Shipdetectionand recognitionin sea images (b)

18、海陆背景下的舰船目标检测识别 (b)Shipdetectionand recognitionin seaportimages 图 1光学遥感图像舰船目标检测识别的一般处理框架 Fig. 1General frameworkfor ship detectionand recognitionin opticalremotelysensed images 区域和陆地区域分离开来;靠岸舰船目标候选区域 提取,即确定靠岸停放的舰船目标可能存在的区域; 舰船目标确认,主要任务是对提取出的舰船目标候 选区域进行确认,去除虚假目标,找出真正的舰船目 标;舰船目标分类识别,指依据尺寸、 几何外形、 纹 理结构等

19、特征对不同类型的舰船目标进行分类. 下面将重点从处理方法入手,对海陆分离、 靠岸 舰船目标候选区域提取、离岸舰船目标候选区域提 取、舰船目标确认和舰船目标分类识别这几个方面 分别回顾并分析技术发展现状. 1.1海陆分离 1.1.1基于港口先验信息的方法 港口建成后,整个港口的结构及码头的分布情 况相对会比较稳定,在较长一段时间内其布局一般 不会发生变化.根据港口这一特点,当有港口的地理 信息、海岸线或港口背景图像等先验信息时,可通过 匹配实现海陆分离 1 , 4, 25 . 德国的De?niens利用eCognition软件和GIS 数据进行海陆分离 4 ;文献25利用港口几何布局 相对稳定这

20、一假设,采用基于地理信息的模板技术, 将港口轮廓以模板的形式预先存储起来,通过匹配 实现海陆分离;而文献1以特定港口的先验图像为 参照,采用SIFT特征匹配方法,判断待处理图像中 是否存在该特定港口,再根据先验图像的覆盖范围 和港口先验结构分布信息,在待处理图像中定位港 口覆盖区域,实现港口的定位识别. 对于基于港口先验信息的海陆分离方法而言, 地理信息、 海岸线和背景图像等港口先验信息的获 取是实现海陆分离的前提,待处理图像与港口先验 信息的配准是实现海陆分离的基础.受先验信息的 影响,基于港口先验信息的海陆分离方法存在如下 问题: 1)港口布局的调整易引起匹配模板的失准; 2)当待处理图像

21、中停靠舰船遍布码头沿线时, 待处理图像与海岸线、港口背景图像之间很难找到 稳定的对应特征点,易导致配准结果不稳定; 3)对于海陆分界不明显的场合,如海岸区域受 到云层遮挡或水深较浅时,实现待处理图像与港口 先验信息的精确配准比较困难; 4)成像季节、 卫星距地高度、拍摄角度、 舰船 阴影遮挡等因素,常导致待处理图像与港口先验信 息之间存在畸变,影响待处理图像与港口先验信息 的精确配准. 1.1.2基于图像分析的方法 当港口先验信息不易获得或由于年代久远、港 口变化较大等原因导致先验信息已不再适用时,通 常采用图像分析方法实现海陆分离. 对于中低分辨率光学遥感图像而言,海面区域 相对于陆地地面来

22、说通常灰度较低,灰度分布较均 匀,变化缓慢,一般采用灰度阈值分割的方法就可以 较好地提取出水域.然而对于分辨率较高的图像,由 于海浪、 天气、 光照、 薄云、 卫星拍摄角度、尾迹等 1032自动化学报37卷 多种因素的影响,水域的灰度分布往往比较复杂,有 些区域水域像素灰度较低,而另一些区域水域像素 灰度反而比较高,而舰船目标也存在黑白极性问题, 而且舰船的不同部位,其灰度和纹理结构等也可能 有很大差异.如果仍采用传统的水域分割方法,往往 会导致误分割.下面归纳出目前常用的几种方法. 1)阈值分割法 基于阈值分割的方法主要是利用海面与舰船、 陆地等不同区域的灰度或纹理统计特征的差异来提 取海面

23、区域的一种技术 6 - 14 ,常用的方法主要有灰 度阈值法和区域纹理分析法. a)灰度阈值法 基于灰度阈值的海面区域提取方法主要利用海 面与舰船、 陆地的灰度差异进行分割,它根据某种 测度准则确定分割阈值,将图像中每个像素的灰度 值和阈值比较,从而将目标和背景分开.阈值的选 取方法有很多,如直方图谷底法 7 、最大类间方差法 (OTSU法) 8 、最大熵法 9 、最小误差法 10 、 迭代最 优阈值法 11 、局部阈值法 12 、多阈值分割法 13 、自 适应阈值法 14 ,其中常用的有直方图谷底法和自适 应阈值法等.受传感器噪声、云块或陆地中小块水 域或灰度较暗区域的影响,灰度阈值分割的结

