Sentinel-1A的近海固定設(shè)施和動態(tài)船只識別

朱振宇，周乃恩，賀少帥

(1.航天彩虹無人機股份有限公司，北京 100074；2.青島海洋科學與技術(shù)國家實驗室發(fā)展中心，山東 青島 266235)

0 引言

合成孔徑雷達(synthetic aperture radar，SAR)是一種全天時、全天候、廣覆蓋、高重訪、中高分辨率的主動成像傳感器[1]。隨著觀測角、頻率、極化、空間和時間分辨率的不斷提升，衛(wèi)星SAR在滿足陸海、軍民需求上將會發(fā)揮越來越多的應(yīng)用價值[2]。海上固定設(shè)施的金屬、混凝土成分和動態(tài)船只的金屬成分的后向散射系數(shù)遠大于海洋的后向散射系數(shù)，因此在海洋SAR幅度圖上海洋像素的灰度值一般很小，而海上固定設(shè)施和動態(tài)船只的灰度值一般很大，因此衛(wèi)星SAR具有海洋目標識別、監(jiān)測的工程化應(yīng)用潛力。應(yīng)用價值主要體現(xiàn)在兩個方面：一是動態(tài)船只識別可以用于海洋伏季休漁期非法漁船捕撈監(jiān)督、非法移民監(jiān)控、海洋救援等民用領(lǐng)域；二是海上固定目標和動態(tài)船只的識別可以用于獲取海上軍事設(shè)施的位置,敵方艦船的位置、類型、航向等情報信息，奪取海上戰(zhàn)場主動權(quán)[3]。

二十世紀八九十年代，加拿大、美國、挪威科研人員使用SAR衛(wèi)星(如Seasat-1、ERS-1)成功提取了海上船只目標[4]，而后國內(nèi)外科研人員陸續(xù)開展了海洋SAR衛(wèi)星數(shù)據(jù)的船只識別算法研究。如基于K分布的恒虛警概率(constant false alarm rate，CFAR)船只識別算法因簡單易行、適應(yīng)性強而被廣泛應(yīng)用[5]，現(xiàn)已被用于加拿大海洋監(jiān)測工作站[6]。隨著SAR成像及其數(shù)據(jù)處理技術(shù)的發(fā)展，SAR影像海上固定目標和動態(tài)船只目標的識別研究得到了科研人員的關(guān)注[7-9]。針對不同應(yīng)用場景和SAR數(shù)據(jù)特點，科研人員對CFAR算法進行了改進，其中雙參數(shù)CFAR算法在良好海況下能夠自動適應(yīng)海雜波背景噪聲的變化且算法簡單、實用效果好[10-12]，成為SAR目標檢測中最為常用的算法。

當遇到臺風、洋流、潮汐等較為復雜的海況時，SAR影像將出現(xiàn)局部海雜波，影響海上目標的檢測、識別和提取的精度。另外，以往的研究大都是使用單期SAR單極化數(shù)據(jù)的幅度信息或者多極化數(shù)據(jù)的極化和幅度信息，通過開發(fā)、改進算法將船只與海雜波區(qū)分開，但未考慮海上固定設(shè)施的影響，尤其海上風力發(fā)電場的大小與船只接近的問題。本研究利用多期SAR數(shù)據(jù)的干涉相干性和幅度信息，使用雙參數(shù)CFAR算法和眾數(shù)濾波算法[13]，分別開展海上固定設(shè)施和動態(tài)船只識別、提取的工程化應(yīng)用研究。

1 研究區(qū)及數(shù)據(jù)

選取江蘇省南通市如東縣近海區(qū)(位于中國黃海)作為研究區(qū)，地理坐標為121°04′ E～121°37′ E，32°26 N～32°59′ N，如圖1中綠色矩形框所示。研究區(qū)內(nèi)建有風力發(fā)電場、碼頭等固定設(shè)施和動態(tài)船只。在研究區(qū)內(nèi)，劃定了兩個重點分析區(qū)，“重點分析區(qū)1”是近海風力發(fā)電場，可以看到成排成列分布的風力發(fā)電設(shè)施；“重點分析區(qū)2”是近海碼頭，碼頭附近可以看到船只，如圖1紅色矩形框所示。

