SAR圖像艦船目標(biāo)快速檢測方法研究*

王智勇　竇　浩　田金文

(華中科技大學(xué)自動化學(xué)院多譜信息處理技術(shù)國防科技重點實驗室　武漢　430074)

?

SAR圖像艦船目標(biāo)快速檢測方法研究*

王智勇竇浩田金文

(華中科技大學(xué)自動化學(xué)院多譜信息處理技術(shù)國防科技重點實驗室武漢430074)

隨著SAR圖像分辨率的不斷提高，傳統(tǒng)CFAR檢測算法由于速率較慢，已經(jīng)不能滿足實際應(yīng)用的需求。針對高分率SAR圖像，提出了一種兩級艦船目標(biāo)快速檢測算法。第一級采用改進的最大熵雙閾值檢測算法將圖像分割為目標(biāo)、疑似目標(biāo)、背景三部分；第二級采用改進的雙參數(shù)CFAR檢測算法，在第一級結(jié)果基礎(chǔ)上進行自適應(yīng)二次檢測，最后得到艦船目標(biāo)。通過真實SAR圖像數(shù)據(jù)實驗表明，提出的算法具有良好的檢測性能，更符合實際高分辨率SAR圖像艦船目標(biāo)檢測的應(yīng)用需求。

合成孔徑雷達SAR;艦船檢測;CFAR;最大熵雙閾值檢測算法;快速算法

Class NumberTN957.52

1　引言

合成孔徑雷達(SAR)作為一種微波主動式傳感器，具有全天時、全天候?qū)Φ赜^測的能力，被廣泛應(yīng)用于海洋觀測、艦船監(jiān)控等方面。由于艦船自身的結(jié)構(gòu)特點和船體與海面之間形成的二面角反射，使得艦船成像有高于海面的信號反射強度[1]，檢測算法都是基于這一特點來實現(xiàn)的。常用的艦船檢測算法可以分為四種[2]：基于統(tǒng)計特征的艦船檢測(CFAR)；基于圖像處理的艦船檢測；基于模板的艦船檢測(SUMO系統(tǒng))[3]；基于多/全極化特征的艦船檢測。其中應(yīng)用最多的是基于統(tǒng)計模型的恒虛警率(CFAR)檢測算法[4]。

實際應(yīng)用中，要求對SAR圖像中的目標(biāo)實現(xiàn)快速檢測。傳統(tǒng)的CFAR檢測算法處理速率較慢，勉強能滿足中低分辨率的SAR圖像的要求。但隨著高分辨率SAR圖像應(yīng)用的普及，亟需對原始的檢測算法進行改進。本文提出了一種兩級艦船檢測算法，第一級采用改進的最大熵雙閾值檢測算法，第二級在其基礎(chǔ)上采用雙參數(shù)CFAR算法對疑似目標(biāo)區(qū)域進行二次檢測。由于CFAR算法對艦船尺寸敏感，滑動窗口大小的設(shè)置會嚴(yán)重影響到算法性能，實際應(yīng)用中常需要人為設(shè)置。本文算法在第二級檢測前，對第一級的檢測到的目標(biāo)像素進行聚類分析估算出艦船目標(biāo)的尺寸，自動設(shè)置第二級CFAR滑動窗口大小，提高了算法自適應(yīng)性。同時還剔除了滑動窗口背景窗中的強像素點，避免其對背景分布參數(shù)估計的影響，提高了算法的準(zhǔn)確性。最后通過實驗表明本文算法能快速準(zhǔn)確地從SAR圖像中檢測出艦船目標(biāo)。

2　艦船檢測算法

2.1改進的最大熵雙閾值檢測算法

最大熵雙閾值檢測算法是在種勁松[5]在KSW[6]最佳熵門限法基礎(chǔ)上提出的。算法原理是統(tǒng)計SAR圖像各灰度值出現(xiàn)概率，利用雙閾值將灰度值分為三部分，每部分熵值之和為總的熵值。使得總熵值最大的一組閾值即為所需閾值，其中較大者為目標(biāo)閾值，較小者為海洋背景閾值。

設(shè)閾值t1和t2將SAR圖像灰度值分為三部分(0

(1)

(2)

(3)

其中，pi為灰度值為i時的概率，P1，P2，P3為三部分所占概率。

總熵為

H(t1,t2)=H1+H2+H3

(4)

最佳閾值T1和T2為

(5)

