基于H－CFAR的SAR图像快速舰船目标检测

陈利民， 孟俊敏， 杨学志， 郎海涛， 张 婷

（1.合肥工业大学 计 算机与信息学院，安徽 合 肥 230009；2.国家海洋局第一海洋研究所，山东 青 岛 266100）

0 引 言

我国是一个海域辽阔、海洋资源极其丰富的海洋大国。当前我国海洋维权形势十分严峻，个别国家的船舶不断非法进入我国管辖海域从事捕捞、测量、监听等非法活动，损害了我国的海洋权益，严重威胁着我国的海洋安全。因此，加强对非法进入我国管辖海域的船舶目标监视监测具有十分重要的意义。

合成孔径雷达（SAR）是一种具有高分辨率的相干波成像传感器，具有全天时、全天候的观测能力［1－2］，在海洋海运监视监测、维护海洋权益、观测海浪、测绘水下地形等海洋业务化应用中具有很广阔的应用前景，因此SAR是海面舰船目标探测的主要遥感手段之一。

近年来，各国研究人员利用SAR开展了大量的舰船目标探测研究，提出和发展了很多算法，其中恒虚警率（Constant False Alarm Rate，简称CFAR）检测算法是SAR目标探测的重要算法之一。目前多使用高斯分布、K分布、G0分布、对数正态分布和稳态分布等［3－7］概率分布对海杂波进行建模分析，不同的概率分布建模的复杂程度不一样，不仅影响SAR舰船目标的检测效率，也直接影响目标检测效果。文献［8］简单地设定阈值来检测舰船目标，但简单阈值法缺乏自适应性。灰度直方图是图像灰度级的函数，它表示图像中具有的每种灰度级像素的个数，反映图像中每种灰度出现的频率［9］。从概率角度理解，每种灰度出现的频率可以看作其出现的概率，这样图像灰度直方图就对应于概率密度函数，而概率分布函数就是直方图的累积和，即概率密度函数的积分。

本文提出了一种基于图像灰度直方图的恒虚警率目标检测方法，该方法直接利用直方图对应的概率密度函数对海杂波进行建模，并结合CFAR自适应设置阈值检测舰船目标。在相同的硬件及虚警率条件下，与经典的KCFAR［4］相比，本文方法有更好的检测效率和检测效果。

1 H－CFAR检测算法

1.1 直方图

直方图是图像处理技术基础之一，图像的灰度直方图是图像灰度级的函数，表示图像中每种灰度级像素的个数，反映图像中每种灰度出现的概率［9］，即

其中，sk为图像f（x，y）的第k级灰度值；nk为图像f（x，y）中灰度值为sk的像素个数；n为图像的像素总数；p（sk）为灰度值sk出现的概率；L＝2m，其中m为图像的位数。因此灰度直方图整体描述了图像的灰度值分布情况。图像与对应的灰度直方图之间的关系［9］如下：

（1）直方图仅仅表征图像的一维信息，仅反映图像中不同灰度级像素值出现的次数，而与像素的位置无关。

（2）直方图与图像之间的关系是多对一的映射关系，一幅图像唯一确定出与之对应的直方图，但不同图像可能有相同的直方图。

1.2 舰船SAR图像

SAR图像的成像原理不同于光学成像，SAR反映的是成像区域目标散射回波的强度分布，与其发射的微波波长、入射角、极化方式、目标结构等因素密切相关［10］。舰船目标主要由金属构成，而且其上层建筑能够对微波形成二面角散射、体散射，使得舰船目标在SAR图像上显示为亮点或亮点块，而海杂波对微波形成平面散射，在SAR图像中一般呈现为暗黑色且不均匀分布，当海表面较平静时，海面回波信号比较弱，海表面在SAR图像上很暗；而当海表面海风较强烈时，微波散射增强，此时海表面在SAR图像上较亮。

在舰船SAR图像中，由于舰船目标的散射较强，舰船目标信息一般处在灰度直方图灰度级较高的一端，而海杂波的灰度级分布于灰度直方图灰度级较低的一端［10］。

本文研究大量真实的SAR图像直方图分布，如图1所示，得出以下结论：

（1）海杂波和舰船的灰度值信息分布于直方图的最左边和最右边。

（2）舰船SAR直方图呈长拖尾状分布，且存在某个阈值可以区分舰船目标和背景。

图1 舰船SAR图像直方图

1.3 H－CFAR检测

传统的CFAR检测算法首先需要对海杂波进行概率分布建模，然后根据图像计算确定相应的参数，从而唯一地确定图像的建模模型。在不同的海况条件下获得的各类SAR图像，海杂波服从不同的概率分布，不同的分布模型的参数不一样，不同模型参数的确定复杂度不一样。而图像的灰度直方图可以直接地、很好地反映图像的像素值分布情况，直方图曲线能够很好地对SAR图像进行建模。因此直接利用SAR图像直方图可以减少确定模型参数的成本，大大提高了检测效率，很好地满足了海洋业务化应用对时效性的需求。本方法的实现步骤如下：

（1）输入原始SAR图像，统计灰度直方图分布并归一化。

（2）给定一个虚警概率Pfa，求解（2）式，得到阈值T，即

（3）根据阈值T，对SAR目标进行检测。

（4）形态学处理，去除孤立点。

（5）输出检测结果。

2 实验结果及分析

2.1 检测效率及检测效果评价

为了客观地评价检测效率，实验采用的机器配置为Inter（R）Core（TM）2、2.83GHz、Windows XP操作系统和Matlab7.1。保证每种算法都在相同的条件下执行，每种算法均运行10次，分别记录每次运行时间后取平均值。为了更加客观地评价检测效果，本文实验所选取的SAR图像都经过了几何校正。

