基于SAR圖像的船舶分類研究

田小娟，南 杰

（1.國家知識產權局專利局專利審查協作四川中心，成都 610213；2.國家知識產權局專利局專利審查協作河南中心，鄭州 450000）

基于SAR圖像的船舶分類研究

田小娟1，南 杰2

（1.國家知識產權局專利局專利審查協作四川中心，成都 610213；2.國家知識產權局專利局專利審查協作河南中心，鄭州 450000）

船舶分類是SAR圖像應用的熱點和難點問題。本文結合合成孔徑雷達（SAR）衛星圖像特征提取技術的發展，綜述了常用的基于SAR圖像船舶分類和識別的特征提取技術和適用性，總結了SAR圖像在船舶分類研究存在和問題和發展前景。

SAR圖像；船舶；后向散射

0　引 言

微波遙感是進行海洋探測的最佳手段，SAR衛星自誕生伊始就是為了滿足海洋遙感的需求。在海洋應用中，SAR能夠宏觀、長期、連續、動態、實時的對海洋進行觀測，利用SAR圖像進行船舶目標的檢測一開始就是就受到了很多學者的關注。

由于數據分辨率和數據源的限制，原有大量的船舶分類研究工作主要是基于模擬SAR（ISAR）圖像，基于中低分辨率的SAR圖像船舶分類研究較少，分類精度也比較低，而國內外還鮮見公開發表的基于高分辨率SAR圖像開展的船舶分類研究文獻。進入21世紀以來，SAR技術不斷發展，尤其是2007年意大利1 M分辨率的COSMO-SkyMed、德國1 m分辨率的TerraSAR-X和加拿大的Radarsat-2先后升空，開啟了高分辨率SAR衛星的時代。原來小型的船舶目標在中低分辨率SAR圖像上表現為點目標，大中型船舶目標表現為內部結構不太清晰面目標，而如今隨著SAR分辨率的提高，目標具有更為豐富的細節特征和內部結構，多極化SAR的信息也使得船舶具有非常有用的極化信息，因此SAR圖像不僅可以用于船舶的監測和定位，還可用于目標的分類和識別。

1　SAR圖像中船舶的典型特征

船舶主要由金屬制成，其上層建筑構成許多角反射器，使其成為極強的雷達反射器。影響船舶識別能力的物理因素有艦船因素、SAR系統因素和海洋因素。艦船因素包括艦船的結構、形狀、尺寸等；SAR系統因素包括極化方式、入射角和雷達波束與艦船之間的夾角等；海洋因素指總體海況，如當海風增大時，海洋表面的后向散射增加，艦船與海洋表面回波的亮度對比減小，圖像分割的困難會降低船舶的分類率。SAR對海面船舶側視成像時，雷達與目標間的相對運動既包含平臺與船舶的平移運動，也包含船舶在復雜海況下的橫滾、俯仰和偏航等三維轉動，運動形式會造成圖像模糊。因此，利用SAR圖像進行目標的分類和識別研究難度很大。特征提取是目標分類領域中的關鍵技術，特征提取的好壞直接影響到分類的精度和效率。

1.1形狀特征

形狀是船舶區別于其他海面目標的重要特征，船舶的形狀一般較簡單，幾何尺寸較大，其中，船舶長度是一個簡單的但是非常具有區分價值的特征，尤其對于軍用艦船而言。船舶主軸的初始長度可以通過對分割后圖像進行Hough變換得到，該方法性魯棒性更強，由于其他方法的估計，例如主成分分析（PCA）法或最小二乘擬合法，當一些圖像（特別是ISAR圖像）在方位向上有大量零散分布的散射點，或周圍有殘余的小雜波區域時，會導致中心線估計偏差。由于船舶在它整個船長上不一定都有能量散射回來，由經驗可以通過（20+L）/0.9（L為初始船長）獲得船舶的可能最大長度.在實驗中，需要將最小和最大船舶長度作為船舶的長度區間來降低誤差。估計目標長度后，計算船舶的離心率，然后通過這兩個參數剔除不夠狹長的物體，如由圖像的模糊或者雜波區域造成的虛警。由于同一類軍用艦船的長度的概率分布接近于高斯分布，因此通過貝葉斯估計可以獲得船舶的類別。

由于SAR圖像特殊的成像機理，目標的形狀很容易受到各種因素的干擾。不同SAR系統，由于波段、極化方式、分辨率的不同，對目標的分類能力也不相同；在天氣惡劣、海況較差時，船舶目標的分割非常困難，也會影響到后續的分類過程；在SAR圖像上，目標形狀對方位角比較敏感，在某些方位角下甚至出現部分缺失和破碎，同時船舶載貨狀態也會對目標的成像造成影響。因此，形狀特征很少作為單一的特征用于船舶分類，而常和其他特征結合起來以提高算法的可行性和適用性。

