融合極化旋轉(zhuǎn)域特征和超像素技術(shù)的極化SAR艦船檢測(cè)

崔興超 粟 毅 陳思偉

(國(guó)防科技大學(xué)電子科學(xué)學(xué)院電子信息系統(tǒng)復(fù)雜電磁環(huán)境效應(yīng)國(guó)家重點(diǎn)實(shí)驗(yàn)室 長(zhǎng)沙 410073)

1 引言

SAR作為一種主動(dòng)式微波成像雷達(dá)，能夠全天時(shí)全天候工作，是當(dāng)前對(duì)地觀測(cè)領(lǐng)域的主要手段之一，發(fā)揮著不可替代的重要作用[1,2]。在SAR的諸多應(yīng)用之中，艦船檢測(cè)一直是研究熱點(diǎn)之一。提高艦船檢測(cè)水平有助于加強(qiáng)海運(yùn)交通管理、提高海防預(yù)警能力，在民用和軍用領(lǐng)域都有現(xiàn)實(shí)緊迫性[3]。傳統(tǒng)的SAR圖像艦船檢測(cè)算法，主要包括特征提取和檢測(cè)器設(shè)計(jì)兩個(gè)方面，研究人員針對(duì)上述兩方面開展了大量的研究，提出了一系列行之有效的艦船檢測(cè)算法。

在特征提取方面，主要包括單通道SAR和極化SAR兩種。對(duì)于單通道SAR圖像，艦船目標(biāo)的幅度和強(qiáng)度明顯高于海雜波背景，因此SAR圖像的幅度和強(qiáng)度是艦船檢測(cè)中應(yīng)用最廣泛的特征[4–6]。將艦船目標(biāo)整體考慮，其統(tǒng)計(jì)特性與海雜波背景有明顯差異，研究人員由此提出了基于方差、改進(jìn)的標(biāo)準(zhǔn)差、空間分布、非相干熵等特征的SAR艦船目標(biāo)檢測(cè)方法[7–10]。為進(jìn)一步分析艦船的整體結(jié)構(gòu)屬性，光學(xué)圖像處理領(lǐng)域的超像素分割技術(shù)[11]被引入SAR艦船目標(biāo)檢測(cè)中?？疾霺AR圖像中艦船目標(biāo)在超像素級(jí)的統(tǒng)計(jì)特性，研究人員提出了基于顯著性特征和加權(quán)信息熵的艦船檢測(cè)方法[12,13]。對(duì)于低信雜比SAR數(shù)據(jù)，部分艦船目標(biāo)和海雜波的幅度相近難以區(qū)分。針對(duì)這一問題，研究人員考察了艦船和海雜波在不同子孔徑圖像中的相干特性。一般來講，相對(duì)于海雜波背景，即使是弱艦船目標(biāo)在子孔徑圖像間的相干性仍然很強(qiáng)，研究人員由此提出了基于子孔徑相干法的艦船檢測(cè)方法[14]。相較于單通道SAR，極化SAR能夠提供目標(biāo)完整的極化散射矩陣，可資利用的信息更加豐富[15–17]?；跇O化SAR數(shù)據(jù)散射機(jī)理、局部分布等信息，研究人員提出了融合超像素技術(shù)的極化SAR艦船檢測(cè)方法[18,19]。極化目標(biāo)分解是極化SAR圖像解譯的重要工具之一，可將散射體的散射分量分解成表面散射、偶次散射、體散射、螺旋散射等多種基本散射分量，通過分析各基本散射分量的能量等物理參量，解譯散射體的散射機(jī)理[20–23]。根據(jù)艦船和海雜波在極化散射分量上差異提取極化特征，可實(shí)現(xiàn)極化SAR艦船檢測(cè)[24,25]。基于極化相干矩陣相似性檢驗(yàn)[26]，可提取能有效區(qū)別艦船和海雜波背景的極化顯著性特征。研究人員由此提出了基于顯著性特征的極化SAR艦船檢測(cè)方法[27,28]。除極化相干矩陣之外，研究人員通過考察相鄰極化協(xié)方差矩陣之間的差異，基于極化協(xié)方差差異矩陣進(jìn)行極化目標(biāo)分解，并提取極化特征應(yīng)用于艦船檢測(cè)[29,30]。另外，艦船目標(biāo)作為典型的人造目標(biāo)，具有明顯的散射非對(duì)稱性。研究人員利用艦船目標(biāo)和海雜波背景的散射對(duì)稱性差異，提出了基于共極化通道和交叉極化通道相關(guān)模值的極化SAR艦船檢測(cè)方法[31,32]。上述各類算法或從統(tǒng)計(jì)特性出發(fā)，或從散射特性出發(fā)，最終目的都是提取能有效區(qū)分艦船目標(biāo)和海雜波背景的SAR圖像特征。隨著SAR圖像分辨率的提升和極化SAR獲取信息維度的擴(kuò)展，海雜波呈現(xiàn)更加復(fù)雜的統(tǒng)計(jì)和散射特性，提取有效的SAR圖像特征仍具有重要意義，值得進(jìn)一步分析挖掘。

