SAR图像舰船目标检测研究

雷盼飞，苏清贺，杨 桄

（中国人民解放军空军航空大学特种专业系，长春 130022）

1 引言

合成孔径雷达（Synthetic Aperture Radar，SAR）作为一种先进的主动式微波遥感器，以其全天候、全天时的探测优势日益成为世界各国普遍重视的遥感探测技术。在军事领域，主要用于陆战场侦察、海洋监测、伪装识别以及发现假目标等；在海洋监测方面，SAR能够根据舰船目标自身的反射特性以及其尾迹等特征对海面上的舰船进行全天时全天候检测、并通过SAR图像提取舰船目标的位置、航向、航速等特征，因此SAR成为当今舰船检测、监视和定位的最有效手段之一。本文首先回顾了SAR图像舰船目标检测领域近20年的重要研究成果，而后对目前常用的检测算法进行了分析比较，并指出各算法的优势与缺陷，最后对该技术领域的发展趋势做出展望。

2 历史与现状

2.1 起源与发展

自从1978年美国通过Sea SAT-1首次观测到舰船目标及其尾迹以来，利用SAR图像进行舰船检测逐渐成为海洋监测的一个重要技术手段。1986年挪威国防研究院（NDRE）与欧空局（ESA）将SEASAT图像作为实验数据，对舰船和舰船尾迹进行了检测研究［1］；英国科学家Murphy利用SAR图像上舰船尾迹特征对舰船目标进行检测研究［2］；1988年，挪威科学家Eldhuset深入研究了在SAR图像上进行舰船检测的方法技术［3］；挪威科学家Skoelv等人发表了舰船尾迹成像的模拟研究［1］；英国科学家Hendry等人在“SAR图像自动线性检测”文章中也进行了SEASAT的拖网渔船船队的尾迹检测［4］。这些早期的研究工作为后续的SAR图像舰船目标检测研究提供了理论支持和技术积累。

20世 纪 90年 代ERS－1/2、SIR－C/X－SAR 和Radarsat-1的升空为舰船检测的的科学研究工作提供了大量的实验数据，同时恒虚警率（CFAR）算法的引入也为SAR图像舰船检测提供了更为先进的技术手段，极大推动了SAR舰船检测的发展。1996年挪威Eldhuset使用CFAR检测技术对ERS－1图像进行舰船目标检测［5］，取得了较好效果；2000年加拿大的Jiang等人针对Radrsat图像上的舰船目标提出了一种基于PNN模型的CFAR检测方法）［6］，检测效果较好；自CFAR检测方法提出以来，针对其检测速度、检测性能等各个方面的提高问题，不断改进的基于CFAR的SAR图像舰船检测算法大量涌现，例如针对双参数CFAR检测器中的高斯分布模型不能准确描述呈长拖尾的分布特征的海洋杂波这一缺点，提出了基于K—分布模型的检测算法［20-23］，其检测精度得到了提高；针对检测速度慢等问题，提出了基于局部窗口的检测方法［20］；随着图像分辨率的提高，针对高分辨的SAR图像，发展了OTSU双阈值方法和KSW双阈值方法［7］。此外在利用其它特征方面陆续发展了基于扩展分型特征的检测算法［8］，利用多分辨率的检测算法［9］以及结合各种数学工具的检测算法。这些算法虽然只是SAR图像舰船目标检测相关文献的一部分，但是它们仍然展示出了SAR图像舰船目标检测研究的巨大进展，同时也昭示了该领域研究仍有巨大的发展潜力。

