基于频谱分布量化分析的星载人工目标快速检测方法
李文娟 赵和平 庞波
摘 要： 地物特征不单靠空域中像元灰度值的变化程度来表现，其频谱能够表征不同地物的特征，并可通过该频谱特征进行遥感图像的分析和目标的搜索、检测。提出一种通过频谱分析快速发现自然背景中人工目标及其所在区域的新方法，首先对图像的频谱分布特征进行了分析并提出了一种频谱分布量化的算法，定义频谱分布量化指数；根据计算出的区域频谱分布量化指数，借鉴视觉显著性的思想计算出各区域在整幅图像中的显著值，从而实现人工目标的检测。文中对该方法在海背景中舰船目标的检测和沙漠、戈壁中人工建筑的检测进行了实验，从结果可以看出新算法能够有效地实现自然背景潜在人工目标的快速搜索和发现，并确定出其所在区域，具有一定的灵活性，能够适应星上多变的检测场景。
关键词： 图像处理； 傅里叶变换； 频谱分析； 显著检测
中图分类号： TN911.73?34； TP391 文献标识码： A 文章编号： 1004?373X（2017）20?0139?04
Abstract： Ground object features can be reflected not only by pixel gray value changes in spatial domain， but also by their spectrums， whose features can be used for remote sensing image analysis， target search， and target detection. Therefore， a new fast detection method of man?made targets in natural background and their locations by using spectrum analysis is proposed. First， the spectrum distribution characteristics of the image are analyzed， and then a spectrum distribution quantification algorithm is put forward to define the quantification index of spectrum distribution. According to the calculated quantification index of spectrum distribution in the region， the salience value of each region in the whole image is calculated by drawing on the idea of visual saliency， to realize the detection of man?made targets. In this paper， an experiment of this method to detect ship targets in the sea background and man?made structures in desert and gobi is carried out. The results show that the new algorithm can effectively realize the rapid search and discovery of potential man?made targets in natural background， determine their locations， has certain flexibility， and can adapt itself to the changeable detection scenarios on satellites.
Keywords： image processing； Fourier transform； spectrum analysis； saliency detection
0 引 言
在星上資源和时间受限的条件下，如何通过遥感图像信息处理使卫星能够快速聚焦到目标或者目标区域是星载遥感图像信息处理的重点问题之一。目标检测是星上图像信息处理的重要研究领域，其通常算法是对图像进行分割，提取出目标的特征，再通过分类器根据特征实现人工目标的检测。这类算法通常可分为两种：一种是由下而上的数据驱动方法，另一种是由上而下的知识驱动方法[1]。前一种先对图像进行一般性分割，缺乏先验知识的指导盲目性大，计算比较复杂；后一种方法针对目标进行有目的的分割，计算效率较高，但当目标改变时，知识假设也需要随之改变，不具有灵活性和自适应能力。基于图像分割的目标检测都会受到分割算法的影响，不能在保证一定检测精度的条件下适应星上复杂多变的观测场景。近年来，视觉显著性计算模型[2?5]由于能够快速寻找图像中具有显著性的区域得到了研究者的关注，显著性计算原理为自然背景中人工目标的在轨快速检测提供了新的方法。
