基于光谱上下文特征的多光谱舰船ROI鉴别方法

唐天翼 朱长仁

摘 要： 多光谱遥感图像海洋背景下往往存在云、海浪、海岛、海岸等多种干扰情况，导致舰船检测很具有挑战性。因此提出一种基于光谱上下文特征的舰船感兴趣区域（ROI）鉴别算法。在舰船ROI切片基础上，按照主轴轴向和轴两侧子块划分，提出一种光谱“凹凸性”的特征描述方法和一种方向对称性的特征提取方法，构建并实现了组合光谱“凹凸性”和梯度方向对称性的光谱上下文特征描述方法，利用SVM分类实现舰船ROI鉴别。实验证明，在不同的图像分辨率情况下，引入光谱上下文特征的方法能够有效剔除大量云、海浪、海岛、海岸等虚警，具有较好的鲁棒性、有效性、适用性。

关键词： 多光谱遥感图像; 舰船ROI鉴别; 光谱特征; 梯度方向; SVM分类; 图像分辨率

中图分类号： TN206?34; TP391.4 文献标识码： A 文章编号： 1004?373X（2018）12?0133?06

Abstract： Interferences such as clouds， waves， islands and coasts often exist in multispectral remote sensing images under the sea background， which makes ship detection more challenging. A ship region of interest （ROI） identification algorithm based on spectral context feature is proposed in this paper. On the basis of ship ROI slices which are divided according to the direction of the principle axis and the subblocks on both sides of the axis， a feature description method based on the concavity and convexity of the spectrum and a feature extraction method based on direction symmetry are proposed. A spectral context feature description method of combining the concavity and convexity of the spectrum and the symmetry of the gradient direction is constructed and realized. The SVM classification is adopted to realize ship ROI identification. The experimental results show that the spectral context feature description method in the situation of different image resolution ratios can effectively eliminate many false alarms such as clouds， waves， islands and coasts， and has good robustness， effectiveness， and applicability.

Keywords： multispectral remote sensing image; ship ROI identification; spectral context feature; gradient direction; SVM classification; feature description method; image resolution

0 引 言

艦船检测与监测是国家海洋发展战略的重要组成部分，而卫星遥感技术对于海面舰船检测与监测具有重要意义。从20世纪80年代开始，美国、欧洲、日本就相继制定了海洋发展规划，并且陆续发射海洋监测、侦察卫星。对于海上舰船的监测主要是合成孔径雷达（SAR），SAR具有全天候的优点，且不受云层影响，而光学卫星遥感虽然分辨率较高且具备数量优势，但是容易受天气影响，通常可作为星载SAR的补充监测手段。近年来，随着传感器技术和数据融合技术不断发展，现有多光谱遥感图像的空间、光谱分辨率得以极大的提升。在现有多光谱遥感图像基础上进行舰船检测，已经不仅限于利用光谱信息进行海陆分离以及地物分类，其光谱信息足以支持特征构建并实现舰船识别。现有的可见光遥感图像舰船检测技术主要有几大类：

1） 阈值分割方法：包括最小误差阈值法、OTSU方法[1]、最大熵法、多阶阈值分割等。该类方法主要用于提取舰船ROI（Region of Interest）区域，运算简单，模型容易构建与理解，但是在复杂的海面环境下，算法适用性不稳定。

2） 轮廓提取方法：包括Canny边缘[2]、小波变换、广义Hough变换[3?4]等，通过匹配舰船轮廓进而检测舰船。该类方法虽然边缘匹配准确率较高，但实际算法中连续边缘的获取较难。

3） 舰首检测方法：利用SUSAN[2]、Harris角点检测策略[1]，构建舰首局部特征，实现对舰船舰首的检测[2，5]。

4） 特征检测方法：包括灰度统计特征、形状特征[3，6]（长宽比、紧凑性、离心率、矩形度等）、不变矩特征、纹理特征[7]（灰度共现阵、LBP、LMP及LTP等）、频域特征[8]（CF等）、HOG特征[8?9]等多类特征的组合运用于舰船的分类、鉴别。

然而，针对于现有的较高分辨率（1～10 m）多光谱遥感图像，上述方法在复杂场景中无法有效区分云、浪造成的干扰，所以本文结合舰船目标的光谱信息与上下文信息来鉴别舰船。

本文根据现有多光谱遥感图像特性，提出光谱“凹凸性”的光谱特征描述，该描述能充分利用舰船目标的光谱特性、上下文特性，再结合灰度图像下的梯度方向对称性的特征描述，两者组合构建光谱上下文特征，在粗检测算法获取的ROI区域[10]下，进行舰船的鉴别。该算法主要解决包括碎云、海浪、海岛等多种干扰的去除，通过SVM分类，以实现舰船ROI鉴别。

