利用香農(nóng)熵的雙極化合成孔徑雷達(dá)船只檢測(cè)

龍夢(mèng)啟，楊學(xué)志，孟俊敏，劉根旺，張晰，董張玉

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

利用香農(nóng)熵的雙極化合成孔徑雷達(dá)船只檢測(cè)

龍夢(mèng)啟1，2，楊學(xué)志1，孟俊敏2，劉根旺2，張晰2，董張玉1

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

針對(duì)傳統(tǒng)恒虛警率(CFAR)船只目標(biāo)檢測(cè)方法存在虛警率設(shè)置困難、算法自動(dòng)性差的問(wèn)題，該文結(jié)合香農(nóng)熵特征對(duì)于船只目標(biāo)和海面表現(xiàn)出不同特性的原理，即船只目標(biāo)的香農(nóng)熵為正值，海面的香農(nóng)熵為負(fù)值，提出了一種基于香農(nóng)熵的船只目標(biāo)檢測(cè)方法。文中利用8景C波段Radarsat-2雙極化SAR數(shù)據(jù)進(jìn)行檢驗(yàn)，與K-CFAR、G0-CFAR及基于反射對(duì)稱性的XC船只目標(biāo)檢測(cè)算法進(jìn)行對(duì)比分析，結(jié)果表明本文提出的方法具有較好的檢測(cè)性能。

雙極化；合成孔徑雷達(dá)；香農(nóng)熵；船只目標(biāo)；目標(biāo)檢測(cè)

0 引 言

合成孔徑雷達(dá)(SAR)具有全天時(shí)、全天候成像等諸多優(yōu)勢(shì)，已廣泛應(yīng)用于海上交通運(yùn)輸、海上貿(mào)易、海岸和漁業(yè)監(jiān)測(cè)、船舶污染、溢油檢測(cè)和海上執(zhí)法等領(lǐng)域。SAR圖像船只目標(biāo)檢測(cè)已經(jīng)成為海洋領(lǐng)域研究的重要內(nèi)容之一[1-2]。

隨著極化SAR技術(shù)的發(fā)展，SAR船只目標(biāo)檢測(cè)方法由傳統(tǒng)的單極化檢測(cè)發(fā)展到極化SAR檢測(cè)。由于極化SAR數(shù)據(jù)能夠提供更加完整的信息描述目標(biāo)的散射特性，因此利用極化SAR圖像開(kāi)展船只目標(biāo)檢測(cè)具有更大優(yōu)勢(shì)，能夠提高船只目標(biāo)的檢測(cè)性能[3-5]。特別地，雙極化數(shù)據(jù)能夠提供兩倍于全極化的測(cè)繪寬度，更適于開(kāi)展業(yè)務(wù)化應(yīng)用，因此具有廣泛的應(yīng)用前景。

傳統(tǒng)的船只目標(biāo)檢測(cè)方法主要是基于單極化SAR數(shù)據(jù)的恒虛警率(CFAR)方法[6]。CFAR方法的關(guān)鍵在于兩方面：①建立SAR統(tǒng)計(jì)分布模型，常見(jiàn)的分布模型有K分布、瑞利分布、對(duì)數(shù)正態(tài)分布、G0分布、伽馬分布、廣義伽馬分布和Alpha穩(wěn)態(tài)分布等[7-10]，一般通過(guò)直方圖擬合的方法選擇合適的分布模型；②設(shè)置虛警概率，當(dāng)前虛警概率并沒(méi)有統(tǒng)一的設(shè)置標(biāo)準(zhǔn)，主要是根據(jù)經(jīng)驗(yàn)進(jìn)行設(shè)置，當(dāng)虛警概率設(shè)置較大時(shí)，結(jié)果將會(huì)出現(xiàn)較多虛警目標(biāo)，當(dāng)虛警概率設(shè)置較小時(shí)，結(jié)果將會(huì)出現(xiàn)部分漏檢目標(biāo)。由此可見(jiàn)，基于CFAR的船只目標(biāo)檢測(cè)算法存在較多的人工干預(yù)而降低了算法的自動(dòng)性。

