船舶SAR图像数据集简介
船舶SAR图像数据集简介
船舶SAR图像数据集简介船舶SAR图像数据集简介深度学习技术的发展和计算能⼒的提⾼极⼤地促进了SAR图像数据集的建⽴和数据集规模的提⾼，本节将介绍舰船领域三个重要的SAR图像数据集，SSDD数据集，HRSID数据集和Yuanyuan Wang等⼈建⽴的复杂背景船舶数据集。
这三个数据集为深度学习和计算机视觉技术应⽤于SAR图像⽬标检测起到了基础性的作⽤。
其中，本⽂提出的⼯作⽤到了SSDD数据集和HRSID 数据集。
⾸先介绍SSDD数据集[11]，SSDD数据集是国内外第⼀个专门⽤于基于SAR 图像的舰船⽬标检测公开数据集，数据集包含各种情况下的船舶图像，如不同图像分辨率、船舶尺⼨、海况、传感器类型等，可以作为研究⼈员评估其算法的基准。
对于SSDD数据集中的每⼀艘船，都标注有带置信分数的边界框。
由于该数据集的应⽤范围⼤多是视觉对象检测，因此其构建⽅法类似于PASCAL VOC数据集[12]。
SSDD数据集由三个⼦集组成，包括训练集、验证集和测试集，各个部分图像数量的⽐例为7:2:1。
由于SSDD数据集包含的不同条件如表1中所⽰，例如不同的图像分辨率，图像⼤⼩，海况，传感器等等。
因此，这种数据集设置可以使得训练出来的⽬标检测器更加具有鲁棒性，但是这也会使得⽬标检测器很难在该数据集上获得⾮常⾼的性能。
SSDD数据集中船只和图像的数量统计如表2所⽰，其中NoS表⽰船舶数量，NoI表⽰图像数量。
在SSDD数据集中，总共有1160张图⽚和2456艘船。
每幅图像的平均船舶数量为2.12艘。
在使⽤该数据集的过程中可以根据所选算法的要求对数据集进⾏扩展。
尽管SSDD数据集的规模不及PASCAL VOC数据集，但是SSDD数据集⾜够⽤来测试基于⽬标检测任务的算法性能，因此可以通过结合防⽌过拟合的技巧，⽐如正则化，来训练⼀个⽬标检测模型。
本⽂利⽤开源的“labelimg” 软件制作标签，每个船的边框会被表⽰成（x, y, w, h）。
舰船遥感图像检测小波分析研究
舰船遥感图像检测小波分析研究舰船遥感图像检测是现代海洋监测的重要技术之一，而传统的舰船遥感图像检测方法往往存在着诸多的问题，如低准确率、高误报率等。
而近些年来，基于小波分析的舰船遥感图像检测方法被越来越多地使用，其具有高准确率、低误报率等优点，成为了海洋监测领域的研究热点之一。
小波分析是一种时频分析工具，可以将信号分解为不同频率的小波系数，将时频信息分离出来。
在舰船检测中，可以利用小波分析提取出舰船的特征信息，进而进行目标检测和识别工作。
下面，将从小波分解、小波包和小波变换三个方面探讨舰船遥感图像检测中小波分析的应用。
首先是小波分解。
小波分解是通过将信号分解为各个尺度的小波系数，实现信号的时频分析。
在舰船遥感图像检测中，可以对原始图像进行小波变换，然后对小波系数进行阈值处理，根据阈值来判定小波系数所代表的区域是否包含舰船，这种方法被称为基于小波分解的舰船检测方法。
但是基于小波分解的方法在一些复杂的情况下容易产生误检和漏检，而对于舰船的尺寸大小也难以做到良好的检测效果。
其次是小波包分析。
小波包分析是基于小波分解的基础之上，将小波系数进行进一步的分解，实现了对目标的更加精细地描述。
在舰船遥感图像检测中，可以将小波包作为特征提取器，提取图像不同尺度的局部特征信息，从而实现目标的检测和识别工作。
相比于小波分解，小波包分析可以提高舰船检测的准确率，但是其计算量较大，需要较高的计算资源支持。
最后是小波变换。
小波变换是将信号变换到小波域中进行处理，特别适合于处理不稳定和非平稳的信号，如舰船遥感图像。
在舰船遥感图像检测中，可以将小波变换用于特征提取和目标检测过程中，通过对小波系数的选择和筛选，筛选出与舰船相关的特征信息，最终实现对舰船的准确检测。
相对于小波分解和小波包分析，小波变换可以更好地处理多尺度的信息，使得舰船的检测结果更加准确、清晰。
综上所述，基于小波分析的舰船遥感图像检测方法在海洋监测领域的应用前景广阔。
基于SAR数据的海洋船舶监测系统研究
基于SAR数据的海洋船舶监测系统研究近年来，海洋领域的科技发展呈现出了快速的趋势。
其中，人们对海洋监测系统的研究和开发不断深入。
海洋船舶监测系统是其中的一个重要分支，其应用广泛，对于海洋资源的保护、船只安全的监督以及海上交通管理等方面均起着重要作用。
本文将重点探讨基于SAR（Synthetic Aperture Radar）数据的海洋船舶监测系统研究。
一、SAR技术的介绍SAR技术是利用雷达波将信号向目标反射并接收回来进行成像的技术。
与传统光学成像技术相比，它的优点在于可获得图像信息的精度较高、具备检测目标在遮挡物后的能力、可适应各种天气情况下的探测等优势。
因此，SAR技术广泛应用于陆地、海洋等多个领域。
二、SAR技术在海洋船舶监测系统中的应用1.船舶检测使用SAR技术可以进行船舶的检测与识别。
当船只与周围海域反差较大时，SAR技术可通过海表面反射的雷达波对船只进行检测。
根据船舶的反射成像，在图像中可对其进行识别与分类。
2.船只追踪SAR技术可以通过对不同时刻的海洋船舶成像进行比较，识别船只的运动轨迹，从而进行船只追踪。
此外，在船只追踪的过程中，还可将其与其他数据进行结合，如AIS（自动识别系统）以及经纬度数据等，以获得船只的详细位置信息。
3.油污检测使用SAR技术对海洋进行监测，可实时监测海面上的油污。
在遭受油污污染的情况下，其波纹和厚度会产生变化，使用SAR 技术可对此反应进行识别。
经过数据的处理，可清晰地制作出油污图像，供环境保护部门以及相关机构使用。
4.海面环境监测船只监测系统除了可以用于船只的追踪和识别外，还可以进行海面环境检测和监管。
SAR技术可对海洋环境进行成像，包括海浪、风浪、海浪风浪等环境要素。
可以在多种天气条件下进行探测，从而实现对海洋环境变化的监测。
5.水下环境观测SAR技术在海洋船舶监测系统中除了对海面环境的监测外，还可用于水下环境的观测。
对于浅海区域，SAR技术可通过扫描测量反射来获取大量数据，以与激光多普勒测量、海底卫星图像等数据相结合，对水下环境进行详细观察。
SAR图像舰船检测算法研究
SAR图像舰船检测算法研究摘要合成孔径雷达（SAR）成像技术具有全天候、全天时、全方位、高分辨率等特点，被广泛应用于航天、军事、海事等领域。
在SAR图像中，船舶是一种重要的目标，其检测和识别对于海上交通管理、军事情报采集等具有重要意义。
本文基于SAR图像的特点，研究并提出一种有效的舰船检测算法。
首先，本文介绍了SAR成像原理和船舶检测的背景和意义。
然后，详细阐述了影响船舶检测的因素，包括海况、天气等环境因素，以及雷达的参数设置。
接着，介绍了常见的船舶检测算法，分析了它们的优缺点。
其中，本文重点阐述了基于极化特征的舰船检测算法和基于形态学分析的舰船检测算法。
最后，本文提出了一种新的舰船检测算法，即基于特征图的舰船检测算法。
该算法基于卷积神经网络（CNN），将SAR图像提取的高层特征图作为输入，通过特征图上的轮廓信息实现舰船的检测。
通过实验验证，该算法具有较高的检测精度和较快的运行速度，具有较好的实用性和应用前景。
关键词：SAR图像；舰船检测；极化特征；形态学分析；特征图；卷积神经网络。
