一种多极化SAR舰船目标与方位向模糊鉴别方法

周　伟　孙艳丽　许成斌　关　键*（海军航空工程学院电子信息工程系　烟台　264001）

②（海军航空工程学院基础实验部　烟台　264001）

一种多极化SAR舰船目标与方位向模糊鉴别方法

周伟①孙艳丽②许成斌①关键*①
①（海军航空工程学院电子信息工程系烟台264001）

②（海军航空工程学院基础实验部烟台264001）

针对SAR图像舰船目标检测过程中存在方位向模糊造成虚警的问题，该文设计了一种基于改进的H//Wishart 非监督分类的多极化SAR图像舰船与方位向模糊鉴别方法。该方法首先提取目标散射回波峰值区域，以该区域的H/分类结果为初始聚类中心，利用复Wishart分布的最大似然分类器改善分类结果，通过对比分析各散射类型区域的结构鉴别舰船目标和方位向模糊。通过实验表明该方法能有效地鉴别舰船目标与方位向模糊，减少SAR舰船目标检测过程中存在的虚警。

多极化SAR图像；方位向模糊；非监督分类；舰船检测

1　引言

合成孔径雷达（SAR）具有全天时、全天候、大范围和高分辨率的特点，是水面船只探测的重要手段之一［1］。SAR图像目标自动分类是SAR图像应用的重要研究内容，它根据目标的散射回波提取细节特性来分析目标的散射类型，并应用于目标分类，已有很多学者对此进行研究［2，3］。极化SAR图像非监督自动分类在地物特征分类中应用比较广泛，可以将不同散射随机性和散射机制的地物进行有效的区分［4，5］。已有学者将极化分类的方法应用在海面极化SAR图像舰船目标检测中［6，7］，主要方法是利用极化分解后的特征值不同将舰船目标与海面背景进行区分，但仅利用整体海域的分类结果来判别舰船目标与背景杂波不能有效地描述舰船目标的结构。当存在方位向模糊时，传统方法无法进行有效区分。针对上述问题，本文利用目标散射回波强度峰值区域的H/分类结果作为初始聚类中心，设计了基于改进的H//Wishart 非监督分类SAR图像舰船目标检测方法，对舰船目标与方位向模糊进行鉴别。

（1）基于极化相干矩阵的特征分解对目标进行Cloude分解，即

其中，T为目标相干矩阵；（·）H代表矩阵共轭转置；Λ=diag｛λ1，λ2，λ3｝；λi为相干矩阵的特征值，且λ1≥λ2≥λ3；U=［v1，v2，v3］；vi是λi相对应的单位特征矢量。式（1）将目标相干矩阵T分解为3个相干矩阵T1，T2，T3之和，每个相干矩阵对应一种稳态目标的散射矩阵，对应的特征值代表该分量出现的概率大小。

目标的散射熵定义为：

其中，pi对应特征值所代表的散射分量出现的概率，见式（3）

其中αi（i =1，2，3）可由对应的特征矢量vi（i=1，2，3）求得，αi与vi之间的关系式为：

图1　H/平面分区示意图Fig.1　Schematic diagram of H/plane divisional

针对以上问题，人们基于极化分解分类方法设计了迭代分类方法［10］。最常用的统计迭代分类算法是基于Wishart距离的H//Wishart 迭代分类方法。已知均匀地区目标散射矢量近似服从零均值的复高斯分布，可证明目标的相干矩阵T满足复Wishart分布［8，11］，即

其中，Γ（·）为Gamma函数；tr（·）为求目标矩阵的迹；L为视数；对于满足互异性条件时取n=3，其他情况取n=4； Tm为第m类目标的平均相干矩阵，可由H/分类结果作为训练样本得到：

根据Bayes最大似然分类法则，其判别规则为：

其中，dm（T）为待分类目标与第m类目标的距离因子

图2　舰船目标散射熵和散射角提取Fig.2　The entropy and averagevalue of ship

图3　舰船目标H//Wishart 分类结果Fig.3　The H//Wishart　classification result

舰船目标区域所有象元的散射机制特性在H/α平面分布如图4所示。结合图3（a）和图4颜色可以看出，舰船目标的散射类型主要分布在Z3区，即低熵多次散射为主要散射类型。

对舰船目标中每个象元依据式（8）进行迭代分类，设迭代终止条件为发生类别转移的象元比例小于5％，得到3次迭代结果如图3（b）所示。可以观察到经过迭代分类处理后的分类效果要比原始H/分类效果更细致，各类别之间界限清晰。但舰船目标的主体部分仍为低熵多次散射类型，并没有发生较大的变化，不能通过分类结果对目标的类别做出有效判断。

