|
|
|
发布时间: 2017-08-16 |
遥感图像处理 |
|
|
|
周强1, 曲长文2, 李健伟2, 姚力波3 |
收稿日期: 2017-01-11; 修回日期: 2017-04-02
基金项目: 国家自然科学基金项目（91538201）
第一作者简介: 周强(1984—), 男, 讲师, 2014年于海军航空工程学院获信息与通信工程专业博士学位, 主要研究方向为高分辨雷达信号处理及图像处理。E-mail:nsfc-hjhy@163.com
中图法分类号: TP751
文献标识码: A
文章编号: 1006-8961(2017)08-1128-07
|
摘要
目的 漫长的海岸线上有很多由简单码头和突堤组成的小型港口，它们不像大型港口那样时刻被监视着，但其作为舰船的临时停靠场所，也是需要重点关注的区域，有必要对其区域进行自动检测。方法 本文在充分分析小型港口特征的基础之上，根据其海岸线轮廓在不同尺度下均能表现出丰富角点的特点，构造了提取小型港口区域的完整流程，包括采用多尺度角点检测提取港口潜在区域、采用新型突堤检测方法精提取港口区域、采用改进的岸线封闭性测度法鉴别去除虚假港口3个环节，通过实际SAR图像仿真验证了方法的优越性。结果 利用本文所提出的方法，处理两幅典型的港口区域SAR图像：Radarsat-2烟台港1 m分辨率的SAR图像和TerraSAR-X印度维沙卡帕特南港1 m分辨率的SAR图像，并与文献4中所述的方法进行对比，发现经过本文方法处理之后，虚警率从10%降到了6.6%，准确率从91.9%提高到了93.3%，但是由于计算流程较复杂，导致处理时间从11.58 s增加到了13.26 s。结论 本文针对小型港口的特点，提出了港口检测的完整的流程。实验结果表明，该方法的虚警率更低、准确性更高，但是存在运算速度慢的缺点，这是下一步需要优化的地方。该方法适用于大场景SAR图像中快速准确地检测出小型港口区域，可用于监视那些由简单码头和突堤组成的舰船临时停靠场所。
关键词
SAR图像; 小型港口提取; 角点; 突堤; 岸线封闭性算法
Zhou Qiang1, Qu Changwen2, Li Jianwei2, Yao Libo3 Abstract
Objective SAR can obtain high-resolution images of targets in all types of weather, all day, and at long distance.It has significant value to civil and military fields.Harbor detection is also an important aspect for remote sensing ocean application research.Monitoring ocean targets using SAR images is also an important research direction.A long coastline has several small harbors, which consist of many docks and jetties.Large harbors are monitored all the time.By contrast, small harbors with less importance are neglected.However, these small harbors, where ships temporarily park, may have certain important targets at critical times.Thus, small harbors should also be automatically detected from large-scene SAR images.This study aims to detect small harbors in large-scene SAR images efficiently.Detection methods are complex because the coastline is always flexible.The shape of small harbors is irregular, and detectors can be easily deceived by the changing coastline.Moreover, a large scene may consist of many false small harbors.Thus, detection may result in high false alarm rate and low accuracy, thereby making it unusable. Method The small harbors have geometrical and radiation characteristics.The geometrical characteristics refer to the natural and artificial shape of small harbors; thus, the shape of small harbors varies.The radiation characteristics refer to the complexity of the SAR image of the harbors compared with optical images due to the interference of the speckle and other strong scatter.An extraction method for small harbor areas in large-scene SAR images is proposed in this study based on small harbor characteristics.The method is divided into three stages.First, a multiscale corner detector is adopted to