高分三號NSC模式SAR圖像艦船目標檢測初探

劉澤宇 柳 彬* 郭煒煒 張增輝 張 波 周月恒 馬 高 郁文賢

①(上海交通大學智能探測與識別上海市重點實驗室 上海 200240)

②(中國空間技術研究院西安分院 西安 710100)

高分三號NSC模式SAR圖像艦船目標檢測初探

劉澤宇①柳 彬*①郭煒煒①張增輝①張 波②周月恒②馬 高②郁文賢①

①(上海交通大學智能探測與識別上海市重點實驗室 上海 200240)

②(中國空間技術研究院西安分院 西安 710100)

高分三號衛星是我國首顆分辨率達到1m的C波段多極化合成孔徑雷達(Synthetic Aperture Radar,SAR)衛星，擁有多種成像模式。該文針對高分三號NSC模式SAR圖像提出一種海上艦船目標檢測方法，其核心為基于貝葉斯框架的像素分類以實現目標篩選，并根據數據特點設計有效的圖像降質條件下的性能提升方法。該文提出的檢測算法與多種恒虛警率(Constant False Alarm Rate, CFAR)檢測算法進行對比實驗分析，實驗結果證明了該文所提方法的有效性與性能優勢。

高分三號衛星；合成孔徑雷達；艦船目標檢測；像素分類

1 引言

高分三號衛星(GF-3 satellite)是我國最新自主研發的多成像模式、多極化C波段合成孔徑雷達(Synthetic Aperture Radar, SAR)衛星，其設計壽命長達8年。高分三號的SAR成像模式覆蓋聚束、條帶、掃描、超寬幅、擴展入射角等共12種。目前，針對高分三號，發表的研究包括系統技術[1]、幾何定位[2]、海浪定量遙感[3]、海表面流場測量[4]、海洋內波測量[5]等。

在高分三號的多種成像模式中，窄幅掃描(Narrow Scan, NSC)模式成像幅寬可以達到300 km以上，其標準產品的距離向空間分辨率30～60 m，方位向分辨率50～60 m[1]。這種模式的產品結合中等分辨率與大幅寬的特點，適合海洋監測和艦船監視等任務。結合高分三號NSC模式數據特點，本文選取艦船目標檢測問題作為主要關注點。

經過多年的發展，SAR圖像艦船檢測方法層出不窮，其中最為廣泛研究和應用的是恒虛警率(Constant False Alarm Rate, CFAR)檢測算法。CFAR檢測算法利用的是SAR圖像數據中背景像素(相對于艦船目標而言)的統計特征，對于圖像中背景統計特征描述的準確程度是影響CFAR檢測性能的關鍵。具體地，影響背景建模精度的因素主要有：(1)描述背景統計特性所用的概率分布模型；(2)用于背景建模的像素選擇方法。以上兩個因素也正是SAR圖像艦船檢測CFAR方法近年來的主要研究方向。為了適應不同海況的統計特征，多種統計分布模型，如G0分布、K分布[6]、Weibull分布、伽馬分布[7]、廣義伽馬分布(Generalized Gamma Distribution, GΓD)[8]、有限混合分布模型，常被用于對SAR圖像中背景部分統計建模。其中，基于K分布[9]和GΓD的CFAR方法[10,11]被證明可適用于多種海況的艦船目標檢測。為了去除目標像素對背景統計模型參數估計的影響，基于局部窗口內背景像素進行統計建模的CFAR檢測器得以發展，其中的典型應用是各類自適應滑窗CFAR檢測器，如艾加秋等[12]提出的改進雙參數CFAR檢測器，種勁松等[13]將局部窗口引入K-CFAR并證明對于海況復雜的圖像檢測性能有所提升。

SAR圖像艦船檢測方法還包括將計算機視覺領域其他方法遷移到SAR圖像中進行應用。例如，形狀信息先驗方法[14]，視覺顯著度衡量方法[15]，利用上下文信息[16]進行目標檢測等。通常情況下，這類特征應用于高分辨率SAR圖像目標檢測，并且為適應SAR圖像特點需要事先進行特征改進。除此之外，基于機器學習，特別是深度學習SAR圖像艦船檢測方法是目前研究前沿方向，已有研究結合卷積神經網絡對SAR圖像艦船檢測開展研究[17]，但目標樣本不足仍是SAR圖像目標認知中學習方法亟待克服的障礙。

