基于多特征加權(quán)的SAR 影像艦船檢測優(yōu)化方法

趙泉華，王肖，李玉，王光輝

（1.遼寧工程技術(shù)大學(xué)測繪與地理科學(xué)學(xué)院，遼寧 阜新 123000；2.國家測繪地理信息局衛(wèi)星測繪應(yīng)用中心，北京 100048）

1 引言

隨著人類海洋活動(dòng)的增加，艦船作為海上交通工具被頻繁使用。實(shí)時(shí)艦船檢測可以為海上救生救援、艦船交通管理、安全航海提供基礎(chǔ)信息。遙感作為非接觸、遠(yuǎn)距離的探測技術(shù)，可以提供大范圍的海洋數(shù)據(jù)，進(jìn)而獲取艦船信息。特別是合成孔徑雷達(dá)（SAR,synthetic aperture radar）系統(tǒng)，因其不受云、霧、降雨、降雪等干擾，可以大面積、長時(shí)間、連續(xù)地觀測海域，已成為海上艦船檢測的重要技術(shù)手段[1-3]。其中，高分辨率SAR 影像在為艦船檢測提供準(zhǔn)確數(shù)據(jù)的同時(shí)，還詳細(xì)地記錄了艦船目標(biāo)的位置和幾何結(jié)構(gòu)等特征。因此，本文利用高分辨率高分三號SAR 影像進(jìn)行艦船檢測。

由于艦船和海水的雷達(dá)信號反射特性不同，在SAR 影像中艦船表現(xiàn)為亮目標(biāo)，海水表現(xiàn)為暗背景，導(dǎo)致艦船區(qū)域和海水區(qū)域的光譜反射有明顯差別[4]。但由于海況變化的復(fù)雜性導(dǎo)致艦船目標(biāo)與海面背景的對比度隨之變化，因此要求設(shè)計(jì)的艦船檢測算法具備自適應(yīng)能力，且能保持恒定的虛警率。典型的SAR 影像艦船檢測算法包括艦船尾跡算法[5]、極化特征算法[6]、多分辨率算法[7]、對比度算法[8]等。在對比度算法中，基于統(tǒng)計(jì)模型的恒虛警率（CFAR,constant false alarm rate）算法[9-10]由于具有虛警率恒定、自適應(yīng)閾值、計(jì)算簡單等特點(diǎn)，在SAR 影像艦船檢測中受到了廣泛關(guān)注和深入研究。例如，高貴[11]提出了采用基于全局閾值的CFAR 檢測算法，檢測速度比較快，但由于只考慮了背景雜波的全局特性，沒有涉及局部特性，因此不能適應(yīng)背景雜波的變化，導(dǎo)致檢測性能降低。Novak 等[12]提出了雙參數(shù)CFAR 檢測算法，種勁松等[13]提出了局部窗口K 分布CFAR 算法，該類算法采用滑動(dòng)窗口實(shí)現(xiàn)像素的自適應(yīng)檢測，可以適應(yīng)局部背景雜波的變化，但由于每個(gè)像素都要參與閾值計(jì)算，計(jì)算效率較低。因此，研究者們提出了結(jié)合全局和滑窗的CFAR算法實(shí)現(xiàn)兩級檢測，提高檢測速度與檢測性能。例如，邢相薇等[14]首先利用基于對數(shù)正態(tài)分布的CFAR 算法快速篩選艦船，實(shí)現(xiàn)第一級粗檢測；然后利用基于K 分布的局部自適應(yīng)CFAR 算法實(shí)現(xiàn)第二級精確檢測。該類方法雖然可以適應(yīng)局部背景雜波的變化，但對海表漂浮物、小型島嶼和人工目標(biāo)等產(chǎn)生虛警。在虛警剔除方面，主要通過艦船特征的先驗(yàn)知識對潛在目標(biāo)進(jìn)行判斷，以剔除虛警目標(biāo)。例如，高貴等[15]提取潛在目標(biāo)的尺寸特征、形狀特征和對比度特征進(jìn)行基于投票機(jī)制的目標(biāo)鑒別?；谕镀睓C(jī)制的目標(biāo)鑒別認(rèn)為鑒別特征同等重要，而實(shí)際上不同特征對目標(biāo)鑒別的貢獻(xiàn)不同，所以其加權(quán)值不同。

針對上述算法的不足，在SAR 影像中，真實(shí)艦船目標(biāo)和虛警目標(biāo)在長寬比、艦船面積和對比度特征上有明顯差異，根據(jù)這3 個(gè)特征的特點(diǎn)，利用一種客觀分配權(quán)重方法——變異系數(shù)法對艦船特征進(jìn)行權(quán)重分配，可以更有效地區(qū)分艦船目標(biāo)和虛警目標(biāo)。因此，本文在兩級檢測的框架下，先利用基于對數(shù)正態(tài)分布的CFAR 算法檢測得到候選目標(biāo)，再提取候選目標(biāo)的長寬比、艦船面積和對比度特征，然后借助變異系數(shù)法為3 個(gè)特征分配權(quán)重，以期優(yōu)化艦船檢測結(jié)果，改善復(fù)雜環(huán)境下的檢測性能，使檢測方法適用性更強(qiáng)。