研究表明通過(guò)選取合適的極化參數(shù)，利用簡(jiǎn)單的閾值分割方法檢測(cè)海面上的船只目標(biāo)，能夠有效地解決傳統(tǒng)CFAR算法自動(dòng)性差、計(jì)算量大的問(wèn)題。文獻(xiàn)[11-12]通過(guò)分析船只等海上目標(biāo)與海面的反射對(duì)稱性，得出海面的同極化與交叉極化通道的散射幅度之間相關(guān)性的模(XC)近似為0，而船只等海上金屬目標(biāo)的XC大于0，基于該原理提出利用XC的閾值分割實(shí)現(xiàn)船只目標(biāo)檢測(cè)。然而該方法未能充分利用極化信息，在檢測(cè)結(jié)果上可能出現(xiàn)虛警或漏檢。

基于以上分析，針對(duì)當(dāng)前船只目標(biāo)檢測(cè)方法的不足，本文通過(guò)分析雙極化香農(nóng)熵特征[13]在船只與海面上表現(xiàn)的不同性質(zhì)，利用大量實(shí)驗(yàn)證實(shí)了船只目標(biāo)的香農(nóng)熵明顯都為正值，海面的香農(nóng)熵明顯都為負(fù)值，并基于香農(nóng)熵特征的閾值分割，提出了一種基于香農(nóng)熵的雙極化SAR船只目標(biāo)檢測(cè)方法。由于極化香農(nóng)熵特征利用了全部極化通道信息，相比XC特征具有較豐富的極化信息，因此本文提出的方法具有提高檢測(cè)性能的優(yōu)勢(shì)。文中分別利用本文算法、XC算法和傳統(tǒng)CFAR算法對(duì)Radarsat-2雙極化SAR數(shù)據(jù)進(jìn)行測(cè)試，通過(guò)船舶自動(dòng)識(shí)別系統(tǒng)(Automatic Identification System，AIS)報(bào)告提供的地面實(shí)況信息對(duì)船只目標(biāo)的檢測(cè)結(jié)果進(jìn)行驗(yàn)證。

1 雙極化SAR數(shù)據(jù)的香農(nóng)熵

1.1 香農(nóng)熵定義

根據(jù)極化SAR相關(guān)理論，全極化SAR圖像中每一個(gè)像素的三維極化復(fù)矢量k服從均值為0的三維圓形高斯過(guò)程[13-14]：

(1)

(2)

(3)

在雙極化條件下，極化相干矩陣將退化為2×2的厄爾米特半正定矩陣T2，其特征值與特征向量的個(gè)數(shù)分別為2。由于極化相干矩陣可相似對(duì)角化為極化協(xié)方差矩陣C2，則香農(nóng)熵SE的表達(dá)式退化為：

(4)

1.2 香農(nóng)熵對(duì)船/海響應(yīng)的分析

由香農(nóng)熵的表達(dá)式(見(jiàn)式(3)、式(4))可知，香農(nóng)熵只與平均極化協(xié)方差矩陣(相干矩陣)的行列式有關(guān)，而與其他參數(shù)無(wú)關(guān)。由于極化協(xié)方差矩陣的行列式是利用各極化通道得到的，因此香農(nóng)熵特征包含較豐富的極化信息。由極化散射理論可知，船只目標(biāo)為強(qiáng)散射目標(biāo)，其極化協(xié)方差矩陣(相干矩陣)的值較大，海面為弱散射目標(biāo)，其極化協(xié)方差矩陣(相干矩陣)的值較小?？梢缘贸觯捍荒繕?biāo)的平均極化協(xié)方差矩陣的行列式要遠(yuǎn)大于海面的。那么，通過(guò)平均極化協(xié)方差矩陣(相干矩陣)的行列式乘以適當(dāng)?shù)膮?shù)(πe)p(雙極化下p=2，全極化下p=3(滿足互易性條件))再取log對(duì)數(shù)構(gòu)造極化香農(nóng)熵特征，能夠有效地實(shí)現(xiàn)船海目標(biāo)的分離。下面利用真實(shí)的SAR數(shù)據(jù)分析香農(nóng)熵特征對(duì)船海的響應(yīng)特性。

