高分三號(hào)NSC模式SAR圖像艦船目標(biāo)檢測(cè)初探

劉澤宇 柳 彬* 郭煒煒 張?jiān)鲚x 張 波 周月恒 馬 高 郁文賢

①(上海交通大學(xué)智能探測(cè)與識(shí)別上海市重點(diǎn)實(shí)驗(yàn)室 上海 200240)

②(中國(guó)空間技術(shù)研究院西安分院 西安 710100)

高分三號(hào)NSC模式SAR圖像艦船目標(biāo)檢測(cè)初探

劉澤宇①柳 彬*①郭煒煒①?gòu)堅(jiān)鲚x①?gòu)?波②周月恒②馬 高②郁文賢①

①(上海交通大學(xué)智能探測(cè)與識(shí)別上海市重點(diǎn)實(shí)驗(yàn)室 上海 200240)

②(中國(guó)空間技術(shù)研究院西安分院 西安 710100)

高分三號(hào)衛(wèi)星是我國(guó)首顆分辨率達(dá)到1m的C波段多極化合成孔徑雷達(dá)(Synthetic Aperture Radar,SAR)衛(wèi)星，擁有多種成像模式。該文針對(duì)高分三號(hào)NSC模式SAR圖像提出一種海上艦船目標(biāo)檢測(cè)方法，其核心為基于貝葉斯框架的像素分類以實(shí)現(xiàn)目標(biāo)篩選，并根據(jù)數(shù)據(jù)特點(diǎn)設(shè)計(jì)有效的圖像降質(zhì)條件下的性能提升方法。該文提出的檢測(cè)算法與多種恒虛警率(Constant False Alarm Rate, CFAR)檢測(cè)算法進(jìn)行對(duì)比實(shí)驗(yàn)分析，實(shí)驗(yàn)結(jié)果證明了該文所提方法的有效性與性能優(yōu)勢(shì)。

高分三號(hào)衛(wèi)星；合成孔徑雷達(dá)；艦船目標(biāo)檢測(cè)；像素分類

1 引言

高分三號(hào)衛(wèi)星(GF-3 satellite)是我國(guó)最新自主研發(fā)的多成像模式、多極化C波段合成孔徑雷達(dá)(Synthetic Aperture Radar, SAR)衛(wèi)星，其設(shè)計(jì)壽命長(zhǎng)達(dá)8年。高分三號(hào)的SAR成像模式覆蓋聚束、條帶、掃描、超寬幅、擴(kuò)展入射角等共12種。目前，針對(duì)高分三號(hào)，發(fā)表的研究包括系統(tǒng)技術(shù)[1]、幾何定位[2]、海浪定量遙感[3]、海表面流場(chǎng)測(cè)量[4]、海洋內(nèi)波測(cè)量[5]等。

在高分三號(hào)的多種成像模式中，窄幅掃描(Narrow Scan, NSC)模式成像幅寬可以達(dá)到300 km以上，其標(biāo)準(zhǔn)產(chǎn)品的距離向空間分辨率30～60 m，方位向分辨率50～60 m[1]。這種模式的產(chǎn)品結(jié)合中等分辨率與大幅寬的特點(diǎn)，適合海洋監(jiān)測(cè)和艦船監(jiān)視等任務(wù)。結(jié)合高分三號(hào)NSC模式數(shù)據(jù)特點(diǎn)，本文選取艦船目標(biāo)檢測(cè)問題作為主要關(guān)注點(diǎn)。

經(jīng)過多年的發(fā)展，SAR圖像艦船檢測(cè)方法層出不窮，其中最為廣泛研究和應(yīng)用的是恒虛警率(Constant False Alarm Rate, CFAR)檢測(cè)算法。CFAR檢測(cè)算法利用的是SAR圖像數(shù)據(jù)中背景像素(相對(duì)于艦船目標(biāo)而言)的統(tǒng)計(jì)特征，對(duì)于圖像中背景統(tǒng)計(jì)特征描述的準(zhǔn)確程度是影響CFAR檢測(cè)性能的關(guān)鍵。具體地，影響背景建模精度的因素主要有：(1)描述背景統(tǒng)計(jì)特性所用的概率分布模型；(2)用于背景建模的像素選擇方法。以上兩個(gè)因素也正是SAR圖像艦船檢測(cè)CFAR方法近年來的主要研究方向。為了適應(yīng)不同海況的統(tǒng)計(jì)特征，多種統(tǒng)計(jì)分布模型，如G0分布、K分布[6]、Weibull分布、伽馬分布[7]、廣義伽馬分布(Generalized Gamma Distribution, GΓD)[8]、有限混合分布模型，常被用于對(duì)SAR圖像中背景部分統(tǒng)計(jì)建模。其中，基于K分布[9]和GΓD的CFAR方法[10,11]被證明可適用于多種海況的艦船目標(biāo)檢測(cè)。為了去除目標(biāo)像素對(duì)背景統(tǒng)計(jì)模型參數(shù)估計(jì)的影響，基于局部窗口內(nèi)背景像素進(jìn)行統(tǒng)計(jì)建模的CFAR檢測(cè)器得以發(fā)展，其中的典型應(yīng)用是各類自適應(yīng)滑窗CFAR檢測(cè)器，如艾加秋等[12]提出的改進(jìn)雙參數(shù)CFAR檢測(cè)器，種勁松等[13]將局部窗口引入K-CFAR并證明對(duì)于海況復(fù)雜的圖像檢測(cè)性能有所提升。

SAR圖像艦船檢測(cè)方法還包括將計(jì)算機(jī)視覺領(lǐng)域其他方法遷移到SAR圖像中進(jìn)行應(yīng)用。例如，形狀信息先驗(yàn)方法[14]，視覺顯著度衡量方法[15]，利用上下文信息[16]進(jìn)行目標(biāo)檢測(cè)等。通常情況下，這類特征應(yīng)用于高分辨率SAR圖像目標(biāo)檢測(cè)，并且為適應(yīng)SAR圖像特點(diǎn)需要事先進(jìn)行特征改進(jìn)。除此之外，基于機(jī)器學(xué)習(xí)，特別是深度學(xué)習(xí)SAR圖像艦船檢測(cè)方法是目前研究前沿方向，已有研究結(jié)合卷積神經(jīng)網(wǎng)絡(luò)對(duì)SAR圖像艦船檢測(cè)開展研究[17]，但目標(biāo)樣本不足仍是SAR圖像目標(biāo)認(rèn)知中學(xué)習(xí)方法亟待克服的障礙。

