紅外偏振圖像的艦船目標(biāo)檢測

宮 劍， 呂俊偉， 劉 亮， 仇榮超

海軍航空大學(xué)， 山東 煙臺 264000

引 言

紅外強度成像依靠目標(biāo)與背景的輻射差異進(jìn)行成像， 能夠完成晝夜對目標(biāo)進(jìn)行偵察、 跟蹤與制導(dǎo)等任務(wù)， 在軍事領(lǐng)域有著廣泛應(yīng)用[1]。 目前， 基于紅外圖像的海上艦船目標(biāo)檢測方法研究成為熱點， 漆昇翔等[2]設(shè)計了一種小面卷積核抑制背景并增強紅外艦船目標(biāo)， 采用L0梯度最小化濾波方法提取目標(biāo)形狀， 最后根據(jù)艦船尺度和形狀特征完成檢測。 劉峰等[3]通過計算協(xié)方差矩陣對可見光， 中波紅外， 長波紅外三個波段圖像特征級融合， 采用KNN分類對艦船目標(biāo)識別。 趙微等[4]提出檢測艦船吃水線和動力艙作為目標(biāo)要害點， 魯棒性較強， 解決了跟蹤點自動選取的問題。 但是由于海面條件的復(fù)雜性導(dǎo)致紅外圖像目標(biāo)與背景的對比度低， 且隨著紅外偽裝技術(shù)的發(fā)展， 紅外強度圖像難以精準(zhǔn)檢測出艦船目標(biāo)。

紅外偏振圖像表征不同目標(biāo)間反射或輻射的偏振特征差異， 為艦船目標(biāo)識別提供了新的方法和途徑[5]。 現(xiàn)階段， 基于紅外偏振圖像的艦船目標(biāo)檢測研究相對較少， Cooper[6]對艦船目標(biāo)紅外偏振圖像進(jìn)行實驗分析， 總結(jié)得出海面偏振特征較強， 而與此同時人造目標(biāo)并沒有表現(xiàn)出顯著偏振特征的結(jié)論。 Zhao[7]設(shè)計了一種具有雙偏振片的光學(xué)系統(tǒng)， 通過雙偏振片角度計算模型得到最佳角度， 有效抑制太陽耀光對中波紅外偏振系統(tǒng)探測艦船目標(biāo)帶來的影響。 文獻(xiàn)[8]分別對空中的飛機， 海上的船舶， 草地上的車輛的偏振圖像進(jìn)行分析， 通過對海上船舶長波紅外偏振圖像分析， 紅外偏振圖像可以突顯海天線， 有利于海天分割。 文獻(xiàn)[9]針對星型水面雜波提出基于紅外偏振信息的雜波抑制方法， 該方法能夠有效抑制小范圍星型水面雜波， 但對于大區(qū)域雜波或條形波紋抑制效果并不理想。

針對紅外圖像檢測艦船目標(biāo)對比度低的問題， 提出一種基于紅外偏振圖像艦船目標(biāo)檢測方法。 首先對相同場景下的紅外強度圖像與偏振圖像的目標(biāo)特性進(jìn)行分析與比較， 根據(jù)目標(biāo)與背景偏振差異， 提出紅外偏振圖像海天線檢測方法。 為抑制海雜波對艦船檢測帶來的不利影響， 提出了紅外偏振圖像海雜波抑制算法。 最后， 應(yīng)用MSER算法檢測海面圖像中的目標(biāo)， 根據(jù)艦船特征約束剔除非艦船目標(biāo)， 最終得到較為滿意的檢測結(jié)果。

