張增輝 郁文賢

（上海交通大學電子信息與電氣工程學院智能探測與識別上海市重點實驗室 上海 200240）

稀疏微波SAR圖像特征分析與目標檢測研究

張增輝 郁文賢*

（上海交通大學電子信息與電氣工程學院智能探測與識別上海市重點實驗室 上海 200240）

稀疏微波成像利用觀測場景在空時頻極化等表示域上的稀疏先驗，通過線性綜合測量方式獲得比傳統(tǒng)Nyquist采樣低得多的回波數(shù)據(jù)，使用優(yōu)化重構算法恢復觀測場景微波圖像，相對于傳統(tǒng)微波成像體制具有諸多優(yōu)勢。在稀疏微波成像體制下，圖像的獲取和表征均發(fā)生了變化，需要在雷達圖像理解現(xiàn)有理論和方法的基礎上，研究新的特征分析和認知解譯理論與方法。該文分析了稀疏SAR圖像的統(tǒng)計特性以及點、線、面等特征的變化情況，對于使用空域稀疏模型重構的SAR圖像，統(tǒng)計分布退化，適當降低采樣率不影響點、線目標的提取精度。在此基礎之上，研究了稀疏SAR圖像海上艦船目標檢測方法，得益于較弱的背景噪聲，稀疏SAR圖像的目標檢測使用簡單的閾值處理即可獲得較好的檢測效果。

稀疏表示；合成孔徑雷達；壓縮感知；特征提??；目標檢測

引用格式：張增輝， 郁文賢. 稀疏微波SAR圖像特征分析與目標檢測研究［J］. 雷達學報， 2016， 5（1）： 42-56. DOI：10.12000/JR15097.

Reference format： Zhang Zenghui and Yu Wenxian. Feature understanding and target detection for sparse microwave synthetic aperture radar images［J］. Journal of Radars， 2016， 5（1）： 42-56. DOI： 10.12000/JR15097.

1 引言

合成孔徑雷達（Synthetic Aperture Rader，SAR）全天時、全天候、大范圍觀測成像的特點使其在災害應急監(jiān)測、環(huán)境安全監(jiān)測、海洋觀測、資源勘探評估、農(nóng)作物估產(chǎn)、森林資源調查、測繪和軍事偵察等領域的應用具有獨特優(yōu)勢，甚至是極端氣象條件下唯一可靠的觀測數(shù)據(jù)來源。充分利用SAR圖像中蘊含的目標與場景特性信息，實現(xiàn)SAR圖像的有效理解與認知，是提高SAR圖像應用水平的關鍵。

然而，由于SAR的電磁成像機理與人類視覺系統(tǒng)和光學遙感的成像機理有著本質差異，導致SAR圖像的特征分析和認知解譯非常困難。SAR系統(tǒng)接收的是組成地物目標的每一個獨立單元形成的散射能量，呈現(xiàn)在SAR圖像上的地物目標是散射單元構成的集合體，多表現(xiàn)為離散的點、線組合。SAR系統(tǒng)獨特的成像方式會造成相干斑、透視收縮、疊掩、陰影等現(xiàn)象［1］，導致SAR圖像在視覺特性上與光學圖像有明顯差異，表現(xiàn)為“所見非所知”特點。圖1給出了巴黎電信大樓光學遙感圖像和SAR圖像的對比［2］，其中光學遙感圖像來自于Google Earth， SAR圖像來自于TerraSAR-X。在SAR圖像上，地物目標邊界以點、短線條為主，連續(xù)性和完整性差，圖像結構缺失、幾何變形嚴重。

圖 1 法國電信大樓光學遙感圖像與SAR圖像對比Fig. 1 Comparison of optical image and SAR image for the Maison de la Radio France， Paris

