HRWS SAR圖像艦船目標監視技術研究綜述

邢相薇　計科峰　康利鴻　詹　明

①（北京遙感信息研究所　北京　100092）

②（國防科學技術大學電子科學與工程學院　長沙　410073）

HRWS SAR圖像艦船目標監視技術研究綜述

邢相薇*①②計科峰②康利鴻①詹明①

①（北京遙感信息研究所北京100092）

②（國防科學技術大學電子科學與工程學院長沙410073）

合成孔徑雷達（Synthetic Aperture Radar，SAR）是實現艦船目標監視應用的重要遙感手段之一。高分辨率寬測繪帶（High Resolution Wide Swath，HRWS）SAR 能夠同時獲取方位向高分辨率和寬測繪帶SAR數據，為SAR圖像艦船目標監視帶來了新的機遇和挑戰。該文綜述了國內外SAR圖像艦船目標監視技術研究現狀，總結了艦船監視對SAR成像系統基本性能要求，結合HRWS SAR成像特點，分析了艦船目標監視面臨的關鍵技術問題，重點介紹了研究小組在HRWS SAR圖像艦船目標檢測、特征提取、分類識別等關鍵問題的解決方案和初步研究成果，并指出需進一步研究的方向。

合成孔徑雷達（SAR）；高分辨率寬測繪帶（HRWS）；艦船目標監視

1　引言

合成孔徑雷達（Synthetic Aperture Radar，SAR）是實現艦船目標監視的一種重要手段［1］。與光學、紅外和高光譜傳感器相比，SAR不受光照、氣候等條件的影響，具有全天時、全天候的成像能力，且具有一定的穿透性。特別是星載SAR系統，具有作用距離遠、覆蓋范圍廣、連續工作時間長、成像模式豐富等優勢，從而使其在眾多艦船目標監視手段中脫穎而出［2－4］。

在艦船目標監視應用中，一方面期望SAR成像具有較大的觀測范圍，從而分析區域內的艦船目標分布情況和觀測完整的艦船編隊；另一方面也期望SAR成像具有較高的分辨率，能夠檢測到更小尺寸的艦船目標，甚至實現艦船目標分類識別。然而，傳統的SAR成像受雷達最小天線面積條件的約束，觀測帶寬和成像分辨率之間存在矛盾，從而制約了其在艦船目標監視方面更廣泛的應用。以星載SAR最基本的3種成像模式即條帶模式、掃描模式、聚束模式為例，它們的特點是成像分辨率越高則成像幅寬（或稱為測繪帶）越小，反之亦然［5，6］。比如，掃描模式下成像幅寬能達到幾百千米，而成像分辨率在幾十米量級；條帶模式下成像幅寬雖然能達到幾十千米，但成像分辨率在幾米量級；聚束模式下一次成像區域只有10 km×10 km，其相應的圖像分辨率則可以達到米級。由于經典的SAR成像模式不能兼顧成像分辨率和成像幅寬，而且星載SAR要經過數天后才能重訪同一地區，因此，傳統的星載SAR成像不能滿足艦船目標監視的應用需求。

高分辨寬測繪帶（High-Resolution Wide-Swath，HRWS）星載SAR成像技術解決了高成像分辨率和寬測繪帶寬之間的矛盾，成像能力大幅提升［7，8］。根據不同的成像算法和應用需求，未來的HRWS星載SAR將可以在多種成像分辨率和成像幅寬的組合模式下進行成像，如德國宇航中心在研的HRWS系統將能夠獲取70 km幅寬和1 m高分辨率的SAR數據，與TerraSAR-X條帶模式（30 km測繪帶和3 m分辨率）的成像能力相比大大提高［1］。歐空局計劃發射的Sentinel-1星載SAR系統將具有400 km最大幅寬和5 m最高分辨率的成像能力［1］。圖1給出了HRWS星載SAR多模式成像的示意圖。

HRWS星載SAR成像技術的發展將極大地促進SAR圖像艦船目標監視技術的研究，開啟SAR圖像艦船目標監視應用的新紀元。HRWS將顯著促進和改善艦船目標監視的性能，如提高檢測率、檢測更小尺寸艦船目標、有效區分艦船目標和虛警以及為艦船目標分類識別提供可能性等。HRWS星載SAR可以工作在多種成像模式，即獲得不同的成像幅寬和分辨率的SAR圖像，在未來的發展中還必將與多極化等星載SAR成像技術相結合，衍生出更多的成像模式。在不同的成像分辨率和幅寬條件下，HRWS星載SAR能夠滿足不同的艦船目標監視的應用模式，如大范圍海域普查、重點海域監視、特定船只跟蹤等。

圖1　HRWS星載模式成像示意圖Fig.1　Illustration of the HRWS spaceborne SAR imaging mode

然而，HRWS SAR與傳統SAR成像具有不同的特點，從而為SAR圖像艦船目標監視帶來了新挑戰。方位向模糊虛警即是HRWS SAR圖像艦船目標檢測所遇到的挑戰之一。自2001年Suess等人［5，6，9］明確提出同時具有高分辨率和寬測繪帶的成像方法以來，HRWS SAR成像主要依賴于偏置相位中心（DPCA）、波束形成（BF）等技術和與之相應的單發多收、多發多收等多通道接收體制。在使用多通道接收體制實現HRWS SAR成像過程中，為了避免星下點回波和發射脈沖的干擾，采用不同的脈沖重復頻率發射信號會引起對接收回波的非均勻采樣和重構，從而使得方位向模糊度提高，即增加SAR圖像中的方位向模糊虛警［10］。

因此，鑒于HRWS SAR新的成像機理和艦船目標監視自身的特點，需要深入研究SAR圖像艦船目標監視的各項技術。一方面，HRWS SAR寬幅成像能力對艦船目標檢測性能提出了更高的要求，特別是要保證復雜海洋背景環境、方位向模糊和旁瓣模糊等條件下的艦船目標檢測性能。另一方面，HRWS星載SAR的高分辨率特性為SAR圖像艦船目標分類識別提供了可能，但由于SAR成像幾何和艦船目標曳動等原因造成SAR圖像中艦船目標存在十字模糊、目標遮擋、結構缺失等不利因素，再加上SAR目標電磁散射機理本身的復雜性和難以實現完全觀測等原因，HRWS星載SAR圖像艦船目標特征提取和分類識別仍需進一步深入研究。

