基于Rice－CFAR的SAR圖像艦船檢測(cè)

楊學(xué)志， 宋 輝， 杜 揚(yáng)，， 張 晰， 孟俊敏

（1.合肥工業(yè)大學(xué) 計(jì)算機(jī)與信息學(xué)院，安徽 合肥 230009；2.國家海洋局第一海洋研究所，山東 青島 266061）

我國海洋面積廣闊且資源豐富，由于合成孔徑雷達(dá)（synthetic－aperture radar，SAR）全天時(shí)全天候的工作特點(diǎn)，SAR艦船檢測(cè)廣泛應(yīng)用于船只搜救、漁船監(jiān)控、海洋維權(quán)等［1］。

艦船目標(biāo)因其金屬結(jié)構(gòu)及上層建筑構(gòu)成了強(qiáng)反射器，在SAR圖像中呈現(xiàn)較亮的點(diǎn)或塊目標(biāo)［2］。由于SAR圖像特殊成像原理［3］，成像質(zhì)量受到來自自然環(huán)境和系統(tǒng)本身的影響［4］，使得SAR圖像中的艦船目標(biāo)淹沒在海雜波中，特別是在船海對(duì)比度低的復(fù)雜條件下，如強(qiáng)風(fēng)速引起的高海況SAR圖像、高噪聲的單視復(fù)（single－look complex，SLC）SAR圖像。對(duì)于高海況SAR圖像，在風(fēng)力作用下觀測(cè)海面狀況、波浪形狀和浪花泡沫發(fā)生改變，使得SAR圖像上的艦船目標(biāo)幾乎淹沒在海雜波中，船海對(duì)比度較小，目標(biāo)難以被檢測(cè)［5］；對(duì)于高噪聲的SLC圖像，存在圖像噪聲大、信噪比低、距離向和方位向分辨率不一致等問題，現(xiàn)存的檢測(cè)算法幾乎都是先以犧牲像素分辨率為代價(jià)進(jìn)行多視處理，來增加艦船與海雜波對(duì)比度，然而這使得艦船信息出現(xiàn)丟失，特別是弱小艦船目標(biāo)［6］。

目前在眾多艦船檢測(cè)的方法中，研究最多的是基于圖像層面的恒虛警率（constant false alarm rate，CFAR）的探測(cè)技術(shù)［7］，因該算法簡潔、運(yùn)算較快，得到了廣泛的應(yīng)用，其檢測(cè)效果主要依賴于SAR圖像海雜波的建模?；趫D像層面的CFAR算法中使用的傳統(tǒng)概率分布有Gamma分布［8］、K 分 布［9］、對(duì) 數(shù) 正 態(tài) 分 布［10］和 直 方 圖 分布［11］等，這些分布多數(shù)是基于經(jīng)驗(yàn)統(tǒng)計(jì)建模形成，適用范圍較為單一，而且不能適用于較為復(fù)雜的SAR圖像，如上述提到的因各種因素引起的船海對(duì)比度較低的SAR圖像。

從電磁波角度出發(fā)，在背景海雜波中艦船等金屬目標(biāo)可視為一種強(qiáng)相干散射體（dominant scatterer）。通過大量實(shí)驗(yàn)發(fā)現(xiàn)，Rice分布作為一種常用連續(xù)概率分布，比Gamma分布、對(duì)數(shù)正態(tài)分布和K分布能更好地描述噪聲和海況因素引起的船海對(duì)比度較低時(shí)的SAR圖像的海雜波。因此，本文利用Rice分布基本電磁模型對(duì)SAR圖像良好的解譯特性，結(jié)合CFAR算法對(duì)船海對(duì)比度較低條件下的SAR圖像進(jìn)行艦船檢測(cè)。實(shí)驗(yàn)中利用Rice分布和傳統(tǒng)概率模型對(duì)海雜波進(jìn)行建模比較，對(duì)ENVISAT ASAR和TerraSARX圖像數(shù)據(jù)進(jìn)行檢測(cè)。