1 光谱上下文特征

1.1 光谱上下文的定义

在某种图像分割的基础上获得具有目标基本轮廓下的像元集合[I={（x，y）（x，y）∈ROI}]（即目标ROI区域）。通过综合考虑目标的光谱、内部上下文关系等特性，对目标内部按照某方向的某种规则或某几种规则进行内部区域划分[{R1，R2，…，Rn}]，主要考虑目标内部结构特性，使某一类表征同一内部结构的像元集合在同一个区域中，例如，舰船按长轴方向对其进行舰首、舰塔、舰尾三块区域划分，又比如舰船呈现的轴对称结构，可以按照以轴为分界左右划分。然后，对目标子区域[{Ri，1≤i≤n}]进行局部描述[{H（Ri），ξ（Ri），…，Ψ（Ri），][1≤i≤n}]，包括区域内光谱统计量[H（Ri）]，区域内各波段间描述[Ψ（Ri）]，比如色彩直方图、累积直方图、NDVI、NDWI等。再根据目标各分块光谱[δ{H（R1），H（R2），…，H（Rn）}]、波段间关系的描述[?{ξ（Ri），…，ξ（Rj）}]。最后，综合一种或多种光谱上下文描述构造出对目标ROI区域的光谱上下文描述如下：

[{H（R1），…，H（Rn），ξ（Ri），…，ξ（Rj），…，Ψ（Ri），…，Ψ（Rj）}]

1.2 光谱“凹凸性”的特征

本文提出一种光谱信息描述的新方法：光谱“凹凸性”描述CCCD（Color Concavo?Convex Descriptor）。该描述基于光谱曲线的波段间关系，对光谱折线进行“0?1”编码描述。

CCCD描述表现出不同波段间关系，是一种光谱曲线的编码方式。该描述容易理解、计算简单、易于统计分析，能够在一定程度上克服光谱信息的“同物异谱，异物同谱”的干扰性问题。具体构建如下：

1） 进行波段间灰度值比对，比对后取值0或1;

2） 依次遍历全图进行“凹凸性”编码，其中，“凹凸性”编码描述为：对于RGB图像，分别取三个波段值R，G，B，然后，比对波段间灰度值大小，获得000，001，010，011，100，101，110，111的八位编码。

光谱“凹凸性”描述编码如表1所示。

这是对区域内各像素的波段间上下文描述，通过这样的光谱特性描述，能够既表述地物的光谱统计特性，又能简化计算，实现快速地目标检测。

先统计整体区域获得8位凹凸性描述特征直方图[H8（ROI）];统计各分块区域获得8位凹凸性描述特征直方图[H8（Ri），i=1，2，3]，三个子块进行串联获得24维凹凸性描述特征直方图[CCCD_24=][{H8（R1），H8（R2），H8（R3）}]。

针对部分干扰与目标的对称性差异，对称性的分块描述[CCCD_16={H8（S1），H8（S2）}]，进而构建48维的CCCD特征描述如下：

[CCCD_48=H8（R1），H8（R2），H8（R3），H8（S1），H8（S2）}]

CCCD_48描述構建示意图如图1所示。

1.3 方向对称性特征

在无干扰情况下，舰船的对称性是比较好的，但是在遥感图像下舰船目标会存在光照不均、阴影等干扰，这导致舰船对称性并不是很严格。所以在本文中，主要是基于梯度方向直方图[9]以及主方向来表征舰船与云、海岛、海浪等干扰在对称性上的类间区分度。

在以主轴轴线为界的左右区域划分后，考虑到舰船目标的梯度方向在沿主轴方向的变化特性，再次对子区域进行细分，将左右两个子区域均划分为沿主轴方向的三个子块，然后对各个子块进行梯度方向的描述，并统计直方图，以及最大值方向，最后通过对比左右区域的对应子块的梯度方向特性来表述舰船ROI的对称特性。

描述的具体步骤为：

1） 计算梯度。对每个波段图像计算整个ROI区域的梯度，采用模板法在x和y两个方向分别进行离散微分。

2） 计算方向。选择各个波段中具有最大梯度模值的矢量作为一个像素的梯度方向。

3） 梯度方向直方图统计。统计各子块的局部图像梯度信息并进行量化编码，得到各子块区域的梯度方向直方图描述。取各子块梯度方向直方图的Bin=9，也就是将整个180°的梯度方向范围划分为9个方向区间，统计每个区域的像素点数目。

