基于红外遥感图像的舰船目标检测方法与流程

本发明涉及红外遥感图像领域的目标检测识别技术，特别涉及一种基于红外遥感图像的舰船目标检测方法。

背景技术：

基于红外遥感图像的舰船目标检测与识别技术虽然研究起步比较晚，但随着载荷分辨率的不断提高，高分辨率红外图像在舰船识别方面表现出了突出的优势和广阔的前景。目前，复杂背景下的基于红外遥感图像的舰船目标检测仍是个难点；一方面由于海洋面积大，海面上的舰船信息非常丰富，导致数据量非常大，现有的基于舰船直方图拖尾性的检测方法和基于C-V阈值分割的检测方法非常耗时，不利于实时处理；另一方面由于受到风浪、云背景、舰船尾迹、太阳耀斑、海岛等因素的干扰，往往导致舰船检测时虚警较多。

技术实现要素：

本发明所要解决的技术问题是如何克服在风浪、云背景、舰船尾迹、太阳耀斑、海岛等复杂背景干扰的情况下，准确地、实时地检测出舰船目标。

为解决上述问题，本发明提出一种基于红外遥感图像的舰船目标检测方法，包括以下步骤：

S1：对红外遥感图像进行水岸分离，将包含舰船目标的海域图像分割出来；

S2：对水岸分离后获取的海域图像进行对比度增强处理，突出图像中的舰船目标，根据突出的舰船目标选定舰船目标的候选区域；

S3：从所述候选区域中确定舰船疑似目标，根据舰船个性化特征提取舰船目标。

根据本发明的一个实施例，所述步骤S1中，根据红外遥感图像的图像频率谱中频率在设定频段范围内的图像熵统计结果将图像分为海洋部分、陆地部分和海陆混合部分，经过边缘提取确定海岸线，将海域图像分割出来。

根据本发明的一个实施例，所述步骤S1包括以下步骤：

S11：将红外遥感图像分割成若干图像小块，对各个图像小块进行频谱计算，计算频率在设定频段范围内的图像熵，并进行累加统计，求得各个图像小块的图像熵总值；

S12：将各个图像小块的图像熵总值与预设上阈值和预设下阈值比较，将图像熵总值小于预设下阈值的图像小块判定为海洋部分，将图像熵大于预设上阈值的图像小块认定为陆地部分，其余图像小块判定为海陆混合部分；

S13：提取图像小块的海陆变化的边界作为种子点，进行区域生长，勾勒出海岸线实现水岸分离，将包含舰船目标的海域图像分割出来。

根据本发明的一个实施例，所述设定频段范围为4～20Hz。

根据本发明的一个实施例，所述步骤S2中，通过对水岸分离后获取的海域图像进行Top-Hat变换和Bottom-Hat变换，增强舰船目标和海洋背景的灰度对比度，突出舰船目标。

根据本发明的一个实施例，所述步骤S3中的从所述候选区域中确定舰船疑似目标包括以下步骤：

S31：对舰船目标候选区域的图像进行Top-Hat变换处理；

S32：对变换处理后的图像进行灰度形态学重建；

S33：对重建的图像进行阈值分割，确定舰船疑似目标。

根据本发明的一个实施例，所述步骤S3中的根据舰船个性化特征提取最优舰船目标包括以下步骤：

S34：针对阈值分割的图像，统计各个联通区域的像素面积，保留像素面积在目标联通设定范围内的联通区域，剔除其余的联通区域，所述目标联通设定范围根据舰船目标尺寸而定；

S35：提取保留的联通区域的骨架，计算骨架的长宽比，保留符合目标长宽比设定范围的骨架，剔除其余骨架，目标长宽比设定范围根据舰船目标骨架长宽比而定；

S36：计算保留的骨架的灰度变化，将灰度无变化且骨架长度大于预设长度值的骨架剔除，保留其余的目标骨架；

S37：根据步骤S36中保留的目标骨架及步骤S34中阈值分割的图像进行形态学重建，从而提取出了舰船目标。

根据本发明的一个实施例，所述步骤S34中，对于阈值分割的图像先进行形态学膨胀后，再进行统计各个联通区域的像素面积。

采用上述技术方案后，本发明相比现有技术具有以下有益效果：

1)通过水岸分割缩小舰船目标检测的范围，再对分割的图像进行去噪处理，抑制海洋背景噪声，增强舰船目标，最后根据舰船目标特征去除虚警，提取真正的舰船目标，降低舰船检测的虚警率，适应于复杂环境的舰船目标检测；

