含噪光学遥感图像海面弱小舰船目标检测 下载: 901次
1 引言
海上舰船是海面监测与战时打击的主要目标之一,检测与识别舰船目标是近年来遥感图像智能处理的热门领域。针对光学遥感图像舰船目标的检测主要可分为[1]:1)基于灰度统计特征的方法[2];2)基于图像边缘信息特征的方法[3-4];3)基于分形模型与模糊理论的方法[5-6];4)基于视觉感知模型显著性检测的方法[7-8]。海面弱小舰船光学遥感图像易受海面阴影、噪声的影响,基于灰度统计特征、边缘信息特征与分形模型的方法在此环境下并不具备优势。基于视觉感知模型的方法将人类视觉系统快速聚焦于显著区域的特性引入目标检测,更为简捷有效。
基于视觉感知模型的显著性检测应用广泛,于20世纪90年代提出并得到持续发展,主要根据自上而下或自下而上的视觉显著性模型,实现目标区域的快速检测。Itti等[9]提出了基于视觉注意机制的显著性模型,但作为最早的检测方法,其效力与运行速度相对处于较低水平;Zhang等[10]提出基于贝叶斯模型的融合自顶向下与自底向上两种信息的局部显著性计算方法,该方法适用于小目标检测,但对噪声异常敏感;Cheng等[11]提出基于全局对比度的显著性区域检测方法,运行效率与检测精度均得以提升;Huang等[12]提出了通过多实例学习的显著对象检测,Wang等[13]提出了基于卷积网络学习的显著性检测方法,此类基于学习的方法较适用于具备目标库的图像检测。类似方法见文献[ 14]~[21],但均着眼于目标尺寸大、纹理细节丰富的无噪彩色图像检测,并未着重考虑全色图像小目标与噪声的影响,对本文目标而言均具有局限性。通过对含噪海面遥感图像分析可知,影响弱小舰船目标检测效果的主要原因在于孤立的脉冲噪声干扰,其中,盐噪声极易被检测为点目标。
针对上述问题,考虑基于底层视觉的显著性检测方法更为简捷有效,本文在Murray等[15]提出的非参数底层视觉模型(SIM)基础上对算法进行改进以实现海面弱小舰船目标的稳健性检测。
2 海面弱小舰船目标检测模型
2.1 SIM模型介绍
SIM模型是一种基于图像对比敏感度加权的目标显著性检测方法,如
具体方案为
将真彩色图像转至对立色通道,进行离散小波变换(WT)获取尺度空间金字塔;之后对各尺度系数矩阵(
SIM模型基于ECSF加权思想可有效提取普通图像不同颜色空间的显著信息。但对于含噪图像,噪声作为高频刺激对视觉感知形成了目标式误导,直接影响了检测效果。因此,本文基于SIM模型的尺度构架,利用图像信息向像素强度通道与噪声-边缘通道转换实现高低频信息的分离,同时构造适用于不同空间频率的负值对比敏感度函数(MECSF),通过差分处理完成最终检测。
2.2 图像通道设计
在图像分解通道设计上,将图像信息转至像素强度通道与噪声-边缘通道。
式中
在通道转换后,通过小波变换对两个通道进行不同频率分层处理以获取多个尺度的空间金字塔。空间尺度金字塔包含各尺度下水平、垂直、对角线方向的小波平面集合。实验表明,样本图像大于3层尺度的信息基本对整体无影响,故后续实验选择尺度为3。
2.3 MECSF构造
对比度是图像底层视觉模型中的重要特征,当人类要深入分析复杂场景时,视觉系统会根据高对比度刺激来判断显著性目标。采用基于对比度特性的中心-周围对比能量
式中
对比敏感度函数(CSF)是定量分析局部对比度对视觉造成影响的函数,Otazu等[14]在CSF基础上进行修改,获得定量分析能量对比度的ECSF为
式中
式中
MECSF模型曲线如
图 3. (a)正加权与(b)负加权显著图对比
Fig. 3. Contrast of saliency maps with (a) plus weight and (b) minus weight
2.4 构建显著图
利用通道响应
式中
3 实验结果与分析
3.1 检测效果
根据实际需求,将尺寸2~30 pixel的目标视为弱小舰船目标(由于图像灰度信息整体改变,因此不考虑图像强度因素带来的影响)。对40幅正常海面全色谱段可见光遥感图像进行检测,同时与5种相对效果较好的算法进行对比,效果如
对获取的显著检测图,经设定阈值的二值化处理及腐蚀膨胀操作[20]获取检测目标数。以准确率、召回率、综合评价指标(F-Score,
式中
