基于色彩空间变换与异常检测的多光谱舰船感兴趣区域检测

摘 要： 针对多光谱遥感图像中复杂海面背景下海上舰船检测问题，在高斯模型RX异常检测算法的基础上进行改进，提出一种基于色彩空间变换的复杂海面上舰船感兴趣区域（ROI）的自动检测方法，解决了传统的阈值分割方法在遥感图像复杂海面背景下较难将目标与背景分离的问题。在多种不同复杂海面背景下的舰船ROI检测实验中，与传统阈值分割方法比较，该舰船ROI检测方法有较好的检测效果。

关键词： 多光谱遥感； 色彩空间变换； RX算法； 舰船感兴趣区域检测

中图分类号： TN911.73?34； TP391 文献标识码： A 文章编号： 1004?373X（2015）21?0028?04

Multispectral ship ROI detection based on color

space transformation and anomaly detection

TANG Tianyi1， ZHU Changren1， ZHAO Hepeng2

（1. Key Laboratory of ATR， School of Electronic Science and Engineering， National University of Defense Technology， Changsha 410073， China；

2. Electronic Branch of Naval Equipment Department， Beijing 100841， China）

Abstract： Since it is difficult to detect the ships with complex sea background in multispectral remote sensing images， with the improvement on the basis of RX （Reed?Xiaoli） anomaly detection algorithm of Gaussian model， an automatic detection method of region of interest （ROI） of ship in complex sea based on color space transformation is proposed. The problem that the traditional threshold segmentation methods are hard to separate the target in the remote sensing image from the complex sea was solved. Compared with the traditional threshold segmentation methods， the ship ROI detection method has better detection results in ship ROI detection experiments under various complex sea background.

Keywords： multispectral remote sensing； color space transformation； RX algorithm； ship ROI detection

0 引 言

多光谱遥感应用于目标检测与监视具有一系列常规手段所不具备的优势，多光谱图像能反应各个波段地物的光谱信息，与其空间维信息组成信息丰富的多维信息，特别是多光谱遥感手段针对舰船目标的检测、识别具备独特优势。国外遥感事业发展较早，应用于军事方面的遥感技术也比较成熟，比如法国SPOT卫星、美国IKONOS，QuickBird，Keyhole等各种分辨率的卫星。欧美在光学遥感图像信息方面的研究已经比较深入，并且成功开发了例如美国ERDAS公司的ERDAS IMAGENE软件、美国RSI公司的ENVI软件等遥感图像处理的商业软件系统。据美国《国家安全》杂志指出，分辨率为30 m的卫星可以发现港口、基地、桥梁、公路及在水面航行的舰船；而据称美国较先进的军事侦察卫星分辨率可以达到0.05 m，“足以看清某名士兵手中拿的是什么型号的枪支”。国内随着高分系列的卫星在2013年开始运行，我国光学遥感图像分辨率得到了极大提升，例如，高分一号全色和多光谱图像分辨率分别达到2 m和8 m；高分二号全色和多光谱图像分辨率分别达到1 m和4 m，这样足以检测并分类识别舰船。但是，随着空间分辨率的提高，多光谱遥感数据的数据处理量也随之变大，而且容易出现噪声、模糊、阴影等。图像的光谱信息通常会受多种因素的影响，例如季节变化、拍摄角度、传感器状态、天气条件等，即使同一地区不同时间拍摄到的图像也可能具有不同的亮度和对比度，特别是在海域环境下，其背景广阔，舰船目标稀疏且尺寸相对微小，实现针对于海上舰船目标的感兴趣区域（Region of Interest，ROI）的快速检测亟待解决。

传统的海上舰船检测方法大多都是基于图像灰度分割的方法[1?2]，在较为平静、纹理均匀且水体呈现较暗的图像下，这类方法表现效果较好。而在实际的复杂海况下，遥感图像中普遍存在大海浪、云层遮挡、部分水体呈亮色以及较多的噪声、阴影等干扰的情况[3]，而且在图像中舰船目标灰度特征并不一致，传统分割检测方法通常难以将水体与目标较好的分离，这样易出现较多的检测漏警和虚警[4?5]。而在高分辨率遥感图像舰船检测中，通常采用自适应阈值图像分割或者纹理分割的方法[6?7]，但对大尺寸复杂背景遥感图像中舰船ROI检测的应用效果不佳。

本文利用多光谱遥感图像中大片海域以及海上碎云其各自相对比较均一的光谱特性，构建色彩空间变换，实现对背景的抑制、舰船目标的突出，然后通过RX异常检测，最后经分割以大小、形状等特征获取海上舰船ROI区域。

1 YCW色彩空间变换

根据计算机色彩理论，每一种颜色在计算机中有不同的表达方式，这样就有了各种不同的颜色显示格式。这些格式只不过是颜色在计算机中不同的表示方法而已；但是在图像处理的实际过程中，研究者通常会根据不同的需求选择不同的色彩空间以实现好的算法效果。其中最常见的色彩空间有HSV，RGB，HSI，CHL，LAB，CMY，YCrCb，[IW1W2]等[8]。