各種SAR圖像艦船檢測方法對不同傳感器獲取的SAR圖像適應能力有所不同，本文主要針對高分三號NSC模式的SAR圖像數據進行艦船檢測方法的探索。NSC模式L1級產品可從多方面進行圖像質量提升，本文針對兩種影響艦船檢測性能的因素分別設計圖像質量提升算法，并將圖像質量提升步驟融入檢測流程。本文所提出的艦船檢測方法也是一種基于SAR圖像統計特征的檢測方法。與CFAR方法相比，不同點在于本文方法是基于像素分類方法對艦船目標進行篩選，該方法既考慮背景的復雜性，在模型構建中也考慮到目標干擾，提升了穩定性。在真實數據實驗中，本文將設計的檢測算法與G0-CFAR, K-CFAR, GΓD-CFAR等常用檢測方法進行性能比較分析，結果證明本文所提方法對NSC模式的SAR圖像艦船檢測比常用CFAR方法有更好的適應能力。

2 方法

2.1 方法概要介紹

根據SAR圖像的分辨率和圖像質量特點，本文提出一種適應NSC模式SAR圖像的海面艦船目標檢測流程。整個流程如圖1所示，包括以下4個主要環節。(1)圖像質量提升：本文選取高分三號NSC模式圖像中的條帶噪聲和旁瓣影響因素分別設計圖像質量提升方法，提升海面艦船檢測流程穩定性和數據適應能力。(2)海陸分割：海陸分割是艦船目標檢測的基本前提。復雜海況場景中，依據幅值或強度進行海陸分割在真實數據測試中性能不穩定，可遵循紋理信息進行海陸分割。本文采用局部鄰域幅值方差作為衡量紋理強弱的指標，選擇混合高斯模型對紋理信息進行建模分類提取海面感興趣區域(Region Of Interest, ROI)。(3)基于像素分類的目標篩選：本文結合SAR圖像統計分布特征和空間鄰域相關分析對像素進行分類，并組合目標類像素來篩選得到疑似艦船目標。(4)目標鑒別：在獲得海面ROI區域的候選艦船目標后，本文依據目標幾何參數(如艦船目標的長、寬等)和散射特性(如幅值，強度等)對虛警進行剔除。對于受旁瓣影響的海域候選目標，我們采圖像質量提升步驟中去除旁瓣干擾的目標核心部分來提取幾何參數和散射特性，并通過對比實驗證明圖像質量提升算法對檢測性能提高有積極作用。

本文提出的檢測方法主要特點為：

(1) 針對高分三號NSC模式L1A級圖像方位向上存在規律分布的條帶噪聲，本文提出基于1維傅里葉變換的頻譜分析方法來抑制條帶噪聲對后續統計建模過程的影響。條帶噪聲對應頻譜中頻分量的峰值，本文采用大津法[18]和霍夫變換檢測直線[19]的方法自動提取頻譜中條帶噪聲對應的中頻分量，對檢測到的中頻分量采用帶阻濾波。最終將經過逆變換恢復成抑制條帶噪聲后的SAR圖像，圖2為局部海域的SAR幅值圖像，圖3即為圖2抑制條帶噪聲后的結果。

圖1 高分三號NSC模式L1A級產品海面艦船檢測全流程Fig. 1 Flow chart of maritime ship detection on GF3 NSC imaging mode, L1A product

(2) 針對SAR圖像艦船目標提取幾何參數和散射特性易受旁瓣干擾的問題，本文提出一種“十字”旁瓣定位和提取受旁瓣干擾艦船目標核心區域的質量提升算法，并輔助目標鑒別過程減少漏檢。常見方法是基于目標二值分割結果進行形態學濾波或局部插值減弱旁瓣干擾，本文提出一種基于輻射信息排除旁瓣干擾的方法。本文方法排除干擾的同時不改變原本的圖像數據，數據不會偏離原有概率分布，對后續統計建模分析有利。SAR圖像中影響艦船目標的“十字”旁瓣可以看作是垂直相交的線目標組合。Tupin等[20]設計了一種適合于SAR圖像的線檢測器，在此基礎上我們改進線檢測器(如圖4(a)所示)，無需形狀先驗，可直接定位“十字”旁瓣；接著按照輻射信息相似的原則進行區域增長；從而，可提取受“十字”旁瓣干擾艦船目標核心部分的連通域，具體效果如圖4(b)， 圖4(c)， 圖4(d)所示。通過目標核心部分的連通域能夠估計得到更準確的幾何參數，從而排除旁瓣對艦船目標的干擾，降低漏檢和虛警。

(3) 本文采取的目標篩選手段是基于有限混合模型和像素間鄰域相關分析的像素分類方法，適合復雜海況場景中艦船目標檢測。基于像素分類進行目標篩選的方法是本文所提方法的主要創新部分，下節中將作詳細說明。

