利用香農熵的雙極化合成孔徑雷達船只檢測

龍夢啟，楊學志，孟俊敏，劉根旺，張晰，董張玉

(1.合肥工業大學計算機與信息學院，合肥 230009；2.國家海洋局第一海洋研究所，山東 青島 266061)

利用香農熵的雙極化合成孔徑雷達船只檢測

龍夢啟1，2，楊學志1，孟俊敏2，劉根旺2，張晰2，董張玉1

(1.合肥工業大學計算機與信息學院，合肥 230009；2.國家海洋局第一海洋研究所，山東 青島 266061)

針對傳統恒虛警率(CFAR)船只目標檢測方法存在虛警率設置困難、算法自動性差的問題，該文結合香農熵特征對于船只目標和海面表現出不同特性的原理，即船只目標的香農熵為正值，海面的香農熵為負值，提出了一種基于香農熵的船只目標檢測方法。文中利用8景C波段Radarsat-2雙極化SAR數據進行檢驗，與K-CFAR、G0-CFAR及基于反射對稱性的XC船只目標檢測算法進行對比分析，結果表明本文提出的方法具有較好的檢測性能。

雙極化；合成孔徑雷達；香農熵；船只目標；目標檢測

0 引 言

合成孔徑雷達(SAR)具有全天時、全天候成像等諸多優勢，已廣泛應用于海上交通運輸、海上貿易、海岸和漁業監測、船舶污染、溢油檢測和海上執法等領域。SAR圖像船只目標檢測已經成為海洋領域研究的重要內容之一[1-2]。

隨著極化SAR技術的發展，SAR船只目標檢測方法由傳統的單極化檢測發展到極化SAR檢測。由于極化SAR數據能夠提供更加完整的信息描述目標的散射特性，因此利用極化SAR圖像開展船只目標檢測具有更大優勢，能夠提高船只目標的檢測性能[3-5]。特別地，雙極化數據能夠提供兩倍于全極化的測繪寬度，更適于開展業務化應用，因此具有廣泛的應用前景。

傳統的船只目標檢測方法主要是基于單極化SAR數據的恒虛警率(CFAR)方法[6]。CFAR方法的關鍵在于兩方面：①建立SAR統計分布模型，常見的分布模型有K分布、瑞利分布、對數正態分布、G0分布、伽馬分布、廣義伽馬分布和Alpha穩態分布等[7-10]，一般通過直方圖擬合的方法選擇合適的分布模型；②設置虛警概率，當前虛警概率并沒有統一的設置標準，主要是根據經驗進行設置，當虛警概率設置較大時，結果將會出現較多虛警目標，當虛警概率設置較小時，結果將會出現部分漏檢目標。由此可見，基于CFAR的船只目標檢測算法存在較多的人工干預而降低了算法的自動性。

研究表明通過選取合適的極化參數，利用簡單的閾值分割方法檢測海面上的船只目標，能夠有效地解決傳統CFAR算法自動性差、計算量大的問題。文獻[11-12]通過分析船只等海上目標與海面的反射對稱性，得出海面的同極化與交叉極化通道的散射幅度之間相關性的模(XC)近似為0，而船只等海上金屬目標的XC大于0，基于該原理提出利用XC的閾值分割實現船只目標檢測。然而該方法未能充分利用極化信息，在檢測結果上可能出現虛警或漏檢。

基于以上分析，針對當前船只目標檢測方法的不足，本文通過分析雙極化香農熵特征[13]在船只與海面上表現的不同性質，利用大量實驗證實了船只目標的香農熵明顯都為正值，海面的香農熵明顯都為負值，并基于香農熵特征的閾值分割，提出了一種基于香農熵的雙極化SAR船只目標檢測方法。由于極化香農熵特征利用了全部極化通道信息，相比XC特征具有較豐富的極化信息，因此本文提出的方法具有提高檢測性能的優勢。文中分別利用本文算法、XC算法和傳統CFAR算法對Radarsat-2雙極化SAR數據進行測試，通過船舶自動識別系統(Automatic Identification System，AIS)報告提供的地面實況信息對船只目標的檢測結果進行驗證。

1 雙極化SAR數據的香農熵

1.1 香農熵定義

根據極化SAR相關理論，全極化SAR圖像中每一個像素的三維極化復矢量k服從均值為0的三維圓形高斯過程[13-14]：

(1)

