一種基于多極化散射機(jī)理的極化SAR圖像艦船目標(biāo)檢測方法

文 偉 曹雪菲 張學(xué)峰 陳 渤 王英華 劉宏偉

?

一種基于多極化散射機(jī)理的極化SAR圖像艦船目標(biāo)檢測方法

文 偉①②曹雪菲③張學(xué)峰①②陳 渤*①②王英華①②劉宏偉①②

①(西安電子科技大學(xué)雷達(dá)信號(hào)處理國家重點(diǎn)實(shí)驗(yàn)室 西安 710071);②(西安電子科技大學(xué)信息感知技術(shù)協(xié)同創(chuàng)新中心 西安 710071);③(西安電子科技大學(xué)網(wǎng)絡(luò)與信息安全學(xué)院 西安 710071)

針對(duì)基于單一極化特性增強(qiáng)的極化SAR圖像目標(biāo)檢測方法的缺陷，該文將DP(Dirichlet Process)混合隱變量SVM模型(DPLVSVM)應(yīng)用于極化SAR圖像艦船目標(biāo)檢測，提出一種基于多極化散射機(jī)理的檢測方法。該方法通過聯(lián)合Dirichlet過程混合與Bayes SVM模型，將信號(hào)空間劃分成若干局部區(qū)域，然后在每一局部區(qū)域?qū)W習(xí)一個(gè)獨(dú)立的極化檢測器，并將各局部檢測器進(jìn)行組合實(shí)現(xiàn)全局多極化散射機(jī)理的目標(biāo)檢測。模型采用非參數(shù)化Bayes方法自動(dòng)確定局部區(qū)域數(shù)量，在完全Bayes框架下，將局部區(qū)域劃分及檢測器學(xué)習(xí)進(jìn)行聯(lián)合優(yōu)化，保證了各局部區(qū)域樣本的可分性。另外，為了降低極化特征冗余，該文進(jìn)一步提出帶特征選擇功能的稀疏提升DP混合隱變量SVM模型(SPDPLVSVM)，提高模型的推廣能力。該模型由于采用共軛先驗(yàn)分布，因而可以利用Gibbs采樣方法進(jìn)行高效求解。在RADARSAT-2數(shù)據(jù)上進(jìn)行的實(shí)驗(yàn)驗(yàn)證了所提方法的有效性。

極化SAR；目標(biāo)檢測；Dirichlet過程混合模型；Bayes SVM；特征選擇

1 引言

艦船目標(biāo)檢測是海洋監(jiān)測中的關(guān)鍵課題之一，合成孔徑雷達(dá)(SAR)因其可視化及全天候等特性，在艦船目標(biāo)分類檢測中具有重要應(yīng)用。特別地，由于極化SAR(Polarimetric SAR, PolSAR)可以提供多通道極化數(shù)據(jù)，保留了目標(biāo)的極化特性，可以有效提高檢測性能。

事實(shí)上從機(jī)器學(xué)習(xí)的角度而言，檢測問題可以視為一個(gè)兩類目標(biāo)的分類問題[19]，更一般地，對(duì)于缺少目標(biāo)先驗(yàn)信息時(shí)，檢測問題則蛻化為異常檢測問題。本文提出的基于多極化散射機(jī)理的極化SAR圖像艦船目標(biāo)檢測方法，是從兩類分類的角度對(duì)艦船目標(biāo)進(jìn)行檢測。

針對(duì)單一極化增強(qiáng)方法不能同時(shí)對(duì)不同極化散射機(jī)理進(jìn)行增強(qiáng)的缺陷，我們將DPLVSVM[20]模型應(yīng)用于極化SAR圖像艦船目標(biāo)檢測，提出一種基于多極化散射機(jī)理的極化SAR圖像艦船目標(biāo)檢測方法。該方法通過聯(lián)合Dirichlet過程和Bayes SVM模型，將數(shù)據(jù)空間自動(dòng)劃分成若干各聚類并在每個(gè)聚類中學(xué)習(xí)一個(gè)局部的最大邊界分類器，通過將各局部分類器進(jìn)行組合，實(shí)現(xiàn)全局的非線性分類。在該方法中，每一個(gè)局部分類器對(duì)應(yīng)于一種極化散射機(jī)理檢測器。通過將各局部檢測器進(jìn)行組合，從而實(shí)現(xiàn)全局基于多極化散射機(jī)理的檢測。為了避免檢測方法對(duì)能量的依賴，類似文獻(xiàn)[21]，我們將多種極化分解方法獲得的極化分解特征進(jìn)行聯(lián)合，避免因單一極化分解特征帶來的虛警率較高的問題。