圖2 局部海域的SAR幅值圖像Fig. 2 SAR amplitude image of marine area

圖3 抑制條帶噪聲后的幅值圖像Fig. 3 Amplitude image after suppressing strip noise

圖4 改進濾波器和提取受旁瓣影響的艦船目標核心部分示意圖Fig. 4 Modified filter and extraction result of ship target core region after region growing based on center region of sidelobes

2.2 基于像素分類的目標篩選方法

CFAR檢測方法對目標所在背景進行統計建模，并通過找到偏離背景像素值概率分布模型的像素作為目標，這種方法容易受到多種干擾導致性能降低。在艦船目標近岸、海況復雜、目標密集等情況下背景建模容易受到干擾。考慮到上述各種復雜情況，我們采用有限混合模型對艦船目標所在的復雜場景進行統計建模，并結合空間相關性對于場景像素進行分類，從而實現目標篩選，這一方法的優勢在于：(1)將目標作為有限混合模型中的一類，無需預先選擇背景像素樣本。(2)受相干斑的影響，僅考慮各像素統計特征的分類方法性能會受到限制，本文所提方法將各像素強度統計特征與像素間的空域相關特性相結合，在貝葉斯框架下，在分類算法中融合后向散射與空域相關兩類信息進行疑似目標篩選，能更好地適應受相干斑影響的情況。該算法主要包括兩個關鍵部分：一是對SAR圖像強度數據進行統計建模，按照有限混合伽馬模型進行參數估計，二是按照最大后驗概率(MaximumA Posteriori, MAP)準則考慮空間相關對像素進行分類。

對于有限混合模型，定義y為觀測數據集，那么混合模型的概率密度函數可以定義為：

其中K為混合模型中單一模型的個數，pi為有限混合模型中第i個混合分量的權重因子，權重因子應滿足且為第i個混合分量的單一概率密度函數。表示有限混合模型中第i個混合分量成分中所包含的待估計的參數組合。

在滿足完全發展的相干斑[21]噪聲條件下，SAR圖像(視數為L)的強度值服從伽馬分布，其統計模型為：

基于有限混合伽馬模型的參數估計得到的是統計意義上與數據相似的圖像描述方式，統計建模僅考慮每個像素的強度信息，但像素類別不僅由本身的后向散射強度決定，還與其空間鄰域像素相關。令S代表整幅圖像網格，IS代表強度圖，Y={y，y∈IS}代表強度圖像中各像素值，KS代表類別標號圖像，X={x，x∈KS}代表各像素的類別標號。本文所提的像素分類過程可視為對強度圖像像素類別標號進行估計的問題。根據MAP準則和貝葉斯公式，x的取值應使后驗概率：

達到最大值，亦即：

其中K為類別數，根據混合伽馬建模的結果，提示x的取值可為為在給像素給定類別編號時強度數據的條件概率密度，為類別標號出現的先驗概率。基于像素空間相關性的考慮，像素最終的類別標號需要由像素強度觀測值y和該像素鄰域標號決定，因此式(4)可改寫為：

只考慮像素標號與其鄰域標號相關，隨機場X符合關于鄰域η的MRF。MRF與吉布斯隨機場的等效性在文獻[23]中經過詳細證明，式(5)中對應的先驗概率分布可描述為：

式(7)全局最優解需要極大的計算量，本文采用迭代條件模型法(Iterated Conditional Model,ICM)求解MAP準則下局部最優解。ICM算法符合MRF先驗和MAP準則，在ICM迭代過程中，K類伽馬分布概率密度函數重新估計，更新μi(i=1，2，···，K)，再利用更新的概率密度函數和類別標號共同確定分類的后驗概率，在滿足像素標號兩次迭代之間改變小于一定比例或迭代次數達到固定次數即認為已經收斂，此時迭代終止，像素分類完成。ICM算法分類結果受初值影響較大，因此我們采用混合伽馬模型估計結果作為像素類別標號的初始值。本文參考了文獻[24]中對于ICM方法與MRF隨機場的詳細說明。

考慮到SAR圖像中至少包括平靜海域、起伏海域、平坦陸地和人造目標4類地物，因此將混合模型預設為4類混合(即K=4)。基于像素分類的目標篩選算法中結合了散射信息和空域相關信息，最終提取強度最高的一類像素作為目標篩選的結果，并與海域ROI部分取交集獲得海域疑似目標，最終按照預先設定的篩選規則對疑似目標逐個鑒別獲得艦船檢測結果。

