一種新的合成孔徑雷達圖像船只幾何特征提取方法*

武思文，郎海濤**,石洪基，李 偉

(1.北京化工大學理學院，北京 100029； 2.北京化工大學信息學院，北京 100029)

研究簡報

一種新的合成孔徑雷達圖像船只幾何特征提取方法*

武思文1，郎海濤**1,石洪基1，李 偉2

(1.北京化工大學理學院，北京 100029； 2.北京化工大學信息學院，北京 100029)

海上船只監(jiān)測在海洋交通、漁業(yè)管理等領域發(fā)揮著重要的作用。高分辨率合成孔徑雷達衛(wèi)星的發(fā)射，使船只類型識別成為可能，進一步提高了海洋監(jiān)測的能力。幾何特征是一種重要的船只類型識別特征，本文提出了一種新的合成孔徑雷達圖像船只幾何特征提取方法。與傳統方法不同，本文利用最大穩(wěn)定極值區(qū)域算法，取代常用的恒虛警率算法，來檢測定位船只。這種方法能夠在同等檢測率的情況下，有效的降低虛警率，并且具有更快的速度。在幾何特征提取過程中，本文提出了改進的最小外接矩形提取方法，這種方法能夠有效的抑制旁瓣對船只幾何特征提取的影響。實驗證明，本文提出的方法能夠更快速、準確的提取船只的幾何特征。

船只檢測與分類； 幾何特征； 最大穩(wěn)定極值區(qū)域； 最小外接矩形； 合成孔徑雷達

海洋是國民經濟可持續(xù)發(fā)展的戰(zhàn)略空間，也是國家安全的重要屏障。作為海上運輸和作業(yè)的主要工具，對船只進行有效監(jiān)測，在海洋交通、漁業(yè)管理、打擊海上走私、保衛(wèi)領海安全等領域發(fā)揮著重要的作用，受到世界各國的高度重視。由于具有寬幅觀測以及全天時、全天候的工作能力，基于合成孔徑雷達(SyntheticApertureRadar,SAR)的海上船只監(jiān)測已經發(fā)展為一種通用手段。隨著TerraSAR-X，Cosmo-SkyMed，Radarsat-2等高分辨率SAR衛(wèi)星的發(fā)射，基于SAR圖像的船只類型識別成為可能，極大的提高了海上船只監(jiān)測系統的能力[1-3]。

基于SAR圖像的船只類型識別方法是從SAR圖像中提取具有船只類型區(qū)分能力的特征，從而對船只進行分類。常用的分類特征主要有以下幾種：(1)能夠反映船只形狀、大小等差異的幾何特征；(2)能夠反映由于船只的結構或者材料不同而導致的散射機制差異的極化特征；(3)能夠反映船只上層建筑分布差異的船只散射特征。上述三種特征中，極化特征和散射特征易受SAR成像條件(例如：傳感器類型、入射角、極化方式)和環(huán)境因素(例如：不同風、浪、流條件導致的不同海況)的影響。因此，即便對于同一船只，在不同條件下提取的船只特征也可能不同，從而對船只類型識別準確率造成很大的影響。相比之下，SAR圖像中船只的幾何特征受外界因素影響小，能夠被相對穩(wěn)定的提取，其提取方法也相對簡單。先前的工作已經驗證了幾何特征的船只類型識別能力。Lang等的工作證明，當采用單一特征對船只進行分類時，最佳的分類結果由幾何特征獲得。當采用多個特征組合對船只進行分類時，最佳的分類的結果離不開幾何特征的參與[4]。在其后繼的工作中，Lang 等進一步證明，僅利用簡單幾何特征的組合，能夠接近或者達到綜合使用幾何特征以及散射特征的分類結果[5]。近期的工作不僅證明了幾何特征的分類能力，也指出從SAR圖像中精確的提取幾何特征是進一步提高船只分類能力的關鍵[6]。

