基于像素点筛选的舰船湍流尾迹检测算法

摘 要： 提出了一种利用像素筛选检测湍流尾迹的算法。针对组成湍流尾迹的像素点在SAR图像上的梯度与幅度具有一致性的特征，对SAR图像像素点进行筛选，保留位于湍流尾迹位置上的图像像素，滤除位于背景位置的图像像素，实现了对湍流尾迹的检测。该方法克服了傳统Radon变换无法获得尾迹长度的局限，可以较为精确地框选出湍流尾迹所在的位置并获得尾迹方向。

关键词： 像素筛选; SAR图像; 尾迹检测

中图分类号： TP391.4

文献标志码： A

Abstract： An algorithm is proposed for the detection of turbulent wake in SAR image based on pixel filtering. According to the characteristic of turbulent wakes in SAR images， that the pixels composing turbulent wakes have similar amplitudes and gradient directions， we filtrate the pixels in SAR images， retain the pixels composing turbulent wakes and remove those in the background. This method overcomes the limitation of those traditional ones using Radon transform， that the length and the directions of turbulent wakes cannot be obtained. Using the proposed method， the locations of turbulent wakes in SAR images can be accurately selected with boxes， and the directions of turbulent wakes can be obtained.

Key words： Pixels filtering; SAR image; Ship wake detection

0 引言

随着我国海洋事业的发展，舰船检测受到越来越多的重视。相比光学图像，合成孔径雷达（SAR）通过发射、接受微波信号对观测区域进行成像，具有全天时，全天候观测的优势。在一定条件下，SAR图像中的舰船尾迹可延伸若干乃至几十千米[1]，呈现出一种有宽度的线性特征，因此有时比舰船本身更容易识别，并有助于反演出航速，航向等舰船运动信息。

传统的SAR图像尾迹检测方法大多使用Radon变换，如文献[3]，[4]，即将含尾迹的SAR图像投影至Radon变换域中，寻找对应于线性特征的峰值点，从而实现对尾迹的检测。传统的Radon变换检测方法受图像噪声影响小，但是在尾迹长度较短时易发生漏检，而且无法获得尾迹的长度以及起始点的位置信息。此外，Radon变换是对不同角度以及不同位置的直线上的像素进行积分，由于不同直线所包含的用来积分的像素数目不同， Radon变换的图像普遍存在双X亮纹，如图1所示，这对尾迹峰值点的检测造成不便。

2001年，王世庆，金亚秋[6]将形态学图像处理技术与Radon变换相结合进行尾迹检测，具有较好的鲁棒性。2003年，张宇，黄韦艮[10]提出了局部Radon变换，克服了传统Radon变换无法检测较短长度尾迹的缺点。2004年，钟劲松和朱敏慧[9]提出了归一化Radon变换，克服了Radon变换中沿着各条直线积分像素点数目不同的缺点。2005年，邹焕新[8]等将Radon变换峰值点的一维截面用小波变换进行匹配，获得峰值点的特征向量，然后进行分类决策，有效地提取了Radon域中的尾迹峰值点。2016年，杨国铮等[7]则使用形态成分分析与剪切波变换实现了舰船尾迹的检测。

湍流尾迹上的像素点与背景像素点的特性有明显不同：湍流尾迹上的像素点幅度普遍较低，并且梯度方向与尾迹方向在一定范围内具有一致性;而背景像素点的幅度及像素点梯度方向较湍流尾迹上的像素点而言更加杂乱。利用这一区别，对SAR图像上的像素点按灰度从小到大进行逐级筛选，即对于某一灰度级别的像素点，将在一定距离内，幅度以及梯度方向相近的像素点判决为湍流尾迹上的像素点;而对于幅度及梯度方向杂乱的像素点，我们将它判决为背景上的像素点。这种基于像素点筛选的方法避免了传统Radon变换检测尾迹时Radon变换域极值点的错选，起始点信息的丢失等缺点。

2 基于像素点筛选的尾迹检测

为了提高检测效果，首先对图像进行预处理，包括去除强点以及高斯滤波的初始化。预处理操作后，如果是小尺寸图像，将直接进行像素点的逐级筛选，获得小尺寸图像的初步筛选结果图;如果为大尺寸图像，首先将图像分割为边缘重叠的子图，然后对各子图进行逐级筛选，再将得到的各个筛选后的子图进行拼接，得到大尺寸图像的初步筛选结果图。下一步对初步结果图进行形态学的处理以及分水岭分割处理，然后选取图像中长宽比满足给定要求的对象，作最小外接矩形，达到检测湍流尾迹的目的。为确定湍流尾迹的方向，利用给定方向的一维Radon变换粗略地检测该湍流尾迹对应的开尔文臂，从而得以判断该条湍流尾迹的大致方向。算法流程图如图3所示。

2.1 对SAR图像进行预处理

为了提高检测精度，首先对SAR图像中的强点进行滤除：设f（x，y）为SAR图像中位于（x，y）的像素点的幅度值，以该像素点为中心，设置边长为w的矩形窗，矩形窗内含有边长为w0的保护窗口。边长w的矩形窗与边长w0的保护窗口之间为背景区域Φ（x，y）。计算Φ（x，y）内像素点的灰度平均值μ（x，y），将f（x，y）与μ（x，y）×q相比较（其中q为预设系数），若f（x，y）≥μ（x，y）×q，则认为位于（x，y）的像素点为强点，用μ（x，y）代替其灰度值。