在檢測(cè)器設(shè)計(jì)方面，研究人員同樣開展了大量的工作，取得了豐碩的研究成果。恒虛警率(Constant False Alarm Rate,CFAR)檢測(cè)器，具有算法效率高、自適應(yīng)閾值等特點(diǎn)，是SAR圖像艦船檢測(cè)中應(yīng)用最廣泛的檢測(cè)器之一[4–6,33–36]。CFAR一般采取中空的矩形滑窗結(jié)構(gòu)，選取背景窗中的像素點(diǎn)用作后續(xù)的雜波統(tǒng)計(jì)建模和恒虛警率檢測(cè)。但在實(shí)際數(shù)據(jù)中經(jīng)常出現(xiàn)雜波邊緣、多目標(biāo)干擾等現(xiàn)象，這會(huì)影響海雜波的準(zhǔn)確建模，進(jìn)而影響CFAR檢測(cè)性能。為解決上述問題，研究人員提出最大選擇CFAR (Greatest Of CFAR,GO-CFAR)[37]、最小選擇CFAR (Smallest Of CFAR,SO-CFAR)[38]等改進(jìn)型，將背景窗內(nèi)像素點(diǎn)分成若干部分，通過取大和取小處理，分別能夠一定程度上解決雜波邊緣和多目標(biāo)干擾的問題。在近年來，相關(guān)文獻(xiàn)中提出了一系列統(tǒng)計(jì)建模樣本點(diǎn)選取優(yōu)化方法，通過自適應(yīng)迭代算法選取合適的樣本點(diǎn)用以統(tǒng)計(jì)建模，獲得了較好的檢測(cè)性能[39–41]。考慮到傳統(tǒng)的CFAR滑窗一般采用局部滑窗結(jié)構(gòu)自適應(yīng)地計(jì)算門限，在處理大尺度圖像，尤其是艦船稀疏分布的廣域海面時(shí)，算法的檢測(cè)效率有較大提升空間。為解決這一問題，研究人員提出了改進(jìn)的雙階段CFAR檢測(cè)器，先通過全局CFAR得到候選目標(biāo)區(qū)域，再對(duì)候選目標(biāo)區(qū)域進(jìn)行精細(xì)化CFAR檢測(cè)，取得了良好檢測(cè)效果，并能夠大幅縮短算法運(yùn)行時(shí)間[13,39,42]。除了CFAR檢測(cè)器之外，研究人員根據(jù)艦船目標(biāo)和海雜波背景的統(tǒng)計(jì)特性差異，構(gòu)建廣義極大似然比檢測(cè)器，將艦船目標(biāo)檢測(cè)問題轉(zhuǎn)變成假設(shè)檢驗(yàn)問題[43]?；跇O化SAR數(shù)據(jù)，通過考察艦船目標(biāo)散射機(jī)理的幾何擾動(dòng)特性，研究人員提出了極化凹口濾波器用于極化SAR艦船檢測(cè)[44–47]。除了上述基于統(tǒng)計(jì)的檢測(cè)器之外，隨著深度學(xué)習(xí)理論和方法的不斷發(fā)展與推廣應(yīng)用，數(shù)據(jù)樣本驅(qū)動(dòng)的深度學(xué)習(xí)檢測(cè)器被用于SAR艦船目標(biāo)檢測(cè)，獲得了良好的檢測(cè)性能[48–50]。需要指出的是，基于深度學(xué)習(xí)的檢測(cè)方法需要大量的數(shù)據(jù)樣本驅(qū)動(dòng)，是一種端到端的檢測(cè)方法，這與傳統(tǒng)的基于SAR圖像解譯的檢測(cè)方法有本質(zhì)差異。對(duì)于密集區(qū)域的艦船檢測(cè)問題，基于數(shù)據(jù)驅(qū)動(dòng)的檢測(cè)器受限于樣本數(shù)量，而傳統(tǒng)的基于圖像解譯的檢測(cè)器仍然無法有效解決多目標(biāo)干擾問題，由此帶來的門限過高估計(jì)不可避免地導(dǎo)致目標(biāo)漏檢。針對(duì)上述問題，本文提出一種融合極化旋轉(zhuǎn)域特征和超像素技術(shù)的極化SAR艦船檢測(cè)方法，以提高密集區(qū)域的艦船檢測(cè)性能。

