一種基于多極化散射機理的極化SAR圖像艦船目標檢測方法

文 偉 曹雪菲 張學峰 陳 渤 王英華 劉宏偉

?

一種基于多極化散射機理的極化SAR圖像艦船目標檢測方法

文 偉①②曹雪菲③張學峰①②陳 渤*①②王英華①②劉宏偉①②

①(西安電子科技大學雷達信號處理國家重點實驗室 西安 710071);②(西安電子科技大學信息感知技術協同創新中心 西安 710071);③(西安電子科技大學網絡與信息安全學院 西安 710071)

針對基于單一極化特性增強的極化SAR圖像目標檢測方法的缺陷，該文將DP(Dirichlet Process)混合隱變量SVM模型(DPLVSVM)應用于極化SAR圖像艦船目標檢測，提出一種基于多極化散射機理的檢測方法。該方法通過聯合Dirichlet過程混合與Bayes SVM模型，將信號空間劃分成若干局部區域，然后在每一局部區域學習一個獨立的極化檢測器，并將各局部檢測器進行組合實現全局多極化散射機理的目標檢測。模型采用非參數化Bayes方法自動確定局部區域數量，在完全Bayes框架下，將局部區域劃分及檢測器學習進行聯合優化，保證了各局部區域樣本的可分性。另外，為了降低極化特征冗余，該文進一步提出帶特征選擇功能的稀疏提升DP混合隱變量SVM模型(SPDPLVSVM)，提高模型的推廣能力。該模型由于采用共軛先驗分布，因而可以利用Gibbs采樣方法進行高效求解。在RADARSAT-2數據上進行的實驗驗證了所提方法的有效性。

極化SAR；目標檢測；Dirichlet過程混合模型；Bayes SVM；特征選擇

1 引言

艦船目標檢測是海洋監測中的關鍵課題之一，合成孔徑雷達(SAR)因其可視化及全天候等特性，在艦船目標分類檢測中具有重要應用。特別地，由于極化SAR(Polarimetric SAR, PolSAR)可以提供多通道極化數據，保留了目標的極化特性，可以有效提高檢測性能。

事實上從機器學習的角度而言，檢測問題可以視為一個兩類目標的分類問題[19]，更一般地，對于缺少目標先驗信息時，檢測問題則蛻化為異常檢測問題。本文提出的基于多極化散射機理的極化SAR圖像艦船目標檢測方法，是從兩類分類的角度對艦船目標進行檢測。

針對單一極化增強方法不能同時對不同極化散射機理進行增強的缺陷，我們將DPLVSVM[20]模型應用于極化SAR圖像艦船目標檢測，提出一種基于多極化散射機理的極化SAR圖像艦船目標檢測方法。該方法通過聯合Dirichlet過程和Bayes SVM模型，將數據空間自動劃分成若干各聚類并在每個聚類中學習一個局部的最大邊界分類器，通過將各局部分類器進行組合，實現全局的非線性分類。在該方法中，每一個局部分類器對應于一種極化散射機理檢測器。通過將各局部檢測器進行組合，從而實現全局基于多極化散射機理的檢測。為了避免檢測方法對能量的依賴，類似文獻[21]，我們將多種極化分解方法獲得的極化分解特征進行聯合，避免因單一極化分解特征帶來的虛警率較高的問題。

考慮到不同極化分解方法之間，存在較高的相關性，不同極化方法獲得的極化特征存在較高的冗余性。然而，對于分類檢測問題，冗余的特征對分類是無益的，相當于噪聲，甚至會影響分類檢測的性能和模型的推廣能力，因此在實際應用中去除冗余特征具有重要意義[22]。

為了消除冗余特征，在DPLVSVM模型的基礎上，我們引入稀疏控制向量對特征進行選擇，提出了稀疏提升DP混合隱變量SVM模型(Sparsity- Promoting Dirichlet Process mixture of Latent Variable SVM, SPDPLVSVM)模型。該方法將特征選擇與檢測分類進行聯合學習，因而能選擇出對識別有益的特征并且剔除冗余特征，在降低模型復雜度的同時增強模型的推廣能力。

