基于多特征融合的SAR圖像艦船自學習檢測算法

楚博策，文義紅，陳金勇

(中國電子科技集團公司航天信息應用技術重點實驗室，河北 石家莊 050081)

0 引言

我國是一個幅員遼闊的海洋大國，海戰場環境下對目標進行快速、精準的檢測定位是戰時用于精準打擊、軍力部署和態勢分析中亟待解決的關鍵問題。合成孔徑雷達(SAR)具有全天候、全天時和穿透能力強等特點，是目前重要的對地觀測和軍事偵察手段，其主要應用領域之一就是各種軍事目標的檢測和識別。因此，隨著SAR數據收集能力的不斷增強，現已成為艦船檢測的主要信息獲取手段。

近年來各國研究人員利用SAR開展了大量的艦船目標檢測研究，其中有研究者簡單設定閾值進行檢測，但是此類方法缺乏適應性。除此之外，恒虛警率(Constant False Alarm Rate，CFAR)檢測算法[1]是SAR目標探測的重要算法之一。目前多使用高斯分布[2]、K分布[3]、G分布[4]、對數正態分布[5]和穩態分布[6]等，概率分布對海雜波進行建模分析，但是不同的概率分布建模的復雜程度不一樣，不僅影響SAR艦船目標的檢測效率，也直接影響目標檢測效果。為解決CFAR檢測效果不佳的問題，后續研究者采用機器學習的方法對艦船目標數據庫進行特征提取與訓練[7]，但是此類方法對于數據庫中不存在的艦船目標泛化能力較差[8]，而且無法實現實時更新，難以應對戰場環境下的復雜變化。

本文提出一種基于多特征融合的艦船自學習檢測方法，該方法通過用戶選取感興趣的艦船目標，對選取目標的形態(長寬比)、灰度(亮度)和輪廓(傅里葉描述子[9])等多種特征進行自學習，隨后對待檢測圖像進行輪廓分割和個體特征判定的方法提取出待檢測圖像中與用戶選擇目標相似的艦船目標。本文方法滿足戰時應用需要，可以隨時根據需求快速得到所有感興趣的艦船打擊目標，相比CFAR[10]具有更高的檢測速度，相比機器學習方法[11]具有更加靈活的反應能力。

1 多特征融合的自學習算法

1.1 檢測流程設計

本文設計艦船檢測流程如圖1所示。

圖1 自學習艦船檢測流程

首先需要選取待檢測的感興趣目標，對其進行形態、灰度和輪廓等多特征提取，隨后對待檢測圖像進行海陸分割，對海域部分進行目標輪廓分割，對分割得到的待檢測目標進行多特征提取，隨后與選取目標進行多特征匹配得到最終檢測結果。

1.2 特征提取

本文選取艦船長寬比、亮度和傅里葉描述子分別對艦船目標的形態、灰度和輪廓3個方面進行特征描述。

① 采用基于橢圓擬合的艦船目標長寬特征提取。

在二維平面坐標系中，橢圓的曲線方程代數表達式為：

Ax2+Bxy+Cy2+Dx+Ey+F=0。

采用最小二乘原理可知，可通過最小化代數距離平方和來實現曲線擬合的問題，

由極值原理，若令f(A，B，C，D，E，F)的值為最小，必有

由此可以得到線性方程組，結合約束條件可以求得方程系數A，B，C，D，E，F的值，最終可得到橢圓方程。

通過輪廓分割可以得到檢測目標的邊緣，采用最小二乘橢圓擬合方法提取得到目標的長和寬特征。

② 基于橢圓擬合的亮度特征。同理于上述橢圓擬合的方法，本文遍歷橢圓內所有像素點并計算所有點的亮度平均值作為該目標的亮度特征。

③ 傅里葉描述子。傅里葉描述子的基本思想是：設物體的形狀是一條封閉曲線，沿邊界曲線上一個動點s(k)=[x(k)，y(k)]是一個以形狀邊界周長為周期的函數。這個周期函數可以展開成傅里葉級數。傅里葉級數中的一系列系數a(u)直接與邊界曲線形狀有關，稱為傅里葉描述子，其計算公式為：