1 算法介紹

1.1 CFAR檢測(cè)算法

為了在檢測(cè)SAR圖像艦船目標(biāo)的同時(shí)獲得恒定的虛警率效果，需要給出適當(dāng)?shù)臄?shù)學(xué)概率模型來表示SAR圖像海雜波幅度值的概率分布。

若背景雜波灰度分布為h（x），其中x為灰度值，擬合h（x）的概率密度函數(shù)（probability density function，PDF）為fB（x）， 則 虛 警 概 率（probability of false alarm，Pfa）［7］可定義為：

（1）式還可表達(dá)為：

當(dāng)給定虛警概率Pfa，可求得分割閾值IT。因此CFAR算法步驟可概括如下：先確定SAR圖像雜波概率密度函數(shù)模型fB（x），然后估計(jì)概率模型各個(gè)參數(shù)，最后計(jì)算圖像分割閾值IT。

1.2 Rice分布模型

根據(jù)金屬目標(biāo)在SAR圖像中的電磁回波基本原理，艦船目標(biāo)可視為強(qiáng)相干后向散射回波信號(hào)主導(dǎo)散射體。從電磁波的角度，SAR圖像中任一個(gè)分辨單元的表面回波信號(hào)均可看作是均值不為零的高斯分布實(shí)部和虛部的2個(gè)分量疊加［4］。

其中，j為虛數(shù)單位。均值μ有〈Er〉≠0，〈Ei〉≠0，〈·〉為均值算子，其中標(biāo)準(zhǔn)差σr＝σi＝σ。因此幅度信號(hào)x＝｜｜，｜·｜為模運(yùn)算算子，服從Rice分布概率模型［12］，即

其中，xi為圖像中第i像素的幅度值，xi＞0，i＝1，2，…；I0（·）為修正的零階第一類貝塞爾函數(shù)；參數(shù)θ＝ ［μ，σ］。

Rice因子k＝μ2／（2σ2），其表示相干分量信號(hào)μ和非相干分量信號(hào)σ比值，當(dāng)k＝0時(shí)，海面Bragg散射占主導(dǎo)地位。文獻(xiàn)［6］通過計(jì)算k獲得艦船檢測(cè)閾值。雖然Rice因子決定了Rice分布，譬如峰值的位置，但在廣闊海面上對(duì)呈現(xiàn)較亮特征的艦船目標(biāo)，其像素值主要分布于海雜波概率模型的長拖尾中，因此艦船目標(biāo)對(duì)概率模型的形狀影響較小，所以算法中僅依靠Rice因子獲得的艦船檢測(cè)結(jié)果會(huì)受很多因素干擾，特別是在船海對(duì)比度較低情況下。因此，本文提出了基于Rice分布的CFAR艦船檢測(cè)算法。

通過計(jì)算待檢測(cè)圖像，基于最大似然方法可快速求得參數(shù)θ［11］，公式為：

其中，Iα（·）為修正的α階第一類貝塞爾函數(shù)；xi

為第i像素的幅度值；N為像素個(gè)數(shù)。

1.3 基于Rice分布CFAR算法

SAR圖像通常能獲取較大范圍海面情況，不斷變換的入射角、風(fēng)速及海況等條件會(huì)使得海面后向散射不斷變換，但在較小區(qū)域內(nèi)這些影響因子造成的不均勻性可忽略。因此先將原始圖像分割成局部子區(qū)域，具體大小根據(jù)像素空間大小和海況決定，本文為300×300像素點(diǎn)。

算法步驟如下：

（1）對(duì)原始感興趣的幅度圖像進(jìn)行局部Rice分布建模。計(jì)算（6）式，獲取閾值IT。

虛警率Pfa經(jīng)驗(yàn)范圍為10－2～10－6，為獲得較好檢測(cè)效果，通常需要設(shè)定不同虛警率進(jìn)行效果比對(duì)。

（2）遍歷待檢測(cè)圖像的局部區(qū)域，判斷每點(diǎn)像素值與IT，如果大于分割閾值IT，則為艦船目標(biāo)；小于閾值則為非艦船目標(biāo)。