1 實驗部分

1.1 紅外偏振/強度圖像獲取

根據(jù)文獻(xiàn)[7]， 3～5 μm中波紅外波段易受到太陽耀光影響， 為避免此影響， 采用對反射耀光不敏感的8～12 μm長波紅外波段采集艦船目標(biāo)圖像。 如圖1所示為本研究使用的紅外偏振/強度圖像采集系統(tǒng)， 其中主要設(shè)備為長波非制冷紅外偏振/強度成像儀， 工作波段為8～12 μm， 成像分辨率為644×512。 由于長波紅外熱像儀光學(xué)系統(tǒng)口徑較大， 設(shè)計了后置偏振片紅外偏振采集系統(tǒng)， 即偏振片置于光學(xué)系統(tǒng)與長波非制冷紅外相機之間， 偏振片采用THORLABS公司的ZnSe偏振片， 消光比300∶1。 在采集偏振圖像時， 偏振片透光軸垂直于海平面， 旋轉(zhuǎn)偏振片至0°， 45°， 90°， 135°， 分別采集該偏振方向上的圖像。 為采集同場景下紅外強度圖像， 且考慮到移出偏振片對光學(xué)系統(tǒng)的影響， 設(shè)計了與偏振片材質(zhì)和厚度相同的紅外補償片， 移出偏振片的同時插入紅外補償片即可采集紅外強度圖像。

圖1 紅外偏振/強度圖像采集系統(tǒng)

偏振圖像采用Stokes參量表示， 如式(1)所示

(1)

其中，Ii(i=0, 45, 90, 135)分別代表在0°， 45°， 90°， 135°方向上的紅外偏振圖像。I表示強度分量，Q表示水平、 垂直偏振分量，U表示±45°偏振分量，V表示圓偏振分量， 在自然界中， 通常將其近似為0。

由于偏振圖像對目標(biāo)的偏振角度變化較為敏感， 受噪聲、 海雜波等影響較大， 偏振圖像的偏振度計算如式(2)

(2)

圖像采集于2017年10月在煙臺港附近進(jìn)行， 共采集86組包括在不同天氣條件， 不同距離， 不同時間段， 不同成像角度、 不同背景及不同類型艦船目標(biāo)的紅外偏振/強度圖像。 為避免海面耀光現(xiàn)象帶來的干擾， 所采集圖像均為非太陽反射區(qū)域， 樣本圖像中有艦船目標(biāo)309個。 如圖2所示為4組不同偏振角度圖像、 紅外圖像及其三維圖像示例， 其中(a), (b), (c), (d)分別對應(yīng)島岸背景， 海天背景， 島岸海天混合背景， 紅外圖像對比度低四類場景。

1.2 紅外偏振/強度圖像特性分析

如圖2所示， 根據(jù)采集到的0°， 45°， 90°， 135°紅外偏振圖像， 強度圖像和偏振度圖像， 對其進(jìn)行對比分析可以看出：

(1) 不同角度的紅外偏振圖像有所差異。 其中， 0°與90°偏振圖像差異最大， 尤其在90°偏振圖像海面區(qū)域灰度值較其他偏振方向降低明顯， 目標(biāo)與背景對比度較高， 可以得到海面具有較強偏振特征；

(2) 通過對比紅外圖像和紅外偏振圖像及其三維圖可以發(fā)現(xiàn)， 紅外圖像易受到復(fù)雜島岸背景的影響使得目標(biāo)與背景難以分辨， 導(dǎo)致檢測艦船目標(biāo)較為困難， 而紅外偏振圖像中天空和大多數(shù)海岸背景為低偏或無偏， 海面則偏振度較高， 這使得紅外偏振圖像中呈現(xiàn)出“階梯”狀， 易于分割自然背景與海面；

(3) 目標(biāo)與背景局部對比度是艦船目標(biāo)檢測的一個重要指標(biāo)， 通常目標(biāo)與背景局部對比度C0定義為[10]

(3)

式中，Lo表示被觀測目標(biāo)亮度，Lb表示目標(biāo)附近背景亮度。

在紅外偏振度圖像中， 背景灰度遠(yuǎn)大于艦船目標(biāo)灰度， 式(3)無法準(zhǔn)確反映真實的目標(biāo)與背景局部對比度差異， 存在一定局限性。 在此采用一種改進(jìn)的目標(biāo)與背景局部對比度計算方法[11]， 定義為

(4)

式中，Mo表示目標(biāo)灰度均值，Mb表示目標(biāo)附近背景灰度均值。

由圖2和表1可以看出， 在這4種場景下紅外偏振度圖像目標(biāo)與背景局部對比度高于紅外強度圖像， 紅外強度圖像目標(biāo)與背景局部對比度由0.037 6到0.469 5， 不同場景間變化范圍較大， 偏振度圖像目標(biāo)與背景局部對比度由0.603 6到0.929 5， 每個場景保持較高的對比度， 波動較小。 對于4個場景下紅外偏振度圖像的目標(biāo)與背景局部對比度分別是紅外圖像的2.66倍， 3.96倍， 1.92倍， 16.05倍， 對于紅外圖像對比度低圖像質(zhì)量差的情況， 偏振度圖像局部對比度提升明顯；

