一種基于變化檢測技術的SAR圖像艦船目標鑒別方法

張小強熊博蒞 匡綱要

(國防科學技術大學電子科學與工程學院 長沙 410073)

一種基于變化檢測技術的SAR圖像艦船目標鑒別方法

張小強*熊博蒞 匡綱要

(國防科學技術大學電子科學與工程學院 長沙 410073)

該文引入變化檢測思想，利用SAR圖像中海雜波和目標之間的灰度差異，通過對潛在艦船目標切片的目標像素和背景像素進行分離，計算目標像素聚集度(TPAM)特征，實現(xiàn)對高亮像素在圖像切片中聚集程度的定量評估，從而鑒別目標切片中是否包含有艦船目標，有效去除雜波虛警。首先，基于感興趣區(qū)域(ROI)切片中心為目標像素及四周為海雜波的合理假設，構建似然比變化檢測量獲取差異圖像；然后，利用KSW熵閾值選擇方法實現(xiàn)差異圖像中目標像素和海雜波像素的自動分離，生成二值圖像；最后，利用切片中心像素為種子點，對二值圖像進行區(qū)域生長，計算目標像素聚集度特征，并判斷目標切片是否包含艦船目標。基于RADARSAT-1 SAR實測數(shù)據(jù)的實驗結果表明，該文方法得到的目標像素聚集度特征計算簡單、穩(wěn)健性好、可區(qū)分度高，具有良好的鑒別性能，能夠去除大部分海雜波干擾產生的虛警，有效地降低目標檢測虛警率。

SAR圖像；目標鑒別；似然比檢測量；KSW熵法；目標像素聚集度

1 引言

艦船目標的檢測與識別是海洋SAR圖像解譯技術的熱點和難點。在艦船檢測階段通常根據(jù)海雜波的數(shù)學統(tǒng)計模型設計恒虛警率(Constant False-Alarm Rate, CFAR)檢測算法。由于觀測場景中海面情況有時比較復雜，雜波干擾嚴重，而且在理論上CFAR檢測并不是最優(yōu)的檢測算法[1- 3]，致使檢測結果中有部分虛警目標，包括海面雜波虛警和部分陸地以及島礁的干擾。有時候虛警數(shù)量甚至可能多于目標數(shù)量，這大大降低了目標識別效率。因此需要對檢測結果進行鑒別處理，通過艦船目標的若干鑒別特征剔除虛警，保留真實目標。在鑒別階段，提取艦船目標的有效特征是目標鑒別的關鍵技術[4- 6]。

現(xiàn)在比較常用的鑒別特征中，幾何特征和對比度特征比較直觀，而且算法樸素，但是特征值比較依賴目標與背景分離的效果，如果在強干擾環(huán)境下無法準確提取目標，所求特征值可能與真實值偏差較大；而紋理特征，如標準偏差和分形維數(shù)特征，雖然取值穩(wěn)定，但是鑒別虛警率一般較高。總體而言，各單個特征的可分離性普遍偏弱，鑒別性能不強，導致鑒別結果中虛警漏警偏多[7- 10]，增加了鑒別器設計的難度和復雜度。

針對這一缺陷，本文基于變化檢測技術提出一種新的艦船目標鑒別特征，即目標像素聚集度特征。該特征下目標和虛警的特征值差異明顯，可分性強。該特征可以定量評估對切片進行分割后亮像素在目標區(qū)域的聚集程度，并以此將待鑒別切片中的真實目標和雜波虛警區(qū)分開。

2 基于變化檢測技術的艦船目標鑒別方法

在艦船目標檢測階段，本文對SAR圖像采用全局CFAR算法進行檢測并聚類。在提取感興趣區(qū)域(Regions Of Interest, ROI)切片時，考慮到誤差的存在，為了保證每一個切片能夠完整包含一個聚類，需要使正方形切片選框邊長N稍大于取聚類最小外接矩形長L，同時N的取值也不能過大，因為切片尺寸越大，包含的背景信息越多越復雜，切片處理難度也會隨之增大；另外，為了保證切片的對稱性，N須為奇數(shù)。因此，本文做如下處理：令半長N0=表示四舍五入取整操作，則N= 2N0+1。然后將聚類質心與切片選框中心對準，從原圖中截取圖像數(shù)據(jù)得到切片。