图4　舰船目标在H/平面分布Fig.4　The H/horizontal distribution of ship

3　改进的H//Wishart非监督分类方法

由于SAR图像中单位象元的相干矩阵的迹与各极化方式下的幅值有着直接的关系，因此通过分析式（9），可见距离因子dm（T）与散射回波幅度信息也同样有着直接的关系，具体表现为dm（T）随着待分类目标与第m类目标的幅值差增大而大。由此可见，由于海面背景的幅值很低，导致舰船目标相对于海面背景所属的类别之间距离因子较大，所以舰船目标区域内象元在迭代过程中发生转移的数量较少。

为了剔除图像海面背景幅值的影响，可以利用式（10）将目标海域幅度图中的舰船目标提取出来，式（10）中k0=εμ，μ为目标海域幅度均值，ε为调整系数。为了较好地保留舰船目标信息，并且能够保证后续分类的准确度，ε值应尽量取较小值，文中取经验值ε=1.7。如图5（a）所示为通过式（10）分割后得到的二值图像BW。以该区域的象元得到的H/分类结果为初始聚类中心，通过Wishart迭代分类方法对分类结果进行优化，迭代终止条件为目标象元散射类型转移数量占目标总象元数量的比例小于5％。图5（b），图5（c），图5（d）分别为经过1次迭代、2次迭代、5次迭代后的分类结果。

一般情况下，舰船目标一般存在结构复杂的区域，如舰船的控制室、搭载的起重机、货物等，这些目标区域都能够产生较强的2次或更多偶数次散射。因此在对目标区域象元进行H//Wishart 非监督分类后，最终属于低熵多次散射类型的区域应属于上述结构复杂区域。

图5　改进的H//Wishart 非监督分类结果Fig.5　The improved H//Wishart　unsupervised classification result

图6　分类过程中发生类别转移的象元比例Fig.6　The proportion of transfering pixels in classification processing

4　方位向模糊鉴别能力分析

图7（a）为C波段HH极化下海域的SAR图像，图7（b）为L波段HH极化下相同海域的SAR图像，其中方框内目标为实际目标，圆圈内为方位向模糊。通过对比两幅图像，可以发现C波段中有明显的方位向模糊，而在L波段并不存在。从散射回波能量上看，方位向模糊与舰船目标在SAR图像中没有明显的区别，且方位向模糊与实际目标的几何轮廓相似，这对SAR图像舰船目标检测造成了很大的困难。

在多波段多极化SAR图像舰船目标检测过程中，有时只能够获得目标两个波段全极化数据。如果某一波段存在方位向模糊，很难通过两个波段融合的方法加以去除。针对此问题，利用上文中改进的H//Wishart 非监督分类方法对舰船目标与其方位向模糊进行鉴别分析。为了分析方位向模糊和舰船目标极化散射特征之间的区别，首先利用Cloude分解方法分解目标海域的极化相干矩阵T，得到目标海域的极化熵H和平均散射角，在H/平面中可以对目标海域分类，得到初始的分类结果。如图8（a）为舰船目标及其方位向模糊所在海域幅度图像，图8（b）为该海域经过H/分类处理后的分类结果。

通过式（10）提取目标海域幅度图中的舰船和方位向模糊区域，分割后得到的二值图像BW如图9（a）所示，分类结果如图9（b）所示。由于图7（a）下方的方位向模糊较弱，在此先不予考虑，下文分析中均指图7（a）中上方的方位模糊。

海面舰船目标在极化散射特征类型中多属于低熵多次散射类型，其他杂波（如海面波浪尾迹引起的强散射回波、方位向模糊等）一般不属于该类型。图9（b）中舰船目标和方位模糊部分象元均具有低熵多次散射特征，因此无法对二者进行区分。

图7　SAR图像方位向模糊示意图Fig.7　Azimuth ambiguity sketch map in SAR imagery

图8　目标海域幅度图及H/分类结果Fig.8　The amplitude image and H/classification result

利用复Wishart分布的最大似然分类器对图8（b）中的海域进行6次迭代处理，分类结果如图10所示，可以看到舰船目标的散射特征与海面背景有了更明显的分别，但与方位向模糊仍然无法区分。这主要是因为H//Wishart 非监督分类方法中方位向模糊与海面背景的距离因子dm（T）在计算过程中考虑了幅度信息造成的。方位向模糊因为聚焦了旁瓣信号的模糊能量，其幅度值远大于海面背景，因此在分类结果中与海面背景的差异较大。通过改进的H//Wishart 非监督分类方法得到的舰船目标和方位模糊6次迭代分类结果如图11所示。

