SAR艦船檢測算法對比分析研究

陳利民，楊學志，張晰，郎海濤，孟俊敏

（1.合肥工業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266100）

SAR艦船檢測算法對比分析研究

陳利民1，2，楊學志1，張晰2，郎海濤2，孟俊敏2

（1.合肥工業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266100）

為了滿足快速準確地檢測艦船目標的社會需求，該文利用SAR和地面實測數據，開展了K分布恒虛警率、G0－CFAR、雙參數CFAR、小波變換以及最佳熵雙閾值等經典SAR艦船檢測算法的對比分析研究，給出了各種SAR艦船檢測算法的準確度、運行速度及適用范圍（分辨率、海況），為SAR艦船檢測的業務化應用提供指導。

SAR；艦船檢測；對比分析；海洋測量定位

1 引 言

我國是一個海洋大國，大陸海岸線18000多公里，管轄300多萬平方公里海域，海洋資源豐富，但當前我國海洋維權形式十分嚴峻，個別國家的船舶非法進入我國管轄海域進行測量、監聽等非法活動，嚴重威脅并損害著我國的海洋安全和海洋權益。因此，加強對非法進入我國管轄海域的船舶監視監測具有十分重要的意義。

合成孔徑雷達（SAR）是一種高分辨率的微波成像傳感器，具有全天時、全天候的觀測能力［1］，是主要的海洋遙感手段之一，在監視海運交通、維護海洋權益、提高海防預警能力等方面有著廣闊的應用前景。

近年來，各國研究人員開展了大量的SAR艦船檢測研究工作，提出和發展了很多算法，如恒虛警率（Constant False Alarm Rate，CFAR）檢測算法；加拿大商用軟件OMV［2］使用K－CFAR進行艦船檢測；Waterman C C等［3］使用雙參數CFAR對SAR圖像進行檢測；Kapur J N等［4］將信息論中的熵引入圖像分割，提出了最佳熵雙閾值檢測算法；Tello M等［5－7］使用小波變換來檢測艦船目標；張風麗等［8］提出了基于小波變換和相關運算結合的艦船目標檢測算法；魯統臻等［9］提出了利用G0分布對海雜波建模的艦船檢測算法；Ringrose R等［10］利用多極化特性進行艦船目標檢測。

國內外學者提出和發展了許多艦船檢測算法，但對于這些算法性能的對比分析研究工作開展得較少。種勁松等［11］分析研究了K－CFAR算法與雙參數CFAR算法的特點；Xi Zhang等［12］分析研究了CFAR與小波變換算法的特點，但是對比分析研究的算法較少，應用的遙感衛星數據較單一，且沒有考慮各個算法的檢測效率。為了滿足SAR艦船檢測海洋業務化應用的需要，本文需針對K－CFAR、G0－CFAR、雙參數CFAR、小波變換和最佳熵雙閾值等常見艦船檢測算法的檢測效果及檢測效率的性能開展對比分析研究，為SAR海洋艦船實時監視監測提供指導。

2 SAR艦船檢測算法介紹

2.1 K－CFAR艦船檢測

K分布能夠很好地描述海雜波的長拖尾現象［13］。SAR圖像觀測強度x的K分布概率密度函數［14］如式（1）所示。

其中，μ為均值，υ為形狀參數，L為SAR圖像視數，Γ（）為Gamma函數，Kυ－L為υ－L階修正的Bessel函數。

其中，xi，j為圖像（i，j）處的觀測強度值，M和N分別為圖像的高度和寬度。

K分布的形狀參數υ、均值μ和統計方差σ2之間的關系為：

聯合式（2）、式（3）和式（4）可以求出形狀參數υ。

求解虛警概率方程式（5）得到檢測閾值T，式中pfa為虛警概率。

最后根據得到的閾值T，判斷待檢測的像素xi，j是否為目標像素。若xi，j＞T時，判為目標像素，否則判為背景像素。

2.2 G0－CFAR艦船檢測

G0分布是一種用于圖像建模的乘積模型，由Ferry等［15］提出。其概率密度函數表達式為：

其中，n為等效視數，α為形狀參數，γ為尺度參數。其參數估計表達式［16］如下：

其中ψ（）為digamma函數，xi，j為（i，j）處的像素值，聯合式（7）、式（8）、式（9）和式（10）估計G0分布的等效視數n、形狀參數α和尺度參數γ，將得到的各個參數代入到概率密度中，得到概率密度函數并求解虛警概率方程式（11），得到檢測閾值T。

