0 引　言

遥感技术以其大范围、快速、连续观测的能力，在船舶航行信息提取方面展现出巨大潜力^[1]。遥感影像信息提取技术不仅能够为海上交通安全监管、海洋资源开发与环境保护等领域提供有力支持，还对于维护国家海洋权益、保障海上通道安全具有重要意义。

当前领域对于船舶航行遥感影像信息提取方案的研究已经涌现了诸多研究成果。例如，陈立娜等^[2]通过归一化指标建立图像信息提取模型，利用机器学习卷积过程降维处理图像信息，从而实现遥感影像信息提取。然而利用机器学习卷积过程降维处理图像信息虽然可以减少计算量和提高数据可读性，但会导致一些重要信息的丢失，从而影响到了遥感影响信息提取质量。徐红明等^[3]通过采用方向回归的方式估计舰船目标的主方向，在对于方向性选择机制进行模拟后，通过方向性目标来提升船舶航行遥感影像信息提取质量。方向回归算法依赖于舰船目标的显著特征来估计主方向。然而，在实际应用中，由于遥感影像的多样性和复杂性，舰船目标的特征并不总是显著或易于识别的，这会导致算法在估计主方向时出现偏差或错误。于野等^[4]设计了一种融入显著性特征的卷积神经网络模型A-FPN，该模型提取了遥感影像的多层级特征，利用特征映射结构与Softmax分类器进行实现船舶航行遥感影像信息提取。但是A-FPN模型在训练过程中可能过度依赖于特定的数据集和特征，导致其在面对新的、未知的遥感影像时泛化能力受限。

针对上述方法的弊端，提出一种基于深度卷积神经网络的船舶航行遥感影像信息提取方法。

1 船舶航行遥感影像预处理

无人机在采集船舶航行过程中的遥感影像时易受多种因素影响，导致质量下降，影响船舶信息的提取。因此，需对船舶航行遥感影像进行预处理，包括配准与融合，以提高特征提取和分类的准确性。将二维船舶航行遥感影像设为$ {O_1}\left( {x,y} \right) $并作为基准参考影像，等待配准的影像设为$ {O_2}\left( {x,y} \right) $，根据下式对船舶航行遥感影像的展开配准：

$ {O_2}\left( {x,y} \right) = j\left( {{O_1}\left( {{G_1}\left( {x,y} \right)} \right)} \right)\ 。$

(1)

式中：$ {G_1} $为执行基准影像坐标变换操作的函数；$ j $为执行灰度转换的函数。

精确配准处理平滑了船舶航行遥感影像灰度不连续性，减轻了处理复杂度和计算负担^[5-6]。

像素级融合通过Brovey变换技术，集成多源船舶航行遥感影像的光谱信息和高分辨率影像，实现像素层面的精细融合^[7]。假设待处理的船舶航行遥感影像包含3个光谱通道，其光谱值分别标记为$ {\upsilon _1} $、$ {\upsilon _2} $和$ {\upsilon _3} $，通过应用相应的融合算法，可以生成一幅融合后的船舶航行遥感影像，具体的计算公式如下：

$ {\upsilon _a} = {O_2}\left( {x,y} \right)\left( {{\upsilon _i} \times {\upsilon _b}} \right)/\left( {{\upsilon _1} + {\upsilon _2} + {\upsilon _3}} \right)\ 。$

(2)

式中：$ {\upsilon _i} $为多光谱船舶航行遥感影像中第$ i $个光谱段所对应的像素值；$ {\upsilon _b} $为船舶航行遥感影像展开融合处理前的像素值。

2 船舶航行遥感影像分割 2.1 WGMM-MRF分割模型

通过引入融合后的船舶航行遥感影像$ {\upsilon _a} $，MRF使分割结果空间上更连续和平滑。船舶航行影像统计模型$ p\left( {x|\vartheta } \right) $的表达式为：

$ \begin{gathered} p\left( {x|\vartheta } \right) = \prod\limits_{m = 1}^M {p\left( {{x_m}|\vartheta } \right)} = \\ \prod\limits_{m = 1}^M {\left[ \begin{gathered} \sum\limits_{l = 1}^L {{\omega _{ml}}} \sum\limits_{q = 1}^Q {{t_{mlq}}{{\left( {2\pi } \right)}^{ - \frac{F}{2}}}} |{\sum _{lq}}{|^{ - \frac{1}{2}}} \times {\upsilon _a} \\ \exp \left[ { - \frac{1}{2}\left( {{x_m} - {\nu _{lq}}} \right)\sum _{lq}^{ - 1}{{\left( {{x_m} - {\nu _{lq}}} \right)}^Y}} \right] \\ \end{gathered} \right]} \ 。\\ \end{gathered} $