各種SAR圖像艦船檢測(cè)方法對(duì)不同傳感器獲取的SAR圖像適應(yīng)能力有所不同，本文主要針對(duì)高分三號(hào)NSC模式的SAR圖像數(shù)據(jù)進(jìn)行艦船檢測(cè)方法的探索。NSC模式L1級(jí)產(chǎn)品可從多方面進(jìn)行圖像質(zhì)量提升，本文針對(duì)兩種影響艦船檢測(cè)性能的因素分別設(shè)計(jì)圖像質(zhì)量提升算法，并將圖像質(zhì)量提升步驟融入檢測(cè)流程。本文所提出的艦船檢測(cè)方法也是一種基于SAR圖像統(tǒng)計(jì)特征的檢測(cè)方法。與CFAR方法相比，不同點(diǎn)在于本文方法是基于像素分類方法對(duì)艦船目標(biāo)進(jìn)行篩選，該方法既考慮背景的復(fù)雜性，在模型構(gòu)建中也考慮到目標(biāo)干擾，提升了穩(wěn)定性。在真實(shí)數(shù)據(jù)實(shí)驗(yàn)中，本文將設(shè)計(jì)的檢測(cè)算法與G0-CFAR, K-CFAR, GΓD-CFAR等常用檢測(cè)方法進(jìn)行性能比較分析，結(jié)果證明本文所提方法對(duì)NSC模式的SAR圖像艦船檢測(cè)比常用CFAR方法有更好的適應(yīng)能力。

2 方法

2.1 方法概要介紹

根據(jù)SAR圖像的分辨率和圖像質(zhì)量特點(diǎn)，本文提出一種適應(yīng)NSC模式SAR圖像的海面艦船目標(biāo)檢測(cè)流程。整個(gè)流程如圖1所示，包括以下4個(gè)主要環(huán)節(jié)。(1)圖像質(zhì)量提升：本文選取高分三號(hào)NSC模式圖像中的條帶噪聲和旁瓣影響因素分別設(shè)計(jì)圖像質(zhì)量提升方法，提升海面艦船檢測(cè)流程穩(wěn)定性和數(shù)據(jù)適應(yīng)能力。(2)海陸分割：海陸分割是艦船目標(biāo)檢測(cè)的基本前提。復(fù)雜海況場(chǎng)景中，依據(jù)幅值或強(qiáng)度進(jìn)行海陸分割在真實(shí)數(shù)據(jù)測(cè)試中性能不穩(wěn)定，可遵循紋理信息進(jìn)行海陸分割。本文采用局部鄰域幅值方差作為衡量紋理強(qiáng)弱的指標(biāo)，選擇混合高斯模型對(duì)紋理信息進(jìn)行建模分類提取海面感興趣區(qū)域(Region Of Interest, ROI)。(3)基于像素分類的目標(biāo)篩選：本文結(jié)合SAR圖像統(tǒng)計(jì)分布特征和空間鄰域相關(guān)分析對(duì)像素進(jìn)行分類，并組合目標(biāo)類像素來篩選得到疑似艦船目標(biāo)。(4)目標(biāo)鑒別：在獲得海面ROI區(qū)域的候選艦船目標(biāo)后，本文依據(jù)目標(biāo)幾何參數(shù)(如艦船目標(biāo)的長(zhǎng)、寬等)和散射特性(如幅值，強(qiáng)度等)對(duì)虛警進(jìn)行剔除。對(duì)于受旁瓣影響的海域候選目標(biāo)，我們采圖像質(zhì)量提升步驟中去除旁瓣干擾的目標(biāo)核心部分來提取幾何參數(shù)和散射特性，并通過對(duì)比實(shí)驗(yàn)證明圖像質(zhì)量提升算法對(duì)檢測(cè)性能提高有積極作用。

本文提出的檢測(cè)方法主要特點(diǎn)為：

(1) 針對(duì)高分三號(hào)NSC模式L1A級(jí)圖像方位向上存在規(guī)律分布的條帶噪聲，本文提出基于1維傅里葉變換的頻譜分析方法來抑制條帶噪聲對(duì)后續(xù)統(tǒng)計(jì)建模過程的影響。條帶噪聲對(duì)應(yīng)頻譜中頻分量的峰值，本文采用大津法[18]和霍夫變換檢測(cè)直線[19]的方法自動(dòng)提取頻譜中條帶噪聲對(duì)應(yīng)的中頻分量，對(duì)檢測(cè)到的中頻分量采用帶阻濾波。最終將經(jīng)過逆變換恢復(fù)成抑制條帶噪聲后的SAR圖像，圖2為局部海域的SAR幅值圖像，圖3即為圖2抑制條帶噪聲后的結(jié)果。

圖1 高分三號(hào)NSC模式L1A級(jí)產(chǎn)品海面艦船檢測(cè)全流程Fig. 1 Flow chart of maritime ship detection on GF3 NSC imaging mode, L1A product

(2) 針對(duì)SAR圖像艦船目標(biāo)提取幾何參數(shù)和散射特性易受旁瓣干擾的問題，本文提出一種“十字”旁瓣定位和提取受旁瓣干擾艦船目標(biāo)核心區(qū)域的質(zhì)量提升算法，并輔助目標(biāo)鑒別過程減少漏檢。常見方法是基于目標(biāo)二值分割結(jié)果進(jìn)行形態(tài)學(xué)濾波或局部插值減弱旁瓣干擾，本文提出一種基于輻射信息排除旁瓣干擾的方法。本文方法排除干擾的同時(shí)不改變?cè)镜膱D像數(shù)據(jù)，數(shù)據(jù)不會(huì)偏離原有概率分布，對(duì)后續(xù)統(tǒng)計(jì)建模分析有利。SAR圖像中影響艦船目標(biāo)的“十字”旁瓣可以看作是垂直相交的線目標(biāo)組合。Tupin等[20]設(shè)計(jì)了一種適合于SAR圖像的線檢測(cè)器，在此基礎(chǔ)上我們改進(jìn)線檢測(cè)器(如圖4(a)所示)，無需形狀先驗(yàn)，可直接定位“十字”旁瓣；接著按照輻射信息相似的原則進(jìn)行區(qū)域增長(zhǎng)；從而，可提取受“十字”旁瓣干擾艦船目標(biāo)核心部分的連通域，具體效果如圖4(b)， 圖4(c)， 圖4(d)所示。通過目標(biāo)核心部分的連通域能夠估計(jì)得到更準(zhǔn)確的幾何參數(shù)，從而排除旁瓣對(duì)艦船目標(biāo)的干擾，降低漏檢和虛警。

