基于SAR圖像的艦船檢測算法

俞曉妮

(沈陽職業(yè)技術(shù)學(xué)院，遼寧 沈陽 110045)

基于SAR圖像的艦船檢測算法

俞曉妮

(沈陽職業(yè)技術(shù)學(xué)院，遼寧 沈陽 110045)

在基于海面雜波統(tǒng)計(jì)模型的基礎(chǔ)上，在利用SAR圖像系統(tǒng)技術(shù)的前提下，根據(jù)對艦船檢測目標(biāo)因素的客觀分析，通過對各種艦船檢測算法檢測差異性的比較研究，進(jìn)行相應(yīng)算法分析，為優(yōu)化算法在能夠有效提高檢測速度和檢測精度的情形下，進(jìn)一步增強(qiáng)艦船目標(biāo)的綜合檢測性能。

SAR圖像；艦船檢測算法；檢測性能

0 引 言

隨著信息技術(shù)的發(fā)展，SAR圖像技術(shù)日漸成熟。SAR圖像技術(shù)具有大范圍、寬領(lǐng)域、空域檢測實(shí)時(shí)性好等優(yōu)勢，使得SAR衛(wèi)星在空間檢測、遠(yuǎn)洋海運(yùn)檢測等領(lǐng)域獲得廣泛應(yīng)用。在進(jìn)行艦船目標(biāo)檢測時(shí)，首先必須實(shí)時(shí)精確地獲取檢測目標(biāo)并對目標(biāo)自身參數(shù)進(jìn)行預(yù)判；其次在對目標(biāo)預(yù)判數(shù)據(jù)的基礎(chǔ)上快速精確地進(jìn)行檢測，由于SAR圖像的檢測數(shù)據(jù)量大，必須利用海面雜波模型，依據(jù)艦船檢測目標(biāo)的自身因素，提高SAR圖像的艦船目標(biāo)檢測綜合性能。因此，算法設(shè)計(jì)的好壞將直接影響基于SAR圖像數(shù)據(jù)進(jìn)行艦船目標(biāo)檢測的精確性和響應(yīng)速度，是艦船目標(biāo)檢測的一個(gè)極為關(guān)鍵的因素。

1 基于SAR圖像的艦船檢測基本框架

如果將基于SAR圖像的艦船檢測整體納入一個(gè)系統(tǒng)的話，該系統(tǒng)主要包括SAR系統(tǒng)、分析系統(tǒng)和輸出系統(tǒng)3個(gè)部分。其中SAR系統(tǒng)主要包括SAR地面站部分，通過高空雷達(dá)獲取地面目標(biāo)的圖像；分析系統(tǒng)則是根據(jù)海洋表面的雜波統(tǒng)計(jì)模型和某類算法對SAR子系統(tǒng)獲取的艦船目標(biāo)的圖像域和位置域圖像進(jìn)行分析；輸出系統(tǒng)則保證了圖像目標(biāo)信息輸出至監(jiān)控站中心，基于SAR圖像的艦船檢測框架如圖1所示。

本文中，主要是基于艦船檢測的算法研究。由于基于SAR圖像的艦船目標(biāo)檢測主要依賴于采用海面雜波模型、SAR系統(tǒng)以及艦船自身空間域和位置域的評估參數(shù)，所以在進(jìn)行基于SAR圖像艦船目標(biāo)算法研究，首先要了解和掌握基于SAR圖像艦船檢測的相關(guān)影響因素，這樣進(jìn)行數(shù)據(jù)分析才能獲得更科學(xué)、直觀的結(jié)果。

圖1 基于SAR圖像的艦船檢測系統(tǒng)框架Fig.1 The framework of ship′s detection system based on SAR image

2 基于SAR圖像的艦船檢測的影響因素

2.1 SAR圖像海面雜波統(tǒng)計(jì)模型

由于基于SAR圖像系統(tǒng)的實(shí)現(xiàn)會造成圖像明暗相間的分散點(diǎn)滴顆粒的噪聲干擾，這種干擾會對利用SAR圖像進(jìn)行目標(biāo)檢測的結(jié)果造成影響，所以需要這種干擾設(shè)計(jì)一種統(tǒng)計(jì)模型進(jìn)行規(guī)避，SAR圖像海面雜波統(tǒng)計(jì)模型能夠降低干擾。該模型屬于參量模型，符合相關(guān)分布函數(shù)，那么可以從概率統(tǒng)計(jì)的視角出發(fā)嘗試概率密度函數(shù)入手，利用矩估計(jì)或最大似然估計(jì)法求取雜波模型的參數(shù)。通常，基于SAR圖像的海面雜波統(tǒng)計(jì)模型接近或類似于正態(tài)分布中的高斯分布，現(xiàn)假設(shè)基于海面雜波模型符合高斯分布，則其概率密度函數(shù)及分布函數(shù)如下：