2 算法描述

在SAR 影像艦船檢測工作中，陸地區(qū)域會產(chǎn)生大量虛警。本文首先采用標(biāo)記分水嶺算法去除SAR 幅度影像中的陸地部分；其次，在去陸影像基礎(chǔ)上，利用基于對數(shù)正態(tài)分布的CFAR 算法獲取候選目標(biāo)；再次，確定每個(gè)候選目標(biāo)的最小外接矩形區(qū)域，將其作為候選區(qū)域，并提取該區(qū)域的長寬比、艦船面積和對比度特征；最后，利用變異系數(shù)法計(jì)算3 個(gè)特征的權(quán)向量，再結(jié)合候選目標(biāo)的歸一化特征矢量計(jì)算其特征置信度，通過最佳置信度對候選目標(biāo)進(jìn)行篩選，以剔除虛警目標(biāo)，得到精確的艦船檢測結(jié)果。算法的具體流程如圖1 所示，其中，實(shí)線框?yàn)閷?shí)現(xiàn)算法的功能，虛線框?yàn)閷?shí)現(xiàn)相應(yīng)功能的技術(shù)手段。

圖1 艦船檢測流程

2.1 基于標(biāo)記分水嶺算法的海陸分割

給定SAR 幅度影像w={wi(xi,yi);(xi,yi)∈ D,i∈ N}，其中，D 為影像域，i 為像素索引，(xi,yi)為像素i 的格點(diǎn)位置坐標(biāo)，N={1,…,n}為像素索引集，n 為總像素?cái)?shù)，wi為像素i 的光譜反射幅度。

在SAR 幅度影像中，海洋和陸地區(qū)域均表現(xiàn)為各自強(qiáng)烈同質(zhì)性，即各區(qū)域內(nèi)梯度變化較小，而海陸邊界處梯度變化較大，因此梯度影像能更好地反映原始影像中的海陸邊界情況。將標(biāo)記分水嶺算法[16]用于梯度影像可以減少其偽局部極小值點(diǎn)，抑制分水嶺算法的過分割現(xiàn)象，實(shí)現(xiàn)精確的海陸分割。具體過程介紹如下。

1)利用Sobel 算子構(gòu)建原始影像w 的梯度影像g={gi;i ∈ N}，其中，gi為像素i 的梯度值。

2)對原始影像w 進(jìn)行形態(tài)學(xué)開閉重構(gòu)運(yùn)算[17]得到重建后影像f={fi;i ∈ N}。

3)提取重建后影像f 中各像素的局部極大值，以構(gòu)建前景標(biāo)記影像d={di;i∈N}，其中，di=max{fi′;i′∈Ni}，Ni是以像素i 為中心像素的局部區(qū)域內(nèi)像素索引集。

4)通過自動(dòng)化閾值將重建后影像f 二值化，并進(jìn)行距離變換，進(jìn)而利用分水嶺變換，得到分水嶺變換脊線圖，即背景標(biāo)記影像j={ji;i∈N}。

5)借助數(shù)學(xué)形態(tài)學(xué)中的極小值標(biāo)定技術(shù)[16]，將影像d 和影像j 作為影像g 的局部極小值，屏蔽原先的所有局部極小值，得到修正后的梯度影像。

6)對修正后的梯度影像進(jìn)行分水嶺分割，得到海陸分割二值結(jié)果e={ei;i∈N}，其中，ei∈ {0,1}，ei=0 表示像素i 位于海洋區(qū)域，ei=1 表示像素i位于陸地區(qū)域。以二值影像e 為掩膜，從原始影像w 中去除陸地部分。去陸影像記為z={zj(xj,yj);(xj,yj)∈ I,j ∈ M}，其中，I 為去陸影像的影像域，j 為像素索引，(xj,yj)為像素j 的格點(diǎn)位置坐標(biāo)，M={1,…,m}為像素索引集，m 為總像素?cái)?shù)，zj為像素j 的光譜反射幅度。

2.2 基于對數(shù)正態(tài)分布的CFAR 算法

在統(tǒng)計(jì)學(xué)框架下，z 可建模為隨機(jī)場Z={Zj(xj,yj);(xj,yj)∈ I,j ∈ M}的實(shí)現(xiàn)，其中，Zj為像素j 幅度的隨機(jī)變量，zj為Zj的實(shí)現(xiàn)。