壓縮采樣（Compressed Sampling）理論［3-6］是應用數(shù)學界近年來提出的一種新型信號采樣與恢復理論，它利用信號表示的稀疏性，通過新的線性綜合采樣方式，可以在遠低于Nyquist采樣率的條件下完全恢復原信號?；趬嚎s采樣的信息獲取是在新的信號模型、新的采樣方式和新的重構理論上開展的。2007年，Rice大學的Baraniuk和Steeghs［7］首先將壓縮采樣理論與SAR成像相結合，開展了點目標成像仿真。Herman和Strohmer［8］研究了利用壓縮采樣理論提高傳統(tǒng)雷達分辨率的技術，通過對探測時頻平面的離散化實現(xiàn)目標信號的稀疏表示，并從理論上給出了目標稀疏度的上界要求。Gurbuz等人［9］開展了基于壓縮采樣的探地成像雷達研究，Suksmono等人［10］將壓縮采樣理論用于步進頻連續(xù)波探地雷達中提高數(shù)據(jù)獲取效率。YANG等人［11］在步進頻SAR成像技術的基礎上，利用壓縮采樣理論提出了一種隨機頻率信號SAR成像技術，克服了步進頻信號成像時寬測繪帶與高分辨率之間的矛盾。Alonso等人［12］將壓縮采樣與傳統(tǒng)SAR成像過程相結合，距離向處理仍采用傳統(tǒng)匹配濾波，而方位向處理使用壓縮采樣技術降低數(shù)據(jù)量要求，仿真和實測數(shù)據(jù)表明50％降采樣后仍能獲得高質量SAR圖像。Alonso等人的方法沒有充分利用SAR信號距離向的稀疏性，Patel等人［13］通過建立距離和方位2維稀疏重構模型，在進一步降低采樣數(shù)據(jù)量要求的條件下實現(xiàn)了稀疏SAR成像。Nguyen等人［14］針對超寬帶SAR，提出了一種時域稀疏表示模型及相應的稀疏重構算法，大幅度減少了存儲量和計算量要求。Batu和Certin［15］研究了稀疏SAR成像中算法參數(shù)的自動選擇問題，提出了基于Stein無偏估計、廣義互驗證以及L-曲線技術的處理流程。進一步，Onhon和Certin［16］綜合利用目標場景的稀疏性及相位誤差因素的稀疏性，實現(xiàn)了成像和相位誤差校正的聯(lián)合處理。Stojanovic等人［17］討論了不同觀測幾何下，稀疏SAR成像的性能，提出了一種t％平均互相關評價指標。Fang等人［18］針對稀疏SAR成像圖像重構時計算量巨大的缺陷，將壓縮采樣和匹配濾波納入統(tǒng)一的稀疏約束框架下，并設計了快速迭代閾值求解算法實現(xiàn)快速成像。2010年，Potter等人［19］對基于壓縮采樣的雷達成像技術進行了總結和梳理，并對相關理論及應用研究的趨勢進行了展望。2012年8月，中國科學雜志F輯出版?？^全面介紹了國內(nèi)相關研究進展。2014年，Certin等人［20］進一步對稀疏SAR成像技術進行了綜述，討論了寬角度成像、成像與自聚焦聯(lián)合處理、運動目標成像等。綜上所述，稀疏微波成像體制有望克服現(xiàn)有微波成像體制存在的系統(tǒng)實現(xiàn)困難、成像處理方法復雜、海量數(shù)據(jù)傳輸難以實現(xiàn)、信息冗余但特征提取困難等瓶頸問題。然而，在稀疏微波成像體制下，圖像的獲取和表征均發(fā)生了變化，需要在雷達圖像理解現(xiàn)有理論和方法的基礎上，研究新的特征分析和認知解譯理論與方法。圖2給出了基于RADARSAT-Ⅰ衛(wèi)星數(shù)據(jù)，分別使用傳統(tǒng)CS（Chirp Scaling）算法和稀疏成像算法對加拿大溫哥華英吉利灣的成像結果，從中看出圖像特性發(fā)生變化。

圖 2 傳統(tǒng)SAR成像與稀疏微波成像結果對比Fig. 2 Comparison of tradional SAR imaging and sparse microwave imaging

對SAR圖像特征分析與認知解譯相關理論與方法研究的歷史由來已久，電磁散射機理是SAR解譯研究的基礎，目標和場景統(tǒng)計模型是SAR解譯研究的前提，圖像特性分析是SAR解譯研究的必備環(huán)節(jié)，而具體的SAR解譯理論與方法則涉及到圖像處理、模式識別、機器學習、人工智能等諸多方面。對于稀疏SAR成像和傳統(tǒng)SAR成像，二者電磁散射機理是相同的。在傳統(tǒng)SAR圖像統(tǒng)計建模研究方面，1976年提出的相干斑模型奠定了理論基礎，1981年提出的乘積模型有力推動了該方向發(fā)展。近年來，隨著SAR圖像分辨率的不斷提高，圖像所表現(xiàn)出的異質特性和不均勻性愈加明顯，統(tǒng)計特性更為復雜。針對高分SAR圖像，提出了K分布［21］、G0分布、Alpha-Stable分布、Nakagmi-Rice分布、Fisher分布［22］、廣義Gamma分布［23］以及基于字典集的混合分布等統(tǒng)計模型。一般來說，單視SAR圖像可選擇負指數(shù)分布，多視圖像可選擇Gamma分布，大視數(shù)處理時可選擇高斯分布。某些情況下具有較長拖尾的分布如K分布、Alpha-Stable分布等能更好地描述海雜波，加拿大海洋監(jiān)測系統(tǒng)（OMW）［24，25］使用K分布進行艦船目標檢測，在RADARSAT-Ⅰ上獲得了較好的檢測性能；WANG等人［26］研究了基于Alpha-Stable分布的海上艦船目標檢測，使用RADARSAT-Ⅰ數(shù)據(jù)得到了比傳統(tǒng)高斯分布和K分布更好的結果。此外，F(xiàn)rery等人［27］利用L， C波段全極化SAR影像數(shù)據(jù)，研究了基于G0分布及其推廣模型的地物分類，認為精確的統(tǒng)計分布模型對獲得高精度的分類效果具有重要作用。GAO等人［28］研究了包含K分布和G0分布在內(nèi)的針對高海況海洋雜波和極不均勻地物雜波等高分辨率SAR圖像的統(tǒng)計建模，在城市區(qū)域建筑物、軍事目標等人造目標檢測識別方面取得了較好結果。綜上所述，SAR圖像統(tǒng)計模型是目標檢測識別、地物分類等應用的前提和基礎，發(fā)揮著關鍵支撐作用。然而，不同體制、不同類型SAR傳感器所獲得圖像的統(tǒng)計特性是不同的，必須開展針對性的研究，如K分布適用于RADARSAT-Ⅰ圖像，但不適用于CCRS C/X SAR數(shù)據(jù)和Envisat A SAR的交替極化數(shù)據(jù)等［29］。對于稀疏SAR成像這種新體制，圖像統(tǒng)計模型的研究是首先需要開展的工作。