2.2 国内外研究概况

鉴于SAR图像在舰船目标检测中的独特优势，近年来该领域的研究受到各个国家的广泛关注，各国都投入大量资金用于开发SAR图像舰船目标检测系统。目前，国内外很多研究机构都在SAR图像舰船目标检测领域做了相应研究，部分国家已经建立了相对完整的SAR舰船目标检测系统，如加拿大的海洋监视工作站（Ocean Monitoring Workstation，OMW）系统［10］，美国阿拉斯加SAR演示验证（AKDEMO）系统［11］，欧盟联合研究中心（JRC）的VDS系统［12］，英国Qinetiq的MAST系统［13］，挪威FFI的Eldhuse［3］以及挪威Kongsberg的MeosView［14］，法国Kerguelen的CLS［15］和BOOST舰船遥感检测系统［16］，此外，澳大利亚、意大利的研究机构也在这一领域做了大量的研究工作，建立了相应的SAR舰船目标检测系统。就发展水平来看，加拿大遥感中心和挪威国防研究中心的检测系统在国际上处于比较领先的地位。这些SAR图像舰船检测系统主要包括以下几个步骤：（1）陆地隔离；（2）舰船目标检测；（3）舰船目标聚类；（4）去除虚警；（5）目标参数提取；（6）尾迹探测；（7）利用尾迹进行舰船速度估算；（8）结果输出。在检测中常用的特征有舰船的灰度、面积、形状以及舰船尾迹，检测算法主要有双参数CFAR、基于K-分布的CFAR方法等。

近年来，国内的很多研究机构在SAR图像舰船目标检测方面也开展了相关研究，中国科学院电子所微波成像国家重点实验室、国防科学技术大学卫星信息处理与应用实验室以及武汉大学等均在该领域做了大量工作，但目前国内的SAR图像舰船检测大多还处于实验、验证阶段，还没有形成实时化的舰船检测系统。

3 检测算法

舰船目标检测是整个检测流程的重点和核心，其主要思想是利用舰船目标和背景海域在SAR图像上所表现的特征差异，设置一个关于该特征的阈值进行检测。根据所依据特征的不同也就出现了各种不同的检测算法，本文主要对目前主要常用的检测算法进行总结分析：（1）基于灰度的舰船检测算法；（2）基于多分辨率的舰船检测算法；（3）基于极化分解的舰船检测算法；（4）其它检测算法，本文按次予以阐述。

3.1 基于灰度的舰船检测算法

金属制成的舰船目标，由于其具有较强的后向散射回波，在SAR图像上表现为具有和背景海平面相比较大的灰度差异，因此通过设置灰度阈值来进行检测自然成为基于灰度的舰船检测算法的主要思想。

恒虚警率（Constant False Alarm Rate，CFAR）是目前SAR图像目标检测领域研究最为广泛、最为深入和最为实用的一类方法。前文所述的已有的SAR图像舰船目标检测系统中，大部分都采用了CFAR方法。如图1所示，CFAR方法是利用目标的灰度对比度信息，在海洋杂波统计模型（即海洋杂波的概率密度函数）已知的条件下，自适应地选取检测阈值。该算法的关键问题在于所选择的杂波模型，使用不同的杂波模型将得到具有不同形式和检测效果的CFAR检测器。

目前，应用较多的是基于高斯分布的双参数CFAR检测方法和基于K分布的CFAR检测方法。

图1 CFAR检测流程Fig.1 Detection Process of CFAR

（1）双参数CFAR检测

双参数CFAR检测是林肯实验室假设背景杂波服从高斯分布而推导出来的经典检测算法，该算法采用滑动的局部窗口，能够控制背景杂波变化情况下的虚警概率，因此可以适应局部杂波的变化。通常需要3个滑动窗口：目标窗口、保护窗口、背景窗口。通过计算背景窗口中的所有像素的均值和方差得到该局部窗口的门限从而将目标窗口中高于该门限的部分判为舰船，一般用于中低分辨率SAR图像的舰船检测。

挪威Eldhuset最早使用该算法对于ERS－1图像进行目标检测［3］；美国Cassent等人使用此方法对于50米分辨率的SIR－C数据进行舰船检测［17］； 美国Wakerman等人用该算法对50米和100米分辨率的RADARSAT ScanSAR图像进检测研究［18］。由于传统双参数CFAR检测算法实现步骤比较繁琐，检测效率低，对于距离很近的舰船容易出现漏检，因此艾加秋、齐向阳、禹卫东［19］等人对双参数CFAR检测进行了改进，通过设置一个滑动的背景窗口和目标窗口，并将背景窗口中的舰船部分去除而对剩余部分进行统计得到杂波均值和方差，结构得到了简化，在实际应用中取得了很好的检测效果，其检测效率高于传统双参数CFAR检测算法，有很好的实用价值。