3 實驗

3.1 實驗數據情況

NSC模式的L1A級產品是單視復數據(Single Look Complex, SLC)圖像，方位向像元尺寸20 m左右，地距向像元尺寸5 m左右。本文選取4幅成像區域內海域占比高、艦船目標豐富的圖像作為實驗圖像。本文獲得的4幅實驗圖像中艦船目標真值總計為111個。圖像中的真值采用人工標注方法，標注時參考成像區域光學衛星影像排除SAR圖像中陸地、港口、島嶼、礁石等與艦船目標易混淆的問題。

3.2 實驗結果與分析

受海浪、風速等多重因素影響，SAR圖像中海域部分并非完全均勻。為了適應復雜海況的艦船檢測，除本文引文部分提到的K分布模型和廣義伽馬模型外，基于G0分布的CFAR方法也被證實可應用于SAR圖像艦船檢測[25]。因此，本文選取基于G0分布，K分布，GΓD的3種CFAR檢測器(G0-CFAR, K-CFAR, GΓD-CFAR)作為基線方法與本文所提方法進行比較。在整個檢測流程中，性能比較的核心在于目標篩選步驟的比較。因此，我們將CFAR目標檢測方法與本文所提的融合混合伽馬建模和求空域相關的像素分類目標檢測方法做性能比較。為了公平起見，檢測流程的其他步驟操作和參數一致。除此之外，實驗過程中我們對CFAR檢測器的設定如下：(1)CFAR檢測中包括對海域背景進行建模，性能比較過程中需基于檢測流程中獲得的海陸分割結果作為先驗排除陸地對建模的干擾。(2)除陸地區域外，我們還需要排除海上目標像素對建模的干擾。本文采用閾值篩選方法剔除目標像素點，閾值經過多幅數據調優。(3)各種CFAR檢測器設定的恒虛警率相同，虛警率設定為Pfa=10–3，在此情況下，各CFAR檢測器均能取得較好性能。

為了比較檢測性能，本文采用“Precision-Recall”指標組合來評價檢測方法的性能。其中“Precision”又稱查準率，計算公式為“正確檢測數/檢測數”，代表檢測結果中是真正艦船目標的比例。“Recall”又稱查全率，計算公式為“正確檢測數/真值數”，代表檢測得到的真正艦船目標能涵蓋全部真值的比例。Precision越高，代表檢測結果中真實艦船目標的比例越高，檢測方法對目標和虛警的辨別更靈敏。Recall越高，代表圖像中真實艦船被檢測到的比例越高，檢測方法在圖像中搜尋真實艦船的能力越強。

表1中列出了高分三號NSC模式SAR圖像實驗數據使用4種檢測方法的指標對比，從表1中經過圖像質量提升后4種檢測方法指標可以發現，本文所提方法的虛警和漏檢數目在4種方法中最少，“Precision-Recall”指標也是最優。通過仔細比較不同方法結果的虛警和漏檢總結發現：CFAR檢測結果中比本文檢測方法結果多出的虛警主要是礁石和海浪，而起伏海域區域內的艦船目標則是CFAR檢測結果中比本文檢測方法結果多出的漏檢。本文采用的基于有限混合伽馬建模和空間相關信息融合的像素分類方法能夠將海域中復雜的地物背景組成情況和目標進行更精細的區分，因此可排除礁石和平靜海面上起伏等易混淆的虛警，也可以更好區分起伏海域背景和艦船目標。

本文設計的實驗中除CFAR檢測方法與本文基于像素分類的檢測方法性能比較外，還對本文第2節中所提出的圖像質量提升方法對檢測性能的影響進行比較實驗。表1中包括4種檢測方法加入圖像質量提升步驟前后的性能對比。性能對比的共同點是“Precision-Recall”指標均有提升。不同點是對于3種CFAR方法，主要提升是漏檢數目減少，與之相關的是排除“十字”旁瓣對艦船目標形狀參數估計的影響，從而減少因形狀參數估計超出范圍剔除目標造成的漏檢。而對于本文提出的基于混合伽馬建模和考慮空域相關性的檢測方法，虛警和漏檢數目在圖像質量提升后均有明顯下降。這是因為本文所提方法中混合伽馬建模對圖像中的條帶噪聲敏感，抑制條帶噪聲后的混合建模結果才能夠對應預設的4類混合，對各類像素無噪強度真值估計準確程度得以改善，可有效減少虛警，融合排除“十字”旁瓣的干擾可進一步減少漏檢。

表1 高分三號NSC模式SAR圖像艦船檢測指標統計Tab. 1 GF-3 satellite NSC mode SAR image maritime ship detection results