SAR圖像目標特征分析與提取的目的是將目標圖像用簡單明確的數(shù)值、符號等來描述，是目標檢測識別、地物分類等應用的關鍵環(huán)節(jié)。SAR圖像目標特征可分為幾何結構特征、灰度統(tǒng)計特征、變換域特征和電磁散射特征等幾大類［30，31］。幾何結構特征可分為幾何特征、結構特征和地形學特征等，具體包括目標的長寬高、面積、質心、邊緣、輪廓、陰影、目標峰值、凹陷、脊等；灰度統(tǒng)計特征可分為對比度特征和紋理特征，具體包括最強值、平均強度、標準偏差、灰度共生矩陣、權重序列填充率等；變換域特征通過純粹的數(shù)據(jù)處理工具對圖像進行分析，不一定具有實際的物理意義，常用的變換包括主成分分析、獨立成份分析、離散傅里葉變換、小波變換、超完備字典等；電磁散射特征的提取依賴于特定的電磁散射模型，如利用屬性散射中心模型［32］可得到散射中心的距離向坐標、方位向坐標、散射中心幅度、散射中心類型等。SAR圖像特征種類和提取方法多樣，但點、線、面是各種特征的基礎，是最底層和最重要的特征，相應的邊緣提取和區(qū)域分割是圖像處理的基本操作。稀疏SAR成像體制下圖像特性發(fā)生變化，不能將傳統(tǒng)SAR圖像的特征分析與提取方法直接搬移過來使用。目前，對稀疏SAR圖像特征研究的工作較少，Certin等人［33］最早于2001年研究了結合目標先驗知識實現(xiàn)分辨率提升、旁瓣和相干斑抑制等特征增強的SAR成像，采用的圖像重構正則化模型與壓縮采樣信號重構模型原理相似。進一步，Certin等人在文獻［34］中詳細分析了這種利用先驗約束實現(xiàn)特征增強的SAR成像技術，所獲得SAR圖像特征的精度和魯棒性，以及ATR識別性能。2013年，Certin等人［35］提出利用組合字典進行稀疏表示，實現(xiàn)多種特征同時增強的SAR成像技術。

2 稀疏微波成像原理［36］

基于壓縮感知理論的稀疏微波成像技術在成像模型和處理方法上與傳統(tǒng)SAR體制有較大不同，這是稀疏微波SAR圖像目標特征不同于傳統(tǒng)SAR圖像特征的根源。下面從稀疏微波成像的模型與方法出發(fā)，分析目標特征變化情況。

考慮雷達發(fā)射如下的LFM信號：

其中η為方位時間，A0為點目標后向散射系數(shù)，R（η）為點目標方位斜距，為由天線方向圖決定的方位回波信號能量窗函數(shù)，ηc為方位中心時刻。忽略A0，式（1）即為單位點目標的沖激響應設觀測場景的后向散射函數(shù)為，則SAR基帶回波信號可表示為：

使用強散射點回波模型對2維成像場景離散化，同時對回波信號在距離和方位時間域離散化，SAR雷達接收到的場景基帶回波可表示為：

成像場景尺寸為I×J， σij為第ij個地面單元的后向散射系數(shù)。定義回波信號向量場景后向散射系數(shù)向量系統(tǒng)噪聲向量以及信號接收矩陣則SAR回波信號接收模型為：

由式（4）直接求解σ即可獲得場景的2維SAR圖像，這也是傳統(tǒng)BP算法的處理思路。

在模型式（4）的基礎之上，若能進一步利用成像場景的稀疏性等先驗信息，則有望在降低距離和方位向采樣數(shù)據(jù)量的條件下實現(xiàn)SAR成像。σ的稀疏性可表現(xiàn)在空域、頻域、極化域等中，設Ψ表示矩陣，x表示系數(shù)，即σ=Ψx，則σ的稀疏性體現(xiàn)為。根據(jù)處理域的不同，表示矩陣Ψ可為單位陣、傅里葉陣、超完備字典等。稀疏SAR成像通過線性綜合測量方式獲得降采樣后的數(shù)據(jù)，即可選擇為隨機抽取矩陣、高斯隨機矩陣或特殊形式的確定性矩陣等。令則通過求解下述優(yōu)化問題能有效恢復σ，實現(xiàn)稀疏SAR成像。

