一種基于變化檢測(cè)技術(shù)的SAR圖像艦船目標(biāo)鑒別方法

張小強(qiáng)熊博蒞 匡綱要

(國(guó)防科學(xué)技術(shù)大學(xué)電子科學(xué)與工程學(xué)院 長(zhǎng)沙 410073)

一種基于變化檢測(cè)技術(shù)的SAR圖像艦船目標(biāo)鑒別方法

張小強(qiáng)*熊博蒞 匡綱要

(國(guó)防科學(xué)技術(shù)大學(xué)電子科學(xué)與工程學(xué)院 長(zhǎng)沙 410073)

該文引入變化檢測(cè)思想，利用SAR圖像中海雜波和目標(biāo)之間的灰度差異，通過(guò)對(duì)潛在艦船目標(biāo)切片的目標(biāo)像素和背景像素進(jìn)行分離，計(jì)算目標(biāo)像素聚集度(TPAM)特征，實(shí)現(xiàn)對(duì)高亮像素在圖像切片中聚集程度的定量評(píng)估，從而鑒別目標(biāo)切片中是否包含有艦船目標(biāo)，有效去除雜波虛警。首先，基于感興趣區(qū)域(ROI)切片中心為目標(biāo)像素及四周為海雜波的合理假設(shè)，構(gòu)建似然比變化檢測(cè)量獲取差異圖像；然后，利用KSW熵閾值選擇方法實(shí)現(xiàn)差異圖像中目標(biāo)像素和海雜波像素的自動(dòng)分離，生成二值圖像；最后，利用切片中心像素為種子點(diǎn)，對(duì)二值圖像進(jìn)行區(qū)域生長(zhǎng)，計(jì)算目標(biāo)像素聚集度特征，并判斷目標(biāo)切片是否包含艦船目標(biāo)。基于RADARSAT-1 SAR實(shí)測(cè)數(shù)據(jù)的實(shí)驗(yàn)結(jié)果表明，該文方法得到的目標(biāo)像素聚集度特征計(jì)算簡(jiǎn)單、穩(wěn)健性好、可區(qū)分度高，具有良好的鑒別性能，能夠去除大部分海雜波干擾產(chǎn)生的虛警，有效地降低目標(biāo)檢測(cè)虛警率。

SAR圖像；目標(biāo)鑒別；似然比檢測(cè)量；KSW熵法；目標(biāo)像素聚集度

1 引言

艦船目標(biāo)的檢測(cè)與識(shí)別是海洋SAR圖像解譯技術(shù)的熱點(diǎn)和難點(diǎn)。在艦船檢測(cè)階段通常根據(jù)海雜波的數(shù)學(xué)統(tǒng)計(jì)模型設(shè)計(jì)恒虛警率(Constant False-Alarm Rate, CFAR)檢測(cè)算法。由于觀測(cè)場(chǎng)景中海面情況有時(shí)比較復(fù)雜，雜波干擾嚴(yán)重，而且在理論上CFAR檢測(cè)并不是最優(yōu)的檢測(cè)算法[1- 3]，致使檢測(cè)結(jié)果中有部分虛警目標(biāo)，包括海面雜波虛警和部分陸地以及島礁的干擾。有時(shí)候虛警數(shù)量甚至可能多于目標(biāo)數(shù)量，這大大降低了目標(biāo)識(shí)別效率。因此需要對(duì)檢測(cè)結(jié)果進(jìn)行鑒別處理，通過(guò)艦船目標(biāo)的若干鑒別特征剔除虛警，保留真實(shí)目標(biāo)。在鑒別階段，提取艦船目標(biāo)的有效特征是目標(biāo)鑒別的關(guān)鍵技術(shù)[4- 6]。

現(xiàn)在比較常用的鑒別特征中，幾何特征和對(duì)比度特征比較直觀，而且算法樸素，但是特征值比較依賴目標(biāo)與背景分離的效果，如果在強(qiáng)干擾環(huán)境下無(wú)法準(zhǔn)確提取目標(biāo)，所求特征值可能與真實(shí)值偏差較大；而紋理特征，如標(biāo)準(zhǔn)偏差和分形維數(shù)特征，雖然取值穩(wěn)定，但是鑒別虛警率一般較高。總體而言，各單個(gè)特征的可分離性普遍偏弱，鑒別性能不強(qiáng)，導(dǎo)致鑒別結(jié)果中虛警漏警偏多[7- 10]，增加了鑒別器設(shè)計(jì)的難度和復(fù)雜度。

