一種基于SAR目標形態(tài)特性的艦船檢測方法

楊學志，杜揚，，張晰，孟俊敏

（1.合肥工業(yè)大學 計算機與信息學院，合肥 230000；2.國家海洋局 第一海洋研究所，山東 青島 266061）

1 引 言

海洋艦船監(jiān)測識別一直是海岸帶國家的傳統(tǒng)任務，例如在漁業(yè)管理、非法移民、救助等有著重要的作用，合成孔徑雷達（Synthetic Aperture Radar，SAR）因為其全天時全天候大范圍觀測的工作優(yōu)勢，成為艦船目標監(jiān)測的重要傳感器。

由于艦船目標通常由金屬構成，在SAR圖像上呈現(xiàn)一個或多個較亮的強散射中心，與海洋背景有著鮮明的對比度，因此目前的艦船檢測算法大多基于恒虛警率（Constant False Alarm Rate，CFAR）的灰度閾值分割 算 法［1－2］，算 法 的 品 質(zhì) 因 素 （Figure of Merit，F(xiàn)OM）主要依賴于概率模型的建立和虛警概率（Probability of False Alarm，PFA）［3］的設置。常用的SAR統(tǒng)計模型有對數(shù)正態(tài)分布、Gamma分布、Weibull分布、K分布等，需要根據(jù)分布對圖像的擬合情況經(jīng)驗選?。?－5］。算法中當PFA選取過低，結果會出現(xiàn)部分艦船目標丟失，特別是弱小艦船；而當選取過高，結果中會出現(xiàn)大量虛警目標。通常希望CFAR算法能通過設置較低的PFA得到較高的檢測率，這幾乎是所有基于CFAR的艦船檢測算法中不可避免的矛盾，對參數(shù)PFA的選擇存在較多的人工干預，使得最終檢測結果不穩(wěn)定，這也是CFAR算法僅僅是考慮艦船目標高亮度及在局部圖像中較低比例的特性而引起的。

通常算法流程中添加后處理操作來抑制虛警目標，經(jīng)典的方法有形態(tài)學處理（Morphology Operations，MO）方法［3］，譬如開操作、閉操作等手段實現(xiàn)虛警目標的抑制。但形態(tài)學濾波方法僅僅從目標尺度角度出發(fā)，沒有考慮SAR圖像艦船目標的形態(tài)特征，因此檢測效果有一定隨機性，適用范圍較小。SAR圖像中艦船目標通常表現(xiàn)為強散射點或面目標，擁有較強的統(tǒng)計和形態(tài)特征，譬如相對海雜波所占比例較低、亮度高、空間密集度高。對于所占目標比例較低這一統(tǒng)計特征，在CFAR檢測算法中設置適當?shù)腜FA即可消除大量海雜波；對于后兩個高亮度、高密集度的形態(tài)特征，本文推導了一種目標形態(tài)特征強度估計值來度量，提出一種新的艦船檢測后處理操作。

2 艦船形態(tài)特征檢測算法

由于SAR系統(tǒng)特殊的成像原理和艦船的多金屬反射角結構，圖像中艦船目標與海洋背景成鮮明對比。因此為了充分利用SAR影像中艦船特性，提出了本文檢測方法。

2.1 SAR圖像中艦船目標特性

由于合成孔徑雷達特殊的工作原理，艦船目標由于金屬材料的上層建筑會構成較多的二面角、三面角結構，對于雷達波束形成比較強的反射器，在SAR圖像中艦船目標相比于海雜波呈現(xiàn)較為強亮度的點目標或面目標，如圖1所示。

其中，圖1（a）為一張典型SAR圖像，白色矩形框為艦船目標，圖1（b）為其三維立體顯示。不難總結出艦船目標的3個形態(tài)特征：①艦船目標所占比重很低；②艦船目標像素亮度值高；③艦船目標像素密集度高。這3種特征幾乎概括了艦船目標在SAR圖像中主要的統(tǒng)計特征和形態(tài)特征。

2.2 二階艦船特征檢測算法

傳統(tǒng)CFAR算法是基于統(tǒng)計特征①的概率統(tǒng)計算法。然而SAR圖像因獲取模式、極化方式、自然條件等情況不同，使得CFAR算法中的虛警率參數(shù)設置難以掌控，通常需要依據(jù)經(jīng)驗知識。此外，該參數(shù)還與漏檢率存在不可避免的矛盾。