2 算法實(shí)驗(yàn)

2.1 實(shí)驗(yàn)數(shù)據(jù)

實(shí)驗(yàn)選取一景高海況星載圖像和一景SLC星載圖像。實(shí)驗(yàn)范圍為青島港和日照港港口內(nèi)外錨地，如圖1所示。港口停靠船只較多，且短時(shí)間內(nèi)可視為靜止，便于艦船目標(biāo)檢測(cè)效果分析。

圖1 實(shí)驗(yàn)數(shù)據(jù)范圍

圖1中正方形區(qū)域?yàn)橐痪癊NVISAT ASAR數(shù)據(jù)，2007年7月27日02：06：34（UTC），Image獲取模式，30m分辨率，VV極化，中國青島，實(shí)驗(yàn)區(qū)域1的像素點(diǎn)大小為197×178；長方形區(qū)域?yàn)橐痪?TerraSAR－X，2011年9月21日22：10：17（UTC），獲取模式Stripmap SLC，3m分辨率，HH極化，中國日照，實(shí)驗(yàn)區(qū)域2的像素點(diǎn)大小為860×1 488。

為分析Rice分布對(duì)高海況條件下的建模能力，這里根據(jù)ERA Interim再分析數(shù)據(jù)（歐洲天氣預(yù)報(bào)中心提供的以數(shù)值海浪預(yù)報(bào)模式結(jié)果為主、輔以衛(wèi)星測(cè)量結(jié)果和現(xiàn)場觀測(cè)結(jié)果的一種融合數(shù)據(jù)集），獲取實(shí)驗(yàn)區(qū)域1的ENVISAT ASAR圖像的當(dāng)時(shí)海域有效波浪高度為2.91m，海況等級(jí)高于5級(jí)，通常情況下有效波高與海況成正比關(guān)系，因此實(shí)驗(yàn)區(qū)域1可視為高海況觀測(cè)區(qū)域。

通常SAR影像是基于反射物體的后向散射特性的，視覺觀測(cè)的噪聲大小不僅與SAR圖像固有相干斑有關(guān)，還與SAR系統(tǒng)不同狀態(tài)下獲取的后向散射特性有關(guān)，如雷達(dá)波長、極化方式、入射角等。由于實(shí)驗(yàn)所選的SAR影像均為海況對(duì)視覺噪聲影響占主導(dǎo)地位，因此就本實(shí)驗(yàn)研究對(duì)象而言，所選的SAR圖像滿足需求。

為驗(yàn)證檢測(cè)結(jié)果的可靠性，實(shí)驗(yàn)中利用了與星載SAR數(shù)據(jù)獲取時(shí)間一致的實(shí)測(cè)全球定位系統(tǒng)（Global Positioning System，GPS）信息數(shù)據(jù)和自動(dòng)識(shí)別系統(tǒng)（Automatic Identification System，AIS）信息數(shù)據(jù)。

2.2 海雜波建模

CFAR算法最主要的問題在于如何獲得與真實(shí)海雜波分布擬合程度高的概率模型。因此這里給出Rice分布對(duì)SAR數(shù)據(jù)直方圖擬合程度，并與常用Gamma分布、對(duì)數(shù)正態(tài)分布和K分布做對(duì)比分析，如圖2所示。

圖2 SAR數(shù)據(jù)的各種分布與直方圖擬合情況

從圖2可以看出，在峰值和長拖尾處，Rice分布小幅度偏下，而其他傳統(tǒng)分布偏差較大，因此從概率密度擬合情況來看，Rice分布對(duì)海雜波有更好的擬合表現(xiàn)。為準(zhǔn)確分析Rice分布與真實(shí)SAR數(shù)據(jù)擬合程度，這里利用均方誤差公式［13］來計(jì)算概率分布與海雜波擬合值，結(jié)果見表1所列。

