基于卷積神經網絡的高分辨率SAR圖像飛機目標檢測方法

王思雨高 鑫孫 皓鄭歆慰孫 顯

①(中國科學院電子學研究所 北京 100190)

②(中國科學院大學 北京 100049)

基于卷積神經網絡的高分辨率SAR圖像飛機目標檢測方法

王思雨①②高 鑫*①孫 皓①鄭歆慰①孫 顯①

①(中國科學院電子學研究所 北京 100190)

②(中國科學院大學 北京 100049)

傳統的合成孔徑雷達(Synthetic Aperture Radar,SAR)圖像飛機檢測方法一般利用像素對比度信息進行圖像分割，從而提取待定目標。然而這些方法只考慮了像素亮度信息而忽視了目標的結構特征，進而導致目標的不精確定位和大量虛警的產生。基于上述問題，該文構建了一個全新的SAR圖像飛機目標檢測算法框架。首先，針對大場景SAR圖像應用需求，提出了改進的顯著性預檢測方法，從而實現SAR圖像候選飛機目標多尺度快速粗定位；然后，設計并調優了含4個權重層的卷積神經網絡(Convolutional Neural Network,CNN)，實現對候選目標的精確檢測和鑒別；最后，因為SAR數據量有限、易導致過擬合，提出4種適用于SAR圖像的數據增強方法，具體包括平移、斑點加噪、對比度增強和小角度旋轉。實驗證實該飛機檢測算法在高分辨率TerraSAR-X數據集上效果顯著，與傳統的SAR飛機檢測方法相比，該方法檢測效率更高，泛化能力更強。

合成孔徑雷達(SAR)；飛機檢測；卷積神經網絡(CNN)；數據增強；視覺顯著性

1 引言

合成孔徑雷達(Synthetic Aperture Radar,SAR)可以不受氣候、天氣、光照等條件影響，獲得高分辨率雷達圖像。與光學傳感器相比，SAR在偵察、監視和跟蹤等軍事領域更具優勢。然而SAR圖像成像機理較為復雜，目標由較少的散射點組成而沒有清晰輪廓，圖像存在斑點噪聲，這使得SAR飛機檢測困難重重。

傳統的SAR圖像目標檢測方法可以分為3類[1]。第1種基于單特征的方法通常利用雷達散射截面積(Radar Cross Section,RCS)信息挑選對比度較亮的部分作為候選目標。其中大多數檢測方法使用恒虛警率(Constant False Alarm Rate,CFAR)算法做圖像分割和候選目標定位。CFAR包含多種衍生算法，包括CA-CFAR (Cell-average CFAR)[2],SO-CFAR (Smallest of CFAR),GO-CFAR (Greatest of CFAR)[3],OS-CFAR (Order-statistic CFAR)[4]和VI-CFAR(Variability Index CFAR)[5]。CFAR具有恒虛警率和自適應閾值的特性[6–8]。然而CFAR檢測器只考慮像素對比度而忽略了目標的結構信息，從而導致了目標的不精確定位。第2種是基于多特征的方法。多種特征如幾何結構[9]，擴展分形(Extended Fractal,EF)[10]，小波系數[11]等可以融合起來檢測目標。文獻[12]中作者將梯度紋理顯著圖與CFAR相結合來檢測停機坪上的飛機目標。綜合而言，設計特征是復雜且耗時的，并且同種特征組合不一定適用于所有的場景。第3種是基于先驗的方法，先驗知識如成像參數、經緯度信息等需要協同加入檢測流程[13]。這類方法較復雜且實際中應用較少。

隨著人工智能的發展，機器學習被引入了SAR目標檢測領域。支持向量機(Support Vector Machine,SVM)[14]和AdaBoost(Adaptive Boosting)[15]等常用方法在MSTAR(Moving and Stationary Target Acquisition and Recognition)[16]數據集上表現良好。雖然這些方法比傳統方法性能有所提升，但它們僅適用于小樣本情況，設計具有高泛化能力的特征難度較高。卷積神經網絡(Convolutional Neural Network,CNN)[17]可以自動學習結構化特征并取得較好的性能。文獻[18,19]中作者使用CNN對MSTAR數據集進行分類并取得較好的效果。

