基于多特征加权的SAR 影像舰船检测优化方法

赵泉华，王肖，李玉，王光辉

（1.辽宁工程技术大学测绘与地理科学学院，辽宁 阜新 123000；2.国家测绘地理信息局卫星测绘应用中心，北京 100048）

1 引言

随着人类海洋活动的增加，舰船作为海上交通工具被频繁使用。实时舰船检测可以为海上救生救援、舰船交通管理、安全航海提供基础信息。遥感作为非接触、远距离的探测技术，可以提供大范围的海洋数据，进而获取舰船信息。特别是合成孔径雷达（SAR,synthetic aperture radar）系统，因其不受云、雾、降雨、降雪等干扰，可以大面积、长时间、连续地观测海域，已成为海上舰船检测的重要技术手段[1-3]。其中，高分辨率SAR 影像在为舰船检测提供准确数据的同时，还详细地记录了舰船目标的位置和几何结构等特征。因此，本文利用高分辨率高分三号SAR 影像进行舰船检测。

由于舰船和海水的雷达信号反射特性不同，在SAR 影像中舰船表现为亮目标，海水表现为暗背景，导致舰船区域和海水区域的光谱反射有明显差别[4]。但由于海况变化的复杂性导致舰船目标与海面背景的对比度随之变化，因此要求设计的舰船检测算法具备自适应能力，且能保持恒定的虚警率。典型的SAR 影像舰船检测算法包括舰船尾迹算法[5]、极化特征算法[6]、多分辨率算法[7]、对比度算法[8]等。在对比度算法中，基于统计模型的恒虚警率（CFAR,constant false alarm rate）算法[9-10]由于具有虚警率恒定、自适应阈值、计算简单等特点，在SAR 影像舰船检测中受到了广泛关注和深入研究。例如，高贵[11]提出了采用基于全局阈值的CFAR 检测算法，检测速度比较快，但由于只考虑了背景杂波的全局特性，没有涉及局部特性，因此不能适应背景杂波的变化，导致检测性能降低。Novak 等[12]提出了双参数CFAR 检测算法，种劲松等[13]提出了局部窗口K 分布CFAR 算法，该类算法采用滑动窗口实现像素的自适应检测，可以适应局部背景杂波的变化，但由于每个像素都要参与阈值计算，计算效率较低。因此，研究者们提出了结合全局和滑窗的CFAR算法实现两级检测，提高检测速度与检测性能。例如，邢相薇等[14]首先利用基于对数正态分布的CFAR 算法快速筛选舰船，实现第一级粗检测；然后利用基于K 分布的局部自适应CFAR 算法实现第二级精确检测。该类方法虽然可以适应局部背景杂波的变化，但对海表漂浮物、小型岛屿和人工目标等产生虚警。在虚警剔除方面，主要通过舰船特征的先验知识对潜在目标进行判断，以剔除虚警目标。例如，高贵等[15]提取潜在目标的尺寸特征、形状特征和对比度特征进行基于投票机制的目标鉴别。基于投票机制的目标鉴别认为鉴别特征同等重要，而实际上不同特征对目标鉴别的贡献不同，所以其加权值不同。

针对上述算法的不足，在SAR 影像中，真实舰船目标和虚警目标在长宽比、舰船面积和对比度特征上有明显差异，根据这3 个特征的特点，利用一种客观分配权重方法——变异系数法对舰船特征进行权重分配，可以更有效地区分舰船目标和虚警目标。因此，本文在两级检测的框架下，先利用基于对数正态分布的CFAR 算法检测得到候选目标，再提取候选目标的长宽比、舰船面积和对比度特征，然后借助变异系数法为3 个特征分配权重，以期优化舰船检测结果，改善复杂环境下的检测性能，使检测方法适用性更强。

