基于海水背景频谱聚类分析的海洋遥感图像分类方法

王荔霞

身份证号码： 35032119781008**** 518000

摘要：本文提出了一种新的海洋遥感图像频域背景幅度谱聚类分析方法，并基于此对海洋遥感图像中的海洋背景与非海洋背景进行分类识别。首先，对大量海洋遥感背景图像样本进行傅立叶变换，分析了变换结果在频域空间中的分布特性。接着，在频域空间中，根据海洋背景图像样本的频谱特征，建立海水背景的频域描述模型。最后，利用频域背景模型，利用FCM算法对海洋遥感图像进行聚类分析和识别。

关键字：遥感海洋图像；傅立叶变换；分布特性；频域背景模型；聚类分析

1 引言

海洋遥感图像中的目标检测对于海上交通监测，海洋资源管理及海上救援都具有重要意义。然而，大幅面遥感海洋图像中，绝大部分像素点为海水背景，海上目标仅占有少数比例，往往会被海洋背景信号所淹没，从而影响海上目标检测的效率和准确率。因此，如何将海水背景与非海水背景进行初步有效区分，是提高海上目标检测效率和准确率的关键。

目前，大多数海上目标检测方法都是基于SAR图像进行的[1-6]。这是因为SAR图像具有受天气状况和成像时间因素干扰小的特点，但其含有大量的斑点噪声，对木制物体也比较敏感，且不易于被人眼所解读[7]。因此，近年来，研究者们也应用高分辨率遥感数据进行海上目标检测[8-12]。Prioa等[8]在空间域中用单高斯模型对高分辨率遥感图像的海洋背景像素点进行建模，并对滑动窗口进行基于贝叶斯决策理论的判别。Yang等[9]利用主强度数（Majority Intensity Number）和有效强度数（Effective Intensity Number）对海洋表面进行分析，并通过这两者的比值得到的强度判别度（Intensity Discrimination Degree）进行舰船目标候选区域的确定。Liu等[10]则根据形状信息和船体本身信息进行港口内舰船目标的检测和提取。Shi等[11]将高分辨率遥感图像转化为高光谱表示形式，并利用异常检测算法进行舰船目标的检测和提取。然而，高分辨图像虽然具有丰富的空间细节信息，但仍然存在较高的目标漏检率，特别是在目标强度与背景强度较为相似的情况下，漏检率会大幅增大。由于，遥感图像的频域信息能够更真实的反映其光谱信息[12]，利用其频谱信息进行舰船目标检测，可以不受空间分辨率的限制而得到较高的检测率。目前，利用频率域信息进行遥感图像分析和处理的方法较少。然而，充分利用图像的频率域信息对目标分析和检测具有重要意义[13]。通过对图像内容进行频谱特征分析，建立目标与背景频谱特性标识，可以有效提高目标提取的精确度和智能化过程[14]。本文通过对遥感多光谱图像进行傅立叶变换，得到其频谱信息并分析其分布特性，进而在频域中对海洋背景进行分布建模，最后基于此建模结果，利用FCM算法进行海洋背景与非海洋背景聚类划分，可为海上目标检测提供有效的依据。

2 遥感图像中海水背景的频谱特性

海洋遥感图像的大部分内容是海水区域，其同一海域内海水的波动模式具有较高的相似性。表现在频域中的特性则是同一海域中海水背景的频率信号成分具有较高的一致性，而随着子图去与得移动，信号的相位则发生了变化。如图1所示为高分辨率遥感海洋图像中两幅大小为1024*1024的海域背景。为了说明海水背景的这一频域特性，分别对这两个背景图像进行切割，得到多幅大小为256*256的背景子图，取如图中彩色方框所示的子图，如图2（a）和图3（a）所示。图2（b）、图2（c）和图3（b）、图3（c）则分别给出这些背景子图的幅度谱和相位谱。从图中可以看出，不管是海域1还是海域2，其海水背景子图的幅度谱具有较好的一致性，而相位谱不具有一致性。

（a）海域1背景（b）海域2背景

图1 高分辨率遥感海洋图像中的海域背景

（a）子图样本1-4

（b）子图样本1-4的幅度谱

(c)子图样本1-4的相位谱

图 2 海域1背景子图样本及其频谱图

(a)子图样本1-4

(b)子图样本1-4的幅度谱

(c)子图样本1-4的相位谱

图3 海域2背景子图样本及其频谱图

令 为同一海域中的 幅大小为 的纯海水背景子图样本，那么分别对每幅子图样本图像进行二维离散傅立叶变换，可得频谱 ，其中

（1）

表示二维离散傅立叶变换， ， ， 。对应地，可得幅度谱和相位谱分别为：

（2）

3）

对于同一海域的背景子图样本，分别取出如图4所示的25个频率点的频谱数据，并绘制这些点处的幅度值和相位值分布曲线。如图5-图19所示，分别给出如图1所示海域1和海域2的背景子图样本傅立叶变换频谱图中各频率点处的频谱分布曲线。