問題式（6）是NP-難題，無法直接求解。目前的求解方法主要包括：貪婪算法、最小范數(shù)凸優(yōu)化模型、最小范數(shù)非凸優(yōu)化模型和一些基于特殊形式A矩陣的算法［37］。

3 稀疏微波SAR圖像統(tǒng)計特性分析

目前對傳統(tǒng)SAR圖像相干斑噪聲的統(tǒng)計建模及特性分析研究主要從圖像數(shù)據(jù)出發(fā)，因為從SAR成像過程角度研究相干斑噪聲的形成機理十分困難，涉及到目標、環(huán)境、傳感器以及處理算法等諸多環(huán)節(jié)，影響因素多、建模復雜。稀疏微波SAR圖像統(tǒng)計特性的研究也將從圖像數(shù)據(jù)出發(fā)，但面臨圖像數(shù)據(jù)匱乏的實際問題。本文的研究思路是：以傳統(tǒng)SAR圖像統(tǒng)計建模為基礎，通過分析稀疏微波SAR成像相對于傳統(tǒng)SAR成像引起圖像結果的變化，實現(xiàn)建模分析。

稀疏微波SAR成像結果不僅取決于采樣方式Φ，而且與優(yōu)化重構算法密切相關。首先考慮貪婪算法，目前主要有OMP（Orthogonal Matching Pursuit）、Stagewise OMP（StOMP）、Regularized OMP（ROMP）以及CoSaMP（Compressive Sampling Matching Pursuit）等，其基本思想為根據(jù)殘差向量與測量矩陣列相關性大小，逐步找到原始信號的支撐集Ω，然后在與支撐集對應的子矩陣上進行最小二乘的計算得到=最終恢復的稀疏表示系數(shù)

此處Ω為yr的支撐集，λ為大于零的常數(shù)，用于平衡?1優(yōu)化模型中逼近項和稀疏項的權重。由式（8）可以看出，優(yōu)化模型求解獲得的向量中大部分元素為零。使用非凸優(yōu)化模型能獲得比更稀疏的解。對于頻域稀疏場景，成像結果與貪婪算法類似。此外，從統(tǒng)計估計的角度，使用范數(shù)對圖像進行約束進而實現(xiàn)圖像重構的處理模型等價于MAP（Maximum A Posteriori）估計［39］。不同的范數(shù)p對應于使用不同的先驗分布描述SAR圖像，p=2對應于經(jīng)典的高斯先驗，p=1對應于Laplacian先驗，0＜p＜1對應于具有更長拖尾的先驗分布。從MAP估計的角度，先驗模型的使用在重構圖像上表示為像素能量集中，使得目標主要散射點得到加強，而旁瓣和噪聲受到抑制。

下面將通過計算機仿真驗證上述分析結論。對于設定的目標場景，根據(jù)相干斑噪聲的統(tǒng)計模型如高斯分布、Gamma分布、K分布等生成仿真SAR圖像，以此作為目標場景后向散射系數(shù)σ的近似，進而通過求解模型式（6）獲得稀疏SAR圖像^?？紤]包含9個點目標的空域稀疏場景，場景尺寸64×64，背景平均灰度值為50，目標尺寸2×2，平均灰度值為200。使用Gamma分布的相干斑噪聲模型，仿真獲得的SAR圖像及其背景統(tǒng)計分布分別如圖3（a）和圖3（b）所示。使用稀疏SAR成像方法，在隨機采集40％數(shù)據(jù)的情況下恢復得到的SAR圖像如圖3（c）所示，其背景噪聲的統(tǒng)計分布如圖3（d）所示。可以看出，稀疏SAR圖像背景大部分為零，分布退化。

圖 3 空域稀疏場景仿真SAR圖像及其背景統(tǒng)計分布Fig. 3 Simulated SAR images and statistical distributions for a space-domain sparse scene

下面以圖2中加拿大溫哥華英吉利灣場景為例，統(tǒng)計傳統(tǒng)SAR圖像與稀疏SAR圖像的背景分布情況，結果如圖4所示。可以看出，對于空域稀疏場景，稀疏微波SAR成像后的圖像背景干凈，統(tǒng)計分布退化，驗證了前面理論與仿真分析的結論。

進一步，分析頻域稀疏場景情況。成像場景如圖5（a）所示，場景尺寸64×64，背景平均灰度值為50，目標尺寸16×16，平均灰度值為200?？紤]Gamma分布的相干斑噪聲，仿真得到的SAR圖像如圖5（b）所示，背景噪聲的統(tǒng)計分布如圖5（c）所示。