对图11中舰船目标与方位向模糊区域的极化散射特征类型进行统计，各极化散射类型所占比例如图12所示。

图9　舰船与方位模糊分类结果提取示意图Fig.9　Segmentation and classification result of ship and azimuth ambiguity

图10　H//Wishart 分类器6次迭代分类结果Fig.10　Result with 6 iteration with H//Wishart　algorithm

图11　改进的H//Wishart 分类器6次迭代分类结果　Fig.11　Result with 6 iteration with improved H//Wishart　algorithm

图12　舰船目标和方位向模糊散射类型统计Fig.12　Statistics of scattering type

从图12中可以看到，经过改进的H/α/ Wishart非监督分类后舰船目标仍有明显的低熵多次散射的区域，而方位向模糊中并没有属于该散射类型的区域，通过对比低熵多次散射区域占比即可区分舰船目标与方位向模糊。该方法的具体流程如图13所示。

5　实验结果与分析

为了验证本文方法对舰船目标和方位向模糊鉴别的有效性，选取了多组具有方位向模糊的SAR图像进行实验。图14为具有方位向模糊的两艘舰船目标SAR图像数据，其经过改进的H//Wishart非监督分类后的结果如图15所示。

图13　改进的H//Wishart 非监督分类方法流程图Fig.13　Flow chart of improved H//Wishart　unsupervised classification algorithm

图14　具有方位向模糊的SAR幅度图像Fig.14　SAR image with azimuth ambiguity

图15　改进的H//Wishart 分类器分类结果Fig.15　Classification results of improved H//Wishart　algorithm

对上面两个目标的分类结果中各极化散射特征类型占比进行统计，结果如表1所示。

表1中的数据显示，舰船目标与其方位向模糊经过改进的H/α/Wishart 非监督分类后在低熵多次散射特征类型区域占比差异很大，舰船目标与方位向模糊得到了很好的分离，该方法的有效性得到了验证。

6　结束语

文中基于改进的H/α/Wishart 非监督分类方法对目标区域进行了迭代分类，充分利用目标的极化信息对目标细节结构进行分析。本文方法以目标周围强散射区域的H/α分类结果为初始聚类中心，基于Wishart距离对目标区域进行迭代分类，实验结果证明该方法具有良好的收敛性，当迭代次数达到5次左右时可得到稳定的分类结果。与传统的H/α/Wishart 分类结果相比，通过迭代分类后的结果能够更清晰地观察到目标中复杂结构区域的分布情况，能够区分方位向模糊与舰船目标的结构差异，有利于SAR图像舰船目标的检测。

表1　舰船目标和方位向模糊散射特征类型统计Tab.1　Statistics of ship and azimuth ambiguity scattering type

［1］张澄波.综合孔径雷达原理、系统分析与应用［M］.北京:科学出版社，1989:50-60.

Zhang Cheng-bo.System Analysis，Principle and Application of Synthetic Aperture Radar［M］.Beijing:Science Press，1989:50-60.

［2］刘利敏，余洁，王彦兵，等.一种利用地物散射特性进行后续类别调整的极化SAR影像分类方法［J］.光谱学与光谱分析，2014，34（1）:151-156.

Liu Li-min，Yu Jie，Wang Yan-bing，et al..A novel PolSAR image classification method with subsequent category adjustment by terrain scattering characteristic［J］.Spectroscopy and Spectral Analysis，2014，34（1）:151-156.

［3］何楚，刘明，冯倩，等.基于多尺度压缩感知金字塔的极化干涉SAR图像分类［J］.自动化学报，2011，37（7）:820-827.

He Chu，Liu Ming，Feng Qian，et al..PolInSAR image classification based on compressed sensing and multi-scale pyramid［J］.Acta Automatica Sinica，2011，37（7）:820-827.

［4］梁志峰，凌飞龙，陈尔学.全极化SAR数据的最大后验概率分类［J］.武汉大学学报（信息科学版），2013，38（6）:648-651.

Liang Zhi-feng，Ling Fei-long，and Chen Er-xue.Classification of full-polarimetric synthetic aperture radar data with maximum a posteriori［J］.Geomatics and Information Science of Wuhan University，2013，38（6）:648-651.

［5］马立虎，李洋，洪文.一种基于软阈值方法的改进A1/A2极化干涉分类算法［J］.国外电子测量技术，2010，29（7）:21-26.

