本發明涉及雷達目標識別技術領域，特別涉及一種基于變異系數法的SAR船只檢測優化方法。

背景技術：

船舶作為當代的四大交通工具之一，在海上交通運輸中占據著重要的作用。合成孔徑雷達(SAR)是一種高分辨率成像雷達，具有全天時、全天候和大范圍監視的能力。由于海洋和船艦目標對雷達信號的反射特性不同，艦船金屬的后向散射系數很大，而海洋的后向散射系數很小，在SAR影像中船舶表現為亮像素，而海洋則為暗背景，因此SAR成為了海上船只監測的重要技術手段，在維護海洋權益、提高海防預警能力等方面發揮著重要功能。目前，國際上利用海洋SAR成像技術進行船只研究的國家很多，加拿大和歐美一些發達國家海洋船只探測技術處于世界領先地，提出了多種成熟的SAR船只檢測識別模型。目前，對于海面船舶目標的檢測研究與應用最廣泛的方法是基于雜波統計的恒虛警率(CFAR)檢測方法。其中，雙參數CFAR、基于K分布的CFAR等檢測方法，因其適應性較強及簡單易行等優點，成為近年來應用最多的CFAR檢測算法。

雙參數CFAR檢測方法雖簡單易行，但其是基于背景雜波滿足高斯分布的假設上，實際上除非圖像做過視數較大的多視平均，否則SAR圖像的雜波一般不滿足高斯分布。其次，該算法對的計算量較大、計算時間長、圖像邊緣的船舶目標易造成漏檢。K-CFAR檢測算法是通過設定的虛警率得到全局閾值來檢測目標，只適用于局部變化小的情況，其統計的海雜波中常常會混有艦船部分，統計的參數并不是實際的真實值，對于距離很近的艦船會出現漏檢。此外，形狀參數可能為負值，計算修正的Bessel函數會消耗大量運算時間。

隨著高分辨SAR傳感器，尤其2007之后的TerraSAR-X、Radarsat-2等新一代高分辨率SAR傳感器的發射運行，基于高分辨率SAR影像進行船只檢測識別已經成為SAR船只檢測的熱點。在高分辨率SAR圖像對海表背景和船舶目標記錄更加清晰的同時，船舶旁瓣、海表波浪等信息也是清晰可見；海表漂浮物、小型島嶼及人工設施等更容易對船舶檢測造成混淆。所以，高分辨率SAR為船舶檢測帶來更多機遇的同時也帶了不少困難。有研究初步獲取包括海雜波等在內的潛在目標，基于船舶幾何特征，利用層次分析法優化檢測結果。層次分析法是主觀的權重分析方法，以經驗為主，人為干擾因素過強，一定程度上會影響船舶檢測結果的正確率。

技術實現要素：

有鑒于此，本發明在于提供一種計算量小、適用范圍廣且人為干擾因素小的基于變異系數法的SAR船只檢測優化方法，不僅可以提高船舶檢測結果的正確率，還可以節省大量的計算時間，同時還可以減少圖像邊緣的船舶目標漏檢。

為解決上述問題，本發明采用如下技術方案：基于變異系數法的SAR船只檢測優化方法，包括如下步驟：

(1)利用合成孔徑雷達SAR獲取遙感影像；

(2)對步驟(1)中獲取的遙感影像進行預處理；

(3)對經過步驟(2)處理后的遙感影像中艦船目標進行檢測提取，得到潛在船只目標；

(4)利用變異系數法并以船舶長寬比、核密度估計閾值和目標像元個數作為船舶置信度的判別因子對經步驟(3)檢測到的潛在船只目標進行優化。

上述基于變異系數法的SAR船只檢測優化方法，步驟(1)中所獲取的遙感影像為Radarsat-2高分辨率影像。

上述基于變異系數法的SAR船只檢測優化方法，步驟(2)中對步驟(1)獲取的Radarsat-2高分辨率影像依次進行聚焦處理、多視處理、圖像配準，FROST濾波、地理編碼和輻射定標。

