0 引　言

舰船目标检测作为海洋信息处理的核心技术之一，在民用与军事领域均具备不可替代的作用。现有传统舰船检测方法在复杂海况下难以兼顾检测精度与稳定性，主要存在两大核心问题。一方面，背景噪声干扰严重，易导致阈值分割、普通边缘检测等方法出现大量误检；另一方面，目标边缘模糊问题突出，传统形态学的膨胀、腐蚀操作参数固定，在过滤噪声的同时易造成舰船边缘失真，难以精准还原目标轮廓，影响后续目标识别与定位。

形态学重构基于标记图像与模板图像的迭代运算，突破了传统形态学操作参数固定的局限。其核心优势在于能在保留目标整体结构的前提下，实现精准的区域分割，抗噪声能力更强且不易造成目标形态畸变。将该技术应用于舰船目标检测，可针对性解决复杂海况下的背景干扰与边缘模糊问题，为提升舰船分割精度提供了新的技术路径，具备显著的研究与应用价值^[1]。

形态学作为图像分割的经典技术，在目标检测领域的研究已取得一定成果。早期研究主要聚焦于膨胀、腐蚀、开运算、闭运算等基础操作的组合应用，通过简单的形态学序列处理实现目标与背景的分离，广泛应用于工业零件检测、医学图像分割等场景。近年来，形态学重构技术逐渐受到关注，研究人员通过优化标记图像生成方式与迭代策略，将其应用于遥感图像、红外图像等复杂场景的目标分割，验证了其在抗干扰与结构保留方面的优势。但现有研究多针对通用目标，缺乏针对舰船目标尺寸差异大、海洋背景复杂等特征的针对性优化^{[2 − 3]}。

当前舰船目标检测的分割方法仍存在明显短板，难以满足复杂海况下的高精度需求。本文在前人研究基础上对形态学重构进行深入研究，构建基于形态学重构的舰船目标分割模型。

1 形态学重构理论及创新性分析

膨胀与腐蚀是形态学的基础操作，通过结构元素与图像的交互实现目标扩张与收缩，分别用于填补空洞、去除噪声等基础处理。形态学重构以标记图像和模板图像为核心，通过迭代运算实现精准分割与形态优化，标记图像限定重构起始范围，模板图像约束结果边界，二者配合确保运算聚焦目标区域且避免过度扩张。相较于传统形态学操作，重构的核心优势在于约束性迭代——既保留目标整体结构，又实现细节优化，这为舰船检测的复杂场景适配提供了基础。

开运算重构是形态学重构的重要组成部分，由“腐蚀重构+膨胀”组成。首先以模板图像为约束，对输入图像进行腐蚀重构，去除目标区域表面的细小凸起和噪声；对重构结果执行膨胀操作，恢复目标区域的主体形态，最终实现去噪且保留目标结构的效果。闭运算重构则遵循“膨胀重构+腐蚀”的流程^[4]。

针对舰船检测场景提出自适应初始化-约束迭代重构-精准优化修正模型，传统开运算重构与闭运算重构分别侧重去噪和结构修复。本文基于舰船图像灰度分层纹理差异特征，结合复杂海况下海浪阴影等干扰因素，对重构流程进行针对性优化：开运算重构针对海浪噪声导致的目标表面干扰，通过约束腐蚀重构精准过滤细小凸起，再以适配舰船尺寸的自适应膨胀恢复主体形态，避免传统方法对舰船边缘的过度侵蚀；闭运算重构针对遮挡或低对比度导致的轮廓断裂，通过约束膨胀重构填补空洞，后续腐蚀修正采用边缘保护策略，解决传统操作易出现的形态失真问题。

相较于传统形态学重构方法，本文模型的创新点体现在2个关键环节：

1）标记图像生成摒弃传统人工设定或固定阈值方式，采用灰度阈值初筛加边缘验证的自适应方案，结合舰船尺寸动态调整候选区域范围，确保标记图像既包含完整目标核心，又不纳入过多背景干扰。

