一種基于顯著性的高海況SAR圖像船舶目標(biāo)檢測(cè)方法*

張梓琪，王小龍

(中國科學(xué)院空天信息創(chuàng)新研究院， 北京 100094； 中國科學(xué)院大學(xué)， 北京 100049)

合成孔徑雷達(dá)(synthetic aperture radar, SAR)是20世紀(jì)50年代研制出的一種主動(dòng)式微波遙感設(shè)備，它不受光照和氣候等客觀條件的限制，能夠全天時(shí)、全天候地對(duì)地面目標(biāo)進(jìn)行高分辨成像，甚至可以透過植被或地表獲取其掩蓋的信息，適用于目標(biāo)的檢測(cè)、分類和識(shí)別等研究[1]。其中，大面積的船舶檢測(cè)與監(jiān)控是一項(xiàng)重要的民事與軍事應(yīng)用，同時(shí)也是一項(xiàng)充滿挑戰(zhàn)的任務(wù)[2-4]，因此，對(duì)SAR圖像海面船舶目標(biāo)檢測(cè)的算法進(jìn)行研究具有重要意義。

目前的SAR圖像船舶目標(biāo)檢測(cè)算法中，應(yīng)用最為廣泛的是恒虛警率(constant false alarm rate, CFAR)算法[5-11]，它通過選取雜波模型，根據(jù)需要的恒虛警率，計(jì)算背景與目標(biāo)的最佳分割閾值，達(dá)到檢測(cè)目標(biāo)的效果。但是，隨著不同天氣、風(fēng)速、海況的差異，呈現(xiàn)在SAR圖像中的海洋雜波效果也有很大的差別，這會(huì)導(dǎo)致圖像中局部背景雜波不均勻，從而影響檢測(cè)結(jié)果。由于雜波模型的選取對(duì)檢測(cè)精度有很大影響，為了適應(yīng)不同的海況，產(chǎn)生了多種不同的CFAR算法。其中，最常用的是雙參數(shù)CFAR和K分布CFAR[12]。雙參數(shù)CFAR算法采用高斯分布估計(jì)背景雜波，并使用3個(gè)滑動(dòng)窗口遍歷圖像，根據(jù)計(jì)算的局部閾值進(jìn)行目標(biāo)檢測(cè)。但高海況時(shí)，由于高斯分布很難準(zhǔn)確描述海雜波，雙參數(shù)CFAR算法會(huì)出現(xiàn)檢測(cè)率降低的現(xiàn)象。K分布CFAR算法利用K分布描述海雜波，通過其形狀參數(shù)可以很好地描述高海況時(shí)海雜波的拖尾現(xiàn)象。然而，K分布的參數(shù)具有不確定性，難以準(zhǔn)確估計(jì)。同時(shí)，CFAR算法普遍存在的問題是由于需要設(shè)定目標(biāo)窗口，其檢測(cè)性能嚴(yán)重依賴于船舶長度等先驗(yàn)知識(shí)，并且對(duì)于多種尺度目標(biāo)共存的情況很難兼顧。

近年來，隨著人工智能技術(shù)的發(fā)展，針對(duì)SAR圖像的船舶目標(biāo)檢測(cè)，陸續(xù)出現(xiàn)了基于機(jī)器學(xué)習(xí)或者深度學(xué)習(xí)的方法。這些方法利用訓(xùn)練數(shù)據(jù)進(jìn)行分類器學(xué)習(xí)，實(shí)現(xiàn)船舶目標(biāo)檢測(cè)。但是，機(jī)器學(xué)習(xí)的方法都需要大量的訓(xùn)練數(shù)據(jù)支撐，在實(shí)際應(yīng)用中，由于SAR目標(biāo)的圖像特征隨雷達(dá)入射角、方位角，乃至雷達(dá)系統(tǒng)的不同而差異明顯，導(dǎo)致SAR目標(biāo)樣本數(shù)據(jù)往往難以滿足分類器學(xué)習(xí)的需要。此外，該類方法對(duì)算力要求較高，工程應(yīng)用受限較多，因此，機(jī)器學(xué)習(xí)的方法在當(dāng)前并沒有得到廣泛應(yīng)用，而基于目標(biāo)與雜波本質(zhì)差異實(shí)現(xiàn)目標(biāo)檢測(cè)的傳統(tǒng)方法仍是應(yīng)用關(guān)注的重點(diǎn)。