2 算法描述

在SAR 影像舰船检测工作中，陆地区域会产生大量虚警。本文首先采用标记分水岭算法去除SAR 幅度影像中的陆地部分；其次，在去陆影像基础上，利用基于对数正态分布的CFAR 算法获取候选目标；再次，确定每个候选目标的最小外接矩形区域，将其作为候选区域，并提取该区域的长宽比、舰船面积和对比度特征；最后，利用变异系数法计算3 个特征的权向量，再结合候选目标的归一化特征矢量计算其特征置信度，通过最佳置信度对候选目标进行筛选，以剔除虚警目标，得到精确的舰船检测结果。算法的具体流程如图1 所示，其中，实线框为实现算法的功能，虚线框为实现相应功能的技术手段。

图1 舰船检测流程

2.1 基于标记分水岭算法的海陆分割

给定SAR 幅度影像w={wi(xi,yi);(xi,yi)∈ D,i∈ N}，其中，D 为影像域，i 为像素索引，(xi,yi)为像素i 的格点位置坐标，N={1,…,n}为像素索引集，n 为总像素数，wi为像素i 的光谱反射幅度。

在SAR 幅度影像中，海洋和陆地区域均表现为各自强烈同质性，即各区域内梯度变化较小，而海陆边界处梯度变化较大，因此梯度影像能更好地反映原始影像中的海陆边界情况。将标记分水岭算法[16]用于梯度影像可以减少其伪局部极小值点，抑制分水岭算法的过分割现象，实现精确的海陆分割。具体过程介绍如下。

1)利用Sobel 算子构建原始影像w 的梯度影像g={gi;i ∈ N}，其中，gi为像素i 的梯度值。

2)对原始影像w 进行形态学开闭重构运算[17]得到重建后影像f={fi;i ∈ N}。

3)提取重建后影像f 中各像素的局部极大值，以构建前景标记影像d={di;i∈N}，其中，di=max{fi′;i′∈Ni}，Ni是以像素i 为中心像素的局部区域内像素索引集。

4)通过自动化阈值将重建后影像f 二值化，并进行距离变换，进而利用分水岭变换，得到分水岭变换脊线图，即背景标记影像j={ji;i∈N}。

5)借助数学形态学中的极小值标定技术[16]，将影像d 和影像j 作为影像g 的局部极小值，屏蔽原先的所有局部极小值，得到修正后的梯度影像。

6)对修正后的梯度影像进行分水岭分割，得到海陆分割二值结果e={ei;i∈N}，其中，ei∈ {0,1}，ei=0 表示像素i 位于海洋区域，ei=1 表示像素i位于陆地区域。以二值影像e 为掩膜，从原始影像w 中去除陆地部分。去陆影像记为z={zj(xj,yj);(xj,yj)∈ I,j ∈ M}，其中，I 为去陆影像的影像域，j 为像素索引，(xj,yj)为像素j 的格点位置坐标，M={1,…,m}为像素索引集，m 为总像素数，zj为像素j 的光谱反射幅度。

2.2 基于对数正态分布的CFAR 算法

在统计学框架下，z 可建模为随机场Z={Zj(xj,yj);(xj,yj)∈ I,j ∈ M}的实现，其中，Zj为像素j 幅度的随机变量，zj为Zj的实现。

由于受到相干斑噪声的影响，高分辨率SAR 幅度影像的直方图具有明显的拖尾现象。对数正态分布[18]具有分布函数简单的特性，能有效刻画具有明显拖尾现象的非对称性分布，适用于建模高分辨率复杂场景的海杂波。

为了验证对数正态分布对SAR 幅度影像海洋杂波模型的拟合能力，随机选取大小为250 像素×250 像素的局部影像，如图2(a)所示。分别用瑞利分布、高斯分布、韦布尔分布、K 分布和对数正态分布对影像进行直方图拟合，并利用最大似然方法估计各个模型的参数，拟合曲线如图2(b)所示。从图2(b)中可看出，影像直方图具有重拖尾现象，对数正态分布可以较好地对该直方图进行拟合，而其他几种分布拟合性能较差。采用K-S 统计量检验[19]评价拟合结果如图2(c)所示，统计量越小代表拟合结果越好。由图2(c)可知，对数正态分布的K-S 统计量最小，拟合结果最好。因此，本文利用对数正态分布建模SAR幅度影像的海洋杂波模型，如式(1)所示。