本文結合了SAR圖像中艦船特性，給出了基于CFAR算法預處理和形態(tài)學檢測的艦船檢測方法，檢測流程如圖2所示。

2.2.1 第一階段CFAR

利用簡單有效的直方圖累加CFAR算法，給定一個較高PFA值（經(jīng)驗選取10e－1～10e－2），快速去除大量海雜波，且保留完整的艦船信息［5］。

SAR圖像中艦船目標幾乎都在長拖尾中，根據(jù)給定虛警率PFA，累計概率密度值，如不等式：

其中，ρ（j）為海雜波直方圖統(tǒng)計概率，j∈［0，65535］，當滿足式（1），Tcfar（Threshold of CFAR）為所求該階段分割閾值。

2.2.2 第二階段形態(tài)特征計算

核密度估計算法（Kernel Density Estimation，KDE）是一種經(jīng)典的非參數(shù)的數(shù)據(jù)結構分析工具，利用艦船像素密集特性，在高分辨率SAR艦船檢測中，可以有效抑制檢測結果中的艦船旁瓣效應［6－7］，密集度值可表示為：

其中，x為當前像素，密度統(tǒng)計窗口半徑h＞0，di為統(tǒng)計窗內(nèi)像素點到中心x的歐式距離，計算式可表示為檢測目標像素的密集程度。然而KDE算法沒有考慮到艦船目標在SAR圖像中獨特的高亮像素值特性。因此這里結合式（2）推導出艦船目標形態(tài)特征強度計算公式，如式（3）所示。

其中，max（xi）為統(tǒng)計窗像素灰度最大值，表征為檢測目標像素高亮度特性。因此不難看出，式（3）最終結果由當前像素統(tǒng)計窗像素的密集度和像素值大小決定，值越大說明艦船目標可能性越大。在該式下艦船目標被突顯，海雜波等虛警目標被抑制。最后根據(jù)給定閾值Tmo∈（0，1）（Threshold of MO），最終分割出艦船目標。下面將分別敘述參數(shù)h和Tmo的意義，以及選取范圍。

3 算法參數(shù)選擇及實驗

本文提出的算法理論充分利用了SAR圖像中形態(tài)特征，也解決了傳統(tǒng)CFAR算法中固有的矛盾，但也設計到兩個參數(shù)，一個是移動窗大小h和形態(tài)強度特征分割閾值Tmo，因此需要對這兩個參數(shù)選擇給出辦法。

3.1 參數(shù)選擇

實驗數(shù)據(jù)選為Radarsat－2Standard數(shù)據(jù)，VH極化方式，距離向和方位向分辨率分別為13.5m和7.7m，像素空間分別為11.8m和5.2m。獲取時間2012年4月30號10∶00∶27（UTC）；子區(qū)域（1）像素大小為1389×1145，區(qū)域為中國山東青島，如圖3所示。為驗證本文算法艦船檢測結果的有效性，使用星載SAR數(shù)據(jù)獲取時間一致的自動識別系統(tǒng)（Automatic Identification System，AIS）信息［8］，匹配結果如實驗區(qū)域（1）中，該區(qū)域共有艦船25艘。

特征統(tǒng)計窗h為艦船特征估計統(tǒng)計窗大小，很明顯h越大獲得的信息越多，算法耗時越大，特征值計算結果使得圖像較為平滑，艦船目標不易突顯，檢測率可能會下降。下面給出實驗結果與耗時，其中，參數(shù)Tmo取經(jīng)驗閾值0.4。

圖4可看出，隨著h增大，虛警目標逐漸減少，艦船輪廓逐漸清晰，十字旁瓣等效果減弱，處理時間增加；當h≥9時，虛警目標幾乎消除，但艦船目標輪廓越來越小，使得弱小艦船目標出現(xiàn)丟失，譬如圖4（e）（f）實驗結果，圓圈○表示漏檢。因此h過小使得虛警目標難以抑制，過大使得檢測目標出現(xiàn)丟失，h的設置也與檢測區(qū)域艦船尺度有關［7］，為檢測弱小艦船目標h應當減小。

Tmo為特征圖像中的分割閾值，Tmo∈（0，1）。明顯地，Tmo越大虛警減少，但真實艦船目標丟失可能性越大。為有效評價檢測結果，這里定量分析參數(shù)對結果的影響，使用品質(zhì)因素FOM［4］來衡量檢測效率。

其中，Ntt為正確檢測的艦船結果，Nfa為虛警目標，Ngt為圖像中實際的艦船目標，F(xiàn)OM越大表明檢測效果越好。

圖5中橫坐標為統(tǒng)計窗h在［1，10］中。當閾值參數(shù)Tmo取值在［0.1，0.4］時，隨著h的增大，檢測結果FOM 緩慢升高；當Tmo在［0.5，0.9］時，隨著h的增大，F(xiàn)OM先迅速升高然后降低。圖5中紅色（Tmo＝0.3）和黑色實線（Tmo＝0.4）隨著h的增大FOM越大而且保持較為穩(wěn)定。