針對(duì)上述機(jī)器學(xué)習(xí)方法應(yīng)用難題及傳統(tǒng)船舶檢測(cè)算法在高海況時(shí)出現(xiàn)的性能下降問題，考慮到人類視覺系統(tǒng)在處理復(fù)雜圖像時(shí)，能夠迅速確定感興趣區(qū)域，將視覺注意模型應(yīng)用于高海況SAR圖像船舶目標(biāo)檢測(cè)應(yīng)具有積極作用。顯著性檢測(cè)算法就是通過模擬人類視覺系統(tǒng)的這種特性，突出顯著區(qū)域并抑制非顯著區(qū)域，實(shí)現(xiàn)目標(biāo)檢測(cè)。該算法在光學(xué)圖像目標(biāo)檢測(cè)中已經(jīng)得到了廣泛應(yīng)用，如Itti方法[13]，光譜殘差方法[14]和貝葉斯顯著性檢測(cè)方法[15]。但是，由于光學(xué)圖像和SAR圖像顯著的差異及成像機(jī)理的差別，傳統(tǒng)的光學(xué)圖像顯著性檢測(cè)方法不能直接應(yīng)用到SAR圖像中。

本文基于傳統(tǒng)光學(xué)圖像顯著性檢測(cè)算法，結(jié)合SAR圖像自身特性，提出一種基于顯著性的高海況SAR圖像船舶目標(biāo)檢測(cè)方法。該方法通過選取適合SAR圖像船舶目標(biāo)檢測(cè)的金字塔層，在提取強(qiáng)度特征的基礎(chǔ)上，引入改進(jìn)的方向特征和新的一致性特征，建立顯著性檢測(cè)模型，抑制背景雜波，生成顯著圖，從而獲取候選目標(biāo)區(qū)域；然后，基于各區(qū)域之間的距離，采用密度約束進(jìn)行區(qū)域連接性的判斷，最終實(shí)現(xiàn)船舶目標(biāo)的魯棒檢測(cè)。

1 Itti算法簡(jiǎn)介

Itti算法是一種經(jīng)典的視覺注意模型，該模型能夠自適應(yīng)地檢測(cè)出光學(xué)圖像中的感興趣區(qū)域(region of interest, ROI)。與大多數(shù)需要人工指定ROI的傳統(tǒng)算法相比，Itti模型在基于圖像的目標(biāo)檢測(cè)和識(shí)別方面具有很大的優(yōu)勢(shì)。

對(duì)于一幅輸入圖像，Itti模型通過以下4個(gè)步驟獲取其顯著圖：

1) 通過線性濾波器提取圖像的顏色、亮度和方向特征，并對(duì)每個(gè)特征構(gòu)建一個(gè)高斯金字塔，來模擬人類視網(wǎng)膜的非均勻采樣機(jī)制。對(duì)于顏色和亮度特征，Itti模型采用線性離散高斯濾波器分別對(duì)輸入圖像的3個(gè)顏色通道在水平方向和垂直方向進(jìn)行平滑和下采樣，各形成8個(gè)不同分辨率的子圖像[16]，包括原始圖像在內(nèi)，構(gòu)建出9層高斯金字塔結(jié)構(gòu)。其中，平滑濾波器為[1 4 6 4 1]，通過與[1 1]/2濾波器的卷積來實(shí)現(xiàn)下采樣。對(duì)于方向特征，Itti模型采用Gabor濾波器對(duì)圖像的亮度特征圖在4個(gè)不同方向進(jìn)行濾波，得到方向特征圖。二維Gabor濾波器是一個(gè)帶通濾波器，可以定義為一個(gè)用高斯函數(shù)調(diào)制的復(fù)指函數(shù)[17]：