現有的自動目標識別系統(Automatic Target Recognition,ATR)首先利用恒虛警率算法(Constant False Alarm Rate,CFAR)從SAR圖像中檢測船只以確定其位置，然后再提取船只特征用于類型識別。具體流程如圖1(a) 所示：在船只檢測過程中，首先對海面進行建模，隨后利用CFAR算法檢測定位SAR圖像中的船只，進而根據定位結果確定船只目標所在區(qū)域。在特征提取過程中，首先提取船只主軸方向，并根據該方向將船只旋轉到與主軸方向平行，然后直接提取船只最小外接矩形(Minimum Bounding Rectangle,MBR)，根據MBR提取船只的長、寬、周長、面積等幾何特征。

圖1 船只檢測與幾何特征提取流程圖Fig.1 Flow chart of ship detection and geometric feature extraction

基于上述流程所提取的船只幾何特征的準確率受兩個因素的影響。一是CFAR算法的船只檢測性能。現有的研究結果表明，在SAR圖像中準確的檢測船只不是一個簡單的問題[7-9]。例如，高分辨率圖像中，由于船只表面散射強度不均勻，常常出現一只船被當作多只船檢測出的情況；船上具有較強后向散射的結構導致的旁瓣，利用常規(guī)的檢測算法難以抑制，經常被當作船檢測出；高海況情況下，現有模型很難精確的對海雜波進行建模，導致漏檢和虛警情況時有發(fā)生。為了有效平衡漏檢和虛警，現有方法通常預先設置一個相對較高的虛警率，盡量避免漏檢情況的發(fā)生，再通過篩選過程，利用形態(tài)學濾波等手段進一步消除虛警。顯然，在存在較多虛警的情況下，這種做法會極大的增加檢測過程的計算時間。另一個因素是在船只幾何特征提取過程中，現有方法首先利用Radon變換等方法提取船只主軸方向，再將船只按主軸方向旋轉后，直接提取MBR。研究表明，該方法所提取出的MBR大小常常大于船只的實際大小[10]。

針對上述兩個問題，本文提出一種基于最大穩(wěn)定極值區(qū)域(Maximally Stable Extremal Regions,MSER)的船只檢測方法用以在SAR圖像中檢測定位船只。并對現有的MBR提取方法進行了改進，以便更準確的提取船只的幾何特征。本文提出的方法流程如圖1(b)所示。首先，用MSER檢測算法替換CFAR算法對船只進行檢測定位，提取海上船只的初始輪廓。在幾何特征提取過程中，在獲取了船只的主軸方向并將船只旋轉到該方向之后，對船只圖像分別計算沿x和y方向的灰度值累計，通過確定灰度累計值階躍位置的方法確定船只的最小外界矩形。這種方法對旁瓣具有較強的抑制作用，可以進一步提高船只幾何特征的提取準確率。

本文其余部分內容如下：第一部分中介紹了MSER算法，該算法用于在SAR圖像中檢測和定位船只目標；第二部分介紹了改進的MBR提取方法，基于所提取的最小外接矩形，可以更準確的提取船只的幾何特征；第三部分實驗證明了本文所提出的方法在船只檢測和幾何特征提取方面均優(yōu)于現有的方法；最后，對本文工作進行了總結，并展望了未來工作。

1 基于MSER的船只檢測

為了提取海上船只的幾何特征，在SAR圖像中對目標候選船只區(qū)域的準確定位和提取是關鍵的一步。由于船只在高分辨率的SAR圖像中顯示為明亮的斑點，船只區(qū)域像素的平均強度高于海面區(qū)域像素的強度。其次船只在SAR圖像中不是某個特定的像素而是一個特定的區(qū)域，考慮到船只區(qū)域在SAR圖像中具有以上兩個特征，因此候選船只區(qū)域可以用MSER來表示[11]。