本文構建了一個完整的SAR圖像飛機目標檢測框架。總體流程如圖1所示，本文的主要工作如下。首先，提出了一種改進的顯著性預檢測方法，實現在大場景中多尺度粗略快速地搜索候選目標。與滑動窗方法相比，該方法有效提升了檢測效率并實現了多尺度定位。然后，設計并調校了適用于SAR圖像的CNN模型，實現對預檢測候選目標的精確檢測，實驗證實本文的CNN檢測精度高于其他常用的檢測方法。此外，為了應對SAR數據量有限的問題，提出了4種適用于SAR圖像的數據增強方法，包括平移、加噪、對比度增強和小角度旋轉。實驗結果表明，該檢測框架在TerraSAR-X數據集上有效減小了過擬合現象的影響，顯著提升了飛機目標的檢測率。

2 改進的顯著性預檢測方法原理與設計

在預檢測階段，滑動窗方法通常用于獲取可能的候選目標。該方法機械地在待檢測圖像上，按預設步長和窗口大小，從左向右、從上向下滑動并裁切候選樣本。然而，滑動窗法計算量很大，在大場景遙感圖像中預檢測效率較低。

為了解決上述問題，分別在訓練和測試階段前引入了一種基于顯著性的預檢測方法[20]，以便快速粗略地定位候選目標。文獻[20]中作者首先計算每個像素的顯著值并得到整幅圖像的顯著圖，飛機切片的顯著圖如圖2所示。相同大小的初始方形窗口被不重不漏地覆蓋在顯著圖上。然后，迭代計算每個窗口的幾何中心pc并將窗口中心移動到新的直到pc和之 間的距離小于預設值δ。迭代結束后，所有飛機目標都被窗口框定，圖中還存在一些不包含真實目標的虛警。

該方法的缺點是用固定尺寸的窗口檢測不同尺寸的飛機。考慮到停機坪區域停放不同尺寸飛機的情況，本文在原有算法的基礎上加入多尺度預檢測模塊。首先不同大小窗口的單尺度預檢測分別進行，然后是第1次窗口融合。融合采用非極大值抑制算法(Non-Maximum Suppression,NMS)，將包含同一目標的不同窗口融合為一個。當所有單尺度預檢測結束后，將進行第2次窗口融合。

改進的顯著性預檢測方法的簡要流程圖如圖3所示。所有選中的切片將被保存為候選目標圖像以備后續CNN的精確檢測。與滑動窗方法相比，該方法在大尺度SAR圖像檢測中更為高效。此外，改進后的方法因二次窗口融合，虛警率顯著降低，且可以精確地定位不同尺寸的飛機目標。

3 數據增強原理與設計

深度學習在訓練集較大時能夠取得較好效果，但與光學圖像相比SAR圖像相對較少，易導致嚴重的過擬合。不同于常用的數據增強方法，由于SAR圖像與光學圖像成像原理差別較大，需要引入新的數據增強方法。本文提出適用于SAR圖像的4種數據增強方法來擴充已標注數據集。4種數據增強方法如下所示。

3.1 平移

在目標不超過圖像邊界的條件下，對原始圖像執行平移操作。假設原始圖像大小為m×n，則平移后的圖像可以表示為：

其中，(x,y)是位移尺度，(i,j)是平移后坐標。圖4(a)，圖4(b)給出了平移前后的目標示例。

3.2 加噪

由于特殊的成像特性，SAR圖像總是帶有斑點噪聲。斑點噪聲是白色散斑狀的乘性噪聲。加噪后的圖像可以被表示為：

其中，P表示原始圖像，N表示斑點噪聲。N為均值為0方差為v的均勻分布的隨機噪聲。由于加噪越嚴重圖像越模糊，必須確保噪聲的強度低于預設值。圖4給出了基于原始圖像圖4(a)的加噪示例圖4(c)。

3.3 對比度增強

同一地點拍攝的SAR圖像可能有不同的亮度。因此本文利用像素對比度信息進行數據增強。對比度增強可以通過非線性變換來實現，具體變換可以表示如下：

其中，P表示原始圖像，P′表示對比度增強后的圖像。k是用戶預定義的可調節因子，其值在0和1之間。I是與P具有相同維數的單位矩陣。此外，P和P′ 范 圍均為(0,1)。圖4(a)，圖4(d)給出了對比度增強的示例。

3.4 小角度旋轉

雷達散射特性隨著物體和傳感器之間相對姿態的變化而變化。然而文獻[21]中作者證明了飛機目標后向散射特性的位置和強度在至少5°內是旋轉不變的。旋轉坐標與原始坐標的映射關系可以表示為：