針對(duì)SAR圖像艦船檢測(cè)中的關(guān)鍵環(huán)節(jié)，特別是圍繞密集區(qū)域的艦船檢測(cè)問題，本文從特征提取和檢測(cè)器設(shè)計(jì)兩個(gè)方面出發(fā)，提出一種融合極化旋轉(zhuǎn)域特征和超像素技術(shù)的極化SAR艦船檢測(cè)方法，并基于實(shí)測(cè)數(shù)據(jù)開展對(duì)比實(shí)驗(yàn)驗(yàn)證方法有效性。本文內(nèi)容安排如下：第2節(jié)介紹極化旋轉(zhuǎn)域特征提取與優(yōu)選；第3節(jié)提出融合極化旋轉(zhuǎn)域特征和超像素技術(shù)的艦船檢測(cè)方法；第4節(jié)開展對(duì)比實(shí)驗(yàn)研究；第5節(jié)為結(jié)論部分，總結(jié)全文。

2 極化旋轉(zhuǎn)域特征提取與優(yōu)選

雷達(dá)目標(biāo)的后向散射敏感于目標(biāo)姿態(tài)與雷達(dá)視線的相對(duì)幾何關(guān)系，這種散射多樣性中蘊(yùn)含著豐富的極化散射信息[51]。針對(duì)這一隱含信息，研究團(tuán)隊(duì)在繞雷達(dá)視線方向，提出了極化旋轉(zhuǎn)域的概念，將特定成像幾何關(guān)系下獲得的目標(biāo)極化矩陣拓展到繞雷達(dá)視線的極化旋轉(zhuǎn)域，提出了統(tǒng)一的極化矩陣旋轉(zhuǎn)理論方法[52]和極化相干/相關(guān)特征旋轉(zhuǎn)域可視化解譯理論方法[53,54]，建立了在極化旋轉(zhuǎn)域解譯目標(biāo)散射機(jī)理的理論框架，在目標(biāo)檢測(cè)、地物分類等領(lǐng)域獲得成功應(yīng)用[54,55]。

2.1 極化相關(guān)方向圖及特征提取

水平和垂直極化基下，全極化數(shù)據(jù)可以表征為極化散射矩陣，即

其中，SHV表示水平極化發(fā)射、垂直極化接收的后向散射系數(shù)，其他變量類似定義。將極化散射矩陣?yán)@雷達(dá)視線旋轉(zhuǎn)角度θ，其中θ ∈[?π,π)，可得到旋轉(zhuǎn)域極化散射矩陣

其中，上標(biāo)T表示轉(zhuǎn)置且旋轉(zhuǎn)矩陣為

極化SAR數(shù)據(jù)不同極化通道之間的相關(guān)值包含豐富的目標(biāo)散射信息[54]?？疾鞓O化通道s1和s2，其極化相關(guān)值定義為

將極化相關(guān)值擴(kuò)展到繞雷達(dá)視線的極化旋轉(zhuǎn)域，定義兩極化通道之間的極化相關(guān)方向圖為

為直觀地展示極化相關(guān)方向圖特征，在Radarsat-2實(shí)測(cè)數(shù)據(jù)中隨機(jī)選取1個(gè)海雜波像素點(diǎn)和1個(gè)艦船像素點(diǎn)構(gòu)造極化相關(guān)方向圖|γHH-VV(θ)|，分別如圖1(a)和圖1(b)所示，極化相關(guān)原始值、最大值、最小值、極化相關(guān)對(duì)比度、最大化旋轉(zhuǎn)角、最小化旋轉(zhuǎn)角、波束寬度等極化旋轉(zhuǎn)域特征標(biāo)記在圖1中。中低海況下，海雜波區(qū)域一般以表面散射為主，而艦船目標(biāo)以二次散射為主，且包含表面散射、體散射、螺旋散射等多種散射機(jī)理，海雜波和艦船目標(biāo)散射機(jī)理的差異導(dǎo)致了其極化相關(guān)值在極化旋轉(zhuǎn)域變化趨勢(shì)不同。由圖1可得，海雜波和艦船像素點(diǎn)的極化相關(guān)值的取值大小及其變化趨勢(shì)具有顯著差異。對(duì)于海雜波像素點(diǎn)，極化相關(guān)值較小且對(duì)于夾角不敏感，變化趨勢(shì)類似圓形。而艦船像素點(diǎn)的極化相關(guān)取值大，比海雜波像素點(diǎn)相關(guān)值高近兩個(gè)數(shù)量級(jí)，且十分敏感于雷達(dá)視線與目標(biāo)姿態(tài)的夾角，極化相關(guān)值變化趨勢(shì)呈現(xiàn)四葉草狀。艦船目標(biāo)和海雜波背景在極化相關(guān)方向圖中存在顯著差異，有望從中提取和優(yōu)選極化特征用于后續(xù)的艦船目標(biāo)檢測(cè)。