4） 构建描述。统计各个子块直方图90°方向[[α1，α2，α3]]也就是第5个直方的统计值[[H（?15），H（?25），H（?35）]]，并且将同一子区域的三个子块的梯度方向直方图串联得到27维的直方图编码串，如下：

2 引入光谱上下文特征的舰船ROI鉴别

舰船目标ROI鉴别方法有很多可供选择的特征方法，基于光谱信息的特征和基于上下文描述的特征均有多种不同方法，但这些方法都存在一个共性的缺点，那就是信息利用率不够高，往往考虑偏向于全色图像下的形状、灰度统计、纹理、结构、光谱统计以及角点提取、词袋（Bow）模型等，少有研究者对特征进行多方面考虑、多种类融合。本文将光谱“凹凸性”CCCD_48描述与梯度方向MCHOG60对称性描述串联结合为光谱上下文特征?CCCD_48+MCHOG60特征，这是一类光谱信息与现有灰度方法组合的特征。

在舰船目标ROI区域构建光谱上下文描述，将特征矢量输入到分类器中，对舰船与云、舰船与海浪、舰船与海岛、舰船与部分海岸的两两分类，实现舰船目标ROI的鉴别去虚警。舰船ROI鉴别具体框架流程图如图3所示。

3 实验结果与分析

为了验证本文方法的性能，与经典方法进行了实验比较。主要包括基于灰度图像的区域Hu不变矩、LBP纹理特征的鉴别方法、CCCD_48特征方法、MCHOG60特征方法。分类SVM算法的实现采用OpenCV 2.4.4的SVM线性核分类器，其中线性核函数为[K（x，x1）=（x·x1）]。

1） 评价标准。采用检测率[RTargets]和虚警率[Rinterfere]，定义：

具体实验结果分析如下：

1） CCCD_48+MCHOG60、Hu不变矩方法、LBP方法在鉴别云干扰的第一组实验中普遍表现比较好，优于单独用CCCD_48，MCHOG60三种特征的鉴别效果。在第二组实验中，在资源三号卫星多光谱图像的实验条件下，CCCD_48+MCHOG60方法去干扰效果最好，MCHOG60鉴别效果与CCCD_48+MCHOG60方法效果相近。在第三组实验中，SPOT卫星10 m分辨率多光谱图像下，CCCD_48+MCHOG60检测出全部目标，虚警6个，优于单独用CCCD_48，MCHOG60三种特征的鉴别效果，而两种经典方法在这种分辨率的目标图像下检测效果极差。

2） 去海岸干扰实验中，第一组实验可以看到CCCD_48+MCHOG60表现的鉴别能力最强，达到94.84%的检测率，虚警率为14.29%，这种光谱上下文方法鉴别能力上明显优于两种经典方法。第二组实验采用单幅大连港口区域的资源三号多光谱图像，可以看出基于CCCD_48+MCHOG60特征的鉴别方法虚警仅3个，比经典Hu不变矩方法虚警少2个，而经典LBP鉴别方法都表现有较高的漏警，去虚警能力也较CCCD_48+MCHOG60方法没有优势。

3） 去海浪干扰实验中，基于CCCD_48+MCHOG60特征方法的鉴别能力最好，但是该方法检测率较经典方法低，这是由于部分高亮海浪与舰船边缘的高亮会有干扰性;经典方法检测率都在98%左右，但是鉴别海浪干扰的能力比光谱上下文特征的鉴别方法差。

4） 去海岛干扰实验中，CCCD_48+MCHOG60方法去干扰能力最强，但是检测率比较低，虚警率为12.5%，其检测率达到97.42%，在三种方法中最优，而两种经典鉴别方法在检测率上略低于CCCD_48+MCHOG60方法，而且去干扰能力也明显比光谱上下文特征鉴别方法差。在去海岛和去海岸干扰的实验中MCHOG60对称性描述特征与CCCD_48+MCHOG60的鉴别表现稍好，而后者的检测率高于前者方法，这是由于光谱信息CCCD_48的加入，能夠在一定的鉴别能力下降的同时提高特征鉴别能力;同时，也可以看到CCCD_48+MCHOG60光谱上下文特征在去云干扰中的鉴别能力和检测率均优于MCHOG60方法，在去海浪干扰实验中，虽然在检测率上，CCCD_48+MCHOG60光谱上下文特征方法较MCHOG60方法略有下降，但是鉴别能力得到了一定提高。

