寬幅SAR海上大型運(yùn)動(dòng)艦船目標(biāo)數(shù)據(jù)集構(gòu)建及識(shí)別性能分析

雷 禹 冷祥光 孫忠鎮(zhèn) 計(jì)科峰

(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

海上艦船目標(biāo)識(shí)別是海洋監(jiān)測(cè)的重要一環(huán)，對(duì)國(guó)防和經(jīng)濟(jì)安全具有重要意義，是世界各海岸地帶國(guó)家的傳統(tǒng)任務(wù)。合成孔徑雷達(dá)(Synthetic Aperture Radar,SAR)因?yàn)槠淙鞎r(shí)、全天候的獨(dú)特優(yōu)勢(shì)是實(shí)現(xiàn)海上艦船目標(biāo)監(jiān)視的一種重要手段[1]。SAR系統(tǒng)的聚束和條帶模式雖然具有較高的分辨率但不具有較寬的測(cè)繪帶，無(wú)法覆蓋較大的海洋范圍，而海上艦船目標(biāo)監(jiān)視期望SAR成像具有較大的觀測(cè)范圍。

以TopSAR和ScanSAR為代表的寬幅SAR成像模式具有較寬的測(cè)繪帶，可以對(duì)感興趣的目標(biāo)區(qū)域進(jìn)行重復(fù)觀測(cè)和短時(shí)間內(nèi)的全球監(jiān)測(cè)，實(shí)現(xiàn)在一次觀測(cè)過(guò)程中獲得大范圍的場(chǎng)景信息，提升雷達(dá)對(duì)廣域場(chǎng)景的實(shí)時(shí)觀測(cè)能力[2]。例如，加拿大的Radarsat衛(wèi)星的窄幅ScanSAR成像模式下可以獲得50 m分辨率300 km寬測(cè)繪帶圖像，在寬幅ScanSAR成像模式下可以獲得100 m分辨率500 km寬測(cè)繪帶圖像[3,4]。中國(guó)的GF-3號(hào)衛(wèi)星在窄幅ScanSAR成像模式下可以獲得50 m分辨率300 km寬測(cè)繪帶圖像，在寬幅ScanSAR成像模式下可以獲得100 m分辨率500 km寬測(cè)繪帶圖像，在全球觀測(cè)成像模式下可以達(dá)到500 m分辨率650 km寬測(cè)繪帶[5,6]。日本的ALOS-2衛(wèi)星的觀測(cè)幅度更是提高到了近千公里[7]。2014年10月3日開(kāi)始運(yùn)行的哨兵一號(hào)(Sentinel-1)衛(wèi)星，具有20 m分辨率250 km寬測(cè)繪帶的寬幅干涉模式(Interferometric Wide swath,IW)和50 m分辨率410 km寬測(cè)繪帶的超寬幅模式(Extra Wide swath,EW)，其中IW模式下的分辨率相較于其他衛(wèi)星更高，非常適用于海上監(jiān)視[8–10]，并且通過(guò)哨兵科學(xué)數(shù)據(jù)中心(Sentinels scientific data hub)和NASA的ASF (Alaska Satellite Facility) DAAC數(shù)據(jù)網(wǎng)站上就可以獲取到大量的Sentinel系列SAR衛(wèi)星數(shù)據(jù)。

但是，實(shí)現(xiàn)寬測(cè)繪帶的同時(shí)降低了成像分辨率，這一矛盾主要是因?yàn)閷挏y(cè)繪帶需要維持較低的脈沖重復(fù)頻率(Pulse Repetition Frequency,PRF)以避免SAR圖像在距離向上產(chǎn)生模糊，而高分辨率則需要足夠高的PRF來(lái)避免在方位向上發(fā)生模糊[11,12]。未來(lái)高分辨率寬幅成像技術(shù)發(fā)展需要解決的主要問(wèn)題是高分辨率和寬測(cè)繪帶寬之間的矛盾，獲取高分辨率寬測(cè)繪帶SAR圖像[13]。

因?yàn)閷挿鵖AR衛(wèi)星犧牲分辨率換得了寬測(cè)繪帶，導(dǎo)致尺寸較小的艦船目標(biāo)在圖像上的像素?cái)?shù)量比較少，細(xì)節(jié)很少，所以本文研究的艦船目標(biāo)皆為大型艦船目標(biāo)。本文所稱“大型艦船目標(biāo)”主要是指長(zhǎng)度≥150 m的艦船目標(biāo)，如大型貨船、大型油船、航母和兩棲艦等。這主要是因?yàn)槟壳叭蛑髁骱侥负蛢蓷灥某叽缍荚?50 m以上，圖1為全球主要航母和兩棲艦的對(duì)比圖。

圖1 全球主要航母和兩棲艦對(duì)比圖Fig.1 Comparison of major aircraft carriers and amphibious ships in the world

目前公開(kāi)發(fā)表的艦船數(shù)據(jù)集，例如SSDD (SAR Ship Detection Dataset)[14],SAR-Ship-Dataset[15],AIR-SARShip-1.0[16]和HR4S高分辨率SAR船只樣本集[17]多用于高分辨率下艦船目標(biāo)檢測(cè)。FuSARship[18]是在126景高分三號(hào)圖像上構(gòu)建的高分辨率GF-3 SAR數(shù)據(jù)集，其分辨率為1.5 m，可用于艦船和海洋目標(biāo)檢測(cè)和識(shí)別。上海交通大學(xué)發(fā)布的OpenSARship數(shù)據(jù)集[19,20]采自41張Sentinel-1圖像，結(jié)合艦船自動(dòng)識(shí)別系統(tǒng)(Automatic Identification System,AIS)數(shù)據(jù)對(duì)目標(biāo)類(lèi)別進(jìn)行了標(biāo)注，共包含10種類(lèi)別民用艦船目標(biāo)可用于艦船目標(biāo)分類(lèi)識(shí)別研究。然而，當(dāng)前結(jié)合AIS信息構(gòu)建數(shù)據(jù)集的方法存在無(wú)法確定海上大型軍事艦船目標(biāo)的弊端。因?yàn)榇笮蛙娛屡灤繕?biāo)數(shù)量少并且也很少發(fā)送AIS信息，難以獲得準(zhǔn)確的目標(biāo)位置進(jìn)行標(biāo)注。綜上，當(dāng)前缺少可用的寬幅SAR海上大型運(yùn)動(dòng)軍事艦船目標(biāo)數(shù)據(jù)集。