(3)

式中：$ \vartheta = \left\{ {\omega ,t,\nu ,\sum } \right\} $为模型参数集；$ \omega {\text{ = }}\left\{ {{\omega _{ml}}} \right\} $为组份权重集；$ t{\text{ = }}\left\{ {{t_{mlq}}} \right\} $为分布权重集；$ \nu = \left\{ {{\nu _{lq}}} \right\} $为平均向量集；$ \sum = \left\{ {{\sum _{lq}}} \right\} $为相关变量协方差矩阵集；$ {\nu _{lq}} $为第$ l $组份中第$ q $分布的平均向量；$ {x_m} $为模型的概率分布；$ F $为总波段数。

在船舶航行影像去噪处理过程中，去噪强度的计算公式如下：

$ {H_{ml}} = p\left( {x|\vartheta } \right)\exp \left[ { - \frac{\iota }{{2{M_m}}}\sum\limits_{i \in {V_m}} {\left( {{u_{il}} + {\omega _{il}}} \right)} } \right]\ 。$

(4)

式中：$ {H_{ml}} $为去噪强度；$ i $为相邻像素标识；$ {V_m} $为相邻像素标识集；$ \iota $为去噪强度因子；$ {M_m} $为相邻像素数量；$ {u_{il}} $为相邻像素$ i $的类属后验概率。基于贝叶斯框架构建像素$ m $分类于$ l $的类属后验概率，表达式为：

$ u_{ml}^y = \frac{{{H_{ml}}\omega _{ml}^y\sum\limits_{q = 1}^Q {t_{mlq}^ya\left( {{x_m}|\nu _{lq}^y,\sum _{lq}^{\left( y \right)}} \right)} }}{{\sum\limits_{l = 1}^L {\omega _{ml}^y} \sum\limits_{q = 1}^Q {t_{mlq}^ya\left( {{x_m}|\nu _{lq}^y,\sum _{lq}^{\left( y \right)}} \right)} }}\ 。$

(5)

式中：$ q $为组份概率分布标识；$ {\nu _{lq}} $为第$ l $组份中第$ q $分布的平均向量；$ {\sum _{lq}} $为第$ l $组份中第$ q $分布的相关变量协方差矩阵。

利用贝叶斯准则，构建船舶航行遥感影像分割模型$ Z\left( \vartheta \right) $，并设$ S = 1,Y = 1 $，即：

$ \begin{split} &Z\left( \vartheta \right) = \ln \left[ {a\left( {x|\vartheta } \right)a\left( \omega \right)} \right]u_{ml}^y = \\ &\sum\limits_{m = 1}^M {\ln } \left[ \begin{gathered} \sum\limits_{l = 1}^L {{\omega _{ml}}} \sum\limits_{q = 1}^Q {{t_{mlq}}{{\left( {2{\text{π}} } \right)}^{ - \frac{F}{2}}}} |{\sum {_{lq}|} ^{ - \frac{1}{2}}} \times \\ \exp \left[ { - \frac{1}{2}\left( {{x_m} - {\nu _{lq}}} \right){{\sum\nolimits_{lq}^{ - 1} {\left( {{x_m} - {\nu _{lq}}} \right)} }^Y}} \right] \\ \end{gathered} \right] - \\ &\sum\limits_{m = 1}^M {\sum\limits_{l = 1}^L {H_{ml}^{\left( y \right)}\ln {\omega _{ml}}} } \ 。\end{split} $

(6)

2.2 影像分割模型求解

在WGMM-MRF模型中，将EM算法应用于WGMM-MRF模型，捕捉像素间空间相关性，增强类别一致性，保持船舶航行遥感影像边界连续性和完整性，使分割更符合实际情况。

输入：分割等级$ L $，成分数量$ Q $，去噪强度因子$ \iota $。

输出：像素标识$ {Z_m} $。

船舶航行遥感影像分割算法具体流程为：

步骤1　设定模型起始参数$ {\vartheta ^{\left( y \right)}} = \left\{ {\omega ^{\left( y \right)}},{t^{\left( y \right)}},{\nu ^{\left( y \right)}}\right., \left. {\sum ^{\left( y \right)}} \right\} $，设$ y = 0 $。