圖1 極化相關(guān)方向圖可視化表征Fig.1 Visualization of polarimetric correlation pattern

2.2 極化旋轉(zhuǎn)域特征優(yōu)選

目標(biāo)雜波比(Target-to-Clutter Ratio,TCR)可以反映極化特征在目標(biāo)檢測(cè)中的應(yīng)用潛能。一般來講，TCR越大表示該極化特征中目標(biāo)和雜波背景之間的差異越大，目標(biāo)檢測(cè)性能越好。因此，本文以TCR為指標(biāo)分析優(yōu)選極化特征。具體地以Radarsat-2數(shù)據(jù)為例，隨機(jī)選取10個(gè)面積相等的包含艦船目標(biāo)的區(qū)域，該區(qū)域極化特征的均值作為目標(biāo)的極化特征值；再選取10個(gè)相同面積的雜波背景區(qū)域，該區(qū)域極化特征的均值作為雜波的極化特征值，目標(biāo)的極化特征值和雜波的極化特征值之比即為該極化特征下的TCR。

統(tǒng)計(jì)Radarsat-2數(shù)據(jù)中10個(gè)艦船目標(biāo)和雜波背景區(qū)域間的TCR如圖2所示。圖2包含4組，每組7個(gè)，共計(jì)28個(gè)極化相關(guān)方向圖特征的TCR。除去4個(gè)極化相關(guān)特征反熵γ-A外，其他24個(gè)特征的TCR都遠(yuǎn)大于1，從TCR的角度考慮，這些特征都有用于艦船目標(biāo)檢測(cè)的潛能。這其中，TCR最高的極化相關(guān)特征是，其TCR為449.17。其次是,TCR分別是208.83和118.91。本文優(yōu)選TCR最高的3個(gè)極化旋轉(zhuǎn)域特征，用于后續(xù)的艦船目標(biāo)檢測(cè)。

3 融合極化旋轉(zhuǎn)域特征和超像素技術(shù)的艦船檢測(cè)方法

3.1 融合極化特征和超像素技術(shù)

近年來，在光學(xué)圖像處理領(lǐng)域獲得成功應(yīng)用的超像素技術(shù)[11]被引入SAR圖像艦船目標(biāo)檢測(cè)中，并取得良好效果[12,13]。隨著SAR圖像分辨率的提升，艦船目標(biāo)在SAR圖像中可能包含幾百甚至上千像素點(diǎn)，傳統(tǒng)的基于像素點(diǎn)的SAR圖像艦船檢測(cè)方法未能將艦船目標(biāo)作為整體考慮。以經(jīng)典的CAFR檢測(cè)器為例，其滑窗結(jié)構(gòu)選取的背景像素點(diǎn)中難免會(huì)存在其他目標(biāo)的干擾，由此導(dǎo)致門限的過高估計(jì)并帶來檢測(cè)結(jié)果中目標(biāo)斷裂、空洞等多種問題。而超像素分割技術(shù)能夠?qū)⑴灤繕?biāo)和海雜波背景分割在不同的超像素中，可在最大限度上選取純凈的背景像素點(diǎn)。基于超像素方法的性能優(yōu)勢(shì)，本文將極化旋轉(zhuǎn)域特征和超像素技術(shù)相結(jié)合，提出融合優(yōu)選極化特征和超像素技術(shù)的艦船檢測(cè)方法。簡(jiǎn)單線性迭代聚類方法(Simple Linear Iterative Clustering,SLIC)是具有代表性的超像素分割方法之一[11]，具有運(yùn)行速度快、占用內(nèi)存小、適用于不同維度圖像等性能優(yōu)勢(shì)，本文中即選取SLIC方法用于超像素分割。

針對(duì)優(yōu)選的3個(gè)極化相關(guān)方向圖特征，可將單個(gè)特征視為灰度圖像進(jìn)行超像素分割，也可基于3種不同的極化特征構(gòu)造紅綠藍(lán)(Red-Green-Blue,RGB)偽彩色圖像，再進(jìn)行超像素分割。從圖2可得，優(yōu)選的3個(gè)特征TCR高，即艦船目標(biāo)和海雜波背景取值差異大。將優(yōu)選的3個(gè)極化特征歸一化之后分別作為3個(gè)通道可構(gòu)造RGB偽彩色圖，可以直接應(yīng)用SLIC方法進(jìn)行彩圖分割。在不同通道極化取值差異的調(diào)制下，超像素技術(shù)可將艦船目標(biāo)和海雜波背景分割開來。

