基于電子地圖的港口艦船目標變化檢測

孫艷麗，周偉，王杰

（海軍航空工程學院a.基礎實驗部；b.信息融合研究所，山東煙臺264001）

基于電子地圖的港口艦船目標變化檢測

孫艷麗a，周偉b，王杰a

（海軍航空工程學院a.基礎實驗部；b.信息融合研究所，山東煙臺264001）

文章利用電子地圖進行配準、提取海岸輪廓線并對其等間距采樣，從中提取關鍵拐角點，并根據條件確定潛在的艦船?？繀^域對其規則化。再將不同時相候選區的分割結果進行差分運算，然后將其沿水平垂直方向投影，找到超過平均投影能量的最大區間，判定艦船變化區間。該算法可以避免大范圍的無用搜索，提高檢測識別算法的效率。

電子地圖；艦船目標；變化檢測；投影能量

通常對于港口艦船目標的變化檢測主要依靠人工判讀完成的，由于港口范圍較大，而目標相對分散，且地理位置和主要艦船駐泊區在較長時間內均比較固定，因此，實際只需對特定區域進行對比分析［1-4］。在遙感圖像的變化檢測中，光照、傳感器、配準、噪聲等因素導致檢測結果的虛警率很高［5-9］。而電子地圖主要用以表征靜止地物的地理位置，艦船、車輛等移動目標均不出現在地圖上［10］。這就使得基于電子地圖的海陸分割和海岸輪廓的提取非常簡單易行，而且精度很高［11］。

本文利用電子地圖對不同時相遙感圖像艦船候選區進行檢測提取，對后續的變化檢測工作效率和處理效果均會有明顯改善。而且對于不同時相遙感圖像的數量和類型均不加限定，具有較強的實用性和通用性。其基本思路是充分利用電子地圖，快速提取艦船可能的?？繀^域，并將其規則化，將較大范圍內復雜多樣的檢測問題分解為若干小范圍內相對簡單的檢測問題，只需設定合理的規則，即可實現自動的變化分析?？纱罅繙p少不必要的搜索，提高工作效率。

1　數據預處理

圖1給出了來自Google某地區的電子地圖，海域以淺藍色表示，而陸地則以淡黃色表示，不同級別的道路、建筑物均標示為相應的顏色，地標文字則用黑色。首先，從電子地圖上提取碼頭、海岸的若干明顯的拐角點錄入控制點庫，對于不同時相的遙感圖像，只需分別找到圖像的相應點；然后，選擇合適的校正模型即可實現遙感圖像的精確地理校正。

圖1　某區域的電子地圖Fig.1 Electronic map of some area

2　基于電子地圖的艦船候選區提取

由于艦船一般是細長型結構，通常順次舷靠于碼頭，而港口碼頭最常見的形式是順岸碼頭。艦船與碼頭通常具有很強的空間語境約束關系。如果沿海岸輪廓單向前進，則艦船總是?？吭谇斑M方向相同一側。另外，適合于艦船?？康拇a頭應有一定的長度。因此，首先從電子地圖上提取海岸輪廓線；然后，對其等間距采樣，從中提取關鍵拐角點，確定潛在的艦船?？繀^域。具體流程如圖2所示。

圖2　利用電子地圖提取艦船候選區算法流程圖Fig.2 Algorithm flow chart of extraction ship candidate using electronic map

2.1海岸線輪廓提取

電子地圖上海域和陸地是用不同顏色來表示的，因而港口區域海域和陸地的分割相對比較簡單，得到完整的海域。本文所用電子地圖來自Google地圖。對于海域文字標記，可以對提取的連通海域內部進行形態學填充。提取到完整的海域后，電子地圖成為一個二值圖，對這個二值圖進行邊緣檢測，采用經典的Canny算子就可以取得很好的效果［6］。圖1中，紅色線即為提取的海岸線。

2.2海岸線拐點提取

首先，找到海岸線的一個端點，沿逆時針方向進行一次遍歷，得到一個長度為n的序列，如果得到多個序列，則取最長的一個。

為了減輕后續拐點分析的負擔，可以對這個序列進行等間隔插值采樣，得到長度為k的新序列。利用式（1）計算新序列各點的方向：

式中，T（t）為邏輯運算，當t為真時，輸出為1。

通常認為兩點的方向差異超過Δθ，即認為局部方向發生了較大變化。

對于圖1所示的圖像，取Δθ=π/18，提取到97個拐點，見圖3“*”標志。

2.3艦船候選區提取

因艦船都具有一定的長度，顯然，并非所有2個拐點之間都適合艦船?？?。由此，可以根據電子地圖的比例尺或分辨率結合中小型水面艦船的尺寸設定合適的像素距離閾值d，依次計算相鄰2個拐點之間的距離，若超過閾值，則為可能的艦船?？亢０抖?。圖1的電子地圖，其分辨率為0.6 m，設定最小艦船?？繀^間長度為60 m，即像素距離閾值為100，提取到26個可能的艦船?？亢０抖?，結果如圖3中藍色直線段所示。

