基于多源遙感圖像多級(jí)協(xié)同融合的艦船識(shí)別算法

張亞麗, 馮 偉,*, 全英匯, 邢孟道,2

(1. 西安電子科技大學(xué)電子工程學(xué)院, 陜西 西安 710071;2. 西安電子科技大學(xué)前沿交叉研究院, 陜西 西安 710071)

0 引 言

海上船舶目標(biāo)監(jiān)測(cè)對(duì)國(guó)防安全和經(jīng)濟(jì)與貿(mào)易發(fā)展有著重要的意義[1]。隨著遙感領(lǐng)域的快速發(fā)展[2],光學(xué)圖像廣泛被應(yīng)用于國(guó)防建設(shè)、海上救援[3]、船舶交通、漁業(yè)管理[4]等海洋應(yīng)用中。但光學(xué)圖像成像易受云、雨、霧等影響[5],因此獲取高質(zhì)量的遙感信息較為困難。而極化合成孔徑雷達(dá)(polarized synthetic aperture radar, PolSAR)穿透能力強(qiáng),可以彌補(bǔ)光學(xué)圖像的不足。PolSAR是一種具有全天時(shí)、全天候優(yōu)勢(shì)[6]的高分辨率成像雷達(dá),可以在復(fù)雜氣象條件下得到類似光學(xué)照相的高分辨率雷達(dá)圖像[7],能夠有效地解決光學(xué)衛(wèi)星在夜間和惡劣天氣條件下無(wú)法監(jiān)測(cè)海洋目標(biāo)的問(wèn)題,是目前海洋監(jiān)測(cè)和海洋目標(biāo)檢測(cè)的重要手段[8]。但PolSAR圖像一直存在斑點(diǎn)噪聲嚴(yán)重[9]、可視性較差的問(wèn)題,特別是對(duì)大范圍中的小目標(biāo)更加難以觀測(cè)[10]。光學(xué)圖像包含豐富的細(xì)節(jié)及紋理信息,可以彌補(bǔ)PolSAR圖像可視性較差的問(wèn)題。可通過(guò)將兩者進(jìn)行有機(jī)融合,彌補(bǔ)PolSAR圖像可視性較差及光學(xué)圖像質(zhì)量低的問(wèn)題[11]。

多源圖像融合是指將來(lái)自多種不同傳感器、同一目標(biāo)區(qū)域的圖像信息進(jìn)行數(shù)據(jù)融合。相較于單一傳感器獲得的圖像,融合后數(shù)據(jù)的信息更豐富、特征更清晰、可利用價(jià)值更高[12],更有利于提高地物的分類精度。近年來(lái),多光譜與PolSAR圖像的融合廣受關(guān)注,且已有研究人員提出一系列有效的算法,并將算法逐步用于土地覆蓋研究、海洋監(jiān)測(cè)、陸地變化檢測(cè)等領(lǐng)域[13]。目前,已有研究學(xué)者提出在像素級(jí)、特征級(jí)、決策級(jí)對(duì)PolSAR圖像和光學(xué)圖像進(jìn)行融合。

針對(duì)像素級(jí)的融合方法較多,比如基于分量替換的方法[14-15]、基于多尺度分解的方法[16-17]、基于模型的方法[18]等,此類方法主要是直接對(duì)圖像的像素值進(jìn)行融合。像素級(jí)圖像融合相較于其他兩類,在計(jì)算復(fù)雜度與性能比方面更有優(yōu)勢(shì)[19],因此應(yīng)用較為廣泛。文獻(xiàn)[20]提出將多光譜圖像的紋理信息與PolSAR圖像的偏振特征結(jié)合,通過(guò)融合極化信息和紋理信息,運(yùn)用無(wú)監(jiān)督分類,可明顯提高建筑物的分類精度。由于全極化圖像在預(yù)處理時(shí),需要進(jìn)行多視處理,使得圖像中的地物丟失了大量的邊緣與角點(diǎn)信息[21]。文獻(xiàn)[22]提出基于主成分分析(principal component analysis,PCA)法,將HSV(hue,saturation,value)變換PolSAR與光學(xué)圖像進(jìn)行融合,該方法有效地豐富了PolSAR圖像的色彩信息,使其細(xì)節(jié)與邊緣信息更加突出。文獻(xiàn)[23]提出基于空譜信息協(xié)同與Gram-Schmidt變換的方法將Sentinel-2A與Gaofen-3號(hào)圖像進(jìn)行融合,使分類精度整體提高了5%。與原來(lái)的圖像相比,融合圖像的紋理銳度和空間分辨率都得到了很大程度的提升[11],但圖像特征量并未得到較多拓展。