根據得到的閾值T，判斷待檢測的像素xi，j是否為目標像素。若xi，j＞T時，判為目標像素，否則判為背景像素。

2.3 雙參數艦船檢測算法

雙參數CFAR是基于海雜波服從高斯分布假設的，高斯分布能夠很好地適應海雜波的變化［13－17］，是較早應用于艦船檢測的算法之一。在雙參數CFAR檢測中需要設置3個窗口：目標窗口、保護窗口、背景窗口，其中目標窗口是為了統計艦船目標，保護窗口是為了防止目標信息泄露到背景窗口中，從而造成背景統計誤差，背景窗口是為了統計海雜波。窗口尺寸大小則根據經驗和實際SAR圖像分辨率等信息確定，一般情況下，目標窗口應該和檢測的艦船目標的最小長度相同。保護窗口應該與要研究的艦船目標的最大長度相同。背景窗口應足夠大，才能保證不受其他目標或非背景等因素的影響，從而很好地估計背景統計值。假設T為目標窗口，B為背景窗口，μT為目標窗口內的統計均值，μB和σB分別為背景窗口內像素的統計均值和統計標準方差。設置一個虛警概率常數t，根據目標檢測準則［18］：

依據上式依次處理每一個像素點，若上式成立，則判當前像素為艦船目標，否則判為背景像素。

2.4 小波變換檢測算法

在SAR艦船中，近年來有學者使用小波變換做艦船檢測［5－7］。由于海雜波、相關斑噪聲等信息在SAR圖像是隨機分布的、沒有一定的規律可循，而艦船在SAR圖像中具有一定的特性，且具有一定的規律可循。在小波變化中，SAR圖像的艦船目標在每一個小波子帶的頻率成分中是確定性的，而不同小波子帶的噪聲卻是去相關的，正因為如此，可以用小波變換對檢測區域的SAR圖像做變換，然后利用相關運算突出艦船目標，抑制噪聲，從而檢測出艦船目標。

2.5 最佳熵雙閾值算法

最佳熵雙閾值算法由KapurJ N等在1985年提出，他們將信息論中的Shannon的概念應用于圖像分割領域，找出使得目標和背景信息之和最大的值，并以此為閾值對原圖像進行分割，本文采用的是雙閾值算法［4］。假設圖像的灰度范圍為｛0，1…N－1｝，T1、T2（T1＜T2）將圖像分為3類，則每類的概率分別是其 中是灰度級i出現的概率。根據Shannon熵的定義，3類的熵分別為：

則圖像的總熵為：

根據式（16）求出最佳閾值T1、T2，使得熵H取得最大值。然后遍歷圖像的每一個像素點xi，j，若xi，j＞T2則判為目標，否則判為背景像素。

3 SAR艦船實測數據

為了開展SAR艦船檢測算法對比研究，本文開展了3次SAR艦船探測實驗，地面同步數據為星載SAR過境前后實驗區域艦船信息。如圖1及表1所示。

4 實驗結果及分析

其中，Ntt為檢測結果中正確的檢測目標數，Nfa為虛警目標數，Ngt為實際的目標數，艦船實際目標數是結合現場收集到的艦船信息分析得到的，因此艦船實際數目具有很高的準確性，提高了評價的客觀性。對于3種CFAR算法的概率模型特性不同，涉及到的虛警率設置，本文均根據實驗結果選擇最佳的虛警率，使得最優的檢測結果進行對比分析。

4.1 ENVISAT－ASAR

實驗獲得ENVISAT－ASAR圖像的大小為8461×9957，為了研究處理方便，本文對ENVISAT ASAR圖像選取436×458大小進行實驗。

檢測結果見圖2，表2列出了5種算法對ASAR圖像的檢測效果及運行時間。表2可以看出對于中等分辨率高海況的ENVISAT ASAR圖像，K－CFAR、G0－CFAR、雙參數CFAR的品質因數均很高，但是雙參數CFAR檢測的結果丟失了艦船的輪廓信息，不利于開展后續的類型識別工作。小波變換和最佳熵雙閾值均存在虛警和漏檢目標的現象，主要由SAR的目標／背景的對比度較低造成的。從檢測效率上看，小波變換的檢測效率最高，G0－CFAR最低。綜合品質因數、檢測效率及后續類型識別工作的開展，對于中等分辨率的ENVISATASAR圖像，K－CFAR能夠高質量、高效率地檢測目標。

4.2 Radarsat－2SAR

實驗獲得Radarsat－2圖像大小為9553×8182，為了研究處理方便，本文對Radarsat－2圖像選取圖像中的一塊2400×2100大小進行實驗。

檢測結果見圖3，表3列出了5種算法對Radarsat－2SAR圖像的檢測效果及運行時間。由于本次實驗的煙臺海域漁船出沒較多，船只雖然較多，但是船長都較小，在分辨率為8m的SAR圖像上呈現的也僅僅是亮點，這一點從AIS數據上也得到了驗證。