3.2 背景像素點(diǎn)提取

恒虛警率類檢測(cè)器的設(shè)計(jì)過程中，選取純凈的海雜波像素點(diǎn)對(duì)后續(xù)的艦船目標(biāo)檢測(cè)至關(guān)重要。特別地，在艦船目標(biāo)密集區(qū)域，傳統(tǒng)的CFAR模型的背景窗受多目標(biāo)干擾的影響可能會(huì)包含鄰近目標(biāo)像素點(diǎn)，由此帶來的門限過高估計(jì)問題會(huì)嚴(yán)重降低目標(biāo)檢測(cè)性能?；诔袼胤指罴夹g(shù)，艦船目標(biāo)和海雜波背景被分割在不同的超像素單元，使得提取純凈的海雜波像素點(diǎn)成為可能。將艦船目標(biāo)作為整體來考慮，其內(nèi)部結(jié)構(gòu)復(fù)雜，散射類型包括但不限于甲板引起的表面散射、船體與水面引起的二次散射、復(fù)雜天線結(jié)構(gòu)引起的螺旋散射等，復(fù)雜的散射機(jī)理使得艦船超像素內(nèi)部的極化特征取值差異較大，具有較高的標(biāo)準(zhǔn)差。而在中低海況下，海雜波可視為表面散射，故海雜波超像素的極化特征取值相近，且標(biāo)準(zhǔn)差較小[7]。

基于上述分析，標(biāo)準(zhǔn)差可有效區(qū)分艦船超像素和海雜波超像素。為了自適應(yīng)地提取海雜波像素點(diǎn)，本文采用K均值聚類算法，基于超像素的標(biāo)準(zhǔn)差將其自適應(yīng)地分為艦船超像素和海雜波超像素。以Radarsat-2數(shù)據(jù)為例，該區(qū)域包含陸地和密集的艦船目標(biāo)，Pauli圖如圖3(a)所示。該數(shù)據(jù)的詳細(xì)信息見4.1節(jié)實(shí)驗(yàn)數(shù)據(jù)介紹部分。需要指出的是，在超像素分割前已對(duì)該區(qū)域進(jìn)行海陸分割，艦船和海雜波區(qū)域的RGB偽彩色圖超像素分割結(jié)果如圖3(b)—圖3(d)所示，其中圖3(b)是原始分割結(jié)果，圖3(c)和圖3(d)分別是海雜波超像素和艦船超像素的聚類結(jié)果。圖3(b)中，超像素分割技術(shù)能夠?qū)⑴灤繕?biāo)和海雜波背景分割在不同的超像素中，取得良好的分割效果。圖3(c)和圖3(d)中，K均值聚類方法能夠有效地分離艦船超像素和海雜波超像素。

3.3 融合極化特征和超像素技術(shù)的艦船檢測(cè)

SO-CFAR通過對(duì)背景像素點(diǎn)分組，選取均值最小的一組用于海雜波的統(tǒng)計(jì)建模和門限求解，適用于密集區(qū)域艦船檢測(cè)問題[38]。綜上，本文提出一種融合極化旋轉(zhuǎn)域特征和超像素技術(shù)的極化SAR艦船檢測(cè)方法，算法流程如圖4所示，主要包括極化特征提取和極化檢測(cè)器設(shè)計(jì)兩個(gè)環(huán)節(jié)，其中恒虛警率設(shè)為10–4。

圖3 Radarsat-2數(shù)據(jù)及其超像素分割結(jié)果Fig.3 Radarsat-2 data and its superpixel segmentation results

圖4 融合極化旋轉(zhuǎn)域特征和超像素技術(shù)的艦船檢測(cè)方法流程圖Fig.4 Flowchart of ship detection method combing polarimetric rotation domain features and superpixel technique

首先，將兩極化通道之間的相關(guān)值擴(kuò)展到繞雷達(dá)視線的極化旋轉(zhuǎn)域，導(dǎo)出包括原始極化相關(guān)值、極化相關(guān)最小值等在內(nèi)的一系列極化相關(guān)特征。其次，根據(jù)目標(biāo)雜波比(TCR)分析，優(yōu)選TCR 最高的和構(gòu)成RGB偽彩色圖并進(jìn)行超像素分割。最后，將3個(gè)通道幅度相加得到最終的融合特征，針對(duì)分割后的超像素進(jìn)行K均值聚類得到純凈的背景像素點(diǎn)集合，結(jié)合恒虛警率檢測(cè)和形態(tài)學(xué)濾波處理得到最終的艦船檢測(cè)結(jié)果。

4 對(duì)比實(shí)驗(yàn)