實驗輔助數(shù)據(jù)是日本基金會最新發(fā)布的15″格網(wǎng)(450 m)全球海陸高程數(shù)據(jù)(the GEBCO_2020 grid)，作為數(shù)字高程模型(digital elevation model，DEM)數(shù)據(jù)，用于5期Sentinel-1A數(shù)據(jù)之間的精配準和地理編碼。

2 研究方法和結(jié)果

總體技術(shù)方法流程如圖2所示。使用5期Sentinel-1A SAR數(shù)據(jù)之間的干涉相干性和雙參數(shù)CFAR算法與眾數(shù)濾波算法(四鄰域和八鄰域窗口)提取近海海上固定設(shè)施。將海上固定設(shè)施、海雜波強反射區(qū)進行掩膜，使用雙參數(shù)CFAR算法提取動態(tài)船只，并與未考慮掩膜信息的雙參數(shù)CFAR算法、迭代加權(quán)多元變化檢測算法提取的動態(tài)船只結(jié)果進行對比。

2.1 研究方法

1)SAR影像配準和相干計算。同一地區(qū)多期重訪SAR影像之間一般存在10～102量級像素的位置偏移。SAR干涉處理的必要條件是主輔SAR影像的精配準優(yōu)于0.25個像素。一般可以使用衛(wèi)星軌道參數(shù)估算主輔SAR影像之間的初始偏移量進行粗配準。在此基礎(chǔ)上，本研究使用主輔影像相關(guān)性測度的相干系數(shù)法選取主輔影像的同名像點[14]，使用最小二乘法分別在距離向和方位向擬合同名像點的偏移量，求得雙線性多項式系數(shù)，將輔影像上各像素分別重采樣到主影像坐標空間。

假設(shè)M和S分別是精配準的主、輔影像，選定大小為k×l的滑動窗口，計算滑動窗口內(nèi)像素相干系數(shù)的平均值作為窗口中心像素的相干系數(shù)值[15]。

2)雙參數(shù)CFAR算法。雙參數(shù)CFAR算法應(yīng)用在衛(wèi)星SAR海上目標識別方面是海雜波(如海洋內(nèi)波、洋流、海浪等引起的強反射)和海上目標分別服從不同的幅度統(tǒng)計分布概率密度函數(shù)。設(shè)Pfa為虛警概率，表示海上目標檢測的錯誤概率，那么檢測閾值T的表示如式(1)所示。

(1)

式中：μB和σB分別為局部滑動窗口幅度值的均值和標準差。在Pfa下，當幅度值I大于閾值T時，則該像素判定為海上目標；否則，判定為海面。

雙參數(shù)CFAR算法適用條件有兩個：一是海上目標的SAR像素具有較大和相近的幅度值，具有連續(xù)的空間分布；二是海雜波的SAR像素在幅度值和空間分布上是隨機的、無規(guī)律的。

3)Frost濾波和眾數(shù)濾波算法。Frost濾波算法是目前最為通用的基于局部統(tǒng)計特性的自適應(yīng)濾波算法。Frost濾波算法假設(shè)斑點噪聲是乘性噪聲，并假設(shè)SAR影像是平穩(wěn)過程。Frost濾波的沖擊響應(yīng)為雙邊指數(shù)函數(shù)[16]。

在海雜波較為極端復雜時，雙參數(shù)CFAR算法提取的海上目標虛警率較高。因此，本實驗對雙參數(shù)CFAR算法獲取的二值圖進行眾數(shù)濾波處理。在GIS應(yīng)用中，眾數(shù)濾波是指某一像素及其鄰域像素的所有像素值組成了一個離散數(shù)值集合{x1，x2，…，xn}，那么，出現(xiàn)頻率最高的數(shù)值xi為該像素的像元值。本實驗離散數(shù)值集合為{0，1},Sentinel-1A多視后空間分辨率為15 m，海上船只大小一般在2個像素及以上，因此滑動窗口選定四鄰域和八鄰域。

4)迭代加權(quán)多元檢測(iteratively reweighted MAD，IR-MAD)算法。為了改進多元變化檢測(multivariate alteration detection，MAD)算法[17]的去噪效果和實現(xiàn)變化閾值的自動獲取，Nielsen[18]提出了IR-MAD算法。IR-MAD算法通過迭代加權(quán)計算自動獲取變化閾值，是一種非監(jiān)督變化檢測方法。