MSER算法可以用于圖像中具有較高相對亮度的成片區(qū)域的檢測。該算法是由Matas等人于2002年提出的，它是基于分水嶺的概念[12]。MSER的基本原理是對一幅灰度圖像(灰度值為0～255)取閾值進行二值化處理，閾值從0到255依次遞增。閾值的遞增類似于分水嶺算法中水面的上升，隨著水面的上升，有一些較矮的丘陵(低灰度值)會被淹沒，而較高的山峰(高灰度值)不會被淹沒，如果將被淹沒的區(qū)域設置為0，而將未被淹沒的區(qū)域設置為1，就能夠形成一個二值圖像。在得到的所有二值圖像中，圖像中的某些連通區(qū)域變化很小，甚至沒有變化，則該區(qū)域就被稱為最大穩(wěn)定極值區(qū)域。這類似于當水面持續(xù)上升的時候，有些被水淹沒的地方的面積沒有變化。它的數學定義為：

q(i)=|Qi+Δ-Qi-Δ|/Qi，

(1)

其中:Qi表示閾值為i時的某一連通區(qū)域；Δ為灰度閾值的微小變化量;q(i)為閾值是i時的Qi區(qū)域的變化率。當q(i)為局部極小值時，則Qi為最大穩(wěn)定極值區(qū)域。

MSER的檢測算法具有運算速度快、定位準確、穩(wěn)定性高以及無需任何平滑處理等優(yōu)點。因此本文采用該方法進行SAR圖像中的船只檢測。

2 基于改進MBR的幾何特征提取

現有的基于MBR的船只幾何特征提取方法首先利用Radon變換等方法提取船只的主軸方向，再將船只按主軸方向旋轉后，直接提取最小外接矩形。由于沒有考慮旁瓣的影響，這種方法所提取的最小外接矩形大小常常大于船只的實際大小。為此，我們之前的工作對該方法進行了改進，提出了一種分步船只最小外接矩形提取方法[4-5]。第一步，如圖2(b)所示，首先對原始圖像(圖2(a))進行二值化處理，之后對二進制圖像進行Radon變換。根據灰度直方圖(圖2(c))最大值的角度確定船只的主軸方向。第二步，在船只主軸方向旋轉到水平方向之后，分別計算x和y方向的灰度累計值(圖2(f))。設I(x，y)為經過旋轉的圖像在圖像坐標(x，y)處的強度值，Fy(x*)為沿y方向的累積值在x=x*處的值，在x方向的左右分割點xleft和xright根據下式定義：

圖2 改進的SAR圖像船只MBR提取方法Fig.2 An improved method of ship MBR extraction in SAR image

令xleft=min(x*),xright=max(x*)，使得：

fy(x*)>α·max(fy(x*))，

(2)

同理，在y方向的分割點ybottom和ytop根據下式定義：

令ybottom=min(y*)，ytop=max(y*)使得：

fx(y*)>α·max(fx(y*))，

(3)

其中，α是一個經驗參數，本文將其設置為α=0.3。

3 實驗及結果

為了測試本文所提方法的性能，本文采用四組實際SAR圖像進行了測試。如圖3所示，其中第一組數據1號船只包含明顯的旁瓣，可以利用它測試方法對旁瓣的抑制能力；第二組數據2、3、4號船只是小型船只，可以用其測試方法對小目標船只的檢測定位能力。

為了給出全面的評價，本文將所提方法與現有的CFAR檢測算法和常用的船只MBR提取方法進行了比較。分別進行了三組實驗：第一個實驗比較了MSER算法與CFAR算法的船只檢測與定位能力；第二個實驗比較了MSER算法與CFAR算法的計算速度；第三個實驗，以提取船只長度和寬度兩個幾何特征為例，比較了常用的MBR提取方法與本文提出的改進的MBR提取算法的準確率。

圖3 四組測試圖像Fig.3 Test SAR images

3.1 MSER與CFAR的船只檢測性能比較

該實驗分別采用MSER算法和CFAR算法，檢測其中兩組SAR圖像中的船只目標。對于CFAR算法，本文采用K分布對海雜波進行建模[13]，對于該數據將虛警率設置為0.01時，得到最高的檢測率。

圖4為2種檢測算法的實驗結果：上方兩幅圖像為MSER檢測實驗結果，下方兩幅圖像為CFAR檢測實驗結果。通過實驗結果圖像我們可以清楚地看到，具有明顯散射旁瓣的SAR圖像和目標船只尺寸較小時，使用K分布的CFAR檢測算法為了確保得到較高的檢測率，導致虛警率增高，不能有效的抑制散射旁瓣等缺點。如前所述，這些問題將嚴重影響之后幾何特征提取結果的準確率，以及增大計算時間。然而，在基于MSER檢測算法的實驗結果中，無論是在抑制散射旁瓣還是在小目標檢測方面都具有良好的性能，能夠準確的定位船只。