AbstractSynthetic aperture radar (SAR) imaging technology has the characteristics of all-weather, all-time, all-round, and high resolution, and is widely used in aerospace, military, maritime and other fields. In SAR images, ships are important targets, and their detection and identification are significant for maritime traffic management, military intelligence collection, etc. Based on the characteristics of SAR images, this paper studies and proposes an effective ship detection algorithm.Firstly, this paper introduces the SAR imaging principle and the background and significance of ship detection. Then, the factors affecting ship detection are elaborated in detail, including environmental factors such as sea state and weather, and radar parameter settings. Next, common ship detection algorithms are introduced, and their advantages and disadvantages are analyzed. Among them, this paper focuses on the ship detection algorithms based on polarimetric features and morphological analysis.Finally, this paper proposes a new ship detection algorithm based on feature maps, namely the ship detection algorithm based on feature maps. The algorithm is based on convolutional neural networks (CNNs), and uses the high-level feature maps extractedfrom SAR images as input to achieve ship detection through the contour information on the feature maps. Experimental results show that the algorithm has high detection accuracy and fast running speed, and has good practicability and application prospects.Keywords: SAR image; ship detection; polarimetric feature; morphological analysis; feature map; convolutional neural networkShip detection in SAR images is an important research area in remote sensing. In recent years, several methods including polarimetric features, morphological analysis, and convolutional neural networks (CNNs) have been developed for ship detection in SAR images. Among these methods, CNNs have shown promising results due to their ability to automatically learn features from input data.The proposed ship detection algorithm in this study is based on CNNs and uses high-level feature maps extracted from SAR images as input. The algorithm aims to achieve ship detection through the contour information on the feature maps. The proposed algorithm consists of four main steps: preprocessing, feature extraction, ship detection, and post-processing.In the preprocessing step, the SAR image is preprocessed to remove speckle noise and enhance the contrast. In the feature extraction step, the polarimetric features are extracted from the preprocessed SAR image. In the ship detection step,the feature maps are generated using a CNN, and the ships are detected through the contour information on the feature maps. In the post-processing step, thefalse positives are removed using morphological analysis.Experimental results show that the proposed algorithm has high detection accuracy and fast running speed. The algorithm also has good practicability and application prospects due to the availability of SAR images and the increasing demand for maritime security. Therefore, the proposed algorithm can be used as an effective tool for ship detection in SAR imagesOne potential application of the proposed algorithm is in the field of maritime surveillance, which is becoming increasingly important due to the rise of piracy, smuggling, and illegal fishing activities in marine environments. SAR images have been widely used for ship detection due to their ability to penetrate through clouds, darkness, and other natural barriers.However, the automatic detection of ships in SAR images remains a challenging task due to various factors, such as low contrast, speckle noise, and complex background clutter.Currently, manual interpretation and analysis of SAR images are time-consuming and labor-intensive, which limits its effectiveness in real-time monitoring and decision-making. Therefore, developing an efficient and reliable ship detection algorithm for SAR images can greatly improve the efficiency and effectiveness of maritime security and surveillance.The