2.2 數(shù)據(jù)處理和結(jié)果

SAR像對相干性受多種因素影響，如時空基線、傳感器工作頻率、天氣和視場環(huán)境等。時空基線越小，傳感器工作波長越大，則相干性越高。云霧雨天氣以及視場內(nèi)植被、河湖等地物會降低相干性，而穩(wěn)定的建筑物則會提高相干性。因此，如果數(shù)據(jù)量豐富，則可通過控制時空基線進行SAR像對組合。考慮成像時間應(yīng)避開海洋伏季休漁期和結(jié)冰期，本研究選出2020年9月27日—2020年11月14日的5期Sentinel-1A影像，數(shù)據(jù)量適中。考慮相干性受成像環(huán)境(大氣、海況等)影響，因此不再控制時空基線優(yōu)選干涉像對，而是對這5期SAR影像進行兩兩組合，共形成10個干涉像對。

分別對5期覆蓋研究區(qū)的SAR影像進行感興趣區(qū)(region of interest，ROI)裁剪、影像粗配準和精配準、干涉組合和相干計算、雙參數(shù)CFAR算法處理、眾數(shù)濾波、多視處理、海雜波強反射邊界提取等數(shù)據(jù)處理。

首先提取近海海上固定設(shè)施。裁剪后的5期VV、VH雙極化SAR影像兩兩組合，共可以形成10個VV和10個VH極化干涉對。對20個干涉對組合進行精配準和相干計算。使用雙參數(shù)CFAR算法提取具有強干涉相干性的固定設(shè)施，得到二值化相干圖。使用四鄰域和八鄰域眾數(shù)濾波器交互式迭代處理二值化相干圖，直到固定設(shè)施像素的變化個數(shù)小于固定設(shè)施像素總個數(shù)的1%時停止，則得到固定設(shè)施提取結(jié)果。圖3和圖4第一列為VV極

化干涉對提取的固定設(shè)施，第二列為VH極化干涉對提取的固定設(shè)施，第三列為雙極化干涉對提取的固定設(shè)施，即對VV和VH極化干涉對提取的固定設(shè)施取并集；白色像素代表海上固定設(shè)施，黑色像素代表海域。對10個雙極化干涉對提取的固定設(shè)施矢量邊界取并集，得到“總干涉對”提取的固定設(shè)施結(jié)果，如圖5所示。

之后提取動態(tài)船只目標。對裁剪后5期SAR SLC影像進行方位向1×距離向4的多視處理，得到空間分辨率為方位向13.95 m×距離向14.72 m的VV、VH雙極化SAR幅度圖。對5期幅度圖進行Frost濾波處理，濾波窗口大小為7×7，得到降噪后幅度圖。使用GEBCO_2020數(shù)據(jù)將SAR坐標系的降噪后幅度圖地理編碼到WGS1984 UTM坐標系。

IR-MAD算法提取動態(tài)船只。由于IR-MAD算法提取的結(jié)果是兩期影像的變化目標，不考慮噪聲情況下，則是兩期的動態(tài)船只。因此在多時相SAR組合設(shè)計上，首先，使用第1期影像分別與第2～5期影像進行變化檢測，分別得到“1期+2期”“1期+3期”“1期+4期”和“1期+5期”動態(tài)船只；然后，使用第2期影像與第3期影像進行變化檢測，得到“2期+3期”動態(tài)船只；接著，使用OTSU算法和眾數(shù)濾波對變化檢測結(jié)果進行自動閾值分割和濾波處理，提取矢量邊界；最后，用“1期+2期”矢量邊界對“2期+3期”矢量邊界做擦除(erase)，得到第1期動態(tài)船只，分別用“1期+2期”“1期+3期”“1期+4期”和“1期+5期”矢量邊界對第1期動態(tài)船只矢量邊界做擦除，得到第2期、第3期、第4期、第5期動態(tài)船只。IR-MAD算法最大循環(huán)次數(shù)設(shè)置為30，停止迭代的最小變化率閾值設(shè)置為0.001。分別對每期VV、VH幅度圖進行以上處理，再對提取的結(jié)果取并集作為每期動態(tài)船只，如圖6所示。