24、果往 往存在孤立点或孤立小区域,所以阈值法通常和其 他方法(如形态学滤波)结合使用. 灰度阈值分割的优点是计算简单,运算效率高, 速度快.但是,在实际应用中,海况复杂,加上云雾、 强光反射、 舰船阴影等噪声的影响,使得海面区域的 灰度分布并不均匀,基于灰度阈值的分割方法效果 并不稳定.可考虑对纹理等更为复杂的特征进行分 析,结合特征分析的方法来实现海陆分离. b)区域纹理分析法 区域纹理分析法主要是根据海域与舰船、陆地 区域的纹理差异进行分析.常用的纹理分析方法有 区域方差 6 、区域直方图 13 、统计分类阈值法 2 .文 献6采用十字型模板,以区域方差作为区域纹理特 性进行方差直方图统计,

25、计算分割的门限实现海域 和复杂背景的分离;文献13构造灰度邻域灰度 均值二维直方图并对其进行量化,借助快速分水岭 算法从新直方图获取分割阈值来提取海域;而文献 2对光学图像中海域灰度进行统计特性分析,从统 计学角度获取分割阈值实现海陆分离. 2)区域生长法 基于区域生长法的海陆分离通常是对种子点进 行区域生长提取海面区域 15 - 18 . 文献15基于纹理特征相似度完成图像的初始 分割,获得种子点;文献16利用基于先验地理信息 的区域生长方法在多谱图像中实现海域和陆地的分 离;而文献18利用梯度直方图曲线拟合方法获得 水域种子点. 基于区域生长法的优点是计算简单.不足之处 在于: a)每个待

26、抽取的区域需要种子点,种子点的 选取通常需要人工交互获得; b)对噪声敏感,导致 抽取出的区域有空洞或者在局部体效应的情况下将 原本分开的区域连接起来.与阈值分割类似,也很少 单独使用. 3)港口轮廓提取法 为了方便舰船停靠,港口码头毗邻海面的部分 通常是比较平直的,可利用码头的长直线特性将码 头与靠岸舰船分开.文献8基于港口岸线平直这 一特性,利用港口轮廓几何特征进行海陆分离,通过 Hough变换提取码头的长直线边缘并将其首尾相 连,实现码头区域和海面区域的分离,之后将码头区 域屏蔽从而将码头停靠的舰船置于海洋背景中,最 后在海域背景中检测舰船.该类方法在码头停靠舰 船较少时可取得比较好的结

27、果,但不适用于沿码头 岸线舰船密集停靠的场合. 以上三类方法主要是基于图像的二维分析实现 的,近年来也出现了基于图像三维重建信息实现海 陆分离的方法 35 ,利用明暗变化信息来重建图像海 拔信息,再结合形态学滤波和动态阈值分割算法划 分陆地和海洋区域. 1.2靠岸舰船目标候选区域提取 对于靠岸停放的舰船而言,其所处的背景区域 复杂多样,不仅包含海面自然背景,还有港口码头等 大量人工目标.虽然在光学遥感图像中海面与舰船 有较大的差异,但是靠岸舰船与码头往往通过缆绳 等附属设施相连,且舰船与陆地目标在灰度、纹理等 方面存在较大的相似性,从图像中直接提取靠岸舰 船目标比较困难.因此,靠岸舰船目标的检

28、测工作通 常在海陆分离的基础上进行,舰船检测算法与海陆 分离方法紧密相关,主要也分为两大类:基于港口先 验信息的方法和基于图像分析的方法. 1)港口先验信息法 若依据港口先验信息将陆地(码头与内陆区域) 与海域(海面和舰船区域)分离开来,则靠岸舰船的 检测问题转化为从海面提取舰船的问题,检测方法 与离港舰船的检测方法类似,不同之处主要在于靠 岸舰船之间可能并排停放.并排停放舰船的分割,以 及舰船间阴影遮挡和自遮挡问题是靠岸舰船检测的 难点问题 1 , 25 . 文献1针对港内并排停靠的舰船,采用基于轮 廓区域统计属性的目标切分方法来提取舰船.文献 25针对舰船并排和阴影遮挡问题,利用舰船形状