proposed algorithm has several advantages compared to existing methods. First, it utilizes the advantages of both CFAR and CNN methods to achieve high detection accuracy and low false positive rates. Second, the use of transfer learning enables the algorithm to adapt to different SAR data sources and reduce training time and resources. Third, the post-processing step using morphological analysis effectively removes false detections and improves the overall detection performance.In addition, the proposed algorithm can also be extended to other applications, such as the detection of other marine structures, such as oil rigs, buoys,and lighthouses. It can also be used in other remote sensing domains, such as satellite images for land use mapping, wildfire monitoring, and disaster management.In conclusion, the proposed ship detection algorithm for SAR images shows great potential for improving maritime security and surveillance. Its high detection accuracy, fast running speed, and good practicability make it a valuable tool for automatic ship detectionin SAR images. Further research and development can focus on improving its robustness and generalizability to various SAR platforms and environmental factorsAdditionally, there are several challenges that need to be addressed in the future before the proposed algorithm can be widely applicable. One challenge is the development of a robust algorithm that can detect not only ships but also other objects such as buoys and oil rigs that may appear similar to ships in SAR images. Another challenge is the need to improve the algorithm's performance under different environmental conditions such as fog, rain, and sea clutter, which can significantly affect the quality of SAR images.Furthermore, the proposed algorithm can be extended to other applications such as environmental monitoring, land use mapping, wildfire monitoring, and disastermanagement. Specifically, the algorithm can be used to detect oil spills, track iceberg movements, and monitor coastal erosion. It can also be used to identify burnt areas in wildfire images and to detect buildings and infrastructure damage caused by natural disasters such as earthquakes and floods. These applications can benefit from the proposed algorithm's high detection accuracy and fast running speed, which can enable timely decision-making and response.Overall, the proposed ship detection algorithm for SAR images has shown great potential for improving maritime security and surveillance. Its applicability to other domains such as environmental monitoring, land use mapping, wildfire monitoring, and disaster management further highlights its value as a versatile and practical tool. With continued research and development, the algorithm can be further improved and adapted to various real-world applications, contributing to a safer and more sustainable worldIn conclusion, the ship detection algorithm for SAR images has proven to be an effective tool for enhancing maritime security and surveillance. However, its potential extends beyond this domain, with applications in environmental monitoring, land use mapping, wildfire monitoring, and disaster management.With ongoing research and development efforts, this algorithm can be further improved and customized to meet the needs of various real-world scenarios, ultimately contributing to a safer and more sustainable world。
SAR数据介绍范文
SAR数据介绍范文SAR数据（合成孔径雷达数据）是一种通过合成孔径雷达（Synthetic Aperture Radar，SAR）技术获取的雷达数据。
SAR是一种主动遥感技术，与被动遥感技术相比具有独特的优势。
由于它不受天气、云层和光照条件的限制，SAR数据可以在任何天气条件下进行观测和收集。
SAR数据是通过在雷达系统上安装一个发射器和一个接收器来获得的。