考慮到不同極化分解方法之間，存在較高的相關(guān)性，不同極化方法獲得的極化特征存在較高的冗余性。然而，對(duì)于分類檢測問題，冗余的特征對(duì)分類是無益的，相當(dāng)于噪聲，甚至?xí)绊懛诸悪z測的性能和模型的推廣能力，因此在實(shí)際應(yīng)用中去除冗余特征具有重要意義[22]。

為了消除冗余特征，在DPLVSVM模型的基礎(chǔ)上，我們引入稀疏控制向量對(duì)特征進(jìn)行選擇，提出了稀疏提升DP混合隱變量SVM模型(Sparsity- Promoting Dirichlet Process mixture of Latent Variable SVM, SPDPLVSVM)模型。該方法將特征選擇與檢測分類進(jìn)行聯(lián)合學(xué)習(xí)，因而能選擇出對(duì)識(shí)別有益的特征并且剔除冗余特征，在降低模型復(fù)雜度的同時(shí)增強(qiáng)模型的推廣能力。

綜合以上分析，我們將DPLVSVM模型應(yīng)用于極化艦船目標(biāo)檢測中，進(jìn)一步地，為了降低極化特征冗余，我們引入稀疏控制向量對(duì)特征進(jìn)行選擇，提出了SPDPLVSVM模型并將其應(yīng)用于艦船目標(biāo)檢測。論文結(jié)構(gòu)安排如下：第2節(jié)對(duì)極化特征提取進(jìn)行介紹；第3節(jié)介紹基于DPLVSVM和SPDPLVSVM模型的多極化散射機(jī)理檢測方法；第4節(jié)對(duì)實(shí)驗(yàn)進(jìn)行描述并對(duì)實(shí)驗(yàn)結(jié)果進(jìn)行比較分析；最后對(duì)本文進(jìn)行總結(jié)。

2 極化特征提取

極化特性是對(duì)散射體形狀結(jié)構(gòu)，對(duì)稱性等極化信息的描述，這些特征是不依賴于雷達(dá)回波強(qiáng)弱的。極化特性通常采用極化分解方法進(jìn)行刻畫。不同極化分解方法，可以獲得不同極化基下的特征描述，不同極化分解特征間相互補(bǔ)充。類似于文獻(xiàn)[21]，我們將不同極化分解特征進(jìn)行聯(lián)合，相較于單一極化分解方法，通過這種聯(lián)合，可以更全面地對(duì)極化特性進(jìn)行表征。選擇的極化分解方法包括Pauli分解，Carmon分解，Cloude分解，F(xiàn)reeman分解，Yamaguchi 5種。其中，前兩種方法為相干極化分解方法，后3種方法為非相干極化分解方法。為了去除對(duì)能量的依賴，我們采用極化能量對(duì)特征進(jìn)行歸一化處理。

3 多極化散射機(jī)理極化SAR圖像艦船目標(biāo)檢測

本文采用DPLVSVM模型，通過組合各局部極化檢測器，實(shí)現(xiàn)全局基于多極化散射機(jī)理目標(biāo)檢測?？紤]到不同極化方法獲得的極化特征之間，存在一定的相關(guān)性，為了降低特征之間的冗余，在DPLVSVM 模型的基礎(chǔ)上，引入稀疏控制變量對(duì)特征進(jìn)行選擇，提出了SPDPLVSVM 模型。通過對(duì)特征進(jìn)行選擇，可以約束模型的復(fù)雜度，從而增加模型的推廣能力。下面先對(duì)這兩個(gè)模型分別進(jìn)行簡要介紹，然后對(duì)模型進(jìn)行求解。