（2）基于K－分布的CFAR算法

由于大多数情况下，海洋杂波呈现出一种长拖尾形状的分布特征，而双参数CFAR算法的高斯分布模型不能准确描述这样的海洋杂波，近年来提出的K—分布模型由于能够精确的描述海洋杂波而被广泛接受，该方法首先估计出背景K-分布模型中的参数，然后根据给定的虚警概率，通过求解虚警概率方程来求出检测阈值，进而通过判决准则检测舰船。

加拿大海洋监测系统（OMW）［10］运用该方法作为OMW的舰船监测算法，该方法在检测Radarsat图像中的舰船目标时具有较好的检测性能，但是K分布并不能适用于所有的SAR图像，因此OMW在对某些不满足K分布的SAR数据进行检测时，其检测性能较差，尤其对背景局部变化复杂的海面SAR图像适应能力较差。鉴于此问题，种劲松［20］等人对该算法进行了改进，提出了一种基于局部窗口的K-分布CFAR算法，利用局部窗口对每个图像像素进行检测，滑动的背景窗口采用K-分布模型计算目标检测阈值，此法对海平面非均匀且局域性强的SAR图像舰船检测实验中取得了较好效果，但在舰船检测过程中，其统计的海杂波中常常会混有舰船部分，统计的参数并不是实际的真实值，对于距离很近的舰船会出现漏检，因此艾加秋［21］等人针对这一问题提出了一种改进的基于局部窗口的K-分布CFAR算法，该方法取目标窗口和背景窗口，通过把泄露到背景窗口中的舰船部分去除，对背景窗口中剩余部分进行统计得到杂波分布概率，并通过给定的虚警率来检测舰船，相对于K-分布CFAR检测算法和基于局部窗口的K-分布CFAR检测算法，该算法能够适应杂波的局部变化，对距离很近的舰船不会产生漏检，适用于近海岸的舰船目标检测。李晓玮［22］等人将小波分解与基于K分布的CFAR检测方法相结合提出了一种基于小波分解的K-分布SAR图像舰船检测，并通过对SIR-C C波段SAR图像舰船检测实验证明该方法能够在复杂相干斑和海杂波背景中大幅增强舰船目标，并且有效保证了检测结果的准确性。基于K分布的CFAR检测算法相对于基于其它分布的检测算法来说，检测性能比较好，但是其运算也相对复杂，算法效率比较低，很难满足检测系统的实时性要求，因此发展快速的K-分布CFAR检测算法将会是未来的一个发展方向，邢相薇［23］设计了一种基于两级CFAR级联的快速检测算法，相对于传统检测算法，其检测效率有了较大提高，但其检测性能相应有所下降，因此如何缓解检测性能与检测效率之间的矛盾也是以后需要研究的热点问题。

3.2 基于多分辨率的舰船检测算法

1998年Gagnon［24］提出了一种基于多分辨率的的舰船检测算法，即基于小波分解的检测算法（如图2所示），该类算法利用目标和杂波的多分辨率特征差异进行检测，其假设前提是：舰船目标和海洋杂波的散射特性在不同分辨率尺度上是不同的，并且舰船目标的散射较杂波更为持久。由于该算法具有多尺度分析的能力，因此尤其适合于高分辨率的图像。

Gagnon指出该算法可以实现在算法复杂度和低虚警率之间的良好折中，因此与其它传统门限检测方法相比是一种较为实用的舰船检测算法。近几年，各国学者对该算法进行不断改进，如Tellot［25］提出的一种改进的多分辨率检测算法，并通过对仿真和实际的SAR图像进行目标检测，得到了较好的检测结果，陈德元［26］等根据小波变换和Teager能量算子（TEO）的局部特性，提出的一种基于TWE的舰船检测新算法，并通过检测实验表明此算法在舰船检测数和虚警数性能指标上均优于传统检测算法。

图2 基于小波分解的舰船检测流程Fig.2 Process of The Ship Detection Method of Sar Images Based on Wavelets

