图像上位于不同位置直线的像素点数目各不相同, 使得在图像中的直线对于Hough变换空间的贡献不均匀(即累加数目不同); 加之海面背景相干斑噪声影响严重, 经常使检测结果不准确。比较理想的方法是将不同直线内插成相同的点数, 然后再求和, 但这样计算量非常大。为此, 在灰度Hough变换的基础上进行改进, 引入直线长度统计空间, 用于将参数空间归一化, 从而实现归一化灰度Hough变换^{[14, 15]}。算法描述如下: ①将参数空间中所有累加器H(ρ _k, θ _m)和直线长度统计空间L(ρ _k, θ _m)的值初始化为零; ②迭代计算参数空间中的值H(ρ _k, θ _m)和L(ρ _k, θ _m); ③对参数空间中的值进行归一化; ④统计完成后, 参数空间的幅值点的参数对应的就是要检测的原图像中参数线条。

利用归一化灰度Hough变换进行船只尾迹检测的流程^{[14, 15]}如图1所示。

图1

Fig.1

	Figure Option ViewDownloadNew Window
	图1 归一化灰度Hough变换船只尾迹检测流程Fig.1 Flow chart of ship wake detection algorithm based on normalized Hough transform

归一化灰度Hough变换算法一方面很好地解决了直线长度不一所带来的错误检测问题, 另一方面该算法提取的线性特征具有尾迹起点坐标, 因而可用于自动计算船只航速、分析船只航向, 具有自动估算船只运动参数的优点。

然而, 尽管该算法可以提取尾迹起点坐标, 但未能提取尾迹终点坐标, 因此检测效果并不理想(尤其是对于V型尾迹)。

针对归一化灰度Hough变换算法的不足, 对其进行了如下改进和扩展:

1)对于窗口图像的切割, 以尾迹为中心, 以略小于尾迹长度为高度, 来确定含有船只目标及其尾迹的图像窗口, 并且在后面流程中不需要以背景均值代替船只像素的灰度值;

2)对于噪声很大的SAR图像, 需要在对窗口图像切割之前进行滤波处理(例如均值滤波、中值滤波等), 以便达到更好的检测效果;

3)对窗口图像进行改进的归一化灰度Hough变换, 在变换域中只需寻找峰值;

4)根据峰值(ρ , θ )反演出尾迹所在直线, 然后通过阈值条件确定尾迹的起点和终点, 并在图像中显示出来。

改进的算法描述如下: ①将参数空间中所有累加器H(ρ _k, θ _m)和直线长度统计空间L(ρ _k, θ _m)的值设置初始化为零; ②迭代计算参数空间中的值H(ρ _k, θ _m)和L(ρ _k, θ _m); ③对参数空间中的值进行归一化, 其中L(ρ _k, θ _m)> M(M为含有尾迹的SAR图像局部窗口高度的一半和宽度之中的最大值); ④通过修改算法、增加阈值条件来确定尾迹的起点和终点。

利用基于改进的归一化灰度Hough变换进行船只尾迹检测的流程如图2所示。

图2

Fig.2

	Figure Option ViewDownloadNew Window
	图2 改进的归一化灰度Hough变换船只尾迹检测流程Fig.2 Flow chart of ship wake detection algorithm based on modified normalized Hough transform

保留图像中船只灰度的目的是为了能更好地检测暗尾迹或者漏油引起的尾迹, 这样既不用背景均值替换船只的灰度值, 也不用检测Hough变换域的峰值, 大大降低了算法的复杂性。

同时, 归一化灰度Hough变换虽然改进了图像中不同直线对Hough变换空间的贡献不均匀问题, 但是对于SAR图像中某些在局部方向上像素灰度值比较大、但直线长度很短的情况, 归一化灰度Hough变换算法就会出现检测错误, 把很短的直线错误地当作尾迹检测出来。因此, 改进的归一化灰度Hough变换算法可以更加准确地提取尾迹所在的直线, 确定尾迹的起点和终点, 提高尾迹检测的准确性。

本文所用的实验数据是先进合成孔径雷达(advanced synthetic aperture radar, ASAR)数据。ASAR是搭载在ENVISAT卫星上的迄今为止最先进的星载合成孔径雷达系统, 其工作波段为C波段, 有5种工作模式^{[21, 22, 23]}, 分别为IM(image mode)图像模式、APM(alternating polarisation mode)极化模式、WSM(wide swath mode)宽带模式、GMM(global monitoring mode)全球检测模式和WM(wave mode)波模式。

利用本文提出的改进的归一化灰度Hough变换算法对50景ASAR数据进行了船只尾迹检测实验。与归一化灰度Hough变换的算法相比, 本文的算法更为简洁, 能够更加准确地得到尾迹的起点和终点, 并在图像上显示出来。下面从50景ASAR数据中列举4个实例, 通过与归一化灰度Hough变换算法的比较来说明本文算法的优势。

2.2.1 实例一

图3是2007年5月5日获取的ASAR数据的APM图像(VV极化模式)。从图3(a)可以看出, 在船只后面存在十分明显的湍流尾迹。使用归一化灰度Hough变换算法和本文改进的尾迹检测算法得到的尾迹显示分别如图3(b)和图3(c)所示。图3(c)显示, 使用本文改进的尾迹检测算法能够更加准确地得到尾迹的起点和终点, 从而提高了尾迹检测的精度。

图3

Fig.3

	Figure Option ViewDownloadNew Window
	图3 ASAR(APM)图像与尾迹Fig.3 ASAR(APM) images and wakes

2.2.2 实例二

图4是2007年4月16日获取的ASAR数据的APM图像(VV极化模式)。从图4(a)中可以看出, 在船只后面存在2条尾迹。使用归一化灰度Hough变换算法和使用本文改进的算法检测得到的尾迹显示分别为图4(b)中的直线和图4(c)中的线段。对比两图可以看出, 后者检测的结果比前者准确得多。

图4

Fig.4

	Figure Option ViewDownloadNew Window
	图4 ASAR(APM)图像与尾迹Fig.4 ASAR(APM)images and wakes

2.2.3 实例三

图5是2006年9月12日获取的ASAR数据的WSM图像(VV极化模式)。从图5(a)中可以看出, 在船只后面存在一条湍流尾迹。使用归一化灰度Hough变换得到的尾迹是直线(图5(b)); 使用本文改进算法检测得到的尾迹是线段(图5(c)), 尾迹的起点和终点更加准确。

图5

Fig.5

	Figure Option ViewDownloadNew Window
	图5 ASAR(WSM)图像与尾迹Fig.5 ASAR(WSM)images and wakes

2.2.4 实例四

图6是2009年3月22日获取的ASAR数据的IM图像(VV极化模式)。从图6(a)中可以看出船只后面存在一暗一亮两条尾迹。使用归一化灰度Hough变换和本文的尾迹检测算法得到的尾迹显示分别如图6(b)和图6(c)所示。

图6

Fig.6

	Figure Option ViewDownloadNew Window
	图6 ASAR(IM)图像与尾迹Fig.6 ASAR(IM)images and wakes

以上实例表明, 在归一化灰度Hough变换算法基础上进行改进, 可准确地得到尾迹起点和终点, 在一定程度上提高尾迹的检测精度。