星载SAR 系统灵敏度对舰船分类影响的研究

张 骁，吕继宇，赵 爽，吴羽纶

（1.中国科学院空天信息创新研究院，北京 100190；2.中国科学院大学电子电气与通信工程学院，北京 100049）

由于合成孔径雷达（Syntactic Aperture Radar，SAR）图像具有全天候、全天时及高分辨率的优点[1]，故该成像技术在连续环境监测、大规模监测与地球遥感等应用中发挥着越来越重要的作用[2]。

SAR 系统灵敏度，也被称为噪声等效后向散射系数（Noise Equivalentσ0，NEσ0）[3]，其是衡量SAR系统对目标探测能力的一项关键指标，也是影响SAR 图像信噪比性能的最重要因素。SAR 系统灵敏度越高，SAR 图像信噪比也越高，对SAR 图像目标解译、检测及分类等应用则越有利。系统灵敏度指标的实现，始终是星载SAR 系统设计的首要内容。性能优越的大SAR 卫星以大天线、高功率和高成本为代价获得清晰的高质量SAR 图像。近年来，随着国外小型化、轻量化与低成本商业小SAR卫星的强势发展及大规模的推广应用，如何使信噪比性能指标相对较低的SAR 图像满足应用的需求，成为一个值得研究的课题。

舰船目标分类，始终是星载SAR 图像应用研究的热点方向。随着神经网络技术的发展，深度学习（Deep Learning，DL）在SAR 图像中逐渐得到广泛关注[4]。此外，Open-SARship[5]和FUSAR-ship[6-7]数据集的发布，为SAR 图像舰船分类的研究奠定了基础。文献[8]提出了CNN-MR 分类网络；文献[9]提出了一种小规模SAR 图像舰船分类的联合卷积神经网络（Convolutional Neural Networks，CNN）框架；文献[10]则提出了使用有限样本的几何迁移度量学习。考虑到SAR 数据集的特点，研究人员提出了数据扩充（Data Augmentation）[11]、迁移学习（Transfer Learning）[12-13]及微调模型（Fine-Tune）[14]等方法，用于解决小数据集SAR 图像的舰船分类问题。

当前，舰船分类研究主要基于对已获取的星载SAR 图像数据集进行分类。该文基于背景像素填充技术提出了目标旋转数据扩充方法，最大程度地保留了图像的原始信息。将该方法与微调卷积神经网络相结合，建立了高准确率的舰船分类方法模型，并对不同灵敏度下的数据集进行了仿真。通过建立的舰船分类模型对数据集加以分类，从而研究了星载SAR 系统灵敏度对舰船分类准确率的影响。

1 SAR系统灵敏度

SAR 系统灵敏度定义为[15]：该系统输出与系统噪声相同电平的输入信号所对应目标的后向散射系数，并用噪声等效后向散射系数（NEσ0）表示。其中，σ0为面目标后向散射系数，若是点目标，则其为目标的雷达截面积（Radar Cross Section，RCS）。

NEσ0的计算公式是根据SAR 系统雷达方程推导得到，该方程表达式为：

式（1）中，SNR 为信噪比，K为玻尔兹曼常数，T0为接收机温度，Fn为接收机噪声系数，R为卫星至目标的距离，L为系统损耗，V为卫星速度，Pav为发射信号平均功率，G为天线增益，λ为发射信号波长，ρg为地距分辨率。

σ0随地物变化而不同，在SAR 系统设计时为避免出现σ0，常用NEσ0来衡量系统性能而不用信噪比。NEσ0的表达式如下：

由式（2）可以看出，对于同一地物，系统灵敏度决定了SAR 图像信噪比，用单位dB 来表示，即：

由此可知，SAR图像的信噪比与系统灵敏度NEσ0成反比。NEσ0越小，说明系统灵敏度越高。

2 研究方法

2.1 方法概述

该文提出的星载SAR 系统灵敏度对舰船分类准确率影响的方法流程，如图1 所示。

图1 该文研究方法流程图

2.2 数据扩充

卷积神经网络通常需要大量的数据进行充分训练，因此必须采取措施避免过拟合的问题。其中，微调模型与数据扩充是两种有效的方法。传统的数据扩充方法包括调整亮度、添加噪声和图像旋转等。为了更好地保留图像的重要信息，文中提出了一种新的数据扩充技术，即基于背景像素填充的目标旋转数据扩充方法，具体思想为旋转舰船目标像素及填充背景像素，流程如图2 所示。

图2 背景像素填充数据扩充方法流程图

该方法的实现步骤如下：

1）使用H-CFAR 算法求取初始阈值：统计图像灰度直方图分布并归一化，给定虚警概率，并从阈值T=0 开始依次增加，对小于或等于阈值T的直方图概率求和，直至满足给定的虚警概率，则该阈值T即为初始阈值；

2）基于迭代删减目标像素[16]的CFAR 检测算法分割目标及背景：利用该初始阈值得到目标像素的索引矩阵，并将其作为迭代删减CFAR 算法的输入索引矩阵，迭代删减CFAR 算法则不断更新输出结果，直至输出的结果不再变化，即对应目标像素点，再根据输出结果分割图像；