发射器向地面发送雷达波束，然后接收器接收回波，并将其转换为数字信号。
SAR系统通过计算回波信号的相位差来确定目标地面的位置。
然后，计算机将这些数据处理成图像。
这个过程是通过接收器的移动和时间集成来实现的。
由于接收器的移动，可以模拟一个巨大的接收器，从而获得高分辨率的图像。
SAR数据具有很多独特的特点，使其在地球观测和远程传感器应用中非常有用。
首先，SAR数据具有很高的分辨率，能够捕捉地表上的细微细节。
其次，SAR数据具有观察面的宽度，可以在一次观测中覆盖大面积的地区。
这对于大规模的环境监测和灾害评估非常有用。
此外，SAR数据有能力穿透云层和观测地下目标，这使其在环境和地质应用中具有重要的意义。
SAR数据对于各种应用非常有用。
在环境监测方面，SAR数据可以用来监测土地覆盖和使用变化、土地沉降、水体变化等。
此外，SAR数据还被广泛应用于冰川动态监测、森林和湿地生态系统监测等方面。
在城市规划和土地管理方面，SAR数据可以提供高分辨率的地表信息，用于土地利用规划、建筑物高程测量等。
在灾害管理和响应方面，SAR数据可以用来监测地震、洪水、台风等自然灾害，并提供快速和准确的灾害评估。
随着技术的不断发展，SAR数据的使用越来越广泛。
目前，SAR数据已经应用于许多领域，如军事侦察、海洋监测、农业监测等。
此外，SAR 数据还与其他遥感数据（如光学影像）相结合，以提供更全面和准确的地球观测数据。
虽然SAR数据具有许多优点，但也存在一些挑战和限制。
首先，SAR 数据的获取和处理需要复杂的雷达系统和专业的处理软件。
SAR图像
自然场景图像一般是指自然界传递的视觉信息的数据化表达，其成像原理属于光学成像。
自然场景图像是许多计算机视觉相关的训练数据集的组成基础，比如CIRFA10，ImageNet，这些数据集促进了目标检测领域的快速发展。
光学遥感图像主要是指传感器工作波段在可见光波段采集的遥感图像。
在传统航空侦察和航空测绘中发挥着巨大作用。
随着遥感成像技术的进步，光学遥感图像的时间分辨率和空间分辨率不断提高，因此可以呈现丰富的细节信息，能够比较真实地反映目标的全貌。
SAR图像也称合成孔径雷达图像，是利用微波作为传输介质收集目标物的相位与幅度信息的全息成像，属于主动成像。
与自然场景图像和光学遥感图像相比，SAR图像有许多优点。
[10]首先，SAR 图像的获取具有便利性和灵活性，不会受到天气等外界条件的干扰，这是因为雷达成像不受天气状况的影响，可以在任何天气下工作。
SAR图像的这个优点对经常阴云密布的国家，例如位于赤道带的国家特别有用。
此外，SAR图像可以提供精细的高度和位移信息。
这是由于雷达的相干成像性能，即收集振幅和相位信号的能力，被用来在合成孔径的条件下获得显著的分辨率。
值得一提的是，由于微波频率赋予了雷达波穿透能力，因此在雷达被浅埋在非常干燥的环境中的前提下，可以帮助雷达波穿过浅色树叶，并探测到地下结构。
由于雷达波在很大程度上是极化的，因此SAR图像可以提供较为丰富的地物散射信息，是农业、地质科学和土地管理领域的重要信息来源。
事实上，雷达成像最大的优势在于它能够对光学成像起到补充作用，所以SAR 图像能够反映自然场景图像和光学遥感图像缺失的信息。
无论目标是微观的还是宏观的，雷达成像对其几何特性都特别敏感。
另一方面，光学成像对目标的物理化学性质(如发射率、反照率、颜色)更敏感，因此成像条件受到限制。
然而，雷达可以感知目标的材料性质(例如金属)及其条件(例如土壤湿度或植被干燥)等光学成像无法感知的信息。
最后，光学成像取决于光源，通常是太阳，而雷达成像与此无关。
基于深度学习的SAR图像舰船检测及识别技术研究
基于深度学习的图像识别技术
1、卷积神经网络（CNN）
卷积神经网络是一种广泛用于图像识别的深度学习算法。CNN通过使用卷积 核来对输入图像进行局部区域的分析。这些卷积核可以在多个尺度上滑动，提取 图像的不同特征，例如边缘、纹理和形状。CNN的这种能力使其能够有效地识别 和分析图像中的各种模式。
2、循环神经网络（RNN）
舰船检测
传统的SAR图像舰船检测方法通常基于图像处理技术，如滤波、边缘检测、 形态学处理等。然而，这些方法在复杂背景和噪声条件下往往性能不佳。近年来， 深度学习技术的发展为SAR图像舰船检测提供了新的解决方案。
基于深度学习的SAR图像舰船检测方法通常包括以下步骤：
1、特征提取：使用深度卷积神经网络（DCNN）等深度学习模型提取SAR图像 中的特征。
生成对抗网络是一种可以生成新数据的神经网络。在图像识别领域，GAN可 以用于生成与真实数据类似的新图像。GAN由两个部分组成：生成器和判别器。 生成器试图生成新的假图像，而判别器则试图区分真实的图像和生成的图像。这 两个部分通过竞争来不断改进他们的性能，最终达到类似人类生成新图像的能力。
结论
本次演示对基于深度学习的图像识别技术进行了综述。深度学习算法如卷积 神经网络、循环神经网络和生成对抗网络等为图像识别领域带来了新的突破。这 些算法可以自动地学习和提取输入数据中的特征，从而大大提高了图像识别的准 确性和效率。未来，随着深度学习技术的进一步发展，基于深度学习的图像识别 技术将会更加广泛地应用于各个领域。
1、深度学习模型优化：探索更为有效的深度学习模型和算法，以提高SAR图 像舰船检测及识别技术的准确率和效率。
2、多模态信息融合：将多模态信息（如可见光、红外等）融合到深度学习 模型中，以提高SAR图像舰船检测及识别技术的准确率和鲁棒性。
基于KPCA与KFDA的SAR图像舰船目标识别
基于KPCA与KFDA的SAR图像舰船目标识别合成孔径雷达（SAR）是一种有效的探测目标的无线电成像技术。
与可见光和红外成像传感器不同，SAR能够独立于时间和天气条件，并具有对地面各种特征的高度分辨率。
目标检测和识别是SAR图像应用的关键问题之一。
近年来，一些新的数据处理方法，例如主成分分析内核（KPCA）和核鉴别分析（KFDA）被应用于SAR图像舰船目标识别中。
KPCA是基于线性代数和统计学原理的一种数据降维技术。
使用SAR图像时，KPCA首先将图像转换为高维特征空间。
然后，根据KPCA算法生成新的欧式图像，其中每个像素值代表一个线性组合的主成分。
通过使用KPCA，SAR图像中的噪声和复杂性可以被适当地处理和简化，从而提高舰船目标的识别率。
另一个广泛应用于SAR图像的数据处理方法是KFDA。
KFDA是一种模式识别算法，它可以通过学习对目标之间的底层结构进行建模，从而识别不同类别的目标。
在SAR图像舰船目标识别中，KFDA可以被用来区分目标与背景之间的区别，并且鉴别目标间的类别。
KFDA算法通过特征映射将输入数据映射到高维特征空间，然后通过查找类别之间的最大方差实现一个判别函数。
KFDA的优点是可以在低维数据空间中提取非线性变换的特征，从而优化舰船目标的识别性能。
综合考虑使用KPCA和KFDA算法进行SAR图像舰船目标识别可以产生更优结果。
KPCA方法可以在数据预处理阶段降低图像复杂度和噪音，而KFDA可以进一步提高目标的识别率。
在实际应用中，可以通过联合使用KPCA和KFDA两种算法进行数据处理和特征提取。
总之，SAR图像舰船目标识别面临许多挑战。
然而，通过使用先进的数据处理方法，例如KPCA和KFDA，可以提高识别效果，为航海和目标监测等领域提供高效准确的方法。
在进行基于KPCA和KFDA的SAR图像舰船目标识别之前，需要掌握相关数据及其特征。
以下是对这些数据的分析。
1. SAR图像数据SAR图像数据通常由雷达平台获取，以波束形式呈现。
基于卷积神经网络的SAR图像舰船检测
基于卷积神经网络的SAR图像舰船检测基于卷积神经网络的SAR图像舰船检测摘要：合成孔径雷达（SAR）图像在海洋监测、安全防卫和舰船检测等领域具有重要意义。
然而，由于SAR图像的特殊性质和复杂性，传统的舰船检测方法存在一些困难。
为克服这些挑战，本文提出了一种基于卷积神经网络（CNN）的SAR图像舰船检测方法。
通过在海洋监测实验环境中收集和标记大量的SAR图像数据，建立了一个高质量的训练数据集。
然后，使用经典的卷积神经网络模型进行训练和优化，以提高舰船检测的准确性和鲁棒性。
实验结果表明，该方法在舰船目标检测方面取得了良好的性能，具有很高的应用价值。
关键词：合成孔径雷达、SAR图像、舰船检测、卷积神经网络、训练数据集、准确性1. 引言合成孔径雷达（Synthetic Aperture Radar，SAR）技术是一种广泛应用于航空航天、军事和民用领域的高分辨率成像技术。