雙參數(shù)CFAR算法提取動態(tài)船只目標。設(shè)置船只大小為2～134個像素，直接使用雙參數(shù)CFAR算法和眾數(shù)濾波從5期UTM坐標系VV、VH幅度圖提取船只，對每期VV、VH幅度圖提取的船只目標取并集，結(jié)果如圖7第二列所示，而第一列表示VV極化幅度圖。將固定設(shè)施和人工提取的海雜波強反射區(qū)進行掩膜，設(shè)置船只大小為2～134個像素，使用雙參數(shù)CFAR算法和眾數(shù)濾波從5期UTM坐標系VV、VH幅度圖提取船只，對每期VV、VH幅度圖提取的船只取并集，結(jié)果如圖7第三列所示。

3 分析與討論

3.1 固定設(shè)施

圖3和圖4橫向?qū)Ρ龋懈缮鎸V、VH提取的固定設(shè)施可分為三類：第一類是VV提取，而VH未提取；第二類是VH提取，而VV未提取；第三類是VV、VH同時提取，該類數(shù)量遠大于第一類和第二類數(shù)量之和。實驗結(jié)果表明：海上固定設(shè)施的結(jié)構(gòu)和所處環(huán)境會共同決定其對不同極化方式雷達波的后向散射特性；同極化(VV)與交叉極化(VH)SAR數(shù)據(jù)提取的海上固定設(shè)施可互為驗證和補充，因此在海上固定設(shè)施檢測、識別方面極化信息具有重要價值。圖3和圖4縱向?qū)Ρ龋煌瑫r相組合的干涉對提取的固定設(shè)施在數(shù)量和分布上存在差別，這是因為不同時相組合的影像對在雷達成像時受到海況、天氣和時空基線的影響不同。

如圖8所示，在“重點分析區(qū)1”內(nèi)，海上風力發(fā)電場為固定設(shè)施，在時間序列上能保持較好穩(wěn)定性，因此在任意兩期影像之間具有較高相干性。將SAR干涉相干性提取的94個近海風力發(fā)電場與2020年天地圖影像進行比對，風力發(fā)電場被全部提取(如圖8紅色輪廓所示)，錯提個數(shù)為9個(如圖8藍色輪廓所示)。因此，SAR干涉相干性提取近海風力發(fā)電場的正確率達到90.4%，虛警率為9.6%，漏檢率為0。

3.2 動態(tài)船只目標

由圖7第一列可知，5期SAR影像VV幅度圖都存在不同程度的海雜波，VH幅度圖亦然，因篇幅原因，未在文中展示。由圖7第二列可知，直接使用雙參數(shù)CFAR算法和眾數(shù)濾波從VV和VH幅度圖提取了動態(tài)船只并取并集，得到的雙極化動態(tài)船只結(jié)果存在較大虛警率，主要原因有兩個：海上固定設(shè)施和動態(tài)船只都表現(xiàn)出了較強的后向散射；復雜海況引起的海雜波。由于動態(tài)船只在時間序列上位置不定，所以其任意兩期SAR的相干理論值為零，因此可通過使用SAR幅度和相干性提取近海動態(tài)船只。將海雜波強反射區(qū)和SAR干涉相干提取的固定設(shè)施掩膜，使用雙參數(shù)CFAR算法和眾數(shù)濾波從VV和VH幅度圖提取了動態(tài)船只并取并集，如圖7第三列所示。SAR幅度圖提取的動態(tài)船只基本消除了海上固定設(shè)施和海雜波強反射的干擾。

圖6是直接對多時相SAR雙極化幅度圖使用IR-MAD算法變化檢測算法提取的船只目標。對比圖6和圖7可知，IR-MAD算法提取的船只目標存在較大虛警率，這主要是因為受到海雜波強反射的影響。

在“重點分析區(qū)2”內(nèi)，為了有效分析輸入掩膜的雙參數(shù)CFAR算法和IR-MAD算法提取的動態(tài)船只目標的精度，本文使用船舶自動識別系統(tǒng)(automatic identification system，AIS)數(shù)據(jù)進行對比、統(tǒng)計。通常船只會安裝AIS系統(tǒng)，通過該系統(tǒng)船舶能夠在公用無線信道上向附近船舶和岸上主管機關(guān)持續(xù)發(fā)送其身份、位置、航向、航速等信息。本文所用AIS數(shù)據(jù)為船隊在線HiFleet提供，包括MMSI(maritime mobile service identify)數(shù)字碼、接收時間、船只航向和方位、經(jīng)緯度坐標、船只類型等信息。2020年11月14日24小時的AIS數(shù)據(jù)與“重點分析區(qū)2及周邊區(qū)域”疊加展示如圖9所示。SAR干涉相干提取的近海海上碼頭設(shè)施和IR-MAD算法、輸入掩膜的雙參數(shù)CFAR算法提取的碼頭附近船只如圖10所示，其中紅色輪廓為SAR干涉相干提取的海上碼頭設(shè)施，白色輪廓為船只目標。