傅里葉描述子是物體形狀邊界曲線的傅里葉變換系數，它是物體邊界曲線信號的頻域分析結果。根據傅里葉變換的性質，傅里葉描述子與形狀尺度、方向和曲線起始點s0有關。以a(1)為基準進行歸一化處理，得到歸一化后的傅里葉描述子：

歸一化后的傅里葉描述子d(u) 具有尺度、旋轉和平移的不變性。

1.3 分類器設計

為說明基于多特征融合的SAR圖像艦船目標檢測方法的有效性，在使用長寬、亮度、傅里葉描述子作為特征量的基礎上，選擇簡單的閾值分類器設計方法實現檢測過程。其中采用待檢測目標與選定目標的長、寬、亮度的比值，以及計算歸一化傅里葉描述子之間的歐氏距離實現閾值比對。其中傅里葉描述子的歐氏距離公式為：

由于形狀的能量大多集中在低頻部分，傅里葉變換的高頻分量一般很小且容易受到高頻噪聲的干擾，一般只使用歸一化描述子的低頻分量計算物體形狀的相似差異(本文根據經驗，取M=20)，dE越大，物體的形狀差異越大。

2 實驗結果及分析

2.1 數據準備

本文以哨兵-1衛星數據為基礎，其他來源SAR圖像進行補充，對多幅SAR圖像進行檢測，其中每幅圖片尺寸為3 600*2 400，圖像中包含多種姿態的目標，并且包含多種干擾信息，如樹木、草坪和建筑物等。待檢測目標包含各種方位與尺寸，方位角包括0°～360°的全方位角度。

2.2 評價指標

為保證指標的全面性，本文采用查全率和虛警率結合的方式來評價不同方法的檢測結果。

式中，TP為檢測到的正確的艦船目標；NP為待檢測圖像中所有艦船目標數量；FP為檢測到錯誤的艦船目標。其中查全率也就是召回率描述艦船檢測的全面性，虛警率代表檢測方法過擬合性，性能系數(Figure of Merit，FOM)描述檢測方法的整體性能，性能系數越大，檢測方法的性能越好，檢測率越高，虛警率越低。

2.3 性能比較

本文挑選出2幅檢測圖像A和B進行展示。設置4組實驗來驗證本文提出方法與CFAR對比效果。

實驗1：對圖A采用CFAR不同的參數集α，β進行檢測。

實驗2：對圖B采用CFAR不同的參數集α，β進行檢測。

實驗3：對圖A采用不同學習目標α，β進行檢測。

實驗4：對圖B采用不同學習目標α，β進行檢測。

自學習目標檢測結果如圖2所示。其中圖2(a)是采用CFAR方法對圖A分別選α參數得到的檢測結果，圖2(b)是采用CFAR方法對圖A分別選β參數得到的檢測結果，圖2(c)是采用CFAR方法對圖B分別選α參數得到的檢測結果，圖2(d)是采用CFAR方法對圖B分別選β參數得到的檢測結果，圖2(e)是采用自學習方法對圖A分別選α參數得到的檢測結果，圖2(f)是采用自學習方法對圖A分別選β參數得到的檢測結果，圖2(g)是采用自學習方法對圖B分別選α參數得到的檢測結果，圖2(h)是采用自學習方法對圖B分別選β參數得到的檢測結果。圖2中細框為正確檢測目標，粗框代表誤檢。

表1對2幅圖的檢測結果進行統計，可以看出無論檢測查全率還是虛警率，本文方法都相比CFAR有較大改善，并且本文可以根據任務需要隨時修改學習對象和學習比率，對于操作中更加方便靈活。

對哨兵-1上多幅遙感影像進行CFAR和自學習檢測測試，統計得到最終檢測效果如表2所示，可以看出本文提出的多特征自學習方法的普適性相比CFAR具有更好的檢測結果。除此之外，在檢測效率方面，自學習方法在單幅SAR圖像平均檢測時間從CFAR的5 s降低至0.02 s，計算復雜度更低檢測速率更快。

