海天线是海天背景红外图像中重要的信息，其近似呈一条直线，且倾角一般不超过5°[1]．海天线的精确检测可以减少舰船目标检测的范围和计算量，显著提高目标检测的效率，对前视红外目标检测识别系统具有重要的意义．针对红外图像的海天线检测，学者们已提出了多种检测方法．文献[2]提出基于区域方差和随机抽样一致(RANSAC)的检测方法，将图像局部方差最大的位置作为海天线上的点并进行直线拟合．文献[3]利用线段检测(LSD)算法提取细小线段，将具有相近水平位置和斜率的线段相连作为候选海天线．文献[4]利用多个方向滤波器对原始图像进行滤波，连接具有相同方向响应的邻域像素作为候选海天线．文献[5]对输入图像的梯度图进行Hough变换求取海天线．文献[6]提出基于局部Otsu和Hough变换的检测方法，在局部图像分割后提取边缘像素，利用Hough变换拟合边缘像素求取海天线．文献[7]提出一种基于小波多尺度分析的检测方法，综合小波多尺度信息对海天线进行检测．文献[8]提出基于剪切波变换的检测方法，利用剪切波提取图像边缘，从而提取海天线．文献[9]提出一种基于Seam Carving的检测方法，采用动态规划的技术搜索最高能量线完成海天线检测．文献[10]改进了Otsu算法，消除了大型目标对于海天线的遮挡的不利因素．文献[11]利用相机姿态估计海天线在图像中的位置，并利用边缘检测及直线拟合算法检测海天线．文献[12]利用灰度共生矩阵计算图像不同区域的加权纹理特征以区分天空和海面区域．目前算法存在的主要问题有：对于具有较为平整边缘的云层或者海浪干扰的鲁棒性不强，无法有效排除干扰；当海天线处较为模糊或被干扰，尤其是被其他目标物割裂时，检测正确率下降．针对上述问题，本研究提出一种基于图像局部熵滤波和图像梯度累积的海天线检测算法．局部熵滤波能有效提取海天边界，梯度累积法可以进一步排除云层、海杂波等干扰，显著提升海天线检测和定位的准确性．1 海天线图像特性及干扰分析在平视状态下，红外图像中的海天线是一条近似水平的模糊直线，主要具有两个明显性质，即连续性和两侧差异性．a．连续性．海天线在水平方向上横贯整幅图像且具有较强的连续性；相反，海浪、云层等干扰则会呈现边缘不规则或连续性不强的特点．b．两侧差异性．海天线将图像分为天空和海洋两个部分，在海天线上下的较大局部区域内，图像的灰度、纹理等特征存在显著的差异．影响海天线检测的主要干扰有海浪、云层和海面亮带，各种干扰都会提升海天线检测的难度．图1展示了不同场景下红外海天背景图像中的典型干扰．图1(a)中存在明显的云层干扰，同时海面上存在灰度值差异较为显著的明暗条带；图1(b)和(c)中存在较多直线性较强的海浪干扰；图1(d)中存在模糊的云层干扰及强海杂波干扰，且图中海天线较模糊．综上所述，海天线提取方法须要依据海天线特性及干扰特性进行综合设计，从而增强检测算法的鲁棒性．10.13245/j.hust.211123.F001图1典型复杂场景红外海天背景图像2 海天线检测算法流程2.1　基于局部熵滤波的图像增强图像的局部熵是衡量图像信息量的一种方式，局部熵越大，局部图像的信息量越大，图像灰度分布越混乱[13]．图像局部熵H计算公式为pij=f(i,   j)/N2;H=-∑i=1N∑j=1Npijlog2pij,式中：f(i,j)为像素的灰度值；pij为f(i,j)对应的灰度等级在局部窗口出现的频率；N为局部窗口的大小．在红外海天背景图像中，由于强海杂波的存在，海面区域的局部熵通常较大，云层等其他干扰由于其自身分布不确定性及纹理复杂性，局部熵也会出现较大值，天空背景灰度一般具有均匀性，因此局部熵相对较小．综上所述，红外图像的局部熵大小在图像的边界处具有差异性，可根据这种差异性来判别海天线的候选位置．图2为典型的海天背景红外图像的局部熵滤波结果，图2(a)和(b)分别为原始图像和局部熵滤波图像，可以看出：海天线上下区域熵值的差异明显，同时天空中的微弱云层边缘两侧的熵值也具有差异．10.13245/j.hust.211123.F002图2红外海天背景图像局部熵滤波结果2.2　海天线候选区域的确定经上述分析，图像的局部熵在海天线的附近具有较大的差异，据此设计一种复杂场景下红外图像中海天线潜在区域的确定算法，该算法具有较强的场景适应性．