基于CNN的SAR圖像艦船目標檢測算法*

曲長文，劉 晨，周 強，李 智，李健偉

（海軍航空大學(xué)，山東 煙臺 264001）

0 引言

隨著合成孔徑雷達系統(tǒng)的應(yīng)用日益廣泛，圖像分辨率的不斷提升以及待處理圖像數(shù)目的增多，對SAR圖像的處理技術(shù)也提出了更高的要求，快速準確地從SAR圖像中檢測到目標成為目前研究的一個熱點。目前，恒虛警率（Constant False Alarm Rate，CFAR）方法應(yīng)用最為廣泛。該方法根據(jù)背景雜波的統(tǒng)計特性自適應(yīng)地選取閾值，在簡單場景下的檢測效果較好，但是算法的計算速度和復(fù)雜場景下的檢測性能還有待于進一步提升。為提升CFAR的檢測性能，文獻［1］在局部窗口檢測過程中，引入篩選機制，提出了一種雙閾值的快速CFAR檢測算法；文獻［2］提出了一種自選擇混合分布的CFAR檢測方法，通過對混合分布模型的學(xué)習(xí)來對每塊圖像進行建模；文獻［3］為提高參數(shù)估計的速度，將積分圖運用到參數(shù)估計中，但需要較大的內(nèi)存開銷；文獻［4］針對大場景的SAR圖像，提出了一種基于分塊CFAR的SAR圖像艦船目標快速檢測算法。

卷積神經(jīng)網(wǎng)絡(luò)是深度學(xué)習(xí)中的一種網(wǎng)絡(luò)結(jié)構(gòu)，具有分層學(xué)習(xí)的能力，通過權(quán)值共享的方法降低了網(wǎng)絡(luò)結(jié)構(gòu)復(fù)雜度，減少了訓(xùn)練參數(shù)的數(shù)目。對于每幅輸入圖像，通過分層特征提取的方式可以自動提取數(shù)據(jù)中的復(fù)雜結(jié)構(gòu)，相比于傳統(tǒng)人工設(shè)計的特征具有更好的泛化能力。目前，卷積神經(jīng)網(wǎng)絡(luò)在各個領(lǐng)域都得到了越來越多的關(guān)注，如：行人檢測［5］、語音識別［6］、醫(yī)學(xué)圖像識別［7］等。

本文主要研究卷積神經(jīng)網(wǎng)絡(luò)在SAR圖像艦船目標檢測上的應(yīng)用。依據(jù)卷積神經(jīng)網(wǎng)絡(luò)在光學(xué)圖像上優(yōu)異的檢測識別效果，將其用于SAR圖像上，提升SAR圖像艦船目標檢測的速度和精度。

1 候選區(qū)域選取

1.1 OTSU算法

OTSU又稱大律法［8］，是一種經(jīng)典的圖像閾值分割方法。該方法對每個灰度值計算圖像目標和背景之間的方差，最終方差最大的灰度值即為所求閾值。圖像中每個灰度級的概率可表示為：

式中，n為所有像素點的數(shù)目，nq是灰度為q的像素點數(shù)目，L為灰度級數(shù)。

當(dāng)閾值為 k 時，圖像分為 C1=［0，1，…，k］，C2=［k+1，k+2，…，L-1］兩部分。使 C1和 C2類間方差最大的k即為所求閾值。類間方差的計算公式為：

式（2）還可以寫為：

式中，m（k）表示直到灰度級 k 的平均灰度［9］。

1.2 OTSU改進算法

OTSU算法在小場景SAR圖像中可以得到較好的分割效果，但是對于大場景下的SAR圖像，采用OTSU全局閾值的處理辦法效果不理想。因此，為提升大場景下SAR圖像的分割效果，本文對圖像的分割閾值進行了初步篩選。SAR圖像的灰度直方圖是一個長拖尾的曲線，小場景和大場景下的SAR圖像灰度直方圖如圖1所示。

圖1 不同場景下的SAR圖像灰度直方圖

從圖1可以看出，由于大場景下的SAR圖像背景像素點較多，導(dǎo)致艦船目標完全被淹沒在了背景中，因此，通過OTSU方法得到的分割閾值過小，導(dǎo)致圖像分割效果較差。為提升圖像的分割效果，本文通過計算C2類的方差，將方差最大的灰度級k1作為初始閾值，計算公式如下所示：

圖2 大場景SAR圖像方差曲線

從圖中可以看出，當(dāng)方差曲線達到最大時，大場景SAR圖像的灰度直方圖已經(jīng)越過了波峰位置并且開始進入長拖尾部分。去除低于初始閾值的大場景SAR圖像灰度直方圖如圖3所示。

圖3 處理后的灰度直方圖

從圖3可以看出，當(dāng)去掉大量背景像素之后，新的灰度級范圍內(nèi)的像素個數(shù)差別不大，對新灰度級范圍內(nèi)的圖像用OTSU方法即可求得大場景SAR圖像的分割閾值。實驗采用直布羅陀海域的Ter-raSAR_X衛(wèi)星圖像，分辨率為3 m，圖像分辨率為2 312×4 314，實驗效果如圖4所示。

圖4 改進OTSU方法的分割效果

1.3 目標提取

為進一步對分割后的SAR艦船目標進行判斷，通過最小外接矩形提取出疑似艦船目標的位置坐標，并且依據(jù)矩形的中心坐標在原始SAR圖像中選取固定大小的候選區(qū)域。實驗流程如圖5所示。

圖5 候選區(qū)域選取流程

2 目標檢測網(wǎng)絡(luò)