由于受到相干斑噪聲的影響，高分辨率SAR 幅度影像的直方圖具有明顯的拖尾現(xiàn)象。對數(shù)正態(tài)分布[18]具有分布函數(shù)簡單的特性，能有效刻畫具有明顯拖尾現(xiàn)象的非對稱性分布，適用于建模高分辨率復(fù)雜場景的海雜波。

為了驗(yàn)證對數(shù)正態(tài)分布對SAR 幅度影像海洋雜波模型的擬合能力，隨機(jī)選取大小為250 像素×250 像素的局部影像，如圖2(a)所示。分別用瑞利分布、高斯分布、韋布爾分布、K 分布和對數(shù)正態(tài)分布對影像進(jìn)行直方圖擬合，并利用最大似然方法估計(jì)各個(gè)模型的參數(shù)，擬合曲線如圖2(b)所示。從圖2(b)中可看出，影像直方圖具有重拖尾現(xiàn)象，對數(shù)正態(tài)分布可以較好地對該直方圖進(jìn)行擬合，而其他幾種分布擬合性能較差。采用K-S 統(tǒng)計(jì)量檢驗(yàn)[19]評價(jià)擬合結(jié)果如圖2(c)所示，統(tǒng)計(jì)量越小代表擬合結(jié)果越好。由圖2(c)可知，對數(shù)正態(tài)分布的K-S 統(tǒng)計(jì)量最小，擬合結(jié)果最好。因此，本文利用對數(shù)正態(tài)分布建模SAR幅度影像的海洋雜波模型，如式(1)所示。

其中，μ 為尺度參數(shù)，σ 為形狀參數(shù)。其累積分布函數(shù)為

其中，Φ(·)為標(biāo)準(zhǔn)正態(tài)分布函數(shù)。

去陸影像z 可近似看作海洋雜波像素集合，通過最大似然估計(jì)求出μ 和σ 的估計(jì)值，即

圖2 擬合結(jié)果

設(shè)檢測閾值為T，像素灰度值為g，則虛警率Pfa為

求解式(5)，可得檢測閾值T 為

利用檢測閾值T 遍歷去陸影像z，得到對數(shù)正態(tài)分布的CFAR 檢測結(jié)果L={Lj(xj,yj);(xj,yj)∈ I;j∈ M}，若zi≥T，則判為擬似艦船像素，設(shè)Lj=1；否則為擬似背景像素，設(shè)Lj=0。最后，將滿足八鄰域連通性的一組像素標(biāo)記為一個(gè)候選目標(biāo)，使其等于八鄰域連通數(shù)，并根據(jù)最終艦船判定結(jié)果相應(yīng)地改變L 中像素的標(biāo)記值，使Lj=1 對應(yīng)候選目標(biāo)像素，而Lj=0 對應(yīng)候選背景像素。設(shè)L 中Lj=1像素構(gòu)成c 個(gè)連通區(qū)域，每個(gè)區(qū)域看作候選目標(biāo)，區(qū)域內(nèi)像素格點(diǎn)集合記為Lp，p∈{1,…,c}。由此可得Lp內(nèi)的像素?cái)?shù)

2.3 候選目標(biāo)的特征提取

SAR 影像中的海表波浪、礁石等高亮目標(biāo)容易被檢測成虛警目標(biāo)，影響對數(shù)正態(tài)分布的CFAR 檢測結(jié)果。經(jīng)大量實(shí)驗(yàn)驗(yàn)證，長寬比、艦船面積和對比度3 個(gè)特征對于艦船和虛警具有較好的可分性。因此，在選定候選目標(biāo)的最小外接矩形區(qū)域?yàn)楹蜻x區(qū)域的基礎(chǔ)上，分別提取各候選區(qū)域的長寬比、艦船面積和對比度特征作為候選目標(biāo)的特征。

候選目標(biāo)的最小外接矩形實(shí)質(zhì)上是其最小面積外接矩形[20]。任一候選目標(biāo)的最小外接矩形和其凸殼的最小外接矩形是等價(jià)的，且凸多邊形的最小外接矩形至少有一條邊經(jīng)過該凸多邊形的一邊[21]。因此，提取任一候選目標(biāo)的最小外接矩形的算法步驟如下。

1)計(jì)算候選目標(biāo)的最小凸包。

2)選取所得凸包中一條邊作為起始邊，對該凸包以選中邊的左端點(diǎn)為中心旋轉(zhuǎn)，使該邊平行于坐標(biāo)橫軸，計(jì)算并保存其最小綁定矩形的坐標(biāo)、該邊編號和旋轉(zhuǎn)角度。