2)水岸区域的灰度、纹理特征差异不明显，加上舰船阴影的干扰，难以提取到完整的水岸轮廓，通过对分块区域进行图像谱统计，将图像分为平滑、复杂及混合三大部分，基于先验知识，平滑部分为海水，复杂部分为陆地，计算混合部分的种子点进行区域生长，将水岸完整的分割出来，能够快速地分割陆地和海洋，提高舰船检测效率；

3)根据舰船目标的特征，通过连通区域判别、骨架提取、长宽比判决、灰度判别等方法，将真正的舰船目标检测出来，该检测方法具有很强的适应性。

附图说明

图1为本发明一实施例的基于红外遥感图像的舰船检测方法的流程示意图；

图2是本发明一实施例的水岸分割的流程示意图；

图3a、3b是本发明实施例的不同图像小块及其图像频谱示意图；

图4是原始图像和分割后的图像的效果图；

图5是背景抑制和对背景抑制结果再进行灰度学重建的效果图；

图6是舰船目标检测确认的流程示意图；

图7是不同背景干扰条件下的分割与识别效果图。

具体实施方式

为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图对本发明的具体实施方式做详细的说明。

在下面的描述中阐述了很多具体细节以便于充分理解本发明。但是本发明能够以很多不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本发明内涵的情况下做类似推广，因此本发明不受下面公开的具体实施的限制。

参看图1，在一个实施例中，基于红外遥感图像的舰船目标检测方法包括以下步骤：

S1：对红外遥感图像进行水岸分离，将包含舰船目标的海域图像分割出来；

S2：对水岸分离后获取的海域图像进行对比度增强处理，突出图像中的舰船目标，根据突出的舰船目标选定舰船目标的候选区域；

S3：从所述候选区域中确定舰船疑似目标，根据舰船个性化特征提取舰船目标。

在步骤S1中，红外遥感图像可以通过现有的红外遥感图像采集装置获得，但不作为限制，也可以通过其他渠道获得。首先对红外遥感图像进行水岸分离，初步分割海洋和陆地，将包含舰船目标的海域图像分割出来，缩小舰船目标检测的范围。海域图像包含了舰船目标信息及海洋背景噪声，因而需要进一步剔除海洋背景噪声。

在一个实施例中，在步骤S1中，通过图像频率谱的统计分析初步分割海洋和陆地，具体根据红外遥感图像的图像频率谱中频率在设定频段范围内的图像熵统计结果将图像分为海洋部分、陆地部分和海陆混合部分，经过边缘提取确定海岸线，将海域图像分割出来。水岸区域的灰度、纹理特征差异不明显，加上舰船阴影的干扰，难以提取到完整的水岸轮廓，通过对图像进行图像谱统计，将图像分为平滑、复杂及混合三大部分，基于先验知识，平滑部分为海水，复杂部分为陆地，根据此初步分割进行边缘提取可以将水岸完整地分割出来。

参看图2，在一个实施例中，步骤S1进一步包括以下步骤：

S11：将红外遥感图像分割成若干图像小块，对各个图像小块进行频谱计算，计算频率在设定频段范围内的图像熵，并进行累加统计，求得各个图像小块的图像熵总值；

S12：将各个图像小块的图像熵总值与预设上阈值和预设下阈值比较，将图像熵总值小于预设下阈值的图像小块判定为海洋部分，将图像熵大于预设上阈值的图像小块认定为陆地部分，其余图像小块判定为海陆混合部分；

S13：提取图像小块的海陆变化的边界作为种子点，进行区域生长，勾勒出海岸线实现水岸分离，将包含舰船目标的海域图像分割出来。

具体来说，在步骤S11中，可以将红外遥感图像分割成50×50个的图像小块，分别计算获得各个图像小块的图像频率谱，对每个图像小块频率在设定频段范围内的图像熵进行计算并累加统计，得到各个图像小块的图像熵总值。优选的，设定频段范围为4～20Hz，该频率范围内的频谱更适合用于海陆图像分析。

