SAR艦船快速檢測系統設計

林智莘+謝超

摘 要：文章旨在開發基于NVIDIA Jetson TX2，Qt5和OpenCV2.4的近海區域SAR圖像艦船目標快速檢測系統，該系統具有SAR圖像載入，目標切片輸出，檢測結果實時顯示與性能分析等功能。根據預期目標，使用Matlab實現近海區域SAR艦船目標檢測基本流程，后期基于OpenCV移植到嵌入式開發平臺，并使用GPU實現并行計算加速處理，使艦船目標檢測速度得到提升。最后，使用Qt完成上層應用接口設計，搭建人機交互界面。

關鍵詞：SAR；海陸分割；艦船檢測；OpenCV；Qt；CUDA

中圖分類號：TP393；TN957 文獻標識碼：A 文章編號：2095-1302（2017）11-00-02

0 引 言

艦船目標檢測能夠獲取艦船目標的位置、大小、航向、速度和編隊信息，對搜集情報、監測敵情有重大幫助。而近海區域作為重要的戰略區域，地理與人文環境復雜，進出港艦船較多，更加具有檢測價值。同時因近海區域氣候多變，常有云層覆蓋的特點，在這種情況下 SAR具有獨特優勢。因此開展近海區域SAR圖像艦船目標檢測技術的研究意義重大[1]。

1 系統設計與實現

本SAR圖像艦船目標檢測系統的基本流程大致包括原始圖像預處理，海陸分割，艦船檢測，預警虛警鑒別，結果輸出，如圖1所示。其中，預處理是對SAR圖像進行濾波和增強，去除SAR圖像固有斑點噪聲的影響；海陸分割是對陸地區域進行掩膜，去除陸地帶來的虛警，同時提高檢測效率；目標檢測是對目標和背景進行分類，進一步確定目標，剔除虛警[2，3]。通過對檢測結果進行分析，確定真實目標和偽目標個數，算出預警率與虛警率。

1.1 圖像預處理

成像系統獲取的圖像即原始圖像往往受到各種因素的影響，并不能直接使用，必須在視覺信息處理的早期階段對原始圖像進行灰度校正、噪聲過濾等處理。圖像預處理的目的是改善圖像數據，通過抑制不需要的變形或者增強某些對于后續處理來說比較重要的圖像特征實現[4]。本文采用基于灰度映射的圖像預處理技術對圖象進行預處理。

由于本文所用的原始SAR圖像的位深為16位，灰度范圍為0～65 535，有些灰度高的像素點對后續海陸分割與目標檢測的影響很大，所以本文進行圖像預處理時，對其進行灰度拉伸，將16位的圖像轉化成8位，灰度范圍從0～65 535映射到0～255。

提取直方圖，根據灰度直方圖像素點的分布占總像素點的百分比設置256個閾值，再根據閾值把原始圖像映射到0～255的灰度值上。效果如圖2所示。

1.2 海陸分割

近海區域復雜的地形地貌給艦船檢測造成了很大困難，首先陸地區域回波強，地形地貌相對復雜，碼頭、堤壩等人造建筑都是強散射區域，它們在灰度特征上與艦船目標接近，又由于SAR圖像固有的相干噪聲和低信噪比特點，在圖像上，港口、堤壩的邊界比較模糊，當與艦船目標距離很近時，圖像上的艦船就會與碼頭、堤壩連在一起，此時人眼都無法準確區分，會對檢測效果造成很大干擾，導致得到較高的虛警；其次，陸地區域屬于干擾區域，在后續的檢測過程中屬于多余內容，會增加計算量，降低檢測效率[3，5]。因此，有效地將陸地和海洋進行分割是近港區艦船目標檢測的重要過程[6]。本文采用基于二值化及形態學處理的陸地掩膜方法進行海陸分割。

陸地區域與海洋區域在SAR圖像上灰度相差很大，灰度高的為陸地，灰度低的為海洋。本文根據一個全局閾值將整幅圖像進行二值化處理。選用的閾值通過自適應閾值算法得出。繪制出滑窗均值濾波后圖像的灰度直方圖，對直方圖進行凸包檢測，波谷點的灰度值即為閾值。效果如圖3所示。