图3所示为海天线的定位流程．10.13245/j.hust.211123.F003图3海天线定位流程2.2.1　梯度计算本研究利用文献[1-2]提出的箱型滤波器作为梯度提取模板来计算局部熵滤波图像的梯度值．箱式滤波器本质上是一种竖直方向上的Harr特征模板，该模板比一般梯度模板的优势是计算过程中利用了局部区域的总体梯度值而非仅仅利用两个像素点的梯度值，提高了计算的准确性．图3(c)展示了不同海天背景图像对应局部熵滤波图像的梯度图．2.2.2　梯度累加将梯度图像每一行邻域内的梯度进行累加，将累加值赋值到列向量T内，T的每一行代表区域的梯度累加值．图3(d)由图像对应的向量T经过broadcasting的维度扩张操作得到，即图像与原图尺寸相同且其各行数值完全相同，清晰地显示了梯度累加图像的显著性．对梯度图像进行的累加操作整合了每一个水平位置的邻域的总体特征，排除了由干扰造成的异常梯度极大值对海天线定位的不利影响．2.2.3　海天线候选区域提取对于向量T，从上到下在其每一行宽度为d的邻域内求其局部极大值，利用局部极大值所在行来获取海天线的候选区域．由于红外海天背景图像中存在不同种类干扰带来的影响，向量T中最大值所在行并不一定位于海天线附近，实际上的海天线位置一般位于最大或者第二大响应处，因此须要保留两个海天线的候选区域作为海天线精细定位的输入．如图3的第四行，由于图像中存在较大的舰船作为干扰，因此海天线处和舰船下沿同时出现较强响应，且舰船下沿处响应稍强于海天线处．2.3　海天线精细判定经前面分析，因梯度累加值最高之处并不一定位于海天线处，故采用以下流程判定最终海天线的位置．a．对于向量T，对其最大的局部极大值Tlocm和第二大的局部极大值Tlocsm进行比较，当满足判别式时，将最大的局部极大值所在行作为海天线粗略定位的位置，判别式为0.8TlocmTlocsm．b．当判别式不成立时，定义位于第一、第二大响应值处上下宽度为60像素的参考子图像为Im和Ism，在参考子图像处对原始图像求局部梯度极大值，然后将候选海天线位置上下宽度为20个像素的区域内局部极大值点作为RANSAC直线拟合算法的输入．比较两个区域RANSAC算法的输出内点数量，由于一般情况下海天线相对于杂波具有更强的直线性，海天线处输出的内点数量更多，因此将输出内点数量更多的位置作为海天线的最终位置．此处为了降低RANSAC算法的运算量，对参考图像进行纵向采样，在参考图像的采样子图像内计算图像梯度．如图4所示，原始图像满足判别式，图中：红色方框表示Tlocm处的参考子图像的采样结果；绿色点表示方框内局部梯度极大值所处的位置．利用绿色点进行拟合即可得到最终结果．对上述步骤中用到的三个参数0.8，60和20的取值进行说明：0.8为经验阈值；如前所述，在海天背景图像中，海天线的倾角为5°的情况下，对于本实验测试集中高度为256像素的图像，海天线左右两个端点的纵坐标之差约为22像素，故此处选取的是海天线候选位置上下宽度为20像素的区域内局部极大值点；求取图像梯度用到的模板高度为20像素，此参数取决于图像中两条直线状边缘的间隔，模板高度的一半应该小于这个间隔，否则求取的梯度值不准确；当向量T求取局部极大值点时，极大值点邻域为17像素，这个参数为多组实验测试确定．最终，在候选海天位置取得参考子图像高度为60像素，稍大于海天线端点纵坐标之差、局部极值窗口宽度和梯度模板高度三者之和．10.13245/j.hust.211123.F004图4求取局部梯度极大值结果3 实验验证与结果分析为了验证所提出海天线检测算法的有效性，对典型复杂场景中的红外海天背景图像进行测试，测试集图像尺寸为320像素×256像素，8 bit三通道图像，图像覆盖了强海杂波、亮带和云层干扰等复杂场景，共包含118张图像．运行环境为Intel Core 2.6 GHz CPU，16 GiB内存，软件平台为Matlab 2018b．