許成斌 周 偉 叢 瑜 關(guān) 鍵
(海軍航空工程學院電子信息工程系 煙臺 264001)
基于峰值區(qū)域的高分辨率極化SAR艦船目標特征分析與鑒別
許成斌 周 偉 叢 瑜 關(guān) 鍵*
(海軍航空工程學院電子信息工程系 煙臺 264001)
針對高分辨率SAR艦船目標檢測中存在類似艦船的干擾目標造成虛警的問題,該文設(shè)計了一種峰值區(qū)域極化特征提取方法。該方法通過對比水面船只和干擾目標峰值區(qū)域Krogager分解中螺旋體散射比重的差異,對兩類目標進行了鑒別分析。利用RADARSAT-2的C波段全極化數(shù)據(jù)對方法的有效性進行驗證,驗證結(jié)果表明該方法能有效地鑒別船只目標與島嶼、防浪堤、海面平臺、橋梁等干擾目標,減少SAR艦船目標檢測中存在的虛警。
:合成孔徑雷達(SAR);極化分解;高分辨率;艦船檢測
合成孔徑雷達(SAR)具有全天時、全天候、大范圍和高分辨率的特點,是水面船只探測的重要手段之一[1,2]。目前SAR圖像艦船目標檢測主要用尺度形狀特征[3]、紋理特征[4]、峰值特征[5]等作為艦船目標鑒別的主要特征依據(jù)。相對于單極化SAR圖像,極化SAR能更全面地描述目標的散射回波信息。利用極化SAR信息進行船只目標分析在海防、漁業(yè)監(jiān)管和海上商業(yè)運輸?shù)扔休^高潛在應(yīng)用價值。1990年挪威科學家Christoffersen等人[6]利用SAR散射強度進行船只分類識別研究,依據(jù)船只各部分的散射強度來分析艦船的主體結(jié)構(gòu)。1997年Osman等人[7]結(jié)合BP神經(jīng)網(wǎng)絡(luò)對驅(qū)逐艦、護衛(wèi)艦、補給船等進行了分類實驗,取得了較好的分類效果。2011年陳琪等人[8]利用對比度、形狀、紋理和分型特征等對港口區(qū)域艦船目標進行了鑒別,提升了檢測結(jié)果正確率。2013年楊慧等人[9]利用H/A/α-Wishart分類對極化SAR圖像船只進行了檢測,能有效地保留船只的邊緣信息。由于海面上存在類似艦船的干擾目標,如島嶼、防浪堤、人造平臺等,上述方法通過目標整體或者固定區(qū)域的散射強度和極化信息進行艦船目標檢測,不能有效地減少干擾目標造成的虛警。
本文通過目標散射能量(目標各極化通道散射能量相加)尋找目標的峰值點,然后利用目標各像元螺旋體散射比重,在峰值點周圍尋找目標結(jié)構(gòu)復雜區(qū)域與簡單區(qū)域的邊界,確定目標峰值區(qū)域,最后通過目標峰值區(qū)域的極化散射特性進行目標的鑒別。文章安排如下,第2節(jié)簡要介紹適合本文方法的Krogager極化相干分解方法;第3節(jié)中給出了峰值區(qū)域的提取方法;第4節(jié)結(jié)合RADARSAT-2全極化數(shù)據(jù)對峰值區(qū)域的散射機理進行分析;第5節(jié)分析了算法對艦船目標和干擾目標的鑒別效果。
極化目標分解是從目標散射機理出發(fā),從極化SAR圖像數(shù)據(jù)中提取符合分類條件的目標特征,進而實現(xiàn)目標分類與識別[10]。相干目標分解方法主要有基于Pauli基的分解、Krogager的SDH分解以及Cameron分解等。艦船目標具有復雜的構(gòu)造,如桅桿、甲板、上層建筑等,這些部位具有不同的散射特性。Pauli分解只能區(qū)分兩種散射機制:奇次散射和偶次散射,不能完整地描述目標的多種散射情況。而對于區(qū)分艦船目標與干擾目標,Cameron分解的8個散射類型在目標細節(jié)分析時,由于SAR圖像固有的斑點噪聲影響,散射類型過多導致其分類結(jié)果并不可靠。
Krogager分解[11]將對稱的散射矩陣S分解為3個具有物理意義的相干分量之和,分別對應(yīng)球散射、旋轉(zhuǎn)角度為θ的二面角散射和螺旋體散射:
式中,kS,kD和kH分別表示球散射、二面角散射和螺旋體散射分量的貢獻,θ是取向角,φ是散射矩陣的絕對相位。
Krogager分解是一種充分利用極化SAR數(shù)據(jù)固有相干特性的方法,用常見的奇次、偶次散射和螺旋體散射來進一步描述目標,適合高分辨率SAR數(shù)據(jù)目標細節(jié)的分析[12]。其中,螺旋體散射成分主要出現(xiàn)于非均勻區(qū)域(例如具有復雜形狀的人造目標或人造建筑、艦船目標中的艦橋等上層建筑區(qū)域),在所有分布式自然媒質(zhì)的散射中幾乎都不存在[13]。螺旋體散射分量的貢獻大小,同樣可以作為二面角散射的純度度量。如果螺旋體分量貢獻較小,那么表明二面角分量主要歸因于強烈的偶次散射機制。