在步骤S12中，将各个图像小块的图像熵总值与预设上阈值和预设下阈值比较，参看图3a的陆地图像和3b的海洋图像，由于陆地图像的熵比较大，海洋图像的熵比较小，基于此，将图像熵总值小于预设下阈值的图像小块判定为海洋部分，将图像熵大于预设上阈值的图像小块认定为陆地部分，其余图像小块判定为海陆混合部分。预设上阈值和预设下阈值可以根据多次试验经验积累而设定，具体不作为限制。

在步骤S13中，提取图像小块的海陆变化的边界作为种子点，例如将图像二值化处理，提取0～1变化的边界作为种子点进行区域生长，0～1变化的边界可以是指海洋部分的图像小块与陆地部分的图像小块的交界处，或者海陆混合部分的图像小块中的海陆分界线，区域生长后准确勾勒出海岸线，实现水岸分离，将包含舰船目标的海域图像分割出来，参看图4中的原始图像和分割后的图像。根据种子点进行区域生长是常规图像处理技术，在此不再赘述。

在步骤S2中，对水岸分离后获取的海域图像进行对比度增强处理，突出图像中的舰船目标，根据突出的舰船目标选定舰船目标的候选区域。

在一个实施例中，步骤S2中，由于太阳耀斑、风浪、舰船尾迹等海洋背景噪声的干扰，在对舰船目标进行图像分割识别时会产生很高的虚警率，通过对水岸分离后获取的海域图像进行Top-Hat变换(从原图像中减去开运算后的图像，图像增强的一种方式)和Bottom-Hat变换(经闭运算后的图像与原图像相减，图像增强的一种方式)，增强舰船目标和海洋背景的灰度对比度，抑制背景噪声，突出舰船目标，从而确定舰船目标的候选区域，进一步缩小舰船检测范围，候选区域可以是包含突出的舰船目标的尽可能小的区域。图5是对水岸分离后的具有复杂海洋背景噪声的图像进行背景抑制后的效果图(左)和对背景抑制之后的灰度学重建的效果图(右)。

WTH(x)＝(f-fg)(x) (1)

BTH(x)＝(fg-f)(x) (2)

其中，(1)为Top-Hat变换公式，(2)为Bottom-Hat变换公式，f为图像灰度，fg为背景灰度，x为舰船目标。

在步骤S3中，从候选区域中确定舰船疑似目标，根据舰船个性化特征提取舰船目标。先确定舰船疑似目标可以减轻个性化特征分析的复杂度。

参看图6，在一个实施例中，步骤S3中的从候选区域中确定舰船疑似目标进一步包括以下步骤：

S31：对舰船目标候选区域的图像进行Top-Hat变换处理；

S32：对变换处理后的图像进行灰度形态学重建；

S33：对重建的图像进行阈值分割，确定舰船疑似目标。

阈值分割可以是图像二值分割，通过二值化的灰度判断是否有舰船疑似目标。

在一个实施例中，继续参看图6，步骤S3中的根据舰船个性化特征提取最优舰船目标进一步包括以下步骤：

S34：针对阈值分割的图像，统计各个联通区域的像素面积，保留像素面积在目标联通设定范围内的联通区域，剔除其余的联通区域，所述目标联通设定范围根据舰船目标尺寸而定；

S35：提取保留的联通区域的骨架，计算骨架的长宽比，保留符合目标长宽比设定范围的骨架，剔除其余骨架，目标长宽比设定范围根据舰船目标骨架长宽比而定；目标长宽比设定范围例如但不限于小于5；

S36：计算保留的骨架的灰度变化，将灰度无变化且骨架长度大于预设长度值的骨架剔除，保留其余的目标骨架；预设长度值例如但不限于大于30；

S37：根据步骤S36中保留的目标骨架及步骤S34中阈值分割的图像进行形态学重建，从而提取出了舰船目标。

参看图7，将阈值分割之后的图像进行形态学膨胀，剔除大小不符合要求的连通区域，对符合要求的连通区域进行骨架提取，计算长宽比与灰度变化，剔除不符合要求的虚假目标，降低虚警率，识别出真正的舰船目标。该检测方法局域适应性，准确地提取舰船目标，降低舰船检测的虚警率。

在一个实施例中，步骤S34中，对于阈值分割的图像先进行形态学膨胀后，再进行统计各个联通区域的像素面积。

本发明虽然以较佳实施例公开如上，但其并不是用来限定权利要求，任何本领域技术人员在不脱离本发明的精神和范围内，都可以做出可能的变动和修改，因此本发明的保护范围应当以本发明权利要求所界定的范围为准。