總體而言，目前寬幅SAR圖像海上大型艦船目標(biāo)識(shí)別所面臨的問(wèn)題可以總結(jié)為：

(1) 海上的軍事艦船目標(biāo)數(shù)量少且難以準(zhǔn)確捕捉，缺少可用的寬幅SAR海上大型運(yùn)動(dòng)艦船目標(biāo)圖像數(shù)據(jù)。

(2) 港口中停泊有大型軍事艦船目標(biāo)，但海上艦船處于運(yùn)動(dòng)狀態(tài)下會(huì)使得SAR成像結(jié)果產(chǎn)生散焦，故港口停泊的艦船目標(biāo)數(shù)據(jù)并不適用于海上艦船目標(biāo)識(shí)別。

(3) 在寬幅SAR圖像成像分辨率較低的情況下，海上大型艦船目標(biāo)細(xì)節(jié)較小并不具有高分辨率下豐富的細(xì)節(jié)信息，只使用幅度圖像所含信息量少。

對(duì)此，本文構(gòu)建了寬幅SAR海上大型運(yùn)動(dòng)艦船目標(biāo)圖像數(shù)據(jù)集，并詳細(xì)闡述了構(gòu)建方法。主要的創(chuàng)新點(diǎn)和工作總結(jié)為：

(1) 依據(jù)先驗(yàn)知識(shí)在Sentinel-1 IW模式港口圖像上獲取停泊的大型關(guān)鍵艦船目標(biāo)樣本(航母，兩棲艦)。利用屬性文件信息對(duì)OpenSARShip數(shù)據(jù)集進(jìn)行長(zhǎng)度篩選，獲得長(zhǎng)度≥150 m的民用艦船目標(biāo)樣本；

(2) 采用在距離-多普勒域添加二次相位誤差的方法，對(duì)停泊的大型艦船目標(biāo)樣本進(jìn)行運(yùn)動(dòng)仿真來(lái)模擬海上運(yùn)動(dòng)下的成像結(jié)果。

(3) 使用經(jīng)典識(shí)別算法和深度學(xué)習(xí)方法對(duì)構(gòu)建的寬幅SAR海上大型運(yùn)動(dòng)艦船目標(biāo)圖像數(shù)據(jù)集進(jìn)行了實(shí)驗(yàn)，并分析了運(yùn)動(dòng)目標(biāo)成像時(shí)散焦現(xiàn)象以及復(fù)數(shù)信息對(duì)模型識(shí)別性能的影響。

本文內(nèi)容將按照3個(gè)小節(jié)進(jìn)行展開(kāi)：第2節(jié)為寬幅SAR海上大型運(yùn)動(dòng)艦船目標(biāo)圖像數(shù)據(jù)集構(gòu)建，詳細(xì)介紹停泊大型軍事艦船目標(biāo)復(fù)數(shù)圖像樣本獲取、大型民用艦船目標(biāo)復(fù)數(shù)圖像樣本篩選、運(yùn)動(dòng)目標(biāo)成像基礎(chǔ)及運(yùn)動(dòng)仿真方法和數(shù)據(jù)集特性。第3節(jié)為數(shù)據(jù)集的識(shí)別性能分析，詳細(xì)介紹實(shí)驗(yàn)細(xì)節(jié)、實(shí)驗(yàn)配置以及實(shí)驗(yàn)結(jié)果與分析。第4節(jié)對(duì)本文內(nèi)容進(jìn)行總結(jié)。

2 寬幅SAR海上大型運(yùn)動(dòng)艦船目標(biāo)圖像數(shù)據(jù)集構(gòu)建

目前寬幅SAR海上大型運(yùn)動(dòng)艦船目標(biāo)的數(shù)據(jù)非常少，尤其是缺少大型軍事艦船目標(biāo)。對(duì)此本文基于Sentinel-1圖像和OpenSARShip數(shù)據(jù)集構(gòu)建了一個(gè)寬幅SAR海上大型運(yùn)動(dòng)艦船目標(biāo)圖像數(shù)據(jù)集。首先，通過(guò)先驗(yàn)知識(shí)在Sentinel-1 IW模式的港口區(qū)域獲得停泊的大型軍事艦船目標(biāo)(航空母艦、兩棲艦)樣本；其次，利用屬性文件信息對(duì)OpenSARShip數(shù)據(jù)集進(jìn)行長(zhǎng)度篩選，獲得長(zhǎng)度≥150 m的民用艦船目標(biāo)樣本；最后，在距離-多普勒域添加二次相位誤差進(jìn)行運(yùn)動(dòng)仿真來(lái)模擬海上運(yùn)動(dòng)艦船目標(biāo)的成像結(jié)果。圖2為數(shù)據(jù)集構(gòu)建流程。

