星載SAR 系統靈敏度對艦船分類影響的研究

張 驍，呂繼宇，趙 爽，吳羽綸

（1.中國科學院空天信息創新研究院，北京 100190；2.中國科學院大學電子電氣與通信工程學院，北京 100049）

由于合成孔徑雷達（Syntactic Aperture Radar，SAR）圖像具有全天候、全天時及高分辨率的優點[1]，故該成像技術在連續環境監測、大規模監測與地球遙感等應用中發揮著越來越重要的作用[2]。

SAR 系統靈敏度，也被稱為噪聲等效后向散射系數（Noise Equivalentσ0，NEσ0）[3]，其是衡量SAR系統對目標探測能力的一項關鍵指標，也是影響SAR 圖像信噪比性能的最重要因素。SAR 系統靈敏度越高，SAR 圖像信噪比也越高，對SAR 圖像目標解譯、檢測及分類等應用則越有利。系統靈敏度指標的實現，始終是星載SAR 系統設計的首要內容。性能優越的大SAR 衛星以大天線、高功率和高成本為代價獲得清晰的高質量SAR 圖像。近年來，隨著國外小型化、輕量化與低成本商業小SAR衛星的強勢發展及大規模的推廣應用，如何使信噪比性能指標相對較低的SAR 圖像滿足應用的需求，成為一個值得研究的課題。

艦船目標分類，始終是星載SAR 圖像應用研究的熱點方向。隨著神經網絡技術的發展，深度學習（Deep Learning，DL）在SAR 圖像中逐漸得到廣泛關注[4]。此外，Open-SARship[5]和FUSAR-ship[6-7]數據集的發布，為SAR 圖像艦船分類的研究奠定了基礎。文獻[8]提出了CNN-MR 分類網絡；文獻[9]提出了一種小規模SAR 圖像艦船分類的聯合卷積神經網絡（Convolutional Neural Networks，CNN）框架；文獻[10]則提出了使用有限樣本的幾何遷移度量學習。考慮到SAR 數據集的特點，研究人員提出了數據擴充（Data Augmentation）[11]、遷移學習（Transfer Learning）[12-13]及微調模型（Fine-Tune）[14]等方法，用于解決小數據集SAR 圖像的艦船分類問題。

當前，艦船分類研究主要基于對已獲取的星載SAR 圖像數據集進行分類。該文基于背景像素填充技術提出了目標旋轉數據擴充方法，最大程度地保留了圖像的原始信息。將該方法與微調卷積神經網絡相結合，建立了高準確率的艦船分類方法模型，并對不同靈敏度下的數據集進行了仿真。通過建立的艦船分類模型對數據集加以分類，從而研究了星載SAR 系統靈敏度對艦船分類準確率的影響。

1 SAR系統靈敏度

SAR 系統靈敏度定義為[15]：該系統輸出與系統噪聲相同電平的輸入信號所對應目標的后向散射系數，并用噪聲等效后向散射系數（NEσ0）表示。其中，σ0為面目標后向散射系數，若是點目標，則其為目標的雷達截面積（Radar Cross Section，RCS）。

NEσ0的計算公式是根據SAR 系統雷達方程推導得到，該方程表達式為：

式（1）中，SNR 為信噪比，K為玻爾茲曼常數，T0為接收機溫度，Fn為接收機噪聲系數，R為衛星至目標的距離，L為系統損耗，V為衛星速度，Pav為發射信號平均功率，G為天線增益，λ為發射信號波長，ρg為地距分辨率。

σ0隨地物變化而不同，在SAR 系統設計時為避免出現σ0，常用NEσ0來衡量系統性能而不用信噪比。NEσ0的表達式如下：

由式（2）可以看出，對于同一地物，系統靈敏度決定了SAR 圖像信噪比，用單位dB 來表示，即：

由此可知，SAR圖像的信噪比與系統靈敏度NEσ0成反比。NEσ0越小，說明系統靈敏度越高。

2 研究方法

2.1 方法概述

該文提出的星載SAR 系統靈敏度對艦船分類準確率影響的方法流程，如圖1 所示。

圖1 該文研究方法流程圖

2.2 數據擴充

卷積神經網絡通常需要大量的數據進行充分訓練，因此必須采取措施避免過擬合的問題。其中，微調模型與數據擴充是兩種有效的方法。傳統的數據擴充方法包括調整亮度、添加噪聲和圖像旋轉等。為了更好地保留圖像的重要信息，文中提出了一種新的數據擴充技術，即基于背景像素填充的目標旋轉數據擴充方法，具體思想為旋轉艦船目標像素及填充背景像素，流程如圖2 所示。

圖2 背景像素填充數據擴充方法流程圖

該方法的實現步驟如下：

1）使用H-CFAR 算法求取初始閾值：統計圖像灰度直方圖分布并歸一化，給定虛警概率，并從閾值T=0 開始依次增加，對小于或等于閾值T的直方圖概率求和，直至滿足給定的虛警概率，則該閾值T即為初始閾值；

2）基于迭代刪減目標像素[16]的CFAR 檢測算法分割目標及背景：利用該初始閾值得到目標像素的索引矩陣，并將其作為迭代刪減CFAR 算法的輸入索引矩陣，迭代刪減CFAR 算法則不斷更新輸出結果，直至輸出的結果不再變化，即對應目標像素點，再根據輸出結果分割圖像；