特征級(jí)融合是指先提取原始圖像的紋理特征、幾何特征等特征,再將其堆疊融合成新的特征[24]。文獻(xiàn)[25]提出對(duì)極化和空間特征進(jìn)行特征融合,以提高PolSAR圖像的分類精度。但由于特征維數(shù)的限制,其效率較低。針對(duì)特征利用不充分問(wèn)題,文獻(xiàn)[26]提出基于復(fù)合核的特征融合對(duì)PolSAR進(jìn)行分類,實(shí)驗(yàn)證明該方法能夠有效地利用PolSAR圖像中包含的地極化和空間信息,提高分類精度。以上特征融合方法中的特征僅僅局限于極化和空間特征,沒(méi)有使分類精度得到大幅度提升,因此圖像的特征量也并未得到拓展,且該類方法對(duì)特征提取方法有效性的依賴很大[27]。

決策級(jí)圖像融合是指分別對(duì)原始圖像進(jìn)行處理和分類,然后根據(jù)一定的決策規(guī)則對(duì)前述結(jié)果進(jìn)行融合[28]。文獻(xiàn)[29]通過(guò)對(duì)多個(gè)分類器的分類結(jié)果進(jìn)行決策融合,進(jìn)而提高了高光譜影像的分類精度[29],但此類方法依賴于單個(gè)分類器的分類精度,需要事先進(jìn)行調(diào)研,因此該方法可靠性低,成本較高[30]。

綜上所述,單一融合方式存在不能充分利用數(shù)據(jù)特征信息、可靠性較低的問(wèn)題,因此需要研究多級(jí)的融合方式,進(jìn)一步提高數(shù)據(jù)特征的利用率[31-32]。

近年來(lái),有研究學(xué)者提出將特征級(jí)與決策級(jí)相結(jié)合,進(jìn)行多源圖像融合。文獻(xiàn)[33]在森林分類任務(wù)中提出通過(guò)結(jié)合目標(biāo)特征對(duì)光學(xué)及PolSAR圖像進(jìn)行決策融合,其整體分類精度提高了約4%。文獻(xiàn)[34]提出基于高光譜和PolSAR數(shù)據(jù)的特征級(jí)及決策級(jí)的融合方式,該方法相比于單級(jí)融合方式在地物總體分類精度上提高了約4%。但該類方法信息損失嚴(yán)重,且依賴于特征提取方法及單個(gè)分類器的分類結(jié)果[35]。

同時(shí),目前圖像融合多針對(duì)兩種數(shù)據(jù)源的單層級(jí)融合,或是針對(duì)多源數(shù)據(jù)進(jìn)行特征級(jí)及決策級(jí)融合,信息量利用率低,計(jì)算復(fù)雜度高。另外,近年來(lái),深度學(xué)習(xí)憑借分類識(shí)別精度高、泛化性強(qiáng)等優(yōu)勢(shì),得到了廣泛應(yīng)用。多頻段、多維度的數(shù)據(jù),可以展現(xiàn)出目標(biāo)的高差異性散射和極化特征,因此在目標(biāo)分類與識(shí)別中,將多源信息進(jìn)行有效的協(xié)同并結(jié)合深度學(xué)習(xí)的方向,將具有非常廣闊的研究前景。

針對(duì)多源數(shù)據(jù)利用率低、特征量少、目標(biāo)識(shí)別精度低等問(wèn)題,本文提出一種基于多源遙感圖像多級(jí)協(xié)同融合的艦船識(shí)別算法,該算法可應(yīng)用于多頻段PolSAR及多光譜遙感圖像的艦船準(zhǔn)確識(shí)別與定位。該算法的優(yōu)勢(shì)在于通過(guò)采用多級(jí)協(xié)同融合方式,充分結(jié)合多光譜圖像的像素信息及多頻段PolSAR圖像的極化散射特性,提高了深度學(xué)習(xí)對(duì)艦船的識(shí)別精度。