圖2 數(shù)據(jù)集構(gòu)建流程Fig.2 Dataset construction process

2.1 停泊大型軍事艦船目標(biāo)樣本獲取

美國(guó)作為世界上最大的航母國(guó)，共擁有7個(gè)航空母艦?zāi)父刍亍１疚耐ㄟ^(guò)NASA的ASF (Alaska Satellite Facility) DAAC網(wǎng)站下載美國(guó)加利福尼亞州的圣迭戈港口圖像110景、美國(guó)弗吉尼亞州的諾?？烁劭趫D像29景、美國(guó)華盛頓州的布雷默頓港口圖像30景和日本橫須賀港口圖像148景，共2 TB多數(shù)據(jù)。所有數(shù)據(jù)均為Sentinel-1圖像的單視復(fù)數(shù)(Single Look Complex,SLC)產(chǎn)品，具體參數(shù)如表1所示。

表1 Sentinel-1圖像參數(shù)Tab.1 Sentinel-1 image parameters

航母和兩棲艦對(duì)停泊港口的大小規(guī)模和水文地理自然條件等都具有較高的要求，因此停泊的位置也是相對(duì)固定的。圖3為4個(gè)港口的光學(xué)圖像，圖中標(biāo)注了航母和兩棲艦經(jīng)常停靠的區(qū)域。

圖3 4個(gè)港口光學(xué)圖像Fig.3 Optical image of four ports

因此根據(jù)光學(xué)圖像和先驗(yàn)知識(shí)可以確定航母和兩棲艦船可能?？康膮^(qū)域，在SAR圖像上找到對(duì)應(yīng)區(qū)域就可以獲取到對(duì)應(yīng)的大型軍事艦船的目標(biāo)切片。停泊的大型軍事艦船目標(biāo)數(shù)據(jù)獲取以美國(guó)圣迭戈港口為例，其制作的整體流程如圖4所示。數(shù)據(jù)預(yù)處理和停泊軍事艦船目標(biāo)的SAR圖像切片獲取主要采用歐洲航天局提供的Sentinel應(yīng)用程序平臺(tái)(Sentinel Application Platform,SNAP)，它是一款適用于所有Sentinel工具箱的通過(guò)架構(gòu)[21]。因?yàn)镮W模式下Sentinel-1的SLC數(shù)據(jù)包含3個(gè)子帶(IW1,IW2,IW3)，預(yù)處理中需要將包含港口區(qū)域的子帶或Burst帶分離出來(lái)。通過(guò)光學(xué)圖像和先驗(yàn)知識(shí)輔助確定SAR圖像中航母與兩棲艦的位置，如圖5為美國(guó)圣迭戈港口的SAR圖像和光學(xué)圖像的對(duì)比圖，可以看出根據(jù)光學(xué)圖像在SAR圖像找到對(duì)應(yīng)區(qū)域就可以確定航母和兩棲艦停泊的區(qū)域進(jìn)而獲取艦船目標(biāo)切片。最后通過(guò)在SAR圖像上隨機(jī)截取海洋背景圖像與艦船目標(biāo)切片進(jìn)行融合來(lái)獲取海上大型軍事艦船目標(biāo)數(shù)。該過(guò)程首先在海洋背景上確定中心位置，然后將艦船目標(biāo)切片的實(shí)部與虛部通道的像素值替換海洋背景實(shí)部與虛部的像素值，實(shí)現(xiàn)艦船目標(biāo)與海洋背景的融合，該過(guò)程如圖6所示。

圖4 停泊關(guān)鍵大型艦船目標(biāo)數(shù)據(jù)獲取流程Fig.4 Target data acquisition process for key large ships at anchor

圖5 美國(guó)圣迭戈港口的SAR圖像和光學(xué)圖像的對(duì)比圖Fig.5 Comparison of SAR image and optical image of the port of San Diego,USA

圖6 艦船目標(biāo)與海洋背景融合過(guò)程Fig.6 Fusion process of ship target and ocean background

2.2 大型民用艦船目標(biāo)樣本篩選

對(duì)OpenSARShip數(shù)據(jù)集進(jìn)行長(zhǎng)度篩選時(shí)，主要利用到屬性文件。屬性文件是SAR數(shù)據(jù)與船舶自動(dòng)識(shí)別系統(tǒng)匹配后記錄原始數(shù)據(jù)信息和艦船目標(biāo)信息的文件。本文根據(jù)課題組開(kāi)發(fā)的OpenSARShip-Filter工具[22]對(duì)OpenSARShip數(shù)據(jù)集的艦船目標(biāo)進(jìn)行篩選，其中長(zhǎng)度篩選通過(guò)設(shè)定長(zhǎng)度區(qū)間，與屬性文件里的“AISshipInformation”中的長(zhǎng)度信息進(jìn)行比較，保留符合條件的艦船目標(biāo)樣本。艦船目標(biāo)篩選程序的界面及其長(zhǎng)度篩選流程如圖7所示。本文主要對(duì)OpenSARShip中SLC數(shù)據(jù)進(jìn)行篩選，長(zhǎng)度區(qū)間設(shè)置為150～250 m和≥250 m。

圖7 艦船目標(biāo)篩選程序的界面及其長(zhǎng)度篩選流程Fig.7 The interface of the ship target screening program and its length screening process

2.3 海上運(yùn)動(dòng)艦船目標(biāo)仿真

海上艦船目標(biāo)一般為動(dòng)目標(biāo)，和港口停泊的靜止艦船目標(biāo)存在一定區(qū)別，所以需要對(duì)獲取到的大型艦船目標(biāo)進(jìn)行運(yùn)動(dòng)仿真來(lái)模擬海上運(yùn)動(dòng)艦船目標(biāo)成像。對(duì)此本文通過(guò)對(duì)運(yùn)動(dòng)目標(biāo)成像基礎(chǔ)進(jìn)行分析，采用添加二次相位誤差的運(yùn)動(dòng)仿真方法。

2.3.1 運(yùn)動(dòng)目標(biāo)成像基礎(chǔ)