由于算法最后檢測只用到了目標(biāo)閾值，為了充分利用數(shù)據(jù)，提高算法的可靠性，本文對其進行了改進。在最后目標(biāo)判別階段，對于灰度值大于目標(biāo)閾值的像素，計算其鄰域灰度均值，對于鄰域均值大于背景閾值的像素才認(rèn)為是目標(biāo)像素。這樣對斑點噪聲和艦船目標(biāo)的旁瓣部分起到一定的抑制作用，降低了出現(xiàn)虛警的概率，提高了算法的可靠性。但比較均值會丟失掉部分目標(biāo)邊緣輪廓信息，因此需要對結(jié)果進行二次檢測。

2.2恒虛警檢測算法

恒虛警檢測算法(CFAR)可分為海雜波統(tǒng)計分布模型和CFAR檢測器兩部分[7]。海雜波統(tǒng)計分布模型直接影響CFAR檢測器的性能，常用的統(tǒng)計模型有：高斯分布、對數(shù)正態(tài)分布、K分布[8]、G0分布[9]等。

雙參數(shù)CFAR算法是目前應(yīng)用最為廣泛的CFAR算法。雙參數(shù)CFAR選擇高斯分布作為海洋背景雜波統(tǒng)計模型，單元平均CFAR(CA-CFAR)為檢測器[10]。算法對每個像素進行滑動窗口檢測?；瑒哟翱诜譃槟繕?biāo)窗口、保護窗口、背景窗口，如圖1所示。設(shè)置保護窗口是為了保證目標(biāo)像素被排除在背景窗口外，其大小依賴于圖像中艦船目標(biāo)的尺寸[11]。背景窗口尺寸必須大于保護窗口，并保證參與背景統(tǒng)計分布參數(shù)估計的像素足夠多，這樣才能保證統(tǒng)計分布參數(shù)估計的準(zhǔn)確性。

圖1　CFAR滑動窗口示意圖

設(shè)SAR圖像中的像素點的灰度值為x，p(x)是雜波統(tǒng)計模型的概率密度函數(shù)，檢測閾值是T，Pfa是虛警概率，那么虛警概率與檢測閾值之間有如下關(guān)系式：

(6)

雙參數(shù)CFAR的檢測準(zhǔn)則可以表示為

(7)

其中，μc為估計的雜波均值，σc為估計的雜波標(biāo)準(zhǔn)差，T為將高斯分布帶入式(6)計算得到的閾值。

通過滑動窗口的設(shè)計可知，CFAR算法是尺度敏感的，選擇合理大小的保護窗口，使得沒有目標(biāo)像素泄露到背景窗中需要一定的先驗知識。窗口過大或過小都會影響背景分布參數(shù)的估計，同時對于目標(biāo)尺寸差異很大的圖像，算法性能會進一步的下降。

2.3兩級快速檢測算法

綜合并改進上述兩種算法，本文提出了一種兩級快速艦船檢測算法。其主要思想是先分離出圖像中的潛在目標(biāo)，然后對不確定的區(qū)域進行更精確的二次檢測，最后得到檢測結(jié)果。

算法流程如圖2所示。第一級采用改進的雙閾值檢測算法，將原始圖像分為三部分。對于灰度值大于目標(biāo)閾值且鄰域均值大于背景閾值的像素認(rèn)為是目標(biāo)像素；灰度值小于背景閾值的像素認(rèn)為是背景像素；其他像素認(rèn)為是疑似目標(biāo)像素。根據(jù)第一級的檢測結(jié)果，估算圖像中目標(biāo)大小范圍。第二級采用雙參數(shù)CA-CFAR檢測算法，對第一級中的疑似目標(biāo)進行滑動窗口檢測。其中保護窗大小設(shè)為第一級得到目標(biāo)大小范圍的最大值的兩倍，這樣目標(biāo)像素就不會泄露到背景窗口中，提高了算法的自適應(yīng)性，不用人為設(shè)定窗口大小。同時對于背景窗口中灰度值大于第一級計算得到的目標(biāo)閾值的像素不參與海雜波分布模型參數(shù)的估計，從而提高背景統(tǒng)計分布參數(shù)估計的準(zhǔn)確性。最后結(jié)合兩級檢測結(jié)果得到艦船目標(biāo)。

