一種合成孔徑雷達圖像艦船假目標檢測判別算法*

李晨波，劉永信，張 暉，王玲琳

(內蒙古大學電子信息工程學院，內蒙古 呼和浩特 010021)

一種合成孔徑雷達圖像艦船假目標檢測判別算法*

李晨波，劉永信**，張 暉，王玲琳

(內蒙古大學電子信息工程學院，內蒙古 呼和浩特 010021)

由于合成孔徑雷達(SAR)發(fā)射脈沖頻率以及成像機理的影響，導致SAR圖像在成像時存在方位模糊噪聲，嚴重時會在圖像上出現假目標，此時若采用傳統(tǒng)的目標檢測算法，將會把假目標誤判為檢測目標，降低目標檢測的準確率，影響目標的分類識別。本文分析了假目標產生的原因，從理論上導出了假目標在SAR圖像中出現的具體位置。從信號處理的角度，對SAR圖像進行方位模糊抑制的仿真。然后采用雙參數CFAR檢測算法對SAR圖像進行目標檢測，依據真假目標區(qū)域連通面積大小不同，且假目標區(qū)域具有不連通、面積小等特點，在目標檢測的同時，對真假目標進行判別。最后，采用10 m×10 m分辨率的SAR圖像進行實驗驗證。實驗結果證明該算法可以對由于方位向模糊產生的假目標進行有效檢測。

合成孔徑雷達； 假目標； 恒虛警率

隨著合成孔徑雷達(Synthetic Aperture Radar，SAR)技術的不斷完善，使用SAR圖像實現對海上船只目標的監(jiān)測，已成為重要的工具[1]。SAR圖像目標檢測的方法已有很多，主要有恒虛警率(CFAR)檢測方法、多分辨率檢測方法、基于方位信息的檢測方法等。其中，CFAR是一種常用的艦船檢測算法，傳統(tǒng)雙參數CFAR檢測算法假設海雜波符合高斯分布。但是，該算法對樣本要求較大，只有在樣本被多視平均時，高斯模型才適用。Xing等人采用兩級CFAR的快速檢測算法，先用基于韋布爾分布的CFAR算法確定全局閾值對SAR圖像進行預篩選，然后再用基于K分布的CFAR算法進行精細檢測[2]；Ji等也提出了一種基于K分布確定全局閾值進行預篩選，雙參數CFAR進行精檢的兩級快速檢測算法[3]；Jung等提出了一種針對高分辨率SAR圖像中多個目標的兩步快速CFAR檢測算法[4]，與經典的雙參數CFAR算法相比，運算速度得到提高。

然而，SAR作為一種微波成像系統(tǒng)，在成像過程中，由于雷達發(fā)射的脈沖重復頻率(Pulse Repetition Frequency，PRF)過低，目標回波信號的多普勒頻譜欠采樣等因素，產生了方位模糊噪聲[6-11]。方位模糊噪聲使得圖像質量下降，嚴重時將會形成假目標，俗稱“鬼影”。此時若采用傳統(tǒng)的檢測算法，將會把“鬼影”誤判為檢測目標，為SAR圖像分類識別，帶來更大的誤差。因此，關于真假目標的判別研究，對合成孔徑雷達特別是星載合成孔徑雷達的設計和應用有重要的實際意義。文獻[6-7]研究了方位向模糊噪聲產生的原因；文獻[8]利用PolSAR數據對運動目標進行了時頻域分析；文獻[10]結合模擬數據和CV-580PolSAR數據研究發(fā)現了運動目標會在其方位向上產生方位向模糊甚至發(fā)生位移。本文針對星載SAR成像導致假目標出現，影響檢測分類等問題，先從信號處理的角度進行方位模糊抑制；然后在雙參數CFAR檢測算法基礎上，與區(qū)域連通相結合，在目標檢測的同時，將假目標加以區(qū)分。