以地面坐標(biāo)系(x-y)為參考對(duì)SAR與運(yùn)動(dòng)目標(biāo)成像基礎(chǔ)進(jìn)行分析[23,24]。

圖8為SAR與目標(biāo)的成像幾何，其中衛(wèi)星以vat的速度進(jìn)行飛行，θ為俯視角。t0時(shí)運(yùn)動(dòng)目標(biāo)Q所在位置為為其到SAR運(yùn)動(dòng)航跡的距離為其到SAR衛(wèi)星的距離。運(yùn)動(dòng)目標(biāo)運(yùn)動(dòng)時(shí)速度為vt，φ為與方位向的夾角，在方位向地面速度和加速度為vx和ax，在距離向地面速度和加速度為vy和ay，在斜距平面內(nèi)距離向速度和加速度分別為vr和ar。

圖8 SAR與運(yùn)動(dòng)目標(biāo)的成像幾何Fig.8 SAR geometry of moving targets

經(jīng)過(guò)t時(shí)刻，目標(biāo)Q運(yùn)動(dòng)到(xt,yt)處，此時(shí)回波信號(hào)經(jīng)過(guò)頻率變化和距離向脈沖壓縮后可以表示為

其中，t為方位向慢時(shí)間變量，t′為回波信號(hào)延遲時(shí)間，G(t)為 雷達(dá)增益，σ0(x0,R)為信號(hào)后向散射強(qiáng)度，T0為脈沖寬度，fc為載波頻率。

此時(shí)運(yùn)動(dòng)目標(biāo)Q距離SAR衛(wèi)星的距離R(t)為

其中，λ為載波頻率。通過(guò)式(3)可以得到回波的多普勒為

fd1是雷達(dá)運(yùn)動(dòng)時(shí)產(chǎn)生的多普勒頻率，fd2是由于運(yùn)動(dòng)目標(biāo)產(chǎn)生的多普勒頻率。

由式(5)和式(6)可以得到雷達(dá)運(yùn)動(dòng)產(chǎn)生的調(diào)頻率fr和目標(biāo)運(yùn)動(dòng)產(chǎn)生的調(diào)頻率ft為

假設(shè)運(yùn)動(dòng)目標(biāo)的多普勒中心頻率已知的情況下，結(jié)合式(7)和式(8)可得靜止與運(yùn)動(dòng)目標(biāo)的調(diào)頻率之差 Δf為

多普勒調(diào)頻率決定圖像質(zhì)量，SAR衛(wèi)星在對(duì)運(yùn)動(dòng)目標(biāo)進(jìn)行聚焦成像時(shí)，會(huì)引起圖像分辨率的損失，導(dǎo)致目標(biāo)方位向散焦的問(wèn)題，其散焦程度隨著Δf的增大而增大。

從相位誤差角度來(lái)說(shuō)，在方位壓縮時(shí)使用靜止目標(biāo)對(duì)應(yīng)的參考函數(shù)會(huì)帶來(lái)二次相位誤差(Quadratic Phase Error,QPE)，相當(dāng)于改變了回波多普勒調(diào)頻斜率，使匹配濾波器失配因而導(dǎo)致目標(biāo)壓縮波形主瓣寬度展寬，主瓣峰值下降，旁瓣電平增高，引起圖像分辨率的損失[25]。在信號(hào)通帶邊緣時(shí)，最大二次相位誤差可以表示為

其中，Ts為合成孔徑時(shí)間。

2.3.2 運(yùn)動(dòng)仿真方法

由目標(biāo)成像基礎(chǔ)可知，對(duì)停泊艦船目標(biāo)進(jìn)行運(yùn)動(dòng)仿真時(shí)，可以通過(guò)在圖像的距離-多普勒域添加二次相位誤差使圖像出現(xiàn)散焦現(xiàn)象來(lái)模擬海上運(yùn)動(dòng)目標(biāo)的成像結(jié)果[25–27]。

運(yùn)動(dòng)仿真的過(guò)程如圖9所示，首先將復(fù)數(shù)圖像通過(guò)方位向的快速傅里葉變換至多普勒域，然后在距離向上添加二次相位誤差，最后通過(guò)快速傅里葉逆變換恢復(fù)到圖像域獲得運(yùn)動(dòng)仿真圖像。

圖9 運(yùn)動(dòng)仿真流程Fig.9 Motion simulation flow chart

二次相位誤差可以表示為

其中，z為方位時(shí)間，k為二次相位的參數(shù)，d為可調(diào)參數(shù)。k的取值會(huì)影響目標(biāo)發(fā)生散焦的程度，當(dāng)k的取值范圍在0＞k ＞-0.003時(shí)目標(biāo)會(huì)發(fā)生程度較輕的散焦，與現(xiàn)實(shí)中的動(dòng)目標(biāo)成像結(jié)果最相近。圖10展示了4種不同程度的運(yùn)動(dòng)仿真圖像及其方位誤差曲線。

圖10 運(yùn)動(dòng)仿真及其方位誤差曲線Fig.10 Motion simulation images and their azimuth error curves

2.4 數(shù)據(jù)集分析

2.4.1 基本信息

本文首先在317景Sentinel-1港口數(shù)據(jù)上獲得491個(gè)停泊的大型軍事艦船目標(biāo)樣本，包含381個(gè)航母目標(biāo)切片，110個(gè)兩棲艦?zāi)繕?biāo)切片。再對(duì)OpenSARShip數(shù)據(jù)進(jìn)行篩選獲得長(zhǎng)度為150～250 m和≥250 m的兩個(gè)大型民用艦船目標(biāo)樣本，其中大型民船(150～250 m)目標(biāo)樣本數(shù)為1233個(gè)，包含1044個(gè)貨船目標(biāo)切片、142個(gè)油船目標(biāo)切片、7個(gè)挖泥船目標(biāo)切片、12個(gè)客船目標(biāo)切片以及28個(gè)其他類(lèi)型艦船目標(biāo)切片；大型民船(≥ 250 m)目標(biāo)樣本數(shù)為567個(gè)，包含507個(gè)貨船目標(biāo)切片、40個(gè)油船目標(biāo)切片、4個(gè)客船目標(biāo)切片以及16個(gè)其他類(lèi)型艦船目標(biāo)切片。其艦船類(lèi)別和目標(biāo)數(shù)量統(tǒng)計(jì)如圖11所示。圖12隨機(jī)展示了停泊和運(yùn)動(dòng)仿真兩種情況下的部分大型艦船目標(biāo)樣本切片。