extract potential areas.In different scales of a coastline, a corner represents varied information.An original scale image can extract several corners, some of which are small ships and docks, whereas some are speckled noise.These corners will disappear when the image is downsampled, and only the entire harbor corner can be observed.Therefore, the coastline characteristics of the harbor area in different scales indicate that the multiscale corner detection method can extract potential harbor areas.Second, an improved jetty detection method is adopted to extract a finer harbor area.Given the inevitable presence of harbor jetties, the detection result can significantly reduce the search range of the SAR image.Moreover, the detection result can further confirm the position of the harbor area.The harbor area based on jetty detection in the potential region is thus extracted.The candidate region of the jetty can be removed using the proposed method, and the exact harbor area can be obtained.Third, the closed-shoreline measurement method is used to eliminate false harbor identification.The presence of several small harbors can easily be a false target.The natural environment of the coastline is complex and changing, and some of the corners are densely distributed.Moreover, ahead the sea area is a false harbor target.The harbor identification removes the false harbor according to the characteristics of the high closure-based measurement.At the same time, the position of the harbor area is known; thus, calculating the feature points in every coastline point is avoided. The large-scene SAR image is processed to evaluate the efficiency of the proposed method.The two images are typical small harbors in a large SAR scene.The evaluation metrics are the integrality of the harbor contour and method efficiency. Result Simulation results show that the proposed method has high accuracy and complete contour of harbors.However, the calculation is inefficient.To evaluate the proposed method, two typical harbor SAR images are processed, namely, the Radarsat-2 image of the Yantai Harbor and the TerraSAR-X image of the Visakhapatnam Harbor in India; both images have a resolution of 1 m.In comparison with the method proposed in the literature, the false alarm rate decreased from 10% to 6.6%, and the accuracy rate increased from 91.9% to 93.3%.However, the calculation process is complex, which results in the increase in processing time from 11.58 s to 13.26 s.Thus far, the best detection method has been previously proposed.The study establishes a harbor feature model and proposes a harbor detection method of remote sensing images based on this feature.First, harbor jetty