相比于Cameron分解方法,Krogager分解方法具有較少的散射類型,受斑點噪聲影響較小,在對單獨像元的分析時,對其分類更可靠。相比Pauli分解方法,Krogager分解方法中的螺旋散射類型能有效地應(yīng)用在艦船目標的鑒別上。因此本文選用Krogager分解方法作為目標分析的基本方法。
利用目標的結(jié)構(gòu)特征對SAR圖像進行目標自動檢測一直受到人們的關(guān)注,峰值結(jié)構(gòu)作為一種結(jié)構(gòu)特征已被廣泛應(yīng)用于SAR圖像的自動目標檢測中[14,15]。文獻[15]指出SAR成像點擴展函數(shù)(Point Spread Function, PSF)是一個2維可分的sinc函數(shù),SAR圖像目標的峰值函數(shù)可以表示為:
上述方法可以找到目標峰值的位置,但對于峰值區(qū)域的界定并沒有一個嚴格的定義。對于具有復雜結(jié)構(gòu)的艦船目標,峰值區(qū)域即為目標強散射回波區(qū)域,螺旋體散射能量所占該區(qū)域的總散射能量比重較大。以峰值位置為中心,隨著峰值區(qū)域的擴大,螺旋體散射比重會隨之減小。圖1所示為圖5中船只的峰值區(qū)域螺旋體散射比重與峰值區(qū)域大小變化的情況。
圖1 艦船目標峰值區(qū)域螺旋體散射比重隨峰值區(qū)域大小變化曲線Fig. 1 The proportion of ship peak zone’s spiral scattering of peak zone increase
圖2 遞增區(qū)域散射能量強度變化曲線Fig. 2 The scatter intensity of increasing area of peak zone increase
圖3 遞增區(qū)域螺旋體散射比重變化Fig. 3 The proportion of increasing area spiral scattering of peak zone increase
對該艦船目標進行分析,峰值區(qū)域遞增目標總體面積1% 時該區(qū)域像元的平均散射能量強度和螺旋體散射比重變化曲線如圖2和圖3所示,可以看到遞增區(qū)域平均散射能量強度和螺旋體散射比重都隨峰值區(qū)域增大而減小。為了描述峰值區(qū)域螺旋體散射比重隨峰值區(qū)域增大的變化,根據(jù)圖2和圖3中曲線變化趨勢,我們假定隨著峰值區(qū)域的擴大,遞增區(qū)域的平均散射能量強度和平均螺旋體散射比重隨之呈指數(shù)遞減。設(shè)目標的散射能量峰值為S0,峰值點的螺旋體散射比重為P0,遞增目標總面積域像元的平均散射能量和平均螺旋體散射比重為:
其中k,t分別為變化系數(shù)。則Dn區(qū)域像元平均能量和平均螺旋體散射能量分別為:
通過上述分析我們可以看到,峰值區(qū)域的螺旋體散射比重ρn主要由參數(shù)k,t和P0所決定。由于目標散射能量峰值點附近像元的螺旋體散射比重并非嚴格正比于散射能量的強度,在實驗中P0取峰值點附近m個像元的螺旋體散射的均值,以保證參數(shù)對目標描述的準確性。
通過搜索方法得到與實際數(shù)據(jù)誤差最小的近似變化曲線,如圖4中紅色虛線所示。在實際情況中,因為目標復雜區(qū)域即強散射回波區(qū)域的螺旋體散射比重大于目標簡單區(qū)域,所以當峰值區(qū)域在目標復雜區(qū)域和簡單區(qū)域變化時,螺旋體散射比重下降速率達到最大值。標記近似變化曲線曲率為零時為Q點,此時螺旋體散射比重下降速率最大,即為目標復雜區(qū)域和簡單區(qū)域的交界點。所得Q點對應(yīng)的峰值區(qū)域Dn即為分析所需的峰值區(qū)域。
圖5(a)為船只目標的全極化雷達數(shù)據(jù)Krogager分解偽彩色示意圖,圖5(b)為船只目標的散射能量偽彩色示意圖。通過分析得出其峰值區(qū)域界限為目標像元總數(shù)的5%左右,圖5(c)中標記為紅色的區(qū)域是目標的峰值區(qū)域。
圖4 最小誤差近似變化曲線Fig. 4 Approximate variation curve with minimum error
SAR圖像艦船檢測中的干擾目標一般多為島嶼或者簡單人造目標,島嶼目標強散射點多由于島嶼上的房屋、裸露的巖石等造成;簡單人造目標強散射點主要歸因于強烈的偶次散射機制。從目標整體
上來分析,艦船目標與干擾目標都以平面散射為主,根據(jù)目標的實際結(jié)構(gòu)各種散射機制所占比重會有所不同,但仍不能作為艦船目標與干擾目標的鑒別機理。例如表1中所示數(shù)據(jù)為某島嶼目標與艦船目標之間Krogager分解后各散射分量比重。我們可以看到從整體散射機理來進行分析,艦船目標與某些干擾目標之間并沒有明顯差異,無法作為艦船目標與干擾目標的鑒別機理。