圖11 艦船目標(biāo)數(shù)量統(tǒng)計(jì)Fig.11 Statistics of the number of ship targets

圖12 大型艦船目標(biāo)樣本切片F(xiàn)ig.12 Large-scale ship sample slices

2.4.2 聚類(lèi)分析

為更好地分析所構(gòu)建數(shù)據(jù)集的相關(guān)性，通過(guò)使用K均值聚類(lèi)算法(K-means clustering algorithm)[28]進(jìn)行聚類(lèi)分析。K-means算法根據(jù)圖像之間的相似性進(jìn)行簇的劃分，但是需要給定聚類(lèi)數(shù)并且其值與聚類(lèi)效果相關(guān)。因此通過(guò)使用手肘法[29]來(lái)獲取最佳聚類(lèi)數(shù)。

首先對(duì)原始的大型艦船目標(biāo)樣本數(shù)據(jù)和二次相位參數(shù)設(shè)置為k=-0.002的運(yùn)動(dòng)仿真數(shù)據(jù)使用手肘法進(jìn)行聚類(lèi)數(shù)估計(jì)。然后根據(jù)所得的聚類(lèi)數(shù)開(kāi)展K-means聚類(lèi)，并利用主成分分析方法(Principal Component Analysis,PCA)將圖像數(shù)據(jù)進(jìn)行降維。為便于分析，在聚類(lèi)可視化結(jié)果圖中使用不同的顏色表示聚類(lèi)所得到的不同簇，數(shù)字表示數(shù)據(jù)真實(shí)的類(lèi)別標(biāo)簽。圖13為聚類(lèi)數(shù)估計(jì)與聚類(lèi)可視化結(jié)果。

由圖13的手肘法聚類(lèi)數(shù)估計(jì)結(jié)果曲線可得原始數(shù)據(jù)和運(yùn)動(dòng)仿真數(shù)據(jù)的聚類(lèi)數(shù)為3，與數(shù)據(jù)的真實(shí)類(lèi)別值相同。并且K-means算法聚類(lèi)可視化結(jié)果圖中數(shù)字“0”代表大型軍事艦船目標(biāo)，數(shù)字“1”和“2”分別代表兩種長(zhǎng)度的大型民用艦船目標(biāo)，可以發(fā)現(xiàn)大型軍事艦船目標(biāo)皆為美國(guó)的航母和兩棲艦所以類(lèi)內(nèi)差異要小于大型民船目標(biāo)，在可視化結(jié)果上更加聚集。相對(duì)而言大型民船目標(biāo)的類(lèi)內(nèi)差異大，因此聚類(lèi)效果差一些。

圖13 數(shù)據(jù)手肘法聚類(lèi)數(shù)估計(jì)與聚類(lèi)可視化結(jié)果Fig.13 Data elbow method cluster number estimation and cluster visualization results

3 識(shí)別性能分析

本節(jié)對(duì)構(gòu)建的寬幅SAR海上大型運(yùn)動(dòng)艦船目標(biāo)圖像數(shù)據(jù)集進(jìn)行識(shí)別性能分析，通過(guò)使用傳統(tǒng)識(shí)別算法支持向量機(jī)(Support Vector Machine,SVM)[30,31]和基于深度學(xué)習(xí)的方法在VGG16Net網(wǎng)絡(luò)[32],GoogLeNet網(wǎng)絡(luò)[33],ResNet18網(wǎng)絡(luò)[34]和改進(jìn)的ResNet18網(wǎng)絡(luò)[35]上進(jìn)行相關(guān)實(shí)驗(yàn)。

3.1 實(shí)驗(yàn)細(xì)節(jié)及配置

考慮到樣本不均衡問(wèn)題，實(shí)驗(yàn)中將寬幅SAR海上大型運(yùn)動(dòng)艦船目標(biāo)圖像數(shù)據(jù)集分為3個(gè)類(lèi)別，分別為大型軍事艦船目標(biāo)，長(zhǎng)度為≥ 250 m的大型民用艦船目標(biāo)和長(zhǎng)度為150～250 m的大型民用艦船目標(biāo)，并對(duì)3類(lèi)目標(biāo)進(jìn)行了篩選和數(shù)量上均衡。其次通過(guò)在實(shí)際數(shù)據(jù)中融入了二次相位參數(shù)設(shè)置為k=-0.002的運(yùn)動(dòng)仿真數(shù)據(jù)以擴(kuò)大數(shù)據(jù)集的數(shù)量進(jìn)行擴(kuò)展實(shí)驗(yàn)，并在實(shí)驗(yàn)中利用OpenSARship數(shù)據(jù)中的兩類(lèi)民船目標(biāo)即貨船(Cargo)和油船(Tanker)數(shù)據(jù)進(jìn)行運(yùn)動(dòng)仿真來(lái)增加不同目標(biāo)不同散焦程度下分類(lèi)識(shí)別的結(jié)果。所有艦船數(shù)據(jù)樣本大小設(shè)置為128×128，并隨機(jī)劃分為訓(xùn)練集和測(cè)試集，劃分比例為8:2。