上述基于變異系數法的SAR船只檢測優化方法，在步驟(3)中，利用最佳香農熵雙閾值經過步驟(2)處理后的遙感影像中船只目標進行檢測，包括如下步驟：

(3.1)根據經步驟(2)處理后的Radarsat-2高分辨率影像的灰度直方圖的熵找出最佳熵閾值；

(3.2)利用步驟(3.1)中所得的最佳熵閾值對經過步驟(2)處理后的Radarsat-2高分辨率影像進行分割，得到潛在船只目標。

上述基于變異系數法的SAR船只檢測優化方法，在步驟(3.1)中，經步驟(2)處理后的Radarsat-2高分辨率影像的灰度范圍為{0，1…，T3}，設置閾值T1和T2，T1＜T2，利用T1和T2將經步驟(2)處理后的Radarsat-2高分辨率影像分為A類圖像、B類圖像和C類圖像，A類圖像對應的灰度區間為{0，T1}，B類圖像對應的灰度區間為{T1，T2}，C類圖像對應的灰度區間為{T2，T3}；設A類圖像出現的概率為P_A，則A類圖像出現的概率分布為P₀/P_A，P₁/P_A，…P_T1/P_A；設B類圖像出現的概率為P_B，則B類圖像出現的概率分布為P_T1+1/P_B，P_T1+2/P_B，…P_T2/_PB；設C類圖像出現的概率為P_C，則C類圖像出現的概率分布為P_T2+1/P_C，P_T2+2/P_C，…，P_T3/P_C；設P_i為灰度級為i的圖像出現的概率，0≤i≤T3，A類圖像出現的概率P_A、B類圖像出現的概率P_B和C類圖像出現的概率P_C可分別通過下述公式表示：

式中：P_A為A類圖像出現的概率；

P_B為B類圖像出現的概率；

P_C為C類圖像出現的概率；

P_i為灰度級為i的圖像出現的概率；

0≤i≤255；

T1＜T2；

A類圖像的香農熵H_A、B類圖像的香農熵H_B、C類圖像的香農熵H_C和經步驟(2)處理后的Radarsat-2高分辨率影像的總香農熵H可分別通過下述公式計算：

H＝H_A+H_B+H_C (iv)

式中，H_A為A類圖像的香農熵；

H_B為B類圖像的香農熵；

H_C為C類圖像的香農熵；

H為經步驟(2)處理后的Radarsat-2高分辨率影像的總香農熵；

利用公式(iv)計算出最佳香農熵閾值T1和T2。

上述基于變異系數法的SAR船只檢測優化方法，在步驟(3.2)中，利用步驟(3.1)中求得的最佳香農熵閾值T2對經步驟(2)處理后的Radarsat-2高分辨率影像進行檢測，如果經步驟(2)處理后的Radarsat-2高分辨率影像中的任意一個像素Xi，j，若像素Xi，j的灰度值大于或等于T2，則將像素Xi，j判為潛在船只目標的像素，否則將像素Xi，j判為背景像素。

上述基于變異系數法的SAR船只檢測優化方法，步驟(4)包括如下步驟：

(4.1)確定步驟(3)檢測到的潛在船只目標的船舶長寬比、核密度估計閾值和目標像元個數；

(4.2)利用變異系數法確定步驟(4.1)中得出的潛在船只目標的船舶長寬比、核密度估計閾值和目標像元個數的權重，并計算得到潛在船只目標的特征置信度CL；

(4.3)利用步驟(4.3)中計算得到的潛在船只目標的特征置信度對經步驟(3)檢測到的潛在船只目標進行優化。

上述基于變異系數法的SAR船只檢測優化方法，在步驟(4.1)中：

根據經步驟(3)檢測到的潛在船只目標通過Hough變化和最小外接矩形法計算出潛在船只目標的船舶長寬比；

根據經步驟(3)檢測到的潛在船只目標利用下述公式計算出潛在船只目標的核密度估計閾值：

式中：是K四次核的密度估計函數；

d是波寬或窗口寬度h范圍內屬于同一潛在船只目標的像素之間的距離；

x是潛在船只目標中的一個像素；

K是潛在船只目標的核密度估計閾值；

根據經步驟(3)檢測到的潛在船只目標利用Regiongrow區域生長法確定潛在船只目標的船舶目標像元個數，包括如下步驟：

(a)確定基點位置；

(b)設步驟(a)中確定的基點的像元的像素值為1，然后將臨近基點且像素值為1的像元歸入所述基點所在的生長區域，當遇到像素值為0的像元時，所述基點所在的生長區域停止擴大，即可得潛在船只目標；

