基于機載SAR 圖像的海面船只實時檢測分類應用架構

繆煒星 ，王小龍 ，李志勇 ，楊 松 ，張 欣 ，季昕寧

(1.中航(成都)無人機系統(tǒng)股份有限公司，四川 成都 611730；2.中國科學院 空天信息創(chuàng)新研究院，北京 100190)

0 引言

合成孔徑雷達(Synthetic Aperture Radar，SAR)作為一種主動式微波遙感載荷系統(tǒng)，具有很強的工作環(huán)境適應能力，可以在煙塵、云霧、陰雨以及夜間等復雜氣象條件下執(zhí)行觀察任務。其中，機載SAR 系統(tǒng)因其使用機動靈活、分辨率高、實時性強等特點，被廣泛應用于軍事偵察、海洋監(jiān)測、災害應急評估等各類應用[1-3]，表現(xiàn)出極大的應用價值和潛力。

海面船只監(jiān)視是世界沿海各國的傳統(tǒng)任務，主要涉及船只搜救、非法捕撈和傾倒的監(jiān)視、軍船活動監(jiān)測等。傳統(tǒng)的監(jiān)測手段投入大、覆蓋范圍小，很難滿足日益加劇的海洋生產(chǎn)、運輸和軍事活動的監(jiān)查需求。因此，基于遙感的海面船只監(jiān)測手段成為各國研究和發(fā)展的重點。其中，SAR 遙感技術因其抗云雨和晝夜工作的能力受到廣泛關注，特別是基于SAR 圖像的船只目標檢測、分類在SAR 海洋應用中備受關注，而針對實時應用的海面船只檢測、分類最具應用價值[4-5]。針對該應用需求，近二三十年來，國內(nèi)外不同研究機構開展了大量研究、推進工作，特別是隨著深度學習人工智能技術的興起，基于深度學習方法的SAR 艦只目標分類問題日益受到國內(nèi)外廣泛關注[6-10]。為了支撐方法研究，近年來人們先后構建和公布了多個SAR 船只樣本數(shù)據(jù)集，包括：SSDD、Air-SAR-Ship、OpenSARShip 等，極大地推動了應用研究工作的開展。但是，截至目前，實用性的SAR 船只實時檢測識別系統(tǒng)仍停留在目標檢測階段。究其原因，大致如下：(1)現(xiàn)有數(shù)據(jù)集均為星載SAR 數(shù)據(jù)集，缺乏高質(zhì)量、高分辨率的SAR 目標數(shù)據(jù)集，很難支撐分類應用需求；(2)SAR 目標特征隨系統(tǒng)入射角、方位角、分辨率、信噪比及參數(shù)差異等變化較大，小樣本量的目標圖像很難支撐實際的分類應用；(3)對于實時應用的機載SAR 系統(tǒng)，星載SAR 目標樣本缺乏系統(tǒng)普適性。

為此，本文針對SAR 海面船只目標實時分類應用中所面臨的上述問題，從實際的工程應用出發(fā)，從系統(tǒng)方案設計入手，探討了基于SAR 圖像的海面船只實時分類的構建方案與實現(xiàn)方法。

1 研究對象

實際的SAR 海面船只實時監(jiān)測應用中，人們往往關注于尺度較大的高價值船只目標，特別是軍事船只目標。但是，限于軍事船只SAR 目標圖像的稀缺性和敏感性，本文從同尺度級別的船只目標中選取了SAR 海域圖像中常見的集裝箱船、散貨船和油槽船這三類民用船只進行類比研究。圖1 給出了這3 類船只的光學照片及其對應SAR 影像。

圖1 3 類民用船只及其對應SAR 圖像

由圖1 可以看出，上述3 類典型的民用船只在高分辨率的SAR 圖像上，其電磁散射特征存在較大差異，具體表現(xiàn)為：油槽船在其甲板中軸線上存在著一條縱向亮線；集裝箱船和散貨船則呈現(xiàn)橫向的間隔亮線，其中，集裝箱船的橫向亮線較散貨船更多、更密集。因此，如果設計和選取合適的目標特征參數(shù)及分類方法，并對其進行快速的特征提取和目標分類，可以實現(xiàn)SAR 海面船只的實時分類應用。