地物特征不单靠空域中像元灰度值的变化程度来表现，还可以通过其频域中所固有的频谱能量值来表征，频域中频谱分量作为物质能量的特征之一，在描述物体的纹理、结构、形态等特征上具有独特的优势[6?8]。图像的频谱不仅能够表征目标的特征，还可通过频谱特征实现遥感图像的分析和目标搜索、检测。文献[9]将能量谱作为特征，通过提取能量谱特征、设计分类器实现了不同地物信号的分类识别，平均分类精度可达88.96%。自然背景中的人工目标具有与背景明显不同的亮度、纹理和几何特征，例如海面上的舰船，山地、沙漠中的人工建筑等。这种差异性可以通过借鉴视觉显著性的方法凸显出来，从而实现自然背景下人工目标的快速检测。本文提出了一种通过频谱分布分析快速发现自然背景中人工目标及其区域的新方法。文中首先定义了频谱分布指数提取图像的频谱分布特征，然后根据不同区域的频谱分布量化指数，计算出各区域在整幅图像中的显著值，从而实现人工目标的快速检测。
1 图像的傅里叶变换
1.1 图像频谱
1.2 图像的频谱分布
图像的空间频率是指单位长度内亮度做周期性变化的次数[10]，短距离内的亮度变化相当于高频波，而长距离内的变化相当于低频波。一幅图像中，灰度变化缓慢表示该区域是连续渐变的一块区域，如大面积的沙漠、海域或者戈壁等；灰度变化剧烈的部分通常代表与背景有明显差别、灰度变化较快的边缘部位，对应的频率值较高。
由此可知，图像频域中的频率分量表征着图像的信息和特征，低频部分代表了图像的轮廓和灰度信息，高频部分代表了图像的边缘和纹理等细节信息，如图1所示。
图1显示了图像频谱函数的统计特性：图像的大部分能量集中在低、中频，体现图像细节特征的高频分量占整个频谱能量很小的一部分。如果经去噪后图像频谱中的中、高频分量较多，则表示该图像中有更多的细节信息，这些细节是进行目标检测和判断需要提取的信息。
2 基于图像频谱分布量化分析的检测算法
2.1 频谱分布量化指数的数学定义
自然背景与人工目标在纹理、边缘、几何等特征上存在差异，而这些差异也体现在频谱中。纹理等细节特征越丰富的图像的中、高频谱分量较多，平滑背景的频谱则多集中在低频区域，如图2所示。
由定义可以看出，[df]的值会随着频率的增大而增大，同时也受频率分量的能量比例影响，但究其根本还是同整幅图像中频率分量的能量在整幅图中所占比例以及频率分量的高低有很大关系。
2.2 检测算法
一般遥感图像的尺寸较大，一方面为了突出目标的局部特征，另一方面为了便于计算目标区域与背景之间的频谱差异，在检测时将遥感图像进行分块处理。检测算法流程如图3所示。
检测算法的步骤如下：
（1） 将图像划分成相同大小的图像块，选取合适的大小既能突出目标，又能满足快速计算的要求。
（2） 对所有图像块进行傅里叶变换，按照式（3）～式（5）求出所有图像块的[df]值。
（3） 根据所有图像块的均值[df]求出每个图像块的偏离度：
3 实验结果及分析
选取多幅海洋背景下的舰船遥感图像进行实验，其中目标的大小各异，海面背景的干扰也不相同。图4（a）中是检测的原图，从图4（a）中可以看出目标的尺寸不同，其中两艘船的尺寸较小容易被忽略。按照上文中的方法和检测步骤计算每个图像块的[df]值，所有图像块的[dev]参数并归一化后生成检测显著图如图4（b）所示，图4（c）显示了根据显著图对原图中进行目标提取的结果。
应用文中方法实现自然背景下人工目标快速检测，选取多幅沙漠背景或者戈壁背景的遥感图像进行实验。图5（a）所示为戈壁中有人工建筑的遥感图像，图5（b）为根据第2.2节中的计算步骤对原图中的人工目标进行检测的显著图，并根据该显著图确定了原图中的人工目标所在区域，结果如图5（c）所示。
本文选取了两组实验图像对算法进行验证，分别将海面上的舰船和沙漠、山地等自然场景中的人工建筑作为检测的目标，并对实验结果进行了统计如表1所示。实验结果说明，本文算法能够快速实现自然背景下人工目标的检测，对大自然场景中的小目标的检测也比较有效。通过计算分块图像频谱分布指数[df]值，并求取分块图像的偏离度来判别每个图像块中是否有目标，达到了对目标进行快速检测的目的。
4 结 语
图像的频谱能够表征目标的特征，并通过其频谱特征可以进行遥感图像的分析和目标搜索、检测。本文提出了一种通过频谱分析快速发现自然背景中人工目标及其区域的新方法：通过定义频谱分布量化指数[df]提取出图像频谱分布特征，根据区域的频谱分布量化值，通过计算区域之间的差异度得到各区域的显著值，从而实现自然背景下的人工目标快速检测。实验结果表明新算法能够有效地实现自然背景下潜在人工目标和多目标的快速搜索和发现，且计算简单、快捷，适用于在轨的目标快速检测和定位。
表1 目标检测结果
参考文献
[1] 黄姗.遥感图像目标检测[D].西安：西安电子科技大学，2010.