其中，μ 为尺度参数，σ 为形状参数。其累积分布函数为

其中，Φ(·)为标准正态分布函数。

去陆影像z 可近似看作海洋杂波像素集合，通过最大似然估计求出μ 和σ 的估计值，即

图2 拟合结果

设检测阈值为T，像素灰度值为g，则虚警率Pfa为

求解式(5)，可得检测阈值T 为

利用检测阈值T 遍历去陆影像z，得到对数正态分布的CFAR 检测结果L={Lj(xj,yj);(xj,yj)∈ I;j∈ M}，若zi≥T，则判为拟似舰船像素，设Lj=1；否则为拟似背景像素，设Lj=0。最后，将满足八邻域连通性的一组像素标记为一个候选目标，使其等于八邻域连通数，并根据最终舰船判定结果相应地改变L 中像素的标记值，使Lj=1 对应候选目标像素，而Lj=0 对应候选背景像素。设L 中Lj=1像素构成c 个连通区域，每个区域看作候选目标，区域内像素格点集合记为Lp，p∈{1,…,c}。由此可得Lp内的像素数

2.3 候选目标的特征提取

SAR 影像中的海表波浪、礁石等高亮目标容易被检测成虚警目标，影响对数正态分布的CFAR 检测结果。经大量实验验证，长宽比、舰船面积和对比度3 个特征对于舰船和虚警具有较好的可分性。因此，在选定候选目标的最小外接矩形区域为候选区域的基础上，分别提取各候选区域的长宽比、舰船面积和对比度特征作为候选目标的特征。

候选目标的最小外接矩形实质上是其最小面积外接矩形[20]。任一候选目标的最小外接矩形和其凸壳的最小外接矩形是等价的，且凸多边形的最小外接矩形至少有一条边经过该凸多边形的一边[21]。因此，提取任一候选目标的最小外接矩形的算法步骤如下。

1)计算候选目标的最小凸包。

2)选取所得凸包中一条边作为起始边，对该凸包以选中边的左端点为中心旋转，使该边平行于坐标横轴，计算并保存其最小绑定矩形的坐标、该边编号和旋转角度。

3)顺序选择其他边，并按照步骤2)计算并保存其最小绑定矩形的坐标、该边编号和旋转角度。

4)比较所得最小绑定矩形的面积，面积最小者按其记录的旋转角度以该边的左端点为中心逆向旋转即为所求的最小外接矩形。

图3(a)中黑框为候选目标的最小外接矩形，图3(b)为最小外接矩形叠加到原始影像上。从图3 可以看出，最小外接矩形紧紧贴近候选目标，可近似将其长宽比看作候选目标的长宽比，并计算其内的候选目标像素数来代替舰船面积，再利用候选目标像素和候选背景像素计算对比度。所以，在最小外接矩形的基础上，可以更准确地计算候选目标的长宽比、舰船面积和对比度特征。

图3 候选目标的最小外接矩形

在L 基础上构建S={Sj;j ∈M}，其中，Sj∈ {0,1}，Sj=1 对应Lp最小外接矩形内像素。由此，得到对应Lp的最小外接矩形Sp，称其为候选区域。对于给定的影像空间分辨率，Sp的舰船面积正比于舰船像素数mp，为方便起见，本文用mp代替舰船面积。设Sp的长和宽分别为lp和wp，则其长宽比

1)长宽比。在高分辨率SAR 影像中，舰船一般表现为细长型，其长宽比较大；而岛屿、礁石和高亮噪声等虚警则为非细长型，其长宽比较小，因此利用长宽比可以将此类虚警剔除。在真实舰船目标中，除了小型渔船外，舰船长度一般约为100～400 m，宽度约为15～70 m，长宽比约为2.5～7.5。