首先對獲得的SAR圖像做幾何校正和陸地掩膜等預處理。本文方法實現環境為Inter（R）Core（TM）2，2.83GHz，內存2G，Windows XP操作系統，運行軟件為MATLAB 7.1。為了評價各個算法的檢測性能，本文引入品質因數FOM［19］和檢測時間，品質因數評價檢測效果，檢測時間評價檢測效率。檢測的品質因數FOM定義如下：

圖1 ENVISAT ASAR、Radarsat－2、TerraSAR－X圖像及其實測數據分布

表1 3次SAR艦船探測實驗

圖2 ENVISAT ASAR圖像及檢測結果（紅色三角形表示虛警目標，紅色圓圈表示漏檢目標）

表2 5種算法對ASAR圖像檢測指標

表3 5種算法對Radarsat－2SAR圖像檢測指標

表3可以看出，對于高分辨率的Radarsat－2 SAR圖像，5種算法的檢測效果都比較好，K－CFAR的品質因數最高，達到0.96，其次是最佳熵雙閾值，再次之是G0－CFAR與雙參數CFAR，小波變換最差。從檢測效率上來看，雙參數CFAR耗時是最多的，G0－CFAR與K－CFAR耗時相差不多。本次實驗的SAR圖像較大，為2400×2100，雙參數CFAR是基于窗口滑動的，每一次滑動都要進行建模計算，因此耗時較多。雖然K－CFAR的品質因數要優于最佳熵雙參數，但是在平均耗時上最佳熵雙參數僅是K－CFAR的23%，且不存在漏檢現象。因此，綜合檢測的品質因數以及檢測效率，對于Radarsat－2 SAR而言，最佳熵雙閾值算法能夠達到較好、較快地檢測目標。

圖3 Radarsat－2SAR圖像及檢測結果（紅色三角形表示虛警目標，紅色圓圈表示漏檢目標）

4.3 TerraSAR－X

實驗獲得TerraSAR－X圖像的大小為12939× 20486，為了研究處理方便，本文選取TerraSAR－X圖像中的一塊2400×2100大小進行實驗。

圖4 TerraSAR－X圖像及檢測結果（紅色三角形表示虛警目標，紅色圓圈表示漏檢目標）

表4 5種算法對TerraSAR－X圖像檢測指標

檢測結果見圖4，表4列出了5種算法對TerraSAR－X圖像的檢測效果及運行時間。表3可以看出，5種檢測算法對高分辨TerraSAR－X圖像的檢測效果都比較好，K－CFAR、小波變換、最佳熵雙閾值的品質因數均為1；G0－CFAR和雙參數CFAR的品質因數分別為0.92、0.91，而且K－CFAR、G0－CFAR、最佳熵雙閾值都很好地保持了艦船的輪廓信息。從檢測效率上來說，K－CFAR、G0－CFAR、雙參數CFAR、小波變換、最佳熵雙閾值平均用時分別為28.94s、45.63s、95.50s、50.30s、10.11s，很明顯最佳熵雙閾值效率最高。因此綜合檢測效果和檢測效率兩方面因素，對于高分辨率的TerraSAR－X圖像而言，最佳熵雙閾值能夠快速地、準確地、高質量地檢測艦船目標。

5 結束語

本文結合3次SAR艦船實驗，分別采用KCFAR、G0－CFAR、雙參數CFAR、小波變換以及最佳熵雙閾值對SAR圖像進行艦船目標檢測。并采用GPS或AIS設備同步收集SAR衛星過境前后的艦船信息，得到SAR圖像中艦船的實際數目以及實際分布等信息，為評價檢測效果的品質因數提供信息，保證了評價的客觀性。另外，在同樣的硬件條件下，著重分析了各算法檢測效率，檢測的效率與檢測算法的復雜度、實驗圖像大小、不同的SAR圖像等密切相關。綜合實驗結果對比分析，可以得出以下結論：

（1）對于中等分辨率、目標／背景對比度較低的SAR圖像，K－CFAR算法能夠很好地進行目標檢測，且能夠很好地保持艦船的輪廓信息，有利于后續工作的開展。

（2）對于高分辨率、目標／背景對比度較高的SAR圖像，最佳熵雙閾值能夠快速高效地檢測艦船目標。

綜合檢測準確度和檢測效率，在海洋業務化應用中，對于低中等分辨率高海況SAR建議采用KCFAR進行目標檢測，對于高分辨率低海況SAR建議采用最佳熵雙閾值進行目標檢測。今后如何在保證目標檢測效果的前提下，發展高效率的檢測算法，使得SAR在海洋艦船目標檢測上達到實時監測的能力將是艦船檢測研究的重點。

［1］ 宋建設，鄭永安，袁禮海.合成孔徑雷達圖像理解與應用［M］.北京：科學出版社，2008.

