0 引　言

海上遥感图像的目标识别具有重要的军事意义，舰船担负着海上侦察、敌方军事目标打击等关键任务。为了能够实现军事战略目标，对敌方目标进行打击，必须要能够准确、高效进行敌方目标的检测和识别。遥感和雷达技术是目前海上军事领域最常应用的目标探测技术，其中，雷达技术由于覆盖区域小、易受海上障碍物的影响，目标探测的精度相对较低；遥感技术利用高分辨率遥感成像设备，可以实现同一时间大范围的海上遥感图像获取，并结合遥感图像的处理技术，高效、准确进行海上舰船目标的识别。

本文围绕舰船目标遥感图像的识别系统开展研究，介绍基于遥感图像的特征识别流程，重点对遥感图像的滤波处理、区域提取进行研究，最后结合FPGA等硬件设备，搭建舰船遥感图像特征识别系统。

1 舰船目标遥感图像特征识别的基本流程

海上遥感图像的噪声包括不同天气条件、太阳照射角度、波浪和遥感设备噪声等，基于遥感图像的舰船目标图像特征识别流程图如图1所示。

由图1可知，舰船目标图像识别过程主要包括3个关键环节：

1）图像的过滤

在进行遥感图像的识别之前，针对遥感图像的噪声信号进行预处理，采用的滤波算法包括高斯滤波、小波变换滤波等，噪声过滤可以提高舰船目标识别的精度^[1]。

2）基于视觉显著性的目标图像区域提取

由于遥感图像覆盖范围广，图像的像素个数、尺寸维度较大，为了降低计算机在图像处理过程中的工作量，可以首先将含有目标的部分图像定位出来，并将图像分割处理。

3）特征识别

经过分割后的图像只含有目标及附近区域的像素，然后利用特征向量等特征提取方法，实现舰船目标的识别。

2 基于小波变换的图像过滤与增强理论研究

船舶遥感图像的噪声主要是海上雾气、云层、太阳光反射、水蒸气等气象因素的噪声，这些噪声干扰在图像识别过程中会影响识别精度，必须要在图像预处理阶段进行过滤。

小波变换对于处理遥感图像的噪声信号具有一定优势，基于小波变换理论的遥感图像噪声过滤流程如图2所示。

遥感图像信号为 $ \varphi (t) $ ，则图像信号的小波变换如下式：

$ T(\varepsilon ,t) = \frac{1}{{\sqrt \varepsilon }}\int_{ - \infty }^\infty {\varphi (t)\Delta f(t)\left( {\frac{{t - \tau }}{\varepsilon }} \right)} {\rm{d}}t \text{，} $

式中： $ \varepsilon $ 为尺度因子； $ f(t) $ 为像素函数； $ \tau $ 为位移因子^[2]， $ \Delta $ 为像素拉普拉斯算子，如下式：

$ {\Delta ^2} = \frac{{{{{\partial}} ^2}f\left( t \right)}}{{{{\partial}} {x^2}}} + \frac{{{{{\partial}} ^2}f\left( t \right)}}{{{{\partial}} {y^2}}} 。$

小波变换约束条件为：

$ {c_\varphi } = \int_{ - \infty }^\infty {\frac{{{{\left| {\beta (w)} \right|}^2}}}{w}} {\rm{d}}w < \infty \text{，} $

其中， $\ \beta (w) = \displaystyle\int_{ - \infty }^\infty {\varphi (t){e^{ - jwt}}{\rm{d}}t}$ ，且 $ \beta (0) = 0 $ 。

遥感图像的小波逆变换如下式：

$ N(t) = \frac{1}{{{c_\varphi }}}\int_{ - \infty }^\infty {\frac{{{\rm{d}}s}}{{{s^2}}}\int_{ - \infty }^\infty {T(\varepsilon ,t)} } 。$