與局部CFAR算法相比，全局CFAR算法大大降低了計算量，從而縮短了檢測時間，而代價就是容易產生大量虛警。為了盡可能地剔除虛警保留真實目標，提高后續(xù)目標識別工作的效率，我們用以下方法對目標切片進行鑒別：首先，用變換檢測的方法將目標從背景中提取出來，即將目標切片與純背景切片進行變化檢測，得到的結果可視為潛在艦船目標；然后對目標的中心像素聚集度進行分析，因為已知目標位于切片中心區(qū)域，所以若潛在目標像素大量聚集在切片中心區(qū)域，即鑒定其可能為目標，否則為雜波虛警。鑒別流程圖如圖1所示，具體為：

圖1 鑒別流程圖

(1)構建變化檢測量 由于目標位于ROI切片中心，因此，在切片四角位置的像素可認為是海雜波，可以利用四角的像素對海雜波的均值進行統(tǒng)計。記ROI切片為I，切片為正方形，尺寸為N×N，則圖像中像素可表示為I( i, j)，其中i, j=1,2,…,N ，取位于矩陣四角正方形區(qū)域的M×M個元素進行雜波統(tǒng)計，如圖2所示，陰影區(qū)域為雜波統(tǒng)計區(qū)域，其中M=[N/4]。

則切片四角數(shù)據(jù)的均值可表示為

圖2 統(tǒng)計雜波示意圖

則背景雜波均值為

利用背景雜波和原始切片構建變化檢測量。本文選擇構建似然比變化檢測量，這是一種新的變化檢測量，不僅計算簡單、效果穩(wěn)定，而且十分有利于后續(xù)求取閾值。根據(jù)文獻[11]的推導可得

其中η(i, j),i, j=1,2,…,M ，為避免除零，將分母I( i, j)進行加1處理。

通過式(3)所得結果η值普遍較低，變化范圍較小，為便于下一步處理，須通過線性變換，將變化檢測量η的取值范圍轉化為[0,255][11]，從而形成標準灰度圖像差異數(shù)據(jù)D( i, j), i, j=1,2,…,N 。構建變化檢測量示意圖見圖3.

圖3 構建變化檢測量示意圖

(2)對變化檢測量進行閾值分割 文獻[11]中利用相鄰直方圖比的方法確定差異數(shù)據(jù)的最佳閾值，前提是圖像中變換像素和為變化像素比例懸殊，未變化像素占差異數(shù)據(jù)的95%以上。而在本文中，切片并不滿足這一前提，變化檢測的參考圖像是通過統(tǒng)計切片四角數(shù)據(jù)所得，與原始切片的純背景存在一定差異，變化像素較多，因此這種方法并不適用。而使用Kapur Sahoo and Wong (KSW)熵算法對變化檢測量進行閾值選取可以良好的效果，算法流程為：

令pk, k=0,1,…,255為灰度級k的出現(xiàn)概率，設閾值T將D( i, j)劃分為變化和未變化兩類ωc和ωn,為灰度級不大于T的像素的累積概率[12]，則[0,T]和[1.255] T+中像素灰度分布為

每個分布對應的熵Hn( T)和Hc( T)定義為

差異圖像的熵H( T)為Hn( T)和Hc( T)之和，即使熵H( T)取最大值的T0，即是使變化類和未變化類分開的最佳閾值。

用閾值T對差異圖像進行分割，灰度值大于閾值T的像素賦值為1，否則為0，最終得到二值圖像B，如圖4所示。賦值為1的像元即為潛在目標像素，統(tǒng)計潛在目標像素數(shù)量，記為N1。

通過對比實驗(見圖5)發(fā)現(xiàn)，使用KSW熵算法進行閾值分割效果明顯優(yōu)于文獻[11]的分割方法。

圖4 潛在目標像素示意圖

(3)目標像素聚集度分析 對二值圖像B進行區(qū)域生長，計算ROI切片中心區(qū)域的連通像素的個數(shù)。該算法具體描述為：選取二值圖像中心所在位置的3×3鄰域窗口進行搜索，將賦值為1的像素作為初始種子點S0；從S0點出發(fā)對其8鄰域進行搜素，對于標記為1 的像素，將其視為新的種子點，以此原理迭代搜索，直到找不到符合規(guī)則的像素為止，統(tǒng)計此時得到的所有種子點的數(shù)量，即二值圖像中心區(qū)域的連通像素個數(shù)，記為N2，如圖6所示。定義目標像素聚集度ρ=N2/N1。進行鑒別時，依據(jù)訓練知識設定判決閾值t，若ρ＞t，則認為當前的ROI切片可能是艦船目標，否則為虛警。

3 實驗結果與分析

本文首先對單個切片進行目標像素聚集度的實例分析，然后利用對RADARSAT-1圖像進行目標檢測所提取的切片數(shù)據(jù)分析上述算法所提取特征的性質，并驗證其用于SAR圖像艦船目標鑒別時的鑒別性能；最后對RADARSAT-1 3 m分辨率的海洋環(huán)境實測數(shù)據(jù)做艦船目標檢測，使用目標像素聚集度特征對檢測結果進行鑒別。