1 基于多頻段PolSAR與多光譜遙感圖像的多級(jí)協(xié)同融合

PolSAR對(duì)地球表面散射體地分布和特征敏感[36]。波長(zhǎng)越長(zhǎng),分辨率越低,穿透能力越強(qiáng)[6]。比如,C波段的Gaofen-3號(hào)的電磁波能夠穿透到樹(shù)冠的上部[37];L波段地球觀測(cè)ALOS衛(wèi)星相控陣形SAR(簡(jiǎn)稱為ALOS-PALSAR)的電磁波能夠更深地穿透樹(shù)冠[38]。兩種波段的電磁波因穿透深度不同而顯示出不同的極化特性,但PolSAR數(shù)據(jù)均存在斑點(diǎn)噪聲嚴(yán)重、可視性差的問(wèn)題。而Sentinel-2B圖像紋理、細(xì)節(jié)、色彩等信息豐富,可以彌補(bǔ)PolSAR的不足。因此,本文提出基于多源遙感圖像多級(jí)協(xié)同融合的艦船識(shí)別算法,旨在運(yùn)用多級(jí)協(xié)同融合的方法使多源遙感數(shù)據(jù)發(fā)揮其各自優(yōu)勢(shì),達(dá)到提高目標(biāo)識(shí)別精度的目的。本文實(shí)驗(yàn)流程如圖1所示。

圖1 所提算法流程圖Fig.1 Flowchart of the proposed algorithm

(1) 預(yù)處理。因原始PolSAR圖像噪聲嚴(yán)重、不具有坐標(biāo)信息等,對(duì)其進(jìn)行多視處理、圖像配準(zhǔn)、圖像濾波、地理編碼及定標(biāo)等預(yù)處理。對(duì)Sentinel-2B進(jìn)行大氣校正、幾何校正處理。原圖如圖2所示,預(yù)處理后的圖像如圖3所示。

圖2 原始數(shù)據(jù)(美國(guó)舊金山地區(qū))Fig.2 Original data(San Francisco, USA)

圖3 預(yù)處理后的圖像Fig.3 Images after preprocessing

(2) 像素級(jí)融合。基于以上數(shù)據(jù)進(jìn)行像素級(jí)融合,以獲得具有多特征的融合圖像。

(3) 特征融合。基于融合后圖像,提取多頻段的PolSAR與多光譜圖像特征,再進(jìn)行特征融合。

(4) 分類與識(shí)別。基于深度學(xué)習(xí),先對(duì)特征融合后的圖像進(jìn)行海岸線提取,再進(jìn)行艦船識(shí)別。

1.1 基于像素級(jí)的多頻段PolSAR與多光譜圖像融合

1998年,Laben和Brower提出,GS(Gram-Schmidt)光譜銳化的方法是目前使用最為廣泛且效果較好的全色圖像與多光譜圖像融合的方法。選擇全極化的L頻段、C頻段的SAR分別與Sentinel-2B中的R、G、B、NIR 4個(gè)波段進(jìn)行融合。三者像素級(jí)融合步驟具體如下。

(1) 計(jì)算Sentinel-2B的R、G、B、NIR這4個(gè)波段的權(quán)重[38],從而將Sentinel-2B的4個(gè)波段數(shù)據(jù)合并到模擬的極化SAR(HH、HV、VH、VV)波段中。

(1)

(2)

(3)

(4)

式中:Rwt為R波段的權(quán)重;Gwt為G波段的權(quán)重;Bwt為B波段的權(quán)重;NIRwt為NIR波段的權(quán)重;OTR(λ)、OTG(λ)、OTB(λ)、OTNIR(λ)分別為對(duì)應(yīng)波段的光學(xué)透射率;SRR(λ)、SRG(λ)、SRB(λ)、SRNIR(λ)分別為多光譜對(duì)應(yīng)波段的光譜響應(yīng);SRP(λ)為對(duì)應(yīng)通道的PolSAR的光譜響應(yīng);Iwt為對(duì)應(yīng)波段的權(quán)重。