[2] ITTI L， KOCH C， NIEBUR E. A model of saliency?based visual attention for rapid scene analysis [J]. IEEE transactions on pattern analysis and machine intelligence， 2016， 20（11）： 1254?1259.
[3] HOU X， ZHANG L. Dynamic visual attention： searching for coding length increments [J/OL]. [2014?05?26]. https：//wenku.baidu.com/view/d76f1c61b4daa58da0114a9f.html.
[4] CHENG M M， ZHANG G X， MITRA N J， et al. Global contrast based salient region detection [J]. Computer vision and pattern recognition， 2011， 37（3）： 409?416.
[5] ACHANTA R， S?SSTRUNK S. Saliency detection using maximum symmetric surround [C]// Proceedings of IEEE International Conference on Image Processing. Hongkong， China： IEEE， 2010， 119（5）： 2653?2656.
[6] 刘晓龙，李英成.地物频谱在遥感图像分类中的应用研究[J].遥感信息，1999，14（1）：24?26.
[7] 叶泽田.频谱段图像及其应用的探讨[J].环境遥感，1993，8（2）：139?146.
[8] 吴桂平，肖鹏峰，冯学智，等.基于光谱空间变换的遥感图像目标探测方法研究[J].光谱学与光谱分析，2013，33（3）：741?745.
[9] 吴桂平，肖鹏峰，冯学智，等.利用频谱能量进行高分辨率遥感图像地物识别[J].武汉大学学报（信息科学版），2011，36（11）：1294?1297.
[10] 赵好好，冯学智，肖鹏峰.基于频域特征的遥感图像城市道路绿地覆盖轮廓提取[J].遥感信息，2014，29（3）：50?56.
[11] GOODMAN J W.傅里叶光学导论[M].3版.北京：电子工业出版社，2011.
[12] 马卫红.基于图像分析的光学传递函数测试技术研究[D].西安：西安光学精密机械研究所，2005.
[13] 冯学智，肖鹏峰，赵书河，等.遥感数字图像处理与应用[M].北京：商务印书馆，2011.
摘 要： 地物特征不单靠空域中像元灰度值的变化程度来表现，其频谱能够表征不同地物的特征，并可通过该频谱特征进行遥感图像的分析和目标的搜索、检测。提出一种通过频谱分析快速发现自然背景中人工目标及其所在区域的新方法，首先对图像的频谱分布特征进行了分析并提出了一种频谱分布量化的算法，定义频谱分布量化指数；根据计算出的区域频谱分布量化指数，借鉴视觉显著性的思想计算出各区域在整幅图像中的显著值，从而实现人工目标的检测。文中对该方法在海背景中舰船目标的检测和沙漠、戈壁中人工建筑的检测进行了实验，从结果可以看出新算法能够有效地实现自然背景潜在人工目标的快速搜索和发现，并确定出其所在区域，具有一定的灵活性，能够适应星上多变的检测场景。
关键词： 图像处理； 傅里叶变换； 频谱分析； 显著检测
中图分类号： TN911.73?34； TP391 文献标识码： A 文章编号： 1004?373X（2017）20?0139?04
Abstract： Ground object features can be reflected not only by pixel gray value changes in spatial domain， but also by their spectrums， whose features can be used for remote sensing image analysis， target search， and target detection. Therefore， a new fast detection method of man?made targets in natural background and their locations by using spectrum analysis is proposed. First， the spectrum distribution characteristics of the image are analyzed， and then a spectrum distribution quantification algorithm is put forward to define the quantification index of spectrum distribution. According to the calculated quantification index of spectrum distribution in the region， the salience value of each region in the whole image is calculated by drawing on the idea of visual saliency， to realize the detection of man?made targets. In this paper， an experiment of this method to detect ship targets in the sea background and man?made structures in desert and gobi is carried out. The results show that the new algorithm can effectively realize the rapid search and discovery of potential man?made targets in natural background， determine their locations， has certain flexibility， and can adapt itself to the changeable detection scenarios on satellites.
