0 引　言

高分辨率海上遥感技术不论是在民用领域还是军事领域都具有非常广阔的应用前景，在民用领域，高分辨率遥感技术被大量应用于海上交通的管理、海上渔船和货物运输船的监控等方面，当船舶出现险情时，利用高分辨率遥感技术可以快速定位和追踪遇险船舶，尽快进行船舶的海上救援；在海上军事领域，基于高分辨率遥感技术能够实现海域内敌方船舶的定位和监测，提升海上军事作战能力^[1-2]。因此，提升海上遥感技术水平具有重要的意义，也是目前行业内的重要研究方向。

本文针对海上船舶遥感图像的识别和目标检测技术进行研究，应用视觉显著性检测算法PQFT实现遥感图像的舰船目标快速识别，介绍遥感图像的动态目标搜索、噪声滤波等关键环节。

1 视觉显著性检测算法PQFT的研究现状

视觉显著性检测算法PQFT在图像分析领域有广泛的应用，基于视觉显著性检测算法PQFT能有效抑制非目标物体或者背景的干扰，从而快速定位图像中的目标信息，提高传统图像处理和特征识别的效率。视觉显著性检测算法PQFT主要通过像素的对比度确定目标的显著性，该检测算法对图像分割、目标检测和图像压缩^[3]等领域发挥着意义重大的作用。

视觉显著性检测算法主要利用对比度计算度量图像目标区域的显著性，本文采用的对比度计算方法为傅里叶相位谱变换算法，其基本原理是处理图像或者视频图像帧序列，通过聚类算法获取图像序列的显著性区域，通过算法的4个通道 $ R\left( t \right)/G\left( t \right)/B\left( t \right)/Y\left( t \right) $ 建立四元数图像，最后得到图像的PQFT，并输出视觉显著性图像。

视觉显著性检测算法PQFT的原理图如图1所示。

视觉显著性检测算法PQFT首先构建四元数图像，假设输入图像为 $ F\left( t \right) $ ， $ t $ 为图像的帧数，将图像扩展为以下4个颜色通道^[4-5]：

$ \begin{split} & R(t) = r(t) - \frac{{g(t) + b(t)}}{2} \;，\\ & G(t) = g(t) - \frac{{r(t) + b(t)}}{2} \;，\\ & B(t) = b(t) - \frac{{g(t) + r(t)}}{2} \;，\\ & Y(t) = \frac{{r(t) + g(t)}}{2} - \frac{{|r(t) - g(t)|}}{2} - b(t) \;。\end{split} \text{} $

类比人类的视觉工作机制，当图像信号传入神经系统时，神经信号由于某一种颜色的刺激产生兴奋，而此时另一种颜色信号传入大脑时，神经元就会对该信号产生抑制效果，定义颜色通道为：

$ \begin{split} & RG(t) = R(t) - G(t) \;，\\ & BY(t) = B(t) - Y(t) \;。\end{split} \text{} $

定义图像的强度通道和运动通道为：

$ \begin{split} & I(t) = r(t) + \frac{{g(t) + b(t)}}{3} \;，\\ & M(t) = \left| {\frac{{r(t) + g(t)}}{2} - I(t)} \right| \;。\end{split} $

将图像帧的像素定义为 $ q\left( {m,n,t} \right) $ ，可得四元图像的傅里叶变换为：

$ \begin{split} & Q[u,v] = {F_1}[u,v] + {F_2}[u,v]{\mu _2} \;，\\ & F(u,v) = \frac{1}{{\sqrt {MN} }}\sum\limits_{m = 0}^{M - 1} {\sum\limits_{n = 0}^{N - 1} {{e^{ - \mu _{}^{2\pi (mv/M + u/N)}}}} } f[n,m] \;。\end{split} \text{} $

式中： $ (u,v) $ 为频域的坐标； $M，N$ 为图像的维度。逆傅里叶变换为：

$ {f_t}(n,m) = \frac{1}{{\sqrt {MN} }}\sum\limits_{u = 0}^{M - 1} {\sum\limits_{v = 0}^{N - 1} {{e^{ - \mu _{}^{2\pi (mv/M + u/N)}}}} } {F_i}[u,v] 。$

定义 $\varPhi \left( t \right)$ 为图像的相位谱， $\left\| {\varPhi \left( t \right)} \right\| = 1$ ，可构建图像的时空视觉显著图像为：

$ S(t)=g\ast \Vert Q(t){\Vert }^{2} 。$

式中， $ g $ 为二维图像的滤波函数。

2 基于PQFT模型的遥感图像船舶目标检测方法 2.1 遥感图像舰船目标检测流程

基于PQFT模型进行海上遥感图像的目标检测方法，在进行遥感图像的显著性检测前首先需要对遥感图像进行一系列前处理，一方面降低后续图像特征识别和处理的难度，降低图像识别算法的数据量，另一方面提升遥感图像舰船目标的识别精度。

