0 引　言

随着信息化技术、计算机技术的迅速发展，海上作战逐步成为以信息化为主导的战争，信息、情报数据已经成为决定海上作战胜负的关键因素。海上侦察中，舰船的识别与快速处理技术能及时获取敌方船舶的位置、类型等情报，从而在军事作战中占据主动。

相对于传统的雷达探测技术，遥感技术可以直接生成海域内船舶的准确图像，通过对图像进行分割、特征提取、过滤等处理，可以提取准确的船舶目标信息。目前，基于遥感图像的海上船舶目标探测、侦察与监视等获得了广泛的应用，且应用潜力还在进一步挖掘中^[1]。

为了提高基于遥感图像的舰船目标识别效率，本文将研究重点放在舰船图像特征目标自动采集系统，介绍舰船遥感图像的基本特征，从舰船图像的像素滤波、模糊聚类算法、像素平滑算法等方面介绍图像特征自动采集系统的关键功能，并结合C++编程语言，在Microsoft Visual Studio 2010平台上实现了自动采集系统的软件开发。

1 舰船遥感图像的基本特征

舰船遥感图像是根据电磁波理论，对海域内目标所辐射和反射的电磁波信息采集与处理，最终得到目标物体影像的一种探测方法。

遥感图像雷达的距离分辨率与电磁波脉冲带宽和有关，带宽分辨率可用下式计算：

$ {\delta _0} = \frac{{{C_0}}}{{2B}} \text{。} $

式中： $ {C_0} $ 为传播速度， $ {C_0} = c{\lambda _0} $ ； $ {\lambda _0} $ 为调制前的脉冲带宽；B为实际的带宽。

方向分辨率用下式计算：

$ {\delta _1} = \frac{{{C_0}}}{{2\beta }}，$

式中， $ \ \beta $ 为雷达的张角。

遥感图像雷达的信噪比可用下式表示：

$ SNR = \frac{{{P_0}{G^2}{\beta ^2}{\delta _1}}}{{356\sigma _0^2\sqrt 2 {\text{π}} \sin {\theta _0}{F_0}{L_{MIN}}}} ，$

其中： $ \sigma _0^{} $ 为目标的分散系数； $ {\theta _0} $ 为雷达波的入射角度； $ {F_0} $ 为雷达的硬件噪声； $ {L_{MIN}} $ 为电磁波损失； $ {P_0} $ 为发射功率； $ G $ 为天线增益。

高分辨率遥感图像中的像素包括背景、噪声和目标信息，可用下式表示：

$ f\left( {x,y} \right) = {f_1}\left( {x,y} \right) + {f_2}\left( {x,y} \right) + {f_3}\left( {x,y} \right) 。$

其中： $ \left( {x,y} \right) $ 为像素点； $ {f_1}\left( {x,y} \right) $ 为舰船目标的像素点； $ {f_2}\left( {x,y} \right) $ 为背景像素点； $ {f_3}\left( {x,y} \right) $ 为噪声像素点值。

典型的海上舰船高分辨率遥感图像如图1所示。

海上高分辨率遥感图像的噪声来源有多种，最常见的噪声干扰是海域内的云层、水汽等障碍物信号。为了更好进行遥感图像的噪声过滤，将遥感图像的噪声信号分为加性和乘性噪声2种。

1）加性噪声

所谓加性噪声是指噪声与遥感图像的本身信号强度无关，通常以硬件噪声为主，比如信号传输过程的设备噪声、信道噪声等。

加性噪声的模型可表示为：

$ {f_j}\left( {x,y} \right) = s\left( {x,y} \right) + \alpha \left( {x,y} \right) 。$

式中： $ s\left( {x,y} \right) $ 为信道噪声； $ \alpha \left( {x,y} \right) $ 为设备硬件噪声。

2）乘性噪声

乘性噪声是指与图像本身相关的信号，比如图像的强度、障碍物等，乘性噪声模型可表示为：

$ {f}_{c}\left(x,y\right)=\beta \left(x,y\right)\cdot \eta \left(x,y\right) 。$

式中： $ \ \beta \left( {x,y} \right) $ 为图像灰度噪声； $ \eta \left( {x,y} \right) $ 为障碍物噪声。

本文的研究方向是海上遥感图像的船舶目标特征采集，基本流程如图2所示。

2 舰船图像颜色特征目标自动采集系统的关键技术 2.1 像素滤波算法

舰船遥感图像中包含大量的噪声信号，这些噪声信号会影响船舶目标特征的提取和识别，影响遥感图像的灰度值。

为了提高遥感图像目标特征自动采集系统的检测精度，本文采用一种LEE滤波算法，滤波器的模型如下：

$ R\left( t \right) = \frac{{I\left( t \right)W\left( t \right) + 1}}{{\bar I\left( t \right)\left( {1 - W\left( t \right)} \right)}} 。$

其中： $ W\left( t \right) $ 为滤波权重函数； $ W\left( t \right) = 1 - \dfrac{{{\sigma _0}^2}}{{{\sigma _i}^2\left( t \right)}} $ ； $ {\sigma _0} $ 为滤波模型的均值； $ {\sigma _i} $ 为方差。

LEE滤波器 $ R\left( t \right) $ 的平方可积，在频域内有：

$ \int_R {\left| {\frac{\sigma }{{{\sigma _i}}}} \right|^2}{\rm{d}}t \leqslant \infty。$