2　SAR圖像艦船目標監視研究現狀

SAR系統的發展為SAR圖像艦船目標監視研究提供了客觀條件。1978年，美國發射了第1 顆SAR海洋衛星——SEASAT，首次驗證了星載SAR能夠對大范圍海洋區域中的艦船目標及其航跡進行觀測。上世紀90年代以來，ERS-1/2，RADARSAT-1/2，ENVISAT，ALOS PALSAR，TerraSAR-X等星載SAR系統的發射獲取了大量SAR圖像數據，為SAR圖像艦船目標監視研究創造了客觀條件。為了滿足漁業生產、海上運輸及國防安全部門對SAR圖像艦船監視的應用需求，以及驗證和評估不同成像條件下SAR圖像艦船目標監視的性能，加拿大、美國、歐盟等國家和地區開展了大量的SAR圖像艦船目標監視研究，并形成了典型的SAR圖像艦船監視系統。

2.1加拿大、美國研究現狀

OMW是一款在SAR圖像中檢測艦船目標的商業軟件，同時具有油污監視和風浪提取等其他功能，主要應用于對Radarsat-1和ERS圖像的實時分析［11］。該系統由Satlantic Inc.和加拿大漁業與海洋部（Fisheries and Oceans Canada）簽約共同開發，其資金來源于國防部（Department of National Defence，DND）和加拿大遙感中心（Canada Centre for Remote Sensing，CCRS）。DND通過渥太華國防研究機構（Defence Research Establishment Ottawa，DREO）為OMW提供技術支持，主要感興趣于大范圍監視中的艦船檢測。OMW系統的檢測過程主要包括以下幾個步驟：第1個步驟是圖像獲取，主要包括數據預處理、地理定標、陸地隔離、波縫（beam seam/nadir）模糊隔離等，其中陸地隔離利用了世界海岸線矢量數據庫（World Vector Shoreline Database）；第2個步驟是對圖像中的目標進行預篩選，采用標準的CFAR方法，這種CFAR將L視的K分布作為海洋雜波的概率密度分布函數，不采用滑動窗口，而是在每個條帶上只計算一個閾值；接下來是進行兩個階段的鑒別，第1個階段采用面積、與其他目標或陸地之間的距離等簡單的目標參數，第2個階段則由人工手動完成，操作員可以根據自己的知識來進一步判定目標；最后，OMW輸出候選艦船目標的位置和面積信息。此外，如果圖像中包含艦船尾跡，則進行尾跡檢測并輸出由尾跡估計的航向和航速。系統的算法和參數都是可以由用戶進行選擇的，并逐步實現了較為友好的操作界面。OMW相關研究人員的下一步研究重點將關注于如何利用多極化圖像如Radarsat-2圖像來減少現有系統較多的虛警。

AKDEMO是美國NOAA/NESDIS項目中演示Radarsat-1圖像在阿拉斯加地區實時應用的系統［12］。Wackerman等人［13］具體描述了該系統，其核心部分即CFAR檢測器是由Veridian ERIM國際公司開發的。AKDEMO艦船檢測系統的主要步驟包括：陸地隔離，包含有±2 km的緩沖區，其目的是消除陸地掩膜誤差帶來的影響，需要對其進行特別處理以降低虛警率；檢測模塊由滑動窗口的雙參數CFAR來實現；系統沒有通用的虛警鑒別步驟，但對兩種特別的虛警進行了處理，一種是SAR系統的噪聲階躍樣本，另一種即為陸地掩膜誤差引起的虛警。對系統的評估表明，該系統具有良好的性能，而且可以對ENVISAT等極化數據進行處理。

2.2歐盟研究現狀

面向漁業監測、溢油污染監測、海岸安全等應用需求，從2002年起，歐盟組織多家單位開展一系列的研究，已成為SAR圖像艦船目標監視研究的重鎮。IMPAST（Improving fisheries Monitoring through integration Passive and Active Satellite based Technologies）項目開啟了歐盟利用SAR圖像改善漁業艦船監測性能的先河［14］。自2002年1月啟動，IMPAST項目聯合了14個研究機構和商業伙伴，其目標是利用遙感技術開發近實時的艦船探測運行系統，進而與船只監視系統（Vessel Monitoring System，VMS）相結合，改善漁業檢測效果［15］。經過為期3年的研究，歐盟JRC，英國Qinetiq開發了相應的SAR圖像艦船探測系統，西班牙UPC等對艦船SAR成像進行了模擬研究。IMPAST項目最終形成了一個完整的實用艦船探測示范系統，對Radarsat-1和ENVISAT數據進行處理。

在IMPAST項目的基礎上，歐盟于2003年5月啟動了第5框架項目DECLIMS［15，16］。DECLIMS項目的目標是開展利用衛星遙感影像進行海上艦船探測、分類和識別的研究，開展基準實驗評估各類探測方法的優缺點，滿足用戶需求，并且推動新型傳感器和平臺的研制，滿足艦船監視的實用化要求。與IMPAST項目相比，DESLIMS項目的合作單位擴展到24家，進一步支持了法國BOOST公司的SARTool，英國AMRS，挪威Eldhuest，MeosView，AEGIR，意大利羅馬大學，Alenia Aerospazio，新加坡，中國中科院電子所等SAR圖像艦船檢測算法和監視系統的研發。通過采用相同的SAR數據和地面調查數據，DECLIMS開展了基準實驗對典型的8種算法進行分析和評估［17］。

為了更好地將SAR圖像艦船監視的研究服務于全球環境和安全監視（Global Monitoring for Environment Security，GMES），歐盟進一步啟動了海事安全服務項目（MARItime Secturity Service，MARISS）作為GMES的一個重要服務單元（GMES Service Element，GSE）［18］。自2005年啟動以來，MARISS集結了一大批政策制定部門、用戶團體及信息服務公司等的力量，旨在解決歐盟海域的非法海上交通活動。項目綜合利用岸基雷達信息、船只檢測系統（VDS）、船只監視系統（VMS）、自動識別系統（AIS）以及地球觀測（EO）產品如船只檢測報告、關鍵特征檢測報告等，從而致力于增強對海洋邊境監視的能力。在上述框架下，MARISS將綜合利用和關聯不同類型的數據，并改進目前所能提供的信息，最終實現統一的實用性服務。該項目主要提供4個服務功能：（1）公開海域艦船檢測：綜合利用AIS，VMS船只報告以及SAR艦船檢測和參數估計結果，最終結果發送到用戶終端；（2）海洋邊境線的艦船跟蹤：綜合利用船只跟蹤系統（Vessel Tracking System，VTS）雷達和SAR艦船檢測產品，對于駛入領海區域的船只為其提供向前追溯3 h的VTS數據，從而與前述3 h內獲取的SAR數據進行關聯；對于駛出領海區域的船只，提供后續3 h內的VTS數據，并與該時間范圍內的SAR數據進行關聯。（3）關鍵區域的異常檢測：通過比對不同類型、不同時間獲取的數據，對重點海岸區域內的特殊特征進行檢測。這些特殊特征包括人群的聚合、加油區域、救援營區等。對上述類型信息的分析，有助于揭示熱點區域的異常并觸發專門的監視行動。（4）決策幫助：通過綜合EO 艦船檢測結果和輔助數據，提供決策建議，最終結果將與GIS進行綜合和分發。