29、规则且有明显轴向、停靠舰船的主轴与码头方向基 本一致、 并联舰船在图像中反映为轴向垂直方向细 9期王彦情等 : 光学遥感图像舰船目标检测与识别综述1033 小粘连的假设,通过投影搜索相邻目标区域间的连 通点,实现并联舰船目标的切分;并基于“被阴影割 断的部分一般都是船头”以及“同一舰船被阴影割 断的不同候选区域的重心连线与主轴方向一致”的 假设,完成断裂舰船的连接.然而,由于实际成像时 光照方向、 舰船停放方位等因素的影响,被阴影割断 的舰船部分不一定是船头,而且同一舰船被阴影割 断的不同候选区域的重心连线与主轴方向并没有直 接关系,不一定具有相同的方位,因此,文献25的 假设具有较强的局限性

30、. 2)图像分析法 基于图像分析的靠岸舰船目标检测方法,其主 要思路是对图像进行两次分割:首先根据海域与舰 船、陆地(码头等)的明显差异性,实现海陆分离,将 图像分割海面区域、陆地区域(主要包括舰船和码头 等);然后对陆地区域进行分析,根据舰船和港口码 头的特征差别,在图像中实现停靠舰船与港口码头 的分离.由于靠岸舰船目标和码头区域相连,且在灰 度和纹理结构特征方面不存在明显的差异性,如何 选择合适的特征来区分舰船目标和码头区域,是该 类方法面临的难点问题. 从目前的研究来看,所采用的舰船特征主要有 两大类:一类是基于全局几何形状的特征 7, 24 ,另一 类是基于局部结构显著性的特征 32

31、. 在舰船目标全局几何形状特征方面,文献7通 过搜索向水体多边形凸出的部位来大致确定疑似靠 岸舰船区域,再利用船只宽度范围、长宽比范围、 形 状参数、 对称规整度等一系列尺寸和外形指标,进一 步判定疑似区域是否含有靠岸舰船;文献24提出 基于可变夹角链码的靠岸舰船目标检测方法,采用 可变夹角链码来描述舰船的轮廓特征,通过对可变 夹角链码进行特征匹配实现停靠码头舰船的检测. 在舰船目标局部显著性特征方面,文献32利 用邻域自相似提取算子提取港口舰船的局部显著性 特征点,形成显著性区域,分析区域特征(区域面积、 质心位置、 方向、尺寸特征、 占空比、 平均亮度),并 利用舰船停靠位置的先验知识,自

32、动检测靠岸舰船. 1.3离岸舰船目标候选区域提取 对于纯海洋背景中的离岸舰船目标,其检测任 务的关键主要在于,如何利用舰船目标与海洋背景 的差异,从海域中获取舰船目标的候选区域,然后再 根据舰船与其它干扰因素(如垃圾漂浮物、 小型海岛 等)的区别,去除虚警,提取出真正的舰船目标. 当海面平静且无云雾干扰时,光学卫星遥感图 像中水体的灰度值一般比较低,而舰船目标通常比 较亮,利用基于灰度阈值分割的方法提取离岸舰船, 往往就能取得比较好的结果.然而,受光照、 云雾、 海况、 成像视角、 舰船类型和舰船材料等多种因素 的影响,图像中海面区域和舰船目标复杂多样,如何 稳定有效地从海洋背景中提取舰船候选

33、区域,仍是 一项很有挑战性的工作. 目前,用于离岸舰船目标候选区域的提取方法 主要可分为四大类: 1)基于灰度统计特征的方法 基于灰度统计特征的方法 7, 10, 15, 19, 33- 34 主要 是利用水体与舰船目标的灰度统计差异性特征进行 图像分割,从而获取舰船目标候选区域.这些灰度差 异性特征包括:灰度 7 、图像信息熵 10 , 19 、 形态学对 比度 15 、局部统计方差 33 、类高阶梯度 34 等. 这类方法一般适用于海面较为平静、纹理均匀 且水体灰度较低的情况.然而,对于海面复杂的情 况,图像中难免出现大海浪、云层遮挡或水体灰度较 亮,以及噪声、 阴影等干扰因素,加上舰船目