因此本文通過上述方法求得目標的峰值區(qū)域,即目標結(jié)構(gòu)復雜的區(qū)域,分析該區(qū)域螺旋體散射比重這一特征進行艦船目標和干擾目標之間的鑒別。如果螺旋體散射比重較小,則說明目標峰值區(qū)域的結(jié)構(gòu)主要為球散射機制或強烈的偶次散射機制,這不符合一般艦船目標上層建筑的結(jié)構(gòu)特點。
基于峰值區(qū)域的艦船目標鑒別方法流程如圖6所示。首先提取目標的峰值區(qū)域D(x,y),然后利用Krogager分解方法提取峰值區(qū)域的極化散射各分量散射強度,得到峰值區(qū)域每個像元Ii∈D的球散射、旋轉(zhuǎn)角度為θ的二面角散射和螺旋體散射的貢獻分別為則目標峰值區(qū)域各散射類型所占比重為:
其中N為峰值區(qū)域像元的個數(shù)。
圖5 艦船目標峰值區(qū)域提取示意圖Fig. 5 Extraction of ship target peak zone
表1 目標Krogager分解各散射分量比重(%)Tab. 1 The proportion of each scattering with Krogager decomposition (%)
圖6 艦船目標鑒別方法流程Fig. 6 The flow chart of ship target identification
表1給出了島嶼目標與艦船目標的峰值區(qū)域和Krogager分解各散射分量峰值區(qū)域比重。對比表1中數(shù)據(jù),我們可以看到目標在整體和峰值區(qū)域各散射分量比重發(fā)生了較大的變化。由于艦船目標峰值區(qū)域結(jié)構(gòu)較為復雜,與干擾目標峰值區(qū)域在結(jié)構(gòu)上有明顯的差別,所以我們?nèi)∧繕朔逯祬^(qū)域螺旋體散射比重來進行艦船目標與干擾目標的鑒別。定義K為艦船與干擾目標峰值區(qū)域螺旋體散射比重的門限。當ρH>K時,判斷目標為船只,當ρH<K時,判斷目標為干擾目標。門限K為由多組數(shù)據(jù)得到的經(jīng)驗值,本實驗中為0.15。
為了驗證本文算法對艦船目標與干擾目標的鑒別效果,利用加拿大溫哥華地區(qū)RADARSAT-2的C波段全極化數(shù)據(jù)(分辨率4 m)進行了實驗驗證,對應(yīng)的光學遙感圖像來源于Google Earth。
圖7所示為實驗中部分目標的數(shù)據(jù)來源。左側(cè)為RADARSAT-2全極化數(shù)據(jù),右側(cè)為對應(yīng)區(qū)域的光學遙感圖像。通過對比SAR圖像和光學遙感圖像,我們可以確定圖7(a)和圖7(c)中黃線標注的目標分別為艦船目標和島嶼干擾目標。表2給出了多組艦船目標和干擾目標的峰值區(qū)域螺旋體散射比重及鑒別結(jié)果。
表2中編號1~10為干擾目標,其中包括小島(2, 3, 5, 7, 9, 10)、人造浮動平臺(1, 4)和橋梁(6, 8)。11~16為艦船目標,其中12~16沒有對應(yīng)時相的光學影像圖,我們通過對比對應(yīng)區(qū)域的光學遙感圖像可以推測出其為艦船目標。
通過上面的分析和對多組目標的實驗結(jié)果,可以看出艦船目標與某些自然或非自然干擾目標在形狀特征上并沒有明顯區(qū)別,而峰值區(qū)域螺旋體散射比重差別較大,因此可以通過對比峰值區(qū)域螺旋體散射比重來進行艦船目標和干擾目標之間的鑒別,從而減少艦船檢測過程中的虛警的產(chǎn)生。
針對SAR圖像艦船目標檢測過程中存在虛警的問題,本文在傳統(tǒng)的目標極化散射特性分析上,提出了基于峰值區(qū)域極化特性的艦船目標鑒別方法。
理論分析及實驗結(jié)果表明,該方法在SAR圖像艦船目標檢測中有減少類似艦船的干擾目標造成虛警的作用,提高了艦船檢測的效果。
圖7 艦船目標和干擾目標示意圖Fig. 7 The flow chart of ship targets and interfering targets
表2 RADARSAT-2數(shù)據(jù)中部分目標峰值區(qū)域螺旋體散射比重(%)Tab. 2 The proportion of target peak zone’s spiral scattering of parts of targets in RADARSAT-2 data (%)
本文從目標結(jié)構(gòu)復雜的區(qū)域上進行了極化散射特性分析,為SAR圖像艦船檢測方法提供了一種新的思路,與傳統(tǒng)的利用形態(tài)特征、峰值特征和紋理特征等檢測方法相互結(jié)合,在SAR圖像艦船檢測領(lǐng)域有較大的發(fā)展和應(yīng)用空間。