从上述四种干扰去除实验结果来看，不同的描述特征用于不同的干扰鉴别有不同的效果，其中，CCCD_48+MCHOG60方法去除干扰的能力较强且检测率较高。

4 结 语

本文对现有舰船ROI鉴别方法进行了综述讨论，提出一种光谱上下文特征的描述方法，并训练SVM分类器实现对多光谱遥感图像海上舰船的目标鉴别。通过提出光谱“凹凸性”的区域光谱统计直方图CCCD_8，并在这种直方图统计量基础上构建目标轴向分块和对称特性的CCCD_48特征;简化梯度方向直方图HOG特征提取，对目标先按其特性分块后取每个分块的梯度方向直方图统计，通过对称性的直方图分布Contrast关系和对应左右对称子块区域的90°边缘对应梯度方向值对比值，构建MCHOG60对称性描述;两种描述组合为CCCD_48+MCHOG60的光谱上下文描述。

经过实验验证，CCCD_48+MCHOG60光谱上下文特征具有良好的鉴别性能，优于不引入光谱信息和不引入上下文信息的鉴别方法，能够更有效地实现舰船目标鉴别。

参考文献

[1] LIU Ge， ZHANG Yasen， ZHENG Xinwei， et al. A new method on inshore ship detection in high?resolution satellite images using shape and context information [J]. IEEE geoscience and remote sensing letters， 2014， 11（3）： 617?621.

[2] 李轩，刘云清，卞春江，等.局部显著特征下的光学遥感图像舷靠舰船检测[J].中国图象图形学报，2016，21（5）：657?664.

LI Xuan， LIU Yunqing， BIAN Chunjiang， et al. Inshore ship detection method in optical remote sensing images using local salient characteristics [J]. Journal of image and graphics， 2016， 21（5）： 657?664.

[3] 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 battlefield′s ship targets in optical remote sensing images [J]. Engineering journal of Wuhan University， 2015， 48（4）： 568?573.

[4] 赵春晖，栾世杰.相位谱的光学遥感图像舰船目标检测[J].沈阳大学学报（自然科学版），2015，27（5）：369?375.

ZHAO Chunhui， LUAN Shijie. Ship detection in optical remote?sensing images based on phase spectrum [J]. Journal of Shenyang University （Natural science）， 2015， 27（5）： 369?375.

[5] JIN Bin， CONG Yu， ZHOU Wei， et al. A new method for detection of ship docked in harbor in high resolution remote sensing image [C]// Proceedings of International Conference on Process in Informatics and Computing. Shanghai： IEEE， 2014： 341?344.

[6] 杜春，孙即祥，李智勇，等.光学遥感舰船目标识别方法[J].中国图象图形学报，2012，17（4）：589?595.

DU Chun， SUN Jixiang， LI Zhiyong， et al. Method for ship recognition using optical remote sensing data [J]. Journal of image and graphics， 2012， 17（4）： 589?595.

[7] 胡俊华，徐守时，陈海林，等.基于局部自相似性的遥感图像港口舰船检测[J].中国图象图形学报，2009，14（4）：591?597.

HU Junhua， XU Shoushi， CHEN Hailin， et al. Detection of ships in harbor in remote sensing image based on local self?similarity [J]. Journal of image and graphics， 2009， 14（4）： 591?597.

[8] SHI Zhenwei， YU Xinran， JIANG Zhiguo， et al. Ship detection in high?resolution optical imagery based on anomaly detector and local shape feature [J]. IEEE transactions on geoscience and remote sensing， 2014， 52（8）： 4511?4523.

[9] QI Shengxiang， MA Jie， LIN Jin， et al. Unsupervised ship detection based on saliency and S?HOG descriptor from optical satellite images [C]. IEEE geoscience and remote sensing letters， 2015， 12（7）： 1451?1455.

[10] 唐天翼，朱长仁，赵和鹏.基于色彩空间变换与异常检测的多光谱舰船感兴趣区域检测[J].现代电子技术，2015，38（21）：28?31.

TANG Tianyi， ZHU Changren， ZHAO Hepeng. Multispectral ship ROI detection based on color space transformation and anomaly detection [J]. Modern electronics technique， 2015， 38（21）： 28?31.

[11] TUIA D， CAMPS?VALLS G， MATASCI G， et al. Learning relevant image features with multiple?kernel classification [J]. IEEE transactions on geoscience and remote sensing， 2010， 48（10）： 3780?3791.

[12] ZHU Changren， ZHOU Hui， WANG Runsheng， et al. A novel hierarchical method of ship detection from spaceborne optical image based on shape and texture feature [J]. IEEE transactions on geoscience and remote sensing， 2010， 48（9）： 3446?3456.

[13] XU Jian， SUN Xian， ZHANG Daobing， et al. Automatic detection of inshore ships in high?resolution remote sensing images using robust invariant generalized hough transform [J]. IEEE geoscience and remote sensing letters， 2014， 11（12）： 2070?2074.