基于机载SAR 图像的海面船只实时检测分类应用架构

缪炜星 ，王小龙 ，李志勇 ，杨 松 ，张 欣 ，季昕宁

(1.中航(成都)无人机系统股份有限公司，四川 成都 611730；2.中国科学院 空天信息创新研究院，北京 100190)

0 引言

合成孔径雷达(Synthetic Aperture Radar，SAR)作为一种主动式微波遥感载荷系统，具有很强的工作环境适应能力，可以在烟尘、云雾、阴雨以及夜间等复杂气象条件下执行观察任务。其中，机载SAR 系统因其使用机动灵活、分辨率高、实时性强等特点，被广泛应用于军事侦察、海洋监测、灾害应急评估等各类应用[1-3]，表现出极大的应用价值和潜力。

海面船只监视是世界沿海各国的传统任务，主要涉及船只搜救、非法捕捞和倾倒的监视、军船活动监测等。传统的监测手段投入大、覆盖范围小，很难满足日益加剧的海洋生产、运输和军事活动的监查需求。因此，基于遥感的海面船只监测手段成为各国研究和发展的重点。其中，SAR 遥感技术因其抗云雨和昼夜工作的能力受到广泛关注，特别是基于SAR 图像的船只目标检测、分类在SAR 海洋应用中备受关注，而针对实时应用的海面船只检测、分类最具应用价值[4-5]。针对该应用需求，近二三十年来，国内外不同研究机构开展了大量研究、推进工作，特别是随着深度学习人工智能技术的兴起，基于深度学习方法的SAR 舰只目标分类问题日益受到国内外广泛关注[6-10]。为了支撑方法研究，近年来人们先后构建和公布了多个SAR 船只样本数据集，包括：SSDD、Air-SAR-Ship、OpenSARShip 等，极大地推动了应用研究工作的开展。但是，截至目前，实用性的SAR 船只实时检测识别系统仍停留在目标检测阶段。究其原因，大致如下：(1)现有数据集均为星载SAR 数据集，缺乏高质量、高分辨率的SAR 目标数据集，很难支撑分类应用需求；(2)SAR 目标特征随系统入射角、方位角、分辨率、信噪比及参数差异等变化较大，小样本量的目标图像很难支撑实际的分类应用；(3)对于实时应用的机载SAR 系统，星载SAR 目标样本缺乏系统普适性。

为此，本文针对SAR 海面船只目标实时分类应用中所面临的上述问题，从实际的工程应用出发，从系统方案设计入手，探讨了基于SAR 图像的海面船只实时分类的构建方案与实现方法。

1 研究对象

实际的SAR 海面船只实时监测应用中，人们往往关注于尺度较大的高价值船只目标，特别是军事船只目标。但是，限于军事船只SAR 目标图像的稀缺性和敏感性，本文从同尺度级别的船只目标中选取了SAR 海域图像中常见的集装箱船、散货船和油槽船这三类民用船只进行类比研究。图1 给出了这3 类船只的光学照片及其对应SAR 影像。

图1 3 类民用船只及其对应SAR 图像

由图1 可以看出，上述3 类典型的民用船只在高分辨率的SAR 图像上，其电磁散射特征存在较大差异，具体表现为：油槽船在其甲板中轴线上存在着一条纵向亮线；集装箱船和散货船则呈现横向的间隔亮线，其中，集装箱船的横向亮线较散货船更多、更密集。因此，如果设计和选取合适的目标特征参数及分类方法，并对其进行快速的特征提取和目标分类，可以实现SAR 海面船只的实时分类应用。

2 应用架构及方法

针对SAR 目标分类问题，从20 世纪90 年代以来，特别是美国MSTAR 数据库公布以来，国内外的相关研究工作一直持续不断。在深度学习方法出现之前，一度以传统的特征提取和分类方法为主，并涌现出诸多具有代表性的SAR 目标特征；在深度学习方法出现以后，基于目标样本集的自学习分类方法成为研究热点，但限于SAR 系统特有成像机理所导致的目标特征多变以及SAR 目标样本的稀缺等因素，基于SAR 图像的目标分类在工程应用领域一直未能获得实用性的突破。

海面船只由于所处背景相对单一，是SAR 目标分类问题中最有可能实现工程应用的高价值目标。目前，针对海面船只的分类研究多集中在利用星载SAR 数据进行算法验证[11-14]，而针对实际海洋监测应用中普遍关注的海面船只实时检测分类问题，由于涉及飞机平台系统、雷达系统、测控系统、地面系统等多系统的协调合作和综合应用，导致其数据获取困难，相关研究的开展较少。基于此，本文从实际工程应用角度出发，探讨和构建了一个基于机载SAR 图像的海面船只实时检测分类应用框架。

鉴于机载SAR 船只目标样本的稀缺性，就现阶段而言，深度学习方法在该领域的工程应用仍存在数据难以支撑等问题，为此，本文将以实际的工程实践为出发点，构建基于传统目标检测、目标范围界定和特征分类的机载SAR 海面船只实时检测分类应用框架，如图2 所示。