[1]陳文婷, 刑相薇, 計科峰. SAR圖像艦船目標識別綜述[J]. 現(xiàn)代雷達, 2012, 34(11): 53-58. Chen Wen-ting, Xing Xiang-wei, and Ji Ke-feng. A survey of ship target recognition in SAR images[J].Modern Radar, 2012, 34(11): 53-58.
[2]鄧云凱, 趙鳳軍, 王宇. 星載SAR技術(shù)的發(fā)展趨勢及應(yīng)用淺析[J]. 雷達學報, 2012, 1(1): 1-10. Deng Yun-kai, Zhao Feng-jun, and Wang Yu. Brief analysis on the development and application of space borne SAR[J].Journal of Radars, 2012, 1(1): 1-10.
[3]董江曼, 李應(yīng)岐, 鄧飚. SAR圖像艦船目標的特征識別[J]. 陜西師范大學學報(自然科學版), 2004, 32(S1): 203-205. Dong Jiang-man, Li Ying-qi, and Deng Biao. Ship targets recognition by ship’s feature in SAR image[J].Journal of Shaanxi Normal University(Natural Science Edition), 2004, 32(S1): 203-205.
[4]Kreithen D K, Halversen S D, and Owirka G J. Discriminating targets from clutter[J].The Lincoln Laboratory Journal, 1993, 6(1): 25-52.
[5]張晰, 張杰, 紀永剛, 等. 基于結(jié)構(gòu)特征的SAR船只類別識別
能力分析[J]. 海洋學報, 2010, 32(1): 146-152. Zhang Xi, Zhang Jie, Ji Yong-gang,et al.. The capability analysis of ship classification by structure feature using SAR images[J].Acta Oceanologica Sinica, 2010, 32(1): 146-152.
[6]Christoffersen T. Klassifisering av skip I SAR-bilder[R]. FFI/Notat-91/7046, Norwegian Defence Research Establishment, Kjeller, Norway, 1990.
[7]Osman H, Li P, Steven D B,et al.. Classification of ships in airborne SAR imagery using backprogation neural networks[C]. Proceedings of SPIE Symposium on Radar Processing, Technology, and Applications Ⅱ, San Diego, 1997, 3161: 126-136.
[8]陳琪, 陸軍, 王娜, 等. 一種基于SAR圖像鑒別的港口區(qū)域艦船目標新方法[J]. 宇航學報, 2011, 32(12): 2582-2588. Chen Qi, Lu Jun, Wang Na,et al.. An SAR images-based new method for ship discrimination in harbor region[J].Journal of Astronautics, 2011, 32(12): 2582-2588.
[9]楊慧, 吳祥, 張建, 等. 基于H/A/α-Wishart 分類的極化SAR圖像船只檢測[J]. 杭州電子科技大學學報, 2013, 33(6): 142-145. Yang Hui, Wu Xiang, Zhang Jian,et al.. Ship detection in polarimetric SAR imagery based on H/A/α-Wishart classification[J].Journal of Hangzhou Dianzi University, 2013, 33(6): 142-145.