3.1 Dirichlet 過程(DP)混合隱變量SVM模型(DPLVSVM)

DPLVSVM模型通過將Dirichlet 過程混合模型與Bayes SVM相結(jié)合[20]，在原始數(shù)據(jù)空間對(duì)數(shù)據(jù)進(jìn)行聚類，并在每一聚類中構(gòu)建一個(gè)局部分類器。假定對(duì)于聚類，其中為預(yù)設(shè)的最大聚類數(shù)量，數(shù)據(jù)服從參數(shù)為的高斯分布，即

(1)

選用共軛分布Normal-Wishart分布作為先驗(yàn)分布，即，其中為給定參數(shù)。定義聚類的分類器系數(shù)的先驗(yàn)分布：，則DPLVSVM模型的層次化結(jié)構(gòu)可以表示為式(2)，式中對(duì)應(yīng)于截棍長度[20]，表示貝塔分布，表示多項(xiàng)分布，為Gamma分布函數(shù)，為其參數(shù)。

(2)

3.2 稀疏提升Dirichlet過程混合隱變量SVM模型(SPDPLVSVM)

(3)

值得注意的是，在我們的模型中，不同的局部區(qū)域可以選擇不同的特征組合即不同的極化特征組合進(jìn)行分類。根據(jù)層次化模型式(3)，完全數(shù)據(jù)的聯(lián)合分布可以表示為

其中，

3.3 模型推理

考慮到前述兩個(gè)模型推理差別僅在于稀疏控制向量上，本文僅給出SPDPLVSVM模型的推理過程。由于模型參數(shù)的分布均選用共軛分布，可以采用Gibbs采樣的方法進(jìn)行高效求解[20]。由完全數(shù)據(jù)的聯(lián)合分布式(4)，可導(dǎo)出參數(shù)集合任一參數(shù)的條件后驗(yàn)分布。限于篇幅，在此，僅給出聚類指示變量和分類器系數(shù)的條件后驗(yàn)分布。聚類指示變量的條件后驗(yàn)分布為。

根據(jù)式(5)，樣本的聚類與分類損失相關(guān)，可以有效保證聚類內(nèi)部數(shù)據(jù)的可分性。

其中，

根據(jù)各參數(shù)的條件后驗(yàn)分布對(duì)參數(shù)進(jìn)行循環(huán)采樣，可以構(gòu)建一個(gè)Markov鏈。待采樣平穩(wěn)后，存儲(chǔ)一定量樣本作為模型的參數(shù)估計(jì)。

3.4 分類檢測

(8)

4 實(shí)驗(yàn)

4.1實(shí)驗(yàn)設(shè)置

為了驗(yàn)證本文方法的有效性，將本文方法與PTD[4], PWF[7], RSD[16], SPAN[6]4種極化檢測方法進(jìn)行對(duì)比。采用C波段RADARSAT-2獲取的某港口的全極化數(shù)據(jù)進(jìn)行實(shí)驗(yàn)驗(yàn)證，方位-距離分辨率約為m。

本文提出的算法是針對(duì)像素級(jí)的檢測算法，為了驗(yàn)證不依賴于能量的檢測特性并對(duì)檢測結(jié)果進(jìn)行定量評(píng)估，采用與文獻(xiàn)[17]相同的方法，通過從實(shí)測圖像上截取海面區(qū)域和目標(biāo)，生成不同信雜比(SCR)的仿真圖像，根據(jù)不同的檢測方法對(duì)仿真圖像獲得的檢驗(yàn)統(tǒng)計(jì)量圖像采用接收機(jī)操作特性曲線(ROC)及曲線下面積(AUC)進(jìn)行定量評(píng)估。生成原始信雜比仿真圖像如圖1所示，在真實(shí)標(biāo)記圖像中目標(biāo)標(biāo)記為1。仿真圖像大小為，其中包含3個(gè)仿真目標(biāo)，從上至下，標(biāo)號(hào)為1, 2, 3，其中目標(biāo)1為一個(gè)較大的目標(biāo)，目標(biāo)2，目標(biāo)3相對(duì)較小。仿真圖像采用從實(shí)測圖像中直接選取目標(biāo)和海面區(qū)域生成，原始信雜比為22.56 dB。實(shí)驗(yàn)涉及的場景如圖2所示。