綜合以上分析，我們將DPLVSVM模型應用于極化艦船目標檢測中，進一步地，為了降低極化特征冗余，我們引入稀疏控制向量對特征進行選擇，提出了SPDPLVSVM模型并將其應用于艦船目標檢測。論文結構安排如下：第2節對極化特征提取進行介紹；第3節介紹基于DPLVSVM和SPDPLVSVM模型的多極化散射機理檢測方法；第4節對實驗進行描述并對實驗結果進行比較分析；最后對本文進行總結。

2 極化特征提取

極化特性是對散射體形狀結構，對稱性等極化信息的描述，這些特征是不依賴于雷達回波強弱的。極化特性通常采用極化分解方法進行刻畫。不同極化分解方法，可以獲得不同極化基下的特征描述，不同極化分解特征間相互補充。類似于文獻[21]，我們將不同極化分解特征進行聯合，相較于單一極化分解方法，通過這種聯合，可以更全面地對極化特性進行表征。選擇的極化分解方法包括Pauli分解，Carmon分解，Cloude分解，Freeman分解，Yamaguchi 5種。其中，前兩種方法為相干極化分解方法，后3種方法為非相干極化分解方法。為了去除對能量的依賴，我們采用極化能量對特征進行歸一化處理。

3 多極化散射機理極化SAR圖像艦船目標檢測

本文采用DPLVSVM模型，通過組合各局部極化檢測器，實現全局基于多極化散射機理目標檢測。考慮到不同極化方法獲得的極化特征之間，存在一定的相關性，為了降低特征之間的冗余，在DPLVSVM 模型的基礎上，引入稀疏控制變量對特征進行選擇，提出了SPDPLVSVM 模型。通過對特征進行選擇，可以約束模型的復雜度，從而增加模型的推廣能力。下面先對這兩個模型分別進行簡要介紹，然后對模型進行求解。

3.1 Dirichlet 過程(DP)混合隱變量SVM模型(DPLVSVM)

DPLVSVM模型通過將Dirichlet 過程混合模型與Bayes SVM相結合[20]，在原始數據空間對數據進行聚類，并在每一聚類中構建一個局部分類器。假定對于聚類，其中為預設的最大聚類數量，數據服從參數為的高斯分布，即

(1)

選用共軛分布Normal-Wishart分布作為先驗分布，即，其中為給定參數。定義聚類的分類器系數的先驗分布：，則DPLVSVM模型的層次化結構可以表示為式(2)，式中對應于截棍長度[20]，表示貝塔分布，表示多項分布，為Gamma分布函數，為其參數。

(2)

3.2 稀疏提升Dirichlet過程混合隱變量SVM模型(SPDPLVSVM)

(3)

值得注意的是，在我們的模型中，不同的局部區域可以選擇不同的特征組合即不同的極化特征組合進行分類。根據層次化模型式(3)，完全數據的聯合分布可以表示為

其中，

3.3 模型推理

考慮到前述兩個模型推理差別僅在于稀疏控制向量上，本文僅給出SPDPLVSVM模型的推理過程。由于模型參數的分布均選用共軛分布，可以采用Gibbs采樣的方法進行高效求解[20]。由完全數據的聯合分布式(4)，可導出參數集合任一參數的條件后驗分布。限于篇幅，在此，僅給出聚類指示變量和分類器系數的條件后驗分布。聚類指示變量的條件后驗分布為。

根據式(5)，樣本的聚類與分類損失相關，可以有效保證聚類內部數據的可分性。

其中，

根據各參數的條件后驗分布對參數進行循環采樣，可以構建一個Markov鏈。待采樣平穩后，存儲一定量樣本作為模型的參數估計。

3.4 分類檢測

(8)

