不平衡SAR 圖像艦船目標識別模型

向 誠，顏世杰，桂 玲

(中南林業(yè)科技大學 計算機與信息工程學院，湖南 長沙 410004)

0 引 言

合成孔徑雷達(SAR)是一種微波成像傳感器，通過SAR 天線發(fā)射特定頻段的信號，信號經(jīng)過目標物體的反射后由SAR 接收器接收。SAR 合成孔徑雷達技術最早起源于20 世紀中期，相對于傳統(tǒng)的雷達技術，合成孔徑雷達基本不受天氣、云霧等氣象條件的干擾，穿透力強，具有分辨率高、成像速度快等優(yōu)點。目前，合成孔徑雷達技術已經(jīng)在多種行業(yè)有廣泛應用，比如在軍事領域，利用合成孔徑雷達可快速識別空中目標的類型、數(shù)量；在海上交通和救援領域，利用SAR 可以快速和準確的獲取船舶位置、類型等信息，實現(xiàn)快速海上救援。

合成孔徑雷達SAR 圖像同時也存在著一些問題，比如雷達的散射效應、陰影效應等，這些干擾因素對于SAR 圖像的識別有不利影響。本文研究不平衡SAR 圖像的艦船目標識別技術，首先分析合成孔徑雷達SAR 的成像特點，針對SAR 圖像的不平衡特性，結合卷積網(wǎng)絡算法實現(xiàn)良好的艦船目標識別效果。

1 SAR 雷達及圖像的基本特點

合成孔徑雷達為了提高圖像的分辨率，利用多普勒頻移技術處理2 個方向的雷達圖像，取得了良好的效果。

合成孔徑雷達的電磁波信號的距離分辨率表示為：

式中：C0為合成孔徑雷達的電磁波速度，C0=cλ0，λ0為未經(jīng)調(diào)制的脈沖帶寬；B為調(diào)制后的帶寬。

SAR 的方向分辨率為：

式中，β為雷達發(fā)射天線的張角。

合成孔徑雷達圖像的噪聲主要來源于兩方面：一是雷達天線、接收器、機械部件的硬件噪聲；二是SAR 成像過程的干擾噪聲，比如能夠反射電磁波的障礙物等。

SAR 圖像的信噪比用下式計算：

式中：P0為信號發(fā)射功率；G為發(fā)射器的增益；σ0為地面分布系數(shù)；θ0為雷達天線的發(fā)射角度；F0為系統(tǒng)噪聲；LMIN為目標探測過程的電磁波損失。

SAR 圖像的顯著特征包括迎坡縮短特征、陰影特征、相干斑特性等[1]，分別如下：

1）迎坡縮短特征

SAR 圖像的迎坡縮短特征如圖1 所示。雷達平臺沿r方向發(fā)射雷達信號時，目標物體ABC等效的雷達圖像為A1B1C1，現(xiàn)實中目標ABC三點是等距的，而由于合成孔徑雷達的迎坡縮短特性，SAR 圖像的A1B1C1是不等距的，且A1B1之間的距離反而會縮短。

圖1 SAR 圖像的迎坡縮短特性示意圖Fig.1 Schematic diagram of slope shortening in SAR image

2）陰影特征

SAR 圖像的陰影特性是指當?shù)孛婺繕说钠露容^高時，高坡對合成孔徑雷達的電磁波造成了遮擋，如圖2中，ABC為高坡地面目標，在r方向的雷達電磁波信號中，B點延伸線方向與地面相交于D點，在雷達中成像點為D1，而目標C點由于陰影效應，無法成像。

圖2 SAR 圖像的陰影特性示意圖Fig.2 Schematic diagram of the shading characteristics of SAR images

3）相干斑特性

合成孔徑雷達的相干斑特性是由于圖像的分辨單元與目標物體的尺寸對應關系特性，當?shù)孛娉叽绱笥赟AR 雷達的波長時，散射單元的回波會發(fā)生相互干涉，這種干涉既有可能造成圖像的同向增強，也會造成圖像的異相相消，圖像會出現(xiàn)明顯的明暗起伏。SAR 圖像的相干斑是一種顯著的噪聲特性，造成圖像的成像質(zhì)量不平衡，通常采用濾波等算法進行圖像的降噪處理。

2 不平衡SAR 圖像艦船目標識別模型建立

2.1 SAR 圖像的不平衡特性分析

基于SAR 圖像的船舶目標識別技術對于軍事作戰(zhàn)和海上船舶管理有重要的價值，對SAR 圖像目標識別過程的不平衡問題進行研究。

SAR 圖像的不平衡性主要原因在于成像區(qū)域的復雜多樣性，在進行SAR 圖像的目標分類時，已有數(shù)據(jù)類與樣本數(shù)據(jù)相差非常大，這種不平衡性會導致SAR 圖像處理效率的降低，因此有必要進行優(yōu)化。