(2) 當(dāng)確定了合適的權(quán)重,就通過(guò)式(5)～式(8)生成對(duì)應(yīng)通道的模擬極化SAR波段:

PolSARHH=R·Rwt+G·Gwt+B·Bwt+NIR·NIRwt

(5)

PolSARHV=R·Rwt+G·Gwt+B·Bwt+NIR·NIRwt

(6)

PolSARVH=R·Rwt+G·Gwt+B·Bwt+NIR·NIRwt

(7)

PolSARVV=R·Rwt+G·Gwt+B·Bwt+NIR·NIRwt

(8)

(3) 將模擬的低分辨率的PolSAR波段用作多光譜數(shù)據(jù)的第一個(gè)波段,并將該波段與原始多光譜Sentinel-2B經(jīng)過(guò)Gram-Schmidt變換或經(jīng)過(guò)公式變換形成GS1。

GS1(i,j)=SimulatedSAR(i,j)

(9)

式中:i為行號(hào);j為列號(hào);GS1為Gram-Schmidt變換所形成的第一個(gè)波段。

(4) 經(jīng)過(guò)去冗余及相關(guān)性計(jì)算,對(duì)結(jié)果進(jìn)行修改,并通過(guò)下式[38]將第I個(gè)GS由前第I-1個(gè)GS波段構(gòu)成:

(10)

式中:I為待轉(zhuǎn)換的波段號(hào);B為原始波段;μI為I波段的平均值。μI和φ(BI,GSl)[38]的計(jì)算公式分別如下:

(11)

式中:C是多光譜圖像的總列數(shù);R是多光譜圖像的總行數(shù)。

(12)

(5) 計(jì)算第一個(gè)GS波段的平均值μ和標(biāo)準(zhǔn)偏差σ,并計(jì)算PolSAR對(duì)應(yīng)通道的平均值和標(biāo)準(zhǔn)偏差。計(jì)算公式[38]如下:

(13)

(6) 將高分辨率的PolSAR圖像拉伸,使其平均值μP和標(biāo)準(zhǔn)偏差σP與第一個(gè)GS波段的平均值μGS1和標(biāo)準(zhǔn)偏差σGS1匹配。然后,將該圖像交換為第一個(gè)GS波段,并將該數(shù)據(jù)轉(zhuǎn)換為原始多光譜Sentinel-2B的波段空間,并產(chǎn)生5個(gè)分辨率更高的多光譜波段[38]。刪除第一個(gè)波段,即為融合后的結(jié)果:

(14)

1.2 基于極化散射及空-譜特性的特征級(jí)融合

將從L波段PolSAR與多光譜圖像融合結(jié)果中提取的特征記為Fsi,作為向量fsi,將從C波段PolSAR與多光譜圖像融合結(jié)果中提取的特征記為Fuj,作為向量fuj。然后,將兩種特征向量經(jīng)過(guò)串聯(lián)特征融合方法融合[39]如下:

(15)

2 實(shí)驗(yàn)數(shù)據(jù)與參數(shù)設(shè)計(jì)

2.1 實(shí)驗(yàn)數(shù)據(jù)集

實(shí)驗(yàn)數(shù)據(jù)包含兩個(gè)區(qū)域的3種數(shù)據(jù),分別為L(zhǎng)波段的全極化ALOS-PALSAR、C波段的全極化Gaofen-3號(hào)和Sentinel-2B多光譜圖像。ALOS-PALSAR圖像數(shù)據(jù)為2009年11月11日成像的L1.1產(chǎn)品,分辨率為12.5 m,原圖如圖2(a)所示;Gaofen-3號(hào)圖像數(shù)據(jù)為2017年9月15日成像的L1級(jí)產(chǎn)品,分辨率為12.5 m,原圖如圖2(b)所示。Sentinel-2B多光譜圖像數(shù)據(jù)為2017年12月21日成像的SLC 1.0產(chǎn)品,分辨率分別為10 m,20 m,60 m(實(shí)驗(yàn)選用10 m分辨率的波段),原圖如圖2(c)所示。其中,PolSAR圖像為4種極化方式的HH、HV、VH、VV;Sentinel-2B多光譜圖像有13個(gè)波段,其中波段2、3、4、8為10 m分辨率,波段5、6、7、8A、11、12為20 m分辨率,波段1、9、10為60 m分辨率。3種實(shí)驗(yàn)數(shù)據(jù)均為美國(guó)舊金山部分地區(qū)數(shù)據(jù)。