针对无噪图像,本文算法准确率(97.30%)较最高的COV算法(93.22%)高4.2%,召回率(84.71%)与CA算法(84.71%)持平,综合评价指标(94.49%)较最高的COV算法(85.67%)高9.33%。
分析对比方法:CA算法利用上下文感知进行显著性检测,易将海面弱纹理视为目标,存在高虚警数;由于弱小舰船目标的纹理信息弱,COV算法采取均值与协方差描述子对图像区域7维特征向量进行描述的方式无法得到有效利用,导致高漏检数;SR算法对图像进行对数频谱分析,去除对数频谱中通用信息的过程导致弱小目标群检测过程中次级大目标被忽视,正检数下降;SWD算法在海面亮区计算缩减的尺度空间图像块差异及图像块空间距离与中心偏差过程形成了较大权重,导致整体检测本底值升高;SIM算法在尺度分解过程中针对海面弱纹理与边缘信息的提取量过大,导致目标与本底信息差异不明显,同时扩展对比灵敏度函数的引入并未明显使注意集中于目标区域,带来虚警。
对加入均值为0、方差为0.002的孤立脉冲噪声的上述40幅图像进行含噪检测实验,检测统计与显著性检测效果如
本文算法充分考虑了海面弱小舰船目标在检测过程受海面本底信息与噪声的干扰,通过设计更加满足人眼针对高低频率响应需求的MECSF,同时结合通道差异化设计,可有效提取目标主体区域,实现了噪声与图像边缘信息的有效弱化及目标区域的有效增强。
对正检、漏检与虚警数据进行分析,本文算法存在漏检与虚警的原因主要为:1)单个目标尺度过小(目标在图像中小于2 pixel)时会发生漏检情况;2)多个目标距离过近(两目标间距小于算法中采用模板尺寸3 pixel)时,会产生目标区域连通,多个目标被视为一个目标。
3.2 算法适应性
对正常目标图像分别加入均值为0,方差为0.005,0.010,0.015,0.020的脉冲噪声进行抗噪能力对比实验,检测效果统计如
当加入噪声方差不超过0.010时,各评价指标均高于85%;加入噪声方差不超过0.020时,各评价指标均高于75%。随着噪声增加,检测效果下降的原因主要为:脉冲噪声具有一定的随机性,当噪声过多,噪声及边缘信息存在提取不足的情况,盐噪声出现聚集后可能被识别为目标。
3.3 时间对比实验
采用Inter(R) Xeon(R) CPU E5-1620 v2 @3.70GHz计算机与Matlab R2015a软件进行时间对比实验。对
表 1. 耗时对比
Table 1. Contrast of consuming time
|
本文算法运行速度优于CA、COV算法,差于SR、SWD算法,略快于SIM算法(约快20%),算法耗时主要在多通道空域频域变换上。综合本文检测的特殊性与算法的准确性,算法耗时在可容忍范围。
4 结论
SIM模型主要应用于彩色目标的检测,利用不同通道的响应对小波系数进行加权,通过整个通道最终实现显著性检测。对于全色图像,基于SIM模型的检测效果并不理想。通过设计图像分解通道,即把全色图像分解为像素强度通道与噪声-边缘通道,并构造负值扩展对比敏感函数,利用负值权重加权小波系数,实现了不同尺度下噪声的凹陷处理,从而降低噪声对检测结果的干扰。实验结果表明,本算法兼顾良好的检测效果与抗噪能力。针对无噪图像,检测准确率为97.30%,召回率为84.71%,综合评价指标为94.49%;噪声方差不超过0.02时,准确率、召回率、综合评价指标均维持于75%以上。本文算法在算法耗时上仍有待完善之处,在下一步工作中重点考虑算法的并行化加速优化设计。
[1] 王彦情, 马雷, 田原. 光学遥感图像舰船目标检测与识别综述[J]. 自动化学报, 2011, 37(9): 1029-1039.
王彦情, 马雷, 田原. 光学遥感图像舰船目标检测与识别综述[J]. 自动化学报, 2011, 37(9): 1029-1039.
Wang Yanqing, Ma Lei, Tian Yuan. State-of-the-art of ship detection and recognition in optical remotely sensed imagery[J]. Acta Automatica Sinica, 2011, 37(9): 1029-1039.
[2] 施鹏. 基于光学遥感图像的舰船目标自动检测技术[D]. 合肥: 中国科学技术大学, 2010.
施鹏. 基于光学遥感图像的舰船目标自动检测技术[D]. 合肥: 中国科学技术大学, 2010.