extraction and discrimination is performed based on the instruction of geometric and topological features belonging to the harbor.Subsequently, the jetty key points are selected, and the coastline closure between key points is calculated according to the contextual and geometric features of the harbor.Finally, harbor detection is completed based on the closure principle.The method can easily produce false alarm without coarse-to-fine processing. Conclusion A new detection scheme is proposed in this study.A complete flow of small harbor detection method is proposed according to their characteristics.Experimental results show that the proposed method has few incidences of false alarm and high accuracy.The computation, however, is complicated due to the complex procedure.Thus, the method should be further optimized.The experimental results are consistent with the expected results. The proposed method is suitable for detecting small harbors in large SAR scenes.This method can monitor temporary parking ships, which is composed of simple wharfs and jetties.Recently, deep learning has a significant advantage in the traditional image processing domain, such as detection and recognition.The next direction is adopting deep learning to this domain.When the dataset is constructed completely, the result could be excellent.
Key words
SAR images; small harbor extraction; corner; dock; closure of coastline
0 引言
港口分为大型港口和小型港口。大型港口数量较少，目标组成复杂，停靠的重点舰船目标多，是重要的战略目标，区域经纬度一般已知。小型港口数量较多，目标组成简单，是由一些简单的码头和突堤组成的舰船临时停靠场所，区域经纬度一般未知。二者的相同点是都有港口的一些基本特征，例如码头、突堤和停靠的舰船等。不同的是自动处理方法，前者可直接根据经纬度快速准确定位其区域，而后者需要根据港口特征在整幅SAR图像自动搜索其区域，由于海岸线的复杂性，这会产生大量的虚假目标[1]。
由于港口形态多样、港口内目标复杂多变以及SAR图像相干斑噪声的影响，导致在SAR图像中检测港口非常困难。目前港口的检测方法主要有通过检测港口突堤、检测岸线角点、检测港口岸线封闭性3种思路来实现[2]。基于突堤扫描的方法在沿岸轮廓复杂的情况下，会将沿岸突出陆地区域错误判断为突堤，且突堤长宽比和面积大小等阈值难以确定。基于岸线角点检测方法仅仅适用港口轮廓凹凸有序情况。基于岸线封闭性特性的方法中度量港口轮廓线封闭性的始末特征点难以确定，容易产生大量的虚假目标。目前也有一些联合这些方法进行检测港口[3]，检测效果得到了提升。但是，从形状多样的港口图像提取稳定和普适性的几何结构特征和特征度量难度较大，所以上述方法面临计算过程复杂、容易产生虚警、普适性不足的问题。同时，对大量港口图像的观察发现，岸线及突堤是其最突出的特征。为此，构造提取小型港口区域的完整流程，包括采用多尺度角点检测提取港口潜在区域、采用突堤检测方法精提取港口区域、采用岸线封闭性测度鉴别虚假港口3个环节。
本文针对大场景中小型港口区域自动提取的需求，现有对小型港口区域提取方法存在计算复杂、虚假目标多、适应性不强的情况，分析了小型港口的特征，建立了小型港口的模型，综合利用了小型港口区域的多尺度海岸线角点、突堤、岸线封闭性等特点，自动精确的提取出了小型港口的区域。通过烟台港RadarSat-2的SAR图像和印度维沙卡帕特南港TerraSAR-X的SAR图像验证了该方法的有效性。
1 小型港口特征及其SAR图像特点分析
小型港口是由一些简单的突堤和码头组成的舰船临时停靠区域，通过对大量小型港口的观察和研究，这里将其特征总结为几何特征和辐射特征[4]。几何特征包括自然几何特征和人为几何特征，自然几何特征是指港口整体选址会选择一些适合船舶停靠的天然区域，整体凹陷于陆地，而不是外凸，这是为了防止较大的浪涌影响舰船系泊，此特征使港口整体形状呈现半封闭状。人为几何特征是指在确定港口位置之后，人为地建设一些码头和防波堤等设施，用于舰船的避风避浪和停靠，防波堤是包含若干一定长度的条带状目标，条带状目标两侧都有水域包围，码头是在岸边呈“几”字形的群组目标。辐射特征是指SAR图像中港口水域灰度分布均匀，灰度较低，而港口陆域的分布极不均匀，厂房、集装箱、吊车、舰船、码头等形成的强散射现象较多。港口SAR图像受相干斑和其他强散射目标干扰较强，使其不像光学图像那样有大量的直线特征，导致目标解译困难。