步骤2　运用式(5)～式(7)求解后验概率$ u_{ml}^{\left( {\text{y}} \right)} $和$ d_{mlq}^{\left( y \right)} $。

当像素标号为已知时，可利用贝叶斯定理来计算像素$ m $属于分布$ q $的后验概率，表达式为：

$ d_{mlq}^{\left( y \right)} = \frac{{t_{mlq}^{\left( y \right)}a\left( {{x_m}|\nu _{lq}^{\left( y \right)},\sum _{lq}^{\left( y \right)}} \right)}}{{\sum\limits_{{q^{'}} = 1}^Q {t_{ml{q^{'}}}^{\left( y \right)}} a\left( {{x_m}|\nu _{l{q^{'}}}^{\left( y \right)},\sum _{l{q^{'}}}^{\left( y \right)}} \right)}}。$

(7)

对式(6)使用Jensen不等式，同时联合后验概率$ {\nu _{lq}} $以及$ {d_{mlq}} $，进而得到：

$ \begin{split} & Z( \vartheta ) \geqslant \sum\limits_{m = 1}^M \sum\limits_{l = 1}^L u_{ml}^{( {\text{y}} )}\ln \left\{ {\omega _{ml}} + \sum\limits_{q = 1}^Q d_{mlq}^{( y )}[ \ln {t_{mlq}} + \right. \\ & \left. \ln a( {{x_m}|{\nu _{lq}},{\sum _{lq}}} ) ] \right\} \_ \sum\limits_{m = 1}^M {\sum\limits_{l = 1}^L {H_{ml}^{( y )}\ln {\omega _{ml}}} } \ 。\end{split} $

(8)

式中：不等式右侧的项构成了$ Z\left( \vartheta \right) $的一个下界，当模型参数$ \vartheta $的取值让$ Z\left( \vartheta \right) $达到其极值的情况下，此不等式会转化为等式，从而能够把$ Z\left( \vartheta \right) $的最大化转变为其下界函数的最大化。确定模型求解的目标函数，记作：

$ \begin{split} & K\left( \vartheta \right) = \sum\limits_{m = 1}^M {\sum\limits_{l = 1}^L {u_{ml}^{\left( {\text{y}} \right)}\ln \left\{ \begin{gathered} \ln {\omega _{ml}} + \sum\limits_{q = 1}^Q {d_{mlq}^{\left( y \right)}} \times \\ \left[ \begin{gathered} \ln {t_{mlq}} - \frac{F}{2}\ln \left( {2{\text{π}} } \right) - \\ \frac{1}{2}\left( {{x_m} - {\nu _{lq}}} \right) \sum _{lq}^{ - 1} \times \\ {\left( {{x_m} - {\nu _{lq}}} \right)^Y} - \frac{1}{2}\ln |{\sum _{lq}}| \\ \end{gathered} \right] \\ \end{gathered} \right\}} }\_ \\ & \sum\limits_{m = 1}^M {\sum\limits_{l = 1}^L {H_{ml}^{\left( y \right)}\ln {\omega _{ml}}} } \ 。\end{split} $

(9)

步骤3　运用式(8)求解平均值$ \nu _{lq}^{\left( {y + 1} \right)} $和协方差$ \sum _{lq}^{\left( {y + 1} \right)} $。

$ \left\{ \begin{gathered} \nu _{lq}^{\left( {y + 1} \right)} = \sum\limits_{m = 1}^M {u_{ml}^{\left( {\text{y}} \right)}{x_m}} /\sum\limits_{m = 1}^M {u_{ml}^{\left( {\text{y}} \right)}K\left( \vartheta \right)Z\left( \vartheta \right)}, \\ \sum _{lq}^{\left( {y + 1} \right)} = u_{ml}^{\left( {\text{y}} \right)}\left( {{x_m} - {\nu _{lq}}} \right){\left( {{x_m} - {\nu _{lq}}} \right)^Y}/\sum\limits_{m = 1}^M {u_{ml}^{\left( {\text{y}} \right)}} \ 。\\ \end{gathered} \right. $

(10)