2）结构元素设计突破固定尺寸形状局限，基于舰船局部轮廓特征动态调整参数，直线边缘区域采用线形结构元素，舰岛等弧形区域采用圆形结构元素。

2 基于形态学重构的舰船目标分割优化研究 2.1 形态学重构分割模型初始化

舰船目标与海洋背景的灰度、纹理的差异主要体现在灰度特征上，舰船目标多由金属材质构成，在遥感、光学等图像中通常呈现中高灰度值；海洋背景受光照、海况影响，灰度值整体偏低且波动较大，两者形成明显的灰度分层，这是分割的核心基础^[5]。

本文构建的形态学重构舰船分割模型以“自适应初始化-约束迭代重构-精准优化修正”为核心流程。首先基于舰船图像特征生成适配的标记图像与模板图像，通过形态学重构的迭代运算实现目标与背景的初步分离，最后结合参数优化与边缘修正策略，提升复杂海况下的分割精度。模型全程以舰船目标的尺寸、灰度特征为导向，通过数学公式量化关键参数，确保模型的适配性与科学性。

标记图像作为重构运算的“种子区域”，其精准度直接决定重构起点的准确性。本文采用“灰度阈值初筛+边缘验证”的自适应生成方法：

1）通过Otsu阈值法自动计算灰度阈值T，将图像中灰度值大于T的区域初步判定为候选目标区域，筛选出包含舰船核心的大致范围。

2）运用Canny边缘检测算法提取图像边缘，对候选区域进行轮廓验证，剔除无完整舰船轮廓的干扰区域，最终确定标记图像F。

3）针对不同尺寸舰船，引入尺度自适应机制：设舰船图像分辨率为（W×H），对大型舰船（宽度＞50像素）扩大候选区域范围10 %，对小型舰船（宽度＜20像素）缩小候选区域范围5 %，确保标记图像既包含完整目标核心，又不纳入过多背景干扰。

模板图像作为重构运算的边界限制，用于约束迭代过程中目标区域的扩张范围。其参数设置遵循两大原则：

1）范围参数。以标记图像F为基础，按舰船尺寸动态扩展边界。设标记图像的外接矩形宽度为w_F、高度为h_F；大型舰船模板图像的宽度扩展为w_F×1.3、高度扩展为h_F×1.3；中小型舰船扩展比例为1.1，既保证覆盖完整舰船目标，又避免范围过大引入冗余背景。

2）灰度参数。对高对比度图像（目标与背景灰度差＞80），采用固定灰度阈值T+20约束模板范围；对低对比度图像（灰度差＜50），动态调整阈值为T+10，确保模板图像能精准区分舰船与背景的灰度边界，记为模板图像A，且满足F∈A的核心约束条件。

2.2 分割模型优化

结构元素尺寸直接影响分割效果，过大易导致目标过度扩张，过小则无法有效过滤噪声。结合舰船尺寸特征，推导自适应尺寸公式：

1）数据统计。对实验数据集的舰船目标进行标注，提取舰船宽度的最小值w_min和最大值w_max，计算平均宽度，作为适配大多数舰船的基准尺寸。

2）系数引入。引入尺寸调节系数α（取值范围0.1～0.2），用于平衡去噪效果与目标形态保留。α过小则去噪不彻底，过大则易造成目标失真，经实验校准取最优值0.15。

3）结构元素尺寸。计算式为：

$ s = \left\lfloor {\alpha \cdot \bar w} \right\rfloor = \left\lfloor {0.15 \cdot \frac{{{w_{\rm min}} + {w_{\rm max}}}}{2}} \right\rfloor {\text{。}} $

(1)

式中：$ \left\lfloor \cdot \right\rfloor $ 为向下取整操作，确保尺寸为整数像素。

4）迭代终止条件。传统形态学重构以结果稳定为终止条件，因未考虑舰船图像灰度特征而导致的过度迭代问题，本文结合舰船目标与海洋背景的灰度差异，构建了量化的迭代终止判断体系。