圖5 相鄰直方圖比法與KSW熵法分割結果對比

3.1 實例分析

表1、表2以一個目標切片和一個虛警切片為例，對比本文目標與背景分離方法與OTSU法和KSW熵法的分割效果，以及通過不同分割方法求得的目標像素聚集度特征值，切片原圖見圖7。通過觀察可知，對于干擾比較嚴重的實驗切片，盡管無法完全抑制背景雜波，但是本文方法能夠較好地把位于切片中心區(qū)域的艦船目標真實像素與雜波像素分離開，并大大減少了潛在目標像素中的雜波像素數(shù)量，便于下一步分析目標像素聚集度。通過本文方法對目標和虛警切片求得的目標像素聚集度差異十分明顯。

3.2 鑒別性能分析

圖6 真實目標像素示意圖

圖7 切片原圖

對RADARSAT-1 3 m分辨率的海洋SAR圖像提取17個艦船目標作為目標樣本，88個虛警切片作為虛警樣本。該切片數(shù)據(jù)均反映海面環(huán)境中艦船目標和雜波虛警的后向散射特性。下面本文通過與其他常用特征量進行對比，分析本文特征量的鑒別性能。

圖8給出了3種特征下的目標和雜波虛警特征值的分布曲線，其中均值信噪比和長寬比分別是現(xiàn)在比較常用的對比度特征和幾何特征。在均值信噪比和長寬比特征下的目標和雜波虛警特征值的分布曲線都存在較大的重合、交錯，而目標像素聚集度的兩條曲線差異明顯。

下面通過可分性和魯棒性對鑒別特征做定量分析。為便于表述，設ci為特征的隨機變量，i=1,2,3時分別表示目標像素聚集度，均值信噪比，長寬比；表示均值，表示方差；w=1,2時樣本切片分別為目標切片和虛警切片。

表1 目標與背景分離效果對比

表2 實驗數(shù)據(jù)對比

(1)可分性 本文利用類內類間距離計算可分離程度。若異類切片中特征間的距離越大，同類切片中特征間的距離越小，則特征的可分性越強。

圖8 目標和雜波虛警每個特征的特征值分布曲線

本文將第i類特征的類間離散程度SBi和類內離散程度SWi定義為其中N為訓練數(shù)據(jù)庫的切片總數(shù)，N1為目標切片個數(shù)，N2為雜波切片個數(shù)；Eci為第i類特征雜波切片和目標切片的總體均值。本文用類內與類間離散度的比值Ji=SWi/SBi表示鑒別特征的可分性，該比值越大，特征的可分性越強。

(2)魯棒性 歸一化方差系數(shù)[13]定義為

本文通過計算歸一化方差系數(shù)定量評估鑒別特征的魯棒性，歸一化方差系數(shù)越小，表示該特征魯棒性越強，反之，魯棒性越差。

將樣本值代入式(7)、式(8)和式(9)計算結果見表3。由于受到切片中目標分割效果的影響，長寬比特征值波動較大；由于切片中雜波的亮像素數(shù)目不穩(wěn)定，目標像素聚集度特征值也會略有起伏。根據(jù)表3，目標像素聚集度特征的類內類間距遠高于其他兩個特征。在SAR圖像中，由于散射特性的不同，艦船目標多表現(xiàn)為明亮像素團，即高灰度像素聚合在一起，而一般的雜波虛警則表現(xiàn)為離散的亮點，所以根據(jù)像素聚集度進行鑒別可以有效區(qū)分艦船目標和雜波虛警。

3.3 基于目標像素聚集度特征的實測SAR圖像鑒別結果

圖9(a)為RADARSAT-1 3 m分辨率的海洋SAR圖像數(shù)據(jù)，該圖尺寸為231×357個像素。該場景包含9個艦船目標，其具體分布如圖9(b)所示，白色像素表示艦船目標位置。可以看出圖像上半部分雜波干擾較多，艦船目標檢測所得虛警也主要集中在這一區(qū)域。圖像數(shù)據(jù)經全局CFAR檢測和面積參量預鑒別處理后輸出15個ROI切片，包括9個目標切片和6個虛警切片，其分布如圖9(c)所示。本文使用目標像素聚集度來對上述切片數(shù)據(jù)進行鑒別處理，通過對訓練樣本(見圖9(a))進行觀察可知，絕大部分虛警特征值在0～0.10之間，而目標特征值全都大于0.20，因此設定閾值t=0.20，則可以鑒別出10個目標，如圖9(d)所示，包括全部的艦船目標，1個雜波干擾的虛警(見粗線選框內)。利用本文特征進行鑒別處理時通常對閾值的要求并不苛刻，由于在該特征下目標和虛警類間距離較大，最佳閾值并非單個數(shù)值而是一個范圍，因此通過對樣本進行簡單的觀察分析即可估計最佳閾值。在本實驗中，通過觀察樣本可以估計最佳閾值范圍是[0.10,0.20]，通過多次實驗證明閾值在此范圍內變化不會影響鑒別結果。