(2)

(3)

在雙極化條件下，極化相干矩陣將退化為2×2的厄爾米特半正定矩陣T2，其特征值與特征向量的個數分別為2。由于極化相干矩陣可相似對角化為極化協方差矩陣C2，則香農熵SE的表達式退化為：

(4)

1.2 香農熵對船/海響應的分析

由香農熵的表達式(見式(3)、式(4))可知，香農熵只與平均極化協方差矩陣(相干矩陣)的行列式有關，而與其他參數無關。由于極化協方差矩陣的行列式是利用各極化通道得到的，因此香農熵特征包含較豐富的極化信息。由極化散射理論可知，船只目標為強散射目標，其極化協方差矩陣(相干矩陣)的值較大，海面為弱散射目標，其極化協方差矩陣(相干矩陣)的值較小。可以得出：船只目標的平均極化協方差矩陣的行列式要遠大于海面的。那么，通過平均極化協方差矩陣(相干矩陣)的行列式乘以適當的參數(πe)p(雙極化下p=2，全極化下p=3(滿足互易性條件))再取log對數構造極化香農熵特征，能夠有效地實現船海目標的分離。下面利用真實的SAR數據分析香農熵特征對船海的響應特性。

圖1 實驗數據成像時間和覆蓋范圍

本文采用8景Radarsat-2 Standard模式，標稱分辨率25m，雙極化(VV-VH)單視復(SLC)數據作為實驗測試數據，圖1分別給出了實驗數據的成像時間(北京)及影像覆蓋范圍，按照成像時間的順序影像依次記為IMG-1，2，…，8。利用AIS船只位置信息，分別在8景影像中提取15～20對感興趣區域(ROI)樣本(其中，由于IMG-6影像覆蓋范圍內的船只目標較少，因而只提取到15對ROI樣本，其余影像則都提取了20對樣本)，共計155對ROI樣本，每對樣本分別包含一個船只目標樣本和一個船只周圍的海面樣本。

圖2 船只樣本和海面樣本的香農熵均值

為分析香農熵特征在船只與海面上表現的不同特性，本文分別統計155對ROI樣本，得到每對船只樣本和海面樣本的香農熵均值。圖2為全部155對ROI樣本的船只樣本均值和海面樣本均值。圖中相同顏色和標記的線表示從同一景影像中提取的樣本，不同顏色標記的實線分別表示8景影像的船只樣本香農熵均值，虛線表示與船只樣本匹配的海面樣本香農熵均值。

本文利用船只目標與海面的香農熵特征的統計均值分析香農熵特征在船只與海面上表現的不同特性。由于統計均值結合了船只目標香農熵特征的統計峰值和統計最小值以及與海面的香農熵特征統計峰值的優勢和特點，在融合統計峰值的基礎上相比統計峰值更具有普遍適用性，同時克服了統計峰值帶來的偶然性因素。

根據圖2的結果可以得出以下結論：香農熵特征在船只與海面上顯示出不同的特性，主要表現在船只目標的香農熵特征的統計均值明顯為正值，而海面的香農熵特征的統計均值為負值。

圖3 典型SAR圖像(截取IMG-5影像的區域，中心入射角為34.4°)

圖3(a)為一個包含3艘船只目標的典型SAR場景，圖3(b)為該場景的VV幅度的三維立體圖，圖3(c)為平均極化協方差矩陣行列式的三維立體圖。比較圖3(b)和圖3(c)可以發現，協方差矩陣的行列式能夠明顯提高船海對比度。圖3(d)為香農熵特征的三維立體圖。可見，船只目標的香農熵為正值，海面的香農熵為負值。

綜上所述，可以通過選取合適的閾值，利用閾值分割的方法實現船只目標檢測。

2 基于香農熵的船只目標檢測算法

2.1 算法流程

本文提出了一種基于香農熵特征的雙極化SAR船只目標檢測算法。首先利用雙極化SAR數據提取極化散射矩陣S，然后采用N×N滑動窗口計算平均極化協方差矩陣C，根據式(3)或式(4)計算香農熵SE；最后，根據給定的閾值Th，當式SE≥Th時，目標為船只，否則目標為海面。算法檢測流程如圖4所示。從算法流程可以看出，算法的檢測時間主要取決于由原始數據計算香農熵的過程。該算法使用了兩個參數：N和Th，下面詳細介紹其含義與取值情況。