針對圖5中的目標場景，仿真不同降采樣率下獲得的稀疏SAR圖像，通過求解模型式（6）實現(xiàn)，稀疏表示矩陣選用傅里葉變換矩陣。采樣率分別為80％、60％、40％和20％時的稀疏SAR圖像及其統(tǒng)計分布如圖6（a）-圖6（h）所示，當采樣率較高時，稀疏成像算法的濾波平滑效果發(fā)揮主導作用，使得背景統(tǒng)計分布退化集中；當采樣率較低時，稀疏成像算法的重構誤差變大，使得背景統(tǒng)計分布趨于發(fā)散。

4 稀疏微波SAR圖像目標特征分析

SAR圖像中的點、線、面是最基本和底層的圖像特征，下面將分析稀疏SAR圖像中這些基本特征的變化情況。

4.1強散射點位置和幅度的恢復誤差分析

仍以空域稀疏場景為例，點、線位置的恢復誤差來自于對稀疏信號支撐集的恢復誤差。對于K稀疏信號，當測量矩陣滿足一定的RIP條件時，利用OMP算法或子空間追蹤（Subspace Pursuit， SP）等算法，能通過有限步迭代準確恢復稀疏信號支撐集。相關定理如下：

定理4［40］對K稀疏信號x進行壓縮采樣y= Ax+ω，噪聲滿足若矩陣A滿足如下的RIP條件：

圖 4 實測數(shù)據(jù)稀疏SAR圖像與傳統(tǒng)SAR圖像背景統(tǒng)計分布對比Fig. 4 Comparison between statistical distributions of sparse SAR image and traditional SAR image with real-measured data

圖 5 頻域稀疏場景仿真SAR圖像及其統(tǒng)計分布Fig. 5 Simulated SAR image and statistical distribution for a frequency-domain sparse scene

圖 6 頻域稀疏場景不同采樣率下仿真稀疏SAR圖像及其統(tǒng)計分布Fig. 6 Simulated sparse SAR images and statistical distributions for a frequency-domain sparse scene with different sampling rates

且信號的最小值滿足

時，利用OMP算法通過有限步迭代能準確恢復x的支撐集。

當矩陣A存在誤差或信號x近似稀疏時，文獻［41］的研究表明若A滿足一定的RIP條件利用OMP算法仍能準確恢復x的最大K支撐集，且信號恢復均方誤差受控。

雖然理論分析表明稀疏SAR成像對強散射點位置和幅度的恢復是精確的，然而實際成像過程中矩陣A和噪聲ω很難滿足理論條件，使得圖像恢復存在誤差。下面以MSTAR數(shù)據(jù)集BMP2步兵戰(zhàn)車SAR圖像為例，分析不同降采樣率稀疏SAR成像對目標屬性散射中心提取的影響（提取方法來自于文獻［42］）。圖7為采用頻域稀疏模型在不同采樣率下恢復的稀疏SAR圖像以及對應的屬性散射中心提取結果。

部分屬性散射中心提取的具體情況見表1，其中A， x， y， L分別表示散射中心的幅度，橫坐標，縱坐標和長度。可以看出，對強散射中心位置和長度的提取比較準確，即使20％采樣率下仍能得到比較滿意的結果；由于稀疏重構算法的原因，散射中心幅度發(fā)生了變化，且某些尺寸較大的分布散射中心被重構為多個尺寸較小的分布散射中心。此外，采樣率降低會影響目標陰影的重構，這對某些情況下的目標解譯處理是不利的。

4.2SNR的變化分析

考慮隨機背景下的點目標，設點目標的幅值為x0，背景雜波的統(tǒng)計分布為f（t），相應的SNR為：

使用空域稀疏成像模型，根據(jù)式（11），稀疏SAR圖像的SNR為：

圖 7 BMP2目標SAR圖像屬性散射中心提取結果Fig. 7 Results of attributed scattering centers extraction from SAR images of BMP2 target

圖 8 稀疏SAR成像點目標SNR變化情況Fig. 8 SNR variations of sparse SAR imaging of point target

4.3實測稀疏SAR圖像邊緣與區(qū)域特征分析

利用中科院電子所研制的機載稀疏微波成像雷達獲得的鹽田SAR圖像進行邊緣和區(qū)域特性分析，比較不同采樣率下，稀疏微波成像雷達的邊緣及區(qū)域保持能力。利用傳統(tǒng)Chirp Scaling算法獲得的SAR圖像見圖9（a），相應的邊緣提取結果及人工標注的邊緣真值見圖9（b）和圖9（c）。從圖中可以看出，受相干斑噪聲影響，邊緣提取有一定誤差。進一步，在不同的采樣率下使用稀疏微波成像，并進行邊緣提取和區(qū)域分割，結果見圖10。

以圖9（c）中的手動標注真值圖像為基礎，采用Precision-Recall指標評估不同降采樣率下稀疏SAR圖像的邊緣提取性能。對于某次邊緣提取結果，通過式（17）計算對應的Precision和Recall值。