圖1 實(shí)驗(yàn)數(shù)據(jù)成像時(shí)間和覆蓋范圍

本文采用8景Radarsat-2 Standard模式，標(biāo)稱分辨率25m，雙極化(VV-VH)單視復(fù)(SLC)數(shù)據(jù)作為實(shí)驗(yàn)測(cè)試數(shù)據(jù)，圖1分別給出了實(shí)驗(yàn)數(shù)據(jù)的成像時(shí)間(北京)及影像覆蓋范圍，按照成像時(shí)間的順序影像依次記為IMG-1，2，…，8。利用AIS船只位置信息，分別在8景影像中提取15～20對(duì)感興趣區(qū)域(ROI)樣本(其中，由于IMG-6影像覆蓋范圍內(nèi)的船只目標(biāo)較少，因而只提取到15對(duì)ROI樣本，其余影像則都提取了20對(duì)樣本)，共計(jì)155對(duì)ROI樣本，每對(duì)樣本分別包含一個(gè)船只目標(biāo)樣本和一個(gè)船只周?chē)暮Ｃ鏄颖尽?/p>

圖2 船只樣本和海面樣本的香農(nóng)熵均值

為分析香農(nóng)熵特征在船只與海面上表現(xiàn)的不同特性，本文分別統(tǒng)計(jì)155對(duì)ROI樣本，得到每對(duì)船只樣本和海面樣本的香農(nóng)熵均值。圖2為全部155對(duì)ROI樣本的船只樣本均值和海面樣本均值。圖中相同顏色和標(biāo)記的線表示從同一景影像中提取的樣本，不同顏色標(biāo)記的實(shí)線分別表示8景影像的船只樣本香農(nóng)熵均值，虛線表示與船只樣本匹配的海面樣本香農(nóng)熵均值。

本文利用船只目標(biāo)與海面的香農(nóng)熵特征的統(tǒng)計(jì)均值分析香農(nóng)熵特征在船只與海面上表現(xiàn)的不同特性。由于統(tǒng)計(jì)均值結(jié)合了船只目標(biāo)香農(nóng)熵特征的統(tǒng)計(jì)峰值和統(tǒng)計(jì)最小值以及與海面的香農(nóng)熵特征統(tǒng)計(jì)峰值的優(yōu)勢(shì)和特點(diǎn)，在融合統(tǒng)計(jì)峰值的基礎(chǔ)上相比統(tǒng)計(jì)峰值更具有普遍適用性，同時(shí)克服了統(tǒng)計(jì)峰值帶來(lái)的偶然性因素。

根據(jù)圖2的結(jié)果可以得出以下結(jié)論：香農(nóng)熵特征在船只與海面上顯示出不同的特性，主要表現(xiàn)在船只目標(biāo)的香農(nóng)熵特征的統(tǒng)計(jì)均值明顯為正值，而海面的香農(nóng)熵特征的統(tǒng)計(jì)均值為負(fù)值。

圖3 典型SAR圖像(截取IMG-5影像的區(qū)域，中心入射角為34.4°)

圖3(a)為一個(gè)包含3艘船只目標(biāo)的典型SAR場(chǎng)景，圖3(b)為該場(chǎng)景的VV幅度的三維立體圖，圖3(c)為平均極化協(xié)方差矩陣行列式的三維立體圖。比較圖3(b)和圖3(c)可以發(fā)現(xiàn)，協(xié)方差矩陣的行列式能夠明顯提高船海對(duì)比度。圖3(d)為香農(nóng)熵特征的三維立體圖。可見(jiàn)，船只目標(biāo)的香農(nóng)熵為正值，海面的香農(nóng)熵為負(fù)值。

綜上所述，可以通過(guò)選取合適的閾值，利用閾值分割的方法實(shí)現(xiàn)船只目標(biāo)檢測(cè)。

2 基于香農(nóng)熵的船只目標(biāo)檢測(cè)算法

2.1 算法流程

本文提出了一種基于香農(nóng)熵特征的雙極化SAR船只目標(biāo)檢測(cè)算法。首先利用雙極化SAR數(shù)據(jù)提取極化散射矩陣S，然后采用N×N滑動(dòng)窗口計(jì)算平均極化協(xié)方差矩陣C，根據(jù)式(3)或式(4)計(jì)算香農(nóng)熵SE；最后，根據(jù)給定的閾值Th，當(dāng)式SE≥Th時(shí)，目標(biāo)為船只，否則目標(biāo)為海面。算法檢測(cè)流程如圖4所示。從算法流程可以看出，算法的檢測(cè)時(shí)間主要取決于由原始數(shù)據(jù)計(jì)算香農(nóng)熵的過(guò)程。該算法使用了兩個(gè)參數(shù)：N和Th，下面詳細(xì)介紹其含義與取值情況。