其中erf(x)為高斯分布的誤差函數(shù)。

盡管海面雜波統(tǒng)計(jì)模型符合相關(guān)分布函數(shù)，但是還不夠精確，需要進(jìn)行數(shù)學(xué)原理的擬合，使擬合后的模型更能符合實(shí)際的海面雜波現(xiàn)象。擬合的準(zhǔn)則符合統(tǒng)計(jì)檢驗(yàn)，該檢驗(yàn)方法假設(shè)γ1和γ2作為偏斜和峰度的估計(jì)量，其定義如下：

式中g(shù)1與g2為對象的偏斜和峰值的無偏估計(jì)。

根據(jù)R.D.Agostino-Pearson檢驗(yàn)獲得的檢驗(yàn)公式為：

DDP=[φ-1(PG1(g1))]2+[φ-1(PG2(g2))]2。其中φ-1(z)為一個(gè)標(biāo)準(zhǔn)正態(tài)分布的逆分布函數(shù)。根據(jù)假設(shè)檢驗(yàn)，大的DDP值應(yīng)該被H0假設(shè)拒絕，這樣利用數(shù)學(xué)原理可實(shí)現(xiàn)海面雜波統(tǒng)計(jì)模型的設(shè)計(jì)。

2.2 艦船自身因素

船體物理特性也是SAR圖像目標(biāo)檢測系統(tǒng)的影響因素之一。SAR系統(tǒng)獲取的圖像數(shù)據(jù)可以計(jì)算出艦船船體尺寸大小，但是艦船航向速度在SAR圖像系統(tǒng)中的計(jì)算比較復(fù)雜?，F(xiàn)假設(shè)SAR系統(tǒng)主要對艦船目標(biāo)的位置域、面積大小、航行速度和航向等參數(shù)進(jìn)行圖像數(shù)據(jù)處理時(shí)，艦船的質(zhì)心和幾何中心重合，那么根據(jù)數(shù)學(xué)物理公式可知艦船的橫坐標(biāo)：

其中x0為艦船目標(biāo)質(zhì)心的橫坐標(biāo)。由于在圖像數(shù)據(jù)處理時(shí)， SAR系統(tǒng)無法準(zhǔn)確定位每個(gè)像素點(diǎn)的密度質(zhì)量，則簡化為：

那么艦船目標(biāo)質(zhì)心的縱坐標(biāo)如下式所示：

這樣在確定質(zhì)心之后，可以根據(jù)質(zhì)心的橫縱坐標(biāo)及橢圓圖像來描述艦船的形狀，艦船的長與寬分別用SAR圖像的地面分辨率所掃描的長主軸和短主軸的表示，則運(yùn)用橢圓進(jìn)行艦船尺寸擬合時(shí)的公式如下：

式中：N為SAR系統(tǒng)所掃描的艦船目標(biāo)圖像的總像素點(diǎn)；X，Y分別為橫縱坐標(biāo)；L和W分別為艦船的長度和寬度，這樣，艦船自身的位置域和空間域既可顯示出來，又避免了海面航行時(shí)的噪聲影響，精確地利用地面經(jīng)緯度算出船的位置。

3 基于SAR圖像的艦船檢測算法

3.1 全局及局部雙參數(shù)的CFAR檢測算法

3.1.1 基于全局的CFAR算法原理

在SAR成像系統(tǒng)中，檢測目標(biāo)只占據(jù)一小塊的區(qū)域像素，對SAR圖像的總體統(tǒng)計(jì)特征影響不大。所以，當(dāng)SAR圖像相對簡單且面積域相對較小時(shí)，可采用全局CFAR算法，對全局的檢測目標(biāo)設(shè)定一個(gè)最大的門限值TCFAR。 其算法公式如下：

其中P(x)為檢測目標(biāo)的分布函數(shù)。

根據(jù)雜波統(tǒng)計(jì)模型選出的圖像凸出點(diǎn)相對較亮，這樣便可以根據(jù)亮點(diǎn)像素的構(gòu)成檢測出一個(gè)完整的目標(biāo)。

其中T為圖像的全局域。

這樣利用CFAR算法對圖像整體進(jìn)行移動檢測后，遍歷整個(gè)圖像區(qū)域，因此圖像的整體背景便可根據(jù)像素點(diǎn)的明亮程度繪制出目標(biāo)的形狀。

3.1.2 基于局部雙參數(shù)的CFAR算法原理

局部雙參數(shù)CFAR算法檢測的設(shè)計(jì)主要集中以某一區(qū)域?yàn)橹行倪M(jìn)行像素的掃描。該算法以高斯分布統(tǒng)計(jì)模型為基礎(chǔ)，根據(jù)雜波統(tǒng)計(jì)特征計(jì)算比集中的中心區(qū)域較大一點(diǎn)的區(qū)域目標(biāo)像素，使中心區(qū)域能夠完全被覆蓋，檢測更加精確。局部雙參數(shù)CFAR算法的數(shù)學(xué)描述如下：