(c)利用n_elements()函數統計步驟(2)中得到的潛在船只的像元個數。

上述基于變異系數法的SAR船只檢測優化方法，在步驟(4.2)中，利用下述公式計算出潛在船只目標的船舶長寬比、核密度估計閾值和目標像元個數的權重以及潛在船只目標的特征置信度：

CL＝FV×PM (ix)

PM＝[0.10 0.35 0.55]^T (x)

式中：v_i是第i項指標的變異系數；

σ_i第i項指標的標準差；

是第i項指標的平均數；

W_i是第i項指標的權重；

FV是船舶的特征矢量；

PM是標準化之后的權向量；

T是矩陣轉置符號。

本發明的有益效果是：

1.本發明適應性較強，簡單易行，且不會使圖像邊緣的船舶目標出現漏檢。

2.本發明可以降低人為干擾因素的影響，提高船舶檢測結果的正確率。

3.本發明既保證了高的檢測率，又有效剔除了海表雜波、系統噪聲、目標旁瓣等易于產生虛警的假目標，具有一定的可靠性和實用性。

附圖說明

圖1為實驗區原始數據圖；

圖2為實驗區船只分布情況圖；

圖3為利用最佳香農熵雙閾值法檢測結果圖；

圖4為Hough變換示意圖；

圖5為潛在船只目標核密度估計值圖；

圖6(a)-圖6(f)為實驗區部分潛在船只目標優化結果圖；

圖7為研究區潛在船只目視解譯結果圖；

圖8為最佳香農熵雙閾值法初步檢測結果圖；

圖9為本發明優化后的結果圖。

具體實施方式

為清楚說明本發明中的方案，下面給出優選的實施例并結合附圖詳細說明。

實施例

1.優化對象的選取與預處理

本發明選取福建省福州市附近的東海海域中位于北緯26°5′-26.10°、東經119°46′-119°54′的海區作為實驗區，并對該實驗區的Radarsat-2高分辨率影像(空間分辨率為5米，如圖1所示)進行檢測優化處理。

由于原始影像是RAW數據，因此需對實驗區的Radarsat-2高分辨率影像進行聚焦處理、多視處理、圖像配準、FROST濾波、地理編碼和輻射定標處理，以得到標準TIFF圖像，如圖2所示。

2.利用最佳香農熵雙閾值對預處理后的Radarsat-2高分辨率影像進行初步檢測

最佳熵閾值算法運用了信息論中的香農熵概念，使得圖像中目標與背景的信息量最大，即是根據圖像灰度直方圖的熵找出最佳閾值，并以此為閾值對原圖像進行分割，從而達到檢測艦船目標的目的。由于此方法無需先驗知識，因此對于非理想雙峰直方圖也能有效地確定其最佳閾值。

本實施例中，預處理后的Radarsat-2高分辨率影像(標準TIFF圖像)的灰度范圍為{0，1，…，255}，設置閾值T1和T2，T1＜T2，利用T1和T2將預處理后的Radarsat-2高分辨率影像分為A類圖像、B類圖像和C類圖像，A類圖像對應的灰度區間為{0，T1}，B類圖像對應的灰度區間為{T1，T2}，C類圖像對應的灰度區間為{T2，255}；設A類圖像出現的概率為P_A，則A類圖像出現的概率分布為P₀/P_A，P₁/P_A，…P_T1/P_A；設B類圖像出現的概率為P_B，則B類圖像出現的概率分布為P_T1+i/P_B，P_T1+2/P_B，…P_T2/_PB；設C類圖像出現的概率為P_C，則C類圖像出現的概率分布為P_T2+1/P_C，P_T2+2/P_C，…，P_T3/P_C；設P_i為灰度級為i的圖像出現的概率，0≤i≤255，A類圖像出現的概率P_A、B類圖像出現的概率P_B和C類圖像出現的概率P_C可分別通過下述公式表示：