3)順序選擇其他邊，并按照步驟2)計(jì)算并保存其最小綁定矩形的坐標(biāo)、該邊編號和旋轉(zhuǎn)角度。

4)比較所得最小綁定矩形的面積，面積最小者按其記錄的旋轉(zhuǎn)角度以該邊的左端點(diǎn)為中心逆向旋轉(zhuǎn)即為所求的最小外接矩形。

圖3(a)中黑框?yàn)楹蜻x目標(biāo)的最小外接矩形，圖3(b)為最小外接矩形疊加到原始影像上。從圖3 可以看出，最小外接矩形緊緊貼近候選目標(biāo)，可近似將其長寬比看作候選目標(biāo)的長寬比，并計(jì)算其內(nèi)的候選目標(biāo)像素?cái)?shù)來代替艦船面積，再利用候選目標(biāo)像素和候選背景像素計(jì)算對比度。所以，在最小外接矩形的基礎(chǔ)上，可以更準(zhǔn)確地計(jì)算候選目標(biāo)的長寬比、艦船面積和對比度特征。

圖3 候選目標(biāo)的最小外接矩形

在L 基礎(chǔ)上構(gòu)建S={Sj;j ∈M}，其中，Sj∈ {0,1}，Sj=1 對應(yīng)Lp最小外接矩形內(nèi)像素。由此，得到對應(yīng)Lp的最小外接矩形Sp，稱其為候選區(qū)域。對于給定的影像空間分辨率，Sp的艦船面積正比于艦船像素?cái)?shù)mp，為方便起見，本文用mp代替艦船面積。設(shè)Sp的長和寬分別為lp和wp，則其長寬比

1)長寬比。在高分辨率SAR 影像中，艦船一般表現(xiàn)為細(xì)長型，其長寬比較大；而島嶼、礁石和高亮噪聲等虛警則為非細(xì)長型，其長寬比較小，因此利用長寬比可以將此類虛警剔除。在真實(shí)艦船目標(biāo)中，除了小型漁船外，艦船長度一般約為100～400 m，寬度約為15～70 m，長寬比約為2.5～7.5。

2)艦船面積。艦船面積一般用艦船像素?cái)?shù)量乘以影像分辨率來表示。對于給定遙感影像其分辨率是確定值，因此可直接用艦船像素?cái)?shù)代表艦船面積。這樣，可以通過設(shè)置艦船像素?cái)?shù)閾值濾除像素?cái)?shù)過多或過少的虛警目標(biāo)。艦船面積一般在1 500～20 000 m2，如SAR 影像分辨率為2.81 m，則艦船像素?cái)?shù)為190～2 500 像素。

3)對比度。對比度為目標(biāo)均值與背景均值的灰度差再除以背景均值。在高分辨率SAR 影像中，艦船表現(xiàn)為高亮目標(biāo)，周圍區(qū)域表現(xiàn)為暗背景，其對比度較大；海面劇烈運(yùn)動(dòng)造成的海表波浪較亮，但其亮度明顯低于艦船目標(biāo)，由于較明顯的海表波浪與周圍區(qū)域的對比度相對較小，因此可以利用對比度剔除此類虛警目標(biāo)。由于環(huán)境、艦船、海洋等因素的影響，目標(biāo)與背景的對比度σp一般約為0.6～1.8。

令zp={zj;j ∈ Sp}為Sp內(nèi)像素集合，則Sp內(nèi)像素幅度的對比度σp為

其中，bp=#zp，#為計(jì)算集合內(nèi)元素?cái)?shù)操作符，為Lp在Sp中的補(bǔ)集，即背景像素集合。

2.4 多特征加權(quán)的艦船優(yōu)化檢測

變異系數(shù)法[22]直接利用各特征本身所包含的信息獲取特征的權(quán)重，無人為因素干擾，定量、客觀、具有可靠性。長寬比、艦船面積和對比度3 個(gè)特征在權(quán)重決策中重要程度不同，本節(jié)利用變異系數(shù)法對3 個(gè)特征進(jìn)行權(quán)重分配，以達(dá)到區(qū)分真實(shí)艦船和虛警目標(biāo)的目的。各項(xiàng)特征的變異系數(shù)為

其中，q=1,2,3 為特征索引，分別表示長寬比、艦船面積和對比度特征，λq為第q 項(xiàng)特征的變異系數(shù)，qσ′和pμ′ 分別為所有候選目標(biāo)的第q 項(xiàng)特征的標(biāo)準(zhǔn)差和均值。若λq較大，則第q 項(xiàng)特征對艦船鑒別的貢獻(xiàn)較大，應(yīng)賦予較大權(quán)重；否則，應(yīng)賦予較小權(quán)重。

各項(xiàng)特征的權(quán)重為

其中，ωq為第q 項(xiàng)特征的權(quán)重。根據(jù)各項(xiàng)特征的權(quán)重ω1、ω2和ω3，計(jì)算特征權(quán)向量k 為

設(shè)所有候選目標(biāo)中典型艦船的最大和最小長寬比分別為rmax和rmin，最大和最小艦船像素?cái)?shù)分別為mmax和mmin，最大和最小對比度分別為σmax和σmin，則候選目標(biāo)的歸一化特征矢量vp為