Keywords： image processing； Fourier transform； spectrum analysis； saliency detection
0 引 言
在星上資源和时间受限的条件下，如何通过遥感图像信息处理使卫星能够快速聚焦到目标或者目标区域是星载遥感图像信息处理的重点问题之一。目标检测是星上图像信息处理的重要研究领域，其通常算法是对图像进行分割，提取出目标的特征，再通过分类器根据特征实现人工目标的检测。这类算法通常可分为两种：一种是由下而上的数据驱动方法，另一种是由上而下的知识驱动方法[1]。前一种先对图像进行一般性分割，缺乏先验知识的指导盲目性大，计算比较复杂；后一种方法针对目标进行有目的的分割，计算效率较高，但当目标改变时，知识假设也需要随之改变，不具有灵活性和自适应能力。基于图像分割的目标检测都会受到分割算法的影响，不能在保证一定检测精度的条件下适应星上复杂多变的观测场景。近年来，视觉显著性计算模型[2?5]由于能够快速寻找图像中具有显著性的区域得到了研究者的关注，显著性计算原理为自然背景中人工目标的在轨快速检测提供了新的方法。
地物特征不单靠空域中像元灰度值的变化程度来表现，还可以通过其频域中所固有的频谱能量值来表征，频域中频谱分量作为物质能量的特征之一，在描述物体的纹理、结构、形态等特征上具有独特的优势[6?8]。图像的频谱不仅能够表征目标的特征，还可通过频谱特征实现遥感图像的分析和目标搜索、检测。文献[9]将能量谱作为特征，通过提取能量谱特征、设计分类器实现了不同地物信号的分类识别，平均分类精度可达88.96%。自然背景中的人工目标具有与背景明显不同的亮度、纹理和几何特征，例如海面上的舰船，山地、沙漠中的人工建筑等。这种差异性可以通过借鉴视觉显著性的方法凸显出来，从而实现自然背景下人工目标的快速检测。本文提出了一种通过频谱分布分析快速发现自然背景中人工目标及其区域的新方法。文中首先定义了频谱分布指数提取图像的频谱分布特征，然后根据不同区域的频谱分布量化指数，计算出各区域在整幅图像中的显著值，从而实现人工目标的快速检测。
1 图像的傅里叶变换
1.1 图像频谱
1.2 图像的频谱分布
图像的空间频率是指单位长度内亮度做周期性变化的次数[10]，短距离内的亮度变化相当于高频波，而长距离内的变化相当于低频波。一幅图像中，灰度变化缓慢表示该区域是连续渐变的一块区域，如大面积的沙漠、海域或者戈壁等；灰度变化剧烈的部分通常代表与背景有明显差别、灰度变化较快的边缘部位，对应的频率值较高。
由此可知，图像频域中的频率分量表征着图像的信息和特征，低频部分代表了图像的轮廓和灰度信息，高频部分代表了图像的边缘和纹理等细节信息，如图1所示。
图1显示了图像频谱函数的统计特性：图像的大部分能量集中在低、中频，体现图像细节特征的高频分量占整个频谱能量很小的一部分。如果经去噪后图像频谱中的中、高频分量较多，则表示该图像中有更多的细节信息，这些细节是进行目标检测和判断需要提取的信息。
2 基于图像频谱分布量化分析的检测算法
2.1 频谱分布量化指数的数学定义
自然背景与人工目标在纹理、边缘、几何等特征上存在差异，而这些差异也体现在频谱中。纹理等细节特征越丰富的图像的中、高频谱分量较多，平滑背景的频谱则多集中在低频区域，如图2所示。
由定义可以看出，[df]的值会随着频率的增大而增大，同时也受频率分量的能量比例影响，但究其根本还是同整幅图像中频率分量的能量在整幅图中所占比例以及频率分量的高低有很大关系。
2.2 检测算法
一般遥感图像的尺寸较大，一方面为了突出目标的局部特征，另一方面为了便于计算目标区域与背景之间的频谱差异，在检测时将遥感图像进行分块处理。检测算法流程如图3所示。
检测算法的步骤如下：
（1） 将图像划分成相同大小的图像块，选取合适的大小既能突出目标，又能满足快速计算的要求。
（2） 对所有图像块进行傅里叶变换，按照式（3）～式（5）求出所有图像块的[df]值。
（3） 根据所有图像块的均值[df]求出每个图像块的偏离度：
3 实验结果及分析
选取多幅海洋背景下的舰船遥感图像进行实验，其中目标的大小各异，海面背景的干扰也不相同。图4（a）中是检测的原图，从图4（a）中可以看出目标的尺寸不同，其中两艘船的尺寸较小容易被忽略。按照上文中的方法和检测步骤计算每个图像块的[df]值，所有图像块的[dev]参数并归一化后生成检测显著图如图4（b）所示，图4（c）显示了根据显著图对原图中进行目标提取的结果。