3）利用基于背景填充的目标旋转方法对图像数据实现扩充：对目标像素加以旋转，并用SAR 图像原本的背景像素对空出的背景部分进行填充，即可得到扩充数据集。

2.3 降低系统灵敏度

每张图像中舰船目标的σ0是基本保持不变的，因此降低SAR 图像的信噪比等效于系统灵敏度下降。图像信噪比是指信号功率与噪声功率的比值，其公式为：

其中，Ps为信号功率，Pn为噪声功率。由此可推出：

式（5）中，ΔPn为图像信噪比改变ΔSNRdB时噪声功率的变化量。

该文所用的舰船图像仅包括舰船目标与海面背景，由于海面背景的后向散射系数远小于舰船目标的后向散射系数，故SAR 图像的背景区域在该图像中可被认为是噪声。采用基于迭代删减目标像素的CFAR 检测算法对SAR 图像进行目标及背景的分割，可得到没有目标像素点的纯海面背景区域；然后从海面背景区域提取平均噪声功率，该功率即为SAR 图像的平均噪声功率；最终根据式（5）求出改变图像信噪比所应添加的噪声功率后，再对数据集图像添加高斯白噪声以降低数据集的系统灵敏度。

2.4 卷积神经网络微调模型

微调模型也是一种能有效避免过拟合问题的方法，其可成功通过小数据集训练深层模型，以ResNet50为例的微调模型流程如图3 所示。该方法首先在大型公共数据集（如ImageNet）上训练神经网络模型，以得到预训练模型的权重参数[17-20]，如图3（a）所示；然后根据应用场景的不同，修改特征提取层（通常是全连接层，即图3（b）的虚线部分）并重新学习模型权重以适应特定的应用；最后，在预训练模型上重新学习模型的权重参数（图3（c）的粗实线部分）。

图3 ResNet50模型微调的实现流程

3 仿真结果与分析

3.1 GF-3数据集

仿真实验采用了我国第一颗民用全极化C 波段SAR 卫星高分三号（GF-3）舰船的分类数据集。该数据集共有550 幅3 m 分辨率SAR 图像，其中散装船100 幅、货船100 幅、渔船100 幅、其他船只100 幅、油轮100 幅、虚警50 幅。每一幅图像数据大小均为256×256 像素，表1 给出了所用舰船目标图像的主要系统参数。

表1 舰船目标图像的主要系统参数

3.2 超参数设置

在仿真的过程中，损失函数为交叉熵损失函数，梯度计算方法采用自适应时刻估计算法（ADAM）。经过海量的仿真结果对比，将学习速率设置为0.000 2，训练批尺寸设置为32，仿真迭代次数设置为200，即需更新200 次卷积神经网络参数。

3.3 单一数据集分类仿真

该文研究了系统灵敏度降低1～10 dB 对舰船分类的影响，根据式（3）SAR 图像信噪比与系统灵敏度的关系，系统灵敏度降低1～10 dB 即等效于将数据集图像的信噪比降低了1～10 dB。首先构建10个新数据集D0-D10，分别表示SAR 系统灵敏度降低1～10 dB 后的新数据集，并将其以7∶3 的比例划分为训练集与测试集。再对这些数据集进行仿真，结果如表2 所示，性能指标曲线如图4 所示。

表2 D0-D10数据集分类结果

由表2及图4可看出，随着系统灵敏度的降低，舰船分类准确率的下降趋势逐渐变缓。当系统灵敏度降为-13.58 dB时，舰船分类准确率可达到75%。

图4 系统灵敏度与分类准确率的关系

3.4 组合数据集分类仿真

对D0-D10数据集进行组合，获得三个新的数据集C1-C3。其中，C1、C2、C3分别由D0-D5、D0-D7、D0-D10数据集组合而成。对组合数据集进行训练，可得到M1-M3模型，该模型对D0-D10数据集的分类仿真结果如图5 所示。

由图5 可知，随着组合数据集中低系统灵敏度图像的增多，得到的训练模型对系统灵敏度的适应性会有一定程度的提高，但模型对数据集的平均分类准确率却不断下降。由此可知，舰船图像分类的准确率主要由低系统灵敏度的图像决定。

图5 M1-M3模型的分类结果曲线

4 结束语

该文从舰船分类对星载SAR 系统灵敏度的应用需求进行分析，提出一种研究SAR 系统灵敏度对舰船分类准确率影响的方法，并利用GF-3 号舰船数据集进行了仿真。结果表明，随着系统灵敏度的降低，舰船分类准确率的下降趋势逐渐变缓，且该准确率主要由低系统灵敏度的图像决定。当系统灵敏度下降为-13.58 dB 时，舰船分类准确率可达到75%。所提出的方法能够应用于舰船分类对星载SAR 系统灵敏度需求分析，所得到的仿真结果也可以为低系统灵敏度星载SAR 系统的舰船分类研究提供参考。但仿真实验仅基于GF-3 号舰船数据集，未来将进一步研究基于不同型号星载SAR 图像的舰船分类准确率与系统灵敏度的影响关系。