4 卷積神經網絡原理與設計

基于LeNet-5網絡，改進后的網絡更適用于SAR圖像飛機檢測。由于SAR數據較少，大量的實驗表明網絡超過6層會發生過擬合。如圖5所示，本文的CNN網絡由4個可訓練參數層組成。為了減小過擬合的影響，引入了dropout方法[22]。此外，用修正線性單元(Rectified Linear Units,ReLU)在實踐中能很好地應對飽和問題[23]，將其代替sigmoid函數。本文基于典型的隨機梯度下降法，引入改進算法如動量法[24]以最小化損失函數。具體實現細節如下。

4.1 卷積層

在卷積層中，將輸入X和一組濾波器W進行卷積，然后與偏置b相加。W表示可訓練濾波器，b表示可訓練偏差。最后，將上述結果傳遞給非線性激活函數f。公式如下：

其中，f(.)是修正線性單元(ReLU)，函數由式(6)給出：

ReLU縮短了訓練時間，并且在沒有無監督預訓練時效果較好[23]。

4.2 Max-pooling

Max-pooling在卷積層之后執行降采樣操作。Max-pooling層計算出m×n局部切片內區域的最大值，公式如下：

其中，(m,n)表示局部區域的大小，Y表示pooling操作的輸出。

4.3 Softmax

Softmax分類器在輸出層后對切片進行二分類。它求出每類的判別概率并選擇最大值作為最終輸出。Softmax函數公式如下：

其中，Xi表示最后隱藏層的輸出，k表示類的數量，Yi表示類i的判別概率。

4.4 實現細節

本文CNN的結構如圖5所示，它由3個卷積層和3個pooling層組成。第1個卷積層的卷積核大小為5×5，并有32個輸出圖。相似地，第2個卷積層的卷積核尺寸也是5×5且有64個輸出圖。最后一個卷積層有128個輸出圖，卷積核大小為6×6。每個卷積層后連著2×2的Max-pooling層。輸入圖像切片的大小為120×120。它們在第1個卷積層后變為116×116，在第1個pooling層之后變為58×58。循環往復，Softmax層前輸出兩個大小為11×11的特征圖。表1列出了CNN的具體結構數據。網絡訓練時間約30 min，測試時間約幾秒鐘。

表1 CNN參數Tab. 1 Parameters of our CNN

5 實驗與分析

5.1 0.5 m分辨率TerraSAR-X數據集

本文使用的數據集是高分辨率TerraSAR-X衛星數據。所有數據含30張原始圖像，大小約20000× 20000，覆蓋幾個常見機場，分辨率為0.5 m×0.5 m。本文數據集包含多種類型、多種朝向的飛機。首先，基于原始圖像手動標記飛機目標并保存真值文件。在手工標注中我們參考了SAR解譯人員的意見，以保證樣本真值的可靠性。然后將切片分為兩類：1000個目標和16000個非目標。之后，隨機地將樣本按照4:1的比例分為訓練集和測試集。圖6給出了訓練集的示例。可以看到，正樣本包含了各種形態的飛機，負樣本包含了各種復雜場景。

5.2 改進的顯著性預檢測方法參數設置及結果分析

在大尺度遙感圖像中，滑動窗方法一般用于候選目標預檢測。顯著性預檢測方法的性能比滑動窗方法更好。顯著性預檢測方法可以快速定位候選目標并顯著減少虛警。通過比較兩種方法后發現，給定一個大小為8000×8000的SAR圖像，顯著性預檢測方法在42.95 s內選出1489個候選目標。相同情況下，滑動窗口方法在80.06 s內篩選出611524個候選目標。

在原始顯著性預檢測方法的基礎上，本文提出了多尺度算法來檢測不同尺寸的飛機目標。為了適應在未知場景中不同尺寸飛機的情況，對原始算法進行了基于多尺度的改進。表2表示了不同預檢測方法在大小為3708×3951的SAR圖像上的性能比較。Selective Search方法采用圖像分割和層次算法，雖能適應不同尺度，但處理流程復雜、運算速度較慢，虛警較多，為535個，框定的飛機目標不夠完整，檢測框尺寸波動過于明顯；顯著性預檢測方法計算快速，但漏檢2架飛機，虛警266個；改進后的顯著性預檢測方法可以搜索出所有真實目標，虛警相對原始顯著性方法減少58個，檢測框長寬比合適，范圍可以人工設置，不會出現極小或極大的窗口。Selective search方法、原始顯著性預檢測方法和改進后的預檢測方法的實驗效果示例如圖7所示，可以看到改進后的顯著性方法預檢測性能更好。