相比于光学图像，SAR图像具有天气无关、全天候观测的优势，对于海洋监测、安全防卫和舰船检测等任务具有重要意义。
然而，由于SAR图像存在各种噪声、模糊和复杂的纹理，传统的舰船检测方法往往面临巨大的困难和挑战。
2. 相关工作近年来，SAR图像舰船检测领域取得了很多进展。
其中，基于机器学习的方法逐渐引起了广泛关注。
例如，一些研究采用传统的特征提取算法（如HOG、SIFT等）结合分类器（如SVM、KNN等）进行舰船检测。
这种方法虽然取得了一定的效果，但对于复杂背景和目标形状变化较大的情况下表现不佳。
3. 研究方法为了提高SAR图像舰船检测的精度和鲁棒性，本文提出了一种基于卷积神经网络的方法。
首先，我们在大规模的海洋监测实验环境中收集了丰富的SAR图像数据，并由专家对舰船目标进行了标记和注释。
通过数据增强和预处理技术，我们构建了一个高质量的训练数据集。
然后，我们选取经典的卷积神经网络模型进行训练和优化。
通过对训练数据的处理和学习，CNN模型能够自动提取SAR图像中的特征，从而实现舰船目标的准确检测。
基于小样本集的SAR_图像船只稳健表征学习
Computer Science and Application 计算机科学与应用, 2023, 13(2), 163-171 Published Online February 2023 in Hans. https:///journal/csa https:///10.12677/csa.2023.132017基于小样本集的SAR 图像船只稳健表征学习 李宇欣，张传武，蒋 宏西南民族大学，四川 成都收稿日期：2023年1月2日；录用日期：2023年1月30日；发布日期：2023年2月6日摘 要随着合成孔径雷达(Synthetic Aperture Radar, SAR)系统在军事及民用领域的广泛使用，SAR 图像数据的规模开始急速扩增，不同应用场景下的SAR 图像目标分类需求也不断增多。
传统目标分类算法需要在分析数据集后针对图像特性手动设计特征提取器，设计过程复杂繁琐且专业知识依赖性强，难以满足实际需求，因此深度学习方法开始被引入SAR 图像目标分类领域。
但是，由于现有带标签SAR 图像数据集规模较小，且SAR 图像与光学图像在图像特征上存在一定差异，直接将光学图像卷积神经网络模型应用到SAR 图像上往往很难取得理想效果。
针对上述问题，本文提出了基于卷积神经网络迁移学习的SAR 图像目标分类方法，相对于SAR 图像而言，光学图像数据的来源更为广泛，获取也更加容易。
通过迁移学习的方式，利用在大规模光学数据集上充分训练的预训练模型来辅助SAR 图像分类模型的训练，从而实现对船只进行的有效分类识别。
关键词SAR 图像，卷积神经网络，迁移学习，预训练模型Learning of Ship Robustness Characterization in SAR Images Based on Small Sample SetsYuxin Li, Chuanwu Zhang, Hong JiangSouthwest Minzu University, Chengdu Sichuan Received: Jan. 2nd , 2023; accepted: Jan. 30th , 2023; published: Feb. 6th , 2023AbstractWith the widespread use of Synthetic Aperture Radar (SAR) systems in the military and civil fields, the scale of SAR image data begins to expand rapidly, and the demand for SAR image target classi-fication in different application scenarios also increases. Traditional target classification algo-李宇欣等rithms need to manually design feature extractors for image characteristics after analyzing data sets. The design process is complex and tedious, and the professional knowledge is highly depen-dent, so it is difficult to meet the actual requirements. Therefore, deep learning method has been introduced into the SAR image target classification field. However, due to the small scale of the ex-isting SAR image data set and the certain difference in image characteristics between SAR image and optical image, it is often difficult to obtain ideal results when the optical image convolutional neural network model is directly applied to SAR image. To solve the above problems, this paper proposes a method for SAR image target classification based on convolutional neural network mi-gration learning. Compared with SAR images, optical image data are more widely sourced and easier to obtain. By means of transfer learning, the pre-training model fully trained on large-scale optical data set is used to assist the training of SAR image classification model, so as to realize the effective classification and recognition of ships.KeywordsSAR Image, Convolutional Neural Network, Migration Learning, Pre-Training Model Array Copyright © 2023 by author(s) and Hans Publishers Inc.This work is licensed under the Creative Commons Attribution International License (CC BY 4.0)./licenses/by/4.0/1. 引言合成孔径雷达(SAR)成像技术是雷达领域和遥感测量领域中重要的组成部分，与光学成像相比，能够适用于连续环境监测、大规模监测[1]和地球遥感[2]等需要长时间、独立于天气条件的连续成像。
基于卷积神经网络的SAR图像舰船目标检测方法研究
一种舰船目标SAR图像的仿真方案
王晨;王军锋
【期刊名称】《信息技术》
【年(卷),期】2007(31)8
【摘要】对舰船目标的合成孔径雷达(SAR)图像(复值)进行再处理,可以对舰船目标进行更精细的成像及轨道计算.开发这些算法需要大量的测试图像.但是由于实验条件的限制,这些图像的数目非常有限,因而研究舰船目标的SAR图像仿真就显得十分必要.提出了对舰船目标的SAR图像进行仿真的一种方案.首先通过仿真舰船目标的SAR成像过程以得到舰船目标的SAR图像,接着根据海杂波SAR图像的统计特性对海杂波的SAR图像进行仿真,最后将两者叠加以获得海面舰船目标的SAR图像.仿真结果显示了该方案的有效性.