(4) 比較紅外圖像和紅外偏振圖像的海面背景， 由于海浪變化產(chǎn)生的海雜波對紅外偏振度圖像影響較大， 這對目標(biāo)檢測產(chǎn)生了不利影響。

圖2 不同場景下的紅外強度/偏振度圖像

表1 不同場景下的紅外強度/偏振度圖像目標(biāo)與背景局部對比度[11]

Table 1 Target and background local contrast of infrared intensity/polarization degree images in different scenes[11]

Scene0°45°90°135°紅外紅外偏振a0.149 60.164 80.304 50.170 10.264 80.704 9b0.171 30.215 30.321 30.234 90.235 00.929 5c0.228 90.342 10.505 70.304 50.469 50.902 9d0.008 20.018 70.059 30.038 70.037 60.603 6

紅外偏振圖像提高了目標(biāo)背景對比度， 尤其對于紅外圖像對比度較低的情況， 紅外偏振圖像表現(xiàn)出更好的適應(yīng)性， 大大提高了目標(biāo)背景對比度。 根據(jù)島岸、 海天背景與海面背景的偏振度可以有效地分割海天線。 但紅外偏振度圖像易受到海雜波影響干擾， 給艦船目標(biāo)檢測帶來困難。

1.3 紅外偏振圖像艦船檢測方法

基于紅外偏振圖像提出艦船檢測方法： 首先， 根據(jù)海面與背景的偏振差異提出雙峰閾值法分割海天線； 然后， 針對復(fù)雜海雜波對艦船目標(biāo)檢測帶來的干擾提出海雜波背景抑制算法； 最后， 應(yīng)用MSER檢測目標(biāo)， 并根據(jù)艦船目標(biāo)幾何特征約束和對比度特征約束剔除誤檢目標(biāo)， 最終得到艦船目標(biāo)檢測結(jié)果， 圖3給出了本文艦船檢測算法流程圖。

1.3.1 海天線檢測

對于前視紅外圖像， 艦船目標(biāo)的部分或整體都在海天線以下， 這使得檢測海天線變得十分有意義。 海天線檢測不僅可以排除岸島或天空背景的干擾， 也大大縮小了目標(biāo)搜索的范圍， 大大提高了檢測速度與精度。 紅外強度圖像在不同季節(jié)不同時間下相同場景的目標(biāo)與背景的輻射強度不同， 尤其對存在復(fù)雜島岸背景干擾及對比度較低的紅外圖像中檢測海天線變得較為困難， 本節(jié)提出應(yīng)用紅外偏振圖像檢測海天線的方法。

圖3 方法流程圖

Step 1 為避免紅外探測器盲元及噪聲對圖像帶來的影響， 使用5×5模板的中值濾波器對紅外偏振圖像預(yù)處理。

Step 2 根據(jù)圖2中對紅外偏振度圖像的三維圖分析， 海面偏振度較高， 而背景及艦船目標(biāo)偏振度較低， 且偏振度與輻射強度無關(guān)。 通過對所有采集得到紅外偏振度圖像直方圖分析發(fā)現(xiàn)由于偏振差異直方圖都出現(xiàn)“雙峰”， 通過雙峰閾值分割可以有效分割出海面從而得到海天線， 圖4為4個場景下的直方圖。

圖4 不同場景下的紅外偏振度圖像直方圖

Step 3 如圖4所示， 直方圖中有許多局部最大值和局部最小值(紅色箭頭所指部分)， 這對波谷閾值搜索造成較大干擾。 對直方圖進(jìn)行高斯濾波， 計算經(jīng)高斯平滑后的直方圖曲線， 搜索雙峰間的波谷點作為閾值進(jìn)行閾值分割。