应用文中方法实现自然背景下人工目标快速检测，选取多幅沙漠背景或者戈壁背景的遥感图像进行实验。图5（a）所示为戈壁中有人工建筑的遥感图像，图5（b）为根据第2.2节中的计算步骤对原图中的人工目标进行检测的显著图，并根据该显著图确定了原图中的人工目标所在区域，结果如图5（c）所示。
本文选取了两组实验图像对算法进行验证，分别将海面上的舰船和沙漠、山地等自然场景中的人工建筑作为检测的目标，并对实验结果进行了统计如表1所示。实验结果说明，本文算法能够快速实现自然背景下人工目标的检测，对大自然场景中的小目标的检测也比较有效。通过计算分块图像频谱分布指数[df]值，并求取分块图像的偏离度来判别每个图像块中是否有目标，达到了对目标进行快速检测的目的。
4 结 语
图像的频谱能够表征目标的特征，并通过其频谱特征可以进行遥感图像的分析和目标搜索、检测。本文提出了一种通过频谱分析快速发现自然背景中人工目标及其区域的新方法：通过定义频谱分布量化指数[df]提取出图像频谱分布特征，根据区域的频谱分布量化值，通过计算区域之间的差异度得到各区域的显著值，从而实现自然背景下的人工目标快速检测。实验结果表明新算法能够有效地实现自然背景下潜在人工目标和多目标的快速搜索和发现，且计算简单、快捷，适用于在轨的目标快速检测和定位。
表1 目标检测结果
参考文献
[1] 黄姗.遥感图像目标检测[D].西安：西安电子科技大学，2010.
[2] ITTI L， KOCH C， NIEBUR E. A model of saliency?based visual attention for rapid scene analysis [J]. IEEE transactions on pattern analysis and machine intelligence， 2016， 20（11）： 1254?1259.
[3] HOU X， ZHANG L. Dynamic visual attention： searching for coding length increments [J/OL]. [2014?05?26]. https：//wenku.baidu.com/view/d76f1c61b4daa58da0114a9f.html.
[4] CHENG M M， ZHANG G X， MITRA N J， et al. Global contrast based salient region detection [J]. Computer vision and pattern recognition， 2011， 37（3）： 409?416.
[5] ACHANTA R， S?SSTRUNK S. Saliency detection using maximum symmetric surround [C]// Proceedings of IEEE International Conference on Image Processing. Hongkong， China： IEEE， 2010， 119（5）： 2653?2656.
[6] 刘晓龙，李英成.地物频谱在遥感图像分类中的应用研究[J].遥感信息，1999，14（1）：24?26.
[7] 叶泽田.频谱段图像及其应用的探讨[J].环境遥感，1993，8（2）：139?146.
[8] 吴桂平，肖鹏峰，冯学智，等.基于光谱空间变换的遥感图像目标探测方法研究[J].光谱学与光谱分析，2013，33（3）：741?745.
[9] 吴桂平，肖鹏峰，冯学智，等.利用频谱能量进行高分辨率遥感图像地物识别[J].武汉大学学报（信息科学版），2011，36（11）：1294?1297.
[10] 赵好好，冯学智，肖鹏峰.基于频域特征的遥感图像城市道路绿地覆盖轮廓提取[J].遥感信息，2014，29（3）：50?56.
[11] GOODMAN J W.傅里叶光学导论[M].3版.北京：电子工业出版社，2011.
[12] 马卫红.基于图像分析的光学传递函数测试技术研究[D].西安：西安光学精密机械研究所，2005.
[13] 冯学智，肖鹏峰，赵书河，等.遥感数字图像处理与应用[M].北京：商务印书馆，2011.
