高分辨率合成孔径雷达图像舰船检测方法

2003年第17卷第1期

测试技术学报V ol.17　N o.1　2003(总第43期)JOURNAL OF TEST AND MEASUREMENT TECHNOLOGY (Sum N o .43)文章编号:1671-7449(2003)01-0015-04

高分辨率合成孔径雷达图像舰船检测方法

种劲松,朱敏慧

(中国科学院电子学研究所微波成像技术国家重点实验室,北京100080)

摘　要:　寻找针对高分辨率SA R 图像的舰船目标检测算法.利用K SW 双阈值分割技术,其效果比传统检

测方法好,有利于进一步的目标分类和识别.且必须根据SAR 图像分辨率来选择舰船检测算法.

关键词:　目标检测;图像分割;合成孔径雷达

中图分类号:　T N 957.51 文献标识码:A

利用合成孔径雷达(SAR )图像进行舰船检测在海洋遥感科学家中得到高度重视,已经成为SAR 数据重要的海洋应用之一.

在SAR 图像舰船检测方面的研究很多,大多数是使用恒虚警(CFAR)算法[1～4]

针对中低分辨率(25m 以上)的SAR 图像进行的.CFAR 算法是对于给定的虚警概率,根据背景杂波的分布来给出分割阈值.这种方法属于单阈值图像分割,对于中低分辨率图像较适用.

由于SAR 图像逐渐发展到高分辨率,对于舰船目标的研究除了目标检测外,还必须考虑到检测方法是否有利于目标参数提取,从而有利于后续的目标分类和识别.在实际应用中发现,如果将CFAR 算法运用到RADARSAT 精细模式高分辨率图像(分辨率约为8m ),舰船目标的参数提取将很难进行.

本文的研究目的是寻找针对高分辨率SAR 图像的舰船目标检测算法,为此需要先分析高分辨率SAR 图像上舰船目标的特点.1　舰船目标在高分辨率SA R 图像上的特点

在中低分辨率的SAR 图像中,舰船目标是一个、几个或几十个象素组成的强目标,此时对舰船目标的检测问题是典型的点目标检测问题.而在高分辨率的SAR 图像中,舰船目标是具有一定尺寸和一定细节的硬目标,其象素数可达到几百个左右.

真实舰船的首部、中部和尾部的结构是不同的,因此同一舰船的不同部位在高分辨率SA R 图像上必然呈现出不同的灰度,即整个舰船目标的亮度分布是不均匀的.图像中舰船目标由两类点组成.亮度图1　RADARSAT 精细模式舰船图像及其三维细节Fig .1　S hip image of RADARSAT fine m od e and the details

比较高的点是角反射或点

反射(由舰船的上层建筑、

舰桥、桅杆等引起)的结

果,亮度稍低的点是漫反

射的结果(由甲板等引

起).亮度高的点组成强

峰,亮度较低的点组成弱

峰.强峰和弱峰的分布可

以作为目标特征用于目标

分类识别.

图1示出Radarsat

精细模式图像中的舰船目 收稿日期:2002-07-01　作者简介:种劲松(1969-),女,副研究员,博士,主要从事合成孔径雷达图像处理与解译的研究.

标及其三维细节显示,中央的图像为SA R 图像,它的左右两张图对应其中两只舰船的三维细节显示,可以看出舰船目标强峰和弱峰的分布十分明显.

由于SAR 成像机制,在实际目标的两边容易形成小的“拖影”,也称为光点旁瓣或条纹,通常只有在特强目标两边才会出现[5]

.如果“拖影”在距离向和方位向上都存在,则形成图像上的“十字叉”.

图2中的4个舰船目标分别选自两景不同地区RADARSAT 精细模式图像.仔细观察这些舰船目标图像,可以发现,某些舰船产生的旁瓣形成强的“十字叉”,如图2(a);某些舰船上强反射点致使“拖影”从船身伸出,如图2(b),2(c);某些货船伸出的起重架在SAR 图像上也是清晰可见的,如图2(

d).图2　高分辨率舰船SAR 图像

Fig .2　SAR images of high resolution s hip

综上,舰船目标在高分辨率SAR 图像上具有这些特点: 亮度分布不均匀,具有强峰和弱峰分布; 具有SAR 图像强目标的特点,即存在“拖影”或“十字叉”; 目标细节清楚,如可见货船的起重架.

正是由于这些特点的存在,使得传统的CFAR 算法对于高分辨率图像不适用,需要寻找其它方法.2　K SW 双阈值方法

1985年Kapur ,Sahoo 和Wong 提出一种最佳熵自动门限法[6]

,在此简称KSW 方法.它将信息论中Shannon 熵概念用于图像分割,测量图像灰度直方图的熵,由此找出最佳阈值,其出发点是使图像中目标与背景分布的信息量最大.

根据Shannon 熵的概念,对于灰度范围{1,2,…,n }的图像直方图,其熵测量为

H T =- n i =1

p i ln p i ,式中:p i 为第i 个灰度出现的概率.

设阈值t 将图像划分为目标与背景两类,则令P t = t i =1p i ,H t =- t i =1

p i ln p i .由阈值t 分为A ,B 两类后,两类的概率分布分别为

p 1P t ,p 2P t ,…,p t P t ;p t +11-P t ,p t +21-P t ,…,p n 1-P t ,与每个分布有关的熵分别为H A (t )和H B (t )

H A (t )=- t i =0

p i P t ln p i P t =ln P t +H t P t

,H B (t )=- n i =t +1p i 1-P t ln p i 1-P t =ln(1-P t )+H T -H t 1-P t ,

图像的总熵H (t )为H A (t )和H B (t )之和,即H (t )=ln P t (1-P t )+

H t P t +H T -H t 1-P t ,最佳阈值t *为使总熵取最大值,即

t *=Arg max 0 t l -1

H (t ). KSW 方法可以用于双阈值分割,即将图像分为三类,对于两个分割阈值S 1和S 2(S 1

H (S 1,S 2)=ln( S 1i =1p i )+ln( S 2i =S 1+1p i )+ln( n i =S 2+1p i )- S

1i =1p i ln p i S 1i =1p i - S

2i =S 1+1p i ln p i S 2i =S 1+1p i - n i =S 2+1p i ln p i n

i =S 2+1p i ,16测试技术学报2003年第1期