鉴于分布权重和组份权重均必须满足各自特定的约束条件，利用拉格朗日乘数法来构建一个包含这些约束条件的目标函数，以确保在优化过程中能够同时满足这些约束，表达式为：

$ \begin{split} & {K^{'}}\left( \vartheta \right) = K\left( \vartheta \right)\sum _{lq}^{\left( {y + 1} \right)} + \nu _{lq}^{\left( {y + 1} \right)}\sum\limits_{m = 1}^M {{s_m}\left( {\sum\limits_{l = 1}^L {{\omega _{ml}} - 1} } \right)} + \\ & \sum\limits_{m = 1}^M {\sum\limits_{l = 1}^L {{\chi _{ml}}\left( {\sum\limits_{q = 1}^Q {{t_{mlq}} - 1} } \right)} }\ 。\end{split} $

(11)

步骤4　运用式(12)和式(13)求解组份权重$ \omega _{ml}^{\left( {y + 1} \right)} $和分布权重$ t_{mlq}^{\left( {y + 1} \right)} $。分别对$ {\omega _{ml}} $和乘子$ {s_m} $展开偏导数的求解操作，随后设置这些偏导数为0，通过解方程组的过程，推导出组份权重的解析表达式为：

$ \omega _{ml}^{\left( {y + 1} \right)} = \frac{{{K^{'}}\left( \vartheta \right)\left( {u_{ml}^{\left( {\text{y}} \right)} + H_{ml}^{\left( y \right)}} \right)}}{{\sum\limits_{{l^{'}} = 1}^L {u_{m{l^{'}}}^{\left( {\text{y}} \right)}} + H_{m{l^{'}}}^{\left( y \right)}}} \ 。$

(12)

同上，运用式(11)分别对$ {t_{mlq}} $和乘子$ {\chi _{ml}} $展开偏导数的求解操作，随后设置这些偏导数为0，通过解方程组的过程，推导出分布权重的解析表达式：

$ t_{mlq}^{\left( {y + 1} \right)} = d_{mlq}^{\left( y \right)}/\sum\limits_{{q^{'}} = 1}^Q {d_{ml{q^{'}}}^{\left( y \right)}} \omega _{ml}^{\left( {y + 1} \right)}\ 。$

(13)

通过迭代方法确定最优参数集，利用这些参数计算类别的后验概率，并基于概率最大化原则为像素分配类别标识，$ {Z_m} $为像素$ m $的分类标识。

步骤5　对数变换来计算对数似然函数，若该对数似然函数表现出收敛性，则继续执行后续步骤；反之，若未收敛，则跳转回步骤2，并设$ y = y + 1 $。

步骤6　将$ u_{ml}^{\left( {{\text{y + 1}}} \right)} $展开最大化处理获得船舶航行遥感影像分割结果$ {Z_m} $。

3 船舶航行遥感影像信息提取 3.1 深度特征提取

将分割后的船舶航行遥感影像输入VGG-16前5层深度卷积网络，利用在ImageNet上预训练的卷积和池化层，有效提取层次化特征，应用于船舶航行遥感影像分析实现深度特征提取。设定$ z $作为网络结构中的一层，则第$ j $个船舶航行特征图$ x_j^z $为：

$ x_j^z = h\left( {\sum\limits_{i \in {Q^{z - 1}}} {x_i^{z - 1}*e_{ij}^z + n_j^z} } \right){Z_m}\ 。$

(14)

式中：$ * $为卷积操作；$ x_i^{z - 1} $为第$ i $个船舶航行特征图位于第$ z - 1 $层；$ e_{ij}^z $为从$ x_i^{z - 1} $到$ x_j^z $的卷积核；$ n_j^z $为第$ z $层的第$ j $个船舶航行特征图的偏移量；$ h\left( \cdot \right) $为非线性激活映射；$ {Q^{z - 1}} $为第$ z - 1 $层的船舶航行特征图数量。

假定池化层位于第$ z $层，则第$ z $层的第$ j $个船舶航行特征图$ x_j^z $：

$ x_j^{z'} = h\left( {\sum\limits_{i \in {Q^{i - 1}}} {\chi _j^z \cdot {\mathrm{down}}\left( {x_i^{z - 1}} \right) + n_j^z} } \right)\ 。$

(15)

式中：$ h\left( \cdot \right) $为非线性激活映射；$ \chi _j^z $为第$ z $层的第$ j $个船舶航行特征图的池化系数；$ {\mathrm{down}}\left( \cdot \right) $为池化操作；$ x_i^{z - 1} $为第$ i $个船舶航行特征图位于第$ z - 1 $层；$ n_j^z $为第$ z $层的第$ j $个船舶航行特征图的偏移量。经过多层的卷积和池化操作，VGG-16模型的前5层能够从船舶航行遥感影像中逐渐提取出从低层次到高层次的深度特征。