在MARISS項目的支持下，西班牙GMV開發的艦船監視系統（ShIp MONitoring System，SIMONS）主要對SAR圖像和AIS數據進行自動處理，提供近實時的服務［19］。SIMONS系統在SAR艦船檢測的基礎上重點開展SAR艦船分類、識別，并綜合利用自動識別系統和GeoPortal網頁等提供實時的海上船只監視服務，其數據處理流程如圖2所示。通過140多幅30 m分辨率的ENVISAT數據和相關的AIS數據交叉驗證表明，SIMONS系統對西班牙附近海域的部分船只正確分類率接近60％。在后續的工作中，Margarit等人還進一步分析了典型艦船目標在極化、極化干涉SAR數據中的散射特性，提取穩健的特征對其進行分類識別，開辟了SAR圖像艦船目標分類識別研究的新方向。

圖2　SIMONS系統數據處理流程Fig.2　Data procedures of the SIMONS system

圖3　德國DLR DEKO系統示例Fig.3　Illustration of the DLR DEKO system，Germany

受益于TerraSAR-X數據的獲取和應用需求，德國宇航局（DLR）重點開展了高分辨SAR圖像艦船監視研究。作為歐盟全球環境和安全監視（Global Monitoring for Environment Security，GMES）計劃的一部分，DLR在DeMarine-Secturity項目中開展了海上人造目標檢測（Detection of Artificial Objects in Sea Area，DEKO）子項目［20，21］。該項目的執行周期為2008年5月到2011年3月，其主要目標有3個，（1）根據處理結果定義GMES下游應用的概念；（2）開發新型的檢測和分類算法對艦船和其他海上人工目標進行分析；（3）對SAR系統工作參數進行實驗驗證。DEKO系統基于商業化的遙感影像處理平臺，對公開海域及海岸線/港口兩類區域的艦船目標進行監視，其界面示例如圖3所示。其主要處理步驟包括：相干斑去噪和基于海岸線數據庫的陸地掩膜等預處理、艦船ROI區域分割和聚類、艦船區域參數提取、初步分類識別等。

2.3我國研究現狀

我國從上世紀90年代開始對SAR圖像艦船目標監視進行研究。中科院電子所、國防科技大學、武漢大學、海洋二所、中科院遙感與數字地球研究所、解放軍信息工程大學等單位分別對SAR圖像艦船目標檢測、特征提取和分類識別等進行了深入研究。中科院電子所在國內率先開展相關研究并參與歐盟DECLIMS項目，開發了名為“Ship Surveillance”的SAR圖像艦船目標檢測系統［22］；國防科技大學在近10年內持續開展SAR圖像艦船目標監視研究［23－28］，開發了名為“SARWAMS”的SAR圖像艦船目標檢測系統，并對艦船目標分類識別和SAR與AIS綜合的艦船目標監視技術進行了探索。中科院遙感與數字地球研究所在高分辨率SAR圖像艦船目標分類識別方面開展了有益的研究［29－31］。

2.4SAR圖像艦船目標監視性能

由于開展水面遙感探測實驗較為復雜，因此對各類監視系統的性能進行系統性評估的工作開展較少。DECLIMS項目開展了基準實驗［17］，采用工作在不同模式（S5，S7，W2，W3，SNA，SNB）的17幅RADARSAT-1圖像對項目中的8個監視系統進行性能測試和評估。由于VMS和目視判讀結果等驗證數據存在一定的不確定性，基準實驗對各系統最終檢測結果采用軟判決的方式進行評估。將目視判讀結果作為驗證數據的條件下，有些“理想”的圖像中檢測率大于97％，大部分圖像檢測率在85％～95％，一些“惡劣”的圖像檢測率只有75％～90％甚至低至70％～80％。將VMS數據作為驗證數據的條件下，有8幅圖像的檢測率在80％～100％，5幅圖像的檢測率在40％～75％。基準實驗結果表明沒有一種檢測算法優于其他所有的方法，有些算法在某些情況下性能較好，而另外的算法則在另外的情況下性能較好。同時，基準實驗還揭示了SAR圖像艦船目標檢測中需要繼續研究的問題，如特殊海洋特征、成像旁瓣和方位模糊等容易引起虛警、海陸分割不精確、相鄰目標難以區分以及檢測算法參數不能自動化選取等。

DEKO采用20多幅1.2～2.5 m分辨率條帶模式TerraSAR-X SAR圖像和相關的AIS數據分析了系統性能［32］。初步的結果表明，DEKO系統對艦船和其他人造目標的檢測率達到96％，對艦船尺寸參數提取誤差在3～10個像素左右，方位估計誤差在9°以內。但是，該系統仍不能將尺寸較小的艦船目標與海洋雜波及其它人造目標進行完全區分，而且風暴、方位向和距離向模糊會造成漏檢和虛警等。

此外，SAR圖像艦船目標監視應用對監視系統的處理效率也有近實時性的要求［17，33］。SAR圖像艦船目標監視數據處理流程從衛星獲取開始，包括地面站接收、SAR處理、SAR艦船檢測、檢測結果與其他數據源融合處理，直到將最終處理結果發送到用戶終端。如果整個處理流程都在地面接收站內進行，則目前對單幅圖像最快的處理速度是5 min，其中艦船目標檢測部分耗時小于1 min。如果數據處理中涉及到不同站點間的數據交換和專家人工判讀，則需要考慮到FTP數據傳輸的耗時，目前從數據獲取到最終將檢測結果呈現在用戶面前的耗時約20～30 min。