4.1 實(shí)驗(yàn)數(shù)據(jù)介紹

選取加拿大Radarsat-2和中國(guó)高分三號(hào)星載SAR全極化數(shù)據(jù)開展實(shí)驗(yàn)驗(yàn)證。C波段Radarsat-2精細(xì)全極化數(shù)據(jù)于2008年12月16日在中國(guó)香港海域獲取。該數(shù)據(jù)大小為300像素×500像素，包含陸地、島嶼和137艘艦船目標(biāo)，最小艦船目標(biāo)在真值圖中占12個(gè)像素點(diǎn)。該區(qū)域艦船目標(biāo)較小且分布較為密集，開展艦船目標(biāo)檢測(cè)實(shí)驗(yàn)具有一定挑戰(zhàn)性。另有兩景C波段高分三號(hào)全極化條帶模式I全極化數(shù)據(jù)，成像區(qū)域覆蓋中國(guó)香港海域。第1景數(shù)據(jù)成像時(shí)間是2017年3月15日，數(shù)據(jù)大小為3450像素×2150像素，該數(shù)據(jù)共包含242艘艦船，最小的艦船在真值圖中占52個(gè)像素點(diǎn)。第2景高分三號(hào)數(shù)據(jù)的成像時(shí)間是2017年3月30日，數(shù)據(jù)大小為1000像素×1000像素。該數(shù)據(jù)共包含44艘艦船，最小的艦船在真值圖中占22個(gè)像素點(diǎn)。兩組高分三號(hào)數(shù)據(jù)分別命名為高分三號(hào)數(shù)據(jù)I和高分三號(hào)數(shù)據(jù)II。需要指出的是，本文是基于像素級(jí)的檢測(cè)方法，其檢測(cè)結(jié)果中可能存在獨(dú)立連通區(qū)域引起的虛警，這些虛警可能來自海雜波區(qū)域的強(qiáng)點(diǎn)以及艦船目標(biāo)周圍的強(qiáng)散射區(qū)域。在目標(biāo)級(jí)的評(píng)價(jià)體系中，這類虛警會(huì)嚴(yán)重影響檢測(cè)性能的評(píng)估。為了解決這一問題，本文采取形態(tài)學(xué)濾波中的開處理方法剔除上述虛警。具體地，像素點(diǎn)個(gè)數(shù)低于一定門限的獨(dú)立連通區(qū)域被當(dāng)作虛警剔除，對(duì)于Radarsat-2數(shù)據(jù)、高分三號(hào)數(shù)據(jù)I和高分三號(hào)數(shù)據(jù)II，考慮到最小艦船目標(biāo)所占像素點(diǎn)的大小，上述門限分別取10,50和15。

Radarsat-2數(shù)據(jù)和兩景高分三號(hào)數(shù)據(jù)分別如圖5—圖7所示，其中圖5(a)、圖6(a)、圖7(a)是Pauli基下RGB偽彩色圖，圖5(b)、圖6(b)、圖7(b)是真值圖。數(shù)據(jù)真值由專業(yè)人員結(jié)合專家知識(shí)標(biāo)注，其中白色代表艦船目標(biāo)像素點(diǎn)，黑色代表海雜波區(qū)域像素點(diǎn)，灰色代表陸地像素點(diǎn)。

4.2 實(shí)驗(yàn)結(jié)果分析

本文選取傳統(tǒng)的SO-CFAR方法[38]、新近提出的迭代CA-CFAR方法[40]和顯著性方法[12]作為對(duì)比方法，驗(yàn)證本文融合多極化特征和超像素技術(shù)的艦船檢測(cè)方法性能。除此之外，為進(jìn)一步驗(yàn)證融合多特征方法的性能優(yōu)勢(shì)，還選取極化總功率SPAN和優(yōu)選的3個(gè)極化特征，分別單獨(dú)結(jié)合超像素技術(shù)作為對(duì)比方法。

圖5 Radarsat-2數(shù)據(jù)Fig.5 Radarsat-2 data

圖6 高分三號(hào)數(shù)據(jù)IFig.6 GaoFen-3 data I

圖7 高分三號(hào)數(shù)據(jù)IIFig.7 GaoFen-3 data II

圖8 Radarsat-2數(shù)據(jù)對(duì)比方法檢測(cè)結(jié)果Fig.8 Detection results of comparative methods with Radarsat-2 data

圖9 高分三號(hào)數(shù)據(jù)I對(duì)比方法檢測(cè)結(jié)果Fig.9 Detection results of comparative methods with GaoFen-3 data I

Radarsat-2數(shù)據(jù)、高分三號(hào)數(shù)據(jù)I、高分三號(hào)數(shù)據(jù)II的檢測(cè)結(jié)果分別如圖8—圖10所示。其中圖8(a)—圖8(c)、圖9(a)—圖9(c)、圖10(a)—圖10(c)分別是SO-CFAR、迭代CA-CFAR、顯著性方法的檢測(cè)結(jié)果，圖8(d)—圖8(g)、圖9(d)—圖9(g)、圖1 0(d)—圖10(g)為SPAN和|γHH-HV(θ)|org,分別單獨(dú)結(jié)合超像素技術(shù)的檢測(cè)結(jié)果，圖8(h)、圖9(h)和圖10(h)是融合多極化特征和超像素技術(shù)的檢測(cè)結(jié)果。其中紅色、綠色、黃色矩形框分別代表虛警、正確檢測(cè)和漏檢。為定量分析檢測(cè)結(jié)果，引入品質(zhì)因數(shù)(Figure of Merit, FoM)[54]

圖 10 高分三號(hào)數(shù)據(jù)II對(duì)比方法檢測(cè)結(jié)果Fig. 10 Detection results of comparative methods with GaoFen-3 data II