因?yàn)閷挿鵖AR圖像下分辨率較低所以幅度圖像所含信息比較少，根據(jù)文獻(xiàn)[35]提出的利用復(fù)數(shù)信息進(jìn)行SAR數(shù)據(jù)通道重組作為數(shù)據(jù)輸入。將SAR圖像的實(shí)部、虛部和幅度3通道信息進(jìn)行組合，在幅度圖像的基礎(chǔ)上增加了SAR圖像的實(shí)部和虛部通道信息，在復(fù)數(shù)層面更加完整地描述艦船目標(biāo)。主要步驟是將復(fù)數(shù)SAR圖像中的實(shí)部i、虛部q進(jìn)行絕對(duì)值處理后與幅度A進(jìn) 行組合，可以表示為F=[|i|;|q|;A]。

在實(shí)驗(yàn)配置上本實(shí)驗(yàn)所采用的編程語(yǔ)言為Python，深度學(xué)習(xí)框架為Pytorch。硬件采用AMD Ryzen 7 4800HS with Radeon Graphics @ 2.90 GHz，內(nèi)存為8 GB，顯卡為GeForce GTX 1660Ti，Windows64位環(huán)境，采用CUDA10.0和CUDNN7.5.1加速計(jì)算。實(shí)驗(yàn)中初始學(xué)習(xí)率設(shè)置為0.0001，迭代次數(shù)設(shè)置為30，改進(jìn)ResNet網(wǎng)絡(luò)中的降維率r設(shè)置為16，改進(jìn)ResNet網(wǎng)絡(luò)中的修正參數(shù)ε設(shè)置為0.01。

3.2 實(shí)驗(yàn)結(jié)果與分析

3.2.1 評(píng)價(jià)指標(biāo)

本文實(shí)驗(yàn)采用準(zhǔn)確率(Accuracy)和精確率(Precision)進(jìn)行評(píng)估。準(zhǔn)確率是指分類(lèi)模型判斷正確的數(shù)據(jù)占測(cè)試數(shù)據(jù)的百分比，它可以反映分類(lèi)器對(duì)整個(gè)樣本的判定能力，如式(12)所示。精確率用來(lái)計(jì)算每一類(lèi)艦船的分類(lèi)精度，如式(13)所示。

其中，TP,FP,FN,TN分別表示為真正例、假正例、假負(fù)例和真負(fù)例。

3.2.2 實(shí)驗(yàn)結(jié)果

實(shí)驗(yàn)中將大型軍事艦船目標(biāo)的標(biāo)簽設(shè)置為jun0，長(zhǎng)度為≥250 m的大型民用艦船目標(biāo)的標(biāo)簽設(shè)置為min1和長(zhǎng)度為150～250 m的大型民用艦船目標(biāo)的標(biāo)簽設(shè)置為min2。且由2.3.2節(jié)的分析，將運(yùn)動(dòng)仿真的二次相位的參數(shù)k的取值范圍設(shè)置在0＞k ＞-0.003。

3.2.2.1 復(fù)數(shù)信息對(duì)識(shí)別性能影響分析

在探究復(fù)數(shù)信息對(duì)識(shí)別性能影響的實(shí)驗(yàn)中設(shè)置了兩組實(shí)驗(yàn)數(shù)據(jù)，如表2所示，A組為停泊的大型艦船目標(biāo)樣本數(shù)據(jù)，B組為二次相位參數(shù)設(shè)置為k=-0.002的運(yùn)動(dòng)仿真數(shù)據(jù)，分別進(jìn)行只保留幅度信息和3通道重組處理。

表2 復(fù)數(shù)信息對(duì)識(shí)別性能影響實(shí)驗(yàn)設(shè)置Tab.2 Experimental setup for the influence of complex information on recognition performance

將實(shí)驗(yàn)數(shù)據(jù)分別在VGG16Net網(wǎng)絡(luò)、GoogLeNet網(wǎng)絡(luò)、ResNet18網(wǎng)絡(luò)進(jìn)行實(shí)驗(yàn)，識(shí)別結(jié)果如表3所示。

通過(guò)表3的對(duì)比實(shí)驗(yàn)結(jié)果可以看出，利用復(fù)數(shù)信息進(jìn)行SAR數(shù)據(jù)通道重組作為數(shù)據(jù)輸入在識(shí)別準(zhǔn)確率上有提升。表明在低分辨率情況下采用SAR圖像復(fù)數(shù)信息添加了細(xì)節(jié)表示，可以有助于更加完整地描述艦船目標(biāo)，在一定程度上提高了算法的識(shí)別率。

表3 復(fù)數(shù)信息對(duì)識(shí)別性能影響實(shí)驗(yàn)結(jié)果Tab.3 Experimental results of the effect of complex information on recognition performance

3.2.2.2 數(shù)據(jù)集實(shí)測(cè)性能分析

在數(shù)據(jù)集實(shí)測(cè)分析中，首先在兩類(lèi)民船目標(biāo)數(shù)據(jù)上進(jìn)行實(shí)測(cè)，實(shí)驗(yàn)設(shè)置如下：C組為靜止民船數(shù)據(jù)，D組為二次相位參數(shù)設(shè)置為k=-0.002的運(yùn)動(dòng)仿真數(shù)據(jù)，E組為二次相位參數(shù)設(shè)置為k=-0.003的運(yùn)動(dòng)仿真數(shù)據(jù)，且都經(jīng)過(guò)3通道重組處理。將3組數(shù)據(jù)分別在SVM算法、VGG16Net網(wǎng)絡(luò)、GoogLe-Net網(wǎng)絡(luò)、ResNet18網(wǎng)絡(luò)上進(jìn)行實(shí)驗(yàn)，實(shí)驗(yàn)結(jié)果如表4所示。

表4 民船目標(biāo)識(shí)別實(shí)驗(yàn)結(jié)果Tab.4 Experimental results of civilian ship recognition