其中，若rp?[rmin,rmax]，則r'p=0；若mp?[mmin,mmax]，則m'p=0；若σp?[σmin,σmax]，則σ'p=0。

利用特征權(quán)向量k 和歸一化特征矢量vp，得到候選目標(biāo)的特征置信度up為

選取最佳置信度對所有候選目標(biāo)進(jìn)行判斷，若候選目標(biāo)的特征置信度大于最佳置信度，即為真實(shí)艦船目標(biāo)；否則為虛假目標(biāo)。設(shè)最佳置信度為u'，艦船優(yōu)化檢測結(jié)果為h={hj=0,j∈M}，若up≥u'，p=1,…,c，則hj=1，(xj,yj)∈ Lp。

3 實(shí)驗(yàn)結(jié)果及討論

為驗(yàn)證艦船檢測算法的可行性和有效性，選取高分三號單視幅度VH 極化影像進(jìn)行實(shí)驗(yàn)，具體參數(shù)如表1 所示。為了方便處理，首先對兩幅影像進(jìn)行En-Frost 濾波、斜地矩轉(zhuǎn)換和地理編碼等預(yù)處理，再采用兩幅高分三號影像中的3 幅子影像進(jìn)行艦船檢測實(shí)驗(yàn)，其中實(shí)驗(yàn)影像1 從影像1 中截取，尺度為1 505 像素×1 947 像素；實(shí)驗(yàn)影像2 和實(shí)驗(yàn)影像3 從影像2 中截取，尺度分別為5 700 像素×8 688 像素和10 877 像素×7 733 像素。3 幅實(shí)驗(yàn)影像的場景復(fù)雜程度不同，參考對應(yīng)區(qū)域的光學(xué)影像，排除陸地、港口、島嶼、礁石等易混淆目標(biāo)，判斷實(shí)驗(yàn)影像中的真實(shí)艦船以白色矩形框標(biāo)記，如圖4 所示，其中圖4(a)～圖4(c)的實(shí)際艦船數(shù)分別為55、17 和147。

表1 高分三號數(shù)據(jù)參數(shù)

圖4 實(shí)驗(yàn)影像艦船標(biāo)記

圖5(a)～圖5(c)給出實(shí)驗(yàn)影像陸地掩膜后的海域影像。由圖5 可見，標(biāo)記分水嶺算法對陸地的分割效果較好，但卻無法剔除小面積島嶼。在后續(xù)艦船檢測過程中，可以利用多特征加權(quán)的艦船優(yōu)化檢測，有效地抑制這類小面積島嶼導(dǎo)致的虛警目標(biāo)。

圖5 陸地掩膜后的海域影像

以實(shí)驗(yàn)影像3 為例，計(jì)算得到各項(xiàng)特征的權(quán)重ω1、ω2和ω3分別為0.33、0.44 和0.23，其中艦船面積所占權(quán)重最大，長寬比次之，對比度所占權(quán)重最小。在SAR 影像中，首先，真實(shí)艦船和虛警且標(biāo)的面積差異最明顯，相較于長寬比和對比度，艦船面積更為直觀，更易區(qū)分艦船和虛警；其次，真實(shí)艦船和虛警目標(biāo)的形狀不同，真實(shí)艦船為細(xì)長型，虛警目標(biāo)為非細(xì)長型，長寬比差異較大，相較于對比度，其表現(xiàn)較明顯；最后，對比度反映目標(biāo)與背景的灰度差異，真實(shí)艦船比虛警目標(biāo)相對于周圍背景更亮，但對比度差異不大，不如艦船面積和長寬比表現(xiàn)明顯。該權(quán)重符合各項(xiàng)特征對艦船鑒別的貢獻(xiàn)，長寬比、艦船面積和對比度在該權(quán)重下對艦船具有更好的可分性。實(shí)驗(yàn)影像3 內(nèi)艦船和虛警目標(biāo)較多，包括實(shí)驗(yàn)影像1 和實(shí)驗(yàn)影像2 內(nèi)的艦船類型和虛警目標(biāo)。雖然3 幅實(shí)驗(yàn)影像的場景復(fù)雜程度不同，但計(jì)算的特征權(quán)向量變化較小，所以本文統(tǒng)一將特征權(quán)向量k 設(shè)置為實(shí)驗(yàn)影像3 計(jì)算的[0.33,0.44,0.23]。實(shí)驗(yàn)結(jié)果表明，該特征權(quán)向量適用于3 幅實(shí)驗(yàn)影像，且艦船檢測結(jié)果較好。