式中：P_A為A類圖像出現的概率；

P_B為B類圖像出現的概率；

P_C為C類圖像出現的概率；

P_i為灰度級為i的圖像出現的概率，0≤i≤255；

Ti＜T2。

根據香農熵的概念，A類圖像的香農熵H_A、B類圖像的香農熵H_B、C類圖像的香農熵H_C和預處理后的Radarsat-2高分辨率影像的總香農熵H可分別通過下述公式計算：

H＝H_A+H_B+H_C (iv)

式中，H_A為A類圖像的香農熵；

H_B為B類圖像的香農熵；

H_C為C類圖像的香農熵；

H為預處理后的Radarsat-2高分辨率影像的總香農熵；

利用公式(iv)計算出最佳香農熵閾值T1和T2，使得總香農熵H取得最大值。由于船舶的散射較強，其灰度值較背景的灰度值高，因此利用T2最為檢測閾值遍歷預處理后的Radarsat-2高分辨率影像中的每一個像素Xi，j，若像素Xi，j的灰度值大于或等于T2，則將像素Xi，j判為潛在船只目標的像素，否則將像素Xi，j判為背景像素。

對于高分辨率SAR影像而言，船舶旁瓣、海表波浪等信息易對船舶檢測造成混淆，即利用最佳香農熵雙閾值對預處理后的Radarsat-2高分辨率影像初步檢測結果中的潛在船只目標仍會與船舶旁瓣和海表波浪等信息發生混淆，因此本實施例中利用最佳香農熵雙閾值對預處理后的Radarsat-2高分辨率影像進行初步檢測得到的檢測結果并不是十分理想，如圖3所示。由圖2和圖3對比分析可知，該檢測結果產生較多的虛警，因此需對利用最佳香農熵雙閾值對預處理后的Radarsat-2高分辨率影像進行初步檢測得到的檢測結果進行進一步優化。

3.利用變異系數法并以船舶長寬比、核密度估計閾值和目標像元個數作為船舶置信度的判別因子對經初步檢測得到檢測結果中的潛在船只目標進行優化

3.1優化特征選擇

為了對利用最佳香農熵雙閾值對預處理后的Radarsat-2高分辨率影像進行初步檢測得到檢測結果進行優化，本實施例中選用船舶長寬比、核密度估計值和目標像元個數作為船舶置信度的判別因子。

3.1.1船舶長寬比

幾何結構特征是SAR圖像中船舶最直觀的特征，其中，長度尺寸類特征是最簡單，也是幾何結構特征中應用最為廣泛的特征之一。本實施例中選擇的是船舶長度尺寸類特征中的船舶長寬比作為船舶的固有特征，船舶長寬比的取值在一定范圍內。根據船舶的統計資料，船舶長寬比取值范圍為[2.5，7.5]。在成像質量較差的區域，SAR圖像上通常存在一些高亮噪聲，利用船舶長寬比可以將部分虛警剔除。

而船舶的長度尺寸特征的提取方法主要有Hough變換、Radon變換、最小外接矩形法及最小二乘擬合直線方法等。本實施例中，利用最佳香農熵雙閾值對預處理后的Radarsat-2高分辨率影像進行初步檢測得到檢測結果中的潛在船只目標通過Hough變化和最小外接矩形法計算出潛在船只目標的船舶長寬比。

Hough變換于1962年由Paul Hough提出，是圖像處理中從圖像中識別幾何形狀的基本方法之一，也是模式識別領域中對二值推那個進行直線檢測的有效方法。如圖4所示，在標準參數化方式下，圖像空間中的直線表達為：