其中，NC,NM和NFA分別代表正確檢測(cè)、漏檢和虛警的個(gè)數(shù)。Radarsat-2數(shù)據(jù)、高分三號(hào)數(shù)據(jù)I、高分三號(hào)數(shù)據(jù)II定量的檢測(cè)結(jié)果分別統(tǒng)計(jì)在表1—表3。

對(duì)于Radarsat-2數(shù)據(jù)，傳統(tǒng)的SO-CFAR方法受密集區(qū)域多目標(biāo)干擾的影響，產(chǎn)生了較多數(shù)量的漏檢，如圖8(a)所示。該方法共有11個(gè)漏檢，F(xiàn)oM為91.97%。迭代CA-CFAR方法通過迭代選取用于門限估計(jì)的雜波像素點(diǎn)，旨在提高密集區(qū)域的檢測(cè)性能，然而受限于CA-CFAR方法[56]的基本框架，在密集區(qū)域還存在大量漏檢，其漏檢數(shù)量為23個(gè)，F(xiàn)oM是所有方法中性能最低的，只有83.21%，如圖8(b)所示。顯著性方法基于像素點(diǎn)之間的歐幾里得距離和灰度空間距離提取顯著性特征，再根據(jù)OTSU方法得到全局檢測(cè)門限[12]。顯著性方法的檢測(cè)結(jié)果如圖8(c)所示，在目標(biāo)密集區(qū)域存在大面積的目標(biāo)混疊，無法有效區(qū)分艦船目標(biāo)，且產(chǎn)生了21個(gè)漏檢，F(xiàn)oM為84.67%。相比于上述3種對(duì)比方法，SPAN特征和3個(gè)優(yōu)選的極化旋轉(zhuǎn)域特征能有效提高密集區(qū)域的艦船檢測(cè)性能，漏檢數(shù)量明顯降低，且相對(duì)于顯著性方法能有效分離密集區(qū)域的艦船目標(biāo)。圖8(d)—圖8(g)分別為基于單一極化特征SPAN,|和的檢測(cè)結(jié)果，其漏檢數(shù)量分別是4, 1, 2和1，其中優(yōu)選的極化旋轉(zhuǎn)域特征的檢測(cè)結(jié)果中只有1個(gè)漏檢，F(xiàn)oM為99.27%，是所有方法中最高的?？疾靸?yōu)選的3個(gè)極化旋轉(zhuǎn)域特征和SPAN特征，極化旋轉(zhuǎn)域特征性能優(yōu)于SPAN特征。本文所提融合多特征和超像素技術(shù)的艦船檢測(cè)方法的檢測(cè)結(jié)果如圖8(h)所示，有2個(gè)漏檢和1個(gè)虛警，品質(zhì)因數(shù)為97.83%，優(yōu)于單特征和SPAN的性能，也遠(yuǎn)優(yōu)于SO-CFAR、迭代CACFAR和顯著性方法。

表1 Radarsat-2數(shù)據(jù)定量檢測(cè)結(jié)果Tab.1 Quantitative detection results of Radarsat-2 data

表2 高分三號(hào)數(shù)據(jù)I定量檢測(cè)結(jié)果Tab.2 Quantitative detection results of GaoFen-3 data I

表3 高分三號(hào)數(shù)據(jù)II定量檢測(cè)結(jié)果Tab.3 Quantitative detection results of GaoFen-3 data II

高分三號(hào)數(shù)據(jù)I的檢測(cè)結(jié)果中，迭代CA-CFAR有76個(gè)漏檢，品質(zhì)因數(shù)為68.60%，是所有方法中性能最低的。SO-CFAR和SPAN特征同樣產(chǎn)生了較多數(shù)量的漏檢，分別是59個(gè)和68個(gè)，品質(zhì)因數(shù)分別是75.62%和71.90%。與Radarsat-2數(shù)據(jù)類似，顯著性方法在檢測(cè)結(jié)果中產(chǎn)生了一定程度的目標(biāo)混疊，如圖9(c)所示。顯著性方法中有27個(gè)漏檢，相對(duì)于SO-CFAR、迭代CA-CFAR和SPAN特征性能有明顯的提升，F(xiàn)oM達(dá)到88.84%。本文優(yōu)選的3個(gè)極化旋轉(zhuǎn)域特征，其檢測(cè)結(jié)果中漏檢數(shù)量大大減少，其中僅有1個(gè)漏檢，同時(shí)還有11個(gè)虛警，其品質(zhì)因數(shù)是單特征方法中最高的，達(dá)到了95.26%。和相比，的漏檢數(shù)量從1增加到了4，但是虛警數(shù)量從11降到了8。從圖9(f)和圖9(g)來看，和在檢測(cè)結(jié)果中存在互補(bǔ)，即漏檢的4個(gè)目標(biāo)中，在中有3個(gè)都能被正確檢測(cè)；產(chǎn)生的11個(gè)虛警中，有3個(gè)在中能被有效抑制。針對(duì)不同極化特征之間存在的互補(bǔ)性，本文提出融合多個(gè)極化旋轉(zhuǎn)域特征和超像素技術(shù)的檢測(cè)方法，有望進(jìn)一步提高艦船檢測(cè)性能。本文方法的檢測(cè)結(jié)果如圖9(h)所示，共有3個(gè)漏檢和8個(gè)虛警。該方法能夠有效融合和的性能優(yōu)勢(shì)，降低檢測(cè)結(jié)果中的虛警和漏檢，品質(zhì)因數(shù)進(jìn)一步提升到95.60%，是所有方法中性能最好的，驗(yàn)證了融合多特征檢測(cè)方法的性能優(yōu)勢(shì)。