［2］ VACHON P W，EDEL H R，HENSCHEL M D，et al.Validation of ship detection by the RADARSAT synthetic aperture radar and the ocean monitoring workstation［J］.Canadian Journal of Remote Sensing，2000，3（26）：200－212.

［3］ WACKERMAN C C，FRIEDMAN K S，PICHEL W G，et al.Automatic detection of ships in RADARSAT－1SAR imagery［J］.Canadian Journal of Remote Sensing，2001，5（27）：371－378.

［4］ KAPUR J N，SAHOO P K，WONG A K C.A new method of gray－level picture thresholding using the entropy of the histogram［J］.Computer Vision，Graphics and Image Processing，1985，2（29）：273－285.

［5］ TELLO M，LOPEZ－MARTINEZ C，MALLORQUI J.A novel algorithm for ship detection in SAR imagery based on the wavelet transform［J］.IEEE Geoscience and Remote Sensing Letters，2005，2（2）：201－205.

［6］ TELLO M，LOPEZ－MARTINEZ C，MALLORQUI J.Automatic vessel monitoring with single and multidimensional SAR images in the wavelet domain［J］.ISPRS Journal of Photogrammetry＆Remote Sensing，2006，61（3）：260－278.

［7］ 張晰.星載SAR艦船目標探測實驗研究［D］.青島：中國海洋大學碩士學位論文，2008.

［8］ 張風麗，吳炳方，張磊.基于小波分析的SAR圖像船舶目標檢測［J］.計算機工程，2007，33（6）：33－34.

［9］ 魯統臻，張杰，紀永剛，等.基于G0分布的高海況SAR船只目標檢測方法［J］.海洋科學進展，2011，2（29）：186－195.

［10］ RINGROSE R，HARRIS N.Ship detection using polarimetric SAR data［R］.In CEOS SAR Workshop 2001，1999：687－692.

［11］ 種勁松，朱敏慧.SAR圖像艦船目標檢測算法的對比研究［J］.信號處理，2003，19（6）：580－582.

［12］ ZHANG X，ZHANG J，JI Y G.Comparison and evaluation of ship target detection algorithms with SAR images［C］.European Space Agency，（Special Publication）ESA SP，Proceedings of SeaSAR 2008（EI）.

［13］ 種勁松.合成孔徑雷達圖像艦船目標檢測算法與應用研究［D］.北京：中國科學院研究生院博士學位論文，2002.

［14］ CHRIS O，SHAUN Q.Understanding synthetic aperture radar images［M］.London：Artech House Inc，1998.

［15］ FRERY A C，MULLER，YANASSE C C F，et a1.A model for extremely heterogeneous clutter［J］.IEEE Trans OnGRS，1997，35（3）：648－659.

［16］ 時公濤，高貴，周曉光，等.基于Mellin變換的G0分布參數估計方法［J］.自然科學進展，2009，19（6）：677－690.

［17］ NOVAK L M，HALVERSEN S D，OWIRKA G，et al.Effects of polarization and resolution on SAR ATR［J］.IEEE Trans on Aerospace and Electronic Systems，1997，33（l）：102－115.

［18］ IRVING W W，NOVAK L M，WILLSKY A S.A multiresolution approach to discrimination in SAR imagery［J］.IEEE Trans.Aerospace and Electronic Systems，1997，33（4）：1157－1169.

［19］ NOEL R.Ship surveillance using RADARSAT ScanSAR images［C］.Ship Detection in Coastal Waters Workshop 2000，NS，Canada，31May，l＆2June，2000：41－45.

Comparative Analysis on SAR Ship Detection Algorithms

CHEN Li－min1，2，YANG Xue－zhi1，ZHANG Xi2，LANG Hai－tao2，MENG Jun－min2
（1.School of Computer and Information，Hefei University of Technology，Hefei 230009；2.First Institute of Oceanography，State Oceanic Administration，Qingdao 266100）

Rapid and accurate detection of ship targets is an important requirement of the operational applications of SAR imagery，and real－time monitoring of marine targets is of great significance.This paper uses the SAR and ground truth data to carry out the comparative study of K－CFAR，G0－CFAR，two－parameter CFAR，wavelet transform，maximum entropy dualthreshold and other SAR ship detection algorithms，and gives the performance，speed and scope of application（resolution and situation of sea），which can provide the guidance for marine operational applications of SAR ship detection.

SAR；ship detection；comparative analysis；marine positioning

10.3969／j.issn.1000－3177.2015.02.018

TP751.1

A

1000－3177（2015）138－0099－07

2012－12－25

2014－02－06

海洋公益性科研專項項目（200905029）；國家自然科學基金（61002048）。

陳利民（1987～），男，碩士，研究方向為海洋遙感與圖像處理。

E－mail：minlichen＠163.com

張晰（1981～），男，博士，研究方向為SAR海上目標探測。

E－mail：xi.zhang＠fio.org.cn