(1)

2) 對(duì)每個(gè)特征金字塔，利用中央差分法計(jì)算對(duì)應(yīng)的特征圖。計(jì)算方法為：

I(c,s)=|I(c)-I(s)|，

(2)

RG(c,s)=|(R(c)?G(c))-(G(s)?R(s))|，

(3)

BY(c,s)=|(B(c)-Y(c))?(Y(s)-B(s))|，

(4)

O(c,s)=|O(c,θ)?O(s,θ)|，

(5)

其中：c∈{2,3,4}，s=c+δ,δ∈{3,4}，符號(hào)“?”表示將兩幅圖像通過插值轉(zhuǎn)換為相同大小，然后再進(jìn)行逐點(diǎn)減法。

3) 將每個(gè)特征在不同尺度下的特征圖歸一化，得到對(duì)應(yīng)特征的總特征圖。

4) 最后將3個(gè)特征對(duì)應(yīng)的3幅總特征圖進(jìn)行加權(quán)求和，同時(shí)利用勝者全贏機(jī)制從顯著圖中找出最顯著的點(diǎn)，利用返回抑制機(jī)制，保證該區(qū)域不再聚焦[18]，得到最終的顯著圖。

2 改進(jìn)的Itti-SAR算法

由于成像機(jī)理的不同，光學(xué)圖像和SAR圖像的特性存在較大差異，將Itti模型用于高海況SAR圖像船舶目標(biāo)檢測(cè)將出現(xiàn)以下4個(gè)問題：(1) 將圖像壓縮到不同的分辨率并保留重要信息對(duì)于視覺注意算法非常重要，但是SAR圖像的成像范圍更大，目標(biāo)尺寸相對(duì)光學(xué)圖像更小，同時(shí)，高海況時(shí)SAR圖像的背景更加復(fù)雜，不同于光學(xué)圖像中背景相對(duì)均勻的情況。這使得原Itti模型的9層金字塔結(jié)構(gòu)無法較好地保留目標(biāo)與背景之間的邊界區(qū)域。(2) SAR圖像中，船舶目標(biāo)與周圍的自然環(huán)境相比，方向信息更為顯著，但是，Itti模型利用Gabor濾波器提取圖像的方向特征，而Gabor濾波器的最大帶寬被限制在一倍頻，將其用于SAR圖像方向特征的提取中，會(huì)出現(xiàn)目標(biāo)被模糊、不能較好地抑制背景的現(xiàn)象。(3) SAR圖像屬于灰度圖像，無法像光學(xué)圖像一樣提取顏色特征，直接套用Itti模型只能提取強(qiáng)度特征和方向特征，這會(huì)使得SAR圖像自身的特征不能得到充分利用，降低目標(biāo)檢測(cè)的性能。(4) 隨著SAR成像技術(shù)的發(fā)展，SAR圖像的分辨率不斷提高，船舶目標(biāo)的結(jié)構(gòu)更加清晰，船頭和船尾的雷達(dá)散射截面較強(qiáng)，在圖像中形成較亮的區(qū)域，船舶內(nèi)部則相對(duì)較弱，這使得顯著性算法會(huì)將一個(gè)船舶目標(biāo)檢測(cè)為兩個(gè)甚至多個(gè)，出現(xiàn)較多的虛警。

針對(duì)上述問題，本文在Itti模型的基礎(chǔ)上進(jìn)行了4點(diǎn)針對(duì)性的改進(jìn)。為了直觀展示算法改進(jìn)的效果，下文逐一給出了在同一幅圖像上的實(shí)驗(yàn)結(jié)果。實(shí)驗(yàn)圖像來自“高分三號(hào)”獲取的高分辨率SAR船舶檢測(cè)數(shù)據(jù)集-1.0(AIR-SARShip-1.0)[19]，圖像的像素尺寸為1 000×1 000，海況級(jí)別為3級(jí)，分辨率為3 m。原圖像以及人工標(biāo)注出的船舶目標(biāo)位置如圖1所示。