实验组成员携带自动识别系统（AIS）或全球定位系统（GPS）远赴实验区域同步收集卫星过境前后舰船的经纬度、船号以及航速等信息，确定实验中SAR成像区域舰船的数目及其位置，提高了评价检测效果的客观性。衡量检测效果的品质因数 FOM［11］定义为：

其中，Ntt为检测结果中正确的检测目标数；Nft为虚警目标数；Ngt为实际的目标数。

2.2 检测实验结果及分析

实验中使用的SAR图像数据信息见表1所列。为实验方便，本文实验所选取的ASAR大小为 640×540、512×512，TerraSAR 大 小 为2 400×2 100，Radarsat－2大小为770×520。下面分别采用K－CFAR和本文方法对SAR舰船目标进行检测实验。

表1 SAR图像数据信息

图2和图3所示均为高海况下的ASAR图像的舰船检测结果，方框为正确检测目标，三角形为虚警目标。

图2 ASAR图像检测结果一

图3 ASAR图像检测结果二

图2d、图3d是图2c、图3c经过窗口大小为3×3的腐蚀、膨胀处理和除去鼓励点处理之后得到的结果，图2中K－CFAR和本文的方法均不存在漏检目标和虚警目标的现象，品质因数均为1，但是在图3中K－CFAR存在一个虚警目标，而本文方法不存在虚警目标的现象，因此对于高海况下的ASAR数据，本文方法要优于K－CFAR。此外，本文方法分别平均用时为0.58、0.73s，而 K－CFAR分别平均用时为26.23、21.86s，本文方法检测速度明显快于K－CFAR。

图4所示为TerraSAR图像舰船目标检测结果，方框为正确检测目标。从图4b、图4d可知，2种方法均不存在漏检目标和虚警目标，品质因数均为1，说明K－CFAR和本文的方法均适合Terra－SAR目标检测；K－CFAR平均耗时为28.94s，而本文方法的平均检测耗时仅为1.5s，本文方法检测效率高于K－CFAR。图5所示为Radarsat－2图像的检测结果，方框为正确检测目标，三角形为虚警目标。图5b为K－CFAR的检测结果，可以看出存在2个虚警目标，图5c为本文方法形态学处理之前的结果，图5d为经过窗口大小为3×3的腐蚀、膨胀处理和除去鼓励点处理之后得到的结果，可以看出本文的方法全部检测出目标，且不存在漏检和虚警目标；本文方法平均用时0.59s，而K－CFAR平均用时30.92s，因此，对于Radarsat－2图像舰船目标检测，本文方法要优于K－CFAR。

图4 TerraSAR图像检测结果

图5 Radarsat－2图像检测结果

3 结束语

本文直接利用图像的灰度直方图信息，并结合CFAR实现SAR舰船目标的快速检测。与经典的K－CFAR算法相比，本文的方法不需要对海杂波进行概率建模，直接利用图像灰度直方图分布设置虚警率并求出阈值，然后对SAR图像进行目标检测，因此实现了对目标的快速检测能力。

实验的结果也表明本文的方法不仅实现了目标的快速检测能力，而且也保证了检测的效果。对于低分辨高海况的ASAR图像和低海况Radarsat－2图像，本文的方法甚至要优于 KCFAR。

在保证检测效果的情况下，进一步发展和完善SAR舰船目标的快速检测将是下一步工作的重点。

［1］ 宋建设，郑永安，袁礼海.合成孔径雷达图像理解与应用［M］.北京：科学出版社，2008：105－123.

［2］ 徐 康，杨学志，李长凯，等.基于区域型MRF的SAR图像分割算法［J］.合肥工业大学学报：自然科学版，2011，34（1）：71－75.

［3］ Novak L M，Halversen G J，Owinka M，et al.Effeets of polarization and resolution on SAR ATR［J］.IEEE Tran on Aerospace and Electronic Systems，1997，33（l）：102－115.

［4］ Vachon P W.Validation of ship detection by the RADARSAT synthetic aperture radar and the ocean monitoring workstation［J］.Canadian Journal of Remote Sensing，2000，26（3）：200－212.

［5］ 鲁统臻，张 杰，纪永刚，等.基于G0分布的高海况SAR船只 目 标 检 测 方 法 ［J］. 海 洋 科 学 进 展 ，2011，29（2）：186－195.

［6］ Ai Jiangqiu，Qi Xiangyan，Yu Weidong，et al.A new CFAR ship detection algorithm based on 2－D joint log－normal distribution in SAR images［J］.IEEE Geoscience and Remote Sensing Letters.2010，7（4）：806－810.

［7］ Liao Mingsheng，Wang Changcheng，Wang Yong，et al.Using SAR images to detect ships from sea clutter［J］.IEEE Geoscience and Remote Sensing Letters，2008，5（2）：194－198.

［8］ Lin I－I，Khoo V.Computer－based algorithm for ship detec－tion from ERS SAR imagery［C］／／Proceeding of The Third ERS Symposium，Florence，Italy，1997：1411－1416.

［9］ Gonzalez R C，Woods R E.数字图像处理［M］.第2版.阮秋琦，阮宇智，译.北京：电子工业出版社，2003：70－74.

［10］ 种劲松.合成孔径雷达图像舰船目标检测算法与应用研究［D］.北京：中国科学院，2002.

［11］ Robertson N，Bird P，Brownsword C.Ship surveillance using RADARSAT ScanSAR images［C］／／Ship Detection in Coastal Waters Workshop 2000， NS，Canada，2000：41－45.