基于Rice－CFAR的SAR图像舰船检测

杨学志， 宋 辉， 杜 扬，， 张 晰， 孟俊敏

（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 266061）

我国海洋面积广阔且资源丰富，由于合成孔径雷达（synthetic－aperture radar，SAR）全天时全天候的工作特点，SAR舰船检测广泛应用于船只搜救、渔船监控、海洋维权等［1］。

舰船目标因其金属结构及上层建筑构成了强反射器，在SAR图像中呈现较亮的点或块目标［2］。由于SAR图像特殊成像原理［3］，成像质量受到来自自然环境和系统本身的影响［4］，使得SAR图像中的舰船目标淹没在海杂波中，特别是在船海对比度低的复杂条件下，如强风速引起的高海况SAR图像、高噪声的单视复（single－look complex，SLC）SAR图像。对于高海况SAR图像，在风力作用下观测海面状况、波浪形状和浪花泡沫发生改变，使得SAR图像上的舰船目标几乎淹没在海杂波中，船海对比度较小，目标难以被检测［5］；对于高噪声的SLC图像，存在图像噪声大、信噪比低、距离向和方位向分辨率不一致等问题，现存的检测算法几乎都是先以牺牲像素分辨率为代价进行多视处理，来增加舰船与海杂波对比度，然而这使得舰船信息出现丢失，特别是弱小舰船目标［6］。

目前在众多舰船检测的方法中，研究最多的是基于图像层面的恒虚警率（constant false alarm rate，CFAR）的探测技术［7］，因该算法简洁、运算较快，得到了广泛的应用，其检测效果主要依赖于SAR图像海杂波的建模。基于图像层面的CFAR算法中使用的传统概率分布有Gamma分布［8］、K 分 布［9］、对 数 正 态 分 布［10］和 直 方 图 分布［11］等，这些分布多数是基于经验统计建模形成，适用范围较为单一，而且不能适用于较为复杂的SAR图像，如上述提到的因各种因素引起的船海对比度较低的SAR图像。

从电磁波角度出发，在背景海杂波中舰船等金属目标可视为一种强相干散射体（dominant scatterer）。通过大量实验发现，Rice分布作为一种常用连续概率分布，比Gamma分布、对数正态分布和K分布能更好地描述噪声和海况因素引起的船海对比度较低时的SAR图像的海杂波。因此，本文利用Rice分布基本电磁模型对SAR图像良好的解译特性，结合CFAR算法对船海对比度较低条件下的SAR图像进行舰船检测。实验中利用Rice分布和传统概率模型对海杂波进行建模比较，对ENVISAT ASAR和TerraSARX图像数据进行检测。

1 算法介绍

1.1 CFAR检测算法

为了在检测SAR图像舰船目标的同时获得恒定的虚警率效果，需要给出适当的数学概率模型来表示SAR图像海杂波幅度值的概率分布。

若背景杂波灰度分布为h（x），其中x为灰度值，拟合h（x）的概率密度函数（probability density function，PDF）为fB（x）， 则 虚 警 概 率（probability of false alarm，Pfa）［7］可定义为：

（1）式还可表达为：

当给定虚警概率Pfa，可求得分割阈值IT。因此CFAR算法步骤可概括如下：先确定SAR图像杂波概率密度函数模型fB（x），然后估计概率模型各个参数，最后计算图像分割阈值IT。

1.2 Rice分布模型

根据金属目标在SAR图像中的电磁回波基本原理，舰船目标可视为强相干后向散射回波信号主导散射体。从电磁波的角度，SAR图像中任一个分辨单元的表面回波信号均可看作是均值不为零的高斯分布实部和虚部的2个分量叠加［4］。

其中，j为虚数单位。均值μ有〈Er〉≠0，〈Ei〉≠0，〈·〉为均值算子，其中标准差σr＝σi＝σ。因此幅度信号x＝｜｜，｜·｜为模运算算子，服从Rice分布概率模型［12］，即

其中，xi为图像中第i像素的幅度值，xi＞0，i＝1，2，…；I0（·）为修正的零阶第一类贝塞尔函数；参数θ＝ ［μ，σ］。

Rice因子k＝μ2／（2σ2），其表示相干分量信号μ和非相干分量信号σ比值，当k＝0时，海面Bragg散射占主导地位。文献［6］通过计算k获得舰船检测阈值。虽然Rice因子决定了Rice分布，譬如峰值的位置，但在广阔海面上对呈现较亮特征的舰船目标，其像素值主要分布于海杂波概率模型的长拖尾中，因此舰船目标对概率模型的形状影响较小，所以算法中仅依靠Rice因子获得的舰船检测结果会受很多因素干扰，特别是在船海对比度较低情况下。因此，本文提出了基于Rice分布的CFAR舰船检测算法。