圖2　兩級快速檢測算法流程圖

本文提出的算法綜合了改進的最大熵雙閾值檢測和雙參數(shù)CFAR檢測算法的優(yōu)點。第一級先采用改進最大熵雙閾值檢測算法對亮度明顯的目標(biāo)像素進行檢測，對于目標(biāo)附近的疑似區(qū)域進行了標(biāo)記，結(jié)合目標(biāo)和背景閾值抑制了斑點噪聲和艦船旁瓣的影響。第二級采用精度更高的雙參數(shù)CFAR算法，利用局部滑動窗口對疑似目標(biāo)區(qū)域進行二次檢測，避免了艦船輪廓信息的丟失。同時第一級計算得到目標(biāo)大小范圍用于第二級，增強了算法自適應(yīng)性。兩級的目標(biāo)檢測結(jié)果結(jié)合形成了最終的艦船目標(biāo)檢測結(jié)果。

3　實驗結(jié)果與分析

本文實驗數(shù)據(jù)選擇C波段RadarSat-2數(shù)據(jù)，極化方式為HH，分辨率為3m。實驗平臺配置為Intel(R)Core(TM)i3-3220 CPU 3.30GHz、4G內(nèi)存、Windows 7操作系統(tǒng)和VS2010開發(fā)環(huán)境。每次實驗都在相同的條件下執(zhí)行，各算法運行10次取平均時間的作為結(jié)果。

為了檢驗本文提出算法的性能，將本文算法與傳統(tǒng)最大熵雙閾值算法(KSW)和雙參數(shù)CFAR算法進行了對比。其中各算法的參數(shù)設(shè)置相同，恒虛警概率為10-4，為定量的衡量檢測質(zhì)量，定義品質(zhì)因子FoM，計算公式為

(8)

式中，Ntt為正確檢測的目標(biāo)個數(shù)，Nfa為虛警目標(biāo)個數(shù)，Ngt為實際存在的目標(biāo)個數(shù)。品質(zhì)因子越高，檢測效果越好。

選擇若干幅真實SAR圖像進行測試，圖3和圖4列出了其中兩幅圖像的檢測結(jié)果。其中圖3(a)、圖4(a)為原始圖像，圖中艦船大小都有明顯的差異，圖3(a)中有7個目標(biāo)，且海況較為復(fù)雜，圖像中存在均質(zhì)和非均質(zhì)區(qū)域，圖4(a)中有18個目標(biāo)，成像時海面較為平靜。圖3(b)、圖4(b)為KSW算法的檢測結(jié)果，圖3(c)、圖4(c)為雙參數(shù)CFAR的檢測結(jié)果，由于CFAR需要一定的目標(biāo)大小先驗知識，本文選擇不同尺寸窗口進行實驗，挑選出結(jié)果最好的一組，圖3(d)、圖4(d)為本文算法的檢測結(jié)果。表1、表2統(tǒng)計了三種算法的檢測結(jié)果的各項指標(biāo)。

從結(jié)果分析可知KSW算法能較好較快地檢測出艦船目標(biāo)，但沒有滑動窗口的局部自適應(yīng)性，采用全局閾值，容易發(fā)生漏檢。雙參數(shù)CFAR算法采用滑動窗口計算閾值，速度較慢，且會產(chǎn)生虛警，檢測效果不佳。并且CFAR算法需要艦船目標(biāo)尺寸作為先驗知識，自適應(yīng)性不強。本文提出的算法綜合了KSW和雙參數(shù)CFAR的優(yōu)點，能夠快速準(zhǔn)確的檢測出艦船目標(biāo)。雖然處理速度上稍慢于KSW算法，但利用CFAR算法對疑似區(qū)域進行二次檢測，提高了結(jié)果的準(zhǔn)確性。并且，本文算法不需要預(yù)先知道目標(biāo)大小，第一級檢測后會對目標(biāo)尺寸進行估算，比CFAR算法有更強的自適應(yīng)性。綜合檢測準(zhǔn)確性和處理速率，本文提出的算法性能要優(yōu)于KSW和雙參數(shù)CFAR算法。

圖3　三種算法艦船目標(biāo)檢測結(jié)果一

圖4　三種算法艦船目標(biāo)檢測結(jié)果二

檢測算法正確檢測漏檢虛警品質(zhì)因子時間KSW6100.85715CFAR7040.636531本文算法700123

表2　圖4檢測結(jié)果(時間單位：ms)