2)舰船面积。舰船面积一般用舰船像素数量乘以影像分辨率来表示。对于给定遥感影像其分辨率是确定值，因此可直接用舰船像素数代表舰船面积。这样，可以通过设置舰船像素数阈值滤除像素数过多或过少的虚警目标。舰船面积一般在1 500～20 000 m2，如SAR 影像分辨率为2.81 m，则舰船像素数为190～2 500 像素。

3)对比度。对比度为目标均值与背景均值的灰度差再除以背景均值。在高分辨率SAR 影像中，舰船表现为高亮目标，周围区域表现为暗背景，其对比度较大；海面剧烈运动造成的海表波浪较亮，但其亮度明显低于舰船目标，由于较明显的海表波浪与周围区域的对比度相对较小，因此可以利用对比度剔除此类虚警目标。由于环境、舰船、海洋等因素的影响，目标与背景的对比度σp一般约为0.6～1.8。

令zp={zj;j ∈ Sp}为Sp内像素集合，则Sp内像素幅度的对比度σp为

其中，bp=#zp，#为计算集合内元素数操作符，为Lp在Sp中的补集，即背景像素集合。

2.4 多特征加权的舰船优化检测

变异系数法[22]直接利用各特征本身所包含的信息获取特征的权重，无人为因素干扰，定量、客观、具有可靠性。长宽比、舰船面积和对比度3 个特征在权重决策中重要程度不同，本节利用变异系数法对3 个特征进行权重分配，以达到区分真实舰船和虚警目标的目的。各项特征的变异系数为

其中，q=1,2,3 为特征索引，分别表示长宽比、舰船面积和对比度特征，λq为第q 项特征的变异系数，qσ′和pμ′ 分别为所有候选目标的第q 项特征的标准差和均值。若λq较大，则第q 项特征对舰船鉴别的贡献较大，应赋予较大权重；否则，应赋予较小权重。

各项特征的权重为

其中，ωq为第q 项特征的权重。根据各项特征的权重ω1、ω2和ω3，计算特征权向量k 为

设所有候选目标中典型舰船的最大和最小长宽比分别为rmax和rmin，最大和最小舰船像素数分别为mmax和mmin，最大和最小对比度分别为σmax和σmin，则候选目标的归一化特征矢量vp为

其中，若rp∉[rmin,rmax]，则r'p=0；若mp∉[mmin,mmax]，则m'p=0；若σp∉[σmin,σmax]，则σ'p=0。

利用特征权向量k 和归一化特征矢量vp，得到候选目标的特征置信度up为

选取最佳置信度对所有候选目标进行判断，若候选目标的特征置信度大于最佳置信度，即为真实舰船目标；否则为虚假目标。设最佳置信度为u'，舰船优化检测结果为h={hj=0,j∈M}，若up≥u'，p=1,…,c，则hj=1，(xj,yj)∈ Lp。

3 实验结果及讨论

为验证舰船检测算法的可行性和有效性，选取高分三号单视幅度VH 极化影像进行实验，具体参数如表1 所示。为了方便处理，首先对两幅影像进行En-Frost 滤波、斜地矩转换和地理编码等预处理，再采用两幅高分三号影像中的3 幅子影像进行舰船检测实验，其中实验影像1 从影像1 中截取，尺度为1 505 像素×1 947 像素；实验影像2 和实验影像3 从影像2 中截取，尺度分别为5 700 像素×8 688 像素和10 877 像素×7 733 像素。3 幅实验影像的场景复杂程度不同，参考对应区域的光学影像，排除陆地、港口、岛屿、礁石等易混淆目标，判断实验影像中的真实舰船以白色矩形框标记，如图4 所示，其中图4(a)～图4(c)的实际舰船数分别为55、17 和147。