34、标的黑 白极性,同一舰船目标不同部位的灰度特征也不一 致,在这类图像中采用基于灰度统计特征阈值分割 的方法,则易产生较多的漏警和虚警. 2)基于边缘信息的方法 基于边缘信息的方法 45 主要利用舰船船缘在 高分辨率光学卫星遥感图像中边缘特征较为明显的 特点,依据目标边缘信息,并结合形状分析,获取舰 船目标候选区域或舰船疑似目标. 典型的方法有,文献45通过对由原始灰度和 边缘强度图像线性组合而成的图像,进行OTSU自 适应阈值分割,并结合简单的形状特征(包括面积、 长、宽、区域外接矩形的长宽比),获得舰船目标候 选区域. 这类方法利用了人造舰船目标边缘特征显著的 特性,在海面平静且舰船与海面对

35、比度明显时,效果 较好.当海况复杂,大海浪及海浪亮块产生的边缘会 带来很多干扰,严重时甚至会将舰船目标淹没. 3)基于分形模型和模糊理论的方法 对于舰载光电传感器获取的海空背景图像,由 于受到海浪、 云层的影响,其灰度变化非常大,尤其 是在恶劣气象条件下,目标与背景的灰度对比度低, 阈值分割法和边缘检测法都难以得到满意的检测结 果.有关研究表明 22 - 23 ,海浪、 云层等自然背景具 有分形特征,而舰船等人造目标不具有分形特征,利 用目标与背景之间分形特征的差异成为有效解决海 空背景图像中舰船目标自动检测的可能途径之一. 典型的研究工作有:文献22针对复杂海面环境下 的舰船目标检测,利用纹

36、理分形维和缝隙特征进行 海面舰船目标检测;文献23采用多尺度分形方法 检测舰船目标. 当背景比较复杂,如可见光图像受到云雾等干 扰时,背景自相似性降低,用分形模型拟合误差较 1034自动化学报37卷 大,分割时易出现误分割,此时,算法检测效率比较 低. 4)基于视觉感知机理的方法 基于视觉感知机理的方法主要是将人类视觉系 统可快速聚焦于感兴趣区域的特性引入到舰船目标 候选区域的提取中.文献24基于选择性注意机制, 依据灰度及面积显著特征的引导,快速圈定可能存 在舰船的疑似区域,形成可疑目标ROI切片.文献 21采用视觉显著度模型,通过纹理、 亮度和方向等 多特征视差计算来对疑似的目标进行筛选.

37、而文献 35基于人眼多级视觉感知和视觉非对称机制,首 先利用一种改进的计算频谱残差的方法得到视觉显 著图;其次利用Tophat形态学滤波去除视觉上不属 于舰船目标的区域,并计算兴趣关注点;最后利用一 种方向自适应的Gabor滤波算法对兴趣关注点周围 进行聚焦、 联想分析,从复杂海况背景下检测舰船目 标. 这类方法是近些年来舰船目标检测研究的一个 热点,旨在借鉴人类视觉系统感知周围事物的强大 能力,但是受光照、 天气、海况、舰船目标自身特性、 成像传感器参数、舰船运动参数等多种因素的影响, 不同成像条件下图像复杂多变,显著特征的自适应 分析与提取以及显著图的有效获取是该类方法需要 解决的难点问题

38、. 当受云干扰时,光学遥感图像中的舰船检测将 变得非常困难,关于有云图像的海洋舰船目标检测 问题,近年来也取得了一些研究进展.文献20研究 了带云层的图像舰船检测问题,对图像进行小波分 解,在人造目标边缘方向进行Frost滤波,然后通过 阈值分割方法剔除大块云层,并根据区域的平均边 缘梯度剔除小块云层从而实现舰船检测;文献2针 对有云和阴影的复杂海洋背景图像,提出基于视觉 注意机制的舰船目标检测算法,在分析舰船尾迹模 式后,利用区域纹理检测舰船尾迹,并联合多个特征 对舰船目标进行序贯鉴别;而文献35针对大块且 成像复杂云层的检测问题,利用基于图像内容特征 学习的方法,从灰度、 纹理、边缘等角度