(3) 本文采取的目標(biāo)篩選手段是基于有限混合模型和像素間鄰域相關(guān)分析的像素分類方法，適合復(fù)雜海況場(chǎng)景中艦船目標(biāo)檢測(cè)。基于像素分類進(jìn)行目標(biāo)篩選的方法是本文所提方法的主要?jiǎng)?chuàng)新部分，下節(jié)中將作詳細(xì)說明。

圖2 局部海域的SAR幅值圖像Fig. 2 SAR amplitude image of marine area

圖3 抑制條帶噪聲后的幅值圖像Fig. 3 Amplitude image after suppressing strip noise

圖4 改進(jìn)濾波器和提取受旁瓣影響的艦船目標(biāo)核心部分示意圖Fig. 4 Modified filter and extraction result of ship target core region after region growing based on center region of sidelobes

2.2 基于像素分類的目標(biāo)篩選方法

CFAR檢測(cè)方法對(duì)目標(biāo)所在背景進(jìn)行統(tǒng)計(jì)建模，并通過找到偏離背景像素值概率分布模型的像素作為目標(biāo)，這種方法容易受到多種干擾導(dǎo)致性能降低。在艦船目標(biāo)近岸、海況復(fù)雜、目標(biāo)密集等情況下背景建模容易受到干擾。考慮到上述各種復(fù)雜情況，我們采用有限混合模型對(duì)艦船目標(biāo)所在的復(fù)雜場(chǎng)景進(jìn)行統(tǒng)計(jì)建模，并結(jié)合空間相關(guān)性對(duì)于場(chǎng)景像素進(jìn)行分類，從而實(shí)現(xiàn)目標(biāo)篩選，這一方法的優(yōu)勢(shì)在于：(1)將目標(biāo)作為有限混合模型中的一類，無需預(yù)先選擇背景像素樣本。(2)受相干斑的影響，僅考慮各像素統(tǒng)計(jì)特征的分類方法性能會(huì)受到限制，本文所提方法將各像素強(qiáng)度統(tǒng)計(jì)特征與像素間的空域相關(guān)特性相結(jié)合，在貝葉斯框架下，在分類算法中融合后向散射與空域相關(guān)兩類信息進(jìn)行疑似目標(biāo)篩選，能更好地適應(yīng)受相干斑影響的情況。該算法主要包括兩個(gè)關(guān)鍵部分：一是對(duì)SAR圖像強(qiáng)度數(shù)據(jù)進(jìn)行統(tǒng)計(jì)建模，按照有限混合伽馬模型進(jìn)行參數(shù)估計(jì)，二是按照最大后驗(yàn)概率(MaximumA Posteriori, MAP)準(zhǔn)則考慮空間相關(guān)對(duì)像素進(jìn)行分類。

對(duì)于有限混合模型，定義y為觀測(cè)數(shù)據(jù)集，那么混合模型的概率密度函數(shù)可以定義為：

其中K為混合模型中單一模型的個(gè)數(shù)，pi為有限混合模型中第i個(gè)混合分量的權(quán)重因子，權(quán)重因子應(yīng)滿足且為第i個(gè)混合分量的單一概率密度函數(shù)。表示有限混合模型中第i個(gè)混合分量成分中所包含的待估計(jì)的參數(shù)組合。

在滿足完全發(fā)展的相干斑[21]噪聲條件下，SAR圖像(視數(shù)為L(zhǎng))的強(qiáng)度值服從伽馬分布，其統(tǒng)計(jì)模型為：

基于有限混合伽馬模型的參數(shù)估計(jì)得到的是統(tǒng)計(jì)意義上與數(shù)據(jù)相似的圖像描述方式，統(tǒng)計(jì)建模僅考慮每個(gè)像素的強(qiáng)度信息，但像素類別不僅由本身的后向散射強(qiáng)度決定，還與其空間鄰域像素相關(guān)。令S代表整幅圖像網(wǎng)格，IS代表強(qiáng)度圖，Y={y，y∈IS}代表強(qiáng)度圖像中各像素值，KS代表類別標(biāo)號(hào)圖像，X={x，x∈KS}代表各像素的類別標(biāo)號(hào)。本文所提的像素分類過程可視為對(duì)強(qiáng)度圖像像素類別標(biāo)號(hào)進(jìn)行估計(jì)的問題。根據(jù)MAP準(zhǔn)則和貝葉斯公式，x的取值應(yīng)使后驗(yàn)概率：

達(dá)到最大值，亦即：

其中K為類別數(shù)，根據(jù)混合伽馬建模的結(jié)果，提示x的取值可為為在給像素給定類別編號(hào)時(shí)強(qiáng)度數(shù)據(jù)的條件概率密度，為類別標(biāo)號(hào)出現(xiàn)的先驗(yàn)概率。基于像素空間相關(guān)性的考慮，像素最終的類別標(biāo)號(hào)需要由像素強(qiáng)度觀測(cè)值y和該像素鄰域標(biāo)號(hào)決定，因此式(4)可改寫為：

只考慮像素標(biāo)號(hào)與其鄰域標(biāo)號(hào)相關(guān)，隨機(jī)場(chǎng)X符合關(guān)于鄰域η的MRF。MRF與吉布斯隨機(jī)場(chǎng)的等效性在文獻(xiàn)[23]中經(jīng)過詳細(xì)證明，式(5)中對(duì)應(yīng)的先驗(yàn)概率分布可描述為：