3.2 基于变化区域判别的船舶航行遥感影像信息提取

在完成船舶航行遥感影像深度特征提取后，利用变化区域判别方法进行船舶航行遥感影像信息提取，以期最大程度上保证船舶航行遥感影像信息提取质量与效率。

SE模块引入了动态通道重标定机制，能够自适应评估并调整船舶航行特征图中通道的重要性及其关联性，强化关键特征，优化特征表示，增强模型对复杂场景的理解，提升特征提取的灵活性和有效性。

采用全局空间平均池化技术（Global pooling策略），可以把全部船舶航行特征图像的空间分布情况进行汇总并精简，进而生成一个维度为$ 1 \times 1 \times V $的精炼特征图像$ {x_v} $，即$ {x_v} = {{\displaystyle\sum\limits_{i = 1}^J {\displaystyle\sum\limits_{j = 1}^E {{u_v}\left( {i,j} \right)x_j^zx_j^{z'}} } }}/{{J \times E}} $，式中：$ {u_v} $为位于船舶航行特征图$ U $里的第$ v $个$ J \times E $的特征通道。

通过全连接层（FC）压缩维度，并利用另一FC层扩展维度，实现信息精炼与重构。利用Sigmoid函数将输出归一化至0~1范围，高效利用聚合信息。在最终阶段，将执行一个元素级的乘法运算$ {\tilde c_v} = {d_v} \cdot {u_v} $，该运算将船舶航行特征图$ U $中的各个通道$ {u_v} $（特指$ U $中编号为$ {u_v} $的通道）与其各自专属的权重$ {d_v} $（即通道$ v $的权重系数）进行配对相乘，即$ {\tilde c_v} = {d_v} \cdot {u_v} $。

Softmax分类器计算特征的类别概率分布，选择最高概率类别，有效降低错误率，提高精度。结合SE模块和Softmax分类器，利用SE模块的特征提取优势和Softmax分类器的分类精度优势，进一步优化输出结果。

图1为Softmax多分类器的示意图，将上述内容提取到船舶特征$ v $作为Softmax分类器的输入$ {x_i} $，以完成对船舶航行遥感影像信息提取，其计算公式为：

$ {y_i} = {r^{{x_i}}}/\sum\limits_{j = 1}^m {{r^{{x_j}}}} {\tilde c_v}\ 。$

(16)

式中：$ {r^{{x_i}}} $为指数运算；$ {x_i} $为Softmax层的输入参数；$ m $为Softmax层输入参数的数量。

4 实验与分析 4.1 实验环境

实验软硬件配置如表1所示。

采用所提方法进行了船舶航行遥感影像信息提取，结果如图2所示。

可知，所提方法在船舶航行遥感影像信息信息提取中展现出优秀的能力，随着特征值提升，船舶航行遥感影像信息更详尽全面，表明该方法在提取船舶航行遥感影像信息时保持高精度和高效率，效果显著。

4.2 实验结果分析

采用深度卷积神经网络方法与旋转不变性和人工智能方法对比评估信息提取效果，实验结果如图3所示。

可知，所提方法的船舶航行遥感影像信息提取结果与实际情况最接近。相比旋转不变性和人工智能方法，所提方法通过预处理和WGMM-MRF分割模型，保持船舶遥感影像边界连续性和地块完整性，显著提高分割效率和准确性，证明其在船舶航行遥感影像信息提取中的高效性和精准性。

实验结果如表2所示。

可知，随着迭代次数增加，所提方法的信息提取精度显著提升至0.92并稳定，损失降至0.8，显示高稳定性和优化能力。相比之下，旋转不变性方法和人工智能方法的精度低且波动大，损失高。这是由于所提方法通过提取深层次特征和结合变化区域判别机制，提高了信息提取精度和效率。

5 结　语

本研究提出一种基于深度卷积神经网络（DCNN）的船舶航行遥感影像信息提取方法。通过图像配准和WGMM-MRF模型融合空间相关性进行高级影像分割。构建DCNN模型自动学习深层特征，精准捕捉关键信息，实现高效、准确和鲁棒的信息提取。实验验证表明，该方法在信息提取精度上达到新高，损失率低，显著提升技术水平和应用价值。