4 實驗

4.1實驗設置

為了驗證本文方法的有效性，將本文方法與PTD[4], PWF[7], RSD[16], SPAN[6]4種極化檢測方法進行對比。采用C波段RADARSAT-2獲取的某港口的全極化數據進行實驗驗證，方位-距離分辨率約為m。

本文提出的算法是針對像素級的檢測算法，為了驗證不依賴于能量的檢測特性并對檢測結果進行定量評估，采用與文獻[17]相同的方法，通過從實測圖像上截取海面區域和目標，生成不同信雜比(SCR)的仿真圖像，根據不同的檢測方法對仿真圖像獲得的檢驗統計量圖像采用接收機操作特性曲線(ROC)及曲線下面積(AUC)進行定量評估。生成原始信雜比仿真圖像如圖1所示，在真實標記圖像中目標標記為1。仿真圖像大小為，其中包含3個仿真目標，從上至下，標號為1, 2, 3，其中目標1為一個較大的目標，目標2，目標3相對較小。仿真圖像采用從實測圖像中直接選取目標和海面區域生成，原始信雜比為22.56 dB。實驗涉及的場景如圖2所示。

訓練樣本的選取：如圖2所示，選取矩形框1~3區域內分辨單元作為海雜波訓練樣本，類別編號為1；選取橢圓標記的7個目標作為目標訓練樣本，標記為類別2。

圖1 仿真圖像

圖2 實測場景SPAN圖像

4.2實驗結果及分析

在本節中首先對不同信雜比下的仿真圖像進行檢測實驗，然后對圖2所示實測場景進行檢測實驗。

不同方法獲得的AUC隨信雜比變化曲線如圖3所示。隨著信雜比提高，各檢測方法獲得的AUC逐漸升高，檢測性能也隨之提高。在信雜比較低時, DPLVSVM及SPDPLVSVM獲得的AUC顯著高于其他方法。信雜比為時，不同檢測方法獲得的ROC曲線如圖4。本文方法獲得的檢測性能優于其他方法，這主要是因為本文方法采用對多種極化散射機理進行組合，且不依賴于能量。在本文所提兩個方法中，SPDPLVSVM方法略優于DPLVSVM方法。SPDPLVSVM通過特征選擇，消除了極化特征冗余，增強了模型的推廣能力，因而獲得了更好的檢測性能。另外，在依賴于能量的檢測方法中，PWF獲得的性能相對較好。

SPDPLVSVM模型中，不同聚類選擇的極化特征子集如表1。4個聚類均獲得了較好的分類，從各個聚類選擇的特征來看，選擇特征各不相同，這反映了散射的極化特征呈多模分布的特性。從各個聚類選擇的共有特征來看，二面角散射和極化散射熵對艦船和海面的區分性較好，這與文獻[5,11]的結論是一致的。

為了驗證本文方法的推廣性能，對圖2的整個場景進行檢測。根據仿真圖像上獲得的結論，在依賴于能量的檢測方法中，選用PWF方法進行對比，在不依賴于能量的檢測方法中，選用PTD方法進行對比。本文所提方法中，僅對SPDPLVSVM的檢測結果進行羅列。不同方法獲得的檢驗統計量和虛警率設置為的檢測結果如圖6所示。目標真實位置在圖6(a)根據人工辨識進行標注，并采用矩形方框進行標記，編號為1~24。對于回波能量較弱的目標采用橢圓進行標記，從左至右編號為a~e。

對比檢測結果可以發現：(1)本文方法檢測率更高。PTD方法漏警目標在圖6(d)中用白色矩形框標記；(2)檢測目標連續性更好。(3)相較于依賴于能量的PWF檢測方法，本文方法能對弱散射目標更好地進行檢測，在圖6(f)中采用白色橢圓進行標記。