其中TP為由降采樣圖像檢測出的邊緣像素點中為真實邊緣的個數(shù)，F(xiàn)P為檢測出的邊緣像素點中非真實邊緣像素點的個數(shù)，F(xiàn)N為漏檢的邊緣像素點個數(shù)。Precision衡量了邊緣檢測的正確率情況，Recall衡量了邊緣檢測的虛警情況。改變邊緣提取算法的參數(shù)可獲得一組Precision-Recall值，當Precision-Recall曲線越靠近坐標點（1，1）時，表明由該圖像提取的邊緣漏檢和虛警都很低，邊緣保持性能越好。不同采樣率下稀疏SAR圖像的Precision-Recall曲線如圖11所示。可以看出，隨著采樣率的適當降低，邊緣檢測結果中的虛警和漏檢明顯減少，這主要是由于稀疏微波SAR圖像旁瓣和噪聲低，能夠很好地保持圖像中有強散射特性的點、線目標。但是如果采樣率過低，圖像重構誤差帶來的干擾（圖中貫穿的橫向亮線等）會占據(jù)主導地位，造成邊緣檢測的漏檢和虛警急劇上升。從不同采樣率下稀疏SAR圖像分割的結果看，分割對象塊的輪廓形狀發(fā)生了較大變化，但多個相鄰對象塊組成的大片同質性區(qū)域的外圍輪廓變化較小，進一步可分析同一區(qū)域平均灰度和紋理系數(shù)等指標的變化情況。

表 1 稀疏SAR圖像屬性散射中心提取結果Tab. 1 Results of attributed scattering centers extraction from sparse SAR images

5 稀疏微波SAR圖像目標檢測

從兩個方面研究稀疏微波SAR圖像的目標檢測問題。首先，基于仿真稀疏SAR圖像研究采樣率的降低對目標檢測性能的影響，具體使用Precision-Recall曲線評估圖像的目標檢測性能；其次，針對稀疏微波SAR圖像目標特性，基于實測SAR圖像研究海上艦船目標檢測的具體算法流程。

5.1基于仿真稀疏SAR圖像的目標檢測性能分析

針對圖5中的仿真場景和目標真值，計算圖6中不同降采樣率稀疏SAR圖像目標檢測的Precision-Recall曲線，結果如圖12所示?？梢钥闯觯S著采樣率的降低，稀疏SAR圖像的目標檢測性能變化并不是單一的。采樣率為60％和40％的稀疏SAR圖像能獲得較好的目標檢測性能，但隨著采樣率的進一步降低，噪聲對圖像重構的影響變大，圖像恢復質量變差，目標檢測性能下降。

5.2基于實測稀疏SAR圖像的海上艦船目標檢測

由于使用不同數(shù)據(jù)域稀疏表示模型獲得的稀疏SAR圖像在背景統(tǒng)計分布、圖像特性等方面表現(xiàn)不同，因此應分別設計相應的目標檢測算法流程。此處以在空域稀疏的海上艦船目標場景為例，給出相應的目標檢測流程，對于其他數(shù)據(jù)域稀疏場景的目標檢測可參照設計。

傳統(tǒng)高分SAR目標檢測一般包括圖像預處理、CFAR檢測、虛警抑制、目標鑒別后處理等步驟，過程如圖13所示。

圖像預處理的目的是將不同類型SAR圖像的灰度、分辨率、視數(shù)等歸一化到同一范圍內(nèi)，為后續(xù)處理提供統(tǒng)一標準的圖像，具體通過增強、重采樣和濾波等操作實現(xiàn)；CFAR處理是目標檢測流程的核心，具體包括背景統(tǒng)計模型的建模與估計、檢驗統(tǒng)計量的構造和計算等；虛警抑制是SAR圖像目標檢測流程的重要和獨特部分，SAR圖像相干斑噪聲嚴重，CFAR處理后虛警高，虛警抑制可結合SAR圖像空域等信息完成，或使用目標先驗信息實現(xiàn)鑒別，如結合艦船目標的長、寬、長寬比、面積、質心等先驗知識剔除形狀非常不合理的備選目標點；后處理的主要目的是利用各種輔助信息，對檢測結果進一步鑒別和確認，提高檢測結果的可靠性，如利用AIS等數(shù)據(jù)源對備選目標進一步確認等。

圖 9 CS成像SAR圖像及邊緣提取結果Fig. 9 Chirp Scaling SAR image and edge extraction results

圖 10 不同采樣率下稀疏SAR圖像邊緣提取及區(qū)域分割結果Fig. 10 Edge extraction and segmentation results of sparse SAR images with different sampling rates

圖 11 不同采樣率下邊緣提取性能對比Fig. 11 Comparison of edge extraction performance with different sampling rates

圖 12 稀疏SAR圖像目標檢測性能分析Fig. 12 Sparse SAR image target detection performance analysis