港口检测方法的研究多见于对可见光遥感图像的港口信息提取。由于可见光影像中港口码头具有较好的平直性，因此研究人员大多根据码头的平直特性，通过直线检测、拟合完成港口码头检测，由于直线检测方法较为成熟，能获得较好的港口码头检测效果。然而，受成像机制等因素的影响，港口的SAR影像没有可见光清晰，码头的平直性也不如可见光的好，从而导致利用直线检测港口码头存在一些困难，SAR图像不能直接应用可见光遥感图像港口检测的研究成果，必须综合利用SAR图像中港口目标的表现特征，设计适合于SAR图像的港口目标检测方法[5]。
2 小型港口区域提取方法
2.1 处理流程
针对当前实际应用中对大场景图像进行小型港口区域提取存在的问题，提出小型港口提取的分层处理思路，即首先从大场景图像中检测出潜在的港口区域，然后在内部进行高精度的港口检测，最后对检测到的港口进行鉴别去除虚假目标，整个流程如图 1所示。
在不同海岸线尺度上，角点(特征点)所代表的信息也不一样，在原始图像上(微观，小尺度)能提取很多角点，有些是舰船和小型码头，甚至是一些相干斑噪声。当降采样时(宏观，大尺度)，这些角点就会消失，只能看到整体上的港口(即港口选址一般在天然避风地方，也就是岸线在宏观上变化大的地方)的角点。所以这里根据港口区域海岸线轮廓在不同尺度下角点体现不同特征的特点，采用基于多尺度角点检测的港口潜在区域提取，完成粗精度港口检测。
突堤检测用于港口精提取是因为港口突堤的存在性是必然的，在得到潜在港口区域之后，进行突堤检测，可大大减小搜索范围，而且根据突堤检测结果可进一步确定并标定出港口具体范围。所以这里根据港口的突堤分布特征，在潜在的港口区域完成基于突堤的港口检测，确定港口的具体区域，实现高精度的港口检测。去除没有突堤的港口候选区域，获得港口的精确范围。
小型港口数量多，容易产生虚假目标。海岸线自然环境复杂多变，一些角点分布密集且向海域突出的区域会产生虚假的港口目标，这里拟采用基于岸线封闭型测度的方法去除虚假目标。岸线封闭性测度进行港口鉴别是根据港口的封闭性高的特点，去除那些封闭性低的虚假港口。同时由于确定了港口区域范围，避免了在海岸线逐特征点计算时的较大的计算量。
预处理还包括滤波去噪、海陆分割、提取海岸线等，如图 2所示，这里不作为重点讨论。主要对上述3个步骤的实现原理进行详细的介绍。
2.2 多尺度角点检测提取潜在港口区域
1维的海岸线数据量少，适合在大场景进行快速的潜在港口区域搜索，与其他方法(基于突堤检测、基于岸线封闭性检测)相比计算量小很多，非常适合粗提取。
角点检测方法有基于灰度和基于轮廓两种，显然这里拟采用的是基于轮廓的多尺度角点检测方法。文献[6]提出了曲率尺度空间中的概念，其中高尺度用于角点检测，其他尺度用于跟踪角点位置，因此没有充分利用角点信息。后面很多研究人员对其进行了改进，比较成功的是基于尺度演化积的方法[7]。然而尺度演化积对于低尺度下小尺寸角点效果很差，而低尺度下小角点代表着很大信息，不能忽略[8]。同时由于不同尺度下演化的差异作为响应函数，能够体现出这些角点。因此采用一种新的角点响应函数，能充分结合上述优点。
根据CSS(curvature scale space)的多尺度思想，设
| $ \Gamma \left( {u,\sigma } \right) = \left( {X\left( {u,\sigma } \right),Y\left( {u,\sigma } \right)} \right) $ | (1) |
式中
| $ X\left( {u,\sigma } \right) = x\left( u \right) * g\left( {u,\sigma } \right) $ | (2) |
| $ Y\left( {u,\sigma } \right) = y\left( u \right) * g\left( {u,\sigma } \right) $ | (3) |
式中，
那么曲线
| $ k\left( {u,\sigma } \right) = \frac{{{X_u}\left( {u,\sigma } \right){Y_{uu}}\left( {u,\sigma } \right) - {X_{uu}}\left( {u,\sigma } \right){Y_u}\left( {u,\sigma } \right)}}{{{{\left( {{X_u}{{\left( {u,\sigma } \right)}^2},{Y_u}{{\left( {u,\sigma } \right)}^2}} \right)}^{1.5}}}} $ | (4) |
| $ \begin{array}{*{20}{c}} {{X_u}\left( {u,\sigma } \right) = \frac{\partial }{{\partial u}}\left( {x\left( u \right) * g\left( {u,\sigma } \right)} \right) = }\\ {x\left( u \right) * {g_u}\left( {u,\sigma } \right)} \end{array} $ | (5) |
| $ \begin{array}{*{20}{c}} {{X_{uu}}\left( {u,\sigma } \right) = \frac{{{\partial ^2}}}{{{\partial ^2}u}}\left( {x\left( u \right) * g\left( {u,\sigma } \right)} \right) = }\\ {x\left( u \right) * {g_{uu}}\left( {u,\sigma } \right)} \end{array} $ | (6) |
| $ {Y_u}\left( {u,\sigma } \right) = y\left( u \right) * {g_u}\left( {u,\sigma } \right) $ | (7) |
| $ {Y_{uu}}\left( {u,\sigma } \right) = y\left( u \right) * {g_{uu}}\left( {u,\sigma } \right) $ | (8) |
式中，
设