图4 频谱特性示例点

如图5和图6所示，分别为海域1背景子图样本（共1298幅）各示例点处的幅度值分布曲线和相位值分布曲线，图7和图8分别为海域2背景子图样本（共1581幅）各示例点处的幅度值分布曲线和相位分布曲线。从如5和图7可以看出，海洋遥感图像的海水背景区域，除直流分量外，其每个频率点处的幅度谱分布可以为近似高斯分布，而从图6和图8则可以看出，相位谱并不是高斯分布。

图5海域1背景子图样本25个频率点处的幅度谱特性（取对数后）

图6海域1背景子图样本25个频率点处的相位谱特性

图7海域2背景子图样本25个频率点处的幅度谱特性（取对数后）

图8海域2背景子图样本25个频率点处的相位谱特性

综上所述，可以得到以下结论：同一卫星拍摄的同一海域海水背景子图样本，经傅立叶变换后，除了直流分量外，其余频率点处的幅度值近似为高斯分布，而相位值则不是高斯分布的。因此，本文根据这一特性，在频率域中对海水背景子图样本集进行学习，建立海水背景的频域描述模型建立，并基于此模型实现海水背景与非海水背景的分类识别。

3遥感海洋图像的频域聚类划分

本文将大幅面遥感海洋图像进行子图切割，并计算各子图的傅立叶幅度谱高频能量比率特征矢量，再利用FCM算法对这些子图进行聚类，将其划分为海水背景子图样本集和非纯海水子图样本集。

如图9所示为遥感海洋图像中海水背景子图样本和非纯海水子图样本及其幅度谱。由于频谱中低频部分表示图像中细节变化较平缓的区域，高频部分表示图像中细节变化较频繁的区域。因此，遥感海洋图像中，由于海面具有较为密集的波纹，海水能量主要集中于中高频部分，幅度谱中心点周围小范围内区域较暗；而含有目标的图像，由于目标细节变化较海水波纹平缓，其能量集中于中低频，幅度谱中心点周围区域取值较大。从图9中可以看出，海水背景图像幅度谱中心点周围小范围内较暗，非纯海水图像幅度谱中心点周围较亮。

（a）海水背景样本1 （b）非纯海水样本1 （c）海水背景样本2 （d）非纯海水样本2

（e）海水样本1幅度谱（f）非纯海水样本1幅度谱（g）海水样本2幅度谱（h）非纯海水样本2幅度谱

图9 遥感海洋图像子图样本及其幅度谱

令 为频率中心点平移后的样本子图幅度谱，则其高频能量比率[15]为：

（4）

其中， 为高频区域，参数 、 分别为水平方向截止频率和垂直方向截止频率。 对应直流分量，常量 用于补偿直流分量，取 。这样，这样，根据海水背景子图幅度谱和非纯海水子图幅度谱的能量分布特性可知，当高频区域取得合适时，同一海域中，海水背景子图的高频能量比率取值要比非纯海水子图的高频能量比率取值大。因此，当 取合适值时，海水背景子图与非纯海水子图具有可分性。

由于遥感海洋图像中目标具有多样性，高频区域的取值不易确定。对于不同海域，海水背景及目标特性具有很大的差异，使得两者具有可分性的 取值差别较大。因此，本文取不同的 计算子图样本的高频能量比率，并将这些比率值组成子图样本的高频能量比特征矢量，在利用FCM算法，对子图样本进行两类划分，得到海水背景样本子集和非纯海水样本子集。

假设 是一幅遥感海洋图像，对其进行切割得到 幅大小为 的子图样本 ，对每个子图进行傅立叶变换后，得到对应的幅度谱 。取 个不同的高频区域，即 ，计算这些子图的高频能量比率。这样，对于每个子图都可以得到 个高频能量比率值，即：

（5）

这样，对于每个子图样本可以得到一个与之相对应的高频能量比率特征矢量：

（6）

将得到的高频能量比率特特征矢量集 用FCM算法进行类别个数为2的聚类划分，得到的聚类中心分别为：

（7）

根据子图样本傅立叶变换频谱能量分布特性，非纯海水子图样本比纯海水子图样本的高频能量比率值要小，因此，其中聚类中心点离原点远的样本子集为海水背景子图样本集，聚类中心点离原点近的样本子集为非纯海水子图样本集。如图10所示，该方法可以对遥感海洋图像中的子图样本进行划分，其中绿色边框的子图为海水背景样本子图，红色边框的子图为非纯海水样本子图。海洋遥感图像的大小为1024*1024，子图大小为128*128，选取的高频区域个数为 ，分别为：