圖6 為對數(shù)正態(tài)分布CFAR 檢測結(jié)果中部分候選目標(biāo)及其實(shí)驗(yàn)影像內(nèi)對應(yīng)區(qū)域。圖6(a)～圖6(d)為航行方向不同的艦船目標(biāo)；圖6(e)～圖6(h)為虛警目標(biāo)，其中，圖6(e)為較明顯的海表波浪，圖6(f)為人工目標(biāo)，圖6(g)和圖6(h)均為小島嶼。經(jīng)統(tǒng)計(jì)，對于實(shí)驗(yàn)影像內(nèi)候選目標(biāo)，rmax=5.5，rmin=2.5，mmax=600，mmin=200，σmax=1.8，σmin=0.8，再結(jié)合特征權(quán)向量k，計(jì)算各候選目標(biāo)的長寬比、艦船面積、對比度、歸一化特征矢量和特征置信度如表2 所示。從表2 可以看到，真實(shí)艦船a1～a4具有高于29%的中高置信度，虛警目標(biāo)b1～b4具有低于15%的低置信度。經(jīng)多次實(shí)驗(yàn)，確定當(dāng)最佳置信度為16%時(shí)，檢測結(jié)果可以最大程度地區(qū)分真實(shí)艦船和虛警目標(biāo)，達(dá)到最好的艦船檢測效果。如果真實(shí)艦船目標(biāo)的各項(xiàng)特征計(jì)算偏低，則特征置信度會偏低，但一般情況下，真實(shí)艦船目標(biāo)的特征置信度都高于29%，所以，雖然各項(xiàng)特征計(jì)算偏低會導(dǎo)致特征置信度偏低，但其仍然會高于最佳置信度16%，從而真實(shí)艦船目標(biāo)會被檢測為艦船；如果真實(shí)艦船目標(biāo)的各項(xiàng)特征計(jì)算偏高，則特征置信度會偏高，從而更易被檢測為艦船。虛警目標(biāo)的特征置信度一般在15%以下，當(dāng)虛警目標(biāo)的各項(xiàng)特征計(jì)算偏高時(shí)，特征置信度也會低于最佳置信度，從而被檢測為虛警；當(dāng)虛警目標(biāo)的各項(xiàng)特征計(jì)算偏低時(shí)，特征置信度會更低于最佳置信度，從而更易被檢測為虛警。所以，在無法準(zhǔn)確計(jì)算各項(xiàng)特征的情況下，可以保證較高的艦船檢測精度。

圖6 部分候選目標(biāo)及其實(shí)驗(yàn)影像內(nèi)對應(yīng)區(qū)域

表2 部分候選目標(biāo)特征分析

為了研究多特征加權(quán)對艦船檢測結(jié)果的影響，選取實(shí)驗(yàn)影像3 內(nèi)典型區(qū)域作為實(shí)驗(yàn)區(qū)域，即圖4(c)中白色大矩形框所示區(qū)域。圖7(a)是該實(shí)驗(yàn)區(qū)域的真實(shí)情況，尺寸為1 640 像素×1 854 像素，共有30 個(gè)真實(shí)艦船目標(biāo)，利用白色矩形框標(biāo)記真實(shí)艦船。圖7(b)是本文算法的檢測結(jié)果，利用黑色矩形框標(biāo)記真實(shí)艦船目標(biāo)，黑色橢圓框標(biāo)記漏檢目標(biāo)，黑色三角框標(biāo)記虛警目標(biāo)，可以看出，檢測結(jié)果出現(xiàn)一次漏檢和2 次虛警。圖7(c)是不同特征權(quán)向量下的品質(zhì)因子三維圖，其中，X 軸為艦船面積權(quán)重，Y 軸為長寬比權(quán)重，Z 軸為品質(zhì)因子，品質(zhì)因子越高，檢測結(jié)果越好，則對比度權(quán)重為1-X-Y，特征權(quán)向量k 為[Y,X,1-X-Y]。由圖7(c)可知，不同特征權(quán)向量可能對應(yīng)相同的檢測結(jié)果，當(dāng)特征權(quán)向量k 為[0.28,0.48,0.24]，[0.28,0.49,0.23]，[0.29,0.48,0.23]，[0.29,0.49,0.22]，[0.30,0.47,0.23]，[0.30,0.48,0.22]，[0.31,0.46,0.23]，[0.31,0.47,0.22]，[0.32,0.45,0.23]，[0.32,0.46,0.22]和[0.33,0.44,0.23]時(shí)，品質(zhì)因子最大為0.878 8，檢測結(jié)果最優(yōu)，并都得到如圖7(b)所示的檢測結(jié)果。本文計(jì)算的特征權(quán)向量[0.33,0.44,0.23]為得到最優(yōu)檢測結(jié)果的特征權(quán)向量之一，因而運(yùn)用變異系數(shù)法計(jì)算的特征權(quán)向量進(jìn)行艦船檢測可以得到最優(yōu)的檢測結(jié)果。