2 應用架構及方法

針對SAR 目標分類問題，從20 世紀90 年代以來，特別是美國MSTAR 數(shù)據(jù)庫公布以來，國內(nèi)外的相關研究工作一直持續(xù)不斷。在深度學習方法出現(xiàn)之前，一度以傳統(tǒng)的特征提取和分類方法為主，并涌現(xiàn)出諸多具有代表性的SAR 目標特征；在深度學習方法出現(xiàn)以后，基于目標樣本集的自學習分類方法成為研究熱點，但限于SAR 系統(tǒng)特有成像機理所導致的目標特征多變以及SAR 目標樣本的稀缺等因素，基于SAR 圖像的目標分類在工程應用領域一直未能獲得實用性的突破。

海面船只由于所處背景相對單一，是SAR 目標分類問題中最有可能實現(xiàn)工程應用的高價值目標。目前，針對海面船只的分類研究多集中在利用星載SAR 數(shù)據(jù)進行算法驗證[11-14]，而針對實際海洋監(jiān)測應用中普遍關注的海面船只實時檢測分類問題，由于涉及飛機平臺系統(tǒng)、雷達系統(tǒng)、測控系統(tǒng)、地面系統(tǒng)等多系統(tǒng)的協(xié)調(diào)合作和綜合應用，導致其數(shù)據(jù)獲取困難，相關研究的開展較少?；诖耍疚膹膶嶋H工程應用角度出發(fā)，探討和構建了一個基于機載SAR 圖像的海面船只實時檢測分類應用框架。

鑒于機載SAR 船只目標樣本的稀缺性，就現(xiàn)階段而言，深度學習方法在該領域的工程應用仍存在數(shù)據(jù)難以支撐等問題，為此，本文將以實際的工程實踐為出發(fā)點，構建基于傳統(tǒng)目標檢測、目標范圍界定和特征分類的機載SAR 海面船只實時檢測分類應用框架，如圖2 所示。

圖2 基于機載SAR 圖像的海面船只實時檢測分類應用構架

2.1 數(shù)學量與符號使用規(guī)范

對于高分辨率的SAR 圖像目標檢測應用，計算速度是決定算法是否實用的一個重要指標。在現(xiàn)有眾多的檢測算法中，經(jīng)典的CFAR 方法以其算法簡單、運算速度快、檢測性能好等特點，在國內(nèi)外各類系統(tǒng)中得到了廣泛的應用[15]。

針對不同的應用需求，CFAR 算法具有多種改型，其中，運算效率較高的應屬全局CFAR 算法。該算法采用全局閾值對整個場景的SAR 圖像進行檢測處理，主要針對場景相對較小、背景相對簡單的SAR 圖像檢測應用。由于機載SAR 圖像場景相對較小，因此，采用全局CFAR 算法既可兼顧檢測速度，又可以保證檢測性能，能夠較好地滿足海面船只實時檢測應用需求。式(1)給出了經(jīng)典CFAR 算法：

式中，P(x)為SAR 圖像的統(tǒng)計分布函數(shù)，Pfa是給定的虛警率，對于圖像中的每一個像素i，檢測器判定為目標像素的條件為：

對于一般海況下的SAR 圖像，CFAR 算法已被證明具有較為可靠的目標檢測性能，可以檢測出絕大多數(shù)的船只目標。但是，在實際應用中，由于海雜波及非船只目標的影響，檢測結果中往往包含較多虛警；此外，對于異質(zhì)背景的SAR 圖像，即使在同一幅圖像中，由于圖像局部區(qū)域信噪比的差異，不同區(qū)域的檢測效果也差異較大。為此，本框架采用由粗至精雙級CFAR 處理方法以便自動獲取更佳的檢測結果，進而更好地支撐后續(xù)目標特征提取和分類處理，具體步驟如下：