表1 高分三号数据参数

图4 实验影像舰船标记

图5(a)～图5(c)给出实验影像陆地掩膜后的海域影像。由图5 可见，标记分水岭算法对陆地的分割效果较好，但却无法剔除小面积岛屿。在后续舰船检测过程中，可以利用多特征加权的舰船优化检测，有效地抑制这类小面积岛屿导致的虚警目标。

图5 陆地掩膜后的海域影像

以实验影像3 为例，计算得到各项特征的权重ω1、ω2和ω3分别为0.33、0.44 和0.23，其中舰船面积所占权重最大，长宽比次之，对比度所占权重最小。在SAR 影像中，首先，真实舰船和虚警且标的面积差异最明显，相较于长宽比和对比度，舰船面积更为直观，更易区分舰船和虚警；其次，真实舰船和虚警目标的形状不同，真实舰船为细长型，虚警目标为非细长型，长宽比差异较大，相较于对比度，其表现较明显；最后，对比度反映目标与背景的灰度差异，真实舰船比虚警目标相对于周围背景更亮，但对比度差异不大，不如舰船面积和长宽比表现明显。该权重符合各项特征对舰船鉴别的贡献，长宽比、舰船面积和对比度在该权重下对舰船具有更好的可分性。实验影像3 内舰船和虚警目标较多，包括实验影像1 和实验影像2 内的舰船类型和虚警目标。虽然3 幅实验影像的场景复杂程度不同，但计算的特征权向量变化较小，所以本文统一将特征权向量k 设置为实验影像3 计算的[0.33,0.44,0.23]。实验结果表明，该特征权向量适用于3 幅实验影像，且舰船检测结果较好。

图6 为对数正态分布CFAR 检测结果中部分候选目标及其实验影像内对应区域。图6(a)～图6(d)为航行方向不同的舰船目标；图6(e)～图6(h)为虚警目标，其中，图6(e)为较明显的海表波浪，图6(f)为人工目标，图6(g)和图6(h)均为小岛屿。经统计，对于实验影像内候选目标，rmax=5.5，rmin=2.5，mmax=600，mmin=200，σmax=1.8，σmin=0.8，再结合特征权向量k，计算各候选目标的长宽比、舰船面积、对比度、归一化特征矢量和特征置信度如表2 所示。从表2 可以看到，真实舰船a1～a4具有高于29%的中高置信度，虚警目标b1～b4具有低于15%的低置信度。经多次实验，确定当最佳置信度为16%时，检测结果可以最大程度地区分真实舰船和虚警目标，达到最好的舰船检测效果。如果真实舰船目标的各项特征计算偏低，则特征置信度会偏低，但一般情况下，真实舰船目标的特征置信度都高于29%，所以，虽然各项特征计算偏低会导致特征置信度偏低，但其仍然会高于最佳置信度16%，从而真实舰船目标会被检测为舰船；如果真实舰船目标的各项特征计算偏高，则特征置信度会偏高，从而更易被检测为舰船。虚警目标的特征置信度一般在15%以下，当虚警目标的各项特征计算偏高时，特征置信度也会低于最佳置信度，从而被检测为虚警；当虚警目标的各项特征计算偏低时，特征置信度会更低于最佳置信度，从而更易被检测为虚警。所以，在无法准确计算各项特征的情况下，可以保证较高的舰船检测精度。