ShiPeng. The ship detection based on optical remote sensing images[D]. Hefei: University of Science and Technology of China, 2010.
ShiPeng. The ship detection based on optical remote sensing images[D]. Hefei: University of Science and Technology of China, 2010.
[4] 刘进, 杨洁, 庞瑞帆, 等. 一种基于多尺度特征簇的舰船目标快速定位与识别方法[J]. 武汉大学学报(信息科学版), 2016, 41(1): 111-116.
刘进, 杨洁, 庞瑞帆, 等. 一种基于多尺度特征簇的舰船目标快速定位与识别方法[J]. 武汉大学学报(信息科学版), 2016, 41(1): 111-116.
Liu Jin, Yang Jie, Pang Ruifan, et al. A method for fast ship detection and recognition in sea-sky background based on multi-scale feature cluster[J]. Geomatics and Information Science of Wuhan University, 2016, 41(1): 111-116.
[5] 何四华, 杨绍清, 石爱国, 等. 纹理高阶分形特征在海面舰船目标检测中的应用[J]. 光学与光电技术, 2008, 6(4): 79-82.
何四华, 杨绍清, 石爱国, 等. 纹理高阶分形特征在海面舰船目标检测中的应用[J]. 光学与光电技术, 2008, 6(4): 79-82.
[7] 安彧, 王小非, 夏学知, 等. 海战场光学遥感图像舰船目标检测[J]. 武汉大学学报(工学版), 2015, 48(4): 568-573.
安彧, 王小非, 夏学知, 等. 海战场光学遥感图像舰船目标检测[J]. 武汉大学学报(工学版), 2015, 48(4): 568-573.
An Yu, Wang Xiaofei, Xia Xuezhi, et al. Detection of sea battlefiled's ship targets in optical remote sensing images[J]. Engineering Journal of Wuhan University, 2015, 48(4): 568-573.
[8] 郭少军, 娄树理, 刘峰. 应用颜色聚类图像块的多舰船显著性检测[J]. 光学精密工程, 2016, 24(7): 1807-1817.
郭少军, 娄树理, 刘峰. 应用颜色聚类图像块的多舰船显著性检测[J]. 光学精密工程, 2016, 24(7): 1807-1817.
[13] Wang LZ, Wang LJ, Lu HC, et al. Saliency detection with recurrent fully convolutional networks[C]. European Conference on Computer Vision, 2016: 825- 841.
Wang LZ, Wang LJ, Lu HC, et al. Saliency detection with recurrent fully convolutional networks[C]. European Conference on Computer Vision, 2016: 825- 841.
[15] MurrayN, VanrellM, OtazuX, et al. Saliency estimation using a non-parametric low-level vision model[C]. IEEE Conference on Computer Vision and Pattern Recognition, 2011: 433- 440.
MurrayN, VanrellM, OtazuX, et al. Saliency estimation using a non-parametric low-level vision model[C]. IEEE Conference on Computer Vision and Pattern Recognition, 2011: 433- 440.
[18] Hou XD, Zhang LQ. Saliency detection: a spectral residual approach[C]. IEEE Conference on Computer Vision and Pattern Recongnition, 2007: 18- 23.
Hou XD, Zhang LQ. Saliency detection: a spectral residual approach[C]. IEEE Conference on Computer Vision and Pattern Recongnition, 2007: 18- 23.
[19] Duan LJ, Wu CP, MiaoJ, et al. Visual saliency detection by spatially weighted dissimilarity[C]. IEEE Conference on Computer Vision and Pattern Recognition, 2011: 473- 480.
Duan LJ, Wu CP, MiaoJ, et al. Visual saliency detection by spatially weighted dissimilarity[C]. IEEE Conference on Computer Vision and Pattern Recognition, 2011: 473- 480.
[21] 杨林娜, 安玮, 林再平, 等. 基于空间距离改进的视觉显著性弱小目标检测[J]. 光学学报, 2015, 35(7): 0715004.
杨林娜, 安玮, 林再平, 等. 基于空间距离改进的视觉显著性弱小目标检测[J]. 光学学报, 2015, 35(7): 0715004.
Article Outline
宋明珠, 曲宏松, 金光. 含噪光学遥感图像海面弱小舰船目标检测[J]. 光学学报, 2017, 37(10): 1011004. Mingzhu Song, Hongsong Qu, Guang Jin. Weak Ship Target Detection of Noisy Optical Remote Sensing Image on Sea Surface[J]. Acta Optica Sinica, 2017, 37(10): 1011004.