Step 4 應(yīng)用霍夫變換檢測經(jīng)閾值分割后圖像的海天線。

1.3.2 海雜波背景抑制算法

對比圖2中的強度圖像與偏振度圖像， 由于偏振度與反射及輻射角度密切相關(guān)， 與強度圖像相比偏振圖像的海雜波紋理更強， 海浪不斷變化導(dǎo)致其產(chǎn)生的海雜波對艦船目標(biāo)探測產(chǎn)生了更加不利的影響。 本節(jié)提出一種海雜波背景抑制算法， 分為以下步驟：

Step 1 由于海面的高偏振特征和艦船目標(biāo)的低偏振特征， 偏振度圖像中目標(biāo)呈現(xiàn)低灰度， 背景為高灰度， 為了突出目標(biāo)并抑制海雜波背景， 將海面偏振圖像反轉(zhuǎn)， 即目標(biāo)為高灰度， 海面為低灰度， 如式(5)所示。

DOP1=1-DOP

(5)

其中，DOP為圖像偏振度，DOP1為反轉(zhuǎn)圖像偏振度。

(6)

(7)

Step 3 由于在海雜波背景抑制的同時也降低了目標(biāo)灰度值， 為提高目標(biāo)背景對比度， 對所得偏振圖像進(jìn)行歸一化處理， 歸一化方法如式(8)

(8)

Step 4 艦船檢測過程中艦船目標(biāo)通常出現(xiàn)在靠近海天線的區(qū)域， 而偏振圖像中近處海雜波大于遠(yuǎn)處海雜波， 為消除近處海雜波對艦船檢測的影響， 根據(jù)偏振圖像中各個像素到海天線的距離構(gòu)建距離加權(quán)系數(shù)β，β隨著像素離海天線距離增加而減小。 已知海面偏振圖像為DOP3(i,j)的行坐標(biāo)為mi， 海面偏振圖像行列分別為M，N， 則距離加權(quán)方法如式(9)

(9)

1.3.3 MSER檢測及艦船目標(biāo)特征約束

(1) MSER艦船目標(biāo)檢測

最大值穩(wěn)定區(qū)域(maximally stable extremal regions, MSER)是由Matas等[12]提出的一種提取仿射特征區(qū)域的算法， 該方法提取的特征區(qū)域內(nèi)部灰度變化很小， 但是和背景對比變化劇烈， 在不同閾值下特征區(qū)域能夠保持形狀不變。 MSER算法具有以下特性： ①圖像灰度仿射不變性； ②定義變換T:D→D, 協(xié)方差保持不變； ③在選定一個閾值區(qū)間極值區(qū)域保持穩(wěn)定不變； ④由于沒有平滑過程， 保留了目標(biāo)更多的細(xì)節(jié)和結(jié)構(gòu)； ⑤探測復(fù)雜度低， 速度快。 MSER算法中對各量的定義， 檢測方法描述見文獻(xiàn)[12]， 本文不贅述。

(2) 艦船目標(biāo)特征約束

對紅外偏振圖像應(yīng)用MSER方法檢測艦船目標(biāo)會出現(xiàn)誤檢現(xiàn)象， 經(jīng)過實驗分析主要有兩種因素： ①在分割海岸背景時， 海岸的壩和島等邊緣未被剔除， 在檢測中由于其低偏振度出現(xiàn)誤檢； ②在距離目標(biāo)和海天線較近區(qū)域如果海浪紋理較強將其誤檢為目標(biāo)。 由此需要對所檢測目標(biāo)進(jìn)行特征約束。

Ⅰ. 幾何特征約束

艦船目標(biāo)在側(cè)視圖中， 長寬比最大， 隨著角度不斷變化長寬比不斷縮小， 對檢測的目標(biāo)區(qū)域設(shè)置長寬比閾值， 根據(jù)艦船目標(biāo)特征約束剔除MSER檢測結(jié)果中長寬比過大的誤檢區(qū)域。 如圖5所示檢測目標(biāo)區(qū)域的長寬分別為L和W， 長寬比定義為Ratio=L/W， 根據(jù)先驗知識， 剔除長寬比不滿足艦船目標(biāo)幾何特征的非目標(biāo)區(qū)域。

圖5 紅外偏振圖像艦船目標(biāo)

