陳利民， 孟俊敏， 楊學志， 郎海濤， 張 婷

（1.合肥工業(yè)大學 計 算機與信息學院，安徽 合 肥 230009；2.國家海洋局第一海洋研究所，山東 青 島 266100）

0 引 言

我國是一個海域遼闊、海洋資源極其豐富的海洋大國。當前我國海洋維權(quán)形勢十分嚴峻，個別國家的船舶不斷非法進入我國管轄海域從事捕撈、測量、監(jiān)聽等非法活動，損害了我國的海洋權(quán)益，嚴重威脅著我國的海洋安全。因此，加強對非法進入我國管轄海域的船舶目標監(jiān)視監(jiān)測具有十分重要的意義。

合成孔徑雷達（SAR）是一種具有高分辨率的相干波成像傳感器，具有全天時、全天候的觀測能力［1－2］，在海洋海運監(jiān)視監(jiān)測、維護海洋權(quán)益、觀測海浪、測繪水下地形等海洋業(yè)務化應用中具有很廣闊的應用前景，因此SAR是海面艦船目標探測的主要遙感手段之一。

近年來，各國研究人員利用SAR開展了大量的艦船目標探測研究，提出和發(fā)展了很多算法，其中恒虛警率（Constant False Alarm Rate，簡稱CFAR）檢測算法是SAR目標探測的重要算法之一。目前多使用高斯分布、K分布、G0分布、對數(shù)正態(tài)分布和穩(wěn)態(tài)分布等［3－7］概率分布對海雜波進行建模分析，不同的概率分布建模的復雜程度不一樣，不僅影響SAR艦船目標的檢測效率，也直接影響目標檢測效果。文獻［8］簡單地設定閾值來檢測艦船目標，但簡單閾值法缺乏自適應性?；叶戎狈綀D是圖像灰度級的函數(shù)，它表示圖像中具有的每種灰度級像素的個數(shù)，反映圖像中每種灰度出現(xiàn)的頻率［9］。從概率角度理解，每種灰度出現(xiàn)的頻率可以看作其出現(xiàn)的概率，這樣圖像灰度直方圖就對應于概率密度函數(shù)，而概率分布函數(shù)就是直方圖的累積和，即概率密度函數(shù)的積分。

本文提出了一種基于圖像灰度直方圖的恒虛警率目標檢測方法，該方法直接利用直方圖對應的概率密度函數(shù)對海雜波進行建模，并結(jié)合CFAR自適應設置閾值檢測艦船目標。在相同的硬件及虛警率條件下，與經(jīng)典的KCFAR［4］相比，本文方法有更好的檢測效率和檢測效果。

1 H－CFAR檢測算法

1.1 直方圖

直方圖是圖像處理技術(shù)基礎之一，圖像的灰度直方圖是圖像灰度級的函數(shù)，表示圖像中每種灰度級像素的個數(shù)，反映圖像中每種灰度出現(xiàn)的概率［9］，即

其中，sk為圖像f（x，y）的第k級灰度值；nk為圖像f（x，y）中灰度值為sk的像素個數(shù)；n為圖像的像素總數(shù)；p（sk）為灰度值sk出現(xiàn)的概率；L＝2m，其中m為圖像的位數(shù)。因此灰度直方圖整體描述了圖像的灰度值分布情況。圖像與對應的灰度直方圖之間的關(guān)系［9］如下：