圖4 基于香農(nóng)熵的船只目標(biāo)檢測(cè)算法流程示意圖

2.2 參數(shù)選擇分析

本文算法需要引入兩個(gè)參數(shù)：滑動(dòng)窗口N和檢測(cè)閾值Th。N表示計(jì)算平均極化協(xié)方差矩陣時(shí)設(shè)置的統(tǒng)計(jì)平均窗口大小。顯然，N越大，統(tǒng)計(jì)窗口中的像元越多，這樣可以降低斑點(diǎn)噪聲，但算法檢測(cè)時(shí)間也將增加，圖像的空間分辨率也將降低，可能導(dǎo)致檢測(cè)結(jié)果中出現(xiàn)漏檢目標(biāo)，同時(shí)使船只目標(biāo)的邊緣輪廓變得模糊。Th表示分割船只目標(biāo)與海面的閾值。根據(jù)第二節(jié)的分析可知，Th越小，漏檢目標(biāo)越少，但可能出現(xiàn)虛警目標(biāo)。

本文利用34個(gè)船只樣本(包含周?chē)Ｃ?作為實(shí)驗(yàn)數(shù)據(jù)，通過(guò)控制其中一個(gè)參數(shù)改變另一個(gè)參數(shù)的方式，分析參數(shù)N和Th對(duì)檢測(cè)性能的影響。為有效評(píng)價(jià)算法檢測(cè)性能，這里使用品質(zhì)因數(shù)FOM進(jìn)行定量分析[3]：

(5)

其中，Ntt為正確檢測(cè)到的船只目標(biāo)，Nfa為虛警目標(biāo)，Ngt為實(shí)際的船只目標(biāo)。因此，F(xiàn)OM越大則表示檢測(cè)性能越好。

上一節(jié)分析了船只目標(biāo)與海面的香農(nóng)熵特征的統(tǒng)計(jì)均值，已經(jīng)得到船只目標(biāo)與海面的香農(nóng)熵特征統(tǒng)計(jì)均值在0值的附近，則在參數(shù)閾值Th的選擇中，結(jié)合香農(nóng)熵特征的統(tǒng)計(jì)峰值，只需測(cè)試Th在[-4，3]范圍內(nèi)的檢測(cè)效果。其中3可認(rèn)為是船只目標(biāo)香農(nóng)熵特征的峰值統(tǒng)計(jì)平均，-4可認(rèn)為是海面香農(nóng)熵特征的峰值統(tǒng)計(jì)平均。這樣既能夠兼容到船只目標(biāo)的香農(nóng)熵特征統(tǒng)計(jì)峰值，又能夠兼容到海面的香農(nóng)熵特征統(tǒng)計(jì)峰值，通過(guò)反復(fù)實(shí)驗(yàn)，得到一個(gè)較為合理的閾值參數(shù)選擇建議。

圖5 不同參數(shù)N和Th下的檢測(cè)性能曲線圖

檢測(cè)閾值Th(N=3時(shí))漏檢目標(biāo)虛警目標(biāo)正確檢測(cè)FOM-4026340.567-304340.895-201340.971-100341.000000341.000120320.941280260.7653150190.588

圖5為利用不同參數(shù)N和Th分別對(duì)34個(gè)船只樣本進(jìn)行船只目標(biāo)檢測(cè)的檢測(cè)性能曲線圖，橫坐標(biāo)表示Th(Th∈[-4，3])，縱坐標(biāo)表示FOM(FOM∈[0，1])。圖中4種顏色的曲線分別表示N=3，5，7，9條件下FOM隨Th的變化情況。從圖5可以看出，當(dāng)Th取[-4，-2]范圍時(shí)，隨著N的增大，F(xiàn)OM逐漸升高；當(dāng)Th取[-1，3]范圍時(shí)，隨著N增大，F(xiàn)OM逐漸降低。產(chǎn)生這種現(xiàn)象的原因是，當(dāng)Th大于-1時(shí)，結(jié)果中虛警目標(biāo)較少，漏檢目標(biāo)較多，當(dāng)Th小于-1時(shí)，結(jié)果中虛警較多，漏檢較少(如表1所示，虛警和漏檢分別出現(xiàn)在Th=-1的兩側(cè))?？梢?jiàn)當(dāng)Th取[-1，0]范圍內(nèi)時(shí)，F(xiàn)OM保持較好。綜合滑動(dòng)窗口N和檢測(cè)閾值Th對(duì)檢測(cè)性能的影響，本文建議參數(shù)設(shè)置為N=3，Th=-1。