圖4 基于香農熵的船只目標檢測算法流程示意圖

2.2 參數選擇分析

本文算法需要引入兩個參數：滑動窗口N和檢測閾值Th。N表示計算平均極化協方差矩陣時設置的統計平均窗口大小。顯然，N越大，統計窗口中的像元越多，這樣可以降低斑點噪聲，但算法檢測時間也將增加，圖像的空間分辨率也將降低，可能導致檢測結果中出現漏檢目標，同時使船只目標的邊緣輪廓變得模糊。Th表示分割船只目標與海面的閾值。根據第二節的分析可知，Th越小，漏檢目標越少，但可能出現虛警目標。

本文利用34個船只樣本(包含周圍海面)作為實驗數據，通過控制其中一個參數改變另一個參數的方式，分析參數N和Th對檢測性能的影響。為有效評價算法檢測性能，這里使用品質因數FOM進行定量分析[3]：

(5)

其中，Ntt為正確檢測到的船只目標，Nfa為虛警目標，Ngt為實際的船只目標。因此，FOM越大則表示檢測性能越好。

上一節分析了船只目標與海面的香農熵特征的統計均值，已經得到船只目標與海面的香農熵特征統計均值在0值的附近，則在參數閾值Th的選擇中，結合香農熵特征的統計峰值，只需測試Th在[-4，3]范圍內的檢測效果。其中3可認為是船只目標香農熵特征的峰值統計平均，-4可認為是海面香農熵特征的峰值統計平均。這樣既能夠兼容到船只目標的香農熵特征統計峰值，又能夠兼容到海面的香農熵特征統計峰值，通過反復實驗，得到一個較為合理的閾值參數選擇建議。

圖5 不同參數N和Th下的檢測性能曲線圖

檢測閾值Th(N=3時)漏檢目標虛警目標正確檢測FOM-4026340.567-304340.895-201340.971-100341.000000341.000120320.941280260.7653150190.588

圖5為利用不同參數N和Th分別對34個船只樣本進行船只目標檢測的檢測性能曲線圖，橫坐標表示Th(Th∈[-4，3])，縱坐標表示FOM(FOM∈[0，1])。圖中4種顏色的曲線分別表示N=3，5，7，9條件下FOM隨Th的變化情況。從圖5可以看出，當Th取[-4，-2]范圍時，隨著N的增大，FOM逐漸升高；當Th取[-1，3]范圍時，隨著N增大，FOM逐漸降低。產生這種現象的原因是，當Th大于-1時，結果中虛警目標較少，漏檢目標較多，當Th小于-1時，結果中虛警較多，漏檢較少(如表1所示，虛警和漏檢分別出現在Th=-1的兩側)?？梢姰擳h取[-1，0]范圍內時，FOM保持較好。綜合滑動窗口N和檢測閾值Th對檢測性能的影響，本文建議參數設置為N=3，Th=-1。

2.3 檢測結果及評價

為了進行算法對比分析，本文采用的實驗數據源為IMG-3和IMG-4，從這兩景影像中提取兩個子區域，分別為1#區域418像素×403像素，等效視數[15](ENL)為0.1683；2#區域436像素×564像素，等效視數為0.5089(如圖6(a)和圖7(a)所示)。根據AIS報告和目視解譯的綜合分析結果，1#區域具有18艘船只目標，2#區域有23艘船只目標。

本文分別利用K分布CFAR、G0分布CFAR和XC算法與本文算法進行算法對比，其中兩種CFAR算法用于檢測VV強度圖。根據參數分析結果，本文參數為設置為N=3，Th=-1，兩種CFAR算法的虛警率都是經過多次測試最優參數，XC算法則采用文獻[11-12]建議的參數。檢測結果如圖6和圖7所示，其中1表示海面，0表示船只，三角形△表示虛警目標。表2和表3分別為圖6和圖7實驗區域的4種算法的檢測結果及檢測時間。