1 假目標抑制原理分析

1.1 假目標產生原因

SAR圖像的模糊是來自觀察區(qū)域外的回波信號對觀察區(qū)域回波信號的干擾造成的[11]。共分為兩種：距離模糊、方位模糊。其中距離模糊是由于PRF過高引起的：觀察帶內有用的回波信號與前一個發(fā)射脈沖的回波信號或后一個發(fā)射脈沖的回波信號在時間上重疊，造成對當次發(fā)射脈沖信號的干擾，或者說所有非當次周期內發(fā)射的回波信號都是模糊信號；方位模糊是PRF過低引起，即回波信號的多普勒頻譜欠采樣引起的，更嚴重時即會出現假目標[5]。而且假目標容易出現在高頻率SAR圖像中的低散射區(qū)域，比如在海面上，同時由于強反射目標的折射信號的干擾，以及平滑濾波中旁瓣的加權比、散焦等因素，導致假目標的出現幾率大大增加[9]。

1.2 假目標抑制原理與仿真

1.2.1 回波模型 本文主要研究方位向模糊的問題，假設已完成距離向的處理，并且暫不考慮距離遷移效應，則點目標回波模型可簡化為一維函數：

h(x)=Wa2(x)exp[j4πr1(x)/λ]，

(1)

則此一維函數以慢時間域時間變量s為坐標的表達形式為：

h(s)=Wa2(x)exp[-j4πr1(x)/λ]，

exp[j2π(fDS+fRS2/2)]，

(2)

fD=2Vsinθs/λ，

(3)

fR=-2V2/λRC。

(4)

式中：RC為雷達與點目標的最近距離；V為雷達運動速度；λ為波長；fD為多普勒中心頻率；fR為多普勒調頻率；θS為雷達波束中心前向斜視角，正側視時θS等于0；fD也就等于0。即(5)式是一個點目標，經過了距離向處理和距離遷移校正后，在方位向的連續(xù)形式的回波模型。對h(s)進行方位向采樣得：

(5)

式中：δ(s)為抽樣函數；PRF為脈沖重復頻率，將其變換到頻域可以得到：

(6)

由式(5)可見，hs(s)的頻譜為h(s)頻譜周期性延拓形成的，重復周期為PRF。若PRF過低，就會出現較頻譜混疊的現象，混疊的頻譜會進入處理帶寬內，產生模糊信號。從時域波形上看，模糊信號似乎為主信號向時間軸的正負方向延拓，幅度被天線方位向雙程方向圖加權，波形如圖1所示。

1.2.2 抑制方法與仿真 由點目標在方位向上抽樣形式的回波模型可知，回波是由主信號和一系列模糊信號組成，模糊信號的位置由公式(7)決定。通常情況下，第一模糊區(qū)信號，即公式(7)中的i=±1，能量最大，所以本文主要討論第一模糊區(qū)的抑制問題。

圖1 壓縮前的方位回波信號Fig.1 Compression in front of the echo signal

(7)

由1.2.1的分析可知，壓縮前的點目標回波信號，其主信號和模糊信號的波形是相似的，主要區(qū)別在于天線方向圖加權不同。由圖2壓縮后的波形可見，主信號和模糊信號也是相似的。因此，可以把模糊信號看成由主信號經過平移再乘以一個相位因子和一個衰減因子得到的。

圖2 方位向壓縮后信號波形

設y(n)為點目標回波經過方位向壓縮后的輸出信號，其中含有模糊響應，其頻譜為Y(ω)，x(n)為去除模糊響應后的信號，其頻譜為X(ω)。則y(n)可以看成是x(n)與一個函數d(n)卷積得到的，即：

y(n)=x(n)?d(n)，

(8)

現在已知y(n)，只需要對y(n)進行一個反卷積運算，即可得到x(n)，在頻域上，即：

X(ω)=Y(ω)/D(ω)，

(9)