由于不同SAR系統的成像波段、極化方式、成像模式等參數造成圖像分辨率和觀測帶寬不同，需要選擇合適的成像參數用于SAR圖像艦船目標監視應用。加拿大OMW和歐盟DECLIMS項目都對不同SAR成像模式下艦船監視性能進行了系統的分析和研究［34］。在公開海域，由于觀測范圍較大且艦船目標具有較大的尺寸，具有50 m分辨率和300 km測繪帶的RADARSAT-1窄掃描遠場模式較為適用。在港口區域，由于眾多小尺寸船只的觀測需求，具有25 m分辨率和100 km測繪帶的RADARSAT-1第4～7標準波束模式和ENVISAT IS4-7模式（入射角大于45°時采用HH極化，小于45°時采用HV極化）的SAR圖像較為適用。對于更小的如長度為10 m量級的船只，8 m分辨率的RADARSAT-1精細模式圖像更為適用，但只有50 km的測繪帶寬會限制其應用范圍。艦船參數提取和分類識別對SAR圖像分辨率要求更高。DECLIMS的基準實驗表明在較為有利的條件下標準模式的RADARSAT-1圖像可對70 m以上的船只大小進行估計，而8 m分辨率精細模式的圖像可對25 m以上船只大小進行估計。西班牙SIMONS系統采用30 m分辨率的ENVISAT和ERS圖像只能實現對少部分檢測到的艦船進行分類識別，與AIS交叉驗證表明其分類識別率約為60％。德國DEKO系統采用高達1.2～2.5 m分辨率的TerraSAR-X圖像實現了艦船目標幾何參數提取和初步分類，其長度估計誤差為19.6 m，方位角估計誤差為9°以內，對結構較為明顯的3類船只分類率達到81％。ENVISAT，ALOS PALSAR，RADARSAT-2等提供了雙極化甚至全極化的觀測能力，有利于利用極化信息改善SAR圖像艦船目標監視性能。研究表明，艦船目標在HH極化和交叉極化通道中較為明顯，而尾跡等海洋特征則在VV極化通道中較為明顯。當入射角大于45°時，HH通道更適用于艦船檢測，而入射角小于45°時，交叉極化HV或VH更適用于艦船檢測。多極化信息的獲取還有助于對艦船目標進行參數提取，如分析艦船目標的基本散射體類型等。但是，極化信息必須與高分辨率相結合才能達到預期的目的。此外，為了更好地得到艦船監視性能，需要聯合使用SAR圖像與其他輔助數據如VMS（漁船），AIS（商船）及LRIT（商船，Long Range Identification System）等［35］。基于目前SAR圖像艦船目標監視的研究成果，表1給出了利用SAR圖像進行漁業管理應用對未來SAR系統的性能要求［36］。

表1　利用SAR圖像進行漁業管理應用對未來星載SAR系統性能要求Tab.1　Requirements for future SAR sensors for fisheries control

3　HRWS SAR圖像艦船目標監視關鍵技術分析

HRWS SAR成像具有同時獲取高分辨率和寬測繪帶數據的能力，從而為SAR圖像艦船目標監視研究提供了更為有利的條件，也會給SAR圖像艦船目標監視研究帶來新的挑戰。一方面，HRWS SAR寬測繪帶特性將拓展SAR圖像艦船目標監視的范圍，更有利于實現大范圍海域普查、艦船編隊監視跟蹤等；另一方面，HRWS SAR的高分辨率特性有助于對熱點區域和重點艦船目標進行監視，特別是HRWS SAR高分辨率圖像對艦船目標的刻畫更為精細，從而為SAR圖像艦船目標分類識別提供了可能。

目前，由于星載HRWS SAR實測數據難以獲取，直接基于實測HRWS SAR數據進行艦船目標監視的研究尚未見諸報道，部分學者分別針對HRWS SAR高分辨率和寬測繪帶的特點進行了艦船目標檢測研究。一方面，在高分辨率SAR圖像中，艦船目標表現為擴展目標，船體結構細節特征更為明顯，且海洋雜波背景更為復雜，需要對已有的檢測算法進行改進以適應圖像高分辨特性［30，37－39］；另一方面，測繪帶寬的提高易產生方位向模糊，極化信息的引入有助于減少檢測結果中的方位向模糊虛警［40，41］；同時，高分辨率或寬測繪帶數據的數據量急劇增加，為了保證檢測的近實時性，需設計相應的快速檢測算法［37，42］。此外，部分學者還利用HRWS成像的多通道體制，設計了相應的運動目標檢測算法［43，44］。

結合HRWS SAR圖像特點和SAR圖像艦船目標監視技術的研究進展，作者認為HRWS星載SAR圖像艦船目標監視仍然需要對如下幾個關鍵技術開展研究：

（1）復雜海洋背景條件下的艦船目標檢測是HRWS SAR圖像艦船目標監視關鍵技術之一。復雜海洋背景環境，如高海況、洋流變化、高航行密度等，將使HRWS星載SAR圖像艦船目標檢測的性能下降。在高海況或洋流變化區域，SAR圖像海洋背景雜波呈現為不均勻的統計特性，強散射雜波和雜波邊緣等使得檢測虛警率提升或檢測率下降。在高航行密度區域，相鄰目標的雷達回波容易形成相互干擾，從而造成檢測結果中出現漏檢、目標結構缺失等現象。

（2）利用多極化數據減少SAR成像中的方位向模糊、旁瓣模糊等虛警是HRWS SAR圖像艦船目標監視的另一關鍵技術。多極化和HRWS相結合描述了成像地物和目標更為豐富的散射特性，從中不僅可以提取物體的散射強度，還可以分析分辨單元的散射類型，一方面可以分析不同極化方式對艦船目標檢測性能的影響，另一方面還為消除方位向模糊、旁瓣模糊等虛警提供了可能，通過綜合利用多通道極化信息可以有效減少檢測結果中的虛警。

（3）面向高分辨SAR圖像艦船目標分類識別的特征提取也是實現HRWS SAR圖像艦船目標監視的一項關鍵技術。受成像幾何、雷達參數及艦船運動特性的影響，SAR圖像中艦船目標區域易受相干斑噪聲、成像旁瓣、運動模糊及相鄰船只干擾等因素的影響，從而使得艦船目標特征提取不夠精確；另一方面，隨著HRWS星載SAR圖像分辨率的提高，分析不同類型艦船目標在SAR圖像中的散射特點，提取有效的分類識別特征也亟待進一步研究。

（4）在艦船目標檢測、特征提取等研究基礎上，HRWS SAR圖像艦船目標監視還亟需對高分辨SAR圖像艦船目標分類識別算法這一關鍵技術進行深入研究。與SAR系統發展水平和人類對艦船目標監視的迫切需求相比，星載SAR圖像艦船目標分類識別的研究仍然十分薄弱和不足。隨著HRWS星載SAR圖像數據的獲取，人們對星載SAR圖像艦船目標監視提出了更高的要求，不僅要求從SAR圖像中獲取艦船目標的位置、幾何參數、運動狀態等基本信息，而且希望獲知觀測艦船目標的類別信息。但是，SAR圖像中的艦船目標往往存在目標遮擋、方位敏感及不完全觀測等特點，這就需要研究具有魯棒性的SAR圖像艦船目標分類識別算法。