從檢測精度上看，1#區域的4種算法都全部檢測出18艘船只目標，沒有出現虛警，如圖6(b)、圖6(c)、圖6(e)、圖6(f)所示。因此這4種算法的FOM都等于1.00(表2)。2#區域的檢測結果如圖7所示，4種算法都全部檢測出23艘船只目標，但2種CFAR算法都出現5個虛警目標(如圖7(b)、圖7(c)所示)(通常CFAR算法在允許的條件下虛警率一般設置的較高，因此CFAR檢測結果中沒有出現漏檢)，XC算法也出現2個虛警目標(圖7(f))。只有本文算法的FOM等于1，其余算法FOM都小于1(表3)，因此，本文算法在檢測精度上要優于其他檢測算法。

從檢測效率上看，傳統CFAR算法檢測時間明顯高于本文算法和XC算法，本文算法與XC算法的檢測時間幾乎相等(見表2和表3檢測時間列)。從算法計算量也可得出類似結論，通常CFAR算法需要進行參數估計，在給定虛警率時需要計算檢測閾值，這大大增加算法的計算量，因此CFAR算法檢測時間較高。由圖4可知，本文算法計算量主要集中在利用極化復數據計算香農熵的過程中，因此計算量較低，檢測時間低于CFAR算法。

由以上實驗結果可以得出，本文基于香農熵的船只目標檢測算法在檢測精度和檢測效率上分別優于傳統CFAR檢測算法和XC算法，表現出較好的檢測性能。尤其在噪聲較高的環境下(等效視數小于1)，本文算法依然能夠保持較高的檢測效率和精度。

圖6 1#區域(ENL=0.1683)的檢測結果對比

圖7 2#區域(ENL=0.5089)的檢測結果對比

檢測算法漏檢目標虛警目標正確檢測FOM檢測時間/sK-CFAR00181.0054.29G0-CFAR00181.0072.25XC算法00181.003.50本文算法00181.003.52

表3 圖7實驗結果

表4匯總了分別從本文全部8景影像中提取的船只目標區域的檢測結果，全部區域共包含100個目標，本文基于香農熵的船只目標檢測算法正確檢測出99個目標，沒有虛警存在，基于XC的船只目標檢測算法正確檢測出99個目標，出現2個虛警目標。表4分別給出了每個區域的本文算法和XC算法的檢測結果及時間。從表中可以看出，兩種算法的檢測時間幾乎相等，檢測的品質因數也幾乎相等。但在某些情況下(如圖7的IMG-4檢測結果)，XC算法的檢測精度要低于本文算法。

表4 8景影像的提取區域的檢測結果

3 結束語

本文針對C波段Radarsat-2雙極化SAR數據，提出了一種基于極化香農熵特征的船只目標檢測方法。該方法有效克服了傳統CFAR方法因虛警率設置產生的算法自動性差的缺點。文中利用8景SAR數據進行測試，結果表明本文算法具有較好的檢測性能。得到的主要結論如下：極化香農熵特征的特性表現為：船只目標的香農熵為正值，海面的香農熵為負值，利用簡單的閾值分割，可以實現船海目標的分離；通過分析算法參數對檢測結果的影響，根據參數選擇的依據，建議參數設置為滑動窗口N=3，檢測閾值Th=-1；本文算法在高噪聲條件下也表現出較好的檢測性能，當等效視數小于1時，FOM優于0.93；相比最優XC特征，香農熵特征利用了更豐富的極化信息，本文算法的檢測結果優于XC算法。

本文算法測試的數據為中等分辨率的C波段Radarsat-2雙極化數據，對于其他波段和全極化數據的應用，尤其是在更高分辨率的情況下(船只由點目標變成面目標)，算法的適用性還需研究。文中主要研究算法在高噪聲條件下的應用，今后還可以進一步分析算法在高海況條件下應用。

[1] VACHON P W，THOMAS S J，CRANTON J，et al.Validation of ship detection by the RADARSAT syntheticaperture radar and the ocean monitoring workstation[J].Canadian Journal of Remote Sensing，2000，26(3)：200-212.

[2] WACKERMAN C C，FRIEDMAN K S，PICHEL W G，et al.Automatic detection of ships in RADARSAT-1 SAR imagery[J].Canadian Journal of Remote Sensing，2001，27(4)：371-378.