2.3 檢測(cè)結(jié)果及評(píng)價(jià)

為了進(jìn)行算法對(duì)比分析，本文采用的實(shí)驗(yàn)數(shù)據(jù)源為IMG-3和IMG-4，從這兩景影像中提取兩個(gè)子區(qū)域，分別為1#區(qū)域418像素×403像素，等效視數(shù)[15](ENL)為0.1683；2#區(qū)域436像素×564像素，等效視數(shù)為0.5089(如圖6(a)和圖7(a)所示)。根據(jù)AIS報(bào)告和目視解譯的綜合分析結(jié)果，1#區(qū)域具有18艘船只目標(biāo)，2#區(qū)域有23艘船只目標(biāo)。

本文分別利用K分布CFAR、G0分布CFAR和XC算法與本文算法進(jìn)行算法對(duì)比，其中兩種CFAR算法用于檢測(cè)VV強(qiáng)度圖。根據(jù)參數(shù)分析結(jié)果，本文參數(shù)為設(shè)置為N=3，Th=-1，兩種CFAR算法的虛警率都是經(jīng)過(guò)多次測(cè)試最優(yōu)參數(shù)，XC算法則采用文獻(xiàn)[11-12]建議的參數(shù)。檢測(cè)結(jié)果如圖6和圖7所示，其中1表示海面，0表示船只，三角形△表示虛警目標(biāo)。表2和表3分別為圖6和圖7實(shí)驗(yàn)區(qū)域的4種算法的檢測(cè)結(jié)果及檢測(cè)時(shí)間。

從檢測(cè)精度上看，1#區(qū)域的4種算法都全部檢測(cè)出18艘船只目標(biāo)，沒(méi)有出現(xiàn)虛警，如圖6(b)、圖6(c)、圖6(e)、圖6(f)所示。因此這4種算法的FOM都等于1.00(表2)。2#區(qū)域的檢測(cè)結(jié)果如圖7所示，4種算法都全部檢測(cè)出23艘船只目標(biāo)，但2種CFAR算法都出現(xiàn)5個(gè)虛警目標(biāo)(如圖7(b)、圖7(c)所示)(通常CFAR算法在允許的條件下虛警率一般設(shè)置的較高，因此CFAR檢測(cè)結(jié)果中沒(méi)有出現(xiàn)漏檢)，XC算法也出現(xiàn)2個(gè)虛警目標(biāo)(圖7(f))。只有本文算法的FOM等于1，其余算法FOM都小于1(表3)，因此，本文算法在檢測(cè)精度上要優(yōu)于其他檢測(cè)算法。

從檢測(cè)效率上看，傳統(tǒng)CFAR算法檢測(cè)時(shí)間明顯高于本文算法和XC算法，本文算法與XC算法的檢測(cè)時(shí)間幾乎相等(見(jiàn)表2和表3檢測(cè)時(shí)間列)。從算法計(jì)算量也可得出類似結(jié)論，通常CFAR算法需要進(jìn)行參數(shù)估計(jì)，在給定虛警率時(shí)需要計(jì)算檢測(cè)閾值，這大大增加算法的計(jì)算量，因此CFAR算法檢測(cè)時(shí)間較高。由圖4可知，本文算法計(jì)算量主要集中在利用極化復(fù)數(shù)據(jù)計(jì)算香農(nóng)熵的過(guò)程中，因此計(jì)算量較低，檢測(cè)時(shí)間低于CFAR算法。

由以上實(shí)驗(yàn)結(jié)果可以得出，本文基于香農(nóng)熵的船只目標(biāo)檢測(cè)算法在檢測(cè)精度和檢測(cè)效率上分別優(yōu)于傳統(tǒng)CFAR檢測(cè)算法和XC算法，表現(xiàn)出較好的檢測(cè)性能。尤其在噪聲較高的環(huán)境下(等效視數(shù)小于1)，本文算法依然能夠保持較高的檢測(cè)效率和精度。