表1各聚類檢測識別率及選取特征子集

聚類標號識別率選取特征子集 10.992Freeman: Pv; Yamaguchi: Pd; Cloude: H, 20.977Cameron:; Cloude: H, A 30.939Freeman: Pd; Yamaguchi: Ps, Pd; Cloude: H 41.000Cloude: H

5 結束語

本文將DPLVSVM模型應用于極化SAR圖像艦船目標檢測，提出了一種基于多極化散射機理的目標檢測方法。為了降低極化特征冗余，本文提出了SPDPLVSVM模型。本文采用仿真數據和RADARSAT-2實測數據進行了驗證，實驗證明本文方法可以有效地抑制雜波，在信雜比較低時，保持較低虛警率條件下實現極化SAR圖像艦船目標的檢測。與PTD, RSD, PWF, SPAN等檢測方法的對比，在低虛警率下本文方法可以獲得更高的檢測率。實驗驗證了本文方法是一種獨立于能量的檢測方法，可以用于對海面弱散射目標的檢測。根據特征選擇結果，本文模型選擇的特征與現有的文獻結果相似，即二面角散射分量和極化散射熵對艦船目標和海面具有較高的區分能力。

圖3 不同方法AUC隨信雜比變化曲線 圖4 信雜比為0 dB時不同檢測方法獲得的ROC曲線比較 圖5 聚類結果

圖6 不同方法實測圖像檢驗統計量及檢測結果

[1] CRISP D J. The state of the art in ship detection in synthetic aperture radar imagery[R]. Technical Report DSTO-RR-0272, DSTO Information Sciences Laboratory, South Australia, Australia, 2004.

[2] TOUZI R, CHARBONNEAU F, HAWKINS R K,Ship- sea contrast optimization when using polarimetric SARS[C]. IEEE 2001 International Conference on Geoscience and Remote Sensing Symposium, Sydney, Australia, 2001: 426-428.

[3] 邢艷肖, 張毅, 李寧, 等. 一種聯合特征值信息的全極化SAR圖像監督分類方法[J]. 雷達學報, 2016, 5(2): 217-227. doi:10.12000/JR16019.

XING Yanxiao, ZHANG Yi, LI Ning,Polarimetric SAR image supervised classification method integrating eigenvalues[J].,2016, 5(2): 217-227 doi:10.12000/JR16019.

[4] ARMANDO Marino. A notch filter for ship detection with polarimetric SAR data[J]., 2013, 6(3): 1219-1232. doi: 10.1109/JSTARS.2013.2247741.

[5] YEREMY M, CAMPBELL J W M, MATTAR K,.Ocean surveillance with polarimetric SAR[J]., 2001, 27: 328-344. doi: 10.1080/ 07038992.

[6] NOVAK L M, MICHAEL B S, and MICHELE J C. Studies of target detection algorithms that use polarimetric radar data[J]., 1989, 25(2): 150-165. doi:10.1109/7.18677.

[7] NOVAK L M, BURL M C, and IRVING W W. Optimal polarimetric processing for enhanced target detection[J]., 1993, 29(1): 234-244. doi: 10.1109/NTC.1991.147989.

[8] YANG Jian, ZHANG Hongji, and YOSHIO Yamaguchi. GOPCE-based approach to ship detection[J]., 2012, 9(6): 1089-1093. doi:10.1109/LGRS.2012.2191611.

[9] LEE Jongsen, HOPPEL K W, MANGO S A,Intensity and phase statistics of multilook polarimetric and interferometric SAR imagery[J]., 1994, 32(5): 1017-1028. doi: 10.1109/36.312890.

[10] WANG Yinghua and LIU Hongwei. PolSAR ship detection based on superpixel-level scattering mechanism distribution features[J]., 2015, 12(8): 1780-1784. doi:10.1109/LGRS.2015.2425873.