[3] ZHANG X，ZHANG J，MENG J M，et al.A novel polarimetric SAR ship detection filter[C].IET International Radar Conference，2013：266-270.

[4] CHEN J，CHEN Y，YANG J.Ship detection using polarization cross-entropy[J].Geoscience and Remote Sensing Letters，IEEE Transactions on，2009，6(4)：723-727.

[5] LIU C，VACHON P W，GELING GW.Improved ship detection with airborne polarimetric SAR data[J].Canadian Journal of Remote Sensing，2005，31(1)：122-131.

[6] 種勁松，朱敏慧.SAR圖像艦船及其尾跡檢測研究綜述[J].電子學報，2003，31(9)：1356-1360.

[7] XING X W，CHEN Z L，ZOU H X，et al.A fast algorithm based on two-stage CFAR for detecting ships in SAR images[C].IEEE 2nd Asian-Pacific Conference on Synthetic Aperture Radar，2009：506-509.

[8] WANG C，LIAO M，LI X.Ship detection in SAR image based on the alpha-stable distribution[J].Sensors，2008，8(8)：4948-4960.

[9] FRERY A C，MULLER H J，YANASSE C C F，et al.A model for extremely heterogeneous clutter[J].Geoscience and Remote Sensing，IEEE Transactions on，1997，35(3)：648-659.

[10] QIN X，ZHOU S，ZOU H，et al.A CFAR detection algorithm for generalized gamma distributed background in high-resolution SAR images[J].Geoscience and Remote Sensing Letters，IEEE Transactions on，2013，10(4)：806-810.

[11] NUNZIATA F，MIGLIACCIO M，BROWN C E.Reflection symmetry for polarimetric observation of man-made metallic targets at sea[J].IEEE Journal of Oceanic Engineering，2012，37(3)：384-394.

[12] VELOTTO D，NUNZIATA F，MIGLIACCIO M，et al.Dual-polarimetricTerraSAR-X SAR data for target at sea observation[J].Geoscience and Remote Sensing Letters，IEEE Transactions on，2013，10(5)：1114-1118.

[13] RéFRéGIER P，MORIO J.Shannon entropy of partially polarized and partially coherent light with gaussian fluctuations[J].JOSA A，2006，23(12)：3036-3044.

[14] LEE J S，POTTIER E.Polarimetric radar imaging：from basics to applications[M].New York：CRC press，2009.

[15] 王雋，楊勁松，黃韋艮，等.多視處理對SAR船只探測的影響[J].遙感學報，2008，12(3)：399-404.

Dual-polarimetric SAR Data for Ship Detection Based on Shannon Entropy

LONG Meng-qi1，2，YANG Xue-zhi1，MENG Jun-min2，LIU Gen-wang2，ZHANG Xi2，DONG Zhang-yu1

(1.SchoolofComputerandInformation，HefeiUniversityofTechnology，Hefei230009；2.FirstInstituteofOceanography，StateOceanicAdministration，ShandongQingdao266061)

The traditional constant false alarm rate (CFAR) ship detection methods have poor automaticity，and it is difficult to set false alarm rate.According to the principle that shannon entropy shows different features for ship and sea，we present a new ship detection algorithm based on shannon entropy.To test the detection performance of the new method，eight scenes of C band Radarsat-2 dual-polarimetric SAR test data were used.The algorithm of K-CFAR，G0-CFAR and XC ship detection algorithm based on reflection symmetry were contrastively analyzed with the new method for ship detection.The experimental results demonstrate that the new method has preferable detection performance.

dual-polarimetric；synthetic aperture radar；shannon entropy；ship target；target detection

2014-09-01

2014-11-12

國家自然科學基金(61371154、41076120、61271381、61102154)；光電控制技術重點實驗室和航空科學基金聯合資助項目(201301P4007)；中央高?；究蒲袠I務費專項資金(2012HGCX0001)；海洋公益性項目科研專項(200905029)。

龍夢啟(1990—)，男，在讀碩士研究生，研究方向為遙感圖像目標檢測。

E-mail：longmq1990@163.com

楊學志(1970—)，男，博士生導師，研究方向為遙感圖像目標檢測與解譯。

E-mail：xzyang@hfut.edu.cn

10.3969/j.issn.1000-3177.2015.05.002

TP751

A

1000-3177(2015)141-0014-06