通过计算待检测图像，基于最大似然方法可快速求得参数θ［11］，公式为：

其中，Iα（·）为修正的α阶第一类贝塞尔函数；xi

为第i像素的幅度值；N为像素个数。

1.3 基于Rice分布CFAR算法

SAR图像通常能获取较大范围海面情况，不断变换的入射角、风速及海况等条件会使得海面后向散射不断变换，但在较小区域内这些影响因子造成的不均匀性可忽略。因此先将原始图像分割成局部子区域，具体大小根据像素空间大小和海况决定，本文为300×300像素点。

算法步骤如下：

（1）对原始感兴趣的幅度图像进行局部Rice分布建模。计算（6）式，获取阈值IT。

虚警率Pfa经验范围为10－2～10－6，为获得较好检测效果，通常需要设定不同虚警率进行效果比对。

（2）遍历待检测图像的局部区域，判断每点像素值与IT，如果大于分割阈值IT，则为舰船目标；小于阈值则为非舰船目标。

2 算法实验

2.1 实验数据

实验选取一景高海况星载图像和一景SLC星载图像。实验范围为青岛港和日照港港口内外锚地，如图1所示。港口停靠船只较多，且短时间内可视为静止，便于舰船目标检测效果分析。

图1 实验数据范围

图1中正方形区域为一景ENVISAT ASAR数据，2007年7月27日02：06：34（UTC），Image获取模式，30m分辨率，VV极化，中国青岛，实验区域1的像素点大小为197×178；长方形区域为一景 TerraSAR－X，2011年9月21日22：10：17（UTC），获取模式Stripmap SLC，3m分辨率，HH极化，中国日照，实验区域2的像素点大小为860×1 488。

为分析Rice分布对高海况条件下的建模能力，这里根据ERA Interim再分析数据（欧洲天气预报中心提供的以数值海浪预报模式结果为主、辅以卫星测量结果和现场观测结果的一种融合数据集），获取实验区域1的ENVISAT ASAR图像的当时海域有效波浪高度为2.91m，海况等级高于5级，通常情况下有效波高与海况成正比关系，因此实验区域1可视为高海况观测区域。

通常SAR影像是基于反射物体的后向散射特性的，视觉观测的噪声大小不仅与SAR图像固有相干斑有关，还与SAR系统不同状态下获取的后向散射特性有关，如雷达波长、极化方式、入射角等。由于实验所选的SAR影像均为海况对视觉噪声影响占主导地位，因此就本实验研究对象而言，所选的SAR图像满足需求。

为验证检测结果的可靠性，实验中利用了与星载SAR数据获取时间一致的实测全球定位系统（Global Positioning System，GPS）信息数据和自动识别系统（Automatic Identification System，AIS）信息数据。

2.2 海杂波建模

CFAR算法最主要的问题在于如何获得与真实海杂波分布拟合程度高的概率模型。因此这里给出Rice分布对SAR数据直方图拟合程度，并与常用Gamma分布、对数正态分布和K分布做对比分析，如图2所示。

图2 SAR数据的各种分布与直方图拟合情况

从图2可以看出，在峰值和长拖尾处，Rice分布小幅度偏下，而其他传统分布偏差较大，因此从概率密度拟合情况来看，Rice分布对海杂波有更好的拟合表现。为准确分析Rice分布与真实SAR数据拟合程度，这里利用均方误差公式［13］来计算概率分布与海杂波拟合值，结果见表1所列。

表1 概率分布与实际分布均方误差 10－4

从表1可知，Rice分布与真实直方图距离差平方均小于其他3个分布，这说明Rice分布对SAR图像有较好的拟合表现，这也与Rice分布电磁模型特性分析一致。

2．客户平台。在面向未来时，我们首先需要预知可能的威胁，也就是我们最大的竞争对手是谁？我们真正的竞争对手不是所谓的面授班，真正的竞争对手到现在真的是变成了抖音、快手，客户每天花多长时间在快手、抖音上面？又会有多长时间花在“管院在线”上？面临这种现状，我们的在线学习平台该怎么搞？在市场竞争中，超越对手的是质量服务。我们要继续坚持产品定位的高端路线，坚持课件系统化、专业化，坚持精益管理、服务至上等理念，以一流的产品、服务引领市场，超越对手。

