基于多光谱遥感图像舰船提取

基于多光谱遥感图像舰船提取
摘要：针对光学遥感图像中舰船目标易受海岛、尾迹、海杂波等背景因素干
扰的问题，提出了一种舰船检测方法。

本文基于Landsat 8卫星数据的近红外图
像和全色图像进行舰船提取。

首先在近红外图像上利用NDWI和形态学运算进行
海陆分离，接着对海域图像进行高斯滤波和灰度变换以扩大水体与疑似舰船区域
之间的灰度差异。

之后利用Sobel边缘检测和形态学运算进行图像增强，并与全
色图像结合求得疑似舰船区域，利用OTSU算法求得分割阈值。

最后求得舰船目
标的最小面积外接矩形，以面积、紧致度和矩形度为特征向量来去除虚警。

实验
结果表明，利用本文的研究方法可以有效的去除海杂波和尾迹的干扰。

关键词：舰船目标检测；形态学运算；OTSU阈值分割；多光谱遥感图像
1引言
我国海域辽阔，海洋权益纠纷日益频繁。

舰船作为海上运输载体和重要的军
事目标，对其自动检测与识别具有非常重要的现实意义，无论在军用领域还是民
用领域都有着广阔的应用前景[1，2]。

本文利用舰船目标与周围海水背景的光谱差
异较大的特性，在近红外波段上进行海陆分离、图像增强和目标区域提取。

可以
得到舰船目标的长度和宽度等信息。

在全色图像上利用舰船的形状特征进行检测
以去除虚警。

2研究区与数据
2.1研究数据
本文研究数据采用2018年5月24日03点15分拍摄的Landsat8卫星数据，包含OLI ( Operational Land Imager ) 陆地成像仪的9个波段，空间分辨率为30米，其中包括一个15米的全色波段。

和TIRS ( Thermal Infrared Sensor ) 热红外传感器的2个单独的热红外波段B10和B11，分辨率为100米。

2.2研究区域
本文的研究区域为马六甲海峡中经纬度为39°27′45.00″E到
40°45′05.00″E和132°29′5.00″N到144°37′5.00″N之间的海域，通过人眼视觉观察得出共包含有44条大小不一的舰船和一个形状不规则岛屿。

可以看出初始遥感图像的海域中存有复杂的尾迹和海杂波状况，其灰度值介于舰船于海水之间，对舰船与海面的分离带来了一定的干扰。

图1 研究区Landsat的B5波段图像
3研究方法
3.1研究流程
关于本文舰船检测的流程大致可分为：1、图像预处理部分，包括海陆分离和图像增强。

2、阈值分割提取疑似舰船目标区域。

3、利用目标特征来进行检验以去除虚警，技术流程如图2所示。

图2 技术流程图
3.2海陆分离
本文利用近红外波段上海陆灰度差异明显的特性，采用归一化差异水体指数
进行海陆分离。

在近红外波段上水体对近红外波段的能量几乎全吸收所以反射率
几乎接近于0，在图像上位于灰度值暗的一方，而陆地与舰船区域的反射率明显
高于水体，在图像显示上与水体形成明显的反差。

3.3图像增强
图像增强的目的是增强舰船目标的同时抑制海面背景的噪声，将舰船目标与
背景的差异扩大。

遥感图像中主要存在的噪声是椒盐噪声和高斯噪声，中值滤波
对消除图像区域中特别是海洋上存在的椒盐噪声和脉冲干扰都非常有效，是一种
非线性的数字平滑滤波器，在滤除噪声的同时能够很好的保留图像的细节信息。

而高斯滤波对于抑制服从正态分布的噪声十分显著，其原理是对图像进行加权平均，局部标准差越大，平滑作用越明显，是一种线性降噪滤波器，主要用于去除
高斯噪声[3]。

3.4 阈值分割
Otsu算法是1978年由大津展之（即Otsu）提出的一维最大类间方差法[4]。

其算法原理为：最优阈值为使背景和前景两个部分的类间方差最大的阈值。

首先
统计每个灰度级中像素的个数，计算平均灰度值、每个灰度级的灰度概率、目标
和背景所占的比例、目标和背景的均值矢量、总体的均值矢量以此计算类间方差。

3.5 舰船先验特征模型
对阈值分割后的舰船目标依次进行闭运算、膨胀、闭运算、腐蚀以填补不规
则边缘。

后将舰船目标转为矢量文件进行提取最小面积外接矩形，并求出最小外
接矩形的长、宽和面积等目标信息。

之后选取舰船面积a、紧致度c和矩形度r
作为特征量构造一个3维的目标特征矢量V(a,c,r) 对舰船目标进行表达，紧致
度c为目标区域的边界长度的平方与面积的比值。

矩形度r定义为目标区域面积
与目标区域的最小外接矩形面积的比值。

利用这两个特征可以有效去除形状不规
则的岛屿和碎云产生的虚警，以获得最终的舰船目标[5]。

4结果分析
本文以空间分辨率为15m的全色波段和空间分辨率为30m的近红外波段作为实验数据进行实验，在所截取的4.5km2的海域中共有44条大小不一的舰船和一座岛屿。

采用本文实验方法共检测出41条舰船和一座岛屿，另有3条小型舰船未被检验出来。

检测结果如图3所示。

图3 实验结果图
由以下的实验图中可以看出经过Sobel边缘检测后的图像准确的保留了每一艘舰船目标。

但是由于Sobel边缘检测后的图像中左上角的两艘舰船灰度值与海面的差异并不是相差很多导致在灰度变换之后这两艘舰船的灰度值反而低于原图像的灰度值，直接导致被漏检。

而在图中心的红色圆圈中的舰船在之后的阈值分割阶段因灰度过低和面积过小被归为背景部分，从而导致漏检。

5结论
实验结果表明，利用本文的研究方法可以有效的去除海杂波和尾迹的干扰，对于大中形舰船可以有效的提取出几何特征和灰度特征等。

但是对于灰度值与背景相似的小型舰船容易在图像增强阶段与海杂波和尾迹一起被滤除。

在阈值分割阶段本文采用全局阈值，但对于每个单独分布的疑似舰船区域进行局部阈值分割的效果要明显好于全局阈值分割。

此外对于一些并不明显的舰船如面积过小、灰度过低和被云层遮挡了部分区域的，利用海面遗留下的尾迹来检测舰船也是一种方法。

参考文献
[1]李秀娟,李军怀,乔路琪. 基于深度学习的可见光舰船目标检测与识别[J]. 无线电工程,2022,52(3):484-491.
[2]苗传开,娄树理. 基于显著性检测的红外舰船目标检测识别技术[J]. 烟
台大学学报（自然科学与工程版）,2022,35(2):201-206.
[3]张雷,甘春生,胡宇.高分辨率光学遥感影像舰船检测算法研究[J].计算机
工程与应用,2017,53(9):184-189..
[4]OTSU N. A threshold selection method from gray level
histograms[J]. IEEE Trans on SMC, 1979, 9(1): 62-69.
[5]高立宁,毕福昆,龙腾,等.一种光学遥感图像海面舰船检测算法[J].清华
大学学报(自然科学版),2011 ,51(1):105-110.。