3.3 基于极化分解的方法

近几年投入使用的SAR系统如TerraSAR、Radarsat.2等都具有获取多通道极化数据的能力，各通道间的极化信息增强了舰船目标和海杂波之间的对比度，使得舰船检测的虚警率得到较大幅度的降低，因此利用此特征发展了基于极化分解的舰船检测方法。

Touzi［27］利用极化熵对Convair-580 SAR图像中的舰船目标进行了检测；英国的Ringrose［28］等将用该算法对SIR-C SAR数据进行了检测，效果较好。陈曦等人［29］总结了在极化SAR图像中进行舰船检测的四种常见技术：（1）极化通道融合；（2）极化统计分布；（3）极化目标分解；（4）极化时频分析。近年成功发射的多颗商业星载极化SAR系统，如日本的ALOSPALSAR（2006），意大利的Cosmo－Skymed（2007），德国的TerraSAR－X（2007），加拿大的Radarsat－2（2007）等，大大拓展了极化SAR数据源，方便了国内外研究学者获取足够的数据用于新理论、新方法的研究，为利用极化信息进行舰船检测带来了机遇和挑战。

3.4 其他检测方法

除了上述几种应用比较广泛的方法之外，研究者们还发展了其他的SAR图像舰船目标检测方法。Benelli［30］和Argenti等［31］提出了一种基于模糊决策的检测算法，其对舰船目标的检测使用区域生长技术，而模糊决策理论则用于剔除虚警。李长军［32］等人采用模糊推理技术对RADARSAT图像进行了舰船检测试验，其效果较好。Kaplan［33］提出了一种基于扩展分形特征（EF）的目标检测算法，该算法通过计算图像点位置上多尺度的Hurst指数以量化在不同尺度下图像表征出来的纹理粗糙程度，由图像的纹理粗糙程度的度量来检测目标的存在与否，从实验结果来看，该算法的检测性能较好。此外还有田巳睿等人［34］提出的基于引力场增强的检测方法，孙鹤泉等人提出的基于MPP方法的SAR舰船检测，以及其它通过检测尾迹［35-40］来间接检测舰船的技术都具有一定的代表性。

上述各种检测技术中，基于灰度的CFAR检测算法结构简单，易于实现能够较好地控制检测率和虚警率，所以在SAR图像舰船目标检测中应用最为广泛；基于小波分解的算法利用了目标和背景的多分辨率特征差异，算法的虚警率较低，但对图像分辨率要求较高；基于极化分解的方法则利用了图像的极化和，能够有效地减少检测的虚警，一般主要应用于多通道极化图像。

4 发展趋势

在实际应用过程中，由于SAR海洋图像中陆地、海岛、风暴等自然地物及舰船目标本身的影响，造成SAR图像舰船目标检测过程中存在一定的困难。如陆地、风暴等产生大量虚警，舰船太小或舰船之间距离太近产生漏警等。同时，现有的检测算法经过近几年发展虽然检测精度有了很大的提高，但由于其运算复杂，检测速度慢，因而不能满足实际的SAR图像舰船目标检测系统对检测算法的实时性要求。因此综合来讲，目前SAR图像舰船目标检测算法需要进一步研究的问题有：

（1）杂波统计模型研究。以现有的统计分布模型来看，无论是经验还是非经验的，在理论和应用上都存在一定的局限性，所以对于具体的应用要具体的分析最优的拟合分布。因此对杂波统计模型更深入的研究，从而得到一种通用的杂波模型，是杂波统计模型的一个研究方向。

（2）适应性检测算法的研究。现有的许多算法几乎都要对图像的每一个像素进行检测判别，很难实现海量SAR图像遥感数据的实时处理，而且目前存在的SAR图像舰船检测算法只是在某一种或几种特定情况下检测性能良好，在实际应用中，海洋环境千变万化，如何融合不同的检测算法，使检测算法适应不同的海况，这也是需要进一步研究的问题。

（3）基于多特征的检测算法研究。由于一个特征只能反映目标或杂波的一方面信息，因此多个特征的联合应用理论上更能准确地检测出目标。选取合适的图像特征以及设置相应的融合原则将是基于多特征的检测算法的主要研究问题。