39、提取描述云 层的特征向量,再利用机器学习的思想加以学习建 模,进行云层分类. 1.4舰船目标确认 舰船目标确认主要是在舰船目标候选区域或舰 船疑似目标提取的基础上,结合舰船目标自身特征, 进一步分析确认,去除虚警,提取出真正的舰船目 标2 , 7, 10, 21, 24, 33, 45- 46. 常用的舰船目标特征有:灰 度、尺寸、形状、纹理特征,具体包括灰度、面积、 长、宽、长宽比、 偏心率、 轮廓、 不变距、 统计特征 等. 在对舰船目标进行确认过程中,通常采用联合 多个特征的方式去除虚警,得到舰船目标.如,形态 学滤波和形状约束相结合 7 ;灰度和纹理特征特征 相结合 2 ;轮廓、长宽比

40、和平行线特征相结合 24 ;尺 寸、灰度、形状特征相结合 10 ,具体采用面积、 长度、 长宽比、 灰度均值和Zernike不变矩等特征;形状和 纹理特征相结合 46 .或者采用一些其他的特征描述 子,如文献45针对舰船疑似目标,基于小波特征、 局部多值模式(Local multiplepatterns, LMP)、形 状特征(紧致度、 凸度、 矩形度、 偏心率、 矩不变量) 和简单纹理特征(均值、 方差、 矩、熵)等多个特征, 采用SVM分类器对疑似舰船目标进行确认识别.法 国的IRD系统 4 对检测到的每个对象提取28维特 征,包括灰度统计特征(如均值、 标准差、 方差、最小 值、最大值、

41、 偏斜度)、形状特征(周长、面积、 紧凑 度、对称性、 长宽比)、纹理特征(灰度共生矩阵)等, 并利用遗传算法(Genetic algorithm,GA)进行特 征选择,从所提取的28维特征中选出8个特征(像 素数目、 均值、 标准差、 最小值、 最大值、 方差、 长 宽比、纹理均匀性),以降低计算复杂度,简化分类模 型. 考虑到舰船目标在不同分辨率图像中呈现的特 征有一定差异,文献21对于分辨率小于3米的低 分辨遥感图像,提取候选目标的一阶灰度特征(包括 平均灰度、 方差、 一阶能量、 一阶熵等)来构建目标 向量;而对于高于3米的高分辨遥感图像,在构建目 标向量过程中,增加灰度共生矩阵的二阶

42、纹理特征 (包括相关性、 局部平稳、 惯性矩、 二阶熵等)和形状 不变矩等特征. 1.5舰船目标分类识别 随着光学卫星遥感图像的分辨率日益提高,图 像中的舰船目标结构和细节信息不断丰富,在目标 识别方面相对于SAR图像有很大的优势.由于起步 较晚,目前关于光学卫星遥感图像舰船目标分类识 别的文献还比较少.光学卫星遥感图像舰船目标分 类识别,作为模式识别和人工智能的一个重要研究 领域,和其他目标的分类识别任务类似,也主要包括 特征提取与选择、分类两个模块. 1)特征提取 特征提取是舰船目标分类识别任务中非常关键 的步骤,对后续的分类识别性能起着决定性的作用. 然而,舰船特征受图像分辨率、成像参数

43、、 光照等多 种因素的影响. 光学遥感图像舰船目标识别中常用的特征主要 包括:大小、灰度统计特征、 形状特征、 纹理特征等. 文献27在QuickBird0.6m分辨率遥感图像上, 选取不变矩特征、纹理特征构造舰船目标特征矢量; 9期王彦情等 : 光学遥感图像舰船目标检测与识别综述1035 Vyamsat系统 28 在多光谱三个波段上分别提取7 个不变矩组成73的特征向量,然后通过LDA进 行降维,利用降维后的特征进行舰船分类;文献43 根据长度特征将舰船目标分为大、中、小几类. 由于不同分辨率图像中舰船目标在灰度分布、 尺寸、 形状、 纹理结构等方面表现出来的特征差别 较大,加上阴影与遮挡等

44、干扰的存在,如何自适应地 提取稳定有效的特征,是舰船目标分类的一大难点 问题. 2)分类 在舰船分类识别方面,科研人员尝试了很多分 类方法,包括神经网络分类器 4, 31 、动态贝叶斯网 络29 - 30等,并取得了不错的效果.如,法国的IRD 系统利用误差后向传递多层感知器神经网络方法, 对舰船目标进行分类,并且用GA算法代替BP算 法来选择神经网络的最优权重 4 ;文献29- 30中 利用动态贝叶斯网络来区分航母、驱逐舰、 巡洋舰 和护卫舰.这些方法在应用中需要事先大量收集不 同类舰船的训练样本,在小样本情况下分类效果难 以保证,而且在基于经验风险最小化原则时,对大 量样本进行训练往往会导