圖3　海岸線拐點提取結果Fig.3 Inflection point extraction results

其方向可記為θ，長度即為兩拐點Pt1和Pt2間的距離，記為d，顯然，中點P（x0，y0）到Pt1和Pt2相等，記為d0，則海域始終在的左側。將分別沿θ+π/2方向移動d2，得到的區域即為海岸線靠海一側的艦船駐泊區，沿π/2-θ方向移動d1，得到的區域即為海岸線靠陸地一側的狹長區域。2個區間共同構成該海岸段的艦船候選區，然后將該區域順時針方向旋轉θ進行規則化。這樣艦船候選區間都被規則化成高度為d1+d2寬度為d的矩形區域。其原理見圖4。

圖4　艦船候選區提取及規則化示意圖Fig.4 Schematic diagram of ship candidate region extraction and regularization

對已經和電子地圖進行配準的不同時相的遙感圖像，可分別沿海岸線順次提取由4個頂點P（x1，y1）、P（x2，y2）、P（x3，y3）和P（x4，y4）所確定的各個ROI區域，4個頂點可用下面的一組公式計算得到：

為進一步簡化實際應用中艦船候選區的提取，可以事先計算好4個頂點的地理坐標，和該候選區的方向，存儲在數據庫中，對不同時相的遙感影像，首先進行地理精校正，然后根據4個頂點的地理坐標提取相應的圖像區域，再利用存儲的候選區方向信息對提取的圖像區域進行規則化即可。

選取與圖1相同范圍的2幅不同時相的高分辨率遙感圖像，利用上述方法，提取了26個艦船候選區，其中d1與d1分別取30和60像素，結果如圖5所示。

圖6給出了第9、12、22、25號候選區經規則化后的結果。

圖5　在不同時相遙感圖像上標示的26個艦船候選區Fig.5 In the different time phase of remote sensing image are labeled on the 26 ship candidate

圖6　不同時相遙感圖像上典型候選區經規則化后的結果Fig.6 Different remote sensing images of typical candidate region by rule after the results

3　艦船候選區變化檢測

由于不同時相的遙感圖像之間，局部灰度差異較大，直接比較的方法很難有效提取變化的目標［12-13］。在局部艦船候選區主要有3類目標：陸地、艦船和海水，三者盡管在光譜上存在較大差異，但局部也存在嚴重的混疊現象［14］。為此，首先對不同時相的候選區域分別進行自適應分割，提取ROI區域，經形態學處理得到完整的陸地區域和艦船目標［15］；然后，對分割結果進行比較，得到變化信息，并結合艦船尺寸和其他信息進行綜合分析，給出最終的目標變化結果。

3.1陸地區域及艦船目標分割

由于陸地區域在不同時相圖像中相對穩定，經過差分運算可以很好的消除［16］，因而在進行變化分析之前，首先對不同時相的候選區圖像進行自適應閾值分割并利用形態學處理提取潛在艦船目標和盡可能完整的陸地區域。

盡管通常情況下陸地、艦船的亮度比海水要高，可以將彩色圖像變為灰度圖像然后進行閾值分割，但是對于潛艇，由于其與海水灰度接近，分割效果并不理想。為此，首先將圖像由RGB空間變換到HSV空間，3個分量分別記為IH、IS和IV，則用式（5）對3個分量進行融合可以使目標得到明顯增強。

圖7給出了對某一候選區不同時相圖像的融合增強結果和各通道平均得到的灰度圖像。與灰度圖像相比，陸地區域和艦船目標均得到了明顯增強，應用全局閾值受背景影響比較大，設計了一個簡便易行的自適應閾值設置方法。

圖7　某一候選區不同時相圖像的增強結果與灰度圖像比較Fig.7 Results compared with gray and enhancement in same candidate regions at different image