4　HRWS SAR圖像艦船目標監視初步研究成果

針對HRWS SAR圖像艦船目標監視所面臨的上述關鍵問題，以發展自動/半自動的HRWS SAR圖像艦船目標監視系統為目的，結合我國SAR成像衛星與地面應用系統建設及發展需求，在大量國內外星載SAR實測數據的支持下，作者所在的研究小組在艦船檢測、特征提取、分類識別等方面進行了初步的探索性研究。

4.1復雜海洋背景條件下的艦船目標檢測［45］

在實際的應用中，用于艦船目標檢測的SAR圖像一般具有較寬的測繪帶，而分辨率則較低。對于HRWS SAR圖像，雖然用于艦船檢測的SAR圖像也成像于寬幅模式，然而其分辨率卻得到了提高。在圖像分辨率提高及復雜的海況條件下，SAR圖像海洋雜波起伏更為嚴重，經典的統計分布模型已不足以描述其統計特性。0G分布對不同波段、不同極化方式、不同分辨率、不同海況等條件下的SAR圖像海洋雜波均具有較強的建模能力。因此，作者提出引入G0分布描述SAR圖像海洋雜波統計特性，進而計算CFAR檢測閾值。

另一方面，復雜海洋背景還表現在SAR圖像海洋雜波出現的雜波邊緣和干擾目標的情況。每幅SAR圖像覆蓋上千平方千米的海洋區域，在該區域內海洋的風場條件一般有所變化，在不同的風場區域，其雷達后向散射強度有所差異，從而在不同區域的交界處形成雜波邊緣環境；同時，由于成像噪聲、風暴及相鄰目標的影響，待檢測艦船目標的背景雜波中可能存在較強的干擾回波，即存在干擾目標的情況，從而對待檢測艦船目標形成遮掩效應。經典的CFAR檢測器在雜波邊緣和干擾目標雜波環境中檢測性能下降，出現檢測率下降或虛警率上升的情況。作者設計的變化索引和篩選CFAR檢測器在均勻雜波、雜波邊緣、干擾目標等雜波環境中檢測性能具有魯棒性。

因此，基于上述兩方面的考慮，作者提出一種復雜背景中的SAR圖像艦船目標檢測算法，綜合考慮了海洋雜波的統計特性和不同的雜波環境。算法的原理框圖如圖4所示。圖5給出了對我國香港地區的TerraSAR-X實測數據的檢測結果。實驗圖像距離向和方位向分辨率分別為1.9 m和3.3 m，人工判讀實驗區域內包含41個艦船目標。將本文檢測算法與經典的CA-CFAR，VI-CFAR進行對比發現，本文算法檢測出了所有的艦船目標，而CA-CFAR 和VI-CFAR方法的檢測結果中分別出現了4個和3個漏檢目標。進一步觀察它們所處的背景環境發現，這幾個目標周圍都有鄰近的目標，鄰近目標對其形成了干擾，從而使得VI-CFAR的檢測率下降。

4.2面向虛警去除的多極化SAR圖像艦船目標檢測［46］

與單極化SAR相比，極化SAR提供了多通道的數據和更為豐富的散射信息。通過分析艦船目標與海洋背景的不同極化散射特性，能夠改善艦船目標檢測的性能。但是，由于HRWS SAR成像的特點所引起的方位向模糊、艦船強散射點引起的旁瓣模糊等大量虛警，使得傳統的極化SAR圖像艦船目標檢測方法的性能有所下降。

我們利用極化SAR數據分析艦船目標及其背景不同的散射機理，構造加權極化特征向量并輸入SVM分類器實現艦船目標檢測，算法流程如圖6所示。具體地，算法首先根據相干矩陣分解提取每個像素相干矩陣的特征值，在訓練階段，分別選取艦船目標、海洋雜波、模糊噪聲（如果存在的話）的訓練樣本，通過RELIEF-F特征選擇獲得每個特征的權值，然后輸入SVM分類器訓練分類器的參數；在測試階段，根據訓練結果對每個測試像素的特征向量進行選擇和加權，然后輸入訓練好的SVM分類器，進而判定該測試像素是否屬于艦船目標類別。

圖4　復雜背景下SAR圖像艦船目標檢測算法框圖Fig.4　Framework of the ship detection algorithm on SAR imagery in case of complex background

圖5　TerraSAR-X SAR圖像艦船目標檢測結果Fig.5　Ship detection results on TerraSAR-X SAR imagery

將上述算法應用于實測的AIRSAR數據，如圖7所示。圖7（a）為C波段全極化數據Pauli合成圖，經人工判讀，其中包含有9個艦船目標和1個虛警。圖7（b）為HH極化單通道數據中的CA-CFAR檢測結果，檢測出9個艦船目標，但同時引入了9個虛警。圖7（c）為本文算法的檢測結果，也成功地檢測出9個艦船目標且有效地去除了方位向模糊虛警。

4.3高分辨SAR圖像艦船目標特征提取［45］

特征提取是SAR圖像解譯的重要步驟，也是HRWS SAR圖像艦船目標監視研究中的關鍵技術之一。通過提取SAR圖像艦船目標的相應特征，一方面可以進一步鑒別檢測結果中的虛警；另一方面，通過提取特征降低原始數據的維數，并揭示不同目標的內在本質特性，從而有助于對目標進行分類識別。

在高分辨率SAR圖像中，艦船目標的幾何尺度、區域等特征受船體區域后向散射起伏、成像旁瓣效應、相鄰目標干擾等因素的影響，使得提取結果不準確。作者重點針對十字旁瓣和鄰近目標的現象，提出一種基于Radon變換和直方圖分析等方法改善艦船目標幾何特征提取的性能。算法流程如圖8所示。利用該算法對部分艦船目標的特征提取結果如圖9所示。

圖6　基于特征選擇加權和SVM的極化SAR艦船目標檢測算法流程Fig.6　Flowchart of the SAR ship detection algorithm based on feature selection and weighted SVM

圖7　面向模糊虛警去除的多極化SAR圖像艦船目標檢測結果Fig.7　Remove of ambiguities for ship detection using multi polarimetric SAR data

圖8　艦船目標幾何特征精確提取算法流程圖Fig.8　Framework of the precise extraction method of ship's geometric features

SAR成像技術的發展為SAR圖像艦船目標電磁散射特征提取提供了條件。電磁散射特征是SAR圖像中艦船目標的本質特征，揭示了艦船目標各個部位的散射機理，具有易于理解和直觀的物理意義，但限于圖像分辨率和極化/極化干涉SAR數據處理的限制，SAR圖像艦船目標電磁散射特征提取仍需深入研究。