一般来说，现实生活中最常见、使用最多的就是RGB色彩空间，它被称为与设备相关的颜色模型。RGB颜色模型所覆盖的颜色域取决于显示设备荧光点的颜色特性，是与硬件相关的，它采用三维直角坐标系。其中红、绿、蓝原色是加性原色，各个原色混合在一起可以产生复合色，但是在RGB色彩空间中，3个颜色分量都包含亮度信息，存在相关性，因此用于检测算法的亮度适应性不好。因此有检测算法考虑建立在亮度归一化 [RGB]色彩空间，其中RGB色彩空间变换为：

式中：[r，g，b]为式（1）中的色度坐标；[W2]为[IW1W2]色彩空间中的第2个水色波段；[Y]即为YCrCb中的[Y，][C1]为[Cr，][Cb]基础上改进的波段，由于[Cr]与[Cb]之间表达的图像颜色内容比较类似，所以将两者综合为一个波段。考虑到后续RX算法的适用性，取[C=255-C1，]即取[C1]波段的反色。

通过实验证明，经YCW色彩空间变换后（如图1所示），灰度直方图与高斯分布更为拟合，海域、船体、云的光谱都明显各自聚集，这样海域背景抑制、目标凸显，因此在YCW色彩空间中比RGB模型下更适合进行局部高斯模型下的RX检测，从而实现舰船ROI检测。

2 RX异常检测算法

本文采用的异常检测算法为RX（Reed?Xiaoli）算法[12]，该算法是利用广义似然比检验（Generalized Likelihood Ratio Test，GLRT）得到的非监督的恒虚警目标检测算法，假设多光谱海上遥感图像的局部背景的统计模型为高斯分布，而且假定数据分析中的多维高斯随机过程服从空间均值快变、方差慢变的分布状态。算法检测过程中，假定海上遥感图像的背景数据是由大量统计均匀一致的图像子块构成，在每一个这样的子块上进行异常目标检测。RX异常检测算法的参数通过统计处理检测窗口内部的均值和方差来获取，检测窗口中心点是否为目标依据得到的检测结果来判断。利用检测窗口遍历整幅图像，就可得到全部的检测结果。本文中RX异常检测算法使用双窗口检测模式（包括同心嵌套的背景窗和目标窗，如图2所示），从检测像元的局部近邻中估计协方差和均值等参数。其中外窗要比内窗大很多，可以包含更多的背景信息样本。根据实验窗口大小，在实际应用中都取为奇数[13]。

针对实际中的多光谱海上遥感图像，考虑到广阔海域上存在着多种复杂的海况；因此在大面积窗口下可能出现灰度分布不太符合高斯分布的情况，这样会使得RX异常检测算法检测效果不佳；所以本文先采用YCW色彩空间变换，使得图像中同类目标或者背景的光谱更为聚集，海面上局部灰度分布情况更加服从高斯模型，然后进行局部高斯模型下的RX异常检测算法。

局部高斯模型下的RX异常检测算法具体实现过程如下[14?15]：

通过RX算子遍历全幅图像后，检测得到的结果为RX灰值结果图，根据异常度不同，会有灰度的不同，结合分割方法，可实现舰船目标粗ROI的提取。RX异常检测算法应用于多光谱遥感舰船ROI检测中，具有其优势：高斯模型符合海上遥感图像局部的基本数据情况；RX异常检测算法有效利用了多波段光谱特性，有利于舰船ROI检测；结合YCW色彩空间下的RX异常检测算法能很好地实现弱对比度的舰船ROI检测。

3 舰船ROI检测

本文的舰船ROI检测算法总体流程如图3所示。

（1） 预处理：对获取的多光谱海上数据进行几何校正、辐射校正，并与相应位置较高分辨率全色图像进行HIS融合，得到空间分辨率改善的多光谱海上遥感数据。

（2） YCW色彩空间变换。

（3） RX异常检测算法。在YCW色彩空间中进行局部高斯模型RX异常检测，并根据不同的输入图像分辨率对窗口大小进行调整。

（4） 分割。采用自适应的阈值算法，在得到―个RX异常值表示的灰度图像时，如果设定―个固定的阈值把灰度图像转换为二值图像，由于不同区域会有不同的干扰，分割效果往往不理想。如果阈值太低，干扰会太多；阈值太高，漏检率高。依据待检测图像本身自动选择对检测图片出现噪声，背景复杂或者光照变化等有重要的意义。首先，设定初始阈值[Th0=0.8×255=204，]每次以[ΔTh=0.05×255=12]的间隔降低阈值，找到属于舰船像素数量变化最小时的那个阈值作为选定的阈值；然后根据选定的阈值，对图像进行分割，得到相应的二值图像。

（5） 连通域大小判定。海上舰船大小一般有一定的长宽比范围（一般为1.5～11），面积范围（小于500 m×50 m）。

（6） 舰船ROI输出。

4 实验与分析

为验证上述算法的有效性， 本文实验在Intel Core2 Duo CPU E4400处理器，2 GB内存的硬件环境下进行。操作系统为Microsoft Windows XP，实验开发环境是ENVY 4.8和Microsoft Visual Studio 2010以及OPENCV 2.4.4。