图6 部分候选目标及其实验影像内对应区域

表2 部分候选目标特征分析

为了研究多特征加权对舰船检测结果的影响，选取实验影像3 内典型区域作为实验区域，即图4(c)中白色大矩形框所示区域。图7(a)是该实验区域的真实情况，尺寸为1 640 像素×1 854 像素，共有30 个真实舰船目标，利用白色矩形框标记真实舰船。图7(b)是本文算法的检测结果，利用黑色矩形框标记真实舰船目标，黑色椭圆框标记漏检目标，黑色三角框标记虚警目标，可以看出，检测结果出现一次漏检和2 次虚警。图7(c)是不同特征权向量下的品质因子三维图，其中，X 轴为舰船面积权重，Y 轴为长宽比权重，Z 轴为品质因子，品质因子越高，检测结果越好，则对比度权重为1-X-Y，特征权向量k 为[Y,X,1-X-Y]。由图7(c)可知，不同特征权向量可能对应相同的检测结果，当特征权向量k 为[0.28,0.48,0.24]，[0.28,0.49,0.23]，[0.29,0.48,0.23]，[0.29,0.49,0.22]，[0.30,0.47,0.23]，[0.30,0.48,0.22]，[0.31,0.46,0.23]，[0.31,0.47,0.22]，[0.32,0.45,0.23]，[0.32,0.46,0.22]和[0.33,0.44,0.23]时，品质因子最大为0.878 8，检测结果最优，并都得到如图7(b)所示的检测结果。本文计算的特征权向量[0.33,0.44,0.23]为得到最优检测结果的特征权向量之一，因而运用变异系数法计算的特征权向量进行舰船检测可以得到最优的检测结果。

图7 多特征加权对舰船检测结果的影响

除本文引言部分提到的双参数CFAR 算法[12]外，最佳熵双阈值算法[23]也经常用于SAR 影像舰船检测。因此，为了验证本文算法的有效性，本文选取双参数CFAR 算法和最佳熵双阈值算法作为对比算法与本文算法进行比较。为了公平起见，保证检测流程中的去陆操作一致。针对实验影像进行实验，实验过程中双参数CFAR 算法的虚警率设定为10-6，基于对数正态分布的CFAR 算法的虚警率设定为10-4，在此情况下，各算法均能取得较好性能；且双参数CFAR 算法检测过程中涉及背景窗口、保护窗口和目标窗口的设定，其大小变化直接影响检测结果的优劣，经多次检测比较，本文选择最优检测结果作为实验结果。

实验选取图7(a)研究3 种算法的时间性能，运行时间如表3 所示。最佳熵双阈值算法基于全局阈值进行舰船检测，与双参数CFAR 算法和本文算法相比，算法复杂程度最低，时间性能最好；双参数CFAR 算法和本文算法的运行时间相差不大，但双参数CFAR 算法基于滑动窗口进行检测，本文算法需要提取每个候选目标的最小外接矩形，再计算各项特征，此过程比滑动窗口较复杂，因此计算时间略长。

表3 运行时间

图8 所示为3 种算法的舰船检测结果，并利用黑色矩形框标记检测结果中的真实舰船目标，黑色椭圆框标记漏检目标，黑色三角框标记虚警目标。图8 可见，在本文算法的检测结果中，黑色矩形框较多，黑色椭圆框和黑色三角框明显少于2 种对比算法，说明本文算法正确检测的数量较多，发生的漏检和虚警较少，可以有效区分舰船和非舰船，检测效果优于2 种对比算法。

图8 3 种算法的舰船检测取反结果对比

3 种算法的舰船检测结果中漏检主要包括复杂海杂波中的舰船、相距很近的舰船、停靠在一起的舰船、尺寸过大或过小的舰船等。由于复杂海杂波的影响，少部分舰船在复杂海杂波中表现不明显，舰船与海杂波的对比度较低，使最佳熵双阈值对此类舰船目标发生漏检；双参数CFAR 算法基于局部窗口实现舰船检测，可以适应背景杂波的复杂变化；复杂海杂波中的舰船可以表现出舰船特征，本文算法能够检测得到此类舰船目标。相距很近的舰船会出现在双参数CFAR 算法的背景窗口内，使真实舰船不满足鉴别准则，从而造成漏检，但最佳熵双阈值和本文算法不会受到相距很近舰船的影响。停靠在一起的舰船同样会出现在双参数CFAR 算法的背景窗口内，造成漏检，且由于停靠在一起的舰船在影像中表现为一个目标，所以最佳熵双阈值只检测到一次，而停靠在一起的舰船不表现舰船特征，所以本文算法会对其发生漏检。双参数CFAR 算法的检测结果受滑动窗口尺寸的影响，对尺寸过大、过小的舰船造成漏检，其他2 种算法不会受到舰船尺寸的影响。少部分舰船目标的长宽比、舰船面积和对比度特征都不明显，特征置信度低于最佳置信度，使本文算法发生漏检，而2 种对比算法基于阈值实现舰船检测，能够检测得到此类舰船目标。