宏結構是指由船體、上層建筑、功能性設備等引起較強雷達后向散射的艦船部件所組成的結構。不同艦船目標具有不同的幾何結構，特別是起重架、駕駛艙、船舷、艙口、輸油管等部件在SAR圖像上形成了強散射點。這些部件反映了艦船目標中強散射結構的分布，描述了艦船目標在SAR圖像中的宏觀散射特點，因此稱之為宏結構散射特征。作者針對油船、集裝箱、貨船等3種典型的艦船目標，從分析它們的宏結構及散射特點出發，利用圖像處理的方法從SAR圖像中提取了它們的宏結構特征宏結構散射特征的提取方法如圖10所示。部分艦船目標的宏結構散射特征提取結果如圖11所示。

圖9　十字旁瓣模糊和鄰近目標艦船目標切片分割結果Fig.9　Segmentation results of the ship target with cross side-lobe ambiguities and neighbors

圖10　宏結構散射特征提取算法流程Fig.10　Framework of the algorithm for super-structure scattering feature extraction

4.4高分辨SAR圖像艦船目標分類識別［47］

相對于艦船目標檢測技術的深入研究和應用而言，關于星載SAR圖像艦船目標分類識別的研究還處于起步階段。目前，國外研究機構開發的艦船目標識別系統還不能完全地實現艦船目標的分類識別。在過去相當長的一段時間內，受分辨率的限制，SAR圖像艦船目標分類識別研究主要基于仿真數據、高分辨機載SAR以及ISAR（Inverse SAR）數據開展。SAR圖像艦船目標分類識別的實現途徑主要有基于圖像模板匹配的分類識別以及基于特征模板匹配的分類識別兩種。與直接基于圖像的方法相比，基于特征方法的效率更高，因此大多數研究都集中在基于特征方法上。已有文獻表明總結已有研究，一個典型的SAR圖像艦船目標分類識別框架如圖12所示。

目標切片數據庫的建立是實現高分辨SAR圖像艦船目標識別的前提條件。受分辨率和高分辨SAR圖像數據獲取能力的限制，目前的研究大多基于通過對艦船目標的3維CAD模型根據不同的成像參數、目標姿態等條件進行電磁散射計算，然后對仿真計算結果進行SAR成像處理，建立仿真的SAR艦船目標切片數據庫。

隨著高分辨SAR系統的成功研制和投入使用，高分辨SAR圖像的獲取能力大大增強，從而可以從實測的高分辨SAR圖像中獲取大量的艦船目標切片，再根據AIS等地面驗證數據得到其對應的艦船類型、型號等真實信息，最后建立實測的高分辨SAR艦船目標切片數據庫。本文基于獲取的實測TerraSAR-X聚束模式高分辨SAR圖像數據，建立了包含有50只集裝箱船、150只貨船和50只油輪等3類典型艦船目標的切片數據庫。部分切片數據如圖13所示。

圖11　典型船只宏結構圖像分割結果（從上到下：集裝箱船、油船、貨船）Fig.11　Segmentation results of several typical ship's super-structure image（From top to bottom:Container ship，Oil tanker，Bulk）

圖12　SAR圖像艦船目標分類識別框架Fig.12　Framework of the SAR ship classification

在建立高分辨SAR圖像艦船目標切片數據庫的基礎上，分類算法也是影響SAR圖像艦船目標分類識別性能的重要因素。在其他條件相同的情況下，研究具有更優分類性能和魯棒性的分類識別算法尤為可貴。因此，作者結合SAR圖像艦船目標分類自身存在的問題和特點，引入稀疏表示理論，提出一種基于特征字典的稀疏表示分類算法，將其應用于TerraSAR-X SAR圖像中3類典型艦船目標分類識別，驗證了稀疏表示分類對SAR圖像艦船目標分類識別的有效性。算法流程如圖14所示。分類結果如表2和表3所示。

5　結束語

圖13　TerraSAR-X SAR圖像艦船目標切片數據示例Fig.13　Ship samples of TerraSAR-X SAR image

圖14　基于特征空間稀疏表示的SAR圖像艦船目標分類算法Fig.14　Ship classification method on SAR imagery with feature space based sparse representation

HRWS SAR圖像艦船目標監視關鍵技術研究是SAR圖像海洋遙感應用的前沿性課題，具有較高的理論價值和廣闊的應用前景。雖然本文對該問題的研究取得了一些階段性的成果，但結合HRWS SAR成像技術的發展和實際應用需求，下一步需要開展的研究還有很多，具體表現在以下幾個方面：

表2　5種不同算法在圖像空間的分類精度（％）和時間性能（s）Tab.2　Comparison on the classification accuracy（％）and speed（s）of five methods in image space in image space

表3　5種不同算法在特征空間的分類精度（％）和時間性能（s）Tab.3　Comparison on the classification accuracy（％）and speed（s）of five methods in feature space

（1）HRWS SAR圖像艦船目標檢測算法性能仍需進一步提高。在實際的艦船目標監視應用中，特別是在近岸或港口區域，現有的艦船目標檢測結果中仍存在大量虛警。因此，需要進一步對SAR圖像艦船目標檢測算法開展更深入的研究，并充分利用目標上下文、多極化散射特性等信息提高檢測性能。

（2）將HRWS SAR與極化/極化干涉、全息等成像技術相結合，進一步提取更為有效、更為本質的艦船目標分類識別特征。在現有的成像模式和圖像分辨率條件下，提取的艦船目標特征只能反映目標的后向散射信息，如后向散射強度、散射中心的分布等。隨著分辨率的提高及其與極化/極化干涉、全息成像等技術相結合，圖像對目標的刻畫更為精細，而且可以進一步分析目標散射中心的散射類型和3維分布，進而獲取更有效、更本質的分類識別特征。

（3）HRWS SAR圖像艦船目標分類識別研究的深入開展有賴于SAR圖像艦船目標數據庫的建立。本文對高分辨SAR圖像艦船目標分類識別進行了初步的研究，對算法性能的評估主要基于TerraSAR-X SAR圖像中3類典型的艦船目標，目標種類較少且數據庫容量較小。為了更深入地開展艦船目標分類識別的研究，特別是在特定的應用環境下，有必要建立針對特定幾類艦船目標在不同成像幾何、方位角、分辨率、極化方式、成像模式等條件下的圖像或特征數據庫。

（4）HRWS SAR與AIS的綜合將極大提高艦船目標監視性能。AIS數據提供了艦船目標的靜態和航行等多種信息，是對SAR數據的有力補充。SAR 與AIS的綜合，一方面有助于對SAR圖像艦船目標監視技術的驗證和評估，另一方面對SAR圖像中艦船目標進行快速確認和篩選，提高SAR圖像艦船目標監視的效率。因此，需要進一步開展SAR與AIS綜合的艦船目標監視技術研究。

［1］Moreira A，et al..A tutorial on synthetic aperture radar［J］.IEEE Geoscience and Remote Sensing Magazine，2013，1（1）:6-43.