表2 不同預檢測方法性能比較Tab. 2 The performance of different pre-detection methods

5.3 數據增強參數設置及結果分析

在數據增強階段，800個原始訓練正樣本首先按照0.01的方差斑點加噪，然后順時針旋轉5°，再向上平移5個像素，最后以k=0.5對比度增強。按這種方式，原始的訓練正樣本擴展16倍至12800個，同樣地，原始訓練負樣本由200個擴展到3200個。

為了比較不同數據增強方法，本文對每一種增強方法做了單獨實驗，同時與4種增強方法合用進行對比，實驗結果如表3所示。

表3 不同數據增強方法的檢測正確率Tab. 3 Accuracy rates of CNN with different augmentation methods

沒有施加任何數據增強方法時，CNN的檢測正確率為86.33%。分析可得：每種數據增強方法對最后檢測正確率的提升都有作用，斑點加噪的提升作用更大。當把4種增強方法結合起來時，檢測正確率達到了96.36%，超過了單獨使用每種數據增強方法的性能。

5.4 卷積神經網絡參數設置及結果分析

在訓練前，將具有不同尺寸的候選目標調整為統一尺寸120×120。本文做了大量實驗以獲取最佳參數。當基本學習率為0.01,momentum為0.9,batchsize大小為50，迭代次數為5000時檢測性能最佳。訓練集包含25600個樣本，測試集包含6400個樣本。CNN部分的實驗在具有Tesla k40M GPU和251 GB存儲器的CAFFE框架上實現。實驗的其余部分在具有32 GB存儲器的3.1 GHz CPU上實現。

表4、表5、表6分別探究了不同網絡結構、不同卷積核個數和不同卷積核大小對檢測性能的影響。實驗發現，分別改變網絡層數、卷積核個數、卷積核大小后檢測正確率均低于本文方法的性能指標。

為了驗證方法的高效性，將本文的CNN網絡與在SAR圖像處理中廣泛使用的其它機器學習方法(例如SVM和AdaBoost)作了對比。SVM使用徑向基函數(Radial Basis Function,RBF)作為核函數，AdaBoost使用決策樹作為弱分類器。方向梯度直方圖(Histogram of Oriented Gradient,HOG)加SVM方法也加入了比較。表7列出了各種常用方法的檢測正確率。實驗證實，本文CNN的檢測正確率達到96.36%，并且優于其他常用的SAR飛機檢測方法。

表4 不同網絡層數的檢測正確率比較Tab. 4 Accuracy rates of CNN with different number of layers

表5 不同卷積核個數的檢測正確率比較Tab. 5 Accuracy rates of CNN with different number of kernels

表6 不同卷積核大小的檢測正確率比較Tab. 6 Accuracy rates of CNN with different size of kernels

表7 不同方法在同一數據集上的平均檢測率Tab. 7 Average detection rates of different methods on the same dataset

不同方法的ROC曲線如圖8所示，可以看到我們的CNN方法與橫軸所圍面積最大，檢測性能最好，其余由高到底依次是HOG+SVM,SVM和AdaBoost方法。

當把上述所有算法合為一體時，最終得到SAR圖像飛機目標的完整檢測算法框架。圖9表示了該檢測方法在某停機坪區域的檢測結果。在這樣的復雜場景下，雖然存在少量虛警但并無漏警。總之，本文的飛機檢測框架在大場景SAR圖像中可以取得較為理想的效果。

6 結論

本文構建了一個完整的SAR飛機目標檢測算法框架。首先，提出了一種改進的顯著性預檢測方法，實現在大規模SAR場景中粗略快速地定位候選飛機目標。實驗證實該方法與滑動窗方法相比更為高效，改進后多尺度的加入提升了對待測場景的適應性。然后，設計并調優了含4個權重層的CNN網絡，實現對候選目標的精確檢測并得到最終的檢測結果。此外，為了豐富訓練集并防止過擬合，提出了4種數據增強方法。具體包括平移、斑點加噪、對比度增強和小角度旋轉。實驗結果證實，本文的飛機檢測算法框架取得了96.36%的檢測正確率，并優于其他常用的SAR飛機檢測方法。

[1]El-Darymli K,McGuire P,Power D,et al.. Target detection in synthetic aperture radar imagery: A state-of-the-art survey[J].Journal of Applied Remote Sensing,2013,7(1): 071598.