式中D(ω)稱之為模糊濾波器。由文獻[7]的公式推導，最后給出仿真效果圖：

圖3 方位模糊抑制后的信號

2 假目標判別算法介紹

假目標判別算法流程如圖4所示，首先將目標切片中待檢測的目標與AIS信息匹配，將匹配到的目標標記為真實目標，同時查看該目標方位向上是否有目標，且進行距離測量，根據真假目標距離計算公式：

Δx=PRF·λ·R0/2V0。

(10)

其中：PRF為脈沖重復頻率；λ為雷達發(fā)射波長；R0為雷達對地距離；V0為雷達速度。

2.1 目標檢測算法介紹

CFAR是在圖像全局或局部場景背景已知的條件下，自適應地選取檢測閾值的檢測方法。CFAR檢測算法的核心思想是根據虛警概率和SAR圖像雜波的統(tǒng)計特性計算得到閾值，通過閾值判別被檢測對象是目標還是背景。設單個像素的灰度值為I，理論上可以采用Bayes準則最優(yōu)地判定每個像素是屬于背景還是屬于目標。

假設P=(ωb)、P=(ωt)分別為背景和目標分布的先驗概率，則檢測到目標的貝葉斯準則為：

(11)

同理對于背景有：

(12)

圖4 假目標判別流程

(13)

由于很難事先知道先驗概率p(ωt)和p(ωb)，現假設其為等概率。則有：

(14)

在實際的SAR圖像中，像素屬于目標的先驗概率遠遠小于屬于雜波的概率，因此背景和目標概率的假設是不合理的，從而采用一個折中的準則(Neyman-Pearson準則)，該準則認為滿足如下條件時，目標存在：

(15)

雙參數CFAR檢測方法根據目標與背景雜波反射率的不同，辨別目標與雜波，通過使用一個滑窗遍歷SAR圖像中的每一個像素，根據貝葉斯判決準則及其各種派生準則對被測像素點做出二元判決，以確定該像素點是否為目標像素點。滑動窗口由目標區(qū)、保護區(qū)、背景雜波區(qū)3個部分組成(圖5)，待檢測像元被保護窗口和背景窗口包圍，其目的是保證目標像元被排除在背景窗口外，以確保得到高精度的背景統(tǒng)計。背景窗口是為了雜波統(tǒng)計，其大小依賴目標尺寸大小。其檢測方法計算如下：

(16)

并做出如下的檢測判決：

(17)

其中：Xt為待測像素點的灰度值；KCFAR為CFAR檢測門限，通常為常數，它控制著檢測的虛警概率。當D>KCFAR被判斷為目標時，虛警概率隨著KCFAR的增加而增加，反之當D

(18)

(19)

圖5 雙參數CFAR檢測器示意圖Fig.5 Double parameter CFAR detector diagram

式中：Θ為圖1中參考窗；N為Θ中的樣本點數；s(i，j)為Θ中的樣本點。如果上式中被測像素的統(tǒng)計值超出檢測門限KCFAR，則該像素被認為是目標像素，否則為雜波像素。

2.2 雙參數CFAR檢測

本文在雙參數CFAR檢測算法的基礎上，依據真假目標能量差異較大且假目標區(qū)域不連通等特點，采用雙參數CFAR算法與目標區(qū)域連通相結合的方法，同時依據距離位置判斷等條件作為區(qū)分真假目標的標準。算法流程如圖6所示：

圖6 目標判別算法流程Fig.6 Target discriminate algorithm process

3 實驗結果與討論

論文采用加拿大RADARSAT-2衛(wèi)星于2013年11月13日某時拍攝的SAR數據，圖像的點像素分辨率為10 m，同時獲取了對應該時刻的船舶自動識別系(Automatic Identification System，AIS)船只的相關信息作為海面船只驗證信息來進行實驗分析。

3.1 假目標特性分析

在SAR圖像局部區(qū)域檢測時，發(fā)現部分“目標”船只未能與AIS匹配，且呈現一定的規(guī)律，如未能匹配的船只目標與匹配的船只目標對應形狀相似，距離表現為多對目標等距，亮點強度相比已配對的點目標較弱，但是遠遠強于海雜波背景。具體如圖8所示。