圖 13 SAR圖像目標檢測流程Fig. 13 Flow of target detection for SAR images

對于空域稀疏場景，稀疏成像結果中背景噪聲和旁瓣能量得到極大抑制，統(tǒng)計分布退化，圖像中的目標表現(xiàn)為一系列強散射點的集合，灰度層次變?nèi)酢４藭r，目標檢測的具體實現(xiàn)上與傳統(tǒng)流程有所不同，具體表現(xiàn)為CFAR和虛警抑制兩個步驟上。稀疏SAR圖像背景干凈，使用自適應閾值分割算法比傳統(tǒng)雙參數(shù)CFAR更方便有效。稀疏SAR圖像中目標表現(xiàn)為一系列強散射點的集合，虛警抑制時需將目標各強散射點關聯(lián)起來，進而實現(xiàn)目標特征參數(shù)的估計。具體的對閾值分割結果圖像進行聚類，然后對聚類結果使用橢圓、長方形等輪廓擬合，進而實現(xiàn)艦船長、寬、質心等參數(shù)的估計。

考慮最小誤差自適應閾值分割算法，設原始SAR圖像目標和背景服從高斯分布分別為均值和方差，i=0， 1分別對應于背景和目標，根據(jù)式（11）可獲得稀疏SAR圖像的背景分布。進而通過下述步驟可確定最小誤差分割的閾值，具體推導過程參見文獻［43］。

步驟2 設定分割閾值τ，估計均值、方差以及先驗概率

步驟3 計算代價函數(shù)

最佳閾值為

以圖2中加拿大溫哥華英吉利灣場景為例，傳統(tǒng)SAR圖像與不同采樣率下稀疏微波SAR圖像艦船目標檢測的結果如圖14所示（其中傳統(tǒng)SAR檢測使用課題組開發(fā)的軟件自動完成，圖像顯示時進行了對比度處理；稀疏SAR圖像沒有進行對比度處理，不能顯示灰度低的陸地區(qū)域）。從中可以看出，對于稀疏微波SAR成像體制，即使獲得10％的采樣數(shù)據(jù)仍能實現(xiàn)海上艦船目標的有效檢測。

6 小結

相比于傳統(tǒng)的雷達成像結果，在稀疏微波成像體制下，成像結果的獲取和表征均發(fā)生了變化，因而需要在現(xiàn)有理論和方法的基礎上，研究稀疏微波成像體制下的圖像理解問題。本文主要從圖像背景統(tǒng)計特性、目標特征變化以及目標檢測算法等3個方面對稀疏SAR圖像理解問題進行了初探，使用的稀疏表示模型以空域稀疏和頻域稀疏為主。根據(jù)壓縮感知理論，可構造更加復雜的稀疏表示模型，如與應用問題相結合的稀疏表示，有望實現(xiàn)成像處理與圖像解譯的一體化，此時稀疏SAR圖像的理解將會以新的方式呈現(xiàn)。

圖 14 傳統(tǒng)SAR圖像與稀疏微波SAR圖像目標檢測結果對比Fig. 14 Comparison of target detection for traditional SAR images and sparse microwave SAR images

致謝 論文中部分思想和處理結果來自于承擔的973課題“稀疏微波成像數(shù)據(jù)壓縮及特征理解（2010CB731904）”，在此向參與該課題的上海交通大學王軍鋒教授、中國科技大學劉發(fā)林教授、張榮副教授，上海交通大學呂文濤博士、柳彬博士、胡昊博士生等表示感謝。此外，感謝中科院電子所提供稀疏微波SAR圖像實測數(shù)據(jù)，感謝國防科技大學計科峰副教授提供SAR圖像屬性散射中心提取程序。

［1］Oliver C and Quegan S. Understanding Synthetic Aperture Radar Images［M］. Raleigh， NC， SciTech Publishing， 2004：1-512.

［2］Auer S J. 3D synthetic aperture radar simulation for interpreting complex urban reflection scenarios［D］. ［Ph.D. dissertation］， Technische Universit?t München， 2011： 13-15.

［3］Candes E J. Compressive sampling［C］. International Congress of Mathematics， Madrid， Spain， 2006： 1433-1452.

［4］Baraniuk R G. Compressive sensing［J］. IEEE Signal Processing Magazine， 2007， 24（4）： 118-121.

［5］Candes E J and Wakin M B. An introduction to compressive sampling［J］. IEEE Signal Processing Magazine，2008， 25（2）： 21-30.

［6］Baraniuk R G. More is less： Signal processing and the data deluge［J］. Science， 2001， 331（6018）： 717-719.

［7］Baraniuk R G and Steeghs P. Compressive radar imaging［C］. IEEE Radar Conference， Waltham，Massachusetts， 2007： 128-133.

［8］Herman M A and Strohmer T. High resolution radar via compressed sensing［J］. IEEE Transactions on Signal Processing， 2009， 57（6）： 2275-2284.

［9］Gurbuz A C， McClellan J H， and Scott W R Jr. GPR imaging using compressed measurements［C］. International Geoscience and Remote Sensing Symposium （IGARSS），Boston， MA， USA， 2008， 2： II-13 - II-16.

［10］Suksmono A B， Bharata E， Lestari A A， et al.. Compressive stepped-frequency continuous-wave ground penetrating radar［J］. IEEE Geoscience and Remote Sensing Letters，2010， 7（4）： 665-669.