[2]Steenson B O. Detection performance of a mean-level threshold[J].IEEE Transactions on Aerospace and Electronic Systems,1968,4(4): 529–534.

[3]Gandhi P P and Kassam S A. Analysis of CFAR processors in homogeneous background[J].IEEE Transactions on Aerospace and Electronic Systems,1988,24(4): 427–445.

[4]Novak L M and Hesse S R. On the performance of orderstatistics CFAR detectors[C]. IEEE 25th Asilomar Conference on Signals,Systems and Computers,Pacific Grove,California,USA,Nov. 1991: 835–840.

[5]Smith M E and Varshney P K. VI-CFAR: A novel CFAR algorithm based on data variability[C]. IEEE National Radar Conference,Syracuse,NY,May 1997: 263–268.

[6]Ai Jia-qiu,Qi Xiang-yang,Yu Wei-dong,et al.. A new CFAR ship detection algorithm based on 2-D joint lognormal distribution in SAR images[J].IEEE Geoscience and Remote Sensing Letters,2010,7(4): 806–810.

[7]di Bisceglie M and Galdi C. CFAR detection of extended objects in high-resolution SAR images[J].IEEE Transactions on Geoscience and Remote Sensing,2005,43(4): 833–843.

[8]Jung C H,Kwag Y K,and Song W Y. CFAR detection algorithm for ground target in heterogeneous clutter using high resolution SAR image[C]. 3rd International Asia-Pacific Conference on Synthetic Aperture Radar (APSAR),Seoul,South Korea,Sep. 2011: 1–4.

[9]Olson C F and Huttenlocher D P. Automatic target recognition by matching oriented edge pixels[J].IEEE Transactions on Image Processing,1997,6(1): 103–113.

[10]Kaplan L M. Improved SAR target detection via extended fractal features[J].IEEE Transactions on Aerospace and Electronic Systems,2001,37(2): 436–451.

[11]Sandirasegaram N M. Spot SAR ATR using wavelet features and neural network classifier[R]. Defence Research and Development Canada Ottawa (Ontario),2005.

[12]Tan Yi-hua,Li Qing-yun,Li Yan-sheng,et al.. Aircraft detection in high-resolution SAR images based on a gradient textural saliency map[J].Sensors,2015,15(9): 23071–23094.

[13]Jao J K,Lee C E,and Ayasli S. Coherent spatial filtering for SAR detection of stationary targets[J].IEEETransactions on Aerospace and Electronic Systems,1999,35(2): 614–626.

[14]Zhao Q and Principe J C. Support vector machines for SAR automatic target recognition[J].IEEE Transactions on Aerospace and Electronic Systems,2001,37(2): 643–654.

[15]Sun Yi-jun,Liu Zhi-peng,Todorovic S,et al.. Adaptive boosting for SAR automatic target recognition[J].IEEE Transactions on Aerospace and Electronic Systems,2007,43(1): 112–125.

[16]Keydel E R,Lee S W,and Moore J T. MSTAR extended operating conditions: A tutorial[C]. Proc. SPIE 2757,Algorithms for Synthetic Aperture Radar Imagery III,Orlando,FL,Apr. 1996: 228–242.

[17]Krizhevsky A,Sutskever I,and Hinton G E. ImageNet classification with deep convolutional neural networks[C]. International Conference on Neural Information Processing Systems,South Lake Tahoe,Nevada,USA,Dec. 2012: 1097–1105.

[18]Ding Jun,Chen Bo,Liu Hong-wei,et al.. Convolutional neural network with data augmentation for SAR target recognition[J].IEEE Geoscience and Remote Sensing Letters,2016,13(3): 364–368.

[19]Chen Si-zhe,Wang Hai-peng,Xu Feng,et al.. Target classification using the deep convolutional networks for SAR images[J].IEEE Transactions on Geoscience and Remote Sensing,2016,54(8): 4806–4817.

[20]Diao Wen-hui,Sun Xian,Zheng Xin-wei,et al.. Efficient saliency-based object detection in remote sensing images using deep belief networks[J].IEEE Geoscience and Remote Sensing Letters,2016,13(2): 137–141.