圖6 1#區(qū)域(ENL=0.1683)的檢測(cè)結(jié)果對(duì)比

圖7 2#區(qū)域(ENL=0.5089)的檢測(cè)結(jié)果對(duì)比

檢測(cè)算法漏檢目標(biāo)虛警目標(biāo)正確檢測(cè)FOM檢測(cè)時(shí)間/sK-CFAR00181.0054.29G0-CFAR00181.0072.25XC算法00181.003.50本文算法00181.003.52

表3 圖7實(shí)驗(yàn)結(jié)果

表4匯總了分別從本文全部8景影像中提取的船只目標(biāo)區(qū)域的檢測(cè)結(jié)果，全部區(qū)域共包含100個(gè)目標(biāo)，本文基于香農(nóng)熵的船只目標(biāo)檢測(cè)算法正確檢測(cè)出99個(gè)目標(biāo)，沒(méi)有虛警存在，基于XC的船只目標(biāo)檢測(cè)算法正確檢測(cè)出99個(gè)目標(biāo)，出現(xiàn)2個(gè)虛警目標(biāo)。表4分別給出了每個(gè)區(qū)域的本文算法和XC算法的檢測(cè)結(jié)果及時(shí)間。從表中可以看出，兩種算法的檢測(cè)時(shí)間幾乎相等，檢測(cè)的品質(zhì)因數(shù)也幾乎相等。但在某些情況下(如圖7的IMG-4檢測(cè)結(jié)果)，XC算法的檢測(cè)精度要低于本文算法。

表4 8景影像的提取區(qū)域的檢測(cè)結(jié)果

3 結(jié)束語(yǔ)

本文針對(duì)C波段Radarsat-2雙極化SAR數(shù)據(jù)，提出了一種基于極化香農(nóng)熵特征的船只目標(biāo)檢測(cè)方法。該方法有效克服了傳統(tǒng)CFAR方法因虛警率設(shè)置產(chǎn)生的算法自動(dòng)性差的缺點(diǎn)。文中利用8景SAR數(shù)據(jù)進(jìn)行測(cè)試，結(jié)果表明本文算法具有較好的檢測(cè)性能。得到的主要結(jié)論如下：極化香農(nóng)熵特征的特性表現(xiàn)為：船只目標(biāo)的香農(nóng)熵為正值，海面的香農(nóng)熵為負(fù)值，利用簡(jiǎn)單的閾值分割，可以實(shí)現(xiàn)船海目標(biāo)的分離；通過(guò)分析算法參數(shù)對(duì)檢測(cè)結(jié)果的影響，根據(jù)參數(shù)選擇的依據(jù)，建議參數(shù)設(shè)置為滑動(dòng)窗口N=3，檢測(cè)閾值Th=-1；本文算法在高噪聲條件下也表現(xiàn)出較好的檢測(cè)性能，當(dāng)?shù)刃б晹?shù)小于1時(shí)，F(xiàn)OM優(yōu)于0.93；相比最優(yōu)XC特征，香農(nóng)熵特征利用了更豐富的極化信息，本文算法的檢測(cè)結(jié)果優(yōu)于XC算法。

本文算法測(cè)試的數(shù)據(jù)為中等分辨率的C波段Radarsat-2雙極化數(shù)據(jù)，對(duì)于其他波段和全極化數(shù)據(jù)的應(yīng)用，尤其是在更高分辨率的情況下(船只由點(diǎn)目標(biāo)變成面目標(biāo))，算法的適用性還需研究。文中主要研究算法在高噪聲條件下的應(yīng)用，今后還可以進(jìn)一步分析算法在高海況條件下應(yīng)用。

[1] VACHON P W，THOMAS S J，CRANTON J，et al.Validation of ship detection by the RADARSAT syntheticaperture radar and the ocean monitoring workstation[J].Canadian Journal of Remote Sensing，2000，26(3)：200-212.

[2] WACKERMAN C C，F(xiàn)RIEDMAN K S，PICHEL W G，et al.Automatic detection of ships in RADARSAT-1 SAR imagery[J].Canadian Journal of Remote Sensing，2001，27(4)：371-378.

[3] ZHANG X，ZHANG J，MENG J M，et al.A novel polarimetric SAR ship detection filter[C].IET International Radar Conference，2013：266-270.