為說明圖像質量提升前后本文所提檢測方法的性能差距，我們選取了一幅實驗圖像中典型海域檢測結果進行展示。其中的艦船目標真值是40個，圖5 為未經過圖像質量提升的檢測結果，圖6 為經過抑制條帶噪聲和排除“十字”旁瓣干擾后的檢測結果。圖5和圖6中正確檢測的艦船目標以綠色矩形框標出，漏檢的艦船目標以紅色圓圈標出，虛警以黃色矩形框標出。經過圖像質量提升后，受“十字”旁瓣干擾造成的漏檢減少，仍然存在的漏檢是因為靠岸艦船與陸地緊湊相連，在海陸分割的過程中未能將艦船目標與陸地分開。本文主要關注復雜海況條件下海面艦船的檢測，針對這點將在結論部分展開闡述。經過圖像質量提升后，海面的虛警目標減少，這是因為抑制條帶噪聲后，混合伽馬建模和考慮空域相關的像素分類結果更接近于真實的地物分類情況。

本文所提檢測方法的復雜度主要體現在混合伽馬建模參數估計和考慮空域相關的迭代優化過程，與本文流程中這一步驟相對應的是CFAR檢測方法中的參數估計，建模和閾值求取步驟。我們以4幅尺寸大小接近1500×1500的實驗圖像來測試本算法的平均時間效率。在CPU為Intel(R) Core-i5 3.30 GHz，內存為2 GB的硬件環境下，采用Windows 10操作系統下MATLAB 2016平臺實現算法。G0-CFAR, K-CFAR, GΓD-CFAR的參數估計，建模和閾值求取的平均每幅圖像耗時接近1 s，本文所提方法中混合建模和考慮空間相關性的步驟采用EM算法和ICM算法，需要對全圖中逐像素點進行迭代運算。其中，混合建模過程平均每幅圖像耗時接近3 s，考慮空間相關的迭代優化過程平均每幅圖像耗時接近14 s。本文所提方法中混合建模與CFAR過程的耗時接近，考慮空間相關的迭代優化過程是主要耗時步驟，可在未來采用更為高效的優化方案。通過以上實驗結果分析可知，本文的算法的檢測效果在結合圖像質量提升操作后明顯優于G0-CFAR, K-CFAR, GΓD-CFAR等公認穩定的檢測算法，能夠適應復雜海況的艦船目標檢測，真實數據實驗結果證實了本文所提算法適合高分三號NSC數據。

4 結論

本文提出了一種適用于高分三號NSC成像模式的海面艦船檢測方法，整個檢測流程的核心包括：(1)根據數據特點設計適應圖像降質條件下的性能提升算法，包括抑制條帶噪聲和排除“十字”旁瓣干擾。算法遵循原始數據損失最小原則，實驗結果證明性能提升算法的有效性；(2)提出基于貝葉斯框架像素分類的目標篩選方法。與目前公認穩定的G0-CFAR, K-CFAR, GΓD-CFAR檢測器進行性能比較，結果證明本文所提方法對高分三號NSC模式數據適用性更強。

圖5 未經過圖像質量提升的檢測結果Fig. 5 Detection result without image quality enhancement

圖6 經過圖像質量提升的檢測結果Fig. 6 Detection result after image quality enhancement

傳統的CFAR檢測器和本文所提的融合混合伽馬建模和考慮空域相關性的像素分類方法均屬于利用統計特征進行目標檢測的算法，不同之處在于CFAR需要預先設定規則將用于建模的背景像素篩選出來，需要首先對背景像素有一個先驗，而本文方法直接將艦船目標類像素作為有限混合模型中的一類，無需預先篩選背景像素再進行統計建模。在對SAR圖像進行建模和描述時，考慮到各種干擾因素的同時存在，本文方法中采用的混合模型精確程度超過單一模型，能夠更好的反映真實復雜的海況，結合考慮空域相關特性，本文所提方法可以從SAR圖像上提取更為完整的目標連通域，為目標特征提取打下基礎。但本文所提方法也存在著以下幾點不足：(1)本文所提方法中混合伽馬模型預設4類組合，但復雜海況下，背景和目標像素很難用4類全部代表，平靜海域中，4類又會存在冗余。因此，對于混合建模需要繼續研究自動估計或搜尋合適的類別數目。(2)盡管本文所提的檢測方法在復雜海況下艦船檢測性能優于幾種CFAR檢測器，但精確的像素分類結果是以迭代過程的耗時為代價。從實驗結果耗時情況分析可知，混合建模與CFAR過程的耗時接近，考慮空間相關時采用的ICM算法占用最多時間。在后續的改進過程中，我們考慮新的尋找最優解的快速算法來取代ICM算法。(3)本文所提流程中海陸分割也是艦船目標檢測的關鍵步驟，在本文流程框架下，海陸分割結果決定了近岸和靠岸艦船是否可以正常檢測。盡管本文按照目前實驗數據特點關注的是海面艦船檢測，但靠岸艦船檢測問題仍需要繼續利用更多數據來驗證本文方法的適用性，并在此基礎上提出改進的流程和方法，以期推廣到高分三號更多的成像模式數據中。