1.2后向散射特征

船舶在SAR圖像上后向散射特征的不同是由其幾何形態、外部結構、成像幾何以及材質等因素共同決定的。平坦甲板和船體的回波以漫反射和鏡面反射為主，回波能量較少，因此在SAR圖像上較暗。船舶的上層建筑及附屬設置（駕駛艙、起重機吊臂、貨架、桅桿等）構成的二面角、三面角等結構，產生多路徑散射等會形成亮點或亮區。這些亮區和暗區的分布反映了目標幾何結構的類型和分布，不同的船舶類別由于其結構不同，在SAR圖像上的成像特征也不相同，因此可以將船舶在SAR圖像上的散射結構特征作為對船舶類別分類的依據。

軍用艦船上有大型建筑，因此雷達散射大多位于船體中部，而商船的散射主要來自于船只的尾部，因此可以將船舶目標平均分段，例如，對于ISAR圖像而言，不同節段之間的分割線垂直于距離像坐標軸，對于SAR圖像，分割線垂直于船舶的主軸，通過分析各段內重要散射體的個數（例如，圖像中強度前10%的像素個數）之間的關系，進行軍用艦船和商船的分類。

1.3極化特征

由于極化SAR數據源的限制，基于船舶極化信息分類的研究起步較晚，目前多處于理論研究節段，用于真實SAR圖像的船舶分類的研究工作還比較少。王雋 等人利用極化SAR目標分解理論對全極化數據進行了分解，對船只各部分按散射特性進行了分類研究，將船只的幾何結構分為球體、圓柱體、二面角、1/4波散射體等類別，初步分析了船只的幾何結構。隨著目標極化分解理論的日臻成熟和高分辨率多極化SAR數據的普及應用，基于極化信息的船舶目標研究將會迎來研究的熱潮。

2　SAR圖像中船舶分類研究存在的主要問題和前景

2.1最新發展研究

SAR船舶分類研究之前主要受制于圖像分辨率，利用真實SAR數據進行船舶的分類的研究工作大多也只是停留在船舶和非船舶的分類。而高分辨率SAR衛星數據源的不斷豐富必將大大推動該領域的研究工作，尤其是高分辨率全極化數據，可以將船舶的結構與SAR圖像上清晰可見的內部散射特征對應起來，船舶分類將更為精細化，船舶具體類別乃至于型號的劃分將是未來的研究方向。

2.2存在的問題

船舶分類的主要問題在于SAR圖像成像的質量和船舶類別的多樣性。由前文分析可知，船舶在SAR圖像上的成像結果是受多種因素影響的，而成像質量的好壞直接影響后續特征提取和分類算法的有效性，因此尋找普適性更強的SAR圖像預處理算法和特征提取算法就尤為重要。其次，相同類別的船舶，尤其是商用船舶，其形狀和結構也是千變萬化的，即使同一個船只在不同入射角、方位角或極化方式下的特征也不相同，對于大場景中船舶的分類工作，不可能有著完備的后臺數據庫和先驗知識，因此需要有針對性的對某些類型的船舶找到其共有特征，設計相應的分類算法，并在AIS信息或VTS信息存在的情況下，盡可能利用這些有用信息，以盡快確定船舶的類別。

3　結 語

SAR有著用于船舶檢測和分類研究的先天優勢，隨著雷達對地觀測技術的日趨發展，面對不斷增長的SAR數據源和包含更為豐富的目標信息的SAR圖像，如果充分利用這些數據進行自動或半自動的快速解譯和識別已引起了越來越多學者的關注和重視。SAR圖像船舶分類雖然已進行了很多研究，但大多還局限于模擬數據或特定船舶類別的研究，離批量化的普遍應用還有這很長的路要走。隨著人工智能與SAR圖像研究的結合和SAR圖像預處理方法的不斷提高必將促進SAR圖像中船舶分類識別水平的進一步提高。

主要參考文獻

［1］張紅.高分辨率SAR圖像目標識別［M］.北京：科學出版社，2009.

［2］王雋，種勁松，黃韋艮，等.基于極化SAR目標分解理論的船只幾何結構初步分析［C］//微波遙感技術研討會，2006.

10.3969/j.issn.1673 - 0194.2016.20.054

TN958

A

1673-0194（2016）20-0083-02

2016-09-08