除了滤除强像素点，本文还采用了高斯滤波的方式对SAR图像进行平滑预处理，从而进一步减少噪声点。

2.2 图像像素点筛选

得到预处理的图像后，对图像的像素点进行逐级的筛选，最后以置1的形式留下湍流尾迹位置的像素点，以置0的形式滤除背景位置像素點。

由于湍流尾迹在SAR图像中的灰度小于背景像素，所以本文将从低灰度得像素点开始筛选，将图像的像素点以灰度从小到大分若干个级别。在本文中为了减小计算量将像素点分成了L1，L2，…，L128个级别，然后对像素进行逐级过滤。具体算法如下：

Yi-1为第i-1次筛选像素点后的结果图，其中在前i-1次筛选中被滤除的像素以及尚未参加筛选的像素点置为0，参加筛选且留下的元素置1（Y0为全0的结果图）。在第i次筛选中，对灰度在Li级别内的所有像素点（像素点集合记为Xi）进行筛选，当前待筛选的像素点即为Xi中的像素，参与本次筛选计算的像素点为Xi中的像素点与Yi-1中置1像素点的并集（记为Pi）。

首先计算SAR图像所有像素点的梯度值以及梯度对应的该像素点的角度值，公式由文献[5]给出，像素点梯度值由（1）与（2），角度值由（3）计算得出，如式（1）～式（3）。

2.3 实现对湍流尾迹的框选

经过上述方法得到的像素筛选初步结果图上，留下了湍流尾迹上的绝大部分像素点，同时也存在小部分背景中像素点，为一幅二值图像。湍流尾迹上留下的像素点大多密集连结，而背景中留下的像素点则稀疏离散，利用这一点，本文通过移除二值图像中面积较小的对象，滤除背景中离散稀疏的像素点。然后再对图像进行形态学的闭运算，将距离较近的像素点连结成连通的图形。

2.4 尾迹方向判断

然后，可以根据前面得出的该湍流尾迹的外接矩形，得知湍流尾迹的倾斜角为θ，而湍流尾迹与开尔文臂倾斜角之间的夹角在多数情况下为大约19.5°[2]，从而推得两条开尔文尾迹大约为θ±19.5°，所以对该SAR子图分别进行θ-19.5°与θ+19.5°方向的Radon变换，并将得到的两个一维向量进行自适应检测。

以子图的θ+19.5°方向Radon变换为例，得到的一维向量记为U（i），代表在子图中，方向为θ+19.5°，与子图几何中心距离为i的直线上所有子图上像素点灰度值之和为U（i），其中-D≤i≤D，D为子图边长的1/2。若有|U（i0）-μi0w|≥L·σi0w，则认为在子图中，方向为θ+19.5°，与子图几何中心距离为i0的直线处存在开尔文尾迹，其中μi0w表示在向量U（i）中，以i0为中心，宽度为w的窗口内元素的均值，而σi0w则为该窗口内元素的标准差，L为给定的系数。通过给定方向的Radon变换以及一维自适应检测的方法，可以大致得到该条湍流尾迹对应的开尔文臂的位置，通过观察湍流尾迹与对应的开尔文臂的相对位置，可以得到湍流尾迹的朝向。

3 实验结果

3.1 对小尺寸图像进行湍流尾迹的检测

3.2 对大尺寸图像进行湍流尾迹的检测

4 总结

本文提出了一种像素点筛选的舰船尾迹检测方法，从湍流尾迹上的像素点灰度值以及梯度值具有一致性的角度对图像像素点进行筛选，实现对湍流尾迹的检测。在检测到湍流尾迹的基础上，通过给定方向的Radon变换以及一维自适应检测，实现了对开尔文臂的检测，并以此判断湍流尾迹的方向。该方法克服了传统Radon变换检测尾迹时极值点难以判断，尾迹长度，起点以及方向信息丢失的缺点，并且在SAR图像存在多条尾迹的情况下也可以取得较好的效果。

参考文献

[1] I Hennings， R Romeiser， W Alpers， et al. Radar imaging of Kelvin arms of ship wakes[J]. International Journal of Remote Sensing， 1999， 20（13）： 2519-2543.

[2] K Oumansour， Y Wang and J Saillard. Multifrequency SAR observation of a ship wake[J]. IEE Proceedings： Radar， Sonar and Navigation. 1996，143（4）： 275-280.

[3] L M Murphy. Linear feature detection and enhancement in noisy images via the Radon transform[J]. Pattern Recognition Letters. 1986， 4（4）： 279-284.

[4] MT Rey， JK Tunaley， JT Folinsbee， et al. Application of Radon Transform Techniques To Wake Detection In Seasat-A SAR Images[J]. IEEE Transaction on Geoscience & Remote Sensing. 1990，28（4）： 553-560.

[5] RGV Gioi， J Jakubowicz， JM Morel， et al. LSD： A line segment detector[J]. Image Processing on Line. 2012， 2（4）： 35-55.

[6] 王世庆， 金亚秋. SAR图像船行尾迹检测的Radon变换和形态学图像处理技术[J]. 遥感学报， 2001， 5（4）： 289-294.

[7] 杨国铮， 禹晶， 肖创柏， 等. 基于形态成分分析的复杂背景SAR图像舰船尾迹检测[J]. 计算机辅助设计与图形学学报， 2016， 28（10）： 1662-1671.

[8] 邹焕新，郁文贤，匡纲要，等. 基于峰值点形态信息的SAR图像舰船尾迹检测算法[J]. 国防科技大学学报， 2005，27（2）： 87-91.

[9] 种劲松， 朱敏慧，基于归一化灰度Hough变换的SAR图像舰船尾迹检测算法[J]. 中国图像图形学报， 2004， 9（2）： 146-150.

[10] 张宇， 黄韦艮. 一种利用SAR图像检测船舶尾迹的方法[J]. 国土资源遥感， 2003， 15（1）： 56-58.

（收稿日期： 2018.04.10）

推荐访问： 湍流 舰船 筛选 算法 像素

---