[1]張慶君. 高分三號衛星總體設計與關鍵技術[J]. 測繪學報,2017, 46(3): 269–277.Zhang Qingjun. System design and key technologies of the GF-3 satellite[J].Acta Geodaetica et Cartographica Sinica,2017, 46(3): 269–277. DOI: 10.11947/j.AGCS.2017.2017 0049.

[2]丁赤飚, 劉佳音, 雷斌, 等. 高分三號SAR衛星系統級幾何定位精度初探[J]. 雷達學報, 2017, 6(1): 11–16.Ding Chibiao, Liu Jiayin, Lei Bin,et al.. Preliminary exploration of systematic geolocation accuracy of GF-3 SAR satellite system[J].Journal of Radars, 2017, 6(1): 11–16.

[3]楊勁松, 任林, 王雋. 高分三號衛星對海浪的首次定量遙感[J].海洋與湖沼, 2017, 48(2): 207–209.Yang Jingsong, Ren Lin, and Wang Juan. The first quantitative remote sensing of ocean surface waves by Chinese GF-3 SAR satellite[J].Oceanologia et Limnologia Sinica, 2017, 48(2): 207–209.

[4]王文煜, 謝春華, 袁新哲, 等. 高分三號衛星ATI模式海表面流場測量性能分析[J]. 航天器工程, 2017, 26(1): 132–139.Wang Wenyu, Xie Chunhua, Yuan Xinzhe,et al..Performance analysis of sea surface current measurements by GF-3 satellite ATI mode[J].Spacecraft Engineering,2017, 26(1): 132–139.

[5]楊勁松, 王雋, 任林. 高分三號衛星對海洋內波的首次定量遙感[J]. 海洋學報, 2017, 39(1): 148.Yang Jingsong, Wang Juan, and Ren Lin. The first quantitative remote sensing of ocean internal wave By Chinese GF-3 SAR satellite[J].Haiyang Xuebao, 2017,39(1): 148.

[6]Li Hengchao, Hong Wen, Wu Yirong,et al.. On the empirical-statistical modeling of SAR images with generalized gamma distribution[J].IEEE Journal of Selected Topics in Signal Processing, 2011, 5(3): 386–397. DOI:10.1109/JSTSP.2011.2138675.

[7]Ni Weiping, Yan Weidong, Wu Junzheng,et al.. Statistical analysis and modeling of TerraSAR-X images for CFAR based target detection[C]. Proceedings of 2013 IEEE International Geoscience and Remote Sensing Symposium,Melbourne, VIC, Australia, 2013: 1983–1986.

[8]高貴, 周蝶飛, 蔣詠梅, 等. SAR圖像目標檢測研究綜述[J]. 信號處理, 2008, 24(6): 971–981.Gao Gui, Zhou Diefei, Jiang Yongmei,et al.. Study on target detection in SAR image: A survey[J].Signal Processing, 2008, 24(6): 971–981.

[9]艾加秋, 齊向陽. 一種基于局部K-分布的新的SAR圖像艦船檢測算法[J]. 中國科學院研究生院學報, 2010, 27(1): 36–42.Ai Jiaqiu and Qi Xiangyang. A new ship detection algorithm based on local K-distribution in SAR images[J].Journal of the Graduate School of the Chinese Academy of Sciences, 2010, 27(1): 36–42.

[10]Qin Xianxiang, Zhou Shilin, Zou Huanxin,et al.. A CFAR detection algorithm for generalized gamma distributed background in high-resolution SAR images[J].IEEE Geoscience and Remote Sensing Letters, 2013, 10(4):806–810. DOI: 10.1109/LGRS.2012.2224317.

[11]Gao Gui, Ouyang Kewei, Luo Yongbo,et al.. Scheme of parameter estimation for generalized gamma distribution and its application to ship detection in SAR images[J].IEEE Transactions on Geoscience and Remote Sensing,2017, 55(3): 1812–1832. DOI: 10.1109/TGRS.2016.2634862.

[12]艾加秋, 齊向陽, 禹衛東. 改進的SAR圖像雙參數CFAR艦船檢測算法[J]. 電子與信息學報, 2009, 31(12): 2881–2885.Ai Jiaqiu, Qi Xiangyang, and Yu Weidong. Improved two parameter CFAR ship detection algorithm in SAR images[J].Journal of Electronicsamp;Information Technology,2009, 31(12): 2881–2885.