2.2 參數(shù)設(shè)置

在使用深度學(xué)習(xí)進(jìn)行海岸線提取及艦船識(shí)別時(shí),需設(shè)置以下4個(gè)參數(shù):迭代次數(shù)、批大小、特征切片百分比和背景切片比率。根據(jù)實(shí)驗(yàn)數(shù)據(jù)大小、訓(xùn)練樣本的數(shù)量及實(shí)際實(shí)驗(yàn)經(jīng)驗(yàn),設(shè)置迭代次數(shù)為100,批大小為60,特征切片百分比為1,背景切片比率為0.15。在提取海岸線時(shí),訓(xùn)練樣本像素量為2 000個(gè),測(cè)試樣本像素量為2 000個(gè)。在艦船識(shí)別與定位時(shí),訓(xùn)練樣本像素量為500個(gè),測(cè)試樣本像素量為500個(gè)。兩種訓(xùn)練與測(cè)試樣本均為隨機(jī)選取。

3 實(shí)驗(yàn)結(jié)果與分析

本節(jié)通過(guò)對(duì)比分析不同融合方法及原始圖像獲得的結(jié)果,驗(yàn)證所提方法的有效性。

3.1 主觀評(píng)價(jià)——視覺(jué)

由于人眼可以直接感知和記錄圖像中的視覺(jué)信息,視覺(jué)比較是主觀對(duì)比圖像融合結(jié)果最主要與最準(zhǔn)確的方式。3種數(shù)據(jù)融合后,獲得一張具有32個(gè)波段的融合圖像。選擇不同融合方式在同一極化方式下的R、G、B波段顯示,如圖4所示。顯而易見(jiàn),所提算法融合結(jié)果中的建筑與城市內(nèi)部的道路易分辨,建筑體的邊緣信息得到增強(qiáng);海域的噪聲較小,海域中的艦船突出;圖像整體色彩信息較為協(xié)調(diào)而偏向于真實(shí),色彩對(duì)比度明顯。融合結(jié)果彌補(bǔ)了PolSAR圖像不具有光譜信息的缺點(diǎn),同時(shí),融合結(jié)果也有極化圖像的散射信息。綜上所述,主觀上,整體融合效果較為良好,對(duì)于識(shí)別定位海上艦船有很大的優(yōu)勢(shì)。相比于所提算法融合結(jié)果,PCA融合結(jié)果中的建筑體與道路不易分辨,且圖中建筑體在不同程度上被模糊化,邊緣信息被弱化,損失了許多細(xì)節(jié)信息;海面上的噪聲現(xiàn)象較為嚴(yán)重,艦船相對(duì)不易區(qū)分,海面出現(xiàn)局部明亮且突出;整體的色彩信息相較于多光譜數(shù)據(jù)較差,色彩對(duì)比度較弱,亮度較低,圖像出現(xiàn)部分失真。雖然融合結(jié)果圖像彌補(bǔ)了PolSAR圖像所不具有的光譜信息,但是圖像失真現(xiàn)象較為嚴(yán)重,紋理信息表現(xiàn)不具有優(yōu)勢(shì)。綜上所述,主觀上,PCA融合效果較差,海域上的艦船失去自身的某些信息,對(duì)于識(shí)別海上艦船而言并不具有優(yōu)勢(shì)。因此,主觀上所提融合算法相比PCA融合算法較為適用于多頻段、多類型的數(shù)據(jù)融合。

圖4 不同算法獲得的融合結(jié)果圖Fig.4 Fusion result images obtained by different algorithms

3.2 客觀評(píng)價(jià)