式(7)全局最優(yōu)解需要極大的計(jì)算量，本文采用迭代條件模型法(Iterated Conditional Model,ICM)求解MAP準(zhǔn)則下局部最優(yōu)解。ICM算法符合MRF先驗(yàn)和MAP準(zhǔn)則，在ICM迭代過程中，K類伽馬分布概率密度函數(shù)重新估計(jì)，更新μi(i=1，2，···，K)，再利用更新的概率密度函數(shù)和類別標(biāo)號(hào)共同確定分類的后驗(yàn)概率，在滿足像素標(biāo)號(hào)兩次迭代之間改變小于一定比例或迭代次數(shù)達(dá)到固定次數(shù)即認(rèn)為已經(jīng)收斂，此時(shí)迭代終止，像素分類完成。ICM算法分類結(jié)果受初值影響較大，因此我們采用混合伽馬模型估計(jì)結(jié)果作為像素類別標(biāo)號(hào)的初始值。本文參考了文獻(xiàn)[24]中對(duì)于ICM方法與MRF隨機(jī)場(chǎng)的詳細(xì)說明。

考慮到SAR圖像中至少包括平靜海域、起伏海域、平坦陸地和人造目標(biāo)4類地物，因此將混合模型預(yù)設(shè)為4類混合(即K=4)。基于像素分類的目標(biāo)篩選算法中結(jié)合了散射信息和空域相關(guān)信息，最終提取強(qiáng)度最高的一類像素作為目標(biāo)篩選的結(jié)果，并與海域ROI部分取交集獲得海域疑似目標(biāo)，最終按照預(yù)先設(shè)定的篩選規(guī)則對(duì)疑似目標(biāo)逐個(gè)鑒別獲得艦船檢測(cè)結(jié)果。

3 實(shí)驗(yàn)

3.1 實(shí)驗(yàn)數(shù)據(jù)情況

NSC模式的L1A級(jí)產(chǎn)品是單視復(fù)數(shù)據(jù)(Single Look Complex, SLC)圖像，方位向像元尺寸20 m左右，地距向像元尺寸5 m左右。本文選取4幅成像區(qū)域內(nèi)海域占比高、艦船目標(biāo)豐富的圖像作為實(shí)驗(yàn)圖像。本文獲得的4幅實(shí)驗(yàn)圖像中艦船目標(biāo)真值總計(jì)為111個(gè)。圖像中的真值采用人工標(biāo)注方法，標(biāo)注時(shí)參考成像區(qū)域光學(xué)衛(wèi)星影像排除SAR圖像中陸地、港口、島嶼、礁石等與艦船目標(biāo)易混淆的問題。

3.2 實(shí)驗(yàn)結(jié)果與分析

受海浪、風(fēng)速等多重因素影響，SAR圖像中海域部分并非完全均勻。為了適應(yīng)復(fù)雜海況的艦船檢測(cè)，除本文引文部分提到的K分布模型和廣義伽馬模型外，基于G0分布的CFAR方法也被證實(shí)可應(yīng)用于SAR圖像艦船檢測(cè)[25]。因此，本文選取基于G0分布，K分布，GΓD的3種CFAR檢測(cè)器(G0-CFAR, K-CFAR, GΓD-CFAR)作為基線方法與本文所提方法進(jìn)行比較。在整個(gè)檢測(cè)流程中，性能比較的核心在于目標(biāo)篩選步驟的比較。因此，我們將CFAR目標(biāo)檢測(cè)方法與本文所提的融合混合伽馬建模和求空域相關(guān)的像素分類目標(biāo)檢測(cè)方法做性能比較。為了公平起見，檢測(cè)流程的其他步驟操作和參數(shù)一致。除此之外，實(shí)驗(yàn)過程中我們對(duì)CFAR檢測(cè)器的設(shè)定如下：(1)CFAR檢測(cè)中包括對(duì)海域背景進(jìn)行建模，性能比較過程中需基于檢測(cè)流程中獲得的海陸分割結(jié)果作為先驗(yàn)排除陸地對(duì)建模的干擾。(2)除陸地區(qū)域外，我們還需要排除海上目標(biāo)像素對(duì)建模的干擾。本文采用閾值篩選方法剔除目標(biāo)像素點(diǎn)，閾值經(jīng)過多幅數(shù)據(jù)調(diào)優(yōu)。(3)各種CFAR檢測(cè)器設(shè)定的恒虛警率相同，虛警率設(shè)定為Pfa=10–3，在此情況下，各CFAR檢測(cè)器均能取得較好性能。

為了比較檢測(cè)性能，本文采用“Precision-Recall”指標(biāo)組合來評(píng)價(jià)檢測(cè)方法的性能。其中“Precision”又稱查準(zhǔn)率，計(jì)算公式為“正確檢測(cè)數(shù)/檢測(cè)數(shù)”，代表檢測(cè)結(jié)果中是真正艦船目標(biāo)的比例。“Recall”又稱查全率，計(jì)算公式為“正確檢測(cè)數(shù)/真值數(shù)”，代表檢測(cè)得到的真正艦船目標(biāo)能涵蓋全部真值的比例。Precision越高，代表檢測(cè)結(jié)果中真實(shí)艦船目標(biāo)的比例越高，檢測(cè)方法對(duì)目標(biāo)和虛警的辨別更靈敏。Recall越高，代表圖像中真實(shí)艦船被檢測(cè)到的比例越高，檢測(cè)方法在圖像中搜尋真實(shí)艦船的能力越強(qiáng)。

表1中列出了高分三號(hào)NSC模式SAR圖像實(shí)驗(yàn)數(shù)據(jù)使用4種檢測(cè)方法的指標(biāo)對(duì)比，從表1中經(jīng)過圖像質(zhì)量提升后4種檢測(cè)方法指標(biāo)可以發(fā)現(xiàn)，本文所提方法的虛警和漏檢數(shù)目在4種方法中最少，“Precision-Recall”指標(biāo)也是最優(yōu)。通過仔細(xì)比較不同方法結(jié)果的虛警和漏檢總結(jié)發(fā)現(xiàn)：CFAR檢測(cè)結(jié)果中比本文檢測(cè)方法結(jié)果多出的虛警主要是礁石和海浪，而起伏海域區(qū)域內(nèi)的艦船目標(biāo)則是CFAR檢測(cè)結(jié)果中比本文檢測(cè)方法結(jié)果多出的漏檢。本文采用的基于有限混合伽馬建模和空間相關(guān)信息融合的像素分類方法能夠?qū)⒑Ｓ蛑袕?fù)雜的地物背景組成情況和目標(biāo)進(jìn)行更精細(xì)的區(qū)分，因此可排除礁石和平靜海面上起伏等易混淆的虛警，也可以更好區(qū)分起伏海域背景和艦船目標(biāo)。