首先进行灰度特征提取，这是实现终止条件量化的基础。通过统计舰船目标区域内所有像素的灰度值，计算得到目标平均灰度G_obj；同时统计海洋背景区域的像素灰度值，得到背景平均灰度G_bg。基于两者的数值差异，进一步计算灰度差异为$ \Delta G{\text{ }} = {\text{ }}\left| {{G_ {obj}}- {\text{ }}{G_{bg}}} \right| $，该指标为后续区分迭代新增区域是目标还是背景提供了核心判断基准。

在此基础上开展增量评估，精准量化每次迭代新增区域的属性。定义第n+1次迭代结果与第n次迭代结果的差异区域为$ \Delta F = \left| {{F_{n + 1}} - {\text{ }}{F_n}} \right| $，该区域即本次迭代新增的扩张区域。为判断该区域更接近目标还是背景，计算该区域内所有像素的灰度值与舰船目标平均灰度G_obj的偏差，继而通过区域内像素总数ΔF归一化，得到平均偏差，计算式为：

$ \overline{\Delta}=\frac{1}{|\Delta F|}\sum\limits_{x\in\Delta F}^{ }|G(x)-G_{obj}|\text{ }\text{。} $

(2)

式中：G(x)为差异区域内像素x的灰度值。

最后进行阈值设定并完成终止判断。引入灰度阈值系数λ平衡迭代充分性与抗干扰性，其取值范围为0.3～0.5。当增量评估得到的平均偏差$ \bar \Delta $≥λ与灰度差异ΔG的乘积时，说明新增区域的灰度特征与舰船目标偏差较大，更接近海洋背景，继续迭代会导致目标区域过度扩张，此时触发终止机制停止迭代。

最终形成的优化终止条件公式为：

$ \frac{1}{|F_{n+1}-F_n|}\sum\limits_{x\in F_{n+1}-F_n}^{ }|G(x)-G_{obj}|\geqslant\lambda\cdot|G_{obj}-G_{bg}|\text{。} $

(3)

3 实验验证

实验采用HRSID高分辨率SAR舰船数据集与自建光学舰船数据集的组合方案，具体参数如下：

1）数据集规模。合计6200张图像，包含18420个舰船实例，其中SAR图像5604张（分辨率0.5 m/1 m/3 m）、光学图像596张（分辨率1920×1080～4096×2160）。

2）场景覆盖。涵盖4类海况（平静海面/微风海浪/中浪/强浪）、3类干扰场景（海雾/云层阴影/强光照反射）、5类舰船尺寸（小型渔船＜20像素、近岸快艇20～50像素、货轮50～150像素、驱逐舰150～300像素、大型航母＞300像素）。

3）标注信息。提供像素级语义分割标签，包含舰船轮廓、甲板结构等细节标注，支持IoU、边缘匹配度等精细指标计算。

实验指标包括准确率（Accuracy）、召回率（Recall）、F1分数和运行时间。其中，F1分数用于综合精确率与召回率的调和平均值，计算公式为2×（精确率×召回率）/（精确率+召回率），取值范围[0,1]，平衡漏检与误检。交并比（IoU）用于衡量目标区域匹配度，计算公式为预测区域与真实区域的交集面积/并集面积，取值范围 [0,1]，值越大精度越高。

3.1 α敏感性实验分析

对α敏感性进行实验，固定λ=0.4，将α从0.05以0.01为步长递增至0.30，每组参数测试100张典型图像（涵盖各尺寸舰船与海况），重复实验3次取均值，得到的实验结果如图1所示，可以发现IoU、F1分数均呈先上升后下降的单峰趋势，在α=0.15时达到峰值。

3.2 λ敏感性实验分析

对λ敏感性进行实验，结果如图2所示。IoU与F1分数在λ=0.30～0.42区间保持稳定峰值，低于0.30时因迭代不足导致分割不完整，高于0.42时因过度迭代引入背景干扰，实验结果表明λ=0.4为最优设置。