本節(jié)采用7種常用的統(tǒng)計(jì)參數(shù)客觀評(píng)價(jià)融合圖像的融合質(zhì)量。7種評(píng)價(jià)指標(biāo)分別是:互信息[40]、標(biāo)準(zhǔn)差[41]、空間頻率[42]、相關(guān)系數(shù)[43]、邊緣信息保留[44]、差異相關(guān)和[45],以及視覺(jué)信息保真度[46]。其中,互信息反映的是融合圖像從源圖像中獲取的信息量;標(biāo)準(zhǔn)差反映的是圖像信息豐富程度;空間頻率反映的是圖像灰度的變化率;相關(guān)系數(shù)反映的是融合圖像與源圖像的相似度;邊緣信息保留反映的是融合圖像從源圖像中獲得的視覺(jué)信息的質(zhì)量;差異相關(guān)和反映的是來(lái)自源圖像的最大數(shù)量的互補(bǔ)信息。

表1和表2中的評(píng)價(jià)指標(biāo)均為正向指標(biāo),指標(biāo)值越大,表明融合質(zhì)量越好。表1和表2中的互信息值表明所提融合算法相較于PCA融合算法更適合多頻段圖像融合,所提算法融合結(jié)果保留了較多源圖像的信息,即多光譜圖像的光譜信息和極化SAR圖像的散射信息等。同時(shí),在表1和表2中,所提算法融合算法視覺(jué)保真度值均高于PCA融合算法,說(shuō)明多光譜與全PolSAR圖像融合時(shí),所提算法融合算法在視覺(jué)上呈現(xiàn)的效果更好。

表1 區(qū)域1融合圖像質(zhì)量評(píng)價(jià)

表2 區(qū)域2融合圖像質(zhì)量評(píng)價(jià)

3.3 艦船識(shí)別與定位比較

遙感圖像融合的目的是為了所呈現(xiàn)的圖像相較融合前更加清晰,圖像對(duì)比度更加明顯,不同地物區(qū)分度更強(qiáng)、更易區(qū)分。運(yùn)用圖像融合研究海域遙感影像不僅可使獲取的海洋景觀和海洋要素的圖像或數(shù)據(jù)資料更加豐富,還能夠更好地監(jiān)測(cè)海面上來(lái)往運(yùn)行的船只。因此,為證明所提方法的有效性,本文對(duì)海面上的船只進(jìn)行識(shí)別與檢測(cè),并將結(jié)果顯示在區(qū)域1和區(qū)域2的融合結(jié)果上。

采用深度學(xué)習(xí)Tensorflow框架對(duì)原始圖像、Sentinel-2B和PolSAR圖像、所有融合結(jié)果進(jìn)行識(shí)別分類,驗(yàn)證結(jié)果如圖5、圖6和表3所示。

圖5 源圖像與不同算法融合圖像的區(qū)域1識(shí)別結(jié)果Fig.5 Recognition results of source images and fused images with different algorithms in area 1

圖6 源圖像與不同算法融合圖像的區(qū)域2識(shí)別結(jié)果Fig.6 Recognition results of source images and fused images with different algorithms in area 2

表3 測(cè)試區(qū)域識(shí)別精度

圖5(a)為區(qū)域1 Sentinel-2B圖像船只識(shí)別結(jié)果;圖5(b)為區(qū)域1 ALOS-PALSAR圖像船只識(shí)別結(jié)果;圖5(c)為區(qū)域1 Gaofen-3號(hào)PolSAR圖像船只識(shí)別結(jié)果;圖5(d)為區(qū)域1所提算法融合圖像識(shí)別結(jié)果;圖5(e)為區(qū)域1 PCA融合圖像識(shí)別結(jié)果。圖5中,以黃色框標(biāo)注識(shí)別出的船只,以紅色框標(biāo)注出識(shí)別錯(cuò)誤的地方,以藍(lán)色框標(biāo)注出未識(shí)別的船只。基于Sentinel-2B的識(shí)別結(jié)果中未識(shí)別出部分船只,存在個(gè)別識(shí)別錯(cuò)誤的問(wèn)題。由于船只較小、區(qū)域較大,導(dǎo)致基于PolSAR圖像的識(shí)別結(jié)果較差。相比于PCA算法融合結(jié)果,所提融合算法圖中船只均被識(shí)別出,僅出現(xiàn)一個(gè)識(shí)別錯(cuò)誤及船尾波浪被識(shí)別為部分船只的問(wèn)題。