表1 概率分布與實(shí)際分布均方誤差 10－4

從表1可知，Rice分布與真實(shí)直方圖距離差平方均小于其他3個(gè)分布，這說明Rice分布對(duì)SAR圖像有較好的擬合表現(xiàn)，這也與Rice分布電磁模型特性分析一致。

2．客戶平臺(tái)。在面向未來時(shí)，我們首先需要預(yù)知可能的威脅，也就是我們最大的競爭對(duì)手是誰？我們真正的競爭對(duì)手不是所謂的面授班，真正的競爭對(duì)手到現(xiàn)在真的是變成了抖音、快手，客戶每天花多長時(shí)間在快手、抖音上面？又會(huì)有多長時(shí)間花在“管院在線”上？面臨這種現(xiàn)狀，我們的在線學(xué)習(xí)平臺(tái)該怎么搞？在市場競爭中，超越對(duì)手的是質(zhì)量服務(wù)。我們要繼續(xù)堅(jiān)持產(chǎn)品定位的高端路線，堅(jiān)持課件系統(tǒng)化、專業(yè)化，堅(jiān)持精益管理、服務(wù)至上等理念，以一流的產(chǎn)品、服務(wù)引領(lǐng)市場，超越對(duì)手。

2.3 艦船目標(biāo)檢測(cè)與結(jié)果分析

CFAR檢測(cè)算法期望在較低虛警率條件下獲得較高的檢測(cè)率，實(shí)驗(yàn)中對(duì)相同區(qū)域均選擇同一虛警率。實(shí)驗(yàn)圖像如圖3所示。

文獻(xiàn)［14］在圖3a海域開展了艦船目標(biāo)探測(cè)實(shí)地實(shí)驗(yàn)研究，獲取與SAR影像同步的GPS信息表明，圖3a區(qū)域有7艘艦船，如圖中矩形框所示，但由于海況較高，船海對(duì)比度較低，艦船目標(biāo)幾乎全部淹沒在背景海雜波中，特別是目標(biāo)1、2，甚至肉眼難以識(shí)別。

圖3b為2011年9月21日日照港海域AIS數(shù)據(jù)，該區(qū)域共有7艘艦船目標(biāo)，其中5艘為弱小艦船目標(biāo)，如圖中編號(hào)1～5，均有較為明顯的尾跡特征。

4種分布模型CFAR算法檢測(cè)對(duì)比如圖4、圖5所示，檢測(cè)結(jié)果中矩形框?yàn)檎_檢測(cè)，三角形框?yàn)槁z。

圖3 實(shí)驗(yàn)圖像

圖4 不同分布模型ENVISAT ASAR圖像CFAR算法檢測(cè)結(jié)果

圖5 不同分布模型TerraSAR－X圖像CFAR算法檢測(cè)結(jié)果

實(shí)驗(yàn)中機(jī)器運(yùn)行環(huán)境采用Intel Core i3 2.53GHz處理器，4.0G內(nèi)存，Windows7操作系統(tǒng)。算法程序運(yùn)行平臺(tái)為Matlab 2010b版本。

從圖4、圖5檢測(cè)結(jié)果可見，對(duì)于ENVISAR ASAR高海況SAR圖像，傳統(tǒng)概率模型CFAR算法均出現(xiàn)目標(biāo)遺漏，而Rice分布CFAR算法成功檢測(cè)出所有艦船目標(biāo)；對(duì)于TerraSAR－X SLC圖像，傳統(tǒng)分布和Rice分布CFAR算法對(duì)弱小艦船目標(biāo)雖都出現(xiàn)遺漏，但Rice分布CFAR算法檢測(cè)率高，只出現(xiàn)1艘艦船漏檢。這說明Rice概率分布能更好地?cái)M合海雜波分布，對(duì)SAR原始信息電磁回波有更好的解譯，這也符合圖2Rice分布與概率模型擬合情況。