式中：x(i,j)為坐標(biāo)處的灰度；Ω為局部面積域。

在上述公式中，如果最大門限TCFAR小于統(tǒng)計(jì)模型的目標(biāo)圖像的像素，則可以認(rèn)定該區(qū)域?yàn)闄z測目標(biāo)像素?；陔p參數(shù)的CFAR算法以高斯分布為基礎(chǔ)，當(dāng)該檢測區(qū)域的雜波不能滿足不符合高斯分布特征時(shí)則會影響算法的精確度，而且該算法需要確定檢測目標(biāo)的圖像面積。

3.2 全局和局部雙參數(shù)CFAR算法仿真分析

SAR系統(tǒng)獲取圖像過程中，海面雜波統(tǒng)計(jì)模型采用高斯分布為基礎(chǔ)對。所以，在對于全局和局部雙參數(shù)CFAR算法進(jìn)行仿真分析時(shí)，將2種算法的虛警率均設(shè)置為1e-3，仿真結(jié)果如圖2所示。

從圖中可看到，原始圖像有模糊的斑點(diǎn)且圖像整體均勻，在運(yùn)用全局算法時(shí)，可以顯示出艦船目標(biāo)圖像的整體；而當(dāng)采用雙參數(shù)局部CFAR算法時(shí)，雖然虛警率處理的很好，但艦船圖像整體已經(jīng)不容易辨識。由以上仿真可知，全局CFAR算法適合于均勻的區(qū)域環(huán)境檢測；而雙參數(shù)局部CFAR算法更適用于在海面背景較為劇烈變化運(yùn)動的面積域。

3.3 基于二次Gamma核的SAR圖像艦船檢測算法

3.3.1 算法原理及目標(biāo)檢測

對于一個(gè)周期的二維Gamma核方程滿足如下方程式：

式中：Ω表示一個(gè)區(qū)域；K和L為區(qū)域的空間坐標(biāo)；C為數(shù)值常量。

根據(jù)計(jì)算可知，當(dāng)整數(shù)n和u不斷變化時(shí)，所形成的空間區(qū)域是由Gamma曲線以圓周旋轉(zhuǎn)得到的。不同的n和u組合形成了不同的空間曲面面積。二次Gamma核算法原理是將基于Gamma核的統(tǒng)計(jì)模型覆蓋到被檢測艦船目標(biāo)圖像及圖像周圍的區(qū)域點(diǎn)上，并乘于像素點(diǎn)的幅度和能量，得到所需結(jié)果。公式如下：

圖2 全局與局部雙參數(shù)CFAR算法仿真圖像Fig.2 Global and local image double parameter CFAR algorithm simulation

式中：x為像素點(diǎn)幅度；x2為像素點(diǎn)能量；y和y2為像素圖像的一階和二階矩估計(jì)。

將上述公式進(jìn)行二次擴(kuò)展后進(jìn)行加權(quán)得到的特征方程如下：

w7(yn1,u1)(yn2,u2)+w8。

該方程即需要判別的Gamma核二次方程。對于Gamma核算法，由于判別的方程式是關(guān)于檢測目標(biāo)圖像的幅度特征的，所以對SAR系統(tǒng)獲取目標(biāo)圖像計(jì)算時(shí)，只要設(shè)定適合的限定區(qū)域就可以區(qū)別它屬于目標(biāo)還是目標(biāo)外圍雜波，實(shí)現(xiàn)艦船目標(biāo)的檢測。

3.3.2 實(shí)驗(yàn)仿真分析

在基于二次Gamma核SAR圖像算法數(shù)據(jù)仿真時(shí)，目標(biāo)圖像來源于近海區(qū)域的艦船目標(biāo)，取出160個(gè)樣本數(shù)據(jù)圖像，設(shè)置切片大小498×785，80個(gè)切片位于目標(biāo)圖像邊緣，另外80個(gè)位于艦船目標(biāo)的中心點(diǎn)；之后預(yù)測此樣本艦船目標(biāo)圖像的大概面積尺寸，進(jìn)行面積掃描；最后通過Gamma核SAR算法的原理和目標(biāo)檢測機(jī)制獲取平均權(quán)值。

Gamma核SAR圖像算法能夠增強(qiáng)艦船目標(biāo)圖像對雜波的干擾影響，圖像的信噪比也優(yōu)于原始圖像，在復(fù)雜氣候環(huán)境和惡劣的雜波海面背景下，基于Gamma核SAR圖像算法能夠很好的提高目標(biāo)圖像的檢測效果。