（4）快速检测算法的研究。为保证战场情报时效性的要求，研究快速的检测算法已成为进一步需要研究的热点了，同时如何提高检测率的同时保证检测性能也是这一方面需要注意的问题。

5 总结与展望

本文对国内外各文献中的SAR图像舰船检测技术做了一个总体的回顾，并对目前的主要检测技术进行了总结，以对我军的海洋监测尤其是舰船检测工作提供一点帮助和启发。SAR图像的目标特性使得利用SAR图像进行舰船检测已成为未来舰船检测的主要技术，同时随着高分辨率，极化SAR图像以及更为先进的检测算法的出现，都为该领域的快速发展带来了机遇，不断推进我国实时化的舰船检测以及海洋监测系统的研究和建立。

［1］Skoelv A.Simulation of SAR Imaging of Ship Wakes ［A］.Proceedingsof IGARSS′88.Edinburgh， Scotland： IGARSS，13-16 Sept，1988：851-854.

［2］Murphy L M.Linear Feature Detection and Enhancement in Noisy Images via The Radon Transform ［J］.Pattern Recognition Letters，1986，4（4）： 279-284.

［3］Eldhuset K.Automatic Ship and Ship Wake Detection in Spaceborne SAR Images from CoastalRegions ［A］. Proceedings of IGARSS’88.Edinburgh，Scotland：IGARSS， 13-16 ，1988：1529-1533.

［4］Hendry A.Automated Linear Feature Detection and Its Application to Curve Location in Synthetic Aperture Radar Imagery ［A］.Proceedings of IGARSS’88 ［C］.Edinburgh， Scotland： IGARSS， 13-16 Sept，1988：1521-1524.

［5］Eldhuset K.An Automated Ship and Ship Wake Detection System for Spaceborne SAR Images in Coastal Regions［J］. IEEE Trans， Geosci.&Remote Sensing，1996，34（4）：1010- 1019.

［6］Q.Jiang.Automatic Detection for Ship Target in SAR Imagery Using PNN-Model［J］.Canadian Journal of Remote Sensing，2000，26（4）：297-305.

［7］种劲松.合成孔径图像舰船目标检测方法与应用研究［D］. 长沙：中国科学院研究生院，2002.

［8］匡纲要，高贵，蒋咏梅.合成孔径雷达目标检测理论、算法 及应用［M］.长沙：国防科学技术大学出版社，2007.

［9］L.Gagnon， H.Oppenheim， P.Valin.R&d Activities in Airborne Sar Image Processing Analysis at Lockheed Martin Canada［C］.Proceeding of SPIE，349l：998-1003

［10］M.D.Henschel， M.T.Rey， J.W.M.Campbell.Comparison of Probability Statistics for Automated Ship Detection in SAR Imagery.In Proceedings of SPIE，volume 3491， 2004：986-991.

［11］M.T.Rey，J.Campbell，and D.Petrovic.A Comparison of Ocean Clutter Distribution Estimators for CFAR-based Ship Detection in RADARSAT Imagery.Report No.1340， Defense Research Establishment Ottawa，Canada， December 2006：31.

［12］William G.Pichel， Pablo Clemente-Colon.NOAA Coast Watch SAR Applications and Demonstration ［J］.Johns Hopkins APL Technical Digest，2000，21（1）.

［13］Greidanus H， Lemoine G， Kourti N.Satellite Ship Detection for Fishery Control ［A］.NURC International Symposium Remote Sensing Applications to Support NATO Expeditionary Operations.Lerici.Italy，2005.

［14］Greidanus H.Findings of the DECLIMS Project-Detection and Classification of Marine Traffic from Space ［A］. SEASAR 2006.Italy，2006.

［15］Marcel L，Jean-Pierre C.Update on Kerguelen Station Operations ［R］.The Fourth Meeting of the DECLIMS Project.Toulouse，France，2005.

［16］Vincent K，Guillaume H.Surveillance of Coastal and Marine Offshore Areas using Satellite Imagery［R］.The Fifth Meeting of the DECLIMS Project.Farnborough，UK， 2005.