設T（i，j）為增強后的圖像在（i，j）處的像素，其中1≤i≤M，1≤j≤N，分別計算各行各列的均值μi和μj以及整幅圖像的均值μ。

在（i，j）處的閾值T（i，j）取μi、μj和μ的中值，即

利用上述閾值對圖像進行分割，得到初步的ROI區域，接下來，綜合考慮艦船目標尺寸和位置的約束，目標對應于面積較大的連通區域。因此，利用形態學方法設置面積閾值可有效剔除孤立的無關點和碎小的區域，同時對大塊區域進行內部孔洞的填充，最終得到較為完整的陸地區域及艦船目標。對圖7中候選區2個時相的圖像經融合增強后再進行自適應分割和后處理得到的結果如圖8所示。

圖8　第12號候選區不同時相圖像分割結果Fig.8 Segmentation results of twelfth candidate regions at different image

3.2變化分析

不同時相圖像的變化分析是在目標分割的基礎上分層進行的，其流程如圖9所示。將分割結果進行差分，計算變化區域的總面積，若小于特定閾值，則可以從整體上判定該區域沒有明顯變化，否則進一步確定變化區域位置；如果變化區域的主體部分在海岸線陸地一側，則判定無艦船變化，否則進一步根據艦船的尺寸、長寬比等幾何特征對艦船目標加以確認，進而判定目標消失或出現。

圖9　變化分析的操作流程Fig.9 Flow chart of change detection

總體變化面積閾值的設定，通常取決于圖像的分辨率和艦船的尺寸，這一步的主要目的是快速剔除沒有明顯目標變化的場景。

對變化區域位置的確定，通過將差分圖像分別向沿水平方向和垂直方向投影來實現。由于變化分析的圖像均已經進行了規則化，艦艇艏艉軸線以及海岸線均大體在水平方向上，因而將差分結果沿水平方向投影，可得到變化艦船兩舷的精確位置。進一步沿垂直方向投影，可得到變化艦船艏艉兩端的精確位置。

仍以第12號候選區為例，將不同時相圖像的分割結果進行差分運算，得到結果如圖10 a）所示，然后將其沿水平方向投影，找到超過平均投影能量的最大區間，若其寬度超過設定門限（通常對應于艦船寬度），即初步判定為可能的艦船變化區間，但是如果該區間大部分位于海岸線參考位置右側，則認為該區間的變化不是來自于艦船目標。見圖10 b），在海岸線參考位置左側［23，55］之間存在一個能量投影較大的區間，接下來對可能的艦船變化區間沿垂直方向投影，結果如圖10 c）所示，從中可以找到4個能量投影較大的區間，其中，最左側區間寬度較小，可加以排除，另外3個區間A：［87，240］、B：［414，453］和C：［482，507］中A可直接確認為艦船目標，而B與C之間的間距與其各自的寬度接近，無法直接判定為艦船目標，可以將該區域標示為可能的艦船目標變化區，需要回到圖像上利用其他特征加以識別。

圖10　艦船目標變化分析示例Fig.10 Example of ship targets change analysis

找到目標變化區以后，根據該區域在不同時相圖像上平均能量的大小，可區分出2種情況，考察不同時相的分割圖像，對于同一目標變化區，若時相1的能量小于時相2，則判定艦船出現，否則，判定艦船消失。

至此，可以利用上述方法對各個艦船候選區進行變化分析，得到整個港口的最終的變化檢測結果。限于篇幅，圖11僅給出第9、22和25艦船候選區的變化分析結果。結果標注在時相2的圖像上，其中“------”標示新出現的艦船目標，“——”標示消失的艦船目標。

圖11　部分艦船候選區變化分析結果Fig.11 Part ship candidate change analysis results

4　結論

本文探討的基于地圖的變化檢測方法，基本出發點是利用電子地圖信息快速準確地找到艦船候選區，并對其規則化，使目標提取和變化分析在標準的操作環境下進行，可基本實現計算機自動處理，具有較強的推廣應用潛力。對于單幅圖像的港口艦船檢測與識別，也可以首先將其與電子地圖配準，然后提取規則化的艦船候選區域切片，這樣可以避免大范圍的無用搜索，顯著降低運算量，提高檢測識別算法的效率。

［1］蔡姝，吳宏明.基于海陸分割的艦船目標變化檢測研究［J］.電視技術，2010，34（5）：109-112. CAI SHU，WU HONGMING.Study on change detection of ship target based on sea-land segmentation［J］.Video Application&Project，2010，34（5）：109-112.（in Chinese）

［2］隨銀嶺，鄒煥新，雷琳.一種基于模板的港口艦船目標變化檢測方法［J］.計算機工程與科學，2013，35（6）：134-141. SUI YINLING，ZOU HUANXIN，LEI LIN.A novel change detection method of harbor ship target based on template［J］.Computer Engineering&Science，2013，35（6）：134-141.（in Chinese）