針對(duì)這一缺陷，本文基于變化檢測(cè)技術(shù)提出一種新的艦船目標(biāo)鑒別特征，即目標(biāo)像素聚集度特征。該特征下目標(biāo)和虛警的特征值差異明顯，可分性強(qiáng)。該特征可以定量評(píng)估對(duì)切片進(jìn)行分割后亮像素在目標(biāo)區(qū)域的聚集程度，并以此將待鑒別切片中的真實(shí)目標(biāo)和雜波虛警區(qū)分開(kāi)。

2 基于變化檢測(cè)技術(shù)的艦船目標(biāo)鑒別方法

在艦船目標(biāo)檢測(cè)階段，本文對(duì)SAR圖像采用全局CFAR算法進(jìn)行檢測(cè)并聚類(lèi)。在提取感興趣區(qū)域(Regions Of Interest, ROI)切片時(shí)，考慮到誤差的存在，為了保證每一個(gè)切片能夠完整包含一個(gè)聚類(lèi)，需要使正方形切片選框邊長(zhǎng)N稍大于取聚類(lèi)最小外接矩形長(zhǎng)L，同時(shí)N的取值也不能過(guò)大，因?yàn)榍衅叽缭酱螅谋尘靶畔⒃蕉嘣綇?fù)雜，切片處理難度也會(huì)隨之增大；另外，為了保證切片的對(duì)稱性，N須為奇數(shù)。因此，本文做如下處理：令半長(zhǎng)N0=表示四舍五入取整操作，則N= 2N0+1。然后將聚類(lèi)質(zhì)心與切片選框中心對(duì)準(zhǔn)，從原圖中截取圖像數(shù)據(jù)得到切片。

與局部CFAR算法相比，全局CFAR算法大大降低了計(jì)算量，從而縮短了檢測(cè)時(shí)間，而代價(jià)就是容易產(chǎn)生大量虛警。為了盡可能地剔除虛警保留真實(shí)目標(biāo)，提高后續(xù)目標(biāo)識(shí)別工作的效率，我們用以下方法對(duì)目標(biāo)切片進(jìn)行鑒別：首先，用變換檢測(cè)的方法將目標(biāo)從背景中提取出來(lái)，即將目標(biāo)切片與純背景切片進(jìn)行變化檢測(cè)，得到的結(jié)果可視為潛在艦船目標(biāo)；然后對(duì)目標(biāo)的中心像素聚集度進(jìn)行分析，因?yàn)橐阎繕?biāo)位于切片中心區(qū)域，所以若潛在目標(biāo)像素大量聚集在切片中心區(qū)域，即鑒定其可能為目標(biāo)，否則為雜波虛警。鑒別流程圖如圖1所示，具體為：

圖1 鑒別流程圖

(1)構(gòu)建變化檢測(cè)量 由于目標(biāo)位于ROI切片中心，因此，在切片四角位置的像素可認(rèn)為是海雜波，可以利用四角的像素對(duì)海雜波的均值進(jìn)行統(tǒng)計(jì)。記ROI切片為I，切片為正方形，尺寸為N×N，則圖像中像素可表示為I( i, j)，其中i, j=1,2,…,N ，取位于矩陣四角正方形區(qū)域的M×M個(gè)元素進(jìn)行雜波統(tǒng)計(jì)，如圖2所示，陰影區(qū)域?yàn)殡s波統(tǒng)計(jì)區(qū)域，其中M=[N/4]。

則切片四角數(shù)據(jù)的均值可表示為

圖2 統(tǒng)計(jì)雜波示意圖

則背景雜波均值為

利用背景雜波和原始切片構(gòu)建變化檢測(cè)量。本文選擇構(gòu)建似然比變化檢測(cè)量，這是一種新的變化檢測(cè)量，不僅計(jì)算簡(jiǎn)單、效果穩(wěn)定，而且十分有利于后續(xù)求取閾值。根據(jù)文獻(xiàn)[11]的推導(dǎo)可得

其中η(i, j),i, j=1,2,…,M ，為避免除零，將分母I( i, j)進(jìn)行加1處理。

通過(guò)式(3)所得結(jié)果η值普遍較低，變化范圍較小，為便于下一步處理，須通過(guò)線性變換，將變化檢測(cè)量η的取值范圍轉(zhuǎn)化為[0,255][11]，從而形成標(biāo)準(zhǔn)灰度圖像差異數(shù)據(jù)D( i, j), i, j=1,2,…,N 。構(gòu)建變化檢測(cè)量示意圖見(jiàn)圖3.