圖1 原始SAR圖像及其對(duì)應(yīng)的真值圖像Fig.1 The original SAR image and its corresponding truth

2.1 金字塔層數(shù)的選擇

利用Itti模型的線性離散高斯濾波器對(duì)實(shí)驗(yàn)圖像進(jìn)行平滑和下采樣，形成8個(gè)不同分辨率的子圖像，最終得到的9層金字塔結(jié)果如圖2所示。

圖2 實(shí)驗(yàn)圖像的9層金字塔結(jié)構(gòu)Fig.2 Nine-level pyramid structure of the experimental image

由圖2可以看出，對(duì)原始圖像進(jìn)行平滑和下采樣后，雖然分辨率逐層降低，但是圖像中的目標(biāo)區(qū)域和背景區(qū)域，由于強(qiáng)度相對(duì)均勻，金字塔層數(shù)增加造成的強(qiáng)度變化很平緩，而目標(biāo)和背景間的邊緣區(qū)域，由于強(qiáng)度值會(huì)被臨近的背景像素點(diǎn)平均，金字塔層數(shù)增加造成的強(qiáng)度變化更加劇烈，中央差分操作就是利用這種差異，對(duì)不同層數(shù)的金字塔圖像進(jìn)行差分，達(dá)到定位目標(biāo)位置的效果。

但是，由于SAR圖像中的目標(biāo)尺寸較小，即目標(biāo)的像素點(diǎn)較少，同時(shí)高海況時(shí)圖像背景的異質(zhì)性較強(qiáng)，在對(duì)圖像構(gòu)建金字塔時(shí)，隨著分辨率的降低，由于強(qiáng)度值逐漸被平均，目標(biāo)像素點(diǎn)在金字塔層數(shù)較高時(shí)，強(qiáng)度會(huì)變得與背景相近，逐漸淹沒在背景中，而背景中較為明亮的噪聲逐漸凸顯，導(dǎo)致無法較好地保留目標(biāo)與背景之間的邊界區(qū)域。如果在此9層金字塔結(jié)構(gòu)上進(jìn)行特征提取和中央差分的操作，并不能有效提取出高海況SAR圖像的相關(guān)特征。

為此，本文基于多幅高海況SAR圖像上的實(shí)驗(yàn)，確定6層金字塔結(jié)構(gòu)可以在模擬人類視網(wǎng)膜的非均勻采樣機(jī)制的同時(shí)，保留SAR目標(biāo)與背景之間的邊界，從而在特征提取和中央差分操作后，可以較為有效地提取出SAR圖像的特征圖。因此，本文算法對(duì)高海況SAR圖像采用線性離散高斯濾波器，分別對(duì)圖像的水平和垂直方向進(jìn)行平滑和下采樣，形成5個(gè)不同分辨率的子圖像，包括原始圖像在內(nèi)，構(gòu)建出6層高斯金字塔結(jié)構(gòu)。在對(duì)每一層圖像分別進(jìn)行3種特征提取后，將2層分別與3、4、5層，3層分別與4、5、6層進(jìn)行中央差分操作，獲取每個(gè)特征的6幅特征圖，每個(gè)特征的6幅特征圖相加即得到對(duì)應(yīng)的特征圖。

考慮到每個(gè)特征的提取方法不同，為了避免不同特征圖之間的幅度差異過大，需要將3組特征圖歸一化，將其幅度均線性映射到[0, 255]之間，這樣既使得不同特征圖之間的幅度較為一致，同時(shí)也進(jìn)一步增大了顯著區(qū)域和非顯著區(qū)域之間的差異，得到相應(yīng)的3幅總特征圖，對(duì)這3幅特征圖相加求均值后得到最終的總顯著圖。