其次實(shí)驗(yàn)中考慮到深度學(xué)習(xí)往往需要大量的樣本進(jìn)行訓(xùn)練，因此在寬幅SAR海上大型運(yùn)動(dòng)艦船目標(biāo)圖像數(shù)據(jù)集的實(shí)際數(shù)據(jù)中融入了二次相位參數(shù)設(shè)置為k=-0.002的運(yùn)動(dòng)仿真數(shù)據(jù)以擴(kuò)大數(shù)據(jù)集的數(shù)量，設(shè)置為F組且經(jīng)過(guò)3通道重組處理。并在SVM算法、VGG16Net網(wǎng)絡(luò)、GoogLeNet網(wǎng)絡(luò)、ResNet18網(wǎng)絡(luò)和改進(jìn)ResNet網(wǎng)絡(luò)上中進(jìn)行了對(duì)比實(shí)驗(yàn)，實(shí)驗(yàn)結(jié)果如表5所示。

表5 混合數(shù)據(jù)F組識(shí)別實(shí)驗(yàn)結(jié)果Tab.5 Mixed data F recognition experimental results

通過(guò)民用艦船目標(biāo)的實(shí)驗(yàn)結(jié)果表明，經(jīng)過(guò)運(yùn)動(dòng)仿真處理后民船目標(biāo)的識(shí)別率有所下降，分析原因是二次相位參數(shù)的取值會(huì)影響目標(biāo)發(fā)生散焦的程度，所以經(jīng)過(guò)運(yùn)動(dòng)仿真處理后的數(shù)據(jù)類(lèi)間差變小導(dǎo)致識(shí)別準(zhǔn)確率有所下降，并且隨著散焦程度增強(qiáng)導(dǎo)致目標(biāo)的可識(shí)別性就越差。在混合數(shù)據(jù)的實(shí)驗(yàn)結(jié)果上可以得出，將實(shí)際數(shù)據(jù)與運(yùn)動(dòng)仿真數(shù)據(jù)進(jìn)行融合后在5種方法上皆具有較好的可分性。通過(guò)兩組的實(shí)驗(yàn)結(jié)果也表明了本文方法的有效性。

3.2.2.3 運(yùn)動(dòng)仿真對(duì)識(shí)別性能影響分析

在探究運(yùn)動(dòng)仿真對(duì)識(shí)別性能的影響中，在大型艦船目標(biāo)樣本數(shù)據(jù)上設(shè)置了3組實(shí)驗(yàn)，如表6所示，A2組為停泊的大型艦船目標(biāo)樣本數(shù)據(jù)，B2組為二次相位參數(shù)設(shè)置為k=-0.002的運(yùn)動(dòng)仿真數(shù)據(jù)，G2組為二次相位參數(shù)設(shè)置為k=-0.003的運(yùn)動(dòng)仿真數(shù)據(jù)，且都經(jīng)過(guò)3通道重組處理。

表6 運(yùn)動(dòng)仿真對(duì)識(shí)別性能影響實(shí)驗(yàn)設(shè)置Tab.6 Experimental setup of the influence of motion simulation on recognition performance

將3組數(shù)據(jù)分別在SVM算法、VGG16Net網(wǎng)絡(luò)、GoogLeNet網(wǎng)絡(luò)、ResNet18網(wǎng)絡(luò)和改進(jìn)ResNet網(wǎng)絡(luò)上進(jìn)行實(shí)驗(yàn)，實(shí)驗(yàn)結(jié)果如表7所示。

通過(guò)表7中組1和組2實(shí)驗(yàn)對(duì)比分析，可以發(fā)現(xiàn)對(duì)數(shù)據(jù)進(jìn)行運(yùn)動(dòng)仿真處理后識(shí)別準(zhǔn)確率皆發(fā)生了不同幅度的下降，使用數(shù)據(jù)A2的識(shí)別準(zhǔn)確率皆要好于使用數(shù)據(jù)B2的識(shí)別準(zhǔn)確率，且深度學(xué)習(xí)方法要優(yōu)于傳統(tǒng)分類(lèi)方法。在識(shí)別性能較好的ResNet18網(wǎng)絡(luò)上識(shí)別準(zhǔn)確率由88.35%下降為86.89%，下降1.5%。改進(jìn)的ResNet網(wǎng)絡(luò)上識(shí)別準(zhǔn)確率由90.75%下降為87.02%，下降3.7%，實(shí)驗(yàn)結(jié)果表明在距離-多普勒域上添加二次相位誤差進(jìn)行運(yùn)動(dòng)仿真后的識(shí)別準(zhǔn)確率有所下降，說(shuō)明運(yùn)動(dòng)目標(biāo)成像的散焦問(wèn)題對(duì)識(shí)別效果具有一定影響。

本文在2.3.2節(jié)分析了二次相位參數(shù)的取值會(huì)影響目標(biāo)發(fā)生散焦的程度，在組2和組3實(shí)驗(yàn)中分別將二次相位的參數(shù)設(shè)置為k=-0.002 和k=-0.003進(jìn)行分析，散焦現(xiàn)象也逐漸加強(qiáng)，如圖14所示。由表7的實(shí)驗(yàn)結(jié)果可知，組3的數(shù)據(jù)經(jīng)過(guò)運(yùn)動(dòng)仿真后散焦程度強(qiáng)于組2的數(shù)據(jù)，識(shí)別準(zhǔn)確率也發(fā)生了明顯下降。再一次驗(yàn)證了散焦問(wèn)題對(duì)識(shí)別準(zhǔn)確率影響較大，也說(shuō)明了散焦程度越嚴(yán)重目標(biāo)的可識(shí)別性就越差。

圖14 大型艦船目標(biāo)運(yùn)動(dòng)仿真圖像Fig.14 Large ship target motion simulation image