在圖7中，紅色圓圈內的5個船只目標為已與AIS匹配成功的合作船只，而紅色箭頭所指的5個目標，則沒有找到對應的AIS信息，且5對目標之間還具有以下幾個共同特點：

(1)未知目標均出現在已知目標的方位向上；

(2)5對目標兩兩之間的距離基本相等；

(3)5個未知的目標信號強度均比對應的真實目標弱；

(4)5個已知目標的像素強度與未知的目標相比較強，且目標表現為具有一個較大的連通區(qū)域，而未知的目標則表現為兩個小型的連通區(qū)域。

通過上述幾點共同特性，初步判斷5個未知目標并非真實的船只目標，而很大程度上是雷達成像機理導致的假目標。根據真假目標距離公式(10)來計算真假目標的相對距離，這里的參數選取PRF=1 350次/s，λ=54 mm，R=800～960 km，V=7.45 km。經計算，對應SAR圖像中，真假目標間的理論距離為：3.914～4.696 km。通過NEST軟件進行實際距離標測，實測距離為4.1 km左右，符合理論推導的距離范圍。

3.2 假目標自動檢測

對于SAR圖像中的另一個場景進行假目標自動檢測分析，選用局部多目標樣本圖中，有6艘已成功匹配到AIS信息的船只目標，其AIS的基本信息如表1所示，對應的SAR圖像如圖8所示，AIS對應的6艘船只在圖中使用對應序號的數字已經進行了標注。

圖7 等距離目標顯示

序號Number經度/(°)Longitude緯度/(°)Latitude船長Long/m船寬Wide/m類型type1121.07538.4629614捕撈2121.11338.4638814捕撈3121.14038.4499915貨船4121.18138.4349716貨船5121.22038.42115721貨船6121.19938.3908714貨船

使用雙參數CFAR進行檢測，檢測結果如圖9所示，其中綠色標記的位置為檢測出的疑似假目標，紅色為可以配對AIS信息的目標，藍色為其它無法驗證的檢測目標。從圖中檢測結果可以看出，對于假目標造成的虛警目標在圖像中與真實船只的類似，并不能通過設置合適的閾值消除，通過假目標判別算法分析，可以快速定位假目標。

4 結論

論文首先從理論上分析了假目標產生的原因，給出了方位回波模型，仿真實現了方位模糊的抑制。其次，理論推導了假目標出現的位置，并依據真假目標能量差異較大且假目標區(qū)域不連通等特點，采用雙參數CFAR算法與目標區(qū)域連通相結合的方法，用來區(qū)分真假目標，并將檢測到的真假目標通過不同顏色矩形框來標注。通過實驗驗證，所提算法可以將SAR圖像中真假目標進行判別。對由于方位向模糊造成的鬼影目標有很好的抑制作用，為后續(xù)的艦船識別去除了部分虛警。但是，所提算法是需要逐點進行比較判斷，算法執(zhí)行的效率較低，后續(xù)需要進一步對算法的效率進行改進。

圖8 原始圖像Fig.8 Origin image

圖9 假目標檢測結果

[1] 張軍,高貴,周蝶飛.SAR圖像機動目標檢測的兩種CFAR算法對比研究[J].信號處理，2008,24(1):78-82.Zhang J,Gao G,Zhou D.Comparison on two CFAR algorithm of vehicle target detection in SAR images[J].Signal Processing,2008,24(1):78-82.

[2] Xing X W,Chen Z L,Zou H X,Zhou S L.A Fast Algorithm Based on Two-stage CFAR for Detecting Ships in SARimages[C].Proceedings of 2nd Asian-Pacic Conference onSynthetic Aperture Radar (APSAR).Xian:IEEE,2009.506:509.

[3] Ji Y G,Zhang J,Meng J M,Zhang X.A new CFAR shiptarget detection method in SAR imagery [J].Acta Oceanologica Sinica,2010,29(1):12-16.