圖9 SAR圖像艦船目標鑒別結果

表3 特征魯棒性和可分性計算結果

為便于分析，下面本文依次給出幾種指標的定義：

(1)分類正確率(Classification Accuracy Ratio, CAR)定義為

其中Ne為總的分類錯誤數(shù)目，Nr為總的分類正確數(shù)目。設雜波正確分類數(shù)目為N1r，雜波分類錯誤數(shù)目為N1e，目標正確分類數(shù)目為N2r，目標分類錯誤數(shù)目為N2e，則有Nr=N1r+N2r, Ne=N1e+N2e。

(2)品質因子(Figure Of Merit, FOM)定義為

其中FN為漏警個數(shù)，F(xiàn)P為錯誤被鑒別為艦船目標的切片個數(shù)，TP為正確被鑒別為艦船目標的切片個數(shù)[14]。在本文中雜波分類錯誤數(shù)目N2e等于錯誤被鑒別為目標的個數(shù)FP，目標正確分類數(shù)目N1r等于正確被鑒別為目標的個數(shù)TP。

測試圖像用9個目標切片，6個雜波切片的鑒別結果如表4所示。其中品質因數(shù)和分類正確率數(shù)值較高，鑒別效果較好，由此說明目標像素聚集度特征性能優(yōu)良。

表4 圖9(a)的鑒別結果

4 結束語

隨著SAR數(shù)據(jù)獲取技術的不斷改進，迫切需要發(fā)展相應的SAR圖像解譯技術，其中穩(wěn)健的檢測算法和高效的鑒別處理是關鍵[15]。本文就SAR圖像艦船目標的鑒別工作，基于變化檢測技術提取一種新的目標鑒別特征，即目標像素聚集度特征，用來描述對切片進行分割后亮像素在目標區(qū)域的聚集程度。文中利用變化檢測技術對切片四周雜波干擾進行抑制，利用雜波數(shù)據(jù)和待鑒別數(shù)據(jù)構建變化檢測統(tǒng)計量，生成差異數(shù)據(jù)，為分析目標像素聚集度奠定基礎。

盡管本文只給出了1類數(shù)據(jù)實驗結果，但大量有代表性的實驗表明，本文提出的目標像素聚集度特征可分性強，鑒別性能優(yōu)良，能有效地區(qū)分艦船目標和雜波虛警。在后續(xù)研究中還可以將該特征與其他鑒別特征結合起來，設計合理的鑒別器，形成新的更高效的艦船目標鑒別方案。

[1] Gao Gui, Liu Li, Zhao Ling-jun, et al.. An adaptive and fast CFAR algorithm based on automatic censoring for target detection in high-resolution SAR images[J]. IEEE Transactions on Geoscience and Remote Sensing, 2009, 47(6): 1685-1687.

[2] Wang Ying-hua and Liu Hong-wei. A hierarchial ship detection scheme for high-resolution SAR images[J]. IEEE Transactions on Geoscience and Remote Sensing, 2012, 50(10): 4173-4184.

[3] Velotto D, Soccorsi M, and Lehner S. Azimuth ambiguities removal for ship detection using Full polarimetric X-band SAR data[J]. IEEE Transactions on Geoscience and Remote Sensing, 2014, 52(1): 76-88.

[4] 高貴, 周蝶飛, 張軍, 等. 基于遺傳算法的SAR圖像目標鑒別特征選擇[J]. 電子學報, 2008, 36(6): 1041-1046. Gao Gui, Zhou Die-fei, Zhang Jun, et al.. Feature selection for target discrimination in SAR images based on genetic algorithm[J]. Acta Eletronica Sinica, 2008, 36(6): 1041-1046. [5] Deepakumara J, Bobby P, Mcguire P, et al.. Simulating SCN and MSSR modes of RADARSAT-2 for ship and iceberg discrimination[C]. 2013 IEEE RADAR Conference, Ottawa, Canada, 2013: 1-6.