[21]Chen Jie-hong,Zhang Bo,and Wang Chao. Backscattering feature analysis and recognition of civilian aircraft in TerraSAR-X images[J].IEEE Geoscience and Remote Sensing Letters,2015,12(4): 796–800.

[22]Srivastava N,Hinton G,Krizhevsky A,et al.. Dropout: A simple way to prevent neural networks from overfitting[J].The Journal of Machine Learning Research,2014,15(1): 1929–1958.

[23]Glorot X,Bordes A,and Bengio Y. Deep sparse rectifier neural networks[C]. 14th International Conference on Artificial Intelligence and Statistics,Fort Lauderdale,FL,USA,2011: 315–323.

[24]Qian Ning. On the momentum term in gradient descent learning algorithms[J].Neural Networks,1999,12(1): 145–151.

王思雨(1992–)，女，山西人，中國科學院電子學研究所碩士研究生，研究方向為SAR圖像飛機目標檢測識別。

E-mail: siyuwang92@163.com

成銳今年43歲，河北邯鄲人。很多年前，他就從事金屬加工業務，對于電焊、鈑金等工作比較熟悉。2011年6月6日，他應聘到本市一家過濾器制造公司，專業從事鉚工作業。

高 鑫(1966–)，男，遼寧人，北京師范大學理學博士，現任中國科學院電子學研究所研究員，研究方向為SAR場景分類、目標檢測識別、解譯標注。

E-mail: gaxi@mail.ie.ac.cn

孫 皓(1984–)，男，山東人，中國科學院大學工學博士，現任中國科學院電子學研究所副研究員，研究方向為遙感圖像理解。

E-mail: sun.010@163.com

鄭歆慰(1987–)，男，福建人，中國科學院大學工學博士，現任中國科學院電子學研究所助理研究員，研究方向為大規模遙感圖像解譯。

E-mail: zxw_1020@163.com

孫 顯(1981–)，男，浙江人，中國科學院大學工學博士，現任中國科學院電子學研究所副研究員，研究方向為計算機視覺與遙感圖像理解、地理空間大數據解譯。

E-mail: sunxian@mail.ie.ac.cn

An Aircraft Detection Method Based on Convolutional Neural Networks in High-Resolution SAR Images

Wang Siyu①②Gao Xin①Sun Hao①Zheng Xinwei①Sun Xian①
①(Institute of Electronics,Chinese Academy of Sciences,Beijing100190,China)
②(University of Chinese Academy of Science,Beijing100049,China)

In the field of image processing using Synthetic Aperture Radar (SAR),aircraft detection is a challenging task. Conventional approaches always extract targets from the background of an image using image segmentation methods. Nevertheless,these methods mainly focus on pixel contrast and neglect the integrity of the target,which leads to locating the object inaccurately. In this study,we build a novel SAR aircraft detection framework. Compared to traditional methods,an improved saliency-based method is proposed to locate candidates coarsely and quickly in large scenes. This proposed method is verified to be more efficient compared with the sliding window method. Next,we design a convolutional neural network fitting in SAR images to accurately identify the candidates and obtain the final detection result. Moreover,to overcome the problem of limited available SAR data,we propose four data augmentation methods comprising translation,speckle noising,contrast enhancement,and small-angle rotation. Experimental results show that our framework achieves excellent performance on the high-resolution TerraSAR-X dataset.

Synthetic Aperture Radar (SAR); Aircraft detection; Convolutional Neural Networks (CNNs); Data augmentation; Visual saliency

TP753

A

2095-283X(2017)02-0195-09

10.12000/JR17009

王思雨,高鑫,孫皓,等. 基于卷積神經網絡的高分辨率SAR圖像飛機目標檢測方法[J]. 雷達學報,2017,6(2): 195–203.

10.12000/JR17009.

Reference format:Wang Siyu,Gao Xin,Sun Hao,et al.. An aircraft detection method based on convolutional neural networks in high-resolution SAR images[J].Journal of Radars,2017,6(2): 195–203. DOI: 10.12000/JR17009.

2017-01-20；改回日期：2017-03-05；

2017-05-02

*通信作者： 高鑫 gaxi@mail.ie.ac.cn

國家自然科學基金青年基金(41501485)

Foundation Item: The National Natural Science Foundation of China (41501485)