（1）直方圖僅僅表征圖像的一維信息，僅反映圖像中不同灰度級像素值出現(xiàn)的次數(shù)，而與像素的位置無關(guān)。

（2）直方圖與圖像之間的關(guān)系是多對一的映射關(guān)系，一幅圖像唯一確定出與之對應的直方圖，但不同圖像可能有相同的直方圖。

1.2 艦船SAR圖像

SAR圖像的成像原理不同于光學成像，SAR反映的是成像區(qū)域目標散射回波的強度分布，與其發(fā)射的微波波長、入射角、極化方式、目標結(jié)構(gòu)等因素密切相關(guān)［10］。艦船目標主要由金屬構(gòu)成，而且其上層建筑能夠?qū)ξ⒉ㄐ纬啥娼巧⑸洹Ⅲw散射，使得艦船目標在SAR圖像上顯示為亮點或亮點塊，而海雜波對微波形成平面散射，在SAR圖像中一般呈現(xiàn)為暗黑色且不均勻分布，當海表面較平靜時，海面回波信號比較弱，海表面在SAR圖像上很暗；而當海表面海風較強烈時，微波散射增強，此時海表面在SAR圖像上較亮。

在艦船SAR圖像中，由于艦船目標的散射較強，艦船目標信息一般處在灰度直方圖灰度級較高的一端，而海雜波的灰度級分布于灰度直方圖灰度級較低的一端［10］。

本文研究大量真實的SAR圖像直方圖分布，如圖1所示，得出以下結(jié)論：

（1）海雜波和艦船的灰度值信息分布于直方圖的最左邊和最右邊。

（2）艦船SAR直方圖呈長拖尾狀分布，且存在某個閾值可以區(qū)分艦船目標和背景。

圖1 艦船SAR圖像直方圖

1.3 H－CFAR檢測

傳統(tǒng)的CFAR檢測算法首先需要對海雜波進行概率分布建模，然后根據(jù)圖像計算確定相應的參數(shù)，從而唯一地確定圖像的建模模型。在不同的海況條件下獲得的各類SAR圖像，海雜波服從不同的概率分布，不同的分布模型的參數(shù)不一樣，不同模型參數(shù)的確定復雜度不一樣。而圖像的灰度直方圖可以直接地、很好地反映圖像的像素值分布情況，直方圖曲線能夠很好地對SAR圖像進行建模。因此直接利用SAR圖像直方圖可以減少確定模型參數(shù)的成本，大大提高了檢測效率，很好地滿足了海洋業(yè)務化應用對時效性的需求。本方法的實現(xiàn)步驟如下：

（1）輸入原始SAR圖像，統(tǒng)計灰度直方圖分布并歸一化。

（2）給定一個虛警概率Pfa，求解（2）式，得到閾值T，即

（3）根據(jù)閾值T，對SAR目標進行檢測。

（4）形態(tài)學處理，去除孤立點。

（5）輸出檢測結(jié)果。

2 實驗結(jié)果及分析

2.1 檢測效率及檢測效果評價

為了客觀地評價檢測效率，實驗采用的機器配置為Inter（R）Core（TM）2、2.83GHz、Windows XP操作系統(tǒng)和Matlab7.1。保證每種算法都在相同的條件下執(zhí)行，每種算法均運行10次，分別記錄每次運行時間后取平均值。為了更加客觀地評價檢測效果，本文實驗所選取的SAR圖像都經(jīng)過了幾何校正。

實驗組成員攜帶自動識別系統(tǒng)（AIS）或全球定位系統(tǒng)（GPS）遠赴實驗區(qū)域同步收集衛(wèi)星過境前后艦船的經(jīng)緯度、船號以及航速等信息，確定實驗中SAR成像區(qū)域艦船的數(shù)目及其位置，提高了評價檢測效果的客觀性。衡量檢測效果的品質(zhì)因數(shù) FOM［11］定義為：

其中，Ntt為檢測結(jié)果中正確的檢測目標數(shù)；Nft為虛警目標數(shù)；Ngt為實際的目標數(shù)。

2.2 檢測實驗結(jié)果及分析

實驗中使用的SAR圖像數(shù)據(jù)信息見表1所列。為實驗方便，本文實驗所選取的ASAR大小為 640×540、512×512，TerraSAR 大 小 為2 400×2 100，Radarsat－2大小為770×520。下面分別采用K－CFAR和本文方法對SAR艦船目標進行檢測實驗。