4 基于SAR圖像的艦船算法比較分析

上文中依次介紹了全局CFAR檢測算法、局部雙參數(shù)的CFAR檢測算法和二次Gamma核的算法原理和仿真分析，雖然從仿真圖像的細(xì)節(jié)中可以分辯出經(jīng)過算法處理的SAR系統(tǒng)圖像和原始的圖像差別，但在這3者之間卻沒有具體的橫向比較，無法分析出這3種算法的具體運(yùn)用環(huán)境，因此，需要尋找出圖像處理的指標(biāo)因素。通過比較3種算法處理后的圖像指標(biāo)，分析經(jīng)過算法處理后的艦船圖像性能。圖像算法的性能主要由虛警概率、FOM(品質(zhì)因素)及檢測概率構(gòu)成， 其中，虛警概率的數(shù)值越小，檢測概率和FoM越趨近于數(shù)值1，則表明該種算法越好。圖3為3種算法實(shí)驗(yàn)結(jié)果的指標(biāo)因素對比。

圖3 3種算法的指標(biāo)分析Fig.3 The analysis of the algorithm between three index

由圖3可看出，基于SAR圖像的艦船目標(biāo)檢測算法中二次Gamma核的算法檢測概率和品質(zhì)概率將接近數(shù)值1，而虛警概率接近于數(shù)值0。按照算法的指標(biāo)因素可以看出，二次Gamma核的算法較全局和局部雙參數(shù)CFAR算法較好。因此，對于SAR系統(tǒng)來說，海面氣候變化不定，雜波背景統(tǒng)計(jì)模型多樣，所以在進(jìn)行基于SAR圖像的艦船算法研究時(shí)，一定要事先根據(jù)圖像的指標(biāo)特性和海面雜波模型的特征進(jìn)行算法類別選取，或依照各種算法的優(yōu)點(diǎn)綜合選用來進(jìn)行SAR系統(tǒng)的艦船目標(biāo)圖像的處理，以達(dá)到提高SAR圖像算法處理的綜合效果。

[1] 陳標(biāo)，侯海平，陶榮華，等.艦船尾跡SAR圖像特征的譜分析研究[J].艦船科學(xué)技術(shù),2008,30(6)：69-73.

CHEN Biao,HOU Hai-ping,TAO Rong-hua,et al.Study on the spectrum analysis of SAR image characteristic of ship wake[J].Ship Science and Technology,2008,30(6):69-73.

[2] OliverChris，Quegan Shaun，丁赤飚.合成孔徑雷達(dá)圖像理解[M].北京：電子工業(yè)出版社，2009.

[3] 高葉盛.基于信號模型的SAR參數(shù)化成像技術(shù)研究[D].上海：上海交通大學(xué)，2013.

[4] 雷盼飛，蘇清賀，楊桄.SAR圖像艦船目標(biāo)檢測研究[J].影像技術(shù)，2011，23(4)：40-45.

LEI Pan-fei,SU Qing-he,YANG Guang.Research on detection of ship target from SAR image[J].Image Technology,2011,23(4):40-45.

[5] 高貴.SAR圖像統(tǒng)計(jì)建模研究綜述[J].信號處理，2009，25(8)：1270-1278.

GAO Gui.Review on the statistical modeling of SAR images[J].Signal Processing,2009,25(8):1270-1278.

[6] 歐林暉.海雜波幅度模型及參數(shù)估計(jì)綜述[J].科技風(fēng)，2010(12)：229-230.

[7] JIAO Shu-hong，LIU Jia-yuan，LIU Ming-zhu.An adaptive ship detection method in SAR image based on CFAR[C].The 2nd International Conference on Information Communication and Management，2012：51-55.

[8] MATA-MOYA D.Application of mean-shift filtering to ship wakes detection in SAR images[C]//EUSAR 2010-8th European Conference on Synthetic Aperture Radar.Aachen,2010:1-4.

Research on efficiency evaluation method of UUV group detection mine

YU Xiao-ni

(Navy Equipment Academe，Beijing 100161,China)

Based on the sea clutter statistical model, the article discusses the use of the SAR image system technology. Through an objective analysis of ship detection target factors. We study comparatively various ship detection algorithm to detect differences in algorithm analysis. In order to optimize the detection algorithm to improve the speed and accuracy of the case under the detection so that it can enhance the overall performance of ship target detect.

SAR image;ship detection algorithm;detection performance

2014-03-02;

2014-11-21

遼寧省教育科學(xué)“十二五”規(guī)劃資助項(xiàng)目(JG14EB266)

愈曉妮(1973-)，女，碩士，研究方向?yàn)槎嗝襟w技術(shù)。

TP391.9

A

1672-7649(2014)12-0091-04

10.3404/j.issn.1672-7649.2014.12.020