【总页数】4页(P130-132,136)
【作者】王晨;王军锋
【作者单位】上海交通大学电子工程系,上海,200240;上海交通大学电子工程系,上海,200240
【正文语种】中文
【中图分类】TP391.9
【相关文献】
1.舰船目标SAR图像仿真方法研究 [J], 张显峰;杨露菁;张伟
2.一种基于多极化散射机理的极化SAR图像舰船目标检测方法 [J], 文伟;曹雪菲;
张学峰;陈渤;王英华;刘宏伟
3.基于二次散射的舰船目标SAR图像仿真∗ [J], 黄佳琦;祝明波;侯建国;王腾飞;张东兴
4.一种结合空间信息的星载SAR图像舰船目标检测算法 [J], 樊庆聚;蔡正谊;冷祥光;武院生;计科峰;;;;;
5.一种结合空间信息的星载SAR图像舰船目标检测算法 [J], 樊庆聚;蔡正谊;冷祥光;武院生;计科峰
因版权原因，仅展示原文概要，查看原文内容请购买。
SAR影像特征和数据记录内容
SAR是主动式侧视雷达系统，且成像几何属于斜距投影类型。
因此SAR图像与光学图像在成像机理、几何特征、辐射特征等方面都有较大的区别。
在进行SAR图像处理和应用前，需要了解SAR图像的基本特征。
本文主要包括：•成像散射特征•SAR几何特征•SAR图像特征1.成像散射特征SAR图像上的信息是地物目标对雷达波束的反映，主要是地物目标的后向散射形成的图像信息。
反映SAR图像信息的灰度值主要受后向散射的影响，而影响后向散射的主要因素分为两大类：•雷达系统的工作参数：主要包括雷达传感器的工作波长、入射角、极化方式等。
•地物目标的特性：地表的粗糙度和复介电常数等。
1.1 散射类型散射主要可分为5种：（1）表面和体散射这是SAR图像主要的散射。
粗糙的表面能得到更高的后向散射，平整表面在雷达图像上经常表现暗区域。
图：表面和体散射示意图图：水面上的溢油发生镜面反射，在图像上表现暗区域（2）双回波(Double Bounce)如下图所示，当地物垂直地面时候，容易发生双回波散射。
图：双回波散射示意图（3）组合散射一般发生在长波SAR系统（如L、P波段），包括表面、体散射、双回波等。
图：森林的组合散射（上-林冠层，中-树干层，下-地面层）图：SAR图像上的各种散射（4）穿透散射根据极化方式和波长情况，微波可以透入植被、裸土（干雪或沙地），一般情况，波长越长，穿透能力越强。
交叉极化(VH/HV)相比同极化（HH/VV）的渗透能力弱。
图：不同波长的穿透散射图：雷达波束穿透土壤，可以清晰的看到沙漠下的信息（5）介电属性散射地物目标的介电属性也影响雷达的后向散射。
基于这种现象，SAR系统也可用于检索土壤水分。
如金属和水的介电常数很好（80），而大多数其他材料的介电常数相对较低；在干燥条件下，介电常数一般是3~8。
这意味着，湿润的土壤或植物表面可以产生雷达信号的反射率显着增加，在图上反映更亮些。
土壤含水量监测主要原理是基于干土和湿土的介电属性之间的反差。
舰船斜框检测数据集使用说明说明书
舰船斜框检测数据集使用说明舰船目标斜框检测数据集(Rotated Ship Detection Dataset in SAR Images, RSDD-SAR)，是以国产高分3号卫星数据和TerraSAR-X卫星数据为基础，依托国家自然科学基金、中国科协青年人才托举工程基金（特殊领域）和山东省泰山学者人才工程支持，构建的一套包含多种成像模式、多种极化方式、多种分辨率的SAR舰船斜框检测数据集，旨在进一步推动SAR目标检测等先进技术的深入研究。
数据集在何友院士、熊伟教授和刘瑜教授指导下，由海军航空大学徐从安副教授团队发布。
RSDD-SAR数据集结构如图1所示，包含JPEGImages、Annotations、Imagesets、JPEGValidation 4个文件夹，其中JPEGImages文件夹中包含7000张切片，Annotations文件夹中包含7000个标注文件，Imagesets文件夹包含训练集、测试集、近岸测试集、离岸测试集划分方式文件，JPEGValidation文件夹包含2景未剪裁的大图及标注文件。
图1 RSDD-SAR数据集结构RSDD-SAR数据集标注示例如图2所示，图2(a)为示例切片，图2(b)为对应的.xml文件，该文件中包含文件名、极化方式、分辨率、切片尺寸、斜框标注等信息，其中斜框标注信息采用OpenCV长边定义法，包含目标中心点坐标、长边、短边、角度信息。
以图2(b)为例，文件名为86_6_14.xml，极化方式为VV，分辨率为3 m，切片尺寸为(512, 512, 3)，斜框中心点坐标为(178.58, 87.68)，长边为77.73，短边为16.29，角度为0.27。
xy(0,0)(a)切片示例(b)xml文件示例图9 标注示例舰船目标斜框检测数据集RSDD-SAR，由海军航空大学制作，《雷达学报》编辑部具有编辑出版权等。
读者可免费使用该数据进行教学。