2.3 舰船目标检测与结果分析

CFAR检测算法期望在较低虚警率条件下获得较高的检测率，实验中对相同区域均选择同一虚警率。实验图像如图3所示。

文献［14］在图3a海域开展了舰船目标探测实地实验研究，获取与SAR影像同步的GPS信息表明，图3a区域有7艘舰船，如图中矩形框所示，但由于海况较高，船海对比度较低，舰船目标几乎全部淹没在背景海杂波中，特别是目标1、2，甚至肉眼难以识别。

图3b为2011年9月21日日照港海域AIS数据，该区域共有7艘舰船目标，其中5艘为弱小舰船目标，如图中编号1～5，均有较为明显的尾迹特征。

4种分布模型CFAR算法检测对比如图4、图5所示，检测结果中矩形框为正确检测，三角形框为漏检。

图3 实验图像

图4 不同分布模型ENVISAT ASAR图像CFAR算法检测结果

图5 不同分布模型TerraSAR－X图像CFAR算法检测结果

实验中机器运行环境采用Intel Core i3 2.53GHz处理器，4.0G内存，Windows7操作系统。算法程序运行平台为Matlab 2010b版本。

从图4、图5检测结果可见，对于ENVISAR ASAR高海况SAR图像，传统概率模型CFAR算法均出现目标遗漏，而Rice分布CFAR算法成功检测出所有舰船目标；对于TerraSAR－X SLC图像，传统分布和Rice分布CFAR算法对弱小舰船目标虽都出现遗漏，但Rice分布CFAR算法检测率高，只出现1艘舰船漏检。这说明Rice概率分布能更好地拟合海杂波分布，对SAR原始信息电磁回波有更好的解译，这也符合图2Rice分布与概率模型拟合情况。

表2 算法性能对比

3 结束语

面对日益增长的更加复杂的实际海洋舰船监测需求，本文从SAR图像电磁回波基本原理出发，提出了基于图像层面的Rice分布CFAR检测算法。实验表明Rice分布概率模型与船海对比度较小的SAR图像海杂波拟合度较好；检测结果表明Rice分布CFAR舰船检测方法不仅获得了较高检测率，同时可满足一定的实时性要求。

本文算法在理论上和实验中均获得较为理想的结果，但由于实验数据有限，针对不同分辨率、极化方式及波段下的SAR数据未做详细研究，因此有待开展更多更深入的研究。

［1］ Crisp D J.The state－of－the－art in ship detection in synthetic aperture radar imagery［R］.Adelaide，Australia：Defence Science and Technology Organisation，2004.

［2］ Eldhuset K.An automatic ship and ship wake detection system for spaceborne SAR images in coastal regions［J］.IEEE Transactions on Geoscience and Remote Sensing，1996，34（4）：1010－1019.

［3］ 夏 勇，段玲琳，张增继，等.基于CPCI总线的SAR任务管理系统设计［J］.合肥工业大学学报：自然科学版，2014，37（2）：180－182.

［4］ 元亚菲，邓喀中，雷少刚，等.时序DInSAR技术提取下沉盆地的角量值［J］.合肥工业大学学报：自然科学版，2014，37（8）：992－995.

［5］ Margarit G，Mallorqui J J，Fortuny－Guasch J，et al.Exploitation of ship scattering in polarimetric SAR for an improved classification under high clutter conditions［J］.IEEE Transactions on Geoscience and Remote Sensing，2009，47（4）：1224－1235.

［6］ Migliaccio M，Nunziata F，Montuori A，et al.Single－look complex COSMO－SkyMed SAR data to observe metallic targets at sea［J］.IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing，2012，5（3）：893－901.

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

［8］ Qin X，Zhou S，Zou H，et al.A CFAR detection algorithm for generalized gamma distributed background in high－resolution SAR images［J］.IEEE Geoscience and Remote Sensing Letters，2013，10（4）：806－810.

［9］ Watts S.Radar detection prediction in K－distributed sea clutter and thermal noise［J］.IEEE Transactions on Aerospace and Electronic Systems，1987（1）：40－45.

［10］ Ai J，Qi X，Yu W，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.

［11］ 陈利民，孟俊敏，杨学志，等.基于 H－CFAR的SAR图像快速舰船目标检测［J］.合肥工业大学学报：自然科学版，2012，35（12）：1633－1636，1643.

［12］ Carobbi C F M，Cati M.The absolute maximum of the likelihood function of the rice distribution：existence and uniqueness［J］.IEEE Transactions on Instrumentation and Measurement，2008，57（4）：682－689.

［13］ Harvey D，Leybourne S，Newbold P.Testing the equality of prediction mean squared errors［J］.International Journal of Forecasting，1997，13（2）：281－291.

［14］ 张 晰.星载SAR舰船目标探测实验研究［D］.青岛：中国海洋大学，2007.