3.2 運算時間比較

本文除了對2種檢測算法的定位性能進行了比較之外，也比較了兩種算法的計算時間。所用的計算軟件為Matlab R2014b，運行的操作系統為64位Windows10，安裝內存8 GB。將兩種檢測算法，即基于K分布的CFAR檢測算法和MSER檢測算法，在相同的運算環(huán)境下循環(huán)運行10次。得到基于K分布的CFAR檢測算法和MSER檢測算法時間比約為3∶1(其中CFAR檢測算法運行時間為2.4 s、MSER檢測算法時間為0.8 s)。該實驗證明本文所提出的基于MSER的檢測算法在運行速度遠快于基于K分布的CFAR檢測算法。

圖4 上方為MSER檢測算法結果，下方為K-CFAR檢測結果Fig.4 Ships detection results of MSER algorithm (top) and K-CFAR algorithm (bottom)

3.3 兩種幾何特征提取方法比較

該實驗以提取船只長度和寬度兩個幾何特征為例，比較了常用的MBR提取方法與本文提出的改進的MBR提取算法的準確率。實驗結果如表1和2所示，表1為基于改進MBR提取方法的船只幾何特征提取結果。表2為基于常規(guī)MBR提取方法的船只幾何特征提取結果。

從表中可以看到，文中提出的幾何特征提取方法對有明顯散射旁瓣的1號船只，提取的幾何特征準確率遠遠高于常規(guī)方法。證實了我們的提取方法，在抑制旁瓣上有很好的效果。此外，常規(guī)方法長度平均誤差為6.0個像素、寬度平均誤差為5.3個像素；而用文中提出的方法長度平均誤差為5.8個像素、寬度平均誤差為3.4個像素?？梢姡倪M的最小外接矩形提取方法在寬度的提取上具有明顯的優(yōu)勢。

4 結論

本文提出了一種基于最大穩(wěn)定極值區(qū)域的船只檢測與幾何特征提取方法。實驗結果表明，MSER方法具有非常高的船只定位精度，在相同檢測率條件下，具有比CFAR方法更好的抑制虛警率的性能，也比CFAR方法更快速。改進的MBR提取算法對旁瓣噪聲等具有更好的抑制作用，能夠更準確的提取船只的幾何特征。在今后的研究工作中，我們會繼續(xù)完善該方法，希望本文所提出的船只幾何特征提取方法可以在實際工作中發(fā)揮作用。

表1 基于改進MBR提取方法的船只幾何特征提取結果(單位：像素)

Note:①Ship；②Length；③Actual length；④Width；⑤Actual width；⑥Ewor of length；⑦Ewor of width;⑧Average error

表2 基于常規(guī)MBR提取方法的船只幾何特征提取結果(單位：像素)

Note:①Ship；②Length；③Actual length；④Width；⑤Actual width；⑥Ewor of length；⑦Ewor of width;⑧Average error

[1] Margarit G.Barba A J.Milanes,Tabasco A.,Operational ship monitoring system based on synthetic aperture radar processing[J].Remote Sensing,2009,1(3):375-392.

[2] Brusch S,Lehner S,Fritz T,et al.Ship surveillance with terrasar-x [J],IEEE Transactions on Geoscience and Remote Sensing,2011,49(3):1092-1103.

[3] Zhao Z,Ji K,Xing X,et al.Ship surveillance by integration of space-borne sar and ais-review of current research [J].Journal of Navigation,2014:67(1):177-189.

[4] Lang H T,Wu S W.Capability of geometric features to classify ships in SAR imagery[J].Proc.of SPIE,2016.10004:100415-1-8.

[5] Lang H T ,Zhang J,Zhang X et al.Ship classification in SAR image by joint feature and classifier selection [J].IEEE GEOSCIENCE AND REMOTE SENSING LETTERS,2016,13(2),212-216.