[11] 陳博, 王爽, 焦李成, 等. 利用0-1矩陣分解集成的極化SAR圖像分類[J]. 電子與信息學報, 2015, 37(6): 1495-1501. doi: 10.11999/JEIT141059.

CHEN Bo, WANG Shuang, JIAO Licheng,Polarimetric SAR image classification via weighted ensemble based on 0-1 matrix decomposition[J].&, 2015, 37(6): 1495-1501. doi: 10.11999/JEIT141059.

[12] 崔浩貴, 劉濤, 蔣宇中, 等. 基于混合矩的極化SAR圖像K分布模型參數估計新方法[J]. 電子與信息學報, 2015, 37(2): 328-333. doi: 10.11999/JEIT140551.

CUI Haogui, LIU Tao, JIANG Yuzhong,Parameter estimation for the K-distribution in PolSAR imagery based on hybrid moments[J].&, 2015, 37(2): 328-333. doi: 10.11999/JEIT140551.

[13] 楊學志, 葉銘, 吳克偉, 等. 結構保持的雙邊濾波極化SAR圖像降噪[J]. 電子與信息學報, 2015, 37(2): 268-275. doi: 10.11999/JEIT140199.

YANG Xuezhi, YE Ming, WU Kewei,. Speckle reduction for PolSAR image based on structure preserving Bilateral filtering[J].&,2015, 37(2): 268-275. doi: 10.11999/JEIT140199.

[14] 劉璐, 劉帥, 焦李成, 等. 采用聯合域字典稀疏表示的極化SAR圖像分類[J]. 華中科技大學學報(自然科學版), 2016, 44(2): 81-85. doi: 10.13245/j.hust.160217.

LIU Lu, LIU Shuai, JIAO Licheng,. Combined dictionary learning based sparse representation for PolSAR image classification[J].(), 2016, 44(2): 81-85. doi: 10.13245/j.hust.160217.

[15] RINGROSE R and HARRIS N. Ship detection using polarimetric SAR data[C]. Proceedings of SAR Workshop: CEOS Committee on Earth Observation Satellites; Working Group on Calibration and Validation, Toulouse, France, 2000, 450: 687-691.

[16] HIROYUKI W, YUTA M, and KAZUKI N. Sea ice detection in the sea of Okhotsk using POLSAR and MODIS data[J]., 2013, 6(3): 1516-1523. doi: 10.1109/JSTARS.2013.2258327.

[17] WANG Na, SHI Gongtao, LIU Li,. Plarimetric SAR target detection using the reflection symmetry[J]., 2012, 9(6): 1104-1108. doi: 10.1109/LGRS.2012.2189548.

[18] 文偉, 王英華, 馮博, 等. 基于監督非相干字典學習的極化SAR圖像艦船目標檢測[J]. 自動化學報, 2015, 41(11): 1926-1940. doi: 10.16383/j.aas.2015.c140530.

WEN Wei, WANG Yinghua, FENG Bo,Supervise incoherent dictionary learning for ship detection with PolSAR images[J]., 2015, 41(11): 1926-1940. doi: 10.16383/j.aas.2015.c140530.

[19] KHALID E D, PETER M, DESMOND P,. Target detection in synthetic aperture radar imagery: A state of the art survey[J]., 2013, 7(1): 071598. doi: 10.1117/1.JRS.7.071598.

[20] 張學峰, 陳渤, 王鵬輝, 等. 一種基于Dirichlet過程隱變量支撐向量機模型的目標識別方法[J]. 電子與信息學報, 2015, 37(1): 29-36 doi: 10.11999/JEIT140129.

ZHANG Xuefeng, CHEN Bo, WANG Penghui,. A target recognition method based on Dirichlet process latent variable support vector machine model[J].&, 2015, 37(1): 29-36 doi: 10.11999/ JEIT140129.

[21] 趙一博, 秦先祥, 鄒煥新. 基于目標分解和SVM的極化SAR圖像分類方法[J]. 航天返回與遙感, 2013, 34(2): 50-56.