2.2 方向特征的提取

Itti模型采用Gabor濾波器提取圖像的方向特征，Gabor濾波器是能夠取得空域-頻域聯(lián)合測(cè)不準(zhǔn)原理下限的唯一函數(shù)，在提取圖像的局部頻率信息方面效果顯著。但是，Gabor濾波器存在直流分量，其最大帶寬被限制在一倍頻，不能得到盡可能寬的譜信息。為此，F(xiàn)ield[20]提出Log-Gabor濾波器，實(shí)現(xiàn)了任意帶寬濾波器的構(gòu)建，同時(shí)，Log-Gabor 濾波器更加符合人類視覺系統(tǒng)的特性。

所以，本文算法在顯著性算法中用Log-Gabor濾波器代替Gabor濾波器，對(duì)高海況SAR圖像提取6個(gè)尺度的方向特征，將2層分別與3、4、5層，3層分別與4、5、6層進(jìn)行中央差分操作，歸一化后得到總的方向特征圖。在實(shí)驗(yàn)圖像上分別驗(yàn)證兩種方法對(duì)于方向特征的提取效果，結(jié)果如圖3所示。

由圖3可以看出，原Itti模型對(duì)SAR圖像提取的方向特征對(duì)復(fù)雜背景幾乎沒有抑制作用，同時(shí)因?yàn)镚abor濾波器的最大帶寬被限制在一倍頻，使圖像上較為明亮的點(diǎn)都產(chǎn)生了一定程度的模糊，這既不有利于凸顯目標(biāo)，也會(huì)干擾目標(biāo)位置的確定。而本文通過Log-Gabor濾波器提取SAR圖像的方向特征，增大了船舶目標(biāo)與背景之間的差異，對(duì)高海況SAR圖像的背景進(jìn)行了有效抑制，對(duì)船舶目標(biāo)的定位更為準(zhǔn)確。

2.3 一致性特征的引入

由于原Itti模型針對(duì)的是光學(xué)圖像，沒有考慮SAR圖像特性，無法充分利用SAR圖像特征，為此，本文算法在對(duì)SAR圖像提取強(qiáng)度特征和方向特征的基礎(chǔ)上，引入了一致性特征的提取，進(jìn)一步增強(qiáng)船舶目標(biāo)、抑制背景，在高海況下實(shí)現(xiàn)船舶目標(biāo)的準(zhǔn)確檢測(cè)和定位。下面介紹一致性特征的提取方法。

在數(shù)學(xué)上，結(jié)構(gòu)張量也稱為二階矩矩陣，是由函數(shù)的梯度導(dǎo)出的矩陣。它總結(jié)了梯度在點(diǎn)的特定鄰域中的主導(dǎo)方向，以及這些方向的相干程度。結(jié)構(gòu)張量常用于圖像處理和計(jì)算機(jī)視覺。對(duì)于一幅圖像I，給定鄰域窗口的半徑r，則對(duì)于其中的每個(gè)像素點(diǎn)(x,y)，其結(jié)構(gòu)張量都是一個(gè)2×2的矩陣，計(jì)算公式為

(6)

(7)

[Iy(x+m,n+n)] ，

(8)

[Iy(x+m,n+n)] ，

(9)

(10)

其中：Ix和Iy分別為點(diǎn)(x,y)在x、y方向的梯度，w為權(quán)值矩陣，其尺寸與鄰域窗口相同。

鄰域窗口半徑r=0時(shí)，結(jié)構(gòu)張量將簡(jiǎn)化為

結(jié)構(gòu)張量將這個(gè)矩陣奇異值分解，可以得到其特征值λ1、λ2(將較大的那個(gè)記為λ1)及其對(duì)應(yīng)的特征向量e1、e2，特征向量體現(xiàn)了鄰域窗口內(nèi)的平均對(duì)比度，e1的方向?yàn)榇翱趦?nèi)梯度最大的方向，e2的方向則為一致性方向。所以λ1和λ2體現(xiàn)了對(duì)應(yīng)像素點(diǎn)處梯度變化主次方向的強(qiáng)弱程度，可以通過下式衡量其一致性[21]：