3.1　海天线候选区提取算法有效性分析在海天线候选区域定位方面，本研究与现有的基于图像梯度定位算法的最显著差异是在梯度累计之前对原始图像进行了局部熵滤波，为了证明这一操作的必要性，将两种海天线候选区域的选取方式进行对比：方法1为本研究2.2节描述的定位方法；方法2为文献[1]中的定位方法．如图5所示，图5(a)第一行为强海杂波图像，具有较为复杂的海面纹理，且海面上存在海浪干扰，本文方法的最大响应位于海天线附近，第二大响应小于最大响应的0.8倍，给出了正确的定位结果；方法2的最大响应定位于海面上．图5(a)第二行中海天线上方存在云层干扰，海面上有明显的明暗分界的条带干扰，本文方法的最大响应定位于云层处，第二大响应定位到了海天线处，但第二大响应为第一大响应的90%，二者十分接近；方法2的第一和第二大响应则分别位于云层和海面干扰处；图5(a)第三行中存在直线状海浪的干扰，且原始图像海天线处梯度不明显，本文方法给出了正确定位结果；方法2的第一和第二大响应均位于海面之上．综上分析，本文方法在大部分场景下的最大响应定位于海天线附近，在少数存在干扰的情况下，海天线处也能存在较大的第二大响应值，因此本文方法具有更强的场景适应性，能有效提取出海天线候选区域，尽可能排除海杂波、云层和其他干扰．10.13245/j.hust.211123.F005图5两种定位方法结果比较3.2　对比实验为了进一步验证所提出海天线检测方法的有效性，将本文方法与现有的基于直线拟合的海天线检测方法、基于Hough变换的海天线检测方法、文献[1]和文献[3]中的海天线方法进行对比，后四种方法以下分别简称为方法1～4．图6展示了对比实验的结果，如图6所示，第一行图像中的海天线下方存在一条平整的海浪边缘，几乎与海天线平行且贯穿图像，仅本文方法正确检测出海天线；第二行图像中存在多条平整的海浪作为干扰，方法2、方法3和本文方法能正确检测；第三行图像的海天线处对比度不明显，存在多条海浪作为干扰，仅本文方法给出正确检测结果；第四行图像中的海面上方存在云层干扰，海面上存在较明显的明暗分界的区域，方法1和本文方法能正确检测；第五行图像中海面上方云层的边缘具有直线性，海面上存在多处直线状海浪，且海天线处存在多个舰船，造成了海天线的不完整，仅方法3和本文方法给出正确的检测结果；第六行图像整体模糊，图像上方存在多条接近直线的云层边缘，且海面上也存在多条直线状的海浪，仅本文方法给出了正确的检测结果．10.13245/j.hust.211123.F006图6各检测方法有效性对比实验结果综上所述，方法1由于引入大量干扰信息，因此鲁棒性不强；方法2和方法4均基于直线检测，对于各种干扰、海天线模糊和海天线不完整的情况鲁棒性不强；方法3基于原始图像梯度信息定位海天线，容易造成定位失败；本文所提出的检测方法在海天线定位方面具有较好的优势，排除干扰的能力较强，在各种海天背景下的综合准确率具有明显优势．表1展示了不同方法海天线检测的准确率和单帧平均耗时，实验结果表明：在取得较高准确率的同时，本文算法也具有较好的实时性．10.13245/j.hust.211123.T001表1性能指标对比实验结果性能指标直线拟合Hough变换文献[1]方法文献[3]方法本文方法检测准确率/%16.9526.2763.5649.1595.55单帧平均耗时/s0.054 30.026 40.013 70.038 70.068 44 结语本研究提出一种基于局部熵滤波和梯度累积的红外图像海天线检测方法．实验结果表明：所提出的方法相比基于直线拟合、基于梯度检测的方法及文献[1，3]中的方法都具有更强的鲁棒性和场景适应性，能够有效抵抗各种复杂干扰，使海天线检测的准确率得到显著提升．在海天线精确定位阶段，本文算法利用了区域的梯度差，在粗定位区域附近选取梯度极大值点作为候选点拟合海天线，但梯度极大值点的位置并不一定精确地出现在海天线上，因此会造成一定的检测误差．综合实验结果，所提出的红外图像海天线检测方法具备较好的检测准确率和检测速度，但对于海天线位置极其模糊、海天线处纹理极其破碎及水雾干扰严重的图像，检测准确率还有待提升．设计更高层次的特征或更优化的特征组合方案以提升检测率是下一步研究的重点．