ρ＝x₀cosθ+y₀sinθ (xi)

式中，(x₀，y₀)是圖像空間中的一個特征點；ρ是原點到直線的距離；θ是直線與x軸的夾角。

圖像空間同一直線上的點轉換到參數空間的曲線一定相交于一點，即參數空間各曲線的交點對應著圖像空間的一條直線，這樣，檢測參數空間曲線交點就檢測出了圖像空間的直線，從而確定主軸方向。之后，利用最小外接矩形法求出潛在船只目標的船舶長寬比值。

3.1.2船舶核密度估計

核密度估計(kernel density estimation)是在概率論中用來估計未知的密度函數，屬于非參數檢驗方法之一。該方法可以有效的展示數據的結構特征與性質，在模式識別領域具有重要作用。近年來不乏基于核密度在船舶檢測上的研究與應用，而且核概率密度函數與多維高斯概率密度函數相比，更能反映船舶軌跡點空間概率密度分布。核密度估計的公式為：

式中，{Xn}為初步檢測結果中潛在船只目標的集合；K為核函數，滿足∫K(x)dx＝1；h是波寬或者窗口的寬度。

一些常用的核函數主要包括均勻核函數、三角核函數、伽馬核函數四次核函數等。本實施例利用的是經典核函數中的四次核函數，其核密度估計公式為：

式中，是K四次核的密度估計函數；d是波寬h范圍內屬于同一潛在目標的像素之間的距離。

通過公式(v)即可計算出潛在船只目標核密度估計值。

核密度估計函數對波寬h的選擇敏感度非常高，不同的h值得到的最終的密度結果差異較大。隨著波寬h的增大，密度上的空間變化更加圓滑。反之，則空間變化更加尖銳。計算每個像素的核密度之后，需要對每個潛在船只目標的核密度估計進行均值化處理，得到屬于每個潛在船只目標的核密度估計閾值，如公式(vi)：

對于初步檢測的結果而言，潛在船只目標中存在有假目標。這些假目標主要包括潛在船只目標周邊成像的旁瓣、海雜波所引起的SAR圖像上的高亮斑塊等。核密度優化可以排除假目標，降低虛警率，從而提高檢測精度。本實施例利用K四次核函數計算得到每個潛在船只目標的核密度估計閾值。圖5為其中4個潛在船只目標像素核密度估計分析計算的結果圖。

3.1.3船舶目標像元數目

船舶目標像元個數是船舶在SAR影像上的直接表現，與潛在船只目標的船體大小密切相關。潛在船只目標像元個數越多，則越能排除高亮海表斑點、SAR成像半點以及海表雜波的影響，其被判斷為真實船舶目標的可能性就越大。

本實施例中，根據檢測到的潛在船只目標利用Regiongrow區域生長法確定潛在船只目標的船舶目標像元個數，包括如下步驟：

(a)確定基點位置；

(b)設步驟(a)中確定的基點的像元的像素值為1，然后將臨近基點且像素值為1的像元歸入所述基點所在的生長區域，當遇到像素值為0的像元時，所述基點所在的生長區域停止擴大，即可得潛在船只目標；

(c)利用n_elements()函數統計步驟(2)中得到的潛在船只的像元個數。

3.2利用變異系數法對潛在船只目標的船舶長寬比、核密度估計閾值和船舶像元個數進行賦權

本實施例中核密度估計值、船舶長寬比和目標像元個數三個特征在權重決策中重要程度不一。在這個多準則決策的問題中，特征的權重分配至關重要，是影響船舶監測結果優劣的關鍵。現有技術中，有人利用層次分析法。然而層次分析法是主觀的權重決策分析方法，定性成分多，定量數據少，人為因素無法避免，不易令人信服。變異系數法是一種客觀的權重分配方法，直接利用各個特征本身所包含的信息，通過計算得到特征的權重。該方法無人為因素干擾，客觀、定量，具有可靠性。本文采用變異系數法為上述三個特征賦權。