实验在具有复杂海面背景的多光谱遥感图像中进行，完成多幅具有不同噪声、阴影以及云层遮挡的复杂海面多光谱遥感图像实验。

实验数据集：SPOT遥感卫星5 m，10 m多光谱图像数据，大小为1 000×1 000，800×800；国内资源三号遥感卫星2.1 m多光谱融合图像数据，大小为3 000×3 000；天宫一号高光谱成像仪数据。

实验参数设置：RX算法中，针对不同分辨率图像内外窗口大小取值不同。分辨率为10 m时，外窗和内窗大小取[75×75]和[3×3]；分辨率为5 m时，外窗和内窗大小取[150×150]和[5×5]；分辨率为2.1 m时，外窗和内窗大小取[300×300]和[7×7。]

图4显示了在不同海域采用不同方法进行舰船ROI检测的部分结果图。结果表明：一般的阈值分割方法容易受到海浪以及图像中的噪声、阴影干扰的影响，分割出来的检测区域大小偏差大，出现虚警、漏检较多；通过RX异常检测算法的检测效果较一般阈值分割方法好，能够克服部分海浪以及阴影干扰，但是部分弱目标检测效果不佳；而通过YCW色彩空间变换后，图像的灰度直方图更接近于高斯模型，经RX异常检测算法检测能够获得目标更为突出的检测结果，这样可有效地减少ROI区域检测的漏检率，虽然会带入一些碎云虚警，但是其中大部分虚警可以通过大小形状等特征进行排除，所以说，YCW色彩空间中进行RX异常检测能达到较好的海上舰船ROI检测效果。

5 结 语

本文通过对多种色彩空间进行讨论，在考虑多光谱海上遥感图像的目标与海面成像特征的基础上，构建一种适合于海上舰船感兴趣区域检测的YCW色彩空间，在该色彩空间中结合RX异常检测算法的检测优势，实现对多光谱海上舰船的感兴趣区域检测，该算法经过实验验证，具有良好的鲁棒性和适用性，能够有效实现海上舰船感兴趣区域检测。

致谢：感谢中国科学院空间应用工程与技术中心为本研究提供天宫一号高光谱成像仪数据产品。

参考文献

[1] 丛瑜，周伟，于仕财，等.一种对港口影像进行舰船目标提取方法[J].计算机仿真，2014，31（1）：22?25.

[2] 尤晓建，徐守时，侯蕾.基于特征融合的可见光图像舰船检测新方法[J].计算机工程与应用，2005，41（19）：199?202.

[3] ZHU Changren， ZHOU Hui， WANG Runsheng， et al. A novel hierarchical method of ship detection from spaceborne optical image based on shape and texture feature [J]. IEEE Transactions on Geoscience and Remote Sensing， 2010， 48（9）： 3446?3456.

[4] 孙皓，孙显，王宏琦.一种高分辨率遥感图像舰船检测方法研究[J].测绘科学，2013，38（5）：112?115.

[5] DING Zhenghu， YU Ying， WANG bin， et al. An approach for visual attention based on biquaternion and its application for ship detection in multispectral imagery [J]. Neurocomputing， 2012， 76（1）： 9?17.

[6] YANG Guang， LI Bo， JI Shufan， GAO Feng， et al. Ship detection from optical satellite images based on sea surface analysis [J]. IEEE Geoscience and Remote Sensing Letters， 2014， 11（3）： 641?645.

[7] 隆刚，陈学.高分辨率遥感图像港内舰船的自动检测方法[J].计算机仿真，2007，24（5）：198?201.

[8] 赵春晖，张洪才，王永忠.基于特征颜色空间变换的目标跟踪融合算法[J].计算机工程与应用，2008，44（3）：8?9.

[9] 张争珍，石跃祥.YCgCr颜色空间的肤色聚类人脸检测法[J].计算机工程与应用，2009，45（22）：163?165.

[10] ZHONG Zhiguang. A new adaptive color space YCH for face detection [C]// Proceedings of 2010 IEEE International Confe?rence on Intelligent System Design and Engineering Application. [S.l.]： IEEE， 2010： 84?89.

[11] 李红宣.基于多光谱遥感影像的海船目标检测技术研究[D].昆明：云南大学，2013.

[12] REED I S， YU Xiaoli. Adaptive multiple?band CFAR detection of an optical pattern with unknown spectral distribution [J]. IEEE Transactions on Acoustics， Speech， and Signal Processing， 1990， 38（10）： 1760?1770.

[13] 史振威，吴俊，杨硕.RX 及其变种在高光谱图像中的异常检测[J].红外与激光工程，2012，41（3）：796?802.

[14] 成宝芝.基于光谱特性的高光谱图像异常目标检测算法研究[D].哈尔滨：哈尔滨工程大学，2012.

[15] SHI Zhenwei， YU Xinran， JIANG Zhiguo. Ship detection in high?resolution optical imagery based on anomaly detector and local shape feature [J]. IEEE Transactions on Geoscience and Remote Sensing， 2014， 52（8）： 4511?4523.