| $ g\left( {u,{\sigma _j}} \right) = \frac{1}{{{\sigma _j}\sqrt {2{\rm{\pi }}} }}{\rm{e}}_j^{\frac{{ - {u^2}}}{{2{\sigma ^2}}}}\;\;\;\left( {j = 1,2 \cdots } \right) $ | (9) |
所提出的角点响应函数由两部分组成：多尺度曲率积和尺度演化差异。系数根据曲线的粗糙度进行自动地调节。粗糙度大时，后者系数大，粗糙度小时，前者系数大。
这里用
| $ R\left( u \right) = {\lambda _1}P\left( u \right) + {\lambda _2}DoG\left( u \right) $ | (10) |
式中，
多尺度曲率积的计算公式为
| $ P\left( u \right) = \prod\limits_{j = 1}^N {c\left( {u,{\sigma _j}} \right)} $ | (11) |
可以通过式(4) 计算尺度
| $ \begin{array}{*{20}{c}} {{{\left[ {\left( {g\left( {u,m\sigma } \right) - g\left( {u,\sigma } \right)} \right) * y\left( u \right)} \right]}^2} = }\\ {{{\left[ {DoG * x\left( u \right)} \right]}^2} + {{\left[ {DoG * y\left( u \right)} \right]}^2}} \end{array} $ | (12) |
| $ \begin{array}{*{20}{c}} {DoG = g\left( {u,m\sigma } \right) - g\left( {u,\sigma } \right) = }\\ {\frac{1}{{2{\rm{\pi }}{\sigma ^2}}}\left[ {\begin{array}{*{20}{l}} {\frac{1}{m}\exp \left( { - {u^2}/2{m^2}{\sigma ^2}} \right) - }\\ {\exp \left( { - {u^2}/2{\sigma ^2}} \right)} \end{array}} \right]} \end{array} $ | (13) |
曲线第1次被高斯函数平滑，得
| $ \begin{array}{*{20}{c}} {C\left( {u,\sigma } \right) = g\left( {u,\sigma } \right) * C\left( u \right) = }\\ {\left( {X\left( {u,\sigma } \right),Y\left( {u,\sigma } \right)} \right)} \end{array} $ | (14) |
曲线第2次被以不同的标准差
| $ \begin{array}{*{20}{c}} {C\left( {u,m\sigma } \right) = g\left( {u,m\sigma } \right) * C\left( u \right) = }\\ {\left( {X\left( {u,m\sigma } \right),Y\left( {u,m\sigma } \right)} \right)} \end{array} $ | (15) |
| $ {\lambda _1} = 1 - {\lambda _2} $ | (16) |
认为曲线的粗糙程度代表不同尺度的演化差异。因此，关键问题就变成了如何确定粗糙程度。拟利用曲线上某点邻域内的方差代表粗糙程度，其值越大，曲线越粗糙。考虑三邻域，
| $ \begin{array}{*{20}{c}} {{\lambda _2} = {{\left( {{\sigma _{i,w}}} \right)}^2} = \sum {{{\left( {{c_{i,w}}} \right)}^2}/w - } }\\ {{{\left( {\sum {{c_{i,w}}/w} } \right)}^2}} \end{array} $ | (17) |
式中，
2.3 基于突堤检测的港口区域精提取
利用防波堤检测港口的思想主要是基于港口内突堤被水域包围且具有明显长宽比的条状目标等特征，通过检测突堤来达到定位港口的目的，实验证明这是一种思路简单、显而易见的有效方法。这里采用一种新的突堤检测方法，该方法在2.2节处理的基础上，进行针对突堤形状目标的处理，采用方向比值法，最后进行突堤合并，可得到较好的检测效果[3]。
采用适当的处理窗口(8×8比较合适)在整幅图像上做平滑移动，在窗口内部做如下处理：首先，检测有可能含有突堤的侯选区。选取如图 3所示的方向，对每一方向在窗口内对其
| $ {A_i} = \sum\limits_{j = 1}^k {{p_j}} ;i = 1, \cdots ,8 $ | (18) |
式中，
利用防波堤检测、防波堤面积鉴别、防波堤长宽比鉴别、防波堤合并这4个过程完成防波堤的检测，仅限于防波堤，而对于港口必备的码头检测问题没有进行考虑，而且方法步骤较多，处理较复杂。这里提取出所有的突堤之后，合并距离较近的突堤，这样就能得到了港口的区域范围，用红色矩形框标出，就得到了港口的精确区域。
2.4 基于岸线特征点封闭性测度的虚假目标去除
利用最高尺度下的角点作为计算港口封闭性程度量的特征点。在最高尺度角点之间计算各个2.3节中得到的港口封闭性，将封闭性低的去除。假设第
第
| $ Closur{e_k}\left( {i,j} \right) = \left| {{R_{k.ij}}} \right|/\left| {{L_{k.ij}}} \right| $ | (19) |
式中，
通过计算每个港口岸线封闭性，将封闭性最高的角点之间的岸线作为港口的海岸线。
3 实验结果与分析
为了验证上述方法的有效性，采用一幅加拿大Radarsat-2烟台港的SAR图像(拍摄时间2016年，SLC数据)，图像分辨率均为1m×1m，及另一幅印度维沙卡帕特南港TerraSAR-X的SAR图像，分辨率也为1 m，分别从港口轮廓检测的完整性、运算效率与文献方法进行对比仿真分析。实验参数设置如下：仿真实验是在MATLAB2012a环境下，在Intel(R) Core(TM) Duo CPU E6850 3.00 GHz微处理器上进行的，对本文方法与文献[4]进行对比分析。烟台港SAR图像实验结果如图 4所示。
