SAR圖像艦船尾跡檢測及其討論

楊彥軻

（成都七中高2015級11班，四川 成都 610000）

SAR圖像艦船尾跡檢測及其討論

楊彥軻

（成都七中高2015級11班，四川 成都 610000）

為了保衛國家海洋領域的安全，利用SAR圖像進行艦船尾跡的檢測是十分有必要的。本文首先探討了檢測艦船尾跡的意義及難點并且對于尾跡結構進行了分析。對于原始SAR圖像，利用數學軟件MATLAB使用傳統的Radon變換方法檢測出了開爾文尾跡及湍流尾跡。最后探討了弱尾跡與不規則尾跡的檢測識別，并且討論了利用深度學習的方法檢測艦船尾跡的可能性。

SAR圖像；艦船尾跡；檢測

1 SAR圖像艦船尾跡檢測的意義

為了保衛海域及島嶼的主權，監測是否有其他國家的艦船侵入我國海域進行軍事活動是十分重要以及必要的。

雷達（Radio Detecting and Ranging, RADAR）是一種基本的無線電探測裝置。它可實現對目標的探測和定位，在軍事領域起著十分重要的作用。隨著科技的發展與進步，合成孔徑雷達（Synthetic Aperture Radar, SAR）技術也日益成熟，其可獲取更多的信息。SAR是利用一個小天線沿著長線陣的軌跡等速移動并輻射相參信號, 把在不同位置接收的回波進行相干處理, 從而獲得較高分辨率的成像雷達。其具有全天時、全天候的觀測能力。

SAR由于其全天時全天候的特性可以廣泛應用在海洋遙感中。研究人員現利用海洋 SAR 圖像進行艦船檢測。為了在短時間內有效地檢測艦船及艦船尾跡，關于自動檢測算法的研究十分重要且有意義。

一般來說，檢測艦船及艦船尾跡都十分有必要；但有時研究人員們對于檢測艦船尾跡更感興趣，因為通過檢測尾跡從而來發現艦船目標有如下優點。

（1）在SAR圖像中，艦船尾跡結構通常比艦船本身大許多，而且更為明顯，可以更容易進行檢測和識別；（2）艦船尾跡可以用于估計運動艦船的實際位置、航速和航向。比如說湍流尾跡的方向可以幫助人們確定艦船運動的方向；開爾文臂的波長可以用于估計艦船的速度等；（3）艦船尾跡可以用于檢測神秘艦船。所謂的神秘艦船，比如說潛艇等。對于神秘艦船，由于它在水下運動，在SAR圖像上并不可見。但在某些情況下，潛艇等神秘艦船可以在海面上產生尾跡圖像。因此，尾跡檢測技術可以用于神秘艦船的研究，對于國防有重大意義。

早在20世紀80年代科學家們已經發現SAR圖像上運動艦船存在四種尾跡表現形式：開爾文（Kelvin）尾跡、湍流尾跡、窄V型尾跡與內波尾跡，其尾跡結構如圖1所示。開爾文尾跡由兩個臂構成，在SAR圖像上呈亮線，其半張角為19.5o。窄V型尾跡同樣由兩個臂構成，在SAR圖像上呈亮線，但多數情況下亮度小于開爾文尾跡，其半張角為4o。湍流尾跡可以推算出航跡的方向，在SAR圖像上呈暗線。在SAR圖像上觀測到開爾文尾跡很少能夠兩個開爾文臂都觀測到，另外很少能夠觀測到開爾文尾跡中的橫波。在SAR圖像中最常見的尾跡形式是沿著艦船軌跡的一條灰度較暗的窄線，為湍流尾跡。窄V型尾跡要求海面特別平靜，水面艦船的內波尾跡并不總是存在的，所以在SAR圖像中并不常見。因此在此論文中，主要檢測開爾文尾跡以及湍流尾跡。

圖1 艦船波模式圖

真實的海面SAR圖像如圖2所示。可以看到檢測尾跡比檢測船只更為容易且有效，因為艦船的尺寸比艦船尾跡的尺寸小得多；但有的尾跡結構的信息并不完全，比如最左邊的尾跡，只有一個開爾文臂與湍流尾跡可見；中間區域的艦船尾跡相互交織，將為檢測帶來困難。

圖2 海面的SAR圖像

2 利用傳統Radon變換實現尾跡檢測

文章利用數學軟件MATLAB，采用傳統的Radon變換實現尾跡的自動檢測。Radon變換在提取線性特征方面具有很強的抗噪能力,并且艦船尾跡又具有“直線型”的特征,因而Radon變換在此研究具有不可忽視的優勢，大多數檢測SAR圖像艦船尾跡的論文都是以Radon變換為基礎而發展、變形得到的。

與其它高級程序（C語言，C++）相比，MATLAB程序是一種解釋執行程序，不用編譯等預處理，因此MATLAB程序運行速度相比較慢。這里選用MATLAB軟件進行編程的原理是易于上手與理解，并且可以利用自帶的Radon函數進行變換。

在二維歐幾里德空間中，Radon定義如下：

其中，D指xy軸對應的整個圖像平面；f x,y()為在x,y()處的灰度值；ρ為直線到原點的距離；θ為直線到原點距離方向與x軸的形成的夾角；δ為Dirac函數（圖3）。