［3］萬劍華，厲梅，任廣波，等.基于變化檢測的濱海濕地圖高效更新方法［J］.國土資源遙感，2013，25（4）：85-90. WAN JIANHUA，LI MEI，REN GUANGBO，et al.Efficient method for updating coastal wetland map based on change detection technology［J］.Remote Sensing for Land and Resources，2013，25（4）：85-90.（in Chinese）

［4］鐘家強，王潤生.一種基于線特征的道路網變化檢測算法［J］.遙感學報，2007，11（1）：27-32. ZHONG JIAQIANG，WANG RUNSHENG.A road network change detection algorithm based on linear feature［J］.Journal of Remote Sensing，2007，11（1）：27-32.（in Chinese）

［5］METTERNICHT G.Change detection assessment using fuzzy sets and remotely sensed data：an application of topographic map revision［J］.ISPRS Journal of Photogrammetry and Remote Sensing，1999，54（4）：221-233.

［6］李德仁.利用遙感影像進行變化檢測［J］.武漢大學學報：信息科學版，2003，28（S5）：7-11. LI DEREN.Change detection using remote sensing imagery［J］.Journol of Wuhan University：Information Science，2003，28（S5）：7-11.（in Chinese）

［7］CHEN GANG，HAY G J，CARVALHOLMT，et al.Object based change detection［J］.International Journal of Remote Sensing，2012，33（14）：4434-4457.

［8］ZHANG QIAN，CAO ZHIGUO，HU ZHONGWEN，et al.Joint image registration and fusion for panchromatic and multispectral images［J］.IEEE Geoscience and Remote Sensing Letters，2015，12（3）：467-471.

［9］BAZYY，BRUZZONE L，MELGANI F.Image thresholding based on the EM algorithm and the generalized Gaussian distribution［J］.Pattern Recognition，2007，40（2）：619-634.

［10］佃袁勇，方圣輝，姚崇懷.一種面向地理對象的遙感影像變化檢測方法［J］.武漢大學學報：信息科學版，2014，39（8）：906-912. DIAN YUANYONG，FANG SHENGHUI，YAO CHONGHUAI.The geographic object-based method for change detection with remote sensing imagery［J］.Geomatics and Information Science of Wuhan University，2014，39（8）：906-912.（in Chinese）

［11］SUN YANLI，ZHOU WEI，LING YUNFENG.Candidate region detection of ship target in port based on electronic map［C］//Frontiers of Manufacturing Science and Measuring Technology IV.2014：1420-1424.

［12］CANNY J.A computational approach to edge detection［J］.IEEE Transactions Patten Analysis and Machine Intelligence，1986，8（6）：679-698.

［13］彭碧發，譚毅華.從高分辨率遙感圖像中自動識別水上橋梁［J］.應用科學學報，2010，28（4）：354-360. PENG BIFA，TAN YIHUA.Automatic detection of bridge over water in high-resolution remote-sensing image［J］. Journal of Applied Sciences，2010，28（4）：354-360.（in Chinese）

［14］MENA J B，MALPICA J A.Color image segmentation using the dempster-shafer theory of evidence for the fusion of texture［C］//The International Archives of the Photogrammetry Remote Sensing&Spatial Information Sciences/w8.2003：139-144.

［15］DURUCAN E，EBRAHIMI T.Change detection and background extraction by linear algebra［J］.Proceeding of the IEEE，2001，89（10）：1368-1381.

［16］CHARALAMPIDIS D，STEIN G W.Target detection based on multi-resolution fractal analysis［C］//The International Society for Optical Engineering Signal Processing，Sensor Fusion，and Target Recognition XVI.Orlando，2007：1117-1125.

Change Detection of Ship Target in Port Based on Electronic Map

SUN Yanlia，ZHOU Weib，WANG Jiea
（Naval Aeronautical and Astronautical University a.Department of Basic Experiment；b.Research Institute of Information Fusion，Yantai Shandong 264001，China）

In this paper，electronic map information was applied to registration，the coast contours was extracted and sampled equidistant，then the key corner point was extracted from it，potential area of ship docking was identified and regularized.And segmentation of the Candidate region image at different phase was operated differential，then projected along the horizontal and vertical direction，the maximum interval exceeded the average projection energy was found，and the change region of ship was determined.The algorithm might avoid the large range of useless search，and improve the efficiency of detection.

electronic map；ship target；change detection；projection energy

TP391.41

A

1673-1522（2016）03-0372-07DOI:10.7682/j.issn.1673-1522.2016.03.013

2016-03-24；

2016-04-15

孫艷麗（1982-），女，工程師，碩士。