基于遥感图像的舰船目标检测流程如图2所示。

1)遥感图像的预处理和海陆分离

海上遥感图像，尤其是港口和内河航道的遥感图像中，陆地图像数据占据很大部分，而舰船识别过程中陆地像素往往是干扰像素，因此有必要在舰船目标检测之前进行图像的海陆分离。此外，海上遥感图像中含有多种噪声信号，比如遥感卫星的传感器噪声信号、信道干扰信号、海上雾气等气象条件造成的噪声信号等，在遥感图像预处理时，需要进行噪声的过滤处理，本文采用的海上噪声滤波器为粒子滤波器。

图3为遥感图像噪声信号在RGB空间中的示意图。

2)区域提取和分类识别

区域提取是在船舶遥感图像海陆分离的基础上进一步缩小范围，将存在船舶目标的图像划分为若干个候选区域。分类识别是指去除遥感图像的海天背景后，对舰船目标进行特征的分类和识别。

2.2 基于PQFT的舰船运动目标跟踪技术

基于视觉显著性PQFT模型进行船舶运动目标的跟踪和识别，其过程如下：

首先建立目标模型，假定遥感图像中有n个像素，表示为 $n\left( {{x_1},{x_2},\cdots,{x_n}} \right)$ ，目标模型 $ {q_\nu } $ 表示为：

$ {q_\nu } = c\sum\limits_{i = 1}^n k \left[ {{{\left( {\frac{{{x_t} - {y_0}}}{h}} \right)}^2}} \right]\delta \left[ {b\left( {{x_i}} \right) - u} \right] \text{。} $

式中： $ {y_0} $ 为目标中心位置； $ k $ 为核函数； $ b\left( {{x_i}} \right) $ 为像素 $ {x_i} $ 处的灰度值函数； $ c $ 为归一化系数； $ h $ 为带宽。

然后在显著性区域中得到目标船舶的位置坐标 $ f $ ，建立候选目标模型为：

$ {p_u}(y) = 0.64\sum\limits_{i = 1}^n k \left[ {{{\left\| {\frac{{{x_t} - y}}{h}} \right\|}^2}} \right]\delta \left[ {b\left( {{x_i}} \right)} \right] \text{。} $

式中： $ y $ 为候选区域的目标中心。

根据视觉显著性算法进行相似度的计算，对比候选目标和真实目标的直方图权值如下式：

$ {w_i} = \sum\limits_{x = 1}^n \delta \left[ {b\left( {{x_t}} \right) - u} \right]\sqrt {\frac{{{q_v}}}{{{p_u}\left( {{y_0}} \right)}}} \text{。} $

当权值 $ {w_i} \in \left( {0,1} \right) $ 时，则证明基于视觉显著性的运动目标跟踪准确度满足要求。

图4为基于PQFT的舰船运动目标跟踪技术流程图。

2.3 遥感图像舰船目标检测的粒子滤波算法

海上舰船遥感图像受气象条件、遥感设计硬件的影响，图像中存在许多噪声信号，这些噪声信号需要进行过滤以提高图像目标提取的准确度，本文采用的图像噪声过滤器为粒子滤波器，工作过程如下：

定义遥感图像的状态方程如下式：

$ {X_t} = {f_t}_{ - 1}({X_{t - 1}}) + {V_{t - 1}} 。$

式中： $ {X_t} $ 为船舶目标的向量；n为维数； $ t $ 为时间， $ {f_t} $ 为状态向量； $ {V_{t - 1}} $ 为遥感图像的干扰噪声。

滤波器的观测方程为：

$ {W_t} = {h_t}({X_t}) + {z_t} 。$

式中： $ {W_t} $ 为观测图像向量； $ {h_t} $ 为状态向量的傅里叶函数； $ {z_t} $ 为噪声信号。

定义粒子滤波器的阈值如下式：

$ \chi = \frac{1}{{{N^2}}}\sum\limits_{i = 1}^N {\left\{ {{{\int {\left( {h\left( {{x_i}} \right) - 1} \right)} }^2}p({x_i})d{x_i}} \right\}} \text{。} $

当粒子群滤波算法得到的有效粒子个数大于阈值时，此时的有效粒子才能作为目标物体的信息输出。如果有效粒子的个数低于阈值，则继续进入粒子滤波循环。

粒子滤波器的概率密度函数如下式：

$ p\left( {{X_{t - 1}}\left| {{W_{t - 1}}} \right.} \right) = \int {p\left( {{x_t}\left| {{x_{t - 1}}} \right.} \right)} p\left( {{x_{t - 1}}\left| {{W_{t - 1}}} \right.} \right){\rm{d}}{x_t} 。$

粒子群滤波器的工作流程如图5所示。

本文基于视觉显著性PQFT算法进行了遥感图像的船舶识别测试，图6为某港口船舶遥感图像的识别示意图。

3 结　语

本文针对海上船舶遥感图像的目标检测技术进行研究，采用视觉显著性PQFT模型算法，并结合粒子滤波器和运动目标跟踪算法，提高了遥感图像目标检测的效率和精度。