本文設(shè)計(jì)的實(shí)驗(yàn)中除CFAR檢測(cè)方法與本文基于像素分類的檢測(cè)方法性能比較外，還對(duì)本文第2節(jié)中所提出的圖像質(zhì)量提升方法對(duì)檢測(cè)性能的影響進(jìn)行比較實(shí)驗(yàn)。表1中包括4種檢測(cè)方法加入圖像質(zhì)量提升步驟前后的性能對(duì)比。性能對(duì)比的共同點(diǎn)是“Precision-Recall”指標(biāo)均有提升。不同點(diǎn)是對(duì)于3種CFAR方法，主要提升是漏檢數(shù)目減少，與之相關(guān)的是排除“十字”旁瓣對(duì)艦船目標(biāo)形狀參數(shù)估計(jì)的影響，從而減少因形狀參數(shù)估計(jì)超出范圍剔除目標(biāo)造成的漏檢。而對(duì)于本文提出的基于混合伽馬建模和考慮空域相關(guān)性的檢測(cè)方法，虛警和漏檢數(shù)目在圖像質(zhì)量提升后均有明顯下降。這是因?yàn)楸疚乃岱椒ㄖ谢旌腺ゑR建模對(duì)圖像中的條帶噪聲敏感，抑制條帶噪聲后的混合建模結(jié)果才能夠?qū)?yīng)預(yù)設(shè)的4類混合，對(duì)各類像素?zé)o噪強(qiáng)度真值估計(jì)準(zhǔn)確程度得以改善，可有效減少虛警，融合排除“十字”旁瓣的干擾可進(jìn)一步減少漏檢。

表1 高分三號(hào)NSC模式SAR圖像艦船檢測(cè)指標(biāo)統(tǒng)計(jì)Tab. 1 GF-3 satellite NSC mode SAR image maritime ship detection results

為說明圖像質(zhì)量提升前后本文所提檢測(cè)方法的性能差距，我們選取了一幅實(shí)驗(yàn)圖像中典型海域檢測(cè)結(jié)果進(jìn)行展示。其中的艦船目標(biāo)真值是40個(gè)，圖5 為未經(jīng)過圖像質(zhì)量提升的檢測(cè)結(jié)果，圖6 為經(jīng)過抑制條帶噪聲和排除“十字”旁瓣干擾后的檢測(cè)結(jié)果。圖5和圖6中正確檢測(cè)的艦船目標(biāo)以綠色矩形框標(biāo)出，漏檢的艦船目標(biāo)以紅色圓圈標(biāo)出，虛警以黃色矩形框標(biāo)出。經(jīng)過圖像質(zhì)量提升后，受“十字”旁瓣干擾造成的漏檢減少，仍然存在的漏檢是因?yàn)榭堪杜灤c陸地緊湊相連，在海陸分割的過程中未能將艦船目標(biāo)與陸地分開。本文主要關(guān)注復(fù)雜海況條件下海面艦船的檢測(cè)，針對(duì)這點(diǎn)將在結(jié)論部分展開闡述。經(jīng)過圖像質(zhì)量提升后，海面的虛警目標(biāo)減少，這是因?yàn)橐种茥l帶噪聲后，混合伽馬建模和考慮空域相關(guān)的像素分類結(jié)果更接近于真實(shí)的地物分類情況。

本文所提檢測(cè)方法的復(fù)雜度主要體現(xiàn)在混合伽馬建模參數(shù)估計(jì)和考慮空域相關(guān)的迭代優(yōu)化過程，與本文流程中這一步驟相對(duì)應(yīng)的是CFAR檢測(cè)方法中的參數(shù)估計(jì)，建模和閾值求取步驟。我們以4幅尺寸大小接近1500×1500的實(shí)驗(yàn)圖像來測(cè)試本算法的平均時(shí)間效率。在CPU為Intel(R) Core-i5 3.30 GHz，內(nèi)存為2 GB的硬件環(huán)境下，采用Windows 10操作系統(tǒng)下MATLAB 2016平臺(tái)實(shí)現(xiàn)算法。G0-CFAR, K-CFAR, GΓD-CFAR的參數(shù)估計(jì)，建模和閾值求取的平均每幅圖像耗時(shí)接近1 s，本文所提方法中混合建模和考慮空間相關(guān)性的步驟采用EM算法和ICM算法，需要對(duì)全圖中逐像素點(diǎn)進(jìn)行迭代運(yùn)算。其中，混合建模過程平均每幅圖像耗時(shí)接近3 s，考慮空間相關(guān)的迭代優(yōu)化過程平均每幅圖像耗時(shí)接近14 s。本文所提方法中混合建模與CFAR過程的耗時(shí)接近，考慮空間相關(guān)的迭代優(yōu)化過程是主要耗時(shí)步驟，可在未來采用更為高效的優(yōu)化方案。通過以上實(shí)驗(yàn)結(jié)果分析可知，本文的算法的檢測(cè)效果在結(jié)合圖像質(zhì)量提升操作后明顯優(yōu)于G0-CFAR, K-CFAR, GΓD-CFAR等公認(rèn)穩(wěn)定的檢測(cè)算法，能夠適應(yīng)復(fù)雜海況的艦船目標(biāo)檢測(cè)，真實(shí)數(shù)據(jù)實(shí)驗(yàn)結(jié)果證實(shí)了本文所提算法適合高分三號(hào)NSC數(shù)據(jù)。

4 結(jié)論

本文提出了一種適用于高分三號(hào)NSC成像模式的海面艦船檢測(cè)方法，整個(gè)檢測(cè)流程的核心包括：(1)根據(jù)數(shù)據(jù)特點(diǎn)設(shè)計(jì)適應(yīng)圖像降質(zhì)條件下的性能提升算法，包括抑制條帶噪聲和排除“十字”旁瓣干擾。算法遵循原始數(shù)據(jù)損失最小原則，實(shí)驗(yàn)結(jié)果證明性能提升算法的有效性；(2)提出基于貝葉斯框架像素分類的目標(biāo)篩選方法。與目前公認(rèn)穩(wěn)定的G0-CFAR, K-CFAR, GΓD-CFAR檢測(cè)器進(jìn)行性能比較，結(jié)果證明本文所提方法對(duì)高分三號(hào)NSC模式數(shù)據(jù)適用性更強(qiáng)。