在xy軸形成的平面圖像域中，Radon變換沿任何可能存在的任意直線將其像素亮度進行積分，其積分對應于空間中一個單點，在Radon域中使得其線性特征更為明顯。其思想可簡單表示為圖3，（a）圖中對應的一條線，利用與原點的夾角及距離則可表示為（b）圖中的一個點。亮尾跡Kelvin尾跡在Radon變換域能得到亮的峰值，表示為亮點；暗尾跡湍流尾跡在Radon變換域則得到暗的峰值，表示為暗點。Radon變換在實際檢測艦船尾跡中得到了很好的應用。然而其也存在以下局限：（1）當艦船尾跡尺寸相比于整個SAR圖像過小時，Radon變換很有可能無法檢測出尾跡，因為會被噪聲覆蓋；（2）當艦船尾跡具有線性特征，但有些許彎曲時，Radon變換無法得到正確的檢測結果；（3）Radon變換檢測艦船尾跡不能識別出尾跡的起始點和終止點。

由于以上的局限性，目前很多研究人員仍致力于研究尾跡的檢測，并提出了一些新的方法可以解決以上的問題。比如，在Radon變換的基礎上加入形態學圖像處理的方法，去除虛假尾跡；在Radon變換的基礎上加窗，實現局部Radon變換，從而可以標記尾跡的起始點。

這里利用傳統的Radon變換，進行艦船尾跡的檢測，驗證利用Radon變換檢測尾跡的可行性。具體實現算法如下：（1）對于原始SAR圖像進行Radon變換；（2）通過像素值，找到Radon域中最亮的點，代表開爾文尾跡；（3）通過兩個最亮的點，找到最暗的點，代表湍流尾跡；（4）利用反Radon變換，將檢測到的直線標記到原圖像中。

圖4為艦船尾跡原圖；圖5為其Radon變換域，可以明顯看到在雙X區域有兩個明顯的亮點和一個暗點，其對應的則為兩條開爾文臂與湍流尾跡；圖6為檢測出的Kelvin尾跡以及湍流尾跡。可以看出開爾文尾跡以及湍流尾跡都被檢測出來并標記，結果良好，說明利用Radon變換檢測艦船尾跡是可行的。

圖3 Radon變換原理圖

圖4 艦船尾跡SAR原圖

3 討論

圖5 Radon變換域

圖6 傳統Radon變換艦船尾跡檢測結果

圖7 彎曲的艦船尾跡SAR圖像

對于具有“直線型”特征的艦船尾跡，可以通過Radon變換的方法進行檢測。但當海面上出現如圖7所示的艦船尾跡的時候，傳統的Radon變換將變得沒有意義。由圖可以清晰地看到，湍流尾跡此時呈曲線狀而非直線。此時，可以利用數學中“極限”的思想，一條曲線可以看作很多條小線段組合而成的，從而實現檢測曲線形狀的尾跡。具體方法為：將圖像加窗，分為許多幅小圖像進行檢測；在每一幅小圖像中，尾跡曲線可近似為直線，再利用Radon變換進行檢測；將這些小圖像組合而成即可檢測出曲線形狀的尾跡。但是這種方法的問題在于：（1）窗的尺寸大小隨著尾跡的不同而可能會發生變化，泛化能力較差；（2）由于加了窗進行檢測，那么檢測速度將會變慢。對于前文所提到的復雜背景下的多尾跡檢測也是研究的一個重點，并且更具有實際意義。

當海面上有風速過大，又或是神秘船只潛艇離海面過深時，尾跡的特征將會變得十分微弱，人眼也無法判斷是否存在艦船及艦船尾跡。對于這種弱目標的檢測是非常前沿的研究，需要研究人員們的努力研究。這時自然而然可以想到是否可以利用現在大熱的深度學習的方法來檢測艦船尾跡，因為深度學習中的深度卷積網絡（Convolutional Neural Networks, CNN）不僅可以提取圖像低維的特征，也可以提取圖像高維的特征，可以更好地實現目標的識別與分類。

深度學習的概念源于人工神經網絡的研究，是含多隱層的多層感知器就是一種深度學習結構。目前，深度學習已成功應用于多種模式分類識別的問題。深度學習對于人類來說潛力巨大。若從深度學習的方法入手檢測識別尾跡，則需要利用大量的尾跡SAR圖像進行網絡的訓練。但是現在還沒有人研究利用深度學習的方法檢測、分類尾跡，主要的原因在于研究人員擁有的真實觀測到尾跡的SAR圖像數量少，不足以滿足大數據的標準。但是畢竟深度學習的網絡和方法都在進步，目前在語音方面已經可以達到與人相匹配的程度。所以利用深度學習的方法進行SAR圖像目標識別檢測是未來的發展趨勢。

[1]胡利平. 合成孔徑雷達圖像目標識別技術研究[D]. 西安電子科技大學, 2009.

[2]種勁松. 合成孔徑雷達圖像艦船目標檢測算法與應用研究[D].中國科學院電子學研究所, 2002.

[3]潘大夫, 汪渤, 周志強. Matlab與C/C++混合編程技術研究[J].計算機工程與設計, 2009, 30(2):465-468.

[4]孫志軍, 薛磊, 許陽明,等. 深度學習研究綜述[J]. 計算機應用研究, 2012, 29(8):2806-2810.

TN957.52

A

1671-0711（2017）04（下）-0059-03