［2］鄧云凱，趙鳳軍，王宇.星載SAR 技術的發展趨勢及應用淺析［J］.雷達學報，2012，1（1）:1-10.

Deng Yun-kai，Zhao Feng-jun，and Wang Yu.Brief analysis on the development and application of spaceborne SAR［J］.Journal of Radars，2012，1（1）:1-10.

［3］Ouchi K.Recent trend and advance of synthetic aperture radar with selected topics［J］.Remote Sensing，2013，5（2）:716-807.

［4］Colinas J，Seguin G，and Plourde P.Radarsat constellation，moving toward implementation［C］.IEEE International Geoscience and Remote Sensing Symposium，Honolulu，USA，2010:3232-3235.

［5］林幼權.星載高分辨率寬幅成像技術分析［J］.現代雷達，2011，33（1）:1-6.

Lin You-quan.Analysis of high-resolution wide-swath technology for spaceborne SAR［J］.Modern Radar，2011，33（1）:1-6.

［6］賴濤.星載多通道SAR 高分辨寬測繪帶成像方法研究［D］.［博士論文］，國防科學技術大學，2010.

Lai Tao.Study on HRWS imaging methods of multi-channel spaceborne SAR［D］.［Ph.D.dissertation］，National University of Defense Technology，2010.

［7］Suess M，Grafmueller B，and Zahn R.A novel high resolution，wide swath SAR system［C］.IEEE International Geoscience and Remote Sensing Symposium，Sydney，2001，3:1013-1015.［8］Li Zhe-fang，Wang Hong-yang，Su Tao，et al..Generation of wide-swath and high-resoulution SAR images from multichannel small spaceborne SAR systems［J］.IEEE Geoscience and Remote Sensing Letters，2005，2（1）:82-86.

［9］Krieger G，et al..Advanced concepts for high-resolution wide-swath SAR imaging［C］.8th European Conference on Synthetic Aperture Radar，Aachen，Germany，2010:524-527.

［10］劉光炎，孟喆，胡學成.非均勻采樣SAR信號的不模糊成像與重構［J］.電子科技大學學報，2010，39（6）:850-853.

Wang Guang-yan，Meng Zhe，and Hu Xue-cheng.Unambiguous reconstruction and imaging of nonuniform sampling SAR signal［J］.Journal of University of Electronic Science and Technology of China，2010，39（6）:850-853.

［11］Vachon P W.Validation of ship detection by the RADARSAT synthetic aperture radar and the ocean monitoring workstation［J］.Canadian Journal of Remote Sensing，2000，26（3）:200-212.

［12］Pichel W G and Clemente-Colon P.NOAA coastwatch SAR applications and demonstration［J］.Johns Hopkins APL Technical Digest，2000，21（1）:49-57.

［13］Wackerman C C，et al..Automatic detection of ships in Radarsat-1 SAR imagery［J］.Canadian Journal of Remote Sensing，2001，27（5）:568-577.

［14］Joint Research Centre（JRC）of the European Community —IMPAST and DECLIMS［OL］.http://intelligence.jrc.cec.eu.int/marine/fish/index.htm.

［15］張風麗，張磊，吳炳方.歐盟船舶遙感探測技術與系統研究的進展［J］.遙感學報，2007，11（4）:552-562.

Zhang Feng-li，Zhang Lei，and Wu Bing-fang.Progress of ship detection technology and system based on remote sensing technology in European union［J］.Journal of Remote Sensing，2007，11（4）:552-562.

［16］Greidanus H and Kourti N.DECLIMSWPS Status and Plans［R］.Farnborough，UK，2005.

［17］Lemoine G，et al..Evaluation of vessel detection system use for monitoring of fisheries activities［C］.ICES Annual Science Conference，Maastricht，2006:1-10.

［18］Margarit G，Tabasco A，and Gomez C.Maritime situational awareness:the MARISS experience［C］.The 3rd International Workshop on Advances in SAR Oceanography from Envisat，ERS and ESA third party missions，Frascati，Italy，2010:1-8.［19］Margarit G，José A，Milanés B，et al..Operational ship monitoring system based on synthetic aperture radar processing［J］.Remote Sensing，2009，1（3）:375-392.

［20］Teutsch M and Saur G.Segmentation and classification of man-made maritime objects in TerraSAR-X images［C］.IEEE International Geoscience and Remote Sensing Symposium，Vancouver，Canada，2011:2657-2660.

［21］Estable S，et al..Detection and classification of offshore artificial objects in TerraSAR-X images:first outcomes of the DeMarine-DEKO project［C］.Europe Oceans 2009，Bremen，Germany，1-8.

［22］種勁松，歐陽越，朱敏慧.合成孔徑雷達海洋目標檢測［M］.北京:海洋出版社，2006，第2章.

Chong Jin-song，Ouyang Yue，and Zhu Min-hui.Ocean Target Detection of Synthetic Aperture Radar［M］.Beijing:Ocean Press，2006，Chapter 2.

［23］張亮.SAR圖像艦船目標檢測方法研究［D］.［碩士論文］，國防科技大學，2007.

Zhang Liang.Research on the methods of ship detection from SAR imagery［D］.［Master dissertation］，National University of Defense Technology，2007.

［24］邢相薇.SAR圖像艦船目標檢測研究［D］.［碩士論文］，國防科學技術大學，2009.

Xing Xiang-wei.Research of ship detection on SAR imagery［D］.［Master dissertation］，National University of Defense Technology，2009.

［25］Xing Xiang-wei，Ji Ke-feng，Zou Huan-xin，et al..A fast ship detection algorithm in SAR imagery for wide area ocean surveillance［C］.IEEE Radar Conference，Atlanta，USA，2012:570-574.

［26］Xing Xiang-wei，Ji Ke-feng，Zou Huan-xin，et al..Ship classification in TerraSAR-X images with feature space based sparse representation［J］.IEEE Geoscience and Remote Sensing Letters，2013，10（6）:1562-1566.

［27］Zhao Zhi，Ji Ke-feng，Xing Xiang-wei，et al..Ship surveillance by integration of space-borne SAR and AIS—Further research［J］.Journal of Navigation，2014，67（2）:295-309.

［28］Hu Can-bin，Ferro-Famil L，and Kuang Gang-yao.Ship discrimination using polarimetric SAR data and coherent time-frequency analysis［J］.Remote Sensing，2013，5（12）:6899-6920.

［29］殷雄，王超，張紅，等.基于結構特征的高分辨率TerraSAR-X船舶識別方法研究［J］.中國圖象圖形學報，2012，17（1）:106-113.