[13]種勁松, 朱敏慧. SAR圖像局部窗口K-分布目標檢測算法[J].電子與信息學報, 2003, 25(9): 1276–1280.Chong Jinsong and Zhu Minhui. Target detection algorithm of SAR image based on local window K-distribution[J].Journal of Electronics and Information Technology, 2003,25(9): 1276–1280.

[14]Akylmaz E, Demirkesen C, Nar F,et al.. Interactive ship segmentation in SAR images[C]. Proceedings of the 2013 21st Signal Processing and Communications Applications Conference (SIU), Haspolat, 2013: 1–4.

[15]Wang Shigang, Wang Min, Yang Shuyuan,et al.. New hierarchical saliency filtering for fast ship detection in highresolution SAR images[J].IEEE Transactions on Geoscience and Remote Sensing, 2017, 55(1): 351–362. DOI:10.1109/TGRS.2016.2606481.

[16]Zhai Liang, Li Yu, and Su Yi. Inshore ship detection via saliency and context information in high-resolution SAR images[J].IEEE Geoscience and Remote Sensing Letters,2016, 13(12): 1870–1874. DOI: 10.1109/LGRS.2016.2616187.

[17]Zhao J, Guo W, Liu B,et al.. Ship detection for sentinel-1 SAR imagery based on a coupled convolutional neural network[J].IEEE Geoscience and Remote Sensing Letters,submitted for reviewing.

[18]Otsu N. A threshold selection method from gray-level histograms[J].IEEE Transactions on Systems,Man,and Cybernetics, 1979, 9(1): 62–66. DOI: 10.1109/TSMC.1979.4310076.

[19]Duda R O and Hart P E. Use of the Hough transformation to detect lines and curves in pictures[J].Communications of the ACM, 1972, 15(1): 11–15. DOI: 10.1145/361237.361242.

[20]Tupin F, Maitre H, Mangin J F,et al.. Detection of linear features in SAR images: Application to road network extraction[J].IEEE Transactions on Geoscience and Remote Sensing, 1998, 36(2): 434–453. DOI: 10.1109/36.662728.

[21]Goodman J W. Some fundamental properties of speckle[J].Journal of the Optical Society of America, 1976, 66(11):1145–1150. DOI: 10.1364/JOSA.66.001145.

[22]Dempster A P, Laird N M, and Rubin D B. Maximum likelihood from incomplete data via the EM algorithm[J].Journal of the Royal Statistical Society. Series B(Methodological), 1977, 39(1): 1–38.

[23]Wu Yonghui, Ji Kefeng, Yu Wenxian,et al.. Region-based classification of polarimetric SAR images using wishart MRF[J].IEEE Geoscience and Remote Sensing Letters,2008, 5(4): 668–672. DOI: 10.1109/LGRS.2008.2002263.

[24]吳永輝. 極化SAR圖像分類技術研究[D]. [博士論文], 國防科學技術大學, 2007: 117–121.Wu Yonghui. Classification of polarimetric SAR images[D].[Ph.D. dissertation], National University of Defense Technology, 2007: 117–121.

[25]曹峰, 邢相薇, 計科峰. 一種SAR圖像艦船目標快速檢測方法[J]. 雷達科學與技術, 2012, 10(4): 380–386.Cao Feng, Xing Xiangwei, and Ji Kefeng. A fast method for ship detection in SAR imagery[J].Radar Science and Technology, 2012, 10(4): 380–386.

劉澤宇(1993–)，男，黑龍江哈爾濱人，于2014年獲上海交通大學學士學位，2014年9月至今在上海交通大學電子信息與電氣工程學院攻讀博士研究生。研究方向為雷達圖像解譯、數據挖掘。

E-mail: ribosomal@sjtu.edu.cn

柳 彬(1985–)，男，湖南衡陽人，博士，助理研究員，分別于2007年、2009年和2015年獲上海交通大學信息工程、信號與信息處理和信號與信息處理學士、碩士和博士學位。2012年10月至2013年4月在法國巴黎高科電信學院訪問研究。2015年12月，任上海交通大學電信學院信息技術與電氣工程研究院助理研究員。主要從事雷達圖像的分割分類、目標檢測識別、多時相分析等方面的研究。

E-mail: bliu.rsti@sjtu.edu.cn

郭煒煒(1983–)，男，江蘇南通人，博士，分別于2005年、2007年和2011年獲國防科技大學信息與通信工程專業學士、碩士和博士學位。2014年至今，在上海交通大學電子信息與電氣工程學院做博士后。主要從事圖像理解、模式識別與機器學習等方面的研究。