圖7 多特征加權(quán)對艦船檢測結(jié)果的影響

除本文引言部分提到的雙參數(shù)CFAR 算法[12]外，最佳熵雙閾值算法[23]也經(jīng)常用于SAR 影像艦船檢測。因此，為了驗(yàn)證本文算法的有效性，本文選取雙參數(shù)CFAR 算法和最佳熵雙閾值算法作為對比算法與本文算法進(jìn)行比較。為了公平起見，保證檢測流程中的去陸操作一致。針對實(shí)驗(yàn)影像進(jìn)行實(shí)驗(yàn)，實(shí)驗(yàn)過程中雙參數(shù)CFAR 算法的虛警率設(shè)定為10-6，基于對數(shù)正態(tài)分布的CFAR 算法的虛警率設(shè)定為10-4，在此情況下，各算法均能取得較好性能；且雙參數(shù)CFAR 算法檢測過程中涉及背景窗口、保護(hù)窗口和目標(biāo)窗口的設(shè)定，其大小變化直接影響檢測結(jié)果的優(yōu)劣，經(jīng)多次檢測比較，本文選擇最優(yōu)檢測結(jié)果作為實(shí)驗(yàn)結(jié)果。

實(shí)驗(yàn)選取圖7(a)研究3 種算法的時(shí)間性能，運(yùn)行時(shí)間如表3 所示。最佳熵雙閾值算法基于全局閾值進(jìn)行艦船檢測，與雙參數(shù)CFAR 算法和本文算法相比，算法復(fù)雜程度最低，時(shí)間性能最好；雙參數(shù)CFAR 算法和本文算法的運(yùn)行時(shí)間相差不大，但雙參數(shù)CFAR 算法基于滑動(dòng)窗口進(jìn)行檢測，本文算法需要提取每個(gè)候選目標(biāo)的最小外接矩形，再計(jì)算各項(xiàng)特征，此過程比滑動(dòng)窗口較復(fù)雜，因此計(jì)算時(shí)間略長。

表3 運(yùn)行時(shí)間

圖8 所示為3 種算法的艦船檢測結(jié)果，并利用黑色矩形框標(biāo)記檢測結(jié)果中的真實(shí)艦船目標(biāo)，黑色橢圓框標(biāo)記漏檢目標(biāo)，黑色三角框標(biāo)記虛警目標(biāo)。圖8 可見，在本文算法的檢測結(jié)果中，黑色矩形框較多，黑色橢圓框和黑色三角框明顯少于2 種對比算法，說明本文算法正確檢測的數(shù)量較多，發(fā)生的漏檢和虛警較少，可以有效區(qū)分艦船和非艦船，檢測效果優(yōu)于2 種對比算法。

圖8 3 種算法的艦船檢測取反結(jié)果對比

3 種算法的艦船檢測結(jié)果中漏檢主要包括復(fù)雜海雜波中的艦船、相距很近的艦船、?？吭谝黄鸬呐灤⒊叽邕^大或過小的艦船等。由于復(fù)雜海雜波的影響，少部分艦船在復(fù)雜海雜波中表現(xiàn)不明顯，艦船與海雜波的對比度較低，使最佳熵雙閾值對此類艦船目標(biāo)發(fā)生漏檢；雙參數(shù)CFAR 算法基于局部窗口實(shí)現(xiàn)艦船檢測，可以適應(yīng)背景雜波的復(fù)雜變化；復(fù)雜海雜波中的艦船可以表現(xiàn)出艦船特征，本文算法能夠檢測得到此類艦船目標(biāo)。相距很近的艦船會出現(xiàn)在雙參數(shù)CFAR 算法的背景窗口內(nèi)，使真實(shí)艦船不滿足鑒別準(zhǔn)則，從而造成漏檢，但最佳熵雙閾值和本文算法不會受到相距很近艦船的影響。?？吭谝黄鸬呐灤瑯訒霈F(xiàn)在雙參數(shù)CFAR 算法的背景窗口內(nèi)，造成漏檢，且由于?？吭谝黄鸬呐灤谟跋裰斜憩F(xiàn)為一個(gè)目標(biāo)，所以最佳熵雙閾值只檢測到一次，而?？吭谝黄鸬呐灤槐憩F(xiàn)艦船特征，所以本文算法會對其發(fā)生漏檢。雙參數(shù)CFAR 算法的檢測結(jié)果受滑動(dòng)窗口尺寸的影響，對尺寸過大、過小的艦船造成漏檢，其他2 種算法不會受到艦船尺寸的影響。少部分艦船目標(biāo)的長寬比、艦船面積和對比度特征都不明顯，特征置信度低于最佳置信度，使本文算法發(fā)生漏檢，而2 種對比算法基于閾值實(shí)現(xiàn)艦船檢測，能夠檢測得到此類艦船目標(biāo)。