Yin Xiong，Wang Chao，Zhang Hong，et al..Vessel recognition with high resolution TerraSAR-X image based on structure feature［J］.Journal of Image and Graphics，2012，17（1）:106-113.

［30］Wang Chao，Jiang Shao-feng，Zhang Hong et al..Ship detection for high-resolution SAR images based on feature analysis［J］.IEEE Geoscience and Remote Sensing Letters，2014，11（1）:119-123.

［31］張晰，張杰，紀永剛，等.基于結構特征的SAR船只類型識別能力分析［J］.海洋學報，2010，32（1）:146-152.

Zhang Xi，Zhang Jie，Ji Yong-gang，et al..The capability analysis of ship classification by structure feature using SAR images［J］.Acta Oceanologica Sinica，2010，32（1）:146-152.

［32］Brusch S，et al..Ship surveillance with TerraSAR-X［J］.IEEE Transactions on Geoscience and Remote Sensing，2011，49（3）:1092-1113.

［33］Margarit G，Tabasco A，and Gomez C.Maritime situational awareness:the MARISS experience［C］.The 3rd International Workshop on Advances in SAR Oceanography from Envisat，ERS and ESA Third Party Missions，Frascati（Rome），Italy，2010.

［34］Vinícius M and da Silva Sim?es.Ship detection performance predictions for next generation spaceborne synthetic［D］.［Ph.D.dissertation］，Monterey，California:Naval Postgraduate School，2001.

［35］Chaturvedi S K，Yang Chan-su，Song Jung-hwan，et al..Integrarion of SAR data and AIS report for ship detection and identification［C］.Proceedings SPIE 8372 Ocean Sensing and Monitoring IV，Baltimore，Maryland，2012:83720A-83720A.

［36］Greidanus H.DECLIMS requirements for future systems［J］.http://fishnet.jrc.it/documents/16087/16262/Requirements +for+future+systems.pdf，2007.

［37］Hou Biao，Chen Xing-zhong，and Jiao Li-cheng.Multilayer CFAR detection of ship targets in very high resolution SAR images［J］.IEEE Geoscience and Remote Sensing Letters，2015，12（4）:811-815.

［38］Wang Ying-hua and Liu Hong-wei.A hierarchical ship detection scheme for high-resolution SAR images［J］.IEEE Transactions on Geoscience and Remote Sensing，2014，50（10）:4173-4184.

［39］Qin Xian-xiang，Zhou Shi-lin，Zou Huan-xin，et al..A CFAR detection algorithm for generalized gamma distributed background in high-resolution SAR images［J］.IEEE Geoscience and Remote Sensing Letters，2013，10（4）:806-810.

［40］Velotto D，Soccorsi M，and Lehner S.Azimuth ambiguities removal for ship detection using full polarimetric X-band SAR data［C］.IEEE International Geoscience and Remote Sensing Symposium，Munich，Germany，2012:7621-7624.

［41］Wei Ju-jie，Li Ping-xiang，Yang Jie，et al..A new automatic ship detection method using L-band polarimetric SAR imagery［J］.IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing，2014，7（4）:1383-1393.

［42］Jung C H，et al..Double-step fast CFAR scheme for multiple target detection in high resolution SAR images［C］.IEEE International Geoscience and Remote Sensing Symposium，Honolulu，USA，2010:1172-1175.

［43］Yang Tao-li，Li Zhen-fang，Suo Zhi-yong，et al..Ground moving target indication for high-resolution wide-swath synthetic aperture radar systems［J］.IET Radar，Sonar & Navigation，2014，8（3）:227-232.

［44］Ceruti-Maori D and Christoph I S.Detection and imaging of moving objects with high-resolution wide-swath SAR systems［C］.Proceedings of 10th European Conference on Synthetic Aperture Radar，Berlin，Germany，2014:977-980.

［45］邢相薇.HRWS SAR圖像艦船目標監視關鍵技術研究［D］.［博士論文］，國防科學技術大學，2014.

Xing Xiang-wei.Research on key technologies for ship survelliance based on HRWS SAR imagery［D］.［Ph.D.dissertation］，National University of Defense Technology，2014.

［46］Xing Xiang-wei，Ji Ke-feng，Zou Huan-xin，et al..Feature selection and weighted SVM classifier based ship detection in PolSAR imagery［J］.International Journal of Remote Sensing，2013，34（22）:7925-7944.

［47］Xing Xiang-wei，Ji Ke-feng，Zou Huan-xin，et al..Ship classification in TerraSAR-X images with feature space based sparse representation［J］.IEEE Geoscience and Remote Sensing Letters，2013，10（6）:1562-1566.

Review of Ship Surveillance Technologies Based on High-Resolution Wide-Swath Synthetic Aperture Radar Imaging

Xing Xiang-wei①②Ji Ke-feng②Kang Li-hong①Zhan Ming①
①（Beijing Institute of Remote Sensing Information，Beijing 100092，China）
②（School of Electronic Science and Engineering，National University of Defense Technology，Changsha 410073，China）

Synthetic Aperture Radar（SAR）is widely used in ship surveillance.High-Resolution Wide-Swath（HRWS）SAR data are simultaneously collected，which introduces challenges and offers new research opportunities.SAR-based ship-surveillance technologies and the performance requirements of SAR systems are reviewed and summarized.Furthermore，the characteristics of HRWS SAR imaging and ship surveillance technologies are considered in tandem，and preliminary research results on ship detection，feature extraction，and classification are discussed.Finally，we point out issues to be addressed in future work.

Synthetic Aperture Radar（SAR）； High-Resolution Wide-Swath（HRWS）； Ship surveillance

TN958

A

2095-283X（2015）01-0107-15

10.12000/JR14144

邢相薇，計科峰，康利鴻，等.HRWS SAR圖像艦船目標監視技術研究綜述［J］.雷達學報，2015，4（1）:107-121.http://dx.doi.org/10.12000/JR14144.

Reference format:Xing Xiang-wei，Ji Ke-feng，Kang Li-hong，et al..Review of ship surveillance technologies based on High-Resolution Wide-Swath Synthetic Aperture Radar imaging［J］.Journal of Radars，2015，4（1）:107-121.http://dx.doi.org/10.12000/JR14144.

邢相薇（1985-），男，博士，主要研究方向為SAR圖像海洋目標檢測與識別、模式識別等。

計科峰（1974-），男，副教授，主要研究方向為SAR圖像解譯、SAR與AIS關聯、特征提取等。

2014-11-25收到，2015-01-22改回；2015-02-06網絡優先出版國家自然科學基金（61372163）資助課題

邢相薇xingxiangwei@nudt.edu.cn