表2 算法性能對(duì)比

3 結(jié)束語

面對(duì)日益增長的更加復(fù)雜的實(shí)際海洋艦船監(jiān)測(cè)需求，本文從SAR圖像電磁回波基本原理出發(fā)，提出了基于圖像層面的Rice分布CFAR檢測(cè)算法。實(shí)驗(yàn)表明Rice分布概率模型與船海對(duì)比度較小的SAR圖像海雜波擬合度較好；檢測(cè)結(jié)果表明Rice分布CFAR艦船檢測(cè)方法不僅獲得了較高檢測(cè)率，同時(shí)可滿足一定的實(shí)時(shí)性要求。

本文算法在理論上和實(shí)驗(yàn)中均獲得較為理想的結(jié)果，但由于實(shí)驗(yàn)數(shù)據(jù)有限，針對(duì)不同分辨率、極化方式及波段下的SAR數(shù)據(jù)未做詳細(xì)研究，因此有待開展更多更深入的研究。

［1］ Crisp D J.The state－of－the－art in ship detection in synthetic aperture radar imagery［R］.Adelaide，Australia：Defence Science and Technology Organisation，2004.

［2］ Eldhuset K.An automatic ship and ship wake detection system for spaceborne SAR images in coastal regions［J］.IEEE Transactions on Geoscience and Remote Sensing，1996，34（4）：1010－1019.

［3］ 夏 勇，段玲琳，張?jiān)隼^，等.基于CPCI總線的SAR任務(wù)管理系統(tǒng)設(shè)計(jì)［J］.合肥工業(yè)大學(xué)學(xué)報(bào)：自然科學(xué)版，2014，37（2）：180－182.

［4］ 元亞菲，鄧喀中，雷少剛，等.時(shí)序DInSAR技術(shù)提取下沉盆地的角量值［J］.合肥工業(yè)大學(xué)學(xué)報(bào)：自然科學(xué)版，2014，37（8）：992－995.

［5］ Margarit G，Mallorqui J J，F(xiàn)ortuny－Guasch J，et al.Exploitation of ship scattering in polarimetric SAR for an improved classification under high clutter conditions［J］.IEEE Transactions on Geoscience and Remote Sensing，2009，47（4）：1224－1235.

［6］ Migliaccio M，Nunziata F，Montuori A，et al.Single－look complex COSMO－SkyMed SAR data to observe metallic targets at sea［J］.IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing，2012，5（3）：893－901.

［7］ Liao M，Wang C，Wang Y，et al.Using SAR images to detect ships from sea clutter［J］.IEEE Geoscience and Remote Sensing Letters，2008，5（2）：194－198.

［8］ Qin X，Zhou S，Zou H，et al.A CFAR detection algorithm for generalized gamma distributed background in high－resolution SAR images［J］.IEEE Geoscience and Remote Sensing Letters，2013，10（4）：806－810.

［9］ Watts S.Radar detection prediction in K－distributed sea clutter and thermal noise［J］.IEEE Transactions on Aerospace and Electronic Systems，1987（1）：40－45.

［10］ Ai J，Qi X，Yu W，et al.A new CFAR ship detection algorithm based on 2－D joint log－normal distribution in SAR images［J］.IEEE Geoscience and Remote Sensing Letters，2010，7（4）：806－810.

［11］ 陳利民，孟俊敏，楊學(xué)志，等.基于 H－CFAR的SAR圖像快速艦船目標(biāo)檢測(cè)［J］.合肥工業(yè)大學(xué)學(xué)報(bào)：自然科學(xué)版，2012，35（12）：1633－1636，1643.

［12］ Carobbi C F M，Cati M.The absolute maximum of the likelihood function of the rice distribution：existence and uniqueness［J］.IEEE Transactions on Instrumentation and Measurement，2008，57（4）：682－689.

［13］ Harvey D，Leybourne S，Newbold P.Testing the equality of prediction mean squared errors［J］.International Journal of Forecasting，1997，13（2）：281－291.

［14］ 張 晰.星載SAR艦船目標(biāo)探測(cè)實(shí)驗(yàn)研究［D］.青島：中國海洋大學(xué)，2007.