圖5 未經(jīng)過圖像質(zhì)量提升的檢測(cè)結(jié)果Fig. 5 Detection result without image quality enhancement

圖6 經(jīng)過圖像質(zhì)量提升的檢測(cè)結(jié)果Fig. 6 Detection result after image quality enhancement

傳統(tǒng)的CFAR檢測(cè)器和本文所提的融合混合伽馬建模和考慮空域相關(guān)性的像素分類方法均屬于利用統(tǒng)計(jì)特征進(jìn)行目標(biāo)檢測(cè)的算法，不同之處在于CFAR需要預(yù)先設(shè)定規(guī)則將用于建模的背景像素篩選出來，需要首先對(duì)背景像素有一個(gè)先驗(yàn)，而本文方法直接將艦船目標(biāo)類像素作為有限混合模型中的一類，無需預(yù)先篩選背景像素再進(jìn)行統(tǒng)計(jì)建模。在對(duì)SAR圖像進(jìn)行建模和描述時(shí)，考慮到各種干擾因素的同時(shí)存在，本文方法中采用的混合模型精確程度超過單一模型，能夠更好的反映真實(shí)復(fù)雜的海況，結(jié)合考慮空域相關(guān)特性，本文所提方法可以從SAR圖像上提取更為完整的目標(biāo)連通域，為目標(biāo)特征提取打下基礎(chǔ)。但本文所提方法也存在著以下幾點(diǎn)不足：(1)本文所提方法中混合伽馬模型預(yù)設(shè)4類組合，但復(fù)雜海況下，背景和目標(biāo)像素很難用4類全部代表，平靜海域中，4類又會(huì)存在冗余。因此，對(duì)于混合建模需要繼續(xù)研究自動(dòng)估計(jì)或搜尋合適的類別數(shù)目。(2)盡管本文所提的檢測(cè)方法在復(fù)雜海況下艦船檢測(cè)性能優(yōu)于幾種CFAR檢測(cè)器，但精確的像素分類結(jié)果是以迭代過程的耗時(shí)為代價(jià)。從實(shí)驗(yàn)結(jié)果耗時(shí)情況分析可知，混合建模與CFAR過程的耗時(shí)接近，考慮空間相關(guān)時(shí)采用的ICM算法占用最多時(shí)間。在后續(xù)的改進(jìn)過程中，我們考慮新的尋找最優(yōu)解的快速算法來取代ICM算法。(3)本文所提流程中海陸分割也是艦船目標(biāo)檢測(cè)的關(guān)鍵步驟，在本文流程框架下，海陸分割結(jié)果決定了近岸和靠岸艦船是否可以正常檢測(cè)。盡管本文按照目前實(shí)驗(yàn)數(shù)據(jù)特點(diǎn)關(guān)注的是海面艦船檢測(cè)，但靠岸艦船檢測(cè)問題仍需要繼續(xù)利用更多數(shù)據(jù)來驗(yàn)證本文方法的適用性，并在此基礎(chǔ)上提出改進(jìn)的流程和方法，以期推廣到高分三號(hào)更多的成像模式數(shù)據(jù)中。

[1]張慶君. 高分三號(hào)衛(wèi)星總體設(shè)計(jì)與關(guān)鍵技術(shù)[J]. 測(cè)繪學(xué)報(bào),2017, 46(3): 269–277.Zhang Qingjun. System design and key technologies of the GF-3 satellite[J].Acta Geodaetica et Cartographica Sinica,2017, 46(3): 269–277. DOI: 10.11947/j.AGCS.2017.2017 0049.

[2]丁赤飚, 劉佳音, 雷斌, 等. 高分三號(hào)SAR衛(wèi)星系統(tǒng)級(jí)幾何定位精度初探[J]. 雷達(dá)學(xué)報(bào), 2017, 6(1): 11–16.Ding Chibiao, Liu Jiayin, Lei Bin,et al.. Preliminary exploration of systematic geolocation accuracy of GF-3 SAR satellite system[J].Journal of Radars, 2017, 6(1): 11–16.

[3]楊勁松, 任林, 王雋. 高分三號(hào)衛(wèi)星對(duì)海浪的首次定量遙感[J].海洋與湖沼, 2017, 48(2): 207–209.Yang Jingsong, Ren Lin, and Wang Juan. The first quantitative remote sensing of ocean surface waves by Chinese GF-3 SAR satellite[J].Oceanologia et Limnologia Sinica, 2017, 48(2): 207–209.

[4]王文煜, 謝春華, 袁新哲, 等. 高分三號(hào)衛(wèi)星ATI模式海表面流場(chǎng)測(cè)量性能分析[J]. 航天器工程, 2017, 26(1): 132–139.Wang Wenyu, Xie Chunhua, Yuan Xinzhe,et al..Performance analysis of sea surface current measurements by GF-3 satellite ATI mode[J].Spacecraft Engineering,2017, 26(1): 132–139.

[5]楊勁松, 王雋, 任林. 高分三號(hào)衛(wèi)星對(duì)海洋內(nèi)波的首次定量遙感[J]. 海洋學(xué)報(bào), 2017, 39(1): 148.Yang Jingsong, Wang Juan, and Ren Lin. The first quantitative remote sensing of ocean internal wave By Chinese GF-3 SAR satellite[J].Haiyang Xuebao, 2017,39(1): 148.

[6]Li Hengchao, Hong Wen, Wu Yirong,et al.. On the empirical-statistical modeling of SAR images with generalized gamma distribution[J].IEEE Journal of Selected Topics in Signal Processing, 2011, 5(3): 386–397. DOI:10.1109/JSTSP.2011.2138675.

[7]Ni Weiping, Yan Weidong, Wu Junzheng,et al.. Statistical analysis and modeling of TerraSAR-X images for CFAR based target detection[C]. Proceedings of 2013 IEEE International Geoscience and Remote Sensing Symposium,Melbourne, VIC, Australia, 2013: 1983–1986.

[8]高貴, 周蝶飛, 蔣詠梅, 等. SAR圖像目標(biāo)檢測(cè)研究綜述[J]. 信號(hào)處理, 2008, 24(6): 971–981.Gao Gui, Zhou Diefei, Jiang Yongmei,et al.. Study on target detection in SAR image: A survey[J].Signal Processing, 2008, 24(6): 971–981.