Ⅱ. 艦船目標(biāo)與背景偏振對比度特征約束

對于紅外偏振圖像中的艦船目標(biāo)而言， 其偏振度和背景偏振度差異較大， 而海浪形成的海雜波雖然形成紋理， 但與海面背景相比， 偏振度差異較小， 可以根據(jù)偏振對比度約束剔除誤檢目標(biāo)區(qū)域。

2 結(jié)果與討論

為驗證本方法在復(fù)雜環(huán)境下檢測艦船目標(biāo)的有效性， 對所采集到的86組場景的紅外強度及偏振圖像進(jìn)行艦船目標(biāo)檢測， 文獻(xiàn)[2]方法作為實驗對比， 采用目標(biāo)檢測準(zhǔn)確率及查全率[13]作為算法優(yōu)良的評價指標(biāo)。 仿真平臺采用CORE i5-6200U 主頻2.4 GHz， 內(nèi)存8 G的PC電腦。

2.1 算法驗證

2.1.1 參數(shù)設(shè)置

實驗參數(shù)設(shè)置如下： 直方圖平滑的高斯窗口大小為25，σ為4。 MSER算法設(shè)定參數(shù)如下： 灰度閾值補償為3， 區(qū)域中包含像素個數(shù)上下門限為10～14 000， 不同閾值情況下最大區(qū)域變化范圍為0.2； 邊界擴(kuò)展比例λ為1.5， 艦船目標(biāo)長寬比Ratio為0.5～8， 目標(biāo)背景對比度閾值ε為0.5， 剔除檢測得到的非艦船目標(biāo)區(qū)域。

2.1.2 海天線檢測實驗

根據(jù)1.1節(jié)所提出的紅外偏振圖像海天線檢測算法， 對圖2中四個場景圖像進(jìn)行海天線檢測。 結(jié)果如圖6， 其中(a)為直方圖高斯平滑及搜索波谷閾值， (b)為閾值分割， (c)為霍夫變換檢測得到海天線結(jié)果。

根據(jù)圖6可以看出， 直方圖整體雖然體現(xiàn)出雙峰的形狀， 但是由于局部最大最小值會對波谷閾值搜索帶來困難， 設(shè)計的高斯濾波器有效消除了局部極值， 能夠準(zhǔn)確搜索波谷閾值。 與閾值分割和霍夫變換檢測海天線結(jié)果來看， 本方法能夠準(zhǔn)確檢測海天線。

2.1.3 海雜波抑制算法及艦船目標(biāo)檢測實驗

圖7為應(yīng)用本文所提算法對島岸背景， 海天背景， 島岸海天混合背景， 紅外圖像對比度低四類場景下的紅外偏振圖像艦船目標(biāo)檢測實驗圖。 (a)， (e)， (i)， (m)為反轉(zhuǎn)海面圖像三維顯示圖， 由這四組圖像可以看出， 由于海雜波的影響， 海浪紋理很強， 這讓準(zhǔn)確檢測那些淹沒在海雜波中的弱小艦船目標(biāo)變得十分困難。 (b)， (f)， (j)， (n)為海雜波抑制后的三維圖像， 本文提出方法有效削弱了海雜波的影響， 但對于海雜波較強， 海浪紋理較明顯的圖像， 特別在此類圖像距海天線較遠(yuǎn)的區(qū)域， 海雜波影響仍然較大。 (d)， (h)， (l)， (p)為對經(jīng)海雜波抑制后進(jìn)行距離加權(quán)得到的三維圖像， 由實驗圖像可以看出， 經(jīng)距離加權(quán)后， 海雜波背景基本消除， 目標(biāo)背景差異較大。 根據(jù)MSER檢測算法， 設(shè)定合適的艦船長寬比閾值， 及目標(biāo)與背景對比度約束， (d)， (h)， (l)， (p)為最終的檢測結(jié)果， 通過設(shè)定合理長寬比閾值及目標(biāo)與背景對比度閾值， 剔除海岸線區(qū)域及海雜波波紋等非目標(biāo)區(qū)域((l)中紅色箭頭所指區(qū)域)， 得到最終的艦船目標(biāo)檢測結(jié)果， 用綠色矩形框出。