圖3 Gabor與Log-Gabor提取的方向特征圖Fig.3 The orientation feature maps extracting by Gabor and Log-Gabor

coherence=(μ1-μ2)2，

(11)

本文算法通過對(duì)SAR圖像的6層金字塔結(jié)構(gòu)分別計(jì)算其一致性特征圖，將2層分別與3、4、5層，3層分別與4、5、6層進(jìn)行中央差分操作，獲取6幅特征圖，歸一化后得到總的一致性特征圖。

對(duì)實(shí)驗(yàn)圖像提取一致性特征圖的結(jié)果如圖4所示。

圖4 一致性特征圖Fig.4 The coherence feature map

由圖4可以看出，雖然相對(duì)于前兩種特征圖，一致性特征圖的強(qiáng)度較弱，但是其應(yīng)用于高海況SAR圖像中，對(duì)復(fù)雜的異質(zhì)背景的抑制和目標(biāo)位置的保留較為準(zhǔn)確，對(duì)提取最終的顯著圖具有重要作用。本文算法對(duì)實(shí)驗(yàn)圖像提取的最終顯著圖Sm與原圖的對(duì)比結(jié)果如圖5所示。

圖5 最終顯著圖Fig.5 The final saliency map

由圖5可以看出，本文算法對(duì)高海況SAR圖像提取顯著圖的效果顯著，有效抑制了異質(zhì)背景，增強(qiáng)了目標(biāo)，且由于方向特征提取方法的改進(jìn)，本文算法對(duì)SAR圖像中的旁瓣具有很好的抑制作用，為更精確地提取船舶目標(biāo)位置奠定了基礎(chǔ)。

2.4 連接性的判斷

由于船舶各部分結(jié)構(gòu)的差異，船頭和船尾的雷達(dá)散射截面較強(qiáng)，在SAR圖像中會(huì)形成較亮的區(qū)域，而船舶內(nèi)部則相對(duì)較弱，這使得顯著性算法對(duì)船頭和船尾部分的增強(qiáng)更為顯著，如果在此基礎(chǔ)上對(duì)顯著圖進(jìn)行閾值分割，常常會(huì)只檢測(cè)出較為顯著的船頭和船尾部分，從而將一個(gè)船舶目標(biāo)檢測(cè)為兩個(gè)甚至多個(gè)，出現(xiàn)較多的虛警，特別是對(duì)于高分辨率SAR圖像尤為明顯。

本文算法首先利用提出的顯著性模型提取高海況SAR圖像的顯著圖Sm，船舶目標(biāo)在顯著圖中最為顯著，且與背景差異較大，因此對(duì)顯著圖進(jìn)行閾值運(yùn)算，提取候選目標(biāo)區(qū)域，并將閾值Th自適應(yīng)地定義為

(12)

其中：maxSm和minSm分別為Sm的最大值與最小值，kth為給定參數(shù)，實(shí)驗(yàn)表明其最佳取值范圍為[1,3]，本文實(shí)驗(yàn)中將kth設(shè)為2。

同時(shí)，考慮到船舶目標(biāo)的像素點(diǎn)較為集中，并且由于顯著圖提取的增強(qiáng)效果，目標(biāo)區(qū)域在顯著圖中與背景的差異進(jìn)一步增大，結(jié)合閾值計(jì)算公式(12)，在閾值運(yùn)算中目標(biāo)的絕大部分像素點(diǎn)都可以被保留，得到較為完整的區(qū)域。而背景中可能存在的明亮噪聲點(diǎn)，一般分布較為孤立，為了避免其也被提取為候選目標(biāo)區(qū)域，本文在閾值操作后，會(huì)進(jìn)一步將面積過小(小于s)的區(qū)域去除，實(shí)驗(yàn)表明s的最佳取值范圍為[2,6]，本文實(shí)驗(yàn)中將s設(shè)為5。