[9]艾加秋, 齊向陽(yáng). 一種基于局部K-分布的新的SAR圖像艦船檢測(cè)算法[J]. 中國(guó)科學(xué)院研究生院學(xué)報(bào), 2010, 27(1): 36–42.Ai Jiaqiu and Qi Xiangyang. A new ship detection algorithm based on local K-distribution in SAR images[J].Journal of the Graduate School of the Chinese Academy of Sciences, 2010, 27(1): 36–42.

[10]Qin Xianxiang, Zhou Shilin, Zou Huanxin,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. DOI: 10.1109/LGRS.2012.2224317.

[11]Gao Gui, Ouyang Kewei, Luo Yongbo,et al.. Scheme of parameter estimation for generalized gamma distribution and its application to ship detection in SAR images[J].IEEE Transactions on Geoscience and Remote Sensing,2017, 55(3): 1812–1832. DOI: 10.1109/TGRS.2016.2634862.

[12]艾加秋, 齊向陽(yáng), 禹衛(wèi)東. 改進(jìn)的SAR圖像雙參數(shù)CFAR艦船檢測(cè)算法[J]. 電子與信息學(xué)報(bào), 2009, 31(12): 2881–2885.Ai Jiaqiu, Qi Xiangyang, and Yu Weidong. Improved two parameter CFAR ship detection algorithm in SAR images[J].Journal of Electronicsamp;Information Technology,2009, 31(12): 2881–2885.

[13]種勁松, 朱敏慧. SAR圖像局部窗口K-分布目標(biāo)檢測(cè)算法[J].電子與信息學(xué)報(bào), 2003, 25(9): 1276–1280.Chong Jinsong and Zhu Minhui. Target detection algorithm of SAR image based on local window K-distribution[J].Journal of Electronics and Information Technology, 2003,25(9): 1276–1280.

[14]Akylmaz E, Demirkesen C, Nar F,et al.. Interactive ship segmentation in SAR images[C]. Proceedings of the 2013 21st Signal Processing and Communications Applications Conference (SIU), Haspolat, 2013: 1–4.

[15]Wang Shigang, Wang Min, Yang Shuyuan,et al.. New hierarchical saliency filtering for fast ship detection in highresolution SAR images[J].IEEE Transactions on Geoscience and Remote Sensing, 2017, 55(1): 351–362. DOI:10.1109/TGRS.2016.2606481.

[16]Zhai Liang, Li Yu, and Su Yi. Inshore ship detection via saliency and context information in high-resolution SAR images[J].IEEE Geoscience and Remote Sensing Letters,2016, 13(12): 1870–1874. DOI: 10.1109/LGRS.2016.2616187.

[17]Zhao J, Guo W, Liu B,et al.. Ship detection for sentinel-1 SAR imagery based on a coupled convolutional neural network[J].IEEE Geoscience and Remote Sensing Letters,submitted for reviewing.

[18]Otsu N. A threshold selection method from gray-level histograms[J].IEEE Transactions on Systems,Man,and Cybernetics, 1979, 9(1): 62–66. DOI: 10.1109/TSMC.1979.4310076.

[19]Duda R O and Hart P E. Use of the Hough transformation to detect lines and curves in pictures[J].Communications of the ACM, 1972, 15(1): 11–15. DOI: 10.1145/361237.361242.

[20]Tupin F, Maitre H, Mangin J F,et al.. Detection of linear features in SAR images: Application to road network extraction[J].IEEE Transactions on Geoscience and Remote Sensing, 1998, 36(2): 434–453. DOI: 10.1109/36.662728.

[21]Goodman J W. Some fundamental properties of speckle[J].Journal of the Optical Society of America, 1976, 66(11):1145–1150. DOI: 10.1364/JOSA.66.001145.

[22]Dempster A P, Laird N M, and Rubin D B. Maximum likelihood from incomplete data via the EM algorithm[J].Journal of the Royal Statistical Society. Series B(Methodological), 1977, 39(1): 1–38.

[23]Wu Yonghui, Ji Kefeng, Yu Wenxian,et al.. Region-based classification of polarimetric SAR images using wishart MRF[J].IEEE Geoscience and Remote Sensing Letters,2008, 5(4): 668–672. DOI: 10.1109/LGRS.2008.2002263.

[24]吳永輝. 極化SAR圖像分類技術(shù)研究[D]. [博士論文], 國(guó)防科學(xué)技術(shù)大學(xué), 2007: 117–121.Wu Yonghui. Classification of polarimetric SAR images[D].[Ph.D. dissertation], National University of Defense Technology, 2007: 117–121.

[25]曹峰, 邢相薇, 計(jì)科峰. 一種SAR圖像艦船目標(biāo)快速檢測(cè)方法[J]. 雷達(dá)科學(xué)與技術(shù), 2012, 10(4): 380–386.Cao Feng, Xing Xiangwei, and Ji Kefeng. A fast method for ship detection in SAR imagery[J].Radar Science and Technology, 2012, 10(4): 380–386.

劉澤宇(1993–)，男，黑龍江哈爾濱人，于2014年獲上海交通大學(xué)學(xué)士學(xué)位，2014年9月至今在上海交通大學(xué)電子信息與電氣工程學(xué)院攻讀博士研究生。研究方向?yàn)槔走_(dá)圖像解譯、數(shù)據(jù)挖掘。

E-mail: ribosomal@sjtu.edu.cn

柳 彬(1985–)，男，湖南衡陽(yáng)人，博士，助理研究員，分別于2007年、2009年和2015年獲上海交通大學(xué)信息工程、信號(hào)與信息處理和信號(hào)與信息處理學(xué)士、碩士和博士學(xué)位。2012年10月至2013年4月在法國(guó)巴黎高科電信學(xué)院訪問研究。2015年12月，任上海交通大學(xué)電信學(xué)院信息技術(shù)與電氣工程研究院助理研究員。主要從事雷達(dá)圖像的分割分類、目標(biāo)檢測(cè)識(shí)別、多時(shí)相分析等方面的研究。