Ma Li-hu，Li Yang，and Hong Wen.Improved A1/A2PolInSAR classification algorithm based on soft threshold method［J］.Foreign Electronic Measurement Technology，2010，29（7）:21-26.

［6］Wang Chang-cheng.Method for ship detection from SAR images［D］.［Ph.D.dissertation］，Wuhan University，2008:45-51.

［7］Wang Wen-guang.Study on the technology of polarization SAR information processing［D］.［Ph.D.dissertation］，Beihang University，2007:109-119.

［8］Cloude S R and Pottier E.An entropy based classification scheme for land applications of polarimetric SAR［J］.IEEE Transactions on Geoscience and Remote Sensing，1997，35（1）:68-78.

［9］Cloude S R and Pottier E.A review of target decomposition theorems in radar polarimetry［J］.IEEE Transactions on Geoscience and Remote Sensing，1996，34（2）:498-518.

［10］刘秀清，杨汝良.基于全极化SAR非监督分类的迭代分类方法［J］.电子学报，2004，32（12）:1982-1986.

Liu Xiu-qing and Yang Ru-liang.The lteration classification method and experiment study based on unsupervised classification of fully polarimetric SAR image［J］.Acta Electronica Sinica，2004，32（12）:1982-1986.

［11］Lee J S，Grunes M R，Ainsworth T L，et al..Unsupervised classification using polarimetric decomposition and the complex Wishart distribution［J］.IEEE Transactions onGeoscience and Remote Sensing，1999，37（5）:2249-2259.

［12］王超，张红，等.全极化合成孔径雷达图像处理［M］.北京:科学出版社，2008:118-119.

Wang Chao，Zhang Hong，et al..Polarimetric Synthetic Aperture Radar Image Processing［M］.Beijing:Science Press，2008:118-119.

周伟（1980-），男，湖北黄石人，2011年于海军航空工程学院获得博士学位，现为海军航空工程学院信息融合研究所讲师，主要研究方向为多源信息融合、侦察图像处理、目标检测与识别。

E-mail:yeaweam@gmail.com

孙艳丽（1982-），女，山东莱阳人，海军航空工程学院基础实验部，工程师，主要研究方向为信号处理。

E-mail:sunyanli195710@163.com

许成斌（1990-），男，黑龙江伊春人，2012年获哈尔滨工程大学学士学位，同年进入海军航空工程学院攻读硕士学位，研究方向为遥感图像解译与分析。

E-mail:xuchengbin333@126.com

关键（1968-），男，辽宁锦州人，海军航空工程学院电子信息工程系主任，教授，博士生导师，主要研究方向为雷达目标检测与跟踪、侦察图像处理和信息融合。

E-mail:guanjian96@tsinghua.org.cn

A Method for Discrimination of Ship Target and Azimuth Ambiguity in Multi-polarimetric SAR Imagery

Zhou Wei①Sun Yan-li②Xu Cheng-bin①Guan Jian①
①（Department of Electronic and Information Engineering，Naval Aeronautical and Astronautical University，Yantai 264001，China）
②（Department of Basic Experiment，Naval Aeronautical and Astronautical University，Yantai 264001，China）

Aiming to remove the false alarm caused by azimuth ambiguity in SAR imagery during the process of ship target detection，a method based on the improved H//Wishartunsupervised classification is proposed.First，the scattering echo peak zone of target is extracted and the H/classification results are treated as the initial cluster centers.Second，the ship target and azimuth ambiguity are identified by comparing and analyzing the structure of each region.It is showed by experiment that the method can detect ships based on the azimuth ambiguity； thus the false alarm rate in SAR-based ship detection is reduced.

Multi-polarimetric SAR imagery； Azimuth ambiguity； Unsupervised classification； Ship detection

TP319

A

2095-283X（2015）01-0084-09

10.12000/JR14147

周伟，孙艳丽，许成斌，等.一种多极化SAR舰船目标与方位向模糊鉴别方法［J］.雷达学报，2015，4（1）:84-92.http://dx.doi.org/10.12000/JR14147.

Reference format:Zhou Wei，Sun Yan-li，Xu Cheng-bin，et al..A method for discrimination of ship target and azimuth ambiguity in multi-polarimetric SAR imagery［J］.Journal of Radars，2015，4（1）:84-92.http://dx.doi.org/ 10.12000/JR14147.

2014-12-03收到，2015-03-16改回

国家自然科学基金（61201445，61179017）和国防预研基金资助课题

关键guanjian96@tsinghua.org.cn