3.3 复杂海况鲁棒性实验

复杂海况鲁棒性对比实验的目的是在梯度化海况与干扰场景下，对比本文算法与主流分割算法的性能衰减规律。实验过程中，先进行海况梯度设置，将海浪强度量化为0～10级，其中0级为平静、3级为微风、6级为中浪、10级为强浪，每级选取80张图像；同时将干扰强度量化为0～5级，其中0级为无干扰、2级为轻雾弱阴影、5级为浓雾强阴影，每级选取60张图像。接着选取4类代表性算法作为对比，分别是传统方法Otsu阈值加基础形态学、深度学习轻量化方法FCN-8s、深度学习高精度方法U-Net、专用舰船分割方法Sea-SegNet。最后执行测试流程，在各梯度场景下分别运行这5种算法，计算IoU与FPR指标，并且重复实验3次取均值以降低随机误差。

为验证性能差异的统计学意义，对10级海浪场景下的IoU数据进行独立样本t检验（显著性水平α=0.05）：本文算法与U-Net的IoU均值差异为0.136，计算得t=4.82，p=0.003＜0.05；与传统方法的IoU均值差异为0.278，t=7.56，p＜0.001；与FCN-8 s、Sea-SegNet的对比中，p值分别为0.008、0.012，均小于0.05。结果表明，本文算法在强浪场景下的IoU优势具有统计学显著性，并非随机误差导致。

结果如图3所示，可以发现，本文算法IoU衰减速率最慢，10级海浪时仍保持0.693，较U-Net高24.4 %、较传统方法高65.8 %；所有算法在6级海浪后衰减加速，本文算法因预处理的直方图均衡化与自适应模板约束，对海浪噪声的抑制效果更显著。

3.4 切割性能实验

对比本文提出的形态学重构方法与传统方法（传统形态学重构、FCN、U-Net）的分割性能，实验结果如表1所示。

为验证性能提升可靠性，对准确率、F1分数、运行时间进行单因素方差分析（ANOVA）及事后多重比较（LSD法，α=0.05）：准确率上本文算法与传统形态学重构、FCN、U-Net均值差异分别为7.5 %、4.7 %、3.1 %；F1分数差异分别为8.1 %、5.4 %、3.4 %；运行时间较传统方法、FCN、U-Net分别缩短0.06、0.22、0.30 s，所有对比的p值均＜0.001，证明本文算法的精度与效率优势具有统计学意义，非偶然因素导致。

可知，本文方法在准确率、召回率F1分数上均显著优于传统形态学重构方法，且运行时间仅为深度学习方法的1/3～1/4，兼顾精度与效率。深度学习方法（U-Net）虽然精度较高，但需大量标注数据且计算复杂度高，而本文方法在低标注场景下表现更优。

4 结　语

本文提出的基于形态学重构的舰船目标分割优化方法，有效解决了复杂海况下舰船分割易受噪声干扰、目标边缘失真及尺寸适配性差的问题，为高精度舰船检测提供了轻量化技术方案，具有重要的理论与工程意义。该方法可广泛应用于海洋交通监控、军事海防预警、渔业资源监管及海上搜救等领域，尤其适用于低标注数据、实时性要求高的舰船检测场景。

1）通过结构元素尺寸自适应公式，确定α=0.15为最优配置，实现了对5～500像素全尺寸舰船的适配，较固定尺寸方案IoU提升12.3 %；

2）基于灰度差异的迭代终止条件，设定λ=0.4，在保证分割完整性的同时将迭代次数减少40 %，避免过度迭代导致的背景误判；

3）本文模型在复杂鲁棒性实验中IoU峰值达0.892，10级强浪场景下仍保持0.693的IoU，较传统方法高65.8 %、较U-Net高24.4 %，实现了分割精度、抗干扰能力的协同优化，在复杂海况与轻量化应用场景中展现出显著优势。