(1)采用較高的虛警率(如：Pfa=0.1)對降采樣圖像進行快速目標粗檢測，盡可能減少目標漏檢；

(2)針對檢出目標，進行基于尺度和背景的濾波處理，剔除尺度和背景明顯不符合船只目標的虛警；

(3)針對保留目標，根據(jù)目標與其背景的信噪比進行基于虛警率自動選擇的目標精細檢測，以便更準確地提取目標區(qū)域。

需要說明的是，在上述步驟中，目標尺度濾波參數(shù)可采用大型船只通常的尺度范圍：長度50～300 m，寬度10～60 m；基于背景的濾波參數(shù)可通過檢出目標與周圍8鄰域的亮度均值比進行設置，比值閾設置建議大于2，本構架采用經(jīng)驗值3 作為目標保留閾值。此外，為了解決目標粗檢階段因虛警率較低導致的檢出目標區(qū)域不夠準確的問題，在目標精細檢測階段，通過逐個計算目標與其背景的信噪比，并根據(jù)目標信噪比自動分擋選取設定的精細檢測的虛警率，進而實現(xiàn)基于目標信噪比的虛警率自動選擇精細檢測。對于高信噪比目標采用較低的虛警率，如：Pfa=0.001；而對于低信噪比目標則采用稍高的虛警率，如：Pfa=0.01。其中，考慮到不同雷達系統(tǒng)SAR 圖像的信噪比差異較大(與系統(tǒng)參數(shù)、成像處理和輻射校正水平等相關)，在實際應用中，虛警率參數(shù)的設置往往是經(jīng)驗性的，可基于所用雷達系統(tǒng)的SAR 圖像進行調(diào)整確定，此外，信噪比閾值也需根據(jù)所用雷達系統(tǒng)進行本地化設置。

圖3 所示為基于SAR 圖像的船只目標粗檢和精檢的結果對比。不難看出，由目標精檢提取的目標區(qū)域與實際目標區(qū)域更加接近，此外，對于目標局部強散射引起的散射拖尾也有一定的抑制作用。

圖3 船只目標粗檢和精檢結果對比

2.2 船只范圍界定

船只目標范圍的精確界定直接影響后續(xù)船只分類的性能。在實際的機載SAR 應用中，由于受平臺穩(wěn)定性、實時成像算法魯棒性、目標運動等因素影響，SAR 圖像中的目標有時會出現(xiàn)聚焦不理想的情況，特別是在目標的強散射部位，往往會出現(xiàn)高亮的十字形或直線形散射拖尾(如圖3(a)所示)，通常，它們是由電磁散射旁瓣效應引起的，會影響目標檢測算法對船只主體的精確提取(如圖3(b)和圖3(c)所示)，進而影響后續(xù)對船只目標范圍的精確提取。此外，在部分SAR 目標中，因目標局部反射較弱導致的檢測結果出現(xiàn)割裂也會影響對目標范圍的提取。為此，在船只范圍界定階段，需要設計有針對性的處理方案去抑制上述影響。

通常，SAR 目標范圍的界定大多是基于目標檢測二值圖提取其最小外接矩形(MER)，這種方法對于SAR 目標區(qū)域檢測的要求較高，當目標信噪比差或存在散射旁瓣效應時，往往很難獲得理想的結果。為了應對該問題，本文從實際工程應用的角度，設計了一個基于橢圓擬合的SAR 海面船只范圍快速界定方法，如圖4 所示。首先，為了應對目標檢測二值圖中可能出現(xiàn)的目標割裂、目標區(qū)域不連續(xù)、孔洞等現(xiàn)象，在上述雙級CFAR 檢測的基礎上，設置了形態(tài)學膨脹、孔洞填充的處理以盡可能消除因船只不同部位散射強弱差異導致的目標割裂、孔洞等問題；其次，對于目標局部強散射引起的旁瓣效應，設計以貼近船只外形的橢圓去擬合目標外形輪廓，在此基礎上，提取擬合橢圓的MER 作為目標初始MER，以此抑制目標強散射拖尾對目標MER 提取的影響；最后，通過對初始MER 進行長寬修正，最終獲取較為理想的目標范圍。

圖4 基于機載SAR 圖像的海面船只范圍界定方法

圖5 是采用普通MER 提取方法與本文基于橢圓擬合的MER 提取方法的結果對比圖。由圖可見，橢圓擬合方法的引入較好地解決了旁瓣散射干擾下目標主軸方向的提取問題。需要說明的是，在上述流程中，MER 校正采用的是先寬度后長度的校正策略。其中，寬度校正是沿目標長軸方向逐行提取目標二值圖寬度，然后通過對所有寬度進行排序，取其3/4 處數(shù)值作為最終目標寬度；長度校正則是以初始MER 頭尾兩邊內(nèi)推法，通過不斷內(nèi)推兩條邊并檢測內(nèi)推后線段上有效目標點的個數(shù)，當目標點個數(shù)超過1/4 時停止，以此得到最終目標長度。

圖5 船只目標MER 提取結果對比

2.3 船只分類

近年來，基于目標特征的船只分類研究時有報道，部分研究取得了不錯的研究成果，可作為機載SAR 船只實時分類應用研究基礎[11，16]。本文在現(xiàn)有研究的基礎上，通過篩選和實踐檢驗，確定了兩個聯(lián)合特征，將其應用于機載SAR 海面船只實時分類構架中，它們是：目標長寬比和目標散射強度分布。其中，目標散射強度分布已被研究驗證可以獨立進行船只目標的分類[7]，但是，考慮到機載SAR 圖像中船只目標散射特征的復雜性，采用目標長寬比與目標散射強度分布相結合的分類策略，可以進一步提高船只目標的分類性能。