此外，考慮到船舶目標(biāo)的首尾之間連通性較弱，存在一定的中斷，在這種情況下，為了防止算法將一個(gè)船舶目標(biāo)檢測(cè)為多個(gè)，在完成候選目標(biāo)區(qū)域的提取后，本文算法設(shè)計(jì)了進(jìn)一步的區(qū)域間連接性判別操作，通過下式計(jì)算將多個(gè)候選區(qū)域檢測(cè)為同一目標(biāo)時(shí)的密度：

(13)

其中：|P|為檢測(cè)出的目標(biāo)中包含的候選區(qū)域的個(gè)數(shù),distance(pi,pj)為候選區(qū)域pi與pj之間的距離，用這兩個(gè)區(qū)域中任意兩點(diǎn)的最小距離表示。判斷連接性的依據(jù)為：當(dāng)在目標(biāo)中加入新的候選區(qū)域時(shí)，若目標(biāo)密度ds增加，則該新的候選區(qū)域與原區(qū)域?qū)儆谕荒繕?biāo)，否則屬于不同目標(biāo)。對(duì)所有候選目標(biāo)區(qū)域進(jìn)行判斷后，為每一個(gè)目標(biāo)繪制其最小外接矩形，作為目標(biāo)錨框。

3 實(shí)驗(yàn)結(jié)果與分析

本文選取雙參數(shù)CFAR算法和基于K分布的CFAR算法作為基線方法與本文算法進(jìn)行比較，之所以選擇CFAR算法，是因?yàn)樵擃愃惴ú粌H是目前研究最深入、應(yīng)用最廣泛的算法，而且也是最為經(jīng)典的目標(biāo)檢測(cè)方法。同時(shí)，雙參數(shù)CFAR算法和基于K分布的CFAR算法都是針對(duì)海面復(fù)雜背景SAR圖像船舶目標(biāo)檢測(cè)提出的，選取這兩種算法進(jìn)行比較更有意義。

為了驗(yàn)證本文方法的通用性和有效性，除上文的示例實(shí)驗(yàn)圖像外，本文另選了4幅不同來源、尺寸、分辨率和海況等級(jí)的SAR圖像進(jìn)行對(duì)比實(shí)驗(yàn)，每一幅實(shí)驗(yàn)圖像的詳細(xì)信息如表1所示。

表1 實(shí)驗(yàn)圖像詳細(xì)信息Table 1 The detail information of the experimental images

在對(duì)比實(shí)驗(yàn)中，雙參數(shù)CFAR、K分布CFAR和本文的Itti-SAR算法均使用相同的輸入圖像，為了使CFAR檢測(cè)器取得較好的檢測(cè)性能，實(shí)驗(yàn)過程中各CFAR檢測(cè)器的虛警率設(shè)定為Pfa=10-3，同時(shí)，在檢測(cè)前根據(jù)船舶目標(biāo)的尺寸設(shè)置合適的檢測(cè)窗口，并且都對(duì)檢測(cè)結(jié)果進(jìn)行了形態(tài)學(xué)濾波，得到檢測(cè)結(jié)果。而Itti-SAR算法不需要船舶尺寸的先驗(yàn)知識(shí)，對(duì)圖像進(jìn)行了金字塔結(jié)構(gòu)、顯著圖提取和連接性判斷，獲得最后的檢測(cè)結(jié)果。實(shí)驗(yàn)結(jié)果如圖6所示。