图2 基于机载SAR 图像的海面船只实时检测分类应用构架

2.1 数学量与符号使用规范

对于高分辨率的SAR 图像目标检测应用，计算速度是决定算法是否实用的一个重要指标。在现有众多的检测算法中，经典的CFAR 方法以其算法简单、运算速度快、检测性能好等特点，在国内外各类系统中得到了广泛的应用[15]。

针对不同的应用需求，CFAR 算法具有多种改型，其中，运算效率较高的应属全局CFAR 算法。该算法采用全局阈值对整个场景的SAR 图像进行检测处理，主要针对场景相对较小、背景相对简单的SAR 图像检测应用。由于机载SAR 图像场景相对较小，因此，采用全局CFAR 算法既可兼顾检测速度，又可以保证检测性能，能够较好地满足海面船只实时检测应用需求。式(1)给出了经典CFAR 算法：

式中，P(x)为SAR 图像的统计分布函数，Pfa是给定的虚警率，对于图像中的每一个像素i，检测器判定为目标像素的条件为：

对于一般海况下的SAR 图像，CFAR 算法已被证明具有较为可靠的目标检测性能，可以检测出绝大多数的船只目标。但是，在实际应用中，由于海杂波及非船只目标的影响，检测结果中往往包含较多虚警；此外，对于异质背景的SAR 图像，即使在同一幅图像中，由于图像局部区域信噪比的差异，不同区域的检测效果也差异较大。为此，本框架采用由粗至精双级CFAR 处理方法以便自动获取更佳的检测结果，进而更好地支撑后续目标特征提取和分类处理，具体步骤如下：

(1)采用较高的虚警率(如：Pfa=0.1)对降采样图像进行快速目标粗检测，尽可能减少目标漏检；

(2)针对检出目标，进行基于尺度和背景的滤波处理，剔除尺度和背景明显不符合船只目标的虚警；

(3)针对保留目标，根据目标与其背景的信噪比进行基于虚警率自动选择的目标精细检测，以便更准确地提取目标区域。

需要说明的是，在上述步骤中，目标尺度滤波参数可采用大型船只通常的尺度范围：长度50～300 m，宽度10～60 m；基于背景的滤波参数可通过检出目标与周围8邻域的亮度均值比进行设置，比值阈设置建议大于2，本构架采用经验值3 作为目标保留阈值。此外，为了解决目标粗检阶段因虚警率较低导致的检出目标区域不够准确的问题，在目标精细检测阶段，通过逐个计算目标与其背景的信噪比，并根据目标信噪比自动分挡选取设定的精细检测的虚警率，进而实现基于目标信噪比的虚警率自动选择精细检测。对于高信噪比目标采用较低的虚警率，如：Pfa=0.001；而对于低信噪比目标则采用稍高的虚警率，如：Pfa=0.01。其中，考虑到不同雷达系统SAR 图像的信噪比差异较大(与系统参数、成像处理和辐射校正水平等相关)，在实际应用中，虚警率参数的设置往往是经验性的，可基于所用雷达系统的SAR 图像进行调整确定，此外，信噪比阈值也需根据所用雷达系统进行本地化设置。

图3 所示为基于SAR 图像的船只目标粗检和精检的结果对比。不难看出，由目标精检提取的目标区域与实际目标区域更加接近，此外，对于目标局部强散射引起的散射拖尾也有一定的抑制作用。

图3 船只目标粗检和精检结果对比

2.2 船只范围界定

船只目标范围的精确界定直接影响后续船只分类的性能。在实际的机载SAR 应用中，由于受平台稳定性、实时成像算法鲁棒性、目标运动等因素影响，SAR 图像中的目标有时会出现聚焦不理想的情况，特别是在目标的强散射部位，往往会出现高亮的十字形或直线形散射拖尾(如图3(a)所示)，通常，它们是由电磁散射旁瓣效应引起的，会影响目标检测算法对船只主体的精确提取(如图3(b)和图3(c)所示)，进而影响后续对船只目标范围的精确提取。此外，在部分SAR 目标中，因目标局部反射较弱导致的检测结果出现割裂也会影响对目标范围的提取。为此，在船只范围界定阶段，需要设计有针对性的处理方案去抑制上述影响。

通常，SAR 目标范围的界定大多是基于目标检测二值图提取其最小外接矩形(MER)，这种方法对于SAR 目标区域检测的要求较高，当目标信噪比差或存在散射旁瓣效应时，往往很难获得理想的结果。为了应对该问题，本文从实际工程应用的角度，设计了一个基于椭圆拟合的SAR 海面船只范围快速界定方法，如图4 所示。首先，为了应对目标检测二值图中可能出现的目标割裂、目标区域不连续、孔洞等现象，在上述双级CFAR 检测的基础上，设置了形态学膨胀、孔洞填充的处理以尽可能消除因船只不同部位散射强弱差异导致的目标割裂、孔洞等问题；其次，对于目标局部强散射引起的旁瓣效应，设计以贴近船只外形的椭圆去拟合目标外形轮廓，在此基础上，提取拟合椭圆的MER 作为目标初始MER，以此抑制目标强散射拖尾对目标MER 提取的影响；最后，通过对初始MER 进行长宽修正，最终获取较为理想的目标范围。