E-mail: gwnudt@163.com

張增輝(1980–)，男，山東金鄉人，博士，副研究員，分別于2001年、2003年和2008年獲國防科技大學應用數學、計算數學和信息與通信工程專業學士、碩士和博士學位。2008年6月，任國防科大理學院數學與系統科學系講師；2014年2月，任上海交通大學電子信息與電氣工程學院副研究員。主要從事新體制雷達系統、雷達信號處理、壓縮感知理論等方面的研究。

E-mail: zenghui.zhang@sjtu.edu.cn

張 波(1981–)，男，陜西西安人，碩士，工程師，分別于2004年、2009年獲西安交通大學信息工程、系統工程學士和碩士學位。2009年8月任中國空間技術研究院西安分院助理工程師；2011年任中國空間技術研究院西安分院工程師。主要從事遙感衛星數據傳輸系統設計、遙感衛星地面接收處理系統設計、衛星應用技術等方面研究。

E-mail: seipopzb@163.com

周月恒(1990–)，女，陜西西安人，碩士，工程師，于2012年獲武漢大學地理信息系統學士學位，2015年獲紐約州立大學布法羅分校地理碩士學位。2015年至今在中國空間技術研究院西安分院工作。主要從事遙感數據處理、目標識別等方面研究。

E-mail: zyhzyh360@126.com

馬 高(1989–)，男，山西長治人，碩士，工程師，2012年獲陜西師范大學地圖學與地理信息系統碩士學位。2015年至今在中國空間技術研究院西安分院工作。主要從事遙感數據處理、信息智能提取等方面研究。

E-mail: magao2002@163.com

郁文賢(1964–)，男，上海松江人，博士，教授，博士生導師，上海交通大學講席教授。中國第2代衛星導航系統重大專項測試評估與試驗驗證專家組專家，高分辨率對地觀測系統重大專項專家委員會地面系統組專家，“十二五”總裝備部衛星應用技術專業組顧問，裝發部上海市“北斗導航與位置服務”共建重點實驗室主任，上海交通大學學術委員會委員，雷達信號處理國防科技重點實驗室學術委員會委員，“十一五”國家863計劃信息獲取與處理技術主題第一、第二屆專家組組長，“十一五”總裝備部雷達探測技術專業組專家，主要研究方向為先進探測技術和多維信號與信息處理，研究內容包括新型成像系統、微波圖像處理和解譯、信息融合、目標識別等。

E-mail: wxyu@sjtu.edu.cn

Key Program of National Natural Science Foundation of China—High Resolution SAR Database and Data Quality Evaluation (61331015)

Ship Detection in GF-3 NSC Mode SAR Images

Liu Zeyu①Liu Bin①Guo Weiwei①Zhang Zenghui①Zhang Bo②Zhou Yueheng②Ma Gao②Yu Wenxian①
①(Shanghai Key Laboratory of Intelligent Sensing and Recognition,Shanghai Jiao Tong University,Shanghai200240,China)
②(China Academy of Space Technology-Xi’an,Xi’an710100,China)

GF-3, the first C-band full-polarimetric Synthetic Aperture Radar (SAR) satellite with a space resolution up to 1 m, has multiple strip and scan imaging modes. In this paper, we propose a maritime ship detection algorithm that detects ship targets via pixel classification in a Bayesian framework and employ effective enhancement methods to improve detection performance based on the data characteristics. We compare and analyze the results of detection experiments using the proposed algorithm with those of several Constant False Alarm Rate (CFAR) algorithms. The experimental results verify the effectiveness of the proposed algorithm.

GF-3 satellite; Synthetic Aperture Radar (SAR); Ship detection; Pixel classification

TP75

A

2095-283X(2017)05-0473-10

10.12000/JR17059

劉澤宇, 柳彬, 郭煒煒, 等. 高分三號NSC模式SAR圖像艦船目標檢測初探[J]. 雷達學報, 2017, 6(5):473–482.

10.12000/JR17059.

Reference format:Liu Zeyu, Liu Bin, Guo Weiwei,et al.. Ship detection in GF-3 NSC mode SAR images[J].Journal of Radars, 2017, 6(5): 473–482. DOI: 10.12000/JR17059.

2017-06-15；改回日期：2017-07-31；網絡出版：2017-08-18

*通信作者： 柳彬 bliu.rsti@sjtu.edu.cn

國家自然科學基金重點項目—高分辨率SAR測試庫及數據質量評估(61331015)