圖2 自學習目標檢測

表1 圖A、B實驗檢測結果對比

實驗序號及類型結果類別αβ平均查全率/%平均虛警率/%FOM實驗1(CFAR)檢測到的目標個數(TP)23/2928/29虛警目標個數(FP)102086.626.066.4實驗2(CFAR)檢測到的目標個數(TP)22/2724/27虛警目標個數(FP)2286.626.066.4實驗3(自學習)檢測到的目標個數(TP)28/2924/29虛警目標個數(FP)01902.8890.4實驗4(自學習)檢測到的目標個數(TP)25/2727/27虛警目標個數(FP)02902.8890.4

表2 對比檢測結果 (%)

3 結束語

本文主要由感興趣目標選取、待檢測目標輪廓分割、特征提取以及特征匹配等步驟完成艦船目標的快速檢測，其中采用感興趣目標選取主要根據用戶當前較為感興趣的艦船目標類型進行標定，錨定機器學習目標對象，隨后根據形態和紋理等特征在待檢測目標當中進行相似匹配最終得到檢測結果。傳統的CFAR[12]方法雖然可以做到全自動艦船目標檢測，但是由于衛星載荷的分辨率與數據質量的不同，其性能受到較大影響；傳統機器學習[13]訓練檢測方法無法根據用戶的當下關注的目標進行實時可控的個性化檢測；本文提出的方法相比單一閾值判定，采用多特征融合方法可以有效結合多類特征[14]，實現檢測目標更準確的特征描述，有效提升了檢測準確率，并且其所采用的自學習模式的方法設計相比機器學習模型訓練的方法更能滿足戰時需求的快速反應與更新能力，更能滿足戰時需求的快速反應與更新能力，具有較好的應用效果。隨著衛星載荷能力的提升，越來越多的高分辨率SAR數據[15]可以被利用起來，在下一步工作當中可以嘗試采用深度學習的方法提取更為抽象的精細特征代替傳統的尺度、形態和紋理特征[16]對艦船目標進行描繪，可以實現更高的檢測能力。

[1] 趙明波，何峻，付強.SAR圖像CFAR檢測的快速算法綜述[J].自動化學報，2012(12)：1886-1895.

[2] 邢相薇.SAR 圖像艦船目標檢測方法研究[D].長沙，國防科學技術大學，2009.

[3] 蔣明哲.SAR圖像艦船檢測與分類方法研究[D].合肥：合肥工業大學，2009.

[4] 潘卓，高鑫，王巖飛，等.基于聚類的SAR 圖像快速目標檢測[J].計算機應用研究，2008，25(8)：2416-2419.

[5] 梁元輝.CFAR融合檢測算法研究[D].成都：西南交通大學，2012.

[6] 郝迎春.雷達CFAR檢測算法及門限判決系數的優化研究[D].成都：電子科技大學，2012.

[7] 王彥情，馬雷，田原.光學遙感圖像艦船目標檢測與識別綜述[J].自動化學報，2011 (9)：1029-1039.

[8] 趙英海，吳秀清，聞凌云，等.可見光遙感圖像中艦船目標檢測方法[J].光電工程，2008 (8)：102-106.

[9] 彭正初.基于傅里葉描述子的物體形狀識別的研究[D].哈爾濱：哈爾濱工業大學，2016.

[10] 高貴.SAR圖像目標鑒別研究綜述[J].信號處理，2009(9)：1421-1432.

[11] 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(1)：36-42.

[12] 時公濤，趙凌君，桂琳.基于Mellin變換的K分布參數估計新方法[J].電子學報，2010(9)：2083-2089.

[13] 馬骕，鄧喀中.基于SAR圖像的目標檢測研究[D].北京：清華大學，2011.

[14] 林達，徐新.一種有效的MSTARSAR圖像分割方法[J].武漢大學學報(信息科學版)，2015(10)：1377-1380.

[15] 張茂楨.高分辨率SAR圖像目標檢測與分類[D].長春：長春理工大學，2016.

[16] 彭易錦.基于多特征綜合的圖像與電子偵察目標關聯[J].計算機應用研究，2008，25(8)：2416-2419.