假設SAR 圖像的多數(shù)類集合為：

少數(shù)類集合為：

不平衡比率為：

根據(jù)貝葉斯公式可知：

其中：P(X|Y)為Y發(fā)生后X發(fā)生的概率；P(Y|X)為X發(fā)生后Y發(fā)生的概率；P(Y)為Y發(fā)生的概率；P(X)為X發(fā)生的概率[2]。

貝葉斯公式是指當分析樣本接近總體樣本數(shù)時，某個樣本事件的發(fā)生概率將接近總體事件概率，貝葉斯公式在概率統(tǒng)計等領域有廣泛的應用。

針對SAR 圖像的分類不平衡性，可通過貝葉斯公式進行概率統(tǒng)計，定義先驗概率P(c-)，P(c+)，條件概率P(x|c-)，P(x|c+)均已知，可得后驗概率為：

可得SAR 圖像的分類不平衡性概率密度分布如圖3所示。

圖3 SAR 圖像的分類不平衡性概率密度分布Fig.3 Classification unbalance probability density distribution of SAR images

2.2 基于深度網(wǎng)絡算法的SAR 圖像識別流程

SAR 系統(tǒng)獲取船舶目標圖像存在噪聲、不平衡等問題，因此需要進行預處理才能提高目標識別的效率，預處理的主要環(huán)節(jié)包括噪聲抑制、目標增強、坐標系誤差修正等。特征提取是實現(xiàn)SAR 目標識別的關鍵環(huán)節(jié)，如何實現(xiàn)高效、精確的特征識別一直是研究熱點。SAR 圖像涉及的特征提取包括對比度特征、紋理特征等，針對船舶SAR 圖像的特征提取，本文采用一種深度卷積網(wǎng)絡算法提高效率和精度。

SAR 圖像艦船目標識別的基本流程如圖4 所示。

圖4 SAR 圖像艦船目標識別的基本流程Fig.4 The basic process of ship target recognition in SAR image

2.3 深度卷積網(wǎng)絡算法模型

在圖像處理領域，網(wǎng)絡算法具有非常成功的應用，本文采用的深度網(wǎng)絡算法為卷積神經(jīng)網(wǎng)絡算法，它的結構層次較固定，包括輸入層、卷積層、池化層、激活層和輸出層等[3]：

1）輸入層

輸入層是圖像輸入位置，由多個神經(jīng)元通道構成，船舶SAR 圖像信號可定義為：

X=(x1,x2,...xm)T，其中xm為像素單元。

2）卷積層

卷積層的實質(zhì)是一種具有參數(shù)調(diào)節(jié)功能的濾波器，是卷積神經(jīng)網(wǎng)絡的核心，對SAR 是卷積神經(jīng)網(wǎng)絡中的核心結構，實際上是一組可調(diào)參的濾波器。對SAR 圖像的卷積操作，可以表示為：

式中，fij為卷積層的卷積核函數(shù)，它決定了卷積的計算量與特征圖的尺寸。

3）池化層

池化層的主要作用是用于特征選擇和過濾，通過池化操作降低圖像的特征維度，同時池化層還具有抑制噪聲等功能。池化層的神經(jīng)網(wǎng)絡傳遞模型[4]如下：

式中：ωi j為節(jié)點i，j之間的權值；bj為節(jié)點j的閾值；xj為節(jié)點的輸出值；f為池化函數(shù)。

4）激活層

激活層的作用是將非線性特征引入計算過程，激活函數(shù)的選擇對于卷積神經(jīng)網(wǎng)絡的快速收斂有重要的作用。

圖5 為基于卷積神經(jīng)網(wǎng)絡的SAR 圖像處理示意圖。

圖5 基于卷積神經(jīng)網(wǎng)絡的SAR 圖像處理示意圖Fig.5 Schematic diagram of SAR image processing based on convolutional neural network

2.4 基于深度卷積網(wǎng)絡的SAR 圖像識別驗證

進行SAR 圖像船舶目標識別的驗證，采用的電腦硬件配置為intel i7-6700 處理器，運行內(nèi)存64G。Win10 操作系統(tǒng)。

系統(tǒng)采用海上交通密集港口SAR 圖像，圖6 為基于深度卷積網(wǎng)絡的SAR 圖像識別驗證效果。

圖6 基于深度卷積網(wǎng)絡的SAR 圖像識別Fig.6 SAR image recognition based on deep convolutional Network

3 結 語

海上合成孔徑雷達SAR 圖像具有重要的應用價值，針對SAR 圖像存儲的噪聲、不平衡性等問題，本文結合卷積神經(jīng)網(wǎng)絡算法等，建立不平衡SAR 圖像艦船目標識別模型，后期的驗證結果表明，該SAR 圖像目標識別效果符合預期。