ZHAO Yibo, QIN Xianxiang, and ZOU Huanxin. Classification of polarimetric SAR image based on target decomposition and SVM[J].&, 2013, 34(2): 50-56.

[22] XU Danlei, DU Lan, LIU Hongwei,. Bayesian classifier for sparsity-promoting feature selection[J]., 2015, 29(6): 1-28. doi:10.1142/S0218001415500226.

[23] LEE J S, MITCHELL R G, THOMAS L A,Unsupervised classification using polarimetric decomposition and the complex wishart classifier[J]., 1999, 37(5): 2249-2258. doi:10.1109/36.789621.

文 偉： 男，1987 年生，博士生，研究方向為復雜背景下的SAR圖像目標檢測與識別.

曹雪菲： 女，1980 年生，博士，研究方向為網絡與信息安全.

張學峰： 男，1987 年生，博士，研究方向為雷達自動目標識別.

陳 渤： 男，1979 年生，博士，教授，博士生導師，研究方向為雷達目標識別、統計信號處理、統計機器學習、深度學習網以及大規模數據處理.

王英華： 女，1982 年生，博士，副教授，碩士生導師，研究方向為SAR圖像目標檢測與識別.

劉宏偉： 男，1971年生，博士，教授，博士生導師，研究方向為雷達信號處理、雷達自動目標識別、認知雷達、協同探測等.

PolSAR Ship Detection Method Based on Multiple Polarimetric Scattering Mechanisms

WEN Wei①②CAO Xuefei③ZHANG Xuefeng①②CHEN Bo①②WANG Yinghua①②LIU Hongwei①②

①(,,’710071,);②(,’710071,);③(,,’710071,)

Considering the shortcoming of detection method based on polarimetric contrast enhanced with single polarimetric scattering mechanism, a PolSAR detection method based on multiple polarimetric mechanisms called Dirichlet Process mixture of Latent Variable SVM (DPLVSVM) is proposed. By assembling a set of local polarimetric detectors that based on single polarimetric scattering mechanism, a global multiple polarimetric scattering mechanisms detector is obtained. With a fully Bayes treatment, DPLVSVM learns the clustering and the local detectors jointly. Taking the advantage of Bayes nonparametric, DPLVSVM handles the model selection problem flexibly. Further, in order to reduce the redundancy of polarimetric feature and improve the model generalization, a model with feature selection, Sparsity-Promoting Dirichlet Process mixture of Latent Variable SVM (SPDPLVSVM), is proposed. Thanks to the conjugate property, the parameters in both of models can be inferred efficiently via the Gibbs sampler. Finally, the proposed models on RADARSAR-2 dataset is implemented to validate their effectiveness.

Polarimetric SAR; Target detection; Dirichlet process mixture model; Bayes SVM; Feature selection

TN958

A

1009-5896(2017)01-0103-07

10.11999/JEIT160204

2016-03-03；改回日期：2016-08-23；

2016-10-17

陳渤 bchen@mail.xidian.edu.cn

國家杰出青年科學基金(61525105)，國家自然科學基金(61201292, 61322103, 61372132)，全國優秀博士學位論文作者專項資金(FANEDD-201156)，陜西省自然科學基礎研究計劃(2016JQ- 6048)，航空科學基金(20142081009)和航空電子系統射頻綜合方針航空科技重點實驗室基金，上海航天科技創新基金(SAST- 2015009)

The National Science Fund for Distinguished Young Scholars (61525105), The National Natural Science Foundation of China (61201292, 61322103, 61372132), The Program for New Century Excellent Talents in University (FANEDD-201156), The Natural Science Basic Research Plan in Shaanxi Province of China (2016JQ6048), The Aviation Science Fund (20142081009) and Key Laboratory Fund of RF Integrated Laboratory in Avionics System, Shanghai Aerospace Science and, Technology Innovation Fund (SAST2015009)