圖3 構(gòu)建變化檢測(cè)量示意圖

(2)對(duì)變化檢測(cè)量進(jìn)行閾值分割 文獻(xiàn)[11]中利用相鄰直方圖比的方法確定差異數(shù)據(jù)的最佳閾值，前提是圖像中變換像素和為變化像素比例懸殊，未變化像素占差異數(shù)據(jù)的95%以上。而在本文中，切片并不滿足這一前提，變化檢測(cè)的參考圖像是通過(guò)統(tǒng)計(jì)切片四角數(shù)據(jù)所得，與原始切片的純背景存在一定差異，變化像素較多，因此這種方法并不適用。而使用Kapur Sahoo and Wong (KSW)熵算法對(duì)變化檢測(cè)量進(jìn)行閾值選取可以良好的效果，算法流程為：

令pk, k=0,1,…,255為灰度級(jí)k的出現(xiàn)概率，設(shè)閾值T將D( i, j)劃分為變化和未變化兩類(lèi)ωc和ωn,為灰度級(jí)不大于T的像素的累積概率[12]，則[0,T]和[1.255] T+中像素灰度分布為

每個(gè)分布對(duì)應(yīng)的熵Hn( T)和Hc( T)定義為

差異圖像的熵H( T)為Hn( T)和Hc( T)之和，即使熵H( T)取最大值的T0，即是使變化類(lèi)和未變化類(lèi)分開(kāi)的最佳閾值。

用閾值T對(duì)差異圖像進(jìn)行分割，灰度值大于閾值T的像素賦值為1，否則為0，最終得到二值圖像B，如圖4所示。賦值為1的像元即為潛在目標(biāo)像素，統(tǒng)計(jì)潛在目標(biāo)像素?cái)?shù)量，記為N1。

通過(guò)對(duì)比實(shí)驗(yàn)(見(jiàn)圖5)發(fā)現(xiàn)，使用KSW熵算法進(jìn)行閾值分割效果明顯優(yōu)于文獻(xiàn)[11]的分割方法。

圖4 潛在目標(biāo)像素示意圖

(3)目標(biāo)像素聚集度分析 對(duì)二值圖像B進(jìn)行區(qū)域生長(zhǎng)，計(jì)算ROI切片中心區(qū)域的連通像素的個(gè)數(shù)。該算法具體描述為：選取二值圖像中心所在位置的3×3鄰域窗口進(jìn)行搜索，將賦值為1的像素作為初始種子點(diǎn)S0；從S0點(diǎn)出發(fā)對(duì)其8鄰域進(jìn)行搜素，對(duì)于標(biāo)記為1 的像素，將其視為新的種子點(diǎn)，以此原理迭代搜索，直到找不到符合規(guī)則的像素為止，統(tǒng)計(jì)此時(shí)得到的所有種子點(diǎn)的數(shù)量，即二值圖像中心區(qū)域的連通像素個(gè)數(shù)，記為N2，如圖6所示。定義目標(biāo)像素聚集度ρ=N2/N1。進(jìn)行鑒別時(shí)，依據(jù)訓(xùn)練知識(shí)設(shè)定判決閾值t，若ρ＞t，則認(rèn)為當(dāng)前的ROI切片可能是艦船目標(biāo)，否則為虛警。

3 實(shí)驗(yàn)結(jié)果與分析

本文首先對(duì)單個(gè)切片進(jìn)行目標(biāo)像素聚集度的實(shí)例分析，然后利用對(duì)RADARSAT-1圖像進(jìn)行目標(biāo)檢測(cè)所提取的切片數(shù)據(jù)分析上述算法所提取特征的性質(zhì)，并驗(yàn)證其用于SAR圖像艦船目標(biāo)鑒別時(shí)的鑒別性能；最后對(duì)RADARSAT-1 3 m分辨率的海洋環(huán)境實(shí)測(cè)數(shù)據(jù)做艦船目標(biāo)檢測(cè)，使用目標(biāo)像素聚集度特征對(duì)檢測(cè)結(jié)果進(jìn)行鑒別。