訓(xùn)練樣本的選?。喝鐖D2所示，選取矩形框1~3區(qū)域內(nèi)分辨單元作為海雜波訓(xùn)練樣本，類別編號(hào)為1；選取橢圓標(biāo)記的7個(gè)目標(biāo)作為目標(biāo)訓(xùn)練樣本，標(biāo)記為類別2。

圖1 仿真圖像

圖2 實(shí)測場景SPAN圖像

4.2實(shí)驗(yàn)結(jié)果及分析

在本節(jié)中首先對(duì)不同信雜比下的仿真圖像進(jìn)行檢測實(shí)驗(yàn)，然后對(duì)圖2所示實(shí)測場景進(jìn)行檢測實(shí)驗(yàn)。

不同方法獲得的AUC隨信雜比變化曲線如圖3所示。隨著信雜比提高，各檢測方法獲得的AUC逐漸升高，檢測性能也隨之提高。在信雜比較低時(shí), DPLVSVM及SPDPLVSVM獲得的AUC顯著高于其他方法。信雜比為時(shí)，不同檢測方法獲得的ROC曲線如圖4。本文方法獲得的檢測性能優(yōu)于其他方法，這主要是因?yàn)楸疚姆椒ú捎脤?duì)多種極化散射機(jī)理進(jìn)行組合，且不依賴于能量。在本文所提兩個(gè)方法中，SPDPLVSVM方法略優(yōu)于DPLVSVM方法。SPDPLVSVM通過特征選擇，消除了極化特征冗余，增強(qiáng)了模型的推廣能力，因而獲得了更好的檢測性能。另外，在依賴于能量的檢測方法中，PWF獲得的性能相對(duì)較好。

SPDPLVSVM模型中，不同聚類選擇的極化特征子集如表1。4個(gè)聚類均獲得了較好的分類，從各個(gè)聚類選擇的特征來看，選擇特征各不相同，這反映了散射的極化特征呈多模分布的特性。從各個(gè)聚類選擇的共有特征來看，二面角散射和極化散射熵對(duì)艦船和海面的區(qū)分性較好，這與文獻(xiàn)[5,11]的結(jié)論是一致的。

為了驗(yàn)證本文方法的推廣性能，對(duì)圖2的整個(gè)場景進(jìn)行檢測。根據(jù)仿真圖像上獲得的結(jié)論，在依賴于能量的檢測方法中，選用PWF方法進(jìn)行對(duì)比，在不依賴于能量的檢測方法中，選用PTD方法進(jìn)行對(duì)比。本文所提方法中，僅對(duì)SPDPLVSVM的檢測結(jié)果進(jìn)行羅列。不同方法獲得的檢驗(yàn)統(tǒng)計(jì)量和虛警率設(shè)置為的檢測結(jié)果如圖6所示。目標(biāo)真實(shí)位置在圖6(a)根據(jù)人工辨識(shí)進(jìn)行標(biāo)注，并采用矩形方框進(jìn)行標(biāo)記，編號(hào)為1~24。對(duì)于回波能量較弱的目標(biāo)采用橢圓進(jìn)行標(biāo)記，從左至右編號(hào)為a~e。

對(duì)比檢測結(jié)果可以發(fā)現(xiàn)：(1)本文方法檢測率更高。PTD方法漏警目標(biāo)在圖6(d)中用白色矩形框標(biāo)記；(2)檢測目標(biāo)連續(xù)性更好。(3)相較于依賴于能量的PWF檢測方法，本文方法能對(duì)弱散射目標(biāo)更好地進(jìn)行檢測，在圖6(f)中采用白色橢圓進(jìn)行標(biāo)記。

表1各聚類檢測識(shí)別率及選取特征子集

聚類標(biāo)號(hào)識(shí)別率選取特征子集 10.992Freeman: Pv; Yamaguchi: Pd; Cloude: H, 20.977Cameron:; Cloude: H, A 30.939Freeman: Pd; Yamaguchi: Ps, Pd; Cloude: H 41.000Cloude: H