由圖6可以看出，在陸地雜波干擾較大的情況下，雙參數(shù)CFAR算法雖然有時(shí)可以檢測(cè)出所有的船舶目標(biāo)，但是往往會(huì)伴隨著較多的虛警(圖6(1.c))；而在海況特別復(fù)雜的情況下，雙參數(shù)CFAR算法雖然有時(shí)可以檢測(cè)出部分船舶目標(biāo)，但是對(duì)于船舶目標(biāo)內(nèi)部強(qiáng)度較弱的情況，會(huì)將一個(gè)目標(biāo)檢測(cè)為多個(gè)(圖6(4.c)),甚至?xí)霈F(xiàn)無法正確檢測(cè)出船舶目標(biāo)的情形(圖6(2.c))。K分布CFAR算法也存在類似的問題，雖然在一些情況下可以檢測(cè)出所有的船舶目標(biāo)，但會(huì)包含虛警(圖6(1.d) 、圖6(3.d))，也會(huì)出現(xiàn)將一個(gè)目標(biāo)檢測(cè)為多個(gè)的情況(圖6(1.d))，或者出現(xiàn)較多的漏檢(圖6(4.d))；在海況特別復(fù)雜的情況下，K分布CFAR算法雖然可能檢測(cè)出目標(biāo)，但會(huì)出現(xiàn)無法準(zhǔn)確定位船舶目標(biāo)的情況(圖6(2.d))。與之相比，本文算法在實(shí)驗(yàn)圖像中基本可以準(zhǔn)確地檢測(cè)出船舶目標(biāo)，且虛警較少，對(duì)于船舶目標(biāo)的定位更加準(zhǔn)確，也不需要船舶尺度等先驗(yàn)知識(shí)支撐。

為了定量地比較上述算法的檢測(cè)性能，本文采用 “Precision-Recall”指標(biāo)進(jìn)行算法評(píng)價(jià)。其中，“Precision”即查準(zhǔn)率，計(jì)算公式為

(14)

查準(zhǔn)率越高，說明算法辨別虛警和真實(shí)船舶目標(biāo)的能力越強(qiáng)，算法性能越好?！癛ecall”即召回率，計(jì)算公式為

(15)

召回率越高，說明算法檢測(cè)真實(shí)船舶目標(biāo)的能力越強(qiáng)，算法性能越好。

對(duì)4幅實(shí)驗(yàn)圖像進(jìn)行兩個(gè)指標(biāo)的計(jì)算結(jié)果如表2所示。

表2 不同算法船舶目標(biāo)檢測(cè)指標(biāo)統(tǒng)計(jì)Table 2 Indexes of ship detection results by different algorithms

通過對(duì)這3種方法的比較，兩種CFAR算法方法都產(chǎn)生了一定的虛警和漏檢，影響了檢測(cè)精度，并且在海況復(fù)雜程度較高的情況下，無法準(zhǔn)確檢測(cè)出船舶目標(biāo)。而本文算法的檢測(cè)率和召回率都很高，即可以在正確檢測(cè)出船舶目標(biāo)的同時(shí)，獲得極低的虛警率。

4 結(jié)論

本文研究了高海況SAR圖像船舶目標(biāo)檢測(cè)問題，提出一種適用于SAR圖像的顯著性檢測(cè)方法，整個(gè)檢測(cè)方法的核心貢獻(xiàn)包括：1) 根據(jù)SAR圖像特點(diǎn)，選取適當(dāng)?shù)慕鹱炙訑?shù)去模擬人類視覺系統(tǒng)的非均勻采樣機(jī)制，在保留目標(biāo)與背景邊界的同時(shí)有效的抑制了雜波噪聲；2) 提出以符合SAR圖像特性的強(qiáng)度特征、方向特征和一致性特征以及新的中央差分機(jī)制去構(gòu)建SAR特征圖，凸顯SAR目標(biāo)的同時(shí)進(jìn)一步降低了虛警；3) 引入密度約束對(duì)顯著區(qū)域的連接性進(jìn)行判別，有效地降低單個(gè)目標(biāo)不同部位被檢測(cè)為多個(gè)目標(biāo)的可能。本文算法與目前公認(rèn)穩(wěn)定的雙參數(shù)CFAR和K分布CFAR算法的對(duì)比實(shí)驗(yàn)表明：本文方法可以更加準(zhǔn)確地實(shí)現(xiàn)SAR船舶目標(biāo)的檢測(cè)，查準(zhǔn)率和召回率均高于另外兩種算法，且檢測(cè)過程不依賴于船舶尺寸等先驗(yàn)知識(shí)。