圖5 相鄰直方圖比法與KSW熵法分割結(jié)果對(duì)比

3.1 實(shí)例分析

表1、表2以一個(gè)目標(biāo)切片和一個(gè)虛警切片為例，對(duì)比本文目標(biāo)與背景分離方法與OTSU法和KSW熵法的分割效果，以及通過(guò)不同分割方法求得的目標(biāo)像素聚集度特征值，切片原圖見(jiàn)圖7。通過(guò)觀察可知，對(duì)于干擾比較嚴(yán)重的實(shí)驗(yàn)切片，盡管無(wú)法完全抑制背景雜波，但是本文方法能夠較好地把位于切片中心區(qū)域的艦船目標(biāo)真實(shí)像素與雜波像素分離開(kāi)，并大大減少了潛在目標(biāo)像素中的雜波像素?cái)?shù)量，便于下一步分析目標(biāo)像素聚集度。通過(guò)本文方法對(duì)目標(biāo)和虛警切片求得的目標(biāo)像素聚集度差異十分明顯。

3.2 鑒別性能分析

圖6 真實(shí)目標(biāo)像素示意圖

圖7 切片原圖

對(duì)RADARSAT-1 3 m分辨率的海洋SAR圖像提取17個(gè)艦船目標(biāo)作為目標(biāo)樣本，88個(gè)虛警切片作為虛警樣本。該切片數(shù)據(jù)均反映海面環(huán)境中艦船目標(biāo)和雜波虛警的后向散射特性。下面本文通過(guò)與其他常用特征量進(jìn)行對(duì)比，分析本文特征量的鑒別性能。

圖8給出了3種特征下的目標(biāo)和雜波虛警特征值的分布曲線，其中均值信噪比和長(zhǎng)寬比分別是現(xiàn)在比較常用的對(duì)比度特征和幾何特征。在均值信噪比和長(zhǎng)寬比特征下的目標(biāo)和雜波虛警特征值的分布曲線都存在較大的重合、交錯(cuò)，而目標(biāo)像素聚集度的兩條曲線差異明顯。

下面通過(guò)可分性和魯棒性對(duì)鑒別特征做定量分析。為便于表述，設(shè)ci為特征的隨機(jī)變量，i=1,2,3時(shí)分別表示目標(biāo)像素聚集度，均值信噪比，長(zhǎng)寬比；表示均值，表示方差；w=1,2時(shí)樣本切片分別為目標(biāo)切片和虛警切片。

表1 目標(biāo)與背景分離效果對(duì)比

表2 實(shí)驗(yàn)數(shù)據(jù)對(duì)比

(1)可分性 本文利用類(lèi)內(nèi)類(lèi)間距離計(jì)算可分離程度。若異類(lèi)切片中特征間的距離越大，同類(lèi)切片中特征間的距離越小，則特征的可分性越強(qiáng)。

圖8 目標(biāo)和雜波虛警每個(gè)特征的特征值分布曲線

本文將第i類(lèi)特征的類(lèi)間離散程度SBi和類(lèi)內(nèi)離散程度SWi定義為其中N為訓(xùn)練數(shù)據(jù)庫(kù)的切片總數(shù)，N1為目標(biāo)切片個(gè)數(shù)，N2為雜波切片個(gè)數(shù)；Eci為第i類(lèi)特征雜波切片和目標(biāo)切片的總體均值。本文用類(lèi)內(nèi)與類(lèi)間離散度的比值Ji=SWi/SBi表示鑒別特征的可分性，該比值越大，特征的可分性越強(qiáng)。

(2)魯棒性 歸一化方差系數(shù)[13]定義為

本文通過(guò)計(jì)算歸一化方差系數(shù)定量評(píng)估鑒別特征的魯棒性，歸一化方差系數(shù)越小，表示該特征魯棒性越強(qiáng)，反之，魯棒性越差。