［17］David C.SAR Ship Detection using New Conditional Contrast Box Filter［J］.SPIE Conference on Algrithms for SAR Imagry V.Washington： SPIE Vol.3721，1999.274- 284.

［18］Wakerman C.Automatic Ship Detection of Ships in RADARSAT SAR Imagery［J］.Canadian Journal of Remote Sensing，2001，27（5）：371-378.

［19］艾加秋，齐向阳，禹卫东.改进的SAR图像双参数CFAR舰 船检测算法［J］.电子与信息学报，2009，31（12）：2882- 2884.

［20］种劲松，朱敏慧.SAR图像舰船及其尾迹检测研究综述 ［J］.电子学报，2003，31（9）：1356-1360.

［21］艾加秋，齐向阳.一种基于局部K-分布的新的SAR图像舰 船检测算法［J］.中国科学院研究生院学报.2010，27（1）： 36-42.

［22］陈德元，凃国防.一种基于小波变换的SAR图像舰船检测 的新算法［J］.电子与信息学报.2007，29（4）：856-858.

［23］邢相薇.SAR图像舰船检测方法研究［D］.长沙：国防科学 技术大学，2009.

［24］Gagnon L， Oppenheim H， Valin P.R&D Activities in SAR Image Processing/Analysis at Lockheed Martin Canad ［A］.In Proceeding of SPIE［C］.1998， 3491：998-1003.

［25］M.Tello.A Novel Algorithm for Ship Detection in SAR Imagery Based on The Wavelet Transform.IEEE GRS. Letters，2005，2（2）：201-205.

［26］李晓玮.基于小波分解的K-分布SAR图像舰船检测［J］. 测试技术学报.2007，21（4）：351-354.

［27］Touzi R， Charbonneau F， Hawkins R K，et al.Ship-sea Contrast Optimisation when Using Polarimetric SARs［A］. In IEEE 2001 International Geoscience and Remote Sensing Symposium （IGARSS'01）［C］.2001，1：426-428.［28］Ringrose R， Harris N.Ship Detection Using Polarimetric SAR Data［R］.In CEOS SAR Workshop 2001，1999.

［29］陈曦，吴涛，阮祥伟.极化SAR海面船只检测技术的研究 进展［J］.遥感技术与应用.2009，24（6）：842-844.

［30］K.Ouchi，S.Tamaki，H.Yaguchi，et a1.Ship Detection Based on Coherence Images Derived from Cross Correlation of Multilook Sar Images IGARSS’03 2004.1（3）：1 84-1 87.

［31］G.Benelli， A.Garzelli， A.Mecocci.Complete Processing System That uses Fuzzy Logic for Ship Detection in Sat Images ［J］.IEE Proceedings：Radar Sonar&Navigation， 1994.141（4）：181-186.

［32］李长军.基于模糊理论的SAR［J］.计算机应用，2005，25 （8）：1955-1957.

［33］L.M.Kaplan.Improved SAR TargetDetection via Extended Fractal Features.IEEETrans.On AES.2001，37 （2）.

［34］田巳睿，王超.星载SAR舰船检测技术及其在海洋渔业监 测中的应用［J］.遥感技术与应用，2007，22（4）：504-506.

［35］蒋定定，许兆林，李开端.基于Radon变换的SAR图像船迹 检测研究［J］.海洋测绘，2004，24（2）.

［36］邹焕新，匡纲要，郁文贤.一种从SAR海洋图像中检测舰 船航迹的算法［J］.现代雷达，2004，26（1）.

［37］郑键，邹焕新.SAR海洋图像舰船尾迹检测和定位方法 ［J］.系统工程与电子技术，2006，28（4）.

［38］陈振林，邹焕新，周石琳，王国宏.SAR图像舰船尾迹检测 及其真假判别方法［J］.现代雷达，2010，32（1）.

［39］种劲松，朱敏慧.基于归一化灰度Hough变换的SAR图像 舰船尾迹检测算法［J］.中国图象图形学报，2004，9（2）.

［40］李杭彩，方景龙，王晓飞.基于Hough变换的SAR图像舰船 尾迹检测方法［J］.杭州电子科技大学学报，2009，29（1）.