虚警主要包括高亮的海表波浪、人工目标、礁石和未剔除的岛屿等。由于海面波浪的剧烈运动，造成高亮的海表波浪，最佳熵双阈值和双参数CFAR 算法对其发生虚警，而高亮的海表波浪并不表现出类似舰船的特征，因此本文算法将其剔除；人工目标、礁石和未剔除的岛屿在SAR 影像中均表现为亮度接近舰船的高亮目标，导致最佳熵双阈值和双参数CFAR 算法发生虚警，而此类目标的长宽比、舰船面积和对比度特征与真实舰船有显著差异，因此本文算法中的多特征加权的优化检测可以剔除此类虚警目标，但少部分人工目标与真实舰船目标的特征相似，从而造成虚警。

为了定量评价3 种算法的检测性能，本文引入检测率和品质因子来评估算法。

检测率越高，说明检测算法搜寻真实舰船的能力越强；品质因子越高，说明检测算法对舰船和非舰船的辨别越灵敏，且只有当检测到全部真实舰船目标且无任何虚警和漏检时，其值才为1。

从表4 可以看出，在虚警目标较少的简单场景（实验影像1）下，3 种算法的检测率均在90%以上，品质因子均在85%以上，都能得到较好的舰船检测结果。但随着虚警目标增多导致场景复杂度增加（实验影像2 和实验影像3），最佳熵双阈值和双参数CFAR 算法的错检数量也随之增加，虽然2 种算法的检测率在一定范围之内，但品质因子分别从65.4%和70.8%降为23.1%和23.3%，已经无法满足实际精度要求，而本文算法错检数量最少，检测率最高，且品质因子从100%降到86.4%，仍然保持较高的精度。对比发现，本文算法正确检测舰船目标最多，虚警和漏检都最少，说明该算法搜寻真实舰船的能力更强，对舰船和非舰船的辨别更灵敏。

表4 3 种算法的检测结果对比

总地来说，最佳熵双阈值和双参数CFAR 算法在简单场景下，可以较好地进行舰船检测，但在虚警目标较多的复杂场景下，2 种对比算法的检测效果较差；本文算法受虚警目标的影响较小，虽然运行时间较长，但在不同复杂场景下有较好的检测效果，适用性更好。

4 结束语

利用本文算法对高分三号SAR 影像进行舰船检测实验，并对其结果进行定量和定性分析，以评价舰船检测精度，主要结论概括如下。

1)真实SAR 影像的场景复杂程度不同，实验结果表明，基于多特征加权的SAR 影像舰船检测优化方法能够改善虚警目标较多的复杂环境下的检测性能，适用性更强。

2)由于岛屿、人工目标和复杂海杂波等影响，传统舰船检测算法会发生漏检和虚警；对数正态分布能够较好地拟合高分辨率SAR 影像的海杂波分布，利用基于对数正态分布的CFAR 算法检测得到所有的候选目标，再采用多特征加权的舰船优化检测将虚警目标剔除，优化舰船检测结果。由于舰船与非舰船的长宽比、舰船面积和对比度特征有显著差异，因此多特征加权的舰船优化检测可以有效地区分舰船与非舰船，得到精确的舰船检测结果。

3)在提取的舰船长宽比、舰船面积和对比度特征基础上，可以进一步刻画舰船的速度、材质、装载信息等特征，为进一步的舰船检测提供充分的依据，因此本文算法具有重要的理论意义和实用价值。