虛警主要包括高亮的海表波浪、人工目標(biāo)、礁石和未剔除的島嶼等。由于海面波浪的劇烈運(yùn)動(dòng)，造成高亮的海表波浪，最佳熵雙閾值和雙參數(shù)CFAR 算法對其發(fā)生虛警，而高亮的海表波浪并不表現(xiàn)出類似艦船的特征，因此本文算法將其剔除；人工目標(biāo)、礁石和未剔除的島嶼在SAR 影像中均表現(xiàn)為亮度接近艦船的高亮目標(biāo)，導(dǎo)致最佳熵雙閾值和雙參數(shù)CFAR 算法發(fā)生虛警，而此類目標(biāo)的長寬比、艦船面積和對比度特征與真實(shí)艦船有顯著差異，因此本文算法中的多特征加權(quán)的優(yōu)化檢測可以剔除此類虛警目標(biāo)，但少部分人工目標(biāo)與真實(shí)艦船目標(biāo)的特征相似，從而造成虛警。

為了定量評價(jià)3 種算法的檢測性能，本文引入檢測率和品質(zhì)因子來評估算法。

檢測率越高，說明檢測算法搜尋真實(shí)艦船的能力越強(qiáng)；品質(zhì)因子越高，說明檢測算法對艦船和非艦船的辨別越靈敏，且只有當(dāng)檢測到全部真實(shí)艦船目標(biāo)且無任何虛警和漏檢時(shí)，其值才為1。

從表4 可以看出，在虛警目標(biāo)較少的簡單場景（實(shí)驗(yàn)影像1）下，3 種算法的檢測率均在90%以上，品質(zhì)因子均在85%以上，都能得到較好的艦船檢測結(jié)果。但隨著虛警目標(biāo)增多導(dǎo)致場景復(fù)雜度增加（實(shí)驗(yàn)影像2 和實(shí)驗(yàn)影像3），最佳熵雙閾值和雙參數(shù)CFAR 算法的錯(cuò)檢數(shù)量也隨之增加，雖然2 種算法的檢測率在一定范圍之內(nèi)，但品質(zhì)因子分別從65.4%和70.8%降為23.1%和23.3%，已經(jīng)無法滿足實(shí)際精度要求，而本文算法錯(cuò)檢數(shù)量最少，檢測率最高，且品質(zhì)因子從100%降到86.4%，仍然保持較高的精度。對比發(fā)現(xiàn)，本文算法正確檢測艦船目標(biāo)最多，虛警和漏檢都最少，說明該算法搜尋真實(shí)艦船的能力更強(qiáng)，對艦船和非艦船的辨別更靈敏。

表4 3 種算法的檢測結(jié)果對比

總地來說，最佳熵雙閾值和雙參數(shù)CFAR 算法在簡單場景下，可以較好地進(jìn)行艦船檢測，但在虛警目標(biāo)較多的復(fù)雜場景下，2 種對比算法的檢測效果較差；本文算法受虛警目標(biāo)的影響較小，雖然運(yùn)行時(shí)間較長，但在不同復(fù)雜場景下有較好的檢測效果，適用性更好。

4 結(jié)束語

利用本文算法對高分三號SAR 影像進(jìn)行艦船檢測實(shí)驗(yàn)，并對其結(jié)果進(jìn)行定量和定性分析，以評價(jià)艦船檢測精度，主要結(jié)論概括如下。

1)真實(shí)SAR 影像的場景復(fù)雜程度不同，實(shí)驗(yàn)結(jié)果表明，基于多特征加權(quán)的SAR 影像艦船檢測優(yōu)化方法能夠改善虛警目標(biāo)較多的復(fù)雜環(huán)境下的檢測性能，適用性更強(qiáng)。

2)由于島嶼、人工目標(biāo)和復(fù)雜海雜波等影響，傳統(tǒng)艦船檢測算法會發(fā)生漏檢和虛警；對數(shù)正態(tài)分布能夠較好地?cái)M合高分辨率SAR 影像的海雜波分布，利用基于對數(shù)正態(tài)分布的CFAR 算法檢測得到所有的候選目標(biāo)，再采用多特征加權(quán)的艦船優(yōu)化檢測將虛警目標(biāo)剔除，優(yōu)化艦船檢測結(jié)果。由于艦船與非艦船的長寬比、艦船面積和對比度特征有顯著差異，因此多特征加權(quán)的艦船優(yōu)化檢測可以有效地區(qū)分艦船與非艦船，得到精確的艦船檢測結(jié)果。

3)在提取的艦船長寬比、艦船面積和對比度特征基礎(chǔ)上，可以進(jìn)一步刻畫艦船的速度、材質(zhì)、裝載信息等特征，為進(jìn)一步的艦船檢測提供充分的依據(jù)，因此本文算法具有重要的理論意義和實(shí)用價(jià)值。