分別提取2020年9月27日、10月9日、10月21日、11月2日和11月14日的9點55分時刻的AIS數(shù)據(jù)與本文算法所提取的5期船只目標比對分析，如圖10所示，圖中白色不規(guī)則多邊形為本文算法提取的船只目標，黃色點為AIS數(shù)據(jù)顯示船只。通過統(tǒng)計分析可知，輸入掩膜的雙參數(shù)CFAR算法和IR-MAD算法都存在一定的漏檢現(xiàn)象，輸入掩膜的雙參數(shù)CFAR算法平均漏檢率為3.34%，IR-MAD算法平均漏檢率為7.65%，IR-MAD算法的虛警率為16.39%，遠高于輸入掩膜的雙參數(shù)CFAR算法2.29%的虛警率。由此可知，輸入掩膜的雙參數(shù)CFAR算法提取的船只目標結(jié)果優(yōu)于IR-MAD算法變化檢測算法提取結(jié)果，詳見表1。

表1 輸入掩膜的CFAR算法、IR-MAD算法提取船只統(tǒng)計分析

4 結(jié)束語

針對近海海上固定設(shè)施和動態(tài)船只較難通過SAR幅度信息有效區(qū)分的問題，尤其是海上風力發(fā)電場的大小與船只接近，本研究以江蘇省南通市如東縣近海區(qū)(位于中國黃海)作為實驗區(qū)。首先，利用5期SAR數(shù)據(jù)之間的干涉相干性，采用雙參數(shù)CFAR算法和眾數(shù)濾波算法，有效提取了海上固定設(shè)施，如風力發(fā)電場和碼頭等。之后，人工提取VV、VH極化幅度圖出現(xiàn)的海雜波強反射區(qū)，將海上固定設(shè)施和海雜波強反射區(qū)掩膜，使用雙參數(shù)CFAR算法和眾數(shù)濾波器從VV和VH極化強度圖提取了動態(tài)船只并取并集，得到了5期SAR數(shù)據(jù)海上船只，并與未考慮使用掩膜信息的雙參數(shù)CFAR算法和眾數(shù)濾波器直接提取的海上船只進行了對比。最后，分析和討論了本研究實驗結(jié)果，在“重點分析區(qū)1”，SAR干涉相干提取的近海風力發(fā)電場的正確率為90.4%，虛警率為9.6%，漏檢率為0；在“重點分析區(qū)2”，給出了碼頭附近5期AIS數(shù)據(jù)，通過與輸入掩膜的CFAR算法、IR-MAD變化檢測算法的動態(tài)船只提取結(jié)果對比可知，輸入掩膜的CFAR算法提取的船只平均漏檢率為3.34%，平均虛警率為2.29%，IR-MAD算法變化檢測算法平均漏檢率為7.65%，平均虛警率為16.39%，輸入掩膜的CFAR算法提取的船只目標結(jié)果優(yōu)于IR-MAD算法變化檢測算法。

本實驗所用總體技術(shù)方法適用于海域場景的海上固定設(shè)施和動態(tài)船只的識別，同時為陸域場景的固定設(shè)施(如建筑物)和動態(tài)目標(如車輛、飛機等)的識別研究提供參考。后續(xù)研究重點，計劃開展SAR極化分解模型的海雜波強反射區(qū)提取研究，從而實現(xiàn)近海海上固定目標(如風力發(fā)電場、碼頭等)和動態(tài)船只識別和提取的自動化、工程化應(yīng)用。

致謝：感謝歐洲航天局提供的Sentinel-1A數(shù)據(jù)，感謝日本基金會提供的全球海陸高程數(shù)據(jù)，感謝“天地圖·江蘇”提供的2020年光學影像。