[4] Jung C H,Song W Y,Rho S H,et at.Double-step fast CFAR Scheme Formultiple Target Detection in High Resolution SAR Images [C].Proceedings ofthe 2010 IEEE International Radar Conference.WashingtonD C:IEEE,2010：1172-1175.

[5] He Zhi-Guo,Zhou Xiao-Guang,Lu Jun,Kuang Gang-Yao.A fast CFAR detection algorithm based on the G0 distri-bution for SAR images [J].Journal of National University of Defense Technology,2009,31(1):47-51.

[6] ZHANG Yongjun.Analysis of synthetic aperture radar ambiguities [J].Journal of Electronics and Information Technology,2004,26(9):1455-1460.

[7] Di Martino G,Iodice A,Riccio D.Filtering of azimuth ambiguity in stripmap synthetic aperture radar images [J].Selected Topics in Applied Earth Observations and Remote Sensing,IEEE Journal of,2014,7(9):3967-3978.

[8] 徐輝,趙迪,辛培泉.星載SAR方位模糊研究[J].火控雷達技術，2011 (2):1-5.Xu H,Zhao D,Xin P.Research on azimuth ambiguty of spaceborne SAR [J].Fire Control Radar Technology,2011(2):1-5.

[9] Zhang Q.Research on Detection Methods of Vehicle Targets from sar Images Based on Statistical model [D].Hunan：Master′s thesis,National University of Defence Technology,2005.

[10] Touzi R,Charbonneau F J,Hawkins R K.Ship detection and characterization using polarimetric SAR[J].Canadian Journal of Remote Sensing,2004,30(3):552-559.

[11] Brusch S,Lehner S,Fritz T,et al.Ship surveillance with TerraSAR-X [J].Geoscience and Remote Sensing,IEEE Transactions on,2011,49(3):1092-1103.

責任編輯 陳呈超

A False Ship Target Discrimination Algorithm in SAR Image

LI Chen-Bo,LIU Yong-Xin,ZHANG Hui,WANG Ling-Lin

(College of Electronic Information Engineering,Inner Mongolia University,Huhhot 010021,China)

Because of the firing pulse frequency,imaging mechanism and other factors cause the azimuth ambiguity noise appeared in SAR imaging.There will be false targets appear on this image when the noise is in severe cases.In this case,the traditional target detection algorithm will mistake the false target as detection target,it will reduce the detection accuracy,and it will affect the target classification.The reason of false target appearance is analyzed,specific location decoy appeared in SAR images is deduced.From the point of signal processing view,orientation blur suppression simulation of SAR image is implemented.Then double parameter CFAR detection algorithm is used for SAR image target detection.Because true and false target connected area size are different,and the false target area is not connected and area size is smaller.At the same time target detection,characteristics of the target area are used to discriminate between true and false targets.Finally,10 m resolution SAR images are used to verify the target detection.The result of experiment shows that this proposed algorithm can detect the false target caused by the azimuth ambiguity.

SAR; false target; CFAR

國家自然科學基金項目(61362002)；海洋公益性科研專項(201505002)資助。

Supported by National Nature Science Foundation of China (61362002); National Marine Technology Program for Public Welfare ( 201505002)

2016-09-15；

2016-12-10

李晨波(1990-)，男，碩士生。E-mail:lichenbo62731@126.com

** 通訊作者：E-mail:yxliu@imu.edu.cn

TP274

A

1672-5174(2017)02-079-06

10.16441/j.cnki.hdxb.20160279

李晨波，劉永信，張暉,等.一種合成孔徑雷達圖像艦船假目標檢測判別算法[J].中國海洋大學學報(自然科學版),2017,47(2):79-84.

LI Chen-Bo,LIU Yong-Xin,ZHANG Hui,et al.A false ship target discrimination algorithm in SAR image [J].Periodical of Ocean University of China,2017,47(2):79-84.