4　結(jié)語

本文提出了一種基于改進的KSW和雙參數(shù)CFAR級聯(lián)的SAR圖像艦船目標(biāo)快速檢測算法。先采用KSW雙閾值算法檢測出明顯的目標(biāo)區(qū)域，并將圖像分為目標(biāo)區(qū)域、疑似目標(biāo)區(qū)域、背景區(qū)域三部分，然后用雙參數(shù)CFAR算法對疑似目標(biāo)區(qū)域進行二次檢測，最后得到檢測結(jié)果。第一級利用全局閾值檢測，很大程度上去除了背景像素，大大減少第二級雙參數(shù)CFAR的運算量。并且根據(jù)第一級檢測結(jié)果得到目標(biāo)大小范圍，然后用于第二級滑動窗口大小設(shè)置，同時在背景窗中剔除強像素點，也提升了算法的自適應(yīng)能力和背景參數(shù)估計的準(zhǔn)確性。通過與KSW和雙參數(shù)CFAR算法的實驗結(jié)果對比表明，本文算法有良好的檢測性能，更符合SAR圖像快速艦船目標(biāo)檢測的需求。

[1]Pastina D,Fico F,Lombardo P.Detection of ship targets in COSMO-SkyMed SAR images[C]//Radar Conference (RADAR),2011 IEEE.IEEE,2011:928-933.

[2]王超,張紅,吳樊等.高分辨率SAR圖像船舶目標(biāo)檢測與分類[M].北京:科學(xué)出版社,2013:6-12.

[3]Crisp D J.The state-of-the-art in ship detection in synthetic aperture radar imagery[R].Defence Science And Technology Organisation Salisbury(Australia)Info Sciences LAB,2004.

[4]關(guān)鍵,彭應(yīng)寧.雷達自動檢測與恒虛警處理[M].北京:清華大學(xué)出版社,1999:102-105.

[5]種勁松,朱敏慧.高分辨率SAR圖像艦船目標(biāo)檢測研究[J].探測與定位,2004,14(2):9-14.

[6]Kapur J N,Sahoo P K,Wong A K C.A new method for gray-level picture thresholding using the entropy of the histogram[J].Computer vision,graphics,and image processing,1985,29(3):273-285.

[7]Jung C H,Yang H J,Kwag Y K.Local cell-averaging fast CFAR for multi-target detection in high-resolution SAR images[C]//Synthetic Aperture Radar,2009.APSAR 2009.2nd Asian-Pacific Conference on.IEEE,2009:206-209.

[8]Jakeman E,Tough R J A.Generalized K distribution:a statistical model for weak scattering[J].JOSA A,1987,4(9):1764-1772.

[9]Frery A C,Müller H J,Yanasse C C F,etAl.A model for extremely heterogeneous clutter[J].Geoscience and Remote Sensing,IEEE Transactions on,1997,35(3):648-659.

[10]艾加秋,齊向陽,禹衛(wèi)東.改進的SAR圖像雙參數(shù)CFAR艦船檢測算法[J].電子與信息學(xué)報,2009,31(12):2881-2885.

[11]Stastny J,Hughes M,Garcia D,et al.A novel adaptive synthetic aperture radar ship detection system[C]//OCEANS 2011.IEEE,2011:1-7.

A Fast Algorithm for Ship Detection in SAR Images

WANG ZhiyongDOU HaoTIAN Jinwen

(National Key Laboratory of Science and Technology on Multi-spectral Information Processing Technology,School of Automation,Huazhong University of Science and Technology,Wuhan430074)

With the improving resolution of SAR Images,the traditional Constant False Alarm(CFAR)algorithm is inefficient for ship detecting.A new two-stage fast method is proposed for high resolution SAR images in this paper.In the first stage,the improved algorithm of entropic double-thresholds proposed by Kapur,Sahoo,Wong(KSW)is implemented.Then the whole image is divided into three parts,including target,suspected target,and background.In the next stage,the improved two parameters CFAR algorithm is applied to the pixels in the suspected target area.Combing results of two stages,ship targets in the image are detected.According to the experiment with real SAR images,the results show that the method proposed in this paper performs very well in ship detecting.The fast algorithm satisfies the demand of ship detection in high resolution SAR images.

SAR,ship detection,CFAR,KSW,fast algorithm

2016年3月4日,

2016年4月18日

國家自然科學(xué)基金(編號:61273279;61273241)資助。

王智勇，男，碩士研究生，研究方向：SAR圖像處理。竇浩，男，博士研究生，研究方向：遙感圖像處理。田金文，男，教授，研究方向：遙感圖像處理，計算機視覺智能導(dǎo)航控制、圖像圖形處理與識別。

TN957.52DOI：10.3969/j.issn.1672-9730.2016.09.007