圖6(a)為區(qū)域2 Sentinel-2B圖像船只識(shí)別結(jié)果;圖6(b)為區(qū)域2 ALOS-PALSAR PolSAR圖像船只識(shí)別結(jié)果;圖6(c)為區(qū)域2 Gaofen-3 PolSAR圖像船只識(shí)別結(jié)果;圖6(d)為區(qū)域2所提算法融合圖像識(shí)別結(jié)果;圖6(e)為區(qū)域2 PCA融合圖像識(shí)別結(jié)果,標(biāo)注形式同區(qū)域1。基于Sentinel-2B、PCA融合圖像的識(shí)別結(jié)果未識(shí)別出部分船只,且存在一只船被識(shí)別成兩部分的現(xiàn)象。從基于PolSAR圖像的識(shí)別結(jié)果中,可以看出部分船只未識(shí)別出,且存在識(shí)別錯(cuò)誤的問(wèn)題。基于所提融合算法的識(shí)別結(jié)果中,船只均被識(shí)別出,僅有一個(gè)非船只被錯(cuò)誤識(shí)別。

通過(guò)對(duì)比表3測(cè)試區(qū)域的識(shí)別精度,可知相比于原始圖像,融合后圖像的識(shí)別精度均有不同程度的提高。相比于Sentinel-2B原始圖像的識(shí)別精度,所提算法融合后的區(qū)域1和區(qū)域2圖像識(shí)別精度分別提高了39.13%和45.46%;PCA算法融合后的區(qū)域1和區(qū)域2圖像識(shí)別精度分別提高了4.35%和24.55%。相比于ALOS-PALSAR PolSAR原始圖像識(shí)別精度,所提算法融合后的區(qū)域1和區(qū)域2圖像識(shí)別精度分別提高了51.90%和57.58%;PCA算法融合后的區(qū)域1和區(qū)域2圖像識(shí)別精度分別提高了17.12%和36.67%。相比于Gaofen-3號(hào)PolSAR原始圖像識(shí)別精度,所提算法融合后的區(qū)域1和區(qū)域2圖像識(shí)別精度分別提高了64.40%和5.12%;PCA算法融合后的區(qū)域1識(shí)別精度提高了29.62%。因此,證明了基于多源遙感圖像多級(jí)融合的艦船識(shí)別算法的有效性。同時(shí),比較兩種融合算法的總體識(shí)別精度,所提算法識(shí)別精度相較于PCA融合算法識(shí)別精度至少提高了20.91%,表明所提算法相較于PCA融合算法更適用于多源多頻段的圖像融合。因此,本文所提方法可以應(yīng)用于監(jiān)測(cè)海上往來(lái)艦船,具有較高的實(shí)用價(jià)值。

4 結(jié)束語(yǔ)

本文提出一種基于多源遙感圖像多級(jí)融合的艦船識(shí)別算法。該方法在基于多源遙感數(shù)據(jù)的像素級(jí)融合基礎(chǔ)之上,將目標(biāo)特征進(jìn)行特征級(jí)融合,得到新的目標(biāo)特征。該目標(biāo)特征有效結(jié)合了不同頻段PolSAR與多光譜圖像多源遙感數(shù)據(jù)的優(yōu)勢(shì),不僅保留了不同頻段PolSAR對(duì)不同地物的極化散射特征不同的特點(diǎn),還盡可能地利用了多光譜數(shù)據(jù)的光譜與紋理信息。通過(guò)利用圖像融合評(píng)價(jià)指標(biāo),可知所提算法更適用于多頻段PolSAR與多光譜圖像融合。最后,通過(guò)對(duì)原始圖像和融合后的圖像進(jìn)行分類與識(shí)別,可知兩種融合算法相比于原始圖像總體識(shí)別精度都得到了提高,至少分別提高了34.76%(所提融合算法)和6.91%(PCA融合算法)。因此,證明了所提方法基于多源遙感圖像多級(jí)協(xié)同融合的艦船識(shí)別算法可以有效提高海上艦船監(jiān)測(cè)性能,為海上艦船監(jiān)測(cè)提供參考依據(jù)。