將樣本值代入式(7)、式(8)和式(9)計(jì)算結(jié)果見(jiàn)表3。由于受到切片中目標(biāo)分割效果的影響，長(zhǎng)寬比特征值波動(dòng)較大；由于切片中雜波的亮像素?cái)?shù)目不穩(wěn)定，目標(biāo)像素聚集度特征值也會(huì)略有起伏。根據(jù)表3，目標(biāo)像素聚集度特征的類(lèi)內(nèi)類(lèi)間距遠(yuǎn)高于其他兩個(gè)特征。在SAR圖像中，由于散射特性的不同，艦船目標(biāo)多表現(xiàn)為明亮像素團(tuán)，即高灰度像素聚合在一起，而一般的雜波虛警則表現(xiàn)為離散的亮點(diǎn)，所以根據(jù)像素聚集度進(jìn)行鑒別可以有效區(qū)分艦船目標(biāo)和雜波虛警。

3.3 基于目標(biāo)像素聚集度特征的實(shí)測(cè)SAR圖像鑒別結(jié)果

圖9(a)為RADARSAT-1 3 m分辨率的海洋SAR圖像數(shù)據(jù)，該圖尺寸為231×357個(gè)像素。該場(chǎng)景包含9個(gè)艦船目標(biāo)，其具體分布如圖9(b)所示，白色像素表示艦船目標(biāo)位置。可以看出圖像上半部分雜波干擾較多，艦船目標(biāo)檢測(cè)所得虛警也主要集中在這一區(qū)域。圖像數(shù)據(jù)經(jīng)全局CFAR檢測(cè)和面積參量預(yù)鑒別處理后輸出15個(gè)ROI切片，包括9個(gè)目標(biāo)切片和6個(gè)虛警切片，其分布如圖9(c)所示。本文使用目標(biāo)像素聚集度來(lái)對(duì)上述切片數(shù)據(jù)進(jìn)行鑒別處理，通過(guò)對(duì)訓(xùn)練樣本(見(jiàn)圖9(a))進(jìn)行觀察可知，絕大部分虛警特征值在0～0.10之間，而目標(biāo)特征值全都大于0.20，因此設(shè)定閾值t=0.20，則可以鑒別出10個(gè)目標(biāo)，如圖9(d)所示，包括全部的艦船目標(biāo)，1個(gè)雜波干擾的虛警(見(jiàn)粗線選框內(nèi))。利用本文特征進(jìn)行鑒別處理時(shí)通常對(duì)閾值的要求并不苛刻，由于在該特征下目標(biāo)和虛警類(lèi)間距離較大，最佳閾值并非單個(gè)數(shù)值而是一個(gè)范圍，因此通過(guò)對(duì)樣本進(jìn)行簡(jiǎn)單的觀察分析即可估計(jì)最佳閾值。在本實(shí)驗(yàn)中，通過(guò)觀察樣本可以估計(jì)最佳閾值范圍是[0.10,0.20]，通過(guò)多次實(shí)驗(yàn)證明閾值在此范圍內(nèi)變化不會(huì)影響鑒別結(jié)果。

圖9 SAR圖像艦船目標(biāo)鑒別結(jié)果

表3 特征魯棒性和可分性計(jì)算結(jié)果

為便于分析，下面本文依次給出幾種指標(biāo)的定義：

(1)分類(lèi)正確率(Classification Accuracy Ratio, CAR)定義為

其中Ne為總的分類(lèi)錯(cuò)誤數(shù)目，Nr為總的分類(lèi)正確數(shù)目。設(shè)雜波正確分類(lèi)數(shù)目為N1r，雜波分類(lèi)錯(cuò)誤數(shù)目為N1e，目標(biāo)正確分類(lèi)數(shù)目為N2r，目標(biāo)分類(lèi)錯(cuò)誤數(shù)目為N2e，則有Nr=N1r+N2r, Ne=N1e+N2e。

(2)品質(zhì)因子(Figure Of Merit, FOM)定義為

其中FN為漏警個(gè)數(shù)，F(xiàn)P為錯(cuò)誤被鑒別為艦船目標(biāo)的切片個(gè)數(shù)，TP為正確被鑒別為艦船目標(biāo)的切片個(gè)數(shù)[14]。在本文中雜波分類(lèi)錯(cuò)誤數(shù)目N2e等于錯(cuò)誤被鑒別為目標(biāo)的個(gè)數(shù)FP，目標(biāo)正確分類(lèi)數(shù)目N1r等于正確被鑒別為目標(biāo)的個(gè)數(shù)TP。