（9）

（a）海洋遥感图像1及其子图聚类划分结果

（b）海洋遥感图像2及其子图聚类划分结果

（c）海洋遥感图像3及其子图聚类划分结果

（d）海洋遥感图像3及其子图聚类划分结果

图10 海洋遥感图像子图聚类划分结果

4结论

本文通过对大量海洋遥感图像中的纯海水背景样本图像进行频率域特性分析，发现除直流分量外，纯海水背景图像的傅立叶变换幅度值在每个频率点处可以近似为高斯分布。根据这一特性，本文在频率域中对纯海水背景进行建模，并基于此模型将海水背景的频谱和目标区域的频谱进行分离，从而实现海洋遥感图像中的海水背景与非海水背景的聚类划分。实验结果表明，本文提出的频域海水背景建模方法能够有效地描述海水背景的幅度谱特性，并通过FCM算法进行判别后能够很好地将海水背景与非海水背景进行聚类划分，从而简化海洋目标提取难度和提高海上目标提取准确度。

参考文献

1. Seong-In Hwang and Kazuo Quchi, “ On a Novel Approach Using MLCC and CFAR for the Improvement of Ship Detection by Synthetic Aperture Radar”,IEEEGeosci. Remote Sens. Letts.,vol.7, no.2, pp.391-395, Apr. 2010.

2. Jiaqiu Ai, Xiangyang Qi, Weidong Yu, Yunkai Deng, Fan Liu, and Li Shi,“A New CFAR Ship Detection Algorithm Based on 2-D Joint Log-Normal Distribution in SAR Images”, IEEE Geosci. Remote Sens. Letts., vol. 7, no. 4, pp.806-810, Oct. 2010.

3. Armando Marino, “A Notch Filter for Ship Detection With Polarimetric SAR Data”, IEEE Journal ofSelectedTopics in Applied Earth Observations and Remote Sens., vol. 6, no. 3,pp.1219-1232, Jun. 2013.

4. DomenicoVelotto, MatteoSoccorsi, and Susanne Lehner,“Azimuth Ambiguities Removal for Ship Detection Using Full Polarimetric X-Band SAR Data”, IEEE Trans.onGeosciandRemote Sens., vol. 52, no. 1, pp.76-87, Jan. 2014.

5. Jujie Wei, Pingxiang Li, Jie Yang, Jixian Zhang, and FengkaiLang,“A New Automatic Ship Detection Method Using L-Band Polarimetric SAR Imagery”, IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sens., vol. 7, no. 4, pp. 1383-1393, Apr. 2014.

6. Wentao An, ChunhuaXie, and Xinzhe Yuan, “An Improved Iterative Censoring Scheme for CFAR Ship Detection With SAR Imagery”, IEEE Trans. on Geosci and Remote Sens., vol. 52, no. 8, pp. 4585-4595, Aug. 2014.

7. S. Mirghasemi, H. S. Yazdi, and M. Lotfizad, “A target-based color space for sea target detection,” Appl. Intell., vol. 36, no. 4, pp. 960–978, Jun. 2012.

8. N. Proia and V. Page, “Characterization of a bayesian ship detection method in optical satellite images,” IEEE Geosci. Remote Sens. Letts.,vol. 7, no. 2, pp.226–230, Apr. 2010.

9. Guang Yang, Bo Li, ShufanJi, Feng Gao, and Qizhi Xu, “Ship Detection From Optical Satellite Images Based on Sea Surface Analysis”, IEEE Geosci. Remote Sens. Letts., vol. 11, no. 3, pp.641-645, Mar. 2014.

10. Ge Liu, Yasen Zhang, Xinwei Zheng, Xian Sun, Kun Fu, and Hongqi Wang, “A New Method on Inshore Ship Detection in High-Resolution Satellite Images Using Shape and Context Information”, IEEE Geosci. Remote Sens. Letts., vol. 11, no. 3, pp.617-621, Mar. 2014.

11. ZhenweiShi,Xinran Yu, Zhiguo Jiang, and Bo Li, ‘’Ship Detection in High-Resolution Optical Imagery Based on Anomaly Detector and Local Shape Feature’’, IEEE Trans. on Geosci and Remote Sens., vol. 52, no. 8, pp.4511-4523, Aug. 2014.

12. Mohamed Elbakary and Mohammad Alam , “Superresolution Construction of Multispectral Imagery Based on Local Enhancement”, IEEE Geosci. Remote Sens. Letts., vol. 5, no. 2, pp. 276-279, Apr. 2008.

13. A. V. Oppenheim and J. S. Lim, “The importance of phase in signals,” Proc. IEEE, vol. 69, no. 5, pp. 529–541, May 1981.

14. Libao Zhang and Kaina Yang, “Region-of-Interest Extraction Based on Frequency Domain Analysis and Salient Region Detection for Remote Sensing Image”, IEEE Geosci. Remote Sens. Letts., vol. 11, no. 5, pp.916-920, May 2014.

15. 刘田田. 可见光海面航拍图像的分析与辨别[D].深圳大学硕士学位论文, 2011.