為提升艦船目標的檢測效果，針對SAR圖像艦船樣本數(shù)據(jù)集過小的問題，本文采用卷積神經(jīng)網(wǎng)絡(luò)與超限學(xué)習(xí)機相結(jié)合的網(wǎng)絡(luò)結(jié)構(gòu)，對SAR圖像艦船目標進行檢測。

2.1 檢測網(wǎng)絡(luò)模型

通過遷移學(xué)習(xí)［10］保持卷積神經(jīng)網(wǎng)絡(luò)的參數(shù)不變，將卷積神經(jīng)網(wǎng)絡(luò)的后面兩層用超限學(xué)習(xí)機層代替，新的網(wǎng)絡(luò)結(jié)構(gòu)如圖6所示。

2.2 檢測模型的訓(xùn)練

卷積神經(jīng)網(wǎng)絡(luò)由5層網(wǎng)絡(luò)結(jié)構(gòu)組成，第1層卷積層由8個大小為5*5的濾波器組成，第2層下采樣層采用大小為2*2的均值下采樣，第3層卷積層包含16個大小為4*4的濾波器，第4層下采樣與第2層一樣，最后一層為全連接層，激活函數(shù)采用RELU函數(shù)。

圖6 遷移學(xué)習(xí)后的網(wǎng)絡(luò)結(jié)構(gòu)

訓(xùn)練數(shù)據(jù)采用分辨率為0.3 m×0.3 m的MSTAR數(shù)據(jù)庫，圖像大小為128×128像素，采用其中的 BRDM2、BTR60、D7、2S1 4類目標作為樣本（訓(xùn)練樣本1 140個，測試樣本1 010個）。每次實驗用10個樣本進行學(xué)習(xí)，迭代次數(shù)為10次。為進一步提升網(wǎng)絡(luò)的訓(xùn)練效果，數(shù)據(jù)采用ZCA白化和PCA降維相結(jié)合的方法對圖像進行預(yù)處理。圖像處理效果如圖7所示。

圖7 圖像預(yù)處理

訓(xùn)練數(shù)據(jù)來自于2幅TerraSAR-X圖像（距離向和方位向的分辨率為2 m×1.5 m）和3幅Radarset-2圖像（距離向和方位向的分辨率為1 m×1 m），經(jīng)過目標檢測后獲得船只的圖像切片，通過解譯專家對所有船只進行人工標注（訓(xùn)練樣本300個，測試樣本100個）。

3 實驗結(jié)果與分析

3.1 實驗數(shù)據(jù)及環(huán)境

為驗證本文方法的有效性，在CPU為2.13 GHz，內(nèi)存8 GB的硬件環(huán)境進行實驗，采用Matlab進行仿真。實驗來自于多幅TerraSAR-X和Sentinel-1雷達圖像。

3.2 實驗步驟

選取其中兩幅圖像進行檢測結(jié)果分析，圖像1為TerraSAR-X衛(wèi)星拍攝的圖像，分辨率為3 m，成像區(qū)域在（N54.5°E8.3°）附近的海域，圖像大小為4 199×2 288，如下頁圖8（a）所示。圖像2為Sentinel-1雷達拍攝的圖像，分辨率為5 m，工作在Stripmap模式，圖像大小為2 368 x 1 994，如下頁圖8（b）所示。

對圖像進行人工判讀，圖8（a）中有34艘船，圖b中有31艘船，對艦船的標記結(jié)果如下頁圖9所示。

圖8 實驗圖像

圖9 人工圖像判別結(jié)果

首先對原始圖像進行分割處理，結(jié)果如圖10所示。

圖10 分割后圖像

從圖10可以看出，改進后的OTSU方法對大場景下的SAR圖像有較好的分割效果，在保證將艦船目標留下的同時僅有少量雜波。但是分割后的艦船目標仍然存在不完整的問題，為進一步提升檢測效果，對分割后的圖像進行膨脹和腐蝕操作，處理結(jié)果如圖11所示。

圖11 膨脹腐蝕效果圖

從圖11可以看出，通過對分割后的圖像膨脹和腐蝕操作保證了艦船整體形態(tài)的完整性。然后通過最小外接矩形方法將圖像中疑似艦船的目標標記出來，如圖12所示。

圖12 疑似目標標記

在原始圖像中根據(jù)矩形中心選取出大小為42×42的候選區(qū)域，然后將候選區(qū)域輸入到訓(xùn)練好的卷積神經(jīng)網(wǎng)絡(luò)進行分類識別，最后將真實艦船目標標記出來，如下頁圖13所示。

本文方法的檢測結(jié)果如表1所示。

表1 檢測結(jié)果

3.3 實驗結(jié)果對比

圖13 實驗結(jié)果

為驗證本文方法的有效性，利用不同分布下的雙閾值 CFAR 方法對圖（a）進行檢測［1］，第 1虛警率設(shè)為Pfa1=10-2，第2虛警率設(shè)為Pfa2=10-6.5，雙閾值CFAR的檢測結(jié)果如圖14所示。

圖14 雙閾值CFAR檢測結(jié)果

將3種不同分布下的雙閾值CFAR的各項性能指標域本文方法對比結(jié)果如表2所示。

從實驗對比結(jié)果可以看出，本文方法相對于其他方法虛警率更低，檢測速度有明顯的提升。

4 結(jié)論

本文針對SAR圖像艦船目標檢測過程中虛警率高，檢測時間過長的問題，提出了一種基于卷積神經(jīng)網(wǎng)絡(luò)的SAR圖像艦船目標檢測算法，通過訓(xùn)練好的卷積神經(jīng)網(wǎng)絡(luò)對分割后的SAR圖像進行判別，去除虛警。結(jié)果表明，該方法在SAR圖像艦船目標檢測中可以得到較好的效果。

表2 實驗結(jié)果對比