港口检测统计结果如下：两幅图真实目标个数为15，正确检测个数14，虚警数1，漏检1，虚警率为13 %，检测率为93.3 %。由于港口岸线曲折复杂，会产生一些虚警，而算法在限制虚警的同时也会产生真正目标的漏检，这种现象不可避免，这里做到了合理的权衡。
表 1
两种方法的检测率与计算时间比较
Table 1
Comparison of detection and computation of the two methods
| 方法 | 虚警率/% | 准确率/% | 处理时间/s |
| 文献[4] | 10 | 91.9 | 11.58 |
| 本文 | 6.6 | 93.3 | 13.26 |
通过仿真结果可以看出，本文方法处理结果准确率更高，虚警率更低，特别适合用于在大场景中检测出大批量的小型目标。但是由于算法相对复杂，导致的处理时间较长，下一步需要进一步优化算法。仿真试验中SAR图像数据资源有限，期待有充足的数据做更大量的实验进行验证，进一步验证方法的有效性。
4 结论
本文首先分析了现有港口检测方法存在的问题，提出了小型港口提取的分层处理思路，即首先从大场景图像中检测出潜在的港口区域，然后在内部进行高精度的港口检测，最后对检测到的港口进行鉴别去除虚假目标。仿真结果表明，本文方法准确率更高、虚警率更低，但存在处理速度慢的问题。本文方法更适合在SAR图像中自动提取小型港口区域，特别适用于监视海岸线上一些小型的舰船临时停靠场所，是一个完善的海洋目标监视系统重要组成部分。存在的问题是方法更耗时，下一步需要重点研究在保证准确率的基础之上降低处理时间。同时由于仿真试验中SAR图像数据资源有限，期待有充足的数据做更大量的实验进行验证，进一步改进提升方法。
参考文献
-
[1] Zhu B, Li J Z, Chen A J. Fast knowledge based recognition of harbor target[J]. Computer Applications, 2006, 26(3): 729–732. [朱兵, 李金宗, 陈爱军. 基于知识的快速港口识别[J]. 计算机应用, 2006, 26(3): 729–732. ]
-
[2] Zhang Z L.Feature extraction and recognition of important targets in remote sensing imagery[D].Changsha:National University of Defense Technology, 2005. [张志龙. 基于遥感图像的重要目标特征提取与识别方法研究[D]. 长沙: 国防科学技术大学, 2005.]
-
[3] Chen Q.Harbor extraction from SAR imagery[D].Changsha:National University of Defense Technology, 2011. [陈琪. SAR图像港口目标提取方法研究[D]. 长沙: 国防科学技术大学, 2011.]
-
[4] Chen Q, Lu J, Zhao L J, et al. Harbor detection method of SAR remote sensing images based on feature[J]. Journal of Electronics & Information Technology, 2010, 32(12): 2873–2878. [陈琪, 陆军, 赵凌君, 等. 基于特征的SAR遥感图像港口检测方法[J]. 电子与信息学报, 2010, 32(12): 2873–2878. ]
-
[5] Liu C, Yin J J, Yang J. Small harbor detection in polarimetric SAR images based on coastline feature point merging[J]. Journal of Tsinghua University (Science & Technology), 2015, 55(8): 849–853. [刘春, 殷君君, 杨健. 基于岸线特征点合并的极化SAR图像小型港口检测[J]. 清华大学学报:自然科学版, 2015, 55(8): 849–853. ]
-
[6] Li Y, Peng J X. Feature extraction of the harbor target and its recognition[J]. Journal of Huazhong University of Science & Technology, 2001, 29(6): 10–12. [李艳, 彭嘉雄. 港口目标特征提取与识别[J]. 华中科技大学学报:自然科学版, 2001, 29(6): 10–12. ]
-
[7] Zhang X H, Wang H X, Hong M J, et al. Robust image corner detection based on scale evolution difference of planar curves[J]. Pattern Recognition Letters, 2009, 30(4): 449–455. [DOI:10.1016/j.patrec.2008.11.002]
-
[8] Li D Q, Zhong B J, Ma K K.Multi-scale corner detection based on arithmetic mean curvature[C]//Proceedings of the 2015 IEEE China Summit and International Conference on Signal and Information Processing.Chengdu, China:IEEE, 2015:433-437.[DOI:10.1109/ChinaSIP.2015.7230439]