式中，s为逆变换特征值。

基于小波变换的遥感图像噪声过滤示意图如图3所示，可见图像除目标图像外，周围区域的像素噪点显著降低。

3 视觉显著性的遥感图像目标候选区域提取

目标候选区域提取是将遥感图像中包含目标舰船的区域图像提取出来，与背景区域进行分割，并将提取后的子图像作为后续图像处理的对象。本文采用的目标候选区域提取方法为基于视觉显著性的提取方法，这种图像区域提取方法可以从大幅遥感图像中提取出感兴趣区域，有效降低图像处理的计算量。

视觉显著性检测算法利用像素的对比度确定目标及目标区域，对比度计算方法为傅里叶相位谱变换算法，将图像的颜色通道 $ R\left( t \right)/G\left( t \right)/B\left( t \right)/Y\left( t \right) $ 建立四元数图像，利用傅里叶变换获取具有视觉显著性的图像。

基于视觉显著性检测算法的图像处理原理图如图4所示.

首先对舰船遥感图像进行四元通道的函数构建，假设输入图像为 $ F\left( t \right) $ ， $ t $ 为图像的帧数，扩展到 $ R\left( t \right)/ G\left( t \right)/B\left( t \right)/Y\left( t \right) $ 四个颜色通道^[3]为：

$ \begin{gathered} 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)\text{，} \\ \end{gathered} $

定义遥感图像的颜色通道为：

$ \begin{gathered} RG(t) = R(t) - G(t) , \\ BY(t) = B(t) - Y(t) , \\ \end{gathered} $

定义图像的显著性对比通道为：

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

遥感图像帧的像素为 $ q\left( {m,n,t} \right) $ ，可得图像的傅里叶变换为：

$ \begin{gathered} 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^{ - 2\pi _{}^{}}}} } f[n,m]\text{。} \\ \end{gathered} $

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

$ {f_t}(n,m) = \frac{1}{{\sqrt {MN} }}\sum\limits_{u = 0}^{M - 1} {\sum\limits_{v = 0}^{N - 1} {{e^{ - 2{{\text{π}}} \mu }}} } {F_t}[u,v] 。$

可构建图像的时空视觉显著图像为：

$ S(t)=g\ast \Vert {f}_{t}(n,m){\Vert }^{2} 。$

式中， $ g $ 为滤波函数。

4 基于FPGA的舰船目标图像特征识别系统搭建

针对舰船遥感图像的识别问题，采用FPGA作为核心处理器，搭建遥感图像的目标快速识别硬件系统。FPGA具有丰富的逻辑算法资源和强大的运算能力，可利用并行运算等先进技术为舰船遥感图像的快速处理提供支持。

基于FPGA的硬件系统设计需要遵循下述基本原则：

1）硬件支持性原则

任何基于硬件芯片的开发，需要做到软件程序设计与硬件设计的统一，在进行程序和代码的开发时，需要根据芯片的管脚、内部存储和运算空间等参数，确保FPGA芯片具有可实现性。

2）同步电路设计

基于FPGA的硬件电路设计需要满足同步电路设计原则，原因在于异步电路设计可能会出现电压失稳的问题，降低系统可靠性。

3）计算统筹原则

FPGA的内部资源包括逻辑资源、存储资源和接口资源，为了能够实现FPGA芯片效率的最大化，同时提高数据量的计算速度，必须要进行芯片计算量的统筹和优化设计。比如可以利用多个并行计算模块同时运行，提高运算速度。

本文基于FPGA开发的舰船遥感图像目标识别系统分为预处理、区域提取、目标识别、RAM存储调度模块4个主体部分，细分为滤波模块、显著性计算模块、阈值分割模块、特征与目标提取模块等。RAM存储调度模块选用Xilinx公司设计的DDR3存储器^[4]，图5为基于FPGA的舰船目标图像特征识别系统原理图。

RAM存储调度模块中的数据主要包括RGB图像、遥感灰度图、视觉显著图、二值图像等信息，数据存储格式如表1所示。

基于FPGA的舰船遥感图像目标识别实例如图6所示。

5 结　语

海上舰船的遥感图像识别技术不论在军事侦察还是舰船管理方面都具有重要价值，本文从遥感图像的过滤、增强、显著性图像选取等方面进行研究，结合FPGA搭建遥感图像目标识别系统，并验证了系统的目标识别效果。