3.2.1變異系數法

變異系數又稱“標準差率”，是衡量資料中各觀測值變異程度的另一個統計量。該方法是直接利用各項指標所包含的信息，通過計算得到指標的權重，是一種客觀賦權的方法。此方法的基本做法是：在評價指標體系中，指標取值差異越大的指標，也就是越難以實現的指標，這樣的指標更能反映被評價對象的差距。

各項指標的變異系數公式如下：

式中，v_i是第i項指標的變異系數，也稱為標準差系數，σ_i第i項指標的標準差，是第i項指標的平均數。

各項的權重為：

式中，W_i是第i項指標的權重。

3.2.2對潛在船只目標的船舶長寬比、核密度估計閾值和船舶像元個數進行賦權

利用船舶長寬比、核密度估計閾值和目標像元個數三個特征作為船舶置信度的判別因子，應用變異系數法確定各個特征的權重，計算得到船舶目標的特征置信度(confidence level，CL)，降低虛警率，改善檢測效果。船舶目標特征置信度公式為：

CL＝FV×PM (ix)

式中，FV是船舶的特征矢量(feature vector)，PM是標準化之后的權向量(priority matrix)。

利用變異系數法求得權向量的表達式為：

PM＝[0.10 0.35 0.55]^T (x)

式中：PM是標準化之后的權向量；

T是矩陣轉置符號。

3.2.3對經初步檢測得到檢測結果中的潛在船只目標進行優化

利用變異系數法計算通過計算得到的潛在船只目標的核密度估計、潛在船只目標的長寬比以及潛在船只目標的像元個數的權重，并計算潛在船只目標的核密度估計、潛在船只目標的長寬比以及潛在船只目標的像元個數的特征矢量矩陣和權重矩陣的乘積，得到置信度，并通過多次試驗獲得不同的置信度值，以確定達到最佳優化效果的置信度取值。

本實施例所選實驗區內部分潛在船只目標以及對應的船舶特征分析如圖6(a)-圖6(f)和表1所示。

表1實驗區部分潛在船舶目標特征分析表

4.結果分析

對本研究區域進行目視判讀解譯，該區域共有船舶12艘。目視解譯結果、最佳熵閾值初步檢測結果、多特征優化結果分別如圖7、圖8和圖9所示。

表2船只檢測結果及評價

由圖8和表2可知，利用最佳香農熵雙閾值法初步檢測到的結果檢測率很低，存在著大量的虛警，如海表的漂浮物、海雜波造成的高亮圖斑，船舶的金屬材質構造產生的旁瓣及SAR成像過程中的噪聲等。以上虛假目標的數目高達181，主要分布在海表波浪比較明顯和成像質量較差的區域，主要原因分別海表雜波和系統噪聲。在初步檢測結果的基礎上，通過對核密度、長寬比和像元個數三個船舶特征優化，分析船舶目標和虛假目標的特征值差異，確定最佳置信度，幾乎完全排除了上述的非船舶目標(圖9)，極大地提高了檢測率，驗證了本發明的有效性。而且特征置信度取值45％時，能夠最大程度的區分船舶目標和虛警。

本發明利用最佳香農熵雙閾值算法和變異系數法兩者結合，對高分辨率SAR影像船舶檢測并優化，同時利用目視解譯方法驗證了其有效性。本發明在最佳香農熵雙閾值算法獲取SAR圖像船舶的初步檢測結果基礎上，選擇了核密度、長寬比及像元數三個特征，利用變異系數法對初步檢測結果進行優化，該方法既保證了高的檢測率，又有效剔除了海表雜波、系統噪聲、目標旁瓣等易于產生虛警的假目標，具有一定的可靠性和實用性。

上述實施例僅僅是為清楚地說明本發明創造所作的舉例，而并非對本發明創造具體實施方式的限定。對于所屬領域的普通技術人員來說，在上述說明的基礎上還可以做出其它不同形式的變化或變動。這里無需也無法對所有的實施方式予以窮舉。凡在本發明的精神和原則之內所引伸出的任何顯而易見的變化或變動仍處于本發明創造權利要求的保護范圍之中。