[10]肖順平, 王雪松, 代大海, 等. 極化雷達成像處理及應(yīng)用[M].北京: 科學出版社, 2013: 56-57. Xiao Shun-ping, Wang Xue-song, Dai Da-hai,et al.. Processing and Application of PolSAR Image[M]. Beijing: Science Press, 2013: 56-57.
[11]Krogager E and Czyz Z H. Properties of the sphere, deplane, helix decomposition[C]. Proceedings 3rd International Workshop on Radar Polarimetry (JIPR’95), Univ Nantes, France, 1995: 106-114.
[12]王超, 張紅, 等. 全極化合成孔徑雷達圖像處理[M]. 北京: 科學出版社, 2008: 75-76. Wang Chao, Zhang Hong,et al.. Image Processing of PolSAR Image[M]. Beijing: Science Press, 2008: 75-76.
[13]Lee Jong-sen and Pottier E. Polarimetric Radar Imaging: from Basics to Applications[M]. London, UK: Taylor and Francis Group, 2009: 154-155.
[14]高貴, 計科峰, 匡綱要, 等. 高分辨率SAR圖像目標峰值提取及峰值穩(wěn)定性分析[J]. 電子與信息學報, 2005, 27(4): 561-565. Gao Gui, Ji Ke-feng, Kuang Gang-yao,et al.. Target peak extraction from high-resolution SAR image and peak’s stability analysis[J].Journal of Electronics&Information Technology, 2005, 27(4): 561-565.
[15]Xu Xiao-jian, Zhai Lai-juan, and Huang Ying. Subpixel processing for target scattering center extraction from SAR images[C]. International Conference on Signal Processing, Guilin, 2006: 2720-2723.
許成斌(1990-),男,黑龍江伊春人,2012年獲哈爾濱工程大學學士學位,同年進入海軍航空工程學院攻讀碩士學位,研究方向為遙感圖像解譯與分析。
E-mail: xuchengbin333@126.com
周 偉(1980-),男,湖北黃石人,于海軍航空工程學院獲得博士學位,現(xiàn)為海軍航空工程學院信息融合研究所講師,主要研究方向為多源信息融合、偵察圖像處理、目標檢測與識別。
E-mail: yeaweam@gmail.com
叢 瑜(1982-),女,山東招遠人,于國防科技大學獲得碩士學位,現(xiàn)為海軍航空工程學院信息融合研究所講師,主要研究方向為數(shù)字圖像處理。
E-mail: congyu19820122@163.com
關(guān) 鍵(1968-),男,遼寧錦州人,教授,博士生導師,主要研究方向為雷達目標檢測與跟蹤、偵察圖像處理和信息融合。獲全國優(yōu)秀博士學位論文獎,新世紀百千萬人才工程國家級人選。
E-mail: guanjian96@tsinghua.org.cn
Ship Analysis and Detection in High-resolution Pol-SAR Imagery Based on Peak Zone
Xu Cheng-bin Zhou Wei Cong Yu Guan Jian
(Department of Electronic and Information Engineering,Naval Aeronautical and Astronautical University,Yantai264001,China)
To deal with the problem of false alarm in the ship detection, a method base on proportion of spiral scattering in the peak zone is proposed. By comparing the proportion of spiral scattering in the peak zone, which is available from Krogager decomposition, the ships and interfering targets are identified and analyzed. The effectiveness of this method is justified with C-band full-polarization data from RADARSAT-2. The result show that this method can discriminate ships from interfering targets such as island, water-break, nautical platforms and bridges, thus reducing the false alarm rate of ship targets detection in SAR images.
Synthetic Aperture Radar (SAR); Polarization decomposition; High-resolution; Ship detection
TP319
:A
:2095-283X(2015)03-0367-07
10.12000/JR14093
許成斌, 周偉, 叢瑜, 等. 基于峰值區(qū)域的高分辨率極化SAR艦船目標特征分析與鑒別[J]. 雷達學報, 2015, 4(3): 367-373.
10.12000/JR14093.
Reference format: Xu Cheng-bin, Zhou Wei, Cong Yu,et al.. Ship analysis and detection in high-resolution Pol-SAR imagery based on peak zone[J].Journal of Radars, 2015, 4(3): 367-373. DOI: 10.12000/JR14093.
2014-06-19收到,2014-10-19改回;2014-10-24網(wǎng)絡(luò)優(yōu)先出版
國家自然科學基金(61201445, 61179017)和國防預研基金資助課題
*通信作者: 關(guān)鍵 guanjian96@tsinghua.org.cn