E-mail: bliu.rsti@sjtu.edu.cn

郭煒煒(1983–)，男，江蘇南通人，博士，分別于2005年、2007年和2011年獲國(guó)防科技大學(xué)信息與通信工程專業(yè)學(xué)士、碩士和博士學(xué)位。2014年至今，在上海交通大學(xué)電子信息與電氣工程學(xué)院做博士后。主要從事圖像理解、模式識(shí)別與機(jī)器學(xué)習(xí)等方面的研究。

E-mail: gwnudt@163.com

張?jiān)鲚x(1980–)，男，山東金鄉(xiāng)人，博士，副研究員，分別于2001年、2003年和2008年獲國(guó)防科技大學(xué)應(yīng)用數(shù)學(xué)、計(jì)算數(shù)學(xué)和信息與通信工程專業(yè)學(xué)士、碩士和博士學(xué)位。2008年6月，任國(guó)防科大理學(xué)院數(shù)學(xué)與系統(tǒng)科學(xué)系講師；2014年2月，任上海交通大學(xué)電子信息與電氣工程學(xué)院副研究員。主要從事新體制雷達(dá)系統(tǒng)、雷達(dá)信號(hào)處理、壓縮感知理論等方面的研究。

E-mail: zenghui.zhang@sjtu.edu.cn

張 波(1981–)，男，陜西西安人，碩士，工程師，分別于2004年、2009年獲西安交通大學(xué)信息工程、系統(tǒng)工程學(xué)士和碩士學(xué)位。2009年8月任中國(guó)空間技術(shù)研究院西安分院助理工程師；2011年任中國(guó)空間技術(shù)研究院西安分院工程師。主要從事遙感衛(wèi)星數(shù)據(jù)傳輸系統(tǒng)設(shè)計(jì)、遙感衛(wèi)星地面接收處理系統(tǒng)設(shè)計(jì)、衛(wèi)星應(yīng)用技術(shù)等方面研究。

E-mail: seipopzb@163.com

周月恒(1990–)，女，陜西西安人，碩士，工程師，于2012年獲武漢大學(xué)地理信息系統(tǒng)學(xué)士學(xué)位，2015年獲紐約州立大學(xué)布法羅分校地理碩士學(xué)位。2015年至今在中國(guó)空間技術(shù)研究院西安分院工作。主要從事遙感數(shù)據(jù)處理、目標(biāo)識(shí)別等方面研究。

E-mail: zyhzyh360@126.com

馬 高(1989–)，男，山西長(zhǎng)治人，碩士，工程師，2012年獲陜西師范大學(xué)地圖學(xué)與地理信息系統(tǒng)碩士學(xué)位。2015年至今在中國(guó)空間技術(shù)研究院西安分院工作。主要從事遙感數(shù)據(jù)處理、信息智能提取等方面研究。

E-mail: magao2002@163.com

郁文賢(1964–)，男，上海松江人，博士，教授，博士生導(dǎo)師，上海交通大學(xué)講席教授。中國(guó)第2代衛(wèi)星導(dǎo)航系統(tǒng)重大專項(xiàng)測(cè)試評(píng)估與試驗(yàn)驗(yàn)證專家組專家，高分辨率對(duì)地觀測(cè)系統(tǒng)重大專項(xiàng)專家委員會(huì)地面系統(tǒng)組專家，“十二五”總裝備部衛(wèi)星應(yīng)用技術(shù)專業(yè)組顧問，裝發(fā)部上海市“北斗導(dǎo)航與位置服務(wù)”共建重點(diǎn)實(shí)驗(yàn)室主任，上海交通大學(xué)學(xué)術(shù)委員會(huì)委員，雷達(dá)信號(hào)處理國(guó)防科技重點(diǎn)實(shí)驗(yàn)室學(xué)術(shù)委員會(huì)委員，“十一五”國(guó)家863計(jì)劃信息獲取與處理技術(shù)主題第一、第二屆專家組組長(zhǎng)，“十一五”總裝備部雷達(dá)探測(cè)技術(shù)專業(yè)組專家，主要研究方向?yàn)橄冗M(jìn)探測(cè)技術(shù)和多維信號(hào)與信息處理，研究?jī)?nèi)容包括新型成像系統(tǒng)、微波圖像處理和解譯、信息融合、目標(biāo)識(shí)別等。

E-mail: wxyu@sjtu.edu.cn

Key Program of National Natural Science Foundation of China—High Resolution SAR Database and Data Quality Evaluation (61331015)

Ship Detection in GF-3 NSC Mode SAR Images

Liu Zeyu①Liu Bin①Guo Weiwei①Zhang Zenghui①Zhang Bo②Zhou Yueheng②Ma Gao②Yu Wenxian①
①(Shanghai Key Laboratory of Intelligent Sensing and Recognition,Shanghai Jiao Tong University,Shanghai200240,China)
②(China Academy of Space Technology-Xi’an,Xi’an710100,China)

GF-3, the first C-band full-polarimetric Synthetic Aperture Radar (SAR) satellite with a space resolution up to 1 m, has multiple strip and scan imaging modes. In this paper, we propose a maritime ship detection algorithm that detects ship targets via pixel classification in a Bayesian framework and employ effective enhancement methods to improve detection performance based on the data characteristics. We compare and analyze the results of detection experiments using the proposed algorithm with those of several Constant False Alarm Rate (CFAR) algorithms. The experimental results verify the effectiveness of the proposed algorithm.

GF-3 satellite; Synthetic Aperture Radar (SAR); Ship detection; Pixel classification

TP75

A

2095-283X(2017)05-0473-10

10.12000/JR17059

劉澤宇, 柳彬, 郭煒煒, 等. 高分三號(hào)NSC模式SAR圖像艦船目標(biāo)檢測(cè)初探[J]. 雷達(dá)學(xué)報(bào), 2017, 6(5):473–482.

10.12000/JR17059.

Reference format:Liu Zeyu, Liu Bin, Guo Weiwei,et al.. Ship detection in GF-3 NSC mode SAR images[J].Journal of Radars, 2017, 6(5): 473–482. DOI: 10.12000/JR17059.

2017-06-15；改回日期：2017-07-31；網(wǎng)絡(luò)出版：2017-08-18

*通信作者： 柳彬 bliu.rsti@sjtu.edu.cn

國(guó)家自然科學(xué)基金重點(diǎn)項(xiàng)目—高分辨率SAR測(cè)試庫(kù)及數(shù)據(jù)質(zhì)量評(píng)估(61331015)