測(cè)試圖像用9個(gè)目標(biāo)切片，6個(gè)雜波切片的鑒別結(jié)果如表4所示。其中品質(zhì)因數(shù)和分類(lèi)正確率數(shù)值較高，鑒別效果較好，由此說(shuō)明目標(biāo)像素聚集度特征性能優(yōu)良。

表4 圖9(a)的鑒別結(jié)果

4 結(jié)束語(yǔ)

隨著SAR數(shù)據(jù)獲取技術(shù)的不斷改進(jìn)，迫切需要發(fā)展相應(yīng)的SAR圖像解譯技術(shù)，其中穩(wěn)健的檢測(cè)算法和高效的鑒別處理是關(guān)鍵[15]。本文就SAR圖像艦船目標(biāo)的鑒別工作，基于變化檢測(cè)技術(shù)提取一種新的目標(biāo)鑒別特征，即目標(biāo)像素聚集度特征，用來(lái)描述對(duì)切片進(jìn)行分割后亮像素在目標(biāo)區(qū)域的聚集程度。文中利用變化檢測(cè)技術(shù)對(duì)切片四周雜波干擾進(jìn)行抑制，利用雜波數(shù)據(jù)和待鑒別數(shù)據(jù)構(gòu)建變化檢測(cè)統(tǒng)計(jì)量，生成差異數(shù)據(jù)，為分析目標(biāo)像素聚集度奠定基礎(chǔ)。

盡管本文只給出了1類(lèi)數(shù)據(jù)實(shí)驗(yàn)結(jié)果，但大量有代表性的實(shí)驗(yàn)表明，本文提出的目標(biāo)像素聚集度特征可分性強(qiáng)，鑒別性能優(yōu)良，能有效地區(qū)分艦船目標(biāo)和雜波虛警。在后續(xù)研究中還可以將該特征與其他鑒別特征結(jié)合起來(lái)，設(shè)計(jì)合理的鑒別器，形成新的更高效的艦船目標(biāo)鑒別方案。

[1] Gao Gui, Liu Li, Zhao Ling-jun, et al.. An adaptive and fast CFAR algorithm based on automatic censoring for target detection in high-resolution SAR images[J]. IEEE Transactions on Geoscience and Remote Sensing, 2009, 47(6): 1685-1687.

[2] Wang Ying-hua and Liu Hong-wei. A hierarchial ship detection scheme for high-resolution SAR images[J]. IEEE Transactions on Geoscience and Remote Sensing, 2012, 50(10): 4173-4184.

[3] Velotto D, Soccorsi M, and Lehner S. Azimuth ambiguities removal for ship detection using Full polarimetric X-band SAR data[J]. IEEE Transactions on Geoscience and Remote Sensing, 2014, 52(1): 76-88.

[4] 高貴, 周蝶飛, 張軍, 等. 基于遺傳算法的SAR圖像目標(biāo)鑒別特征選擇[J]. 電子學(xué)報(bào), 2008, 36(6): 1041-1046. Gao Gui, Zhou Die-fei, Zhang Jun, et al.. Feature selection for target discrimination in SAR images based on genetic algorithm[J]. Acta Eletronica Sinica, 2008, 36(6): 1041-1046. [5] Deepakumara J, Bobby P, Mcguire P, et al.. Simulating SCN and MSSR modes of RADARSAT-2 for ship and iceberg discrimination[C]. 2013 IEEE RADAR Conference, Ottawa, Canada, 2013: 1-6.

[6] Zhang Cui, Zou Tao, and Wang Zheng-zhi. A target discrimination algorithm for high resolution SAR imagery[J].IEEE Transactions on Geoscience and Remote Sensing, 2011, 49(1): 277-293.

[7] Park Jong-il , Park Sang-hong, and Kim Kyung-tae . New discrimination features for SAR automatic target recognition [J]. IEEE Geoscience and Remote Sensing Letters, 2013, 10(3): 476-480.

[8] Zhang Li-ping, Wang Chao, Zhang Hong, et al.. Aircraft discrimination in high resolution SAR images based on texture analysis[C]. 2010 2nd International Asia Conference on Informatics in Control, Automation and Robotics, Wuhan, China, 2010: 118-121.