45、致过学习现象.然而,收 集大量不同种类的光学遥感图像舰船样本往往是有 困难的,因此,针对上述分类方法的这些缺点,有些 科研人员将支持向量机(Supportvector machine, SVM)引入到舰船目标的分类问题中.如,文献27 在QuickBird卫星图像中,利用SVM对驱逐舰、 护卫舰、 油轮、 集装箱船和散装货船进行分类识别. SVM核函数的选择和相关参数的确定,对分类结果 影响很大,如何自适应地确定分类器所需的参数,仍 是需要深入研究的问题. 光学遥感图像舰船目标检测与识别典型方法的 比较与分析,可详见表1所示. 2尚存问题与发展趋势 尽管科研人员对光学遥感图像舰船目标检测与 识

46、别进行了一些探索,并取得了一定的成果,但在以 下几个方面还存在很多难点问题尚未解决,目前的 舰船检测识别技术离真正成熟的应用还有较大的差 距. 表 1光学遥感图像舰船目标检测与识别方法比较与分析 Table 1Methodcomparisonand analysis for ship detectionand recognitionin opticalremotelysensed images 模块方法优点缺点/ 难点 基于灰度统计的方法计算简单 , 适用于海面较为平静、纹理均匀且水体较暗的图像海面复杂时效果较差 离岸舰船目标基于边缘信息的方法海面平静且舰船与海面对比度明显时, 效果较好海面复

47、杂时效果较差 候选区域提取基于分形模型和模糊理论的方法利用舰船目标与背景之间分形特征的差异背景复杂时效果较差 基于视觉感知机理的方法模拟人的视觉感知 显著特征与显著图的自 适应分析与提取较难 基于港口先验信息的方法利用港口的地理信息、 海岸线或港口背景图像等先验信息 不适用于港口先验信息 缺失或发生变化的场合 阈值分割法计算简单 , 运算效率高海况复杂时易失败 海陆分离基于图像 区域生长法计算简单 对噪声敏感 ; 种子点的稳定 分析的自动提取比较困难 方法港口轮廓提取法 利用码头的长直线特性 不适用于沿码头岸线舰船 密集停靠的场合 难点: 先验信息与待处理图 港口先验信息法依据港口先验信息将靠

48、岸舰船检测像的精确配准 ; 并排停放舰 靠岸舰船目标船的分割与断裂舰船的连接 候选区域提取难点: 舰船目标显著特征的 图像分析法对图像两次分割 : 海陆分离 , 舰船与码头的分离有效提取 ; 并排停放舰船的 分割与断裂舰船的连接 舰船目标确认灰度、尺寸、形状、纹理特征 , 具体包括、 面积、长、宽、长宽比、偏心率、轮廓、不变距、统计特征等 舰船目标分类 特征提取大小、灰度统计特征、 形状特征、 纹理特征等 分类神经网络分类器、 动态贝叶斯网络、 支持向量机等 1036自动化学报37卷 1)舰船目标特征提取与表示 图像分辨率不同,舰船表现出来的特征也有较 大差异.在中低分辨率光学图像中,舰船的整

49、体形 状特征较为明显,但不同的舰船其形状特征差异可 能很大.在高分辨率图像中,舰船的结构细节清晰可 见,然而不同种类和型号的舰船,其结构特征也是复 杂多变 2 . 舰船检测和识别的任务不同,需要提取的舰船 特征有所不同.对于舰船检测而言,主要是提取可明 显区别于其他类型目标的、舰船所共有的特征,然而 由于舰船类型多样,其类内特征各异,再加上阴影、 并排停放、 码头毗连、 周围背景复杂等多种因素,使 得舰船特征的选取成为非常困难的工作;对于舰船 识别而言,则需要提取适于区分不同类型或型号的 舰船特征. 舰船的灰度特征在光学遥感图像中表现出不均 匀的特性,不仅不同舰船目标可能呈现黑、白截然不 同的极性,即使在同一舰船目标上,舰船的不同部位 由于材料、 结构等的不同,其灰度也可能有很大的差 异.此外,不同传感器、成像时间、 成像视角、 光照 变化、气象、 海况、舰船运动特性以及舰船并排停靠 等对舰船目标在光学遥感图像中表现出来的特性也 有影响.因此,舰船目标特征的选择与