科研等，但需在论文、报告等成果中引用或致谢。
基于retinanet的sar图像舰船目标检测
湖 南 大 学 学 报（ 自 然 科 学 版 ）
Journal of Hunan University（Natural Sciences）
Vol.47，No.2 Feb. 2 0 2 0
文章编号：1674—2974（2020）02—0085—07
DOI：10.16339/ki.hdxbzkb.2020.02.012
关键词：合成孔径雷达（SAR）图像；舰船目标检测；深度学习；RetinaNet
中图分类号：TP751.1
文献标志码：A
Ship Target Detection in SAR Image Based on RetinaNet
LIU Jieyu1，ZHAO Tong1覮，LIU Min2
（1. College of Missile Engineering，Rocket Force University of Engineering，Xi’an 710025，China； 2. College of Electrical and Information Engineering，Hunan University，Changsha 410082，China）
基于 RetinaNet 的 SAR 图像舰船目标检测
刘洁瑜 1，赵彤 1覮，刘敏 2
（1. 火箭军工程大学 导弹工程学院，陕西 西安 710025； 2. 湖南大学 电气与信息工程学院，湖南 长沙 410082）
摘 要：在合成孔径雷达图像舰船目标检测中，由于背景复杂多变，传统的基于人工特征
的目标检测方法效果较差. 基于深度学习中的单阶段目标检测算法 RetinaNet，结合合成孔径
method has higher detection accuracy. Key words：Synthetic Aperture Rada（r SAR）image；ship target detection；deep learning；RetinaNet
mscoco数据集_用于深度学习SAR图像舰船目标检测的数据集SSDD和SSDD+
在数据集SSDD中，⼀共有1160个图像和2456个舰船，平均每个图像有2.12个舰船，数据集后续会继续扩充。
相⽐于具有20类⽬标的图1显⽰了SSDD数据集中舰船⽬标的多样性。
图1(a)、(b)和(c)显⽰了简单背景(⼤⽚海域)下的⼩尺⼨舰船⽬标，对于传统的以CFAR为主的检测算法能适应这类场景。
图1(d)、(e)和(f)显⽰了复杂背景(靠岸区域)下的⼩尺⼨舰船⽬标，这些⽬标背景复杂，传统⽅法要进⾏海陆分割才能进⾏检测，相⽐于基于深度学习的⽅法，会存在漏警和虚警的问题。
图1(g)、(h)和(i)是靠近码头密集排列的⼤尺⼨的舰船⽬标，此时传统检测⽅法难以检测到这些⽬标，⽽深度学习⽅法可以检测到它们。
深度学习⽬标检测算法是针对数据集PASCAL VOC和MS COCO等⽣活场景的图⽚⽽设计的，PASCAL VOC⾥的⽬标⼤概可以分为⼤中⼩三种⽬标，⽽SSDD中⼤部分都是极⼩或微⼩的⽬标。
PASCAL VOC长宽⽐⼤部分为1，少部分是2和3，⽽舰船⽬标长宽⽐较⼤，这些都是将深度学习⽬标检测算法⽤于SAR图像中舰船⽬标检测所需要考虑的内容。
从图2和3可以看到，舰船⽬标长或者宽度所占图像尺⼨的⽐例在0.04到0.24范围内，⽐PASCAL VOC的0.2到0.9要⼩很多。
这为改进现有的深度学习⽬标检测算法提供了参考。
图4给出了SSDD数据集中舰船包围框长宽⽐统计结果图，从图中可以看到，相⽐于PASCAL VOC数据集中长宽⽐为0.5到2的范围，SSDD中长宽⽐的分布范围⽐较⼴，从0.4到3，在设计锚框(anchor box，也叫候选框或候选窗⼝，在Faster R-CNN论⽂⾸次提出，是指直接在最后⼀层的特征图上产⽣不同尺⼨和长宽⽐的候选窗⼝，将这些窗⼝看做潜在的⽬标区域)时要做好权衡。
SSDD+⽤旋转边框进⾏SAR图像中的舰船⽬标检测具有以下优势：第⼀，旋转边框可以完全分开舰船与背景像素。
通常，垂直边框中的很多像素不属于船的像素，这对于区分背景和舰船区域⼗分不利，尤其是密集排列的交叠⾮常⼤的舰船⽬标，所以最好利⽤旋转边框来定位舰船⽬标。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
船舶SAR图像数据集简介
深度学习技术的发展和计算能力的提高极大地促进了SAR图像数据集的建立和数据集规模的提高，本节将介绍舰船领域三个重要的SAR图像数据集，SSDD数据集，HRSID数据集和Yuanyuan Wang等人建立的复杂背景船舶数据集。
这三个数据集为深度学习和计算机视觉技术应用于SAR图像目标检测起到了基础性的作用。
其中，本文提出的工作用到了SSDD数据集和HRSID数据集。