3）利用基于背景填充的目標旋轉方法對圖像數據實現擴充：對目標像素加以旋轉，并用SAR 圖像原本的背景像素對空出的背景部分進行填充，即可得到擴充數據集。

2.3 降低系統靈敏度

每張圖像中艦船目標的σ0是基本保持不變的，因此降低SAR 圖像的信噪比等效于系統靈敏度下降。圖像信噪比是指信號功率與噪聲功率的比值，其公式為：

其中，Ps為信號功率，Pn為噪聲功率。由此可推出：

式（5）中，ΔPn為圖像信噪比改變ΔSNRdB時噪聲功率的變化量。

該文所用的艦船圖像僅包括艦船目標與海面背景，由于海面背景的后向散射系數遠小于艦船目標的后向散射系數，故SAR 圖像的背景區域在該圖像中可被認為是噪聲。采用基于迭代刪減目標像素的CFAR 檢測算法對SAR 圖像進行目標及背景的分割，可得到沒有目標像素點的純海面背景區域；然后從海面背景區域提取平均噪聲功率，該功率即為SAR 圖像的平均噪聲功率；最終根據式（5）求出改變圖像信噪比所應添加的噪聲功率后，再對數據集圖像添加高斯白噪聲以降低數據集的系統靈敏度。

2.4 卷積神經網絡微調模型

微調模型也是一種能有效避免過擬合問題的方法，其可成功通過小數據集訓練深層模型，以ResNet50為例的微調模型流程如圖3 所示。該方法首先在大型公共數據集（如ImageNet）上訓練神經網絡模型，以得到預訓練模型的權重參數[17-20]，如圖3（a）所示；然后根據應用場景的不同，修改特征提取層（通常是全連接層，即圖3（b）的虛線部分）并重新學習模型權重以適應特定的應用；最后，在預訓練模型上重新學習模型的權重參數（圖3（c）的粗實線部分）。

圖3 ResNet50模型微調的實現流程

3 仿真結果與分析

3.1 GF-3數據集

仿真實驗采用了我國第一顆民用全極化C 波段SAR 衛星高分三號（GF-3）艦船的分類數據集。該數據集共有550 幅3 m 分辨率SAR 圖像，其中散裝船100 幅、貨船100 幅、漁船100 幅、其他船只100 幅、油輪100 幅、虛警50 幅。每一幅圖像數據大小均為256×256 像素，表1 給出了所用艦船目標圖像的主要系統參數。

表1 艦船目標圖像的主要系統參數

3.2 超參數設置

在仿真的過程中，損失函數為交叉熵損失函數，梯度計算方法采用自適應時刻估計算法（ADAM）。經過海量的仿真結果對比，將學習速率設置為0.000 2，訓練批尺寸設置為32，仿真迭代次數設置為200，即需更新200 次卷積神經網絡參數。

3.3 單一數據集分類仿真

該文研究了系統靈敏度降低1～10 dB 對艦船分類的影響，根據式（3）SAR 圖像信噪比與系統靈敏度的關系，系統靈敏度降低1～10 dB 即等效于將數據集圖像的信噪比降低了1～10 dB。首先構建10個新數據集D0-D10，分別表示SAR 系統靈敏度降低1～10 dB 后的新數據集，并將其以7∶3 的比例劃分為訓練集與測試集。再對這些數據集進行仿真，結果如表2 所示，性能指標曲線如圖4 所示。

表2 D0-D10數據集分類結果

由表2及圖4可看出，隨著系統靈敏度的降低，艦船分類準確率的下降趨勢逐漸變緩。當系統靈敏度降為-13.58 dB時，艦船分類準確率可達到75%。

圖4 系統靈敏度與分類準確率的關系

3.4 組合數據集分類仿真

對D0-D10數據集進行組合，獲得三個新的數據集C1-C3。其中，C1、C2、C3分別由D0-D5、D0-D7、D0-D10數據集組合而成。對組合數據集進行訓練，可得到M1-M3模型，該模型對D0-D10數據集的分類仿真結果如圖5 所示。

由圖5 可知，隨著組合數據集中低系統靈敏度圖像的增多，得到的訓練模型對系統靈敏度的適應性會有一定程度的提高，但模型對數據集的平均分類準確率卻不斷下降。由此可知，艦船圖像分類的準確率主要由低系統靈敏度的圖像決定。

圖5 M1-M3模型的分類結果曲線

4 結束語

該文從艦船分類對星載SAR 系統靈敏度的應用需求進行分析，提出一種研究SAR 系統靈敏度對艦船分類準確率影響的方法，并利用GF-3 號艦船數據集進行了仿真。結果表明，隨著系統靈敏度的降低，艦船分類準確率的下降趨勢逐漸變緩，且該準確率主要由低系統靈敏度的圖像決定。當系統靈敏度下降為-13.58 dB 時，艦船分類準確率可達到75%。所提出的方法能夠應用于艦船分類對星載SAR 系統靈敏度需求分析，所得到的仿真結果也可以為低系統靈敏度星載SAR 系統的艦船分類研究提供參考。但仿真實驗僅基于GF-3 號艦船數據集，未來將進一步研究基于不同型號星載SAR 圖像的艦船分類準確率與系統靈敏度的影響關系。