高分三號(hào)數(shù)據(jù)II中，顯著性方法的漏檢數(shù)量最多，達(dá)到了13個(gè)，F(xiàn)oM是所有方法中最低的，只有70.45%。產(chǎn)生漏檢的大多是面積較小的艦船目標(biāo)，且顯著性方法的檢測(cè)結(jié)果中目標(biāo)混疊的現(xiàn)象嚴(yán)重，在艦船密集區(qū)域無法有效區(qū)分多個(gè)艦船目標(biāo)。SO-CFAR和迭代CA-CFAR方法的漏檢數(shù)量大幅減少，分別是6個(gè)和3個(gè)，但是這兩種方法分別有1個(gè)和6個(gè)虛警，F(xiàn)oM分別是84.44%和82.00%。相比于SO-CFAR、迭代CA-CFAR和顯著性方法，基于SPAN特征和極化旋轉(zhuǎn)域特征的檢測(cè)方法FoM在86%以上，有更高的檢測(cè)性能。其中，SPAN特征有6個(gè)漏檢，F(xiàn)oM為86.36%。優(yōu)選的3個(gè)極化旋轉(zhuǎn)域特征相較于SPAN特征性能更好，其中只有2個(gè)虛警，F(xiàn)oM達(dá)到了95.65%，是單個(gè)極化特征檢測(cè)方法中性能最高的。檢測(cè)結(jié)果中只有3個(gè)漏檢，其FoM為93.18%。如圖10(e)和圖10(f)所示，極化旋轉(zhuǎn)域特征有明顯的互補(bǔ)性，檢測(cè)結(jié)果中的虛警在中被有效抑制，檢測(cè)結(jié)果中的漏檢在中被正確檢測(cè)，融合多極化特征的檢測(cè)方法有望進(jìn)一步提升檢測(cè)性能。本文所提的融合多極化特征和超像素技術(shù)的檢測(cè)結(jié)果如圖10(h)所示，該方法有效抑制了檢測(cè)結(jié)果中的1個(gè)虛警，并正確檢測(cè)了檢測(cè)結(jié)果中的3個(gè)漏檢目標(biāo)，F(xiàn)oM是所有方法中最高的，達(dá)到了97.78%，進(jìn)一步驗(yàn)證了本文方法的性能優(yōu)勢(shì)。

5 結(jié)束語(yǔ)

以艦船為代表的海上高價(jià)值人造目標(biāo)檢測(cè)是極化SAR傳感器的重要應(yīng)用之一。受極化特征優(yōu)選和鄰近多目標(biāo)干擾的影響，密集區(qū)域的艦船檢測(cè)性能亟待進(jìn)一步提升。針對(duì)這一問題，本文從極化特征提取和極化檢測(cè)器設(shè)計(jì)兩方面出發(fā)，提出一種融合極化旋轉(zhuǎn)域特征和超像素技術(shù)的檢測(cè)方法。在極化特征提取方面，將兩極化通道間的極化相關(guān)值擴(kuò)展到繞雷達(dá)視線的極化旋轉(zhuǎn)域，由此導(dǎo)出一系列極化相關(guān)方向圖特征。這些極化特征具有明確的物理意義，可反映艦船目標(biāo)和海雜波背景不同的散射特性，在目標(biāo)檢測(cè)、分類識(shí)別等領(lǐng)域具有應(yīng)用潛力。在檢測(cè)器設(shè)計(jì)方面，本文提出一種基于超像素技術(shù)的雜波選取方法。利用艦船目標(biāo)和海雜波背景極化取值差異，基于K均值聚類提取純凈的背景像素點(diǎn)，進(jìn)一步提高密集區(qū)域艦船目標(biāo)檢測(cè)性能。對(duì)比實(shí)驗(yàn)驗(yàn)證了優(yōu)選極化特征在艦船目標(biāo)檢測(cè)中的應(yīng)用，后續(xù)將繼續(xù)分析極化旋轉(zhuǎn)域特征在其他領(lǐng)域的應(yīng)用可行性。