[6] Duan C,Hu W,Du X.SAR image based geometrical feature extraction of ships [C].Geoscience and Remote Sensing Symposium (IGARSS),2011:2547-2550.

[7] Gao G.An adaptive and fast CFAR algorithm based on automatic censoring for targetdetection in high-resolution SAR images [J].IEEE Transactions on Geoscience and Remote Sensing,2009,47(6):p1685-1697.

[8] Ai J,Qi X,Yu W Anew CFA Rship detection algorithmbased on 2-Djoint log-normal distribution in SAR images [J].IEEE Geoscience and Remote Sensing Letter,2010,7(4):806-810.

[9] An W,Xie C,Yuan X,An improved iterative censoring scheme for cfar ship detection with sar imagery [J].IEEE Transactions on Geoscience and Remote Sensing,2014,52(8):4585-4595.

[10] Wang C,Zhang H,Wu F,et al.A novel hierarchical ship classifier for COSMO-SkyMed SAR data [J].IEEE Geoscience and Remote Sensing Letter,2014,11:484-488.

[11] Wang Q.Inshore ship detection using high-resolution synthetic aperture radar images based on maximally stable extremal region.[J].Journal of Applied Remote Sensing,2015,9(1):095094-095094.

[12] Matas J,Chum O,Urban M,et al.Robust Wide Baseline Stereo from Maximally Stable Extremal Regions[C].Proc of British Machine Vision Conference,2002:384-396.

[13] Oliver C J,Optimum texture estimators for sar clutter [J].Journal of Physics D Applied Physics,1993,26(11),1824-1835.

責任編輯 陳呈超

A Novel Ship Geometric Feature Extraction Method for SAR Imagery

WU Si-Wen1,LANG Hai-Tao1,SHI Hong-Ji1,LI Wei2

(1.Department of Physics and Electronics,Beijing University of Chemical Technology,Beijing 100029,China;2.School of Information,Beijing University of Chemical Technology,Beijing 100029,China)

The monitoring of marine vessels plays an important role in the field of ocean transportation and fishery management.The launch of the high resolution synthetic aperture radar (SAR) makes it possible to identify the type of vessel,and further enhance the capability of the ocean monitoring.Geometric feature is one type of the important characteristics of vessel type recognition.This paper presents a new method to extract geometric features of vessels from SAR image.Different from the traditional method,this paper uses the maximally stable extremal regions (MSER) algorithm,rather than widely used the constant false alarm rate (CFAR) algorithm,to detect the location of the vessel.This method can effectively reduce the false alarm rate in the case of the same detection rate,and has a faster speed.In the process of geometric feature extraction,this paper proposes an improved minimum bounding rectangle (MBR) extraction method.This method can effectively suppress the influence of the sidelobe on the geometric feature extraction of vessels.Experiments show that the proposed method can extract the geometric features of the shipmore quickly and accurately.

ship detection and classification; geometric features;maximally stable extremal regions(MSER); minimum bounding rectangle(MBR); synthetic aperture radar (SAR)

國家自然科學基金項目(61471024)；海洋公益性科研專項(201505002)；北京化工大學雙一流項目(PY201619)資助

Supported in part by the National Natural Science Foundation of China(61471024),National Marine Technology Program for Public Welfare (201505002) and The Higher Education and High-Quality and World-Class Universities (PY201619)

2016-09-15;

2016-11-16

武思文(1992-)，男，碩士生，主要研究方向合成孔徑雷達圖像中的船只識別。

** 通訊作者：E-mail:langht@mail.buct.edu.cn

TP753

A

1672-5174(2017)02-101-05

10.16441/j.cnki.hdxb.20160225

武思文，郎海濤,石洪基,等.一種新的合成孔徑雷達圖像船只幾何特征提取方法[J].中國海洋大學學報(自然科學版),2017,47(2):101-105.

WU Si-Wen,LANG Hai-Tao,SHI Hong-Ji，et al.A novel ship geometric feature extraction method for SAR imagery[J].Periodical of Ocean University of China,2017,47(2):101-105.