5 結(jié)束語

本文將DPLVSVM模型應(yīng)用于極化SAR圖像艦船目標(biāo)檢測，提出了一種基于多極化散射機(jī)理的目標(biāo)檢測方法。為了降低極化特征冗余，本文提出了SPDPLVSVM模型。本文采用仿真數(shù)據(jù)和RADARSAT-2實(shí)測數(shù)據(jù)進(jìn)行了驗(yàn)證，實(shí)驗(yàn)證明本文方法可以有效地抑制雜波，在信雜比較低時(shí)，保持較低虛警率條件下實(shí)現(xiàn)極化SAR圖像艦船目標(biāo)的檢測。與PTD, RSD, PWF, SPAN等檢測方法的對(duì)比，在低虛警率下本文方法可以獲得更高的檢測率。實(shí)驗(yàn)驗(yàn)證了本文方法是一種獨(dú)立于能量的檢測方法，可以用于對(duì)海面弱散射目標(biāo)的檢測。根據(jù)特征選擇結(jié)果，本文模型選擇的特征與現(xiàn)有的文獻(xiàn)結(jié)果相似，即二面角散射分量和極化散射熵對(duì)艦船目標(biāo)和海面具有較高的區(qū)分能力。

圖3 不同方法AUC隨信雜比變化曲線 圖4 信雜比為0 dB時(shí)不同檢測方法獲得的ROC曲線比較 圖5 聚類結(jié)果

圖6 不同方法實(shí)測圖像檢驗(yàn)統(tǒng)計(jì)量及檢測結(jié)果

[1] CRISP D J. The state of the art in ship detection in synthetic aperture radar imagery[R]. Technical Report DSTO-RR-0272, DSTO Information Sciences Laboratory, South Australia, Australia, 2004.

[2] TOUZI R, CHARBONNEAU F, HAWKINS R K,Ship- sea contrast optimization when using polarimetric SARS[C]. IEEE 2001 International Conference on Geoscience and Remote Sensing Symposium, Sydney, Australia, 2001: 426-428.

[3] 邢艷肖, 張毅, 李寧, 等. 一種聯(lián)合特征值信息的全極化SAR圖像監(jiān)督分類方法[J]. 雷達(dá)學(xué)報(bào), 2016, 5(2): 217-227. doi:10.12000/JR16019.

XING Yanxiao, ZHANG Yi, LI Ning,Polarimetric SAR image supervised classification method integrating eigenvalues[J].,2016, 5(2): 217-227 doi:10.12000/JR16019.

[4] ARMANDO Marino. A notch filter for ship detection with polarimetric SAR data[J]., 2013, 6(3): 1219-1232. doi: 10.1109/JSTARS.2013.2247741.

[5] YEREMY M, CAMPBELL J W M, MATTAR K,.Ocean surveillance with polarimetric SAR[J]., 2001, 27: 328-344. doi: 10.1080/ 07038992.

[6] NOVAK L M, MICHAEL B S, and MICHELE J C. Studies of target detection algorithms that use polarimetric radar data[J]., 1989, 25(2): 150-165. doi:10.1109/7.18677.

[7] NOVAK L M, BURL M C, and IRVING W W. Optimal polarimetric processing for enhanced target detection[J]., 1993, 29(1): 234-244. doi: 10.1109/NTC.1991.147989.

[8] YANG Jian, ZHANG Hongji, and YOSHIO Yamaguchi. GOPCE-based approach to ship detection[J]., 2012, 9(6): 1089-1093. doi:10.1109/LGRS.2012.2191611.

[9] LEE Jongsen, HOPPEL K W, MANGO S A,Intensity and phase statistics of multilook polarimetric and interferometric SAR imagery[J]., 1994, 32(5): 1017-1028. doi: 10.1109/36.312890.

[10] WANG Yinghua and LIU Hongwei. PolSAR ship detection based on superpixel-level scattering mechanism distribution features[J]., 2015, 12(8): 1780-1784. doi:10.1109/LGRS.2015.2425873.

[11] 陳博, 王爽, 焦李成, 等. 利用0-1矩陣分解集成的極化SAR圖像分類[J]. 電子與信息學(xué)報(bào), 2015, 37(6): 1495-1501. doi: 10.11999/JEIT141059.

CHEN Bo, WANG Shuang, JIAO Licheng,Polarimetric SAR image classification via weighted ensemble based on 0-1 matrix decomposition[J].&, 2015, 37(6): 1495-1501. doi: 10.11999/JEIT141059.