[9] Sharma A and Moses R L. Matched subspace detectors for discrimination of targets from trees in SAR imagery[C]. 2000 Conference Record of the Thirty-Fourth Asilomar Conference on Signals, Systems and Computers, Pacific Grove, USA, 2000: 1721-1726.

[10] Principe J C, Munchurl Kim, and Fisher J W. Target discrimination in synthetic aperture radar using artificial neural networks[J]. IEEE Transactions on Image Processing, 1998, 7(8): 1136-1149.

[11] Xiong Bo-li, Chen Jing-ming, and Kuang Gang-yao. A change detection measure based on a likelihood ratio and statistical properties of SAR intensity images[J]. Remote Sensing Letters, 2012, 3(3): 267-275.

[12] Xiong Bo-li, Chen Qi, Jiang Yong-mei, et al.. A threshold selection method using two SAR change detection measures based on the Markov random field model[J]. IEEE Geoscience and Remote Sensing Letters, 2012, 9(2): 287-291.

[13] 李娜, 劉方. 基于模糊聚類(lèi)視區(qū)劃分的SAR目標(biāo)識(shí)別方法[J].電子學(xué)報(bào), 2012, 40(2): 394-399. Li Na and Liu Fang. A SAR target recognition method based on view-aspects partitioned by fuzzy clustering[J]. Acta Electronica Sinica, 2012, 40(2): 394-399.

[14] Paes R L, Lorenzzetti J A, and Gherardi D F M. Ship detection using TerraSAR-X images in the campos basin[J]. IEEE Geoscience and Remote Sensing Letters, 2010, 7(3): 545-548.

[15] 湯子躍, 朱敏慧, 王衛(wèi)延. 一種SAR圖像艦船尾跡的CFAR檢測(cè)方法[J]. 電子學(xué)報(bào), 2002, 30(9): 1336-1339. Tang Zi-yue, Zhu Min-hui, and Wang Wei-yan. A CFAR detection method of ship wakes in SAR images[J]. Acta Electronica Sinica, 2002, 30(9): 1336-1339.

張小強(qiáng)： 男，1989年生，博士生，研究方向?yàn)镾AR圖像近港艦船目標(biāo)檢測(cè)技術(shù).

熊博蒞： 男，1981年生，博士，講師，研究方向?yàn)镾AR圖像解譯、艦船檢測(cè)與識(shí)別、圖像配準(zhǔn)與變化檢測(cè).

匡綱要： 男，1966年生，博士，教授，博士生導(dǎo)師，從事雷達(dá)信號(hào)處理、SAR 圖像解譯、多光譜圖像目標(biāo)識(shí)別、雷達(dá)目標(biāo)特性分析等領(lǐng)域的研究工作.

A Ship Target Discrimination Method Based on Change Detection in SAR Imagery

Zhang Xiao-qiang Xiong Bo-li Kuang Gang-yao
(School of Electronic Science and Engineering, National University of Defense Technology, Changsha 410073, China)

In order to reserve ship targets and reduce sea clutters as the false alarms from the SAR Regions Of Interest (ROI) chips, a ship discrimination feature named Target Pixel Aggregative Measure (TPAM) is proposed in this paper. Benefited from the technology of change detection, TPAM using the gray difference in SAR imagery to separate the target pixels and background pixels. Firstly, based on the assumption that the central pixels of a ROI belong to target pixels while the surrounding pixels fall into sea clutters, a change detection measure based on the likelihood ratio is used to generate the residual data. Then the target pixels and background pixels are automatically separated and produce a binary image by the KSW entropy method. Finally, the center of the binary image is used as a seed to implement region growing and TPAM can be obtained to discriminate targets and clutters. Experimental results using RADARSAT-1 SAR data show that the propose discrimination feature is not only simple and robust, but also has a strong differentiate ability, which can eliminate most of false alarms effectively.

SAR image; Target discrimination; Change detection based on likelihood ratio; KSW entropy method; Target Pixel Aggregative Measure (TPAM)

TP75

A

1009-5896(2015)01-0063-08

10.11999/JEIT140143

2014-01-21 收到，2014-04-18改回

國(guó)家自然科學(xué)基金(61201338)資助課題

*通信作者：張小強(qiáng) zxqdark@163.com