對圖像進行膨脹處理，以消除陸地區域中某些灰度值較小的部分，如內陸湖，河流等。

對圖像進行腐蝕操作。由于需要鑒別的艦船目標也屬于灰度值較高的區域，在二值化過程中被分到了陸地區域。要進行海陸分割，就需要進行腐蝕操作，去除海面上小塊不連續的目標，只保留陸地區域。

對圖像進行再次膨脹，消除腐蝕過程中對陸地區域的影響。這樣陸地區域才會被有效地分割出來，效果如圖4所示。

由于陸地區域的灰度值為255，海洋區域的灰度值為0，根據形態學處理結果，將形態學處理后的圖像作為掩膜，在原圖上將陸地區域去掉，即可完成海陸分割，如圖5所示。

1.3 艦船目標檢測

本文對海陸分割后的圖像做直方圖凸包檢測，提取波峰處橫坐標獲得全局閾值，然后遍歷整幅圖像，大于閾值的認為是目標像素，小于閾值的則認為是背景雜波。將識別后的結果做連通域處理，使用OpenCV自帶的輪廓提取函數提取連續的像素點集，在預處理后的圖像中畫出艦船目標的外接矩形，并輸出艦船目標切片，如圖6所示。

2 嵌入式平臺移植

本文采用NVDIA Jetson TX2作為硬件平臺，TX2是一臺基于NVIDIA Pascal架構的AI單模超級計算機，其搭載Linux系統，能夠鑄就大規模、復雜的深度學習網絡，非常適合部署在機器人、無人機、智能攝像機等便攜醫療設備智能終端上。TX2搭載具有16 nm工藝的Tegra Parker處理器，6核設計，其CPU部分由2個丹佛加4個A57核心共同構成，GPU則采用NVIDIA Pascal架構，擁有256 個CUDA核心，性能得到了較大提高。

由于本文在預處理過程中涉及雙精度浮點型計算，對CPU的浮點運算要求較高，且圖像像素點較多，CPU已無法滿足快速計算的需要。因此，使用TX2的GPU對預處理過程中較為耗時的浮點運算過程作并行處理，以提高系統運行效率，大大減少系統運行時間。其核心代碼如圖7所示。

3 人機交互界面設計

本文在采用OpenCV和CUDA完成底層系統設計后，用Qt完成應用上層，從而實現人機交互，如圖8所示。其中，“載入SAR圖像”按鍵選取tif格式的SAR原始圖像，并實時顯示預處理過后的圖像，實現SAR圖像的動態載入工程。點擊 “開始檢測”按鍵，對圖像進行海陸分割和目標檢測，將檢測結果實時顯示出來，并提示輸出目標切片。界面包含GPU、CPU可選按鈕，控制是否加速處理過程，并將系統處理耗時進行實時顯示。

4 系統測試結果及性能分析

本系統衡量標準分為處理時間，虛警率，預警率。處理時間包括預處理、海陸分割、目標檢測三部分總的處理時間，而非系統運行時間。預警率等于檢測出的目標數除以真實的目標數。而虛警率是指結果中錯誤個數除以檢測出的目標個數。

分別對三幅不同大小的SAR近海區域圖像9.tif，6.tif和test2.tif進行測試，結果見表1所列。

通過結果可以得出，本艦船目標檢測系統對這三幅圖片的檢測率可以達到75%以上，虛警率控制在20%以下。

5 結 語

由文中實驗可知，選取的圖片越大，系統處理的時間也會相應越長。通過GPU對預處理部分浮點預算做并行加速處理，可大大減少處理時間。

參考文獻

[1]闞瀛芝.水陸交界區域SAR圖像艦船目標檢測技術[D].長沙：國防科學技術大學， 2012.

[2]趙全. 基于統計模型的SAR目標恒虛警檢測方法研究[D].西安：西安電子科技大學， 2012.

[3]劉瑞劍.低能見度條件下圖像清晰化處理研究[D].太原： 中北大學， 2008.

[4]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.

[5]李洪忠， 王超， 張紅， 等.基于海圖信息的SAR影像海陸自動分割[J].遙感技術與應用， 2009，24（6）： 731-736.

[6]陳琪. SAR圖像港口目標提取方法研究[D].長沙： 國防科學技術大學， 2011.

[7]代麗男，韓格欣，薄純娟.基于OpenCV的一種手勢識別方法[J].物聯網技術，2015，5（6）：25-27.

[8]段紅英. Fortran程序CUDA并行化總結[J].物聯網技術，2015，5（11）：92-93.endprint