3.2 本文算法實驗及對比

圖6（a）為一景 TerraSAR－X，2011年09月21號22∶10∶17（UTC）獲取，獲取模式Stripmap SLC，3m分辨率，HH極化，中國日照港，選用的是高噪聲單視復（Single－Look Complex，SLC）數(shù)據(jù)，SLC數(shù)據(jù)保留了各種波模式下的最優(yōu)分辨率信息，艦船目標特征保留完整，弱小艦船目標清晰可見。

黃色實驗區(qū)域（b）像素大小為1069×1297，綠色矩形窗為AIS數(shù)據(jù)信息，圖像中可清晰看見弱小艦船目標，艦船共11艘。下面是傳統(tǒng)方法與本文方法檢測結果。

對比圖7中橙色矩形框為正確檢測目標，藍色三角為虛警目標，紅色圓圈為漏檢目標。圖7（a）當PFA選擇10e－2時CFAR檢測結果中出現(xiàn)大量虛警目標；圖7（b）KDE結果虛警目標仍然很多，如藍色三角所示；傳統(tǒng)形態(tài)學處理結果圖7（c）出現(xiàn)漏檢，如紅色圓圈所示；而本文方法檢測出所有艦船目標，并消除虛警干擾。

表1 圖7檢測結果

圖8為一景Cosmo－Skymed圖像，2010年7月20號10∶07∶32（UTC）獲取，獲取模式為ScanSAR Wide Region，30m分辨率，15m像素空間大小，HH極化，中國大連。黃色實驗區(qū)域像素大小為876×1123，綠色矩形窗為AIS數(shù)據(jù)信息，總共為40艘艦船。

圖9中，橙色矩形框為正確檢測目標，藍色三角為虛警目標，紅色圓圈為漏檢目標。在第一階段較高的虛警率條件下結果為圖8（a）所示；圖8（b）單純KDE方法出現(xiàn)大量虛警目標，傳統(tǒng)形態(tài)學處理丟失弱?。┡灤繕恕?/p>

表2 圖9檢測結果

從以上兩組實驗可看出，本文艦船檢測方法充分利用了SAR圖像中艦船目標高亮度、高密集度的形態(tài)特性，首先在CFAR階段，設定較高虛警率值濾除大量海雜波保存艦船目標，然后在特征強度計算階段成功濾除虛警目標，獲得了較好表現(xiàn)；而傳統(tǒng)方法由于特性選取片面，出現(xiàn)了虛警目標。

4 結束語

本文充分考慮SAR圖像中艦船人造目標的高亮度和高密集度的形態(tài)特性，由此從圖像層面出發(fā)提出了基于直方圖累加CFAR算法和目標特征值估計的二階艦船檢測算法，為SAR圖像艦船檢測提供了新的思路。本文詳細討論了算法中參數(shù)的意義以及參數(shù)選取對結果的影響。實驗表明，本文提出的艦船檢測算法避開了傳統(tǒng)CFAR算法復雜的概率模型的選擇和參數(shù)的調(diào)設，可滿足艦船檢測需求。但算法中參數(shù)設置仍然無法固定，還需要進一步討論。

［1］WANG J，SUN L J.Study on ship target detection and recognition in SAR imagery［C］.2009 1st International Conference on Information Science and Engineering（ICISE），IEEE，Beijing，China，2009：1456－1459.

［2］JIANG Q，WANG S，ZIOU D，et al.Automatic detection for ship targets in Radarsat SAR images from coastal regions［C］.Vision Interface＇99，Trois－Rivières，Canada，May，1999：131－137.

［3］ELDHUSET K.An automatic ship and ship wake detection system for spaceborne SAR images in coastal regions［J］.IEEE Transactions on Geoscience and Remote Sensing，1996，34（4）：1010－1019.

［4］種勁松，朱敏慧.SAR 圖像艦船及其尾跡檢測研究綜述［J］.電子學報，2003，31（9）：1356－1360.

［5］陳利民，孟俊敏，楊學志，等.基于 H—CFAR的SAR圖像快速艦船目標檢測［J］.合肥工業(yè)大學學報（自然科學版），2012，35（12）：1633－1636.

［6］SHEATHER S J，JONES M C.A reliable data－based bandwidth selection method for kernel density estimation［J］.Journal of the Royal Statistical Society，Series B （Methodological），1991，53（3）：683－690.

［7］JIANG S，WU F，WANG C，et al.Improved ship detection for high resolution SAR images based on kernel density estimation［C］.Remote Sensing，Environment and Transportation Engineering （RSETE），2012 2nd International Conference on IEEE，Nanjing，China，June，2012：1－4.

［8］張晰.星載SAR艦船目標探測實驗研究［D］.青島：中國海洋大學，2008.