[4] CHEN J，CHEN Y，YANG J.Ship detection using polarization cross-entropy[J].Geoscience and Remote Sensing Letters，IEEE Transactions on，2009，6(4)：723-727.

[5] LIU C，VACHON P W，GELING GW.Improved ship detection with airborne polarimetric SAR data[J].Canadian Journal of Remote Sensing，2005，31(1)：122-131.

[6] 種勁松，朱敏慧.SAR圖像艦船及其尾跡檢測(cè)研究綜述[J].電子學(xué)報(bào)，2003，31(9)：1356-1360.

[7] XING X W，CHEN Z L，ZOU H X，et al.A fast algorithm based on two-stage CFAR for detecting ships in SAR images[C].IEEE 2nd Asian-Pacific Conference on Synthetic Aperture Radar，2009：506-509.

[8] WANG C，LIAO M，LI X.Ship detection in SAR image based on the alpha-stable distribution[J].Sensors，2008，8(8)：4948-4960.

[9] FRERY A C，MULLER H J，YANASSE C C F，et al.A model for extremely heterogeneous clutter[J].Geoscience and Remote Sensing，IEEE Transactions on，1997，35(3)：648-659.

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

[11] NUNZIATA F，MIGLIACCIO M，BROWN C E.Reflection symmetry for polarimetric observation of man-made metallic targets at sea[J].IEEE Journal of Oceanic Engineering，2012，37(3)：384-394.

[12] VELOTTO D，NUNZIATA F，MIGLIACCIO M，et al.Dual-polarimetricTerraSAR-X SAR data for target at sea observation[J].Geoscience and Remote Sensing Letters，IEEE Transactions on，2013，10(5)：1114-1118.

[13] RéFRéGIER P，MORIO J.Shannon entropy of partially polarized and partially coherent light with gaussian fluctuations[J].JOSA A，2006，23(12)：3036-3044.

[14] LEE J S，POTTIER E.Polarimetric radar imaging：from basics to applications[M].New York：CRC press，2009.

[15] 王雋，楊勁松，黃韋艮，等.多視處理對(duì)SAR船只探測(cè)的影響[J].遙感學(xué)報(bào)，2008，12(3)：399-404.

Dual-polarimetric SAR Data for Ship Detection Based on Shannon Entropy

LONG Meng-qi1，2，YANG Xue-zhi1，MENG Jun-min2，LIU Gen-wang2，ZHANG Xi2，DONG Zhang-yu1

(1.SchoolofComputerandInformation，HefeiUniversityofTechnology，Hefei230009；2.FirstInstituteofOceanography，StateOceanicAdministration，ShandongQingdao266061)

The traditional constant false alarm rate (CFAR) ship detection methods have poor automaticity，and it is difficult to set false alarm rate.According to the principle that shannon entropy shows different features for ship and sea，we present a new ship detection algorithm based on shannon entropy.To test the detection performance of the new method，eight scenes of C band Radarsat-2 dual-polarimetric SAR test data were used.The algorithm of K-CFAR，G0-CFAR and XC ship detection algorithm based on reflection symmetry were contrastively analyzed with the new method for ship detection.The experimental results demonstrate that the new method has preferable detection performance.

dual-polarimetric；synthetic aperture radar；shannon entropy；ship target；target detection

2014-09-01

2014-11-12

國(guó)家自然科學(xué)基金(61371154、41076120、61271381、61102154)；光電控制技術(shù)重點(diǎn)實(shí)驗(yàn)室和航空科學(xué)基金聯(lián)合資助項(xiàng)目(201301P4007)；中央高?；究蒲袠I(yè)務(wù)費(fèi)專項(xiàng)資金(2012HGCX0001)；海洋公益性項(xiàng)目科研專項(xiàng)(200905029)。

龍夢(mèng)啟(1990—)，男，在讀碩士研究生，研究方向?yàn)檫b感圖像目標(biāo)檢測(cè)。

E-mail：longmq1990@163.com

楊學(xué)志(1970—)，男，博士生導(dǎo)師，研究方向?yàn)檫b感圖像目標(biāo)檢測(cè)與解譯。

E-mail：xzyang@hfut.edu.cn

10.3969/j.issn.1000-3177.2015.05.002

TP751

A

1000-3177(2015)141-0014-06