首先介绍SSDD数据集[11]，SSDD数据集是国内外第一个专门用于基于SAR 图像的舰船目标检测公开数据集，数据集包含各种情况下的船舶图像，如不同图像分辨率、船舶尺寸、海况、传感器类型等，可以作为研究人员评估其算法的基准。
对于SSDD数据集中的每一艘船，都标注有带置信分数的边界框。
由于该数据集的应用范围大多是视觉对象检测，因此其构建方法类似于PASCAL VOC数据集[12]。
SSDD数据集由三个子集组成，包括训练集、验证集和测试集，各个部分图像数量的比例为7:2:1。
由于SSDD数据集包含的不同条件如表1中所示，例如不同的图像分辨率，图像大小，海况，传感器等等。
因此，这种数据集设置可以使得训练出来的目标检测器更加具有鲁棒性，但是这也会使得目标检测器很难在该数据集上获得非常高的性能。
SSDD数据集中船只和图像的数量统计如表2所示，其中NoS表示船舶数量，NoI表示图像数量。
在SSDD数据集中，总共有1160张图片和2456艘船。
每幅图像的平均船舶数量为2.12艘。
在使用该数据集的过程中可以根据所选算法的要求对数据集进行扩展。
尽管SSDD数据集的规模不及PASCAL VOC数据集，但是SSDD数据集足够用来测试基于目标检测任务的算法性能，因此可以通过结合防止过拟合的技巧，比如正则化，来训练一个目标检测模型。
本文利用开源的“labelimg” 软件制作标签，每个船的边框会被表示成（x, y, w, h）。
这里（x, y）是矩形中心点的坐标，w 是矩形的宽度，h 是矩形的高度。
船舶，图(b)显示远海的船舶，图(c)显示复杂背景的船舶
图1 SSDD数据集样本SSDD数据集的统计结果如下图所示。
图：SSDD 数据集中舰船目标包围框长度统计结果
图：SSDD 数据集中舰船目标包围框宽度统计结果
图： SSDD 数据集中舰船目标包围框长宽比统计结果
Yuanyuan Wang等人建立的复杂背景船舶数据集[13]由SAR专家标记，该数据集使用了102张由“中国高分3号”卫星拍摄的SAR图像和108张“哨兵1号”卫星拍摄的SAR图像。
它由43,819个不同的规模和背景舰船组成，在距离和方位上的像素为256。
该数据集构建的过程分为如下几步。
首先，所有的SAR图像都是转换为sigma0值。
然后，裁剪在距离和方位角上都包含大于800像素的舰船的候选子图像。
接下来利用滑动窗口在这些候选子图像的获取尺寸为256×256像素的船舶图像。
为了丰富船只的背景，在滑动窗口中，128个像素在列和行上移动，这使得相邻船只图像有50%重叠。
为了标记船舶的位置，这些船舶芯片被转换成灰色图像。
然后由SAR专家使用LabelImg[14]进行标记。
每个船舶芯片对应一个可扩展标记语言(XML)文件，类似于PASCAL VOC检测数据集[12]，分别表示船舶位置、船舶图像名称和图7中红色、绿色和青色矩形表示的图像形状。
最后，将整个数据集随机分为训练数据集(70%)、验证数据集(20%)和测试数据集(10%)。
AIR-SARShip-1.0数据集是一个高分辨率、具有大尺寸场景的SAR舰船检测数据集，该
左上角点为坐标原点，每个船舶的边框含有四个坐标点，依次为矩形框X轴坐标的最小值(xmin)与最大值(xmax)、Y轴坐标的最小值(ymin)与最大值(ymax)，坐标值即为边框在图像中实际像素的位置。
如图为AIR-SARShip-1.0数据集样本，可以看出，该图像既包括舰船信息，还包括周围海域、陆地及港口相关信息，非常贴近实际舰船检测应用场景。
图：AIR-SARShip-1.0数据集样本
AIR-SARShip-1.0数据集包括训练集和测试集，两个子集的比例为2：1，21张图像作为训练集，10张作为测试集。
该数据集的船舶边框面积统计如图所示。
图中横轴代表船舶边框的面积所属区间，纵轴代表该面积范围内舰船数量占总船舶数量的比例。
可以看出大多数边框面积都分布于2000～5000的范围中，在整张大图中占比较小，该数据集的场景大、目标小的特征十分显著。
与视觉领域中最具挑战性的数据集之一COCO相比，其小目标的比例也仅为41%，因此，AIR-SARShip-1.0数据集重点考验算法模型对小目标的检测性能。
图：AIR-SARShip-1.0数据集的边框分布图
最后介绍HRSID数据集[15]，高分辨率SAR图像数据集(HRSID)是高分辨率SAR图像中用于船舶检测、语义分割和实例分割任务的公开数据集。
该数据集共包含5604张高分辨率SAR图像和16951个船舶实例。
HRSID数据集借鉴了Microsoft Common Objects in Context (COCO)数据集的构建过程，包括不同分辨率的SAR图像、极化、海况、海域和沿海港口。
对于HRSID, SAR图像的分辨
率分别为:0.5m, 1 m, 3 m。
HRSID数据集的样本示例如图5所示，数据集图像统计结果如图6所示。
图5： HRSID数据集样本
图6：HRSID数据集统计分布。