[6] Zhang Cui, Zou Tao, and Wang Zheng-zhi. A target discrimination algorithm for high resolution SAR imagery[J].IEEE Transactions on Geoscience and Remote Sensing, 2011, 49(1): 277-293.

[7] Park Jong-il , Park Sang-hong, and Kim Kyung-tae . New discrimination features for SAR automatic target recognition [J]. IEEE Geoscience and Remote Sensing Letters, 2013, 10(3): 476-480.

[8] Zhang Li-ping, Wang Chao, Zhang Hong, et al.. Aircraft discrimination in high resolution SAR images based on texture analysis[C]. 2010 2nd International Asia Conference on Informatics in Control, Automation and Robotics, Wuhan, China, 2010: 118-121.

[9] Sharma A and Moses R L. Matched subspace detectors for discrimination of targets from trees in SAR imagery[C]. 2000 Conference Record of the Thirty-Fourth Asilomar Conference on Signals, Systems and Computers, Pacific Grove, USA, 2000: 1721-1726.

[10] Principe J C, Munchurl Kim, and Fisher J W. Target discrimination in synthetic aperture radar using artificial neural networks[J]. IEEE Transactions on Image Processing, 1998, 7(8): 1136-1149.

[11] Xiong Bo-li, Chen Jing-ming, and Kuang Gang-yao. A change detection measure based on a likelihood ratio and statistical properties of SAR intensity images[J]. Remote Sensing Letters, 2012, 3(3): 267-275.

[12] Xiong Bo-li, Chen Qi, Jiang Yong-mei, et al.. A threshold selection method using two SAR change detection measures based on the Markov random field model[J]. IEEE Geoscience and Remote Sensing Letters, 2012, 9(2): 287-291.

[13] 李娜, 劉方. 基于模糊聚類視區(qū)劃分的SAR目標識別方法[J].電子學報, 2012, 40(2): 394-399. Li Na and Liu Fang. A SAR target recognition method based on view-aspects partitioned by fuzzy clustering[J]. Acta Electronica Sinica, 2012, 40(2): 394-399.

[14] Paes R L, Lorenzzetti J A, and Gherardi D F M. Ship detection using TerraSAR-X images in the campos basin[J]. IEEE Geoscience and Remote Sensing Letters, 2010, 7(3): 545-548.

[15] 湯子躍, 朱敏慧, 王衛(wèi)延. 一種SAR圖像艦船尾跡的CFAR檢測方法[J]. 電子學報, 2002, 30(9): 1336-1339. Tang Zi-yue, Zhu Min-hui, and Wang Wei-yan. A CFAR detection method of ship wakes in SAR images[J]. Acta Electronica Sinica, 2002, 30(9): 1336-1339.

張小強： 男，1989年生，博士生，研究方向為SAR圖像近港艦船目標檢測技術.

熊博蒞： 男，1981年生，博士，講師，研究方向為SAR圖像解譯、艦船檢測與識別、圖像配準與變化檢測.

匡綱要： 男，1966年生，博士，教授，博士生導師，從事雷達信號處理、SAR 圖像解譯、多光譜圖像目標識別、雷達目標特性分析等領域的研究工作.

A Ship Target Discrimination Method Based on Change Detection in SAR Imagery

Zhang Xiao-qiang Xiong Bo-li Kuang Gang-yao
(School of Electronic Science and Engineering, National University of Defense Technology, Changsha 410073, China)

In order to reserve ship targets and reduce sea clutters as the false alarms from the SAR Regions Of Interest (ROI) chips, a ship discrimination feature named Target Pixel Aggregative Measure (TPAM) is proposed in this paper. Benefited from the technology of change detection, TPAM using the gray difference in SAR imagery to separate the target pixels and background pixels. Firstly, based on the assumption that the central pixels of a ROI belong to target pixels while the surrounding pixels fall into sea clutters, a change detection measure based on the likelihood ratio is used to generate the residual data. Then the target pixels and background pixels are automatically separated and produce a binary image by the KSW entropy method. Finally, the center of the binary image is used as a seed to implement region growing and TPAM can be obtained to discriminate targets and clutters. Experimental results using RADARSAT-1 SAR data show that the propose discrimination feature is not only simple and robust, but also has a strong differentiate ability, which can eliminate most of false alarms effectively.

SAR image; Target discrimination; Change detection based on likelihood ratio; KSW entropy method; Target Pixel Aggregative Measure (TPAM)

TP75

A

1009-5896(2015)01-0063-08

10.11999/JEIT140143

2014-01-21 收到，2014-04-18改回

國家自然科學基金(61201338)資助課題

*通信作者：張小強 zxqdark@163.com