图4 基于机载SAR 图像的海面船只范围界定方法

图5 是采用普通MER 提取方法与本文基于椭圆拟合的MER 提取方法的结果对比图。由图可见，椭圆拟合方法的引入较好地解决了旁瓣散射干扰下目标主轴方向的提取问题。需要说明的是，在上述流程中，MER 校正采用的是先宽度后长度的校正策略。其中，宽度校正是沿目标长轴方向逐行提取目标二值图宽度，然后通过对所有宽度进行排序，取其3/4 处数值作为最终目标宽度；长度校正则是以初始MER 头尾两边内推法，通过不断内推两条边并检测内推后线段上有效目标点的个数，当目标点个数超过1/4 时停止，以此得到最终目标长度。

图5 船只目标MER 提取结果对比

2.3 船只分类

近年来，基于目标特征的船只分类研究时有报道，部分研究取得了不错的研究成果，可作为机载SAR 船只实时分类应用研究基础[11，16]。本文在现有研究的基础上，通过筛选和实践检验，确定了两个联合特征，将其应用于机载SAR 海面船只实时分类构架中，它们是：目标长宽比和目标散射强度分布。其中，目标散射强度分布已被研究验证可以独立进行船只目标的分类[7]，但是，考虑到机载SAR 图像中船只目标散射特征的复杂性，采用目标长宽比与目标散射强度分布相结合的分类策略，可以进一步提高船只目标的分类性能。

目标长宽比可基于目标MER 提取结果直接计算。对于3 类船只对象，长宽比是一个较好的分类指标，其原因是：大多数的集装箱船具有较大的目标长宽比，而油槽船具有相对较小的目标长宽比。

目标散射强度分布是较为重要的一个分类指标，其计算方法是：将目标按MER 划分为3 段，分别计算每段目标区域内的灰度均值，然后将3 段的计算结果进行归一化，按区间划分为高、中、低，并根据不同类型船只强散射部件的高、中、低分布区间进行匹配分类。其中，集装箱船、散货船和油槽船的各区间散射强度划分可参考文献[7]的强度划分方法，如图6 所示。

图6 三类民用船只各区间散射强度划分

3 试验与结果

为了验证上述应用架构的可行性，本文针对上述三类船只目标，采用收集的58 个高分辨率SAR 船只目标样本进行了初步的分类测试。鉴于机载高分辨率SAR 船只样本的稀缺性，且大型船只目标在高分辨率星载和机载SAR 图像中特征差异相对较小，本文试验样本仍以星载高分辨率SAR 样本为主。

试验结果表明，基于本文架构搭建的检测分类方法，在分类性能方面，对于集装箱船、散货船和油槽船这三类民用船只目标，整体的检测分类准确率略高于70%，基本能够满足实际的工程应用需要。其中，油槽船因其与另外两类船只目标特征差异较大，其分类准确率较高，接近75%；集装箱船的分类准确率最低，低于70%。在速度方面，鉴于本框架目标特征提取与分类的耗时与输入SAR 图像中目标的数量呈现正相关，为了降低整体耗时，在SAR 目标特征提取与分类阶段，通过采用多线程并行处理方案，使其处理速度得到了大幅提升，能够满足当前大多机载SAR 系统图像实时下传速率的需要。

需要说明的是，鉴于上述试验所用船只样本相对较少且较为理想，在实际应用中，随着目标样本的增加及其观测参数的变化，目标图像的复杂性必然会影响目标的分类性能。为此，为了达到理想的分类效果，应根据实际情况对所用分类特征进行调整，如引入其他有效特征进行综合判别，以提高船只分类能力。此外，限于高分辨率SAR 船只目标样本的稀缺性，本文仅针对当前研究较多的集装箱船、散货船和油槽船进行了分析，然而，根据参考文献[7]的研究结论(该文献分析了9 类船只目标)可以预见，基于本文所提应用架构，在目标范围界定结果的基础上，应具备将其拓展到部分其他类型船只的应用能力。

4 结论

海面船只SAR 分类是极为重要的SAR 海洋应用需求，特别是基于机载SAR 图像的实时分类应用，已经受到多方高度关注。但是，限于实时处理能力以及机载SAR船只目标样本稀缺等问题，就现阶段而言，应用潜力巨大的深度学习方法在短期内还无法实现工程应用。为此，本文从工程实践的角度，构建了基于传统方法的机载SAR海面船只实时分类应用架构，论述了相关技术细节和实施方法，并通过试验初步验证了其可行性。本文构架可以作为相关技术应用的基础和框架，通过与实际工程应用结合进行改进，进而应用或指导实际的工程应用。

近年来，随着无人机载SAR/GMTI 技术的持续发展、硬件处理能力的提升以及人工智能技术的不断突破，通过机载应用不断积累机载SAR 典型船只目标样本数据，以此构建基于机载SAR 图像的高分辨率船只样本库，在此基础上，将人工智能分类技术应用于积累的目标样本库进行技术迭代和优化，在不远的将来，基于机器智能学习的船只实时检测分类将成为机载SAR 海洋监测应用的大势之趋。