表1 SAR圖像數(shù)據(jù)信息

圖2和圖3所示均為高海況下的ASAR圖像的艦船檢測結(jié)果，方框為正確檢測目標，三角形為虛警目標。

圖2 ASAR圖像檢測結(jié)果一

圖3 ASAR圖像檢測結(jié)果二

圖2d、圖3d是圖2c、圖3c經(jīng)過窗口大小為3×3的腐蝕、膨脹處理和除去鼓勵點處理之后得到的結(jié)果，圖2中K－CFAR和本文的方法均不存在漏檢目標和虛警目標的現(xiàn)象，品質(zhì)因數(shù)均為1，但是在圖3中K－CFAR存在一個虛警目標，而本文方法不存在虛警目標的現(xiàn)象，因此對于高海況下的ASAR數(shù)據(jù)，本文方法要優(yōu)于K－CFAR。此外，本文方法分別平均用時為0.58、0.73s，而 K－CFAR分別平均用時為26.23、21.86s，本文方法檢測速度明顯快于K－CFAR。

圖4所示為TerraSAR圖像艦船目標檢測結(jié)果，方框為正確檢測目標。從圖4b、圖4d可知，2種方法均不存在漏檢目標和虛警目標，品質(zhì)因數(shù)均為1，說明K－CFAR和本文的方法均適合Terra－SAR目標檢測；K－CFAR平均耗時為28.94s，而本文方法的平均檢測耗時僅為1.5s，本文方法檢測效率高于K－CFAR。圖5所示為Radarsat－2圖像的檢測結(jié)果，方框為正確檢測目標，三角形為虛警目標。圖5b為K－CFAR的檢測結(jié)果，可以看出存在2個虛警目標，圖5c為本文方法形態(tài)學處理之前的結(jié)果，圖5d為經(jīng)過窗口大小為3×3的腐蝕、膨脹處理和除去鼓勵點處理之后得到的結(jié)果，可以看出本文的方法全部檢測出目標，且不存在漏檢和虛警目標；本文方法平均用時0.59s，而K－CFAR平均用時30.92s，因此，對于Radarsat－2圖像艦船目標檢測，本文方法要優(yōu)于K－CFAR。

圖4 TerraSAR圖像檢測結(jié)果

圖5 Radarsat－2圖像檢測結(jié)果

3 結(jié)束語

本文直接利用圖像的灰度直方圖信息，并結(jié)合CFAR實現(xiàn)SAR艦船目標的快速檢測。與經(jīng)典的K－CFAR算法相比，本文的方法不需要對海雜波進行概率建模，直接利用圖像灰度直方圖分布設置虛警率并求出閾值，然后對SAR圖像進行目標檢測，因此實現(xiàn)了對目標的快速檢測能力。

實驗的結(jié)果也表明本文的方法不僅實現(xiàn)了目標的快速檢測能力，而且也保證了檢測的效果。對于低分辨高海況的ASAR圖像和低海況Radarsat－2圖像，本文的方法甚至要優(yōu)于 KCFAR。

在保證檢測效果的情況下，進一步發(fā)展和完善SAR艦船目標的快速檢測將是下一步工作的重點。

［1］ 宋建設，鄭永安，袁禮海.合成孔徑雷達圖像理解與應用［M］.北京：科學出版社，2008：105－123.

［2］ 徐 康，楊學志，李長凱，等.基于區(qū)域型MRF的SAR圖像分割算法［J］.合肥工業(yè)大學學報：自然科學版，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］ 魯統(tǒng)臻，張 杰，紀永剛，等.基于G0分布的高海況SAR船只 目 標 檢 測 方 法 ［J］. 海 洋 科 學 進 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，F(xiàn)lorence，Italy，1997：1411－1416.

［9］ Gonzalez R C，Woods R E.數(shù)字圖像處理［M］.第2版.阮秋琦，阮宇智，譯.北京：電子工業(yè)出版社，2003：70－74.

［10］ 種勁松.合成孔徑雷達圖像艦船目標檢測算法與應用研究［D］.北京：中國科學院，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.