针对不同像素尺寸的图像，LEE滤波器模型可以通过平移与伸缩变换提高适应性：

$ {R_s}\left( t \right) = \frac{1}{{\sqrt s }}R\left( {\frac{{t - \alpha }}{s}} \right)。$

式中：s为伸缩变换因子； $ \alpha $ 为平移变换因子。

为了提高LEE滤波器的滤波带宽^[2]，本文利用小波变换进行模型处理，如下：

$ F\left( {s,t} \right) = \left\{ {f\left( t \right),R\left( t \right)} \right\} = \frac{1}{{\sqrt s }}\int\limits_{}^{} {f\left( t \right)} R\left( {\frac{{t - \alpha }}{s}} \right){\rm{d}}t 。$

小波逆变换为：

$ R\left( {s,t} \right) = \frac{1}{{{\alpha ^2}}}\int_{ - \infty }^\infty {WF\left( {s,t} \right)} R\left( {\frac{{t - \alpha }}{s}} \right){\rm{d}}t 。$

图3为LEE滤波器处理前后遥感图像局部区域的对比示意图。

2.2 基于模糊聚类算法的舰船图像分类、分割技术

为了提高舰船遥感图像目标自动采集系统的效率，本文采用模糊聚类算法进行遥感图像的预处理，包括图像分类和多尺度图像分割技术。

模糊聚类算法利用图像之间的像素灰度相似性进行分类，由于遥感图像的背景、纹理等特征各不相同，利用模糊聚类能够有效改善目标提取的效率^[3]。

基于模糊聚类的舰船图像分类、分割流程如下：

假设遥感图像的样本数据集合为：

$ X = (x_1^{},{x_2},\cdots ,{x_m}) \text{，} $

$ {x_i} $ 为n维像素数据，定义聚类分析的目标函数为：

$ K = \frac{1}{3}\sum\limits_{i = 1}^p {\sum\limits_{j = }^m {{{\left[ {{\delta _m}} \right]}^l}{{\left| {{x_i} - {p_0}} \right|}^2}} } 。$

式中： $ l $ 为聚类分析的迭代次数^[4]； $ \left[ {{\delta _m}} \right] $ 为聚类矩阵。

1）计算图像的模糊聚类中心

$ {c_{ij}} = \frac{1}{{\displaystyle\sum\limits_{i = 1}^m {{{\left[ {{\delta _m}} \right]}^m}} }}\displaystyle\sum\limits_{i = 1}^m {{\delta _m}^l{x_i}} 。$

2）计算模糊聚类的协方差矩阵

$ {A_i}_j = \frac{{\displaystyle\sum\limits_{i = 1}^m {{\delta _m}^l{{\left( {{x_i} - {c_i}_j} \right)}^{\rm{T}}}} }}{{\displaystyle\sum\limits_{i = 1}^m {{{\left[ {{\delta _m}} \right]}^m}} }} 。$

3）定义隶属度函数 $ U(l) $

选用梯形隶属度函数，曲线如图4所示。

根据协方差矩阵和隶属度函数进行图像的分类、分割，定义迭代次数为 $ l = 1,2,\cdots ,m $ ，分类完成的终止条件 $ \left\| {U(l) - U(l - 1)} \right\| < \lambda $ 。

2.3 船舶遥感图像的像素平滑处理技术研究

像素的平滑处理也是提高目标自动采集系统效率的重要环节，本文采用的像素平滑处理是帧间差分法^[5]。

当遥感卫星连续采集2帧海上船舶的遥感图像时，2帧之间的差分间隔在一定程度上会影响图像的质量，帧间差分如下：

$ {S_n}(i,j) = \left| {{F_n}(i,j) - {F_{n - 1}}(i,j)} \right| 。$

式中： $ {S_n}(i,j) $ 为当前采集的船舶遥感差分图像； $ {F_n}(i,j) $ 为卫星采集的第n帧遥感图像； $ {F_{n - 1}}(i,j) $ 为卫星采集的第n−1帧遥感图像^[6]。

确定遥感图像帧的某像素点 $ \left( {x,y} \right) $ ，其像素灰度为 $ f\left( {x,y} \right) $ ，建立像素平滑处理模型函数为：

$ \varphi (x,y) = \frac{1}{{{s^2} - 1}}\sum\limits_{\begin{subarray}{l} i = 0 \\ j = 0 \end{subarray}} ^s {f(x,y)} 。$

3 舰船遥感图像特征目标自动采集系统的搭建

本文在舰船遥感图像特征目标自动采集系统的搭建，利用的程序语言为C++编程语言，采用的平台为Microsoft Visual Studio 2010。将遥感图像特征目标自动采集系统的功能模块划分为图像载入模块、预处理模块、模糊聚类分割模块、平滑处理模块和特征提取模块。

图5为舰船遥感图像特征目标自动采集系统的工作流程图。

遥感图像特征目标自动采集系统的舰船图像目标采集示意图如图6所示。

4 结　语

为了提高海上舰船遥感图像的目标识别效率，本文基于Microsoft Visual Studio 2010搭建了舰船遥感图像特征目标自动采集系统，分别介绍了该系统的图像滤波、模糊聚类分析、平滑处理等关键技术。