目標長寬比可基于目標MER 提取結果直接計算。對于3 類船只對象，長寬比是一個較好的分類指標，其原因是：大多數(shù)的集裝箱船具有較大的目標長寬比，而油槽船具有相對較小的目標長寬比。

目標散射強度分布是較為重要的一個分類指標，其計算方法是：將目標按MER 劃分為3 段，分別計算每段目標區(qū)域內(nèi)的灰度均值，然后將3 段的計算結果進行歸一化，按區(qū)間劃分為高、中、低，并根據(jù)不同類型船只強散射部件的高、中、低分布區(qū)間進行匹配分類。其中，集裝箱船、散貨船和油槽船的各區(qū)間散射強度劃分可參考文獻[7]的強度劃分方法，如圖6 所示。

圖6 三類民用船只各區(qū)間散射強度劃分

3 試驗與結果

為了驗證上述應用架構的可行性，本文針對上述三類船只目標，采用收集的58 個高分辨率SAR 船只目標樣本進行了初步的分類測試。鑒于機載高分辨率SAR 船只樣本的稀缺性，且大型船只目標在高分辨率星載和機載SAR 圖像中特征差異相對較小，本文試驗樣本仍以星載高分辨率SAR 樣本為主。

試驗結果表明，基于本文架構搭建的檢測分類方法，在分類性能方面，對于集裝箱船、散貨船和油槽船這三類民用船只目標，整體的檢測分類準確率略高于70%，基本能夠滿足實際的工程應用需要。其中，油槽船因其與另外兩類船只目標特征差異較大，其分類準確率較高，接近75%；集裝箱船的分類準確率最低，低于70%。在速度方面，鑒于本框架目標特征提取與分類的耗時與輸入SAR 圖像中目標的數(shù)量呈現(xiàn)正相關，為了降低整體耗時，在SAR 目標特征提取與分類階段，通過采用多線程并行處理方案，使其處理速度得到了大幅提升，能夠滿足當前大多機載SAR 系統(tǒng)圖像實時下傳速率的需要。

需要說明的是，鑒于上述試驗所用船只樣本相對較少且較為理想，在實際應用中，隨著目標樣本的增加及其觀測參數(shù)的變化，目標圖像的復雜性必然會影響目標的分類性能。為此，為了達到理想的分類效果，應根據(jù)實際情況對所用分類特征進行調(diào)整，如引入其他有效特征進行綜合判別，以提高船只分類能力。此外，限于高分辨率SAR 船只目標樣本的稀缺性，本文僅針對當前研究較多的集裝箱船、散貨船和油槽船進行了分析，然而，根據(jù)參考文獻[7]的研究結論(該文獻分析了9 類船只目標)可以預見，基于本文所提應用架構，在目標范圍界定結果的基礎上，應具備將其拓展到部分其他類型船只的應用能力。

4 結論

海面船只SAR 分類是極為重要的SAR 海洋應用需求，特別是基于機載SAR 圖像的實時分類應用，已經(jīng)受到多方高度關注。但是，限于實時處理能力以及機載SAR船只目標樣本稀缺等問題，就現(xiàn)階段而言，應用潛力巨大的深度學習方法在短期內(nèi)還無法實現(xiàn)工程應用。為此，本文從工程實踐的角度，構建了基于傳統(tǒng)方法的機載SAR海面船只實時分類應用架構，論述了相關技術細節(jié)和實施方法，并通過試驗初步驗證了其可行性。本文構架可以作為相關技術應用的基礎和框架，通過與實際工程應用結合進行改進，進而應用或指導實際的工程應用。

近年來，隨著無人機載SAR/GMTI 技術的持續(xù)發(fā)展、硬件處理能力的提升以及人工智能技術的不斷突破，通過機載應用不斷積累機載SAR 典型船只目標樣本數(shù)據(jù)，以此構建基于機載SAR 圖像的高分辨率船只樣本庫，在此基礎上，將人工智能分類技術應用于積累的目標樣本庫進行技術迭代和優(yōu)化，在不遠的將來，基于機器智能學習的船只實時檢測分類將成為機載SAR 海洋監(jiān)測應用的大勢之趨。