表7 運(yùn)動(dòng)仿真對(duì)識(shí)別性能影響實(shí)驗(yàn)結(jié)果Tab.7 Experimental results of the influence of motion simulation on recognition performance

通過(guò)3組實(shí)驗(yàn)的結(jié)果可以發(fā)現(xiàn)改進(jìn)ResNet網(wǎng)絡(luò)的識(shí)別性能皆要好于其他經(jīng)典網(wǎng)絡(luò)，整體準(zhǔn)確率最高且下降幅度較小，可證明該方法對(duì)海上運(yùn)動(dòng)艦船目標(biāo)識(shí)別上具有識(shí)別優(yōu)勢(shì)。在3組實(shí)驗(yàn)中可以發(fā)現(xiàn)大型軍事艦船目標(biāo)的識(shí)別精確率皆要高于大型民用艦船的識(shí)別精確率，分析認(rèn)為本文主要是在4個(gè)港口中獲取大型軍事艦船目標(biāo)樣本，且以航母為主。又因?yàn)楹侥负蛢蓷炘诟劭诘耐２次恢孟鄬?duì)固定，因此獲取的航母和兩棲艦船多為同一目標(biāo)。當(dāng)數(shù)據(jù)類(lèi)間差異大且類(lèi)內(nèi)差異小時(shí)往往會(huì)獲得較好的識(shí)別結(jié)果，所以大型軍事艦船目標(biāo)皆為美國(guó)的航母和兩棲艦，類(lèi)內(nèi)差異要小于大型民船目標(biāo)，對(duì)此在識(shí)別精確率上要更高。同時(shí)本文在構(gòu)建數(shù)據(jù)集時(shí)在停泊港口中獲取到大型關(guān)鍵艦船目標(biāo)切片，在背景融合中大型艦船目標(biāo)的背景會(huì)對(duì)識(shí)別結(jié)果產(chǎn)生一定影響，也會(huì)導(dǎo)致大型軍事艦船目標(biāo)的識(shí)別精確率高于大型民用艦船的識(shí)別精確率。

同時(shí)本文利用t-隨機(jī)鄰近嵌入(t-distributed Stochastic Neighbor Embedding,t-SNE)[36]算法對(duì)數(shù)據(jù)A2，數(shù)據(jù)B2以及在組1、組2中使用改進(jìn)Res-Net方法的識(shí)別結(jié)果進(jìn)行特征可視化，該算法可以將輸出特征映射到二維平面上，如圖15所示。圖中藍(lán)色點(diǎn)代表大型軍事艦船目標(biāo)，灰色點(diǎn)代表長(zhǎng)度≥ 250 m的大型民用艦船目標(biāo)，紅色點(diǎn)代表長(zhǎng)度為150～250 m的大型民用艦船目標(biāo)。通過(guò)結(jié)果可視化可以發(fā)現(xiàn)改進(jìn)ResNet方法可以較好地將3類(lèi)艦船目標(biāo)識(shí)別出來(lái)，對(duì)比圖15(a)和圖15(b)的識(shí)別結(jié)果可以發(fā)現(xiàn)進(jìn)行運(yùn)動(dòng)仿真后對(duì)大型艦船目標(biāo)識(shí)別產(chǎn)生一定影響。

圖15 數(shù)據(jù)及識(shí)別結(jié)果特征可視化Fig.15 Visualization of data and recognition result

4 結(jié)論

本文主要針對(duì)目前缺少可用的寬幅SAR海上大型運(yùn)動(dòng)艦船目標(biāo)圖像數(shù)據(jù)集的問(wèn)題進(jìn)行研究，整體工作可總結(jié)為：

(1) 針對(duì)缺少寬幅SAR圖像大型艦船目標(biāo)數(shù)據(jù)和海上軍事艦船目標(biāo)的問(wèn)題，本文在317景Sentinel-1港口數(shù)據(jù)上依據(jù)先驗(yàn)知識(shí)獲取了停泊的大型關(guān)鍵艦船目標(biāo)樣本(航母、兩棲艦)，并在OpenSARShip數(shù)據(jù)集進(jìn)行長(zhǎng)度篩選保留長(zhǎng)度≥150 m的大型民船艦船目標(biāo)樣本。

(2) 根據(jù)SAR衛(wèi)星對(duì)運(yùn)動(dòng)目標(biāo)成像時(shí)會(huì)產(chǎn)生一個(gè)二次相位誤差，改變回波多普勒調(diào)頻率的原理，本文采用在大型艦船目標(biāo)的距離-多普勒域添加二次相位誤差進(jìn)行運(yùn)動(dòng)仿真來(lái)模擬海上艦船目標(biāo)運(yùn)動(dòng)時(shí)成像結(jié)果。構(gòu)建了寬幅SAR海上大型運(yùn)動(dòng)艦船目標(biāo)數(shù)據(jù)集，共包含2291個(gè)大型艦船目標(biāo)樣本。

(3) 通過(guò)使用經(jīng)典識(shí)別算法和深度學(xué)習(xí)方法對(duì)構(gòu)建的寬幅SAR海上大型運(yùn)動(dòng)艦船目標(biāo)圖像數(shù)據(jù)集進(jìn)行了識(shí)別性能分析，通過(guò)實(shí)驗(yàn)結(jié)果可知在低分辨率情況下采用SAR圖像復(fù)數(shù)信息可以在一定程度上提高算法的識(shí)別率，并且運(yùn)動(dòng)目標(biāo)成像的散焦問(wèn)題對(duì)識(shí)別效率具有一定影響，隨著目標(biāo)散焦程度加重其可識(shí)別性就越差。

同時(shí)本文也為今后海上運(yùn)動(dòng)艦船目標(biāo)數(shù)據(jù)集構(gòu)建和目標(biāo)識(shí)別研究提供了參考與學(xué)習(xí)思路。