[12] 崔浩貴, 劉濤, 蔣宇中, 等. 基于混合矩的極化SAR圖像K分布模型參數(shù)估計(jì)新方法[J]. 電子與信息學(xué)報(bào), 2015, 37(2): 328-333. doi: 10.11999/JEIT140551.

CUI Haogui, LIU Tao, JIANG Yuzhong,Parameter estimation for the K-distribution in PolSAR imagery based on hybrid moments[J].&, 2015, 37(2): 328-333. doi: 10.11999/JEIT140551.

[13] 楊學(xué)志, 葉銘, 吳克偉, 等. 結(jié)構(gòu)保持的雙邊濾波極化SAR圖像降噪[J]. 電子與信息學(xué)報(bào), 2015, 37(2): 268-275. doi: 10.11999/JEIT140199.

YANG Xuezhi, YE Ming, WU Kewei,. Speckle reduction for PolSAR image based on structure preserving Bilateral filtering[J].&,2015, 37(2): 268-275. doi: 10.11999/JEIT140199.

[14] 劉璐, 劉帥, 焦李成, 等. 采用聯(lián)合域字典稀疏表示的極化SAR圖像分類[J]. 華中科技大學(xué)學(xué)報(bào)(自然科學(xué)版), 2016, 44(2): 81-85. doi: 10.13245/j.hust.160217.

LIU Lu, LIU Shuai, JIAO Licheng,. Combined dictionary learning based sparse representation for PolSAR image classification[J].(), 2016, 44(2): 81-85. doi: 10.13245/j.hust.160217.

[15] RINGROSE R and HARRIS N. Ship detection using polarimetric SAR data[C]. Proceedings of SAR Workshop: CEOS Committee on Earth Observation Satellites; Working Group on Calibration and Validation, Toulouse, France, 2000, 450: 687-691.

[16] HIROYUKI W, YUTA M, and KAZUKI N. Sea ice detection in the sea of Okhotsk using POLSAR and MODIS data[J]., 2013, 6(3): 1516-1523. doi: 10.1109/JSTARS.2013.2258327.

[17] WANG Na, SHI Gongtao, LIU Li,. Plarimetric SAR target detection using the reflection symmetry[J]., 2012, 9(6): 1104-1108. doi: 10.1109/LGRS.2012.2189548.

[18] 文偉, 王英華, 馮博, 等. 基于監(jiān)督非相干字典學(xué)習(xí)的極化SAR圖像艦船目標(biāo)檢測[J]. 自動(dòng)化學(xué)報(bào), 2015, 41(11): 1926-1940. doi: 10.16383/j.aas.2015.c140530.

WEN Wei, WANG Yinghua, FENG Bo,Supervise incoherent dictionary learning for ship detection with PolSAR images[J]., 2015, 41(11): 1926-1940. doi: 10.16383/j.aas.2015.c140530.

[19] KHALID E D, PETER M, DESMOND P,. Target detection in synthetic aperture radar imagery: A state of the art survey[J]., 2013, 7(1): 071598. doi: 10.1117/1.JRS.7.071598.

[20] 張學(xué)峰, 陳渤, 王鵬輝, 等. 一種基于Dirichlet過程隱變量支撐向量機(jī)模型的目標(biāo)識(shí)別方法[J]. 電子與信息學(xué)報(bào), 2015, 37(1): 29-36 doi: 10.11999/JEIT140129.

ZHANG Xuefeng, CHEN Bo, WANG Penghui,. A target recognition method based on Dirichlet process latent variable support vector machine model[J].&, 2015, 37(1): 29-36 doi: 10.11999/ JEIT140129.

[21] 趙一博, 秦先祥, 鄒煥新. 基于目標(biāo)分解和SVM的極化SAR圖像分類方法[J]. 航天返回與遙感, 2013, 34(2): 50-56.

ZHAO Yibo, QIN Xianxiang, and ZOU Huanxin. Classification of polarimetric SAR image based on target decomposition and SVM[J].&, 2013, 34(2): 50-56.

[22] XU Danlei, DU Lan, LIU Hongwei,. Bayesian classifier for sparsity-promoting feature selection[J]., 2015, 29(6): 1-28. doi:10.1142/S0218001415500226.