圖6 本算法檢測海天線

2.2 實驗對比分析

將采集得到的86組圖像分為島岸背景， 海天背景， 島岸海天混合背景， 紅外圖像對比度低4類場景， 分別對應(yīng)場景(a)—(d)， 其中場景(a)28組, 場景(b)26組, 場景(c)21組, 場景(d)11組， 共309個艦船目標(biāo)。 分別對4種場景86組紅外偏振/強度圖像采用文獻(xiàn)[2]方法對紅外強度圖像艦船目標(biāo)檢測和本方法對紅外偏振圖像進(jìn)行艦船目標(biāo)檢測進(jìn)行對比。 采用準(zhǔn)確率precision和查全率recall兩個指標(biāo)評價檢測性能

圖7 算法實驗圖

(10)

(11)

其中，tp表示檢測正確目標(biāo)個數(shù)，fp表示誤檢目標(biāo)個數(shù)，fn表示未檢測目標(biāo)個數(shù)。

文獻(xiàn)[2]提出小面卷積核抑制背景區(qū)域并增強艦船目標(biāo)， 從而確定候選目標(biāo)區(qū)域， 該算法檢測速度較快， 但需要根據(jù)艦船尺度和形狀特性完成目標(biāo)檢測， 海面弱小點狀目標(biāo)檢測效果較差。 表2為本方法與文獻(xiàn)[2]方法檢測性能對比。

由表2可以看出， 對背景相對簡單場景(b)本方法與文獻(xiàn)方法檢測艦船效果較好， 本方法準(zhǔn)確率和查全率分別為95.5%和98.8%， 比文獻(xiàn)方法高3.4%和1.2%； 受到復(fù)雜背景的干擾， 文獻(xiàn)方法在場景(a)和場景(c)的艦船檢測準(zhǔn)確率下降到87.9%， 83.3%， 而本文方法準(zhǔn)確率為93.9%和92.3%； 在紅外圖像目標(biāo)與背景對比度較低的場景(d)中， 由于目標(biāo)背景差異過小使得目標(biāo)淹沒于雜亂的背景中， 文獻(xiàn)方法準(zhǔn)確率下降明顯， 準(zhǔn)確率僅為41.9%， 查全率為72%， 本方法能夠有效克服紅外圖像對比度低場景下檢測率下降的問題， 準(zhǔn)確率達(dá)到88.4%， 查全率為88.4%。 在島岸背景， 海天背景， 島岸海天混合背景， 紅外圖像對比度低4類場景中， 提出的紅外偏振圖像艦船目標(biāo)檢測方法優(yōu)于文獻(xiàn)方法， 綜合準(zhǔn)確率為93.2%， 查全率為95.7%， 尤其在紅外圖像對比度低場景下， 檢測準(zhǔn)確率遠(yuǎn)高于文獻(xiàn)方法。

3 結(jié) 論

針對紅外強度圖像受到復(fù)雜環(huán)境及背景影響導(dǎo)致目標(biāo)背景對比度下降而無法有效檢測目標(biāo)的問題， 提出了一種基于紅外偏振圖像的艦船目標(biāo)檢測方法。 根據(jù)海面、 目標(biāo)和背景的偏振差異， 應(yīng)用直方圖雙峰閾值法進(jìn)行閾值分割并應(yīng)用霍夫變換檢測海天線， 分割海面作為目標(biāo)區(qū)域， 提出紅外偏振圖像海雜波背景抑制算法， 最后通過MSER算法檢測目標(biāo)并使用艦船目標(biāo)特征約束剔除非目標(biāo)區(qū)域。 對本方法進(jìn)行了仿真實驗， 實驗結(jié)果表明， 紅外偏振圖像能夠有效提高目標(biāo)與背景局部對比度， 在不同場景下， 本方法可以準(zhǔn)確檢測海天線， 有效抑制海雜波對紅外偏振圖像檢測艦船目標(biāo)帶來的不良影響， 準(zhǔn)確地檢測出艦船目標(biāo)。 本方法在島岸、 海天、 島岸海天背景混合及紅外圖像對比度低的場景下準(zhǔn)確率和查全率優(yōu)于紅外圖像目標(biāo)檢測方法， 達(dá)到93.2%和95.7%， 尤其在紅外圖像對比度低場景下檢測效果提升明顯。

表2 本方法與文獻(xiàn)[2]方法對比