[23] LEE J S, MITCHELL R G, THOMAS L A,Unsupervised classification using polarimetric decomposition and the complex wishart classifier[J]., 1999, 37(5): 2249-2258. doi:10.1109/36.789621.

文 偉： 男，1987 年生，博士生，研究方向?yàn)閺?fù)雜背景下的SAR圖像目標(biāo)檢測與識(shí)別.

曹雪菲： 女，1980 年生，博士，研究方向?yàn)榫W(wǎng)絡(luò)與信息安全.

張學(xué)峰： 男，1987 年生，博士，研究方向?yàn)槔走_(dá)自動(dòng)目標(biāo)識(shí)別.

陳 渤： 男，1979 年生，博士，教授，博士生導(dǎo)師，研究方向?yàn)槔走_(dá)目標(biāo)識(shí)別、統(tǒng)計(jì)信號(hào)處理、統(tǒng)計(jì)機(jī)器學(xué)習(xí)、深度學(xué)習(xí)網(wǎng)以及大規(guī)模數(shù)據(jù)處理.

王英華： 女，1982 年生，博士，副教授，碩士生導(dǎo)師，研究方向?yàn)镾AR圖像目標(biāo)檢測與識(shí)別.

劉宏偉： 男，1971年生，博士，教授，博士生導(dǎo)師，研究方向?yàn)槔走_(dá)信號(hào)處理、雷達(dá)自動(dòng)目標(biāo)識(shí)別、認(rèn)知雷達(dá)、協(xié)同探測等.

PolSAR Ship Detection Method Based on Multiple Polarimetric Scattering Mechanisms

WEN Wei①②CAO Xuefei③ZHANG Xuefeng①②CHEN Bo①②WANG Yinghua①②LIU Hongwei①②

①(,,’710071,);②(,’710071,);③(,,’710071,)

Considering the shortcoming of detection method based on polarimetric contrast enhanced with single polarimetric scattering mechanism, a PolSAR detection method based on multiple polarimetric mechanisms called Dirichlet Process mixture of Latent Variable SVM (DPLVSVM) is proposed. By assembling a set of local polarimetric detectors that based on single polarimetric scattering mechanism, a global multiple polarimetric scattering mechanisms detector is obtained. With a fully Bayes treatment, DPLVSVM learns the clustering and the local detectors jointly. Taking the advantage of Bayes nonparametric, DPLVSVM handles the model selection problem flexibly. Further, in order to reduce the redundancy of polarimetric feature and improve the model generalization, a model with feature selection, Sparsity-Promoting Dirichlet Process mixture of Latent Variable SVM (SPDPLVSVM), is proposed. Thanks to the conjugate property, the parameters in both of models can be inferred efficiently via the Gibbs sampler. Finally, the proposed models on RADARSAR-2 dataset is implemented to validate their effectiveness.

Polarimetric SAR; Target detection; Dirichlet process mixture model; Bayes SVM; Feature selection

TN958

A

1009-5896(2017)01-0103-07

10.11999/JEIT160204

2016-03-03；改回日期：2016-08-23；

2016-10-17

陳渤 bchen@mail.xidian.edu.cn

國家杰出青年科學(xué)基金(61525105)，國家自然科學(xué)基金(61201292, 61322103, 61372132)，全國優(yōu)秀博士學(xué)位論文作者專項(xiàng)資金(FANEDD-201156)，陜西省自然科學(xué)基礎(chǔ)研究計(jì)劃(2016JQ- 6048)，航空科學(xué)基金(20142081009)和航空電子系統(tǒng)射頻綜合方針航空科技重點(diǎn)實(shí)驗(yàn)室基金，上海航天科技創(chuàng)新基金(SAST- 2015009)

The National Science Fund for Distinguished Young Scholars (61525105), The National Natural Science Foundation of China (61201292, 61322103, 61372132), The Program for New Century Excellent Talents in University (FANEDD-201156), The Natural Science Basic Research Plan in Shaanxi Province of China (2016JQ6048), The Aviation Science Fund (20142081009) and Key Laboratory Fund of RF Integrated Laboratory in Avionics System, Shanghai Aerospace Science and, Technology Innovation Fund (SAST2015009)