［11］YANG J， Thompson J， HUANG X， et al.. Randomfrequency SAR imaging based on compressed sensing［J］. IEEE Transactions on Geoscience and Remote Sensing，2013， 51（2）： 983-994.

［12］Tello M， Lopez-Dekker P， and Mallorqui J J. A novel strategy for radar imaging based on compressive sensing［J］. IEEE Transactions on Geoscience and Remote Sensing，2010， 48（12）： 4285-4295.

［13］Patel V M， Easley G R， Healy D M， et al.. Compressed synthetic aperture radar［J］. IEEE Journal of Selected Topics in Signal Processing， 2010， 4（2）： 244-254.

［14］Nguyen L H， Tran T， and Thong D. Sparse models and sparse recovery for ultra-wideband SAR applications［J］. IEEE Transactions on Aerospace and Electronic Systems，2014， 50（2）： 940-958.

［15］Batu O and Certin M. Parameter selection in sparsitydriven SAR imaging［J］. IEEE Transactions on Aerospace and Electronic Systems， 2011， 47（4）： 3040-3050.

［16］Onhon N O and Certin M. A sparsity-driven approach for joint SAR imaging and phase error correction［J］. IEEE Transactions on Imaging Processing， 2012， 21（4）：2075-2088.

［17］Stojanovic I， Certin M， and Karl W C. Compressed sensing of monostatic and multistatic SAR［J］. IEEE Geoscience and Remote Sensing Letters， 2013， 10（6）： 1444-1448.

［18］FANG J， XU Z， ZHANG B， et al.. Fast compressed sensing SAR imaging based on approximated observation［J］. IEEE Journal of Selected Topics in Applied Earth Observation and Remote Sensing， 2014， 7（1）： 352-363.

［19］Potter L C， Ertin E， Parker J T， et al.. Sparsity and compressed sensing in radar imaging［J］. Proceedings of the IEEE， 2010， 98（6）： 1006-1020.

［20］Certin M， Stojanovic I， Onhon N O， et al.. Sparsity-driven synthetic aperture radar imaging： reconstruction，autofocusing， moving targets， and compressed sensing［J］. IEEE Signal Processing Magazine， 2014， 31（4）： 27-40.

［21］JIANG Q， WANG S， Ziou D， et al.. Ship detection in RADARSAT SAR imagery［C］. IEEE International Conference on Systems， Man and Cybernetics， San Diego，California， USA， 1998， 5： 4562-4566.

［22］Tison C， Nicolas J-M， Tupin F， et al.. A new statistical model for Markovian classification of urban areas in highresolution SAR images［J］. IEEE Transactions on Geoscience and Remote Sensing， 2003， 42（10）： 2046-2057.

［23］LI H， HONG W， WU Y， et al.. On the empirical-statistical modeling of SAR images with generalized Gamma distribution［J］. IEEE Journal of Selected Topics in Signal Processing， 2011， 5（3）： 386-397.

［24］Henschel M D， Rey M T， Campbell J W M， et al.. Comparison of probability statistics for automated ship detection in SAR imagery［C］. International Conference on Applications of Photonic Technology， Ottawa， Canada，1998， 3491： 986-991.

［25］Wackerman C C， Friedman K S， Pichel W G， et al.. Automatic detection of ships in RADARSAT-I SAR imagery［J］. Canadian Journal of Remote Sensing， 2001，27（5）： 568-577.

［26］WANG C， LIAO M， and LI X. Ship detection in SAR image based on the Alpha-stable distribution［J］. Sensors，2008， 8（8）： 4948-4960.

［27］Frery A C， Correia A H， and Freitas C D. Classifying multifrequency fully polarimetric imagery with multiple sources of statistical evidence and contextual information［J］. IEEE Transactions on Geoscience and Remote Sensing，2007， 45（10）： 3098-3109.

［28］GAO G， LIU L， ZHAO L， et al.. An adaptive and fast CFAR algorithm based on automatic censoring for target detection in high-resolution SAR image［J］. IEEE Transactions on Geoscience and Remote Sensing， 2009，47（6）： 1685-1697.

［29］Yeremy M L， Geling G， Rey M， et al.. Results from the Crusade ship detection trial： polarimetric SAR［C］. International Geoscience and Remote Sensing Symposium（IGARSS）， Toronto， Ontario， Canada， 2002， 2： 711-713.

［30］丘昌鎮(zhèn). 高分辨率SAR圖像目標分類特征提取與分析［D］. ［碩士論文］，國防科技大學， 2009： 2-4. QIU C. Feature extraction and analysis of high-resolution SAR images for target classification［D］. ［Master dissertation］， National University of Defense Technology of China， 2009： 2-4.

［31］賀志國， 陸軍， 匡綱要. SAR圖像特征提取與選擇研究［J］. 信號處理， 2008， 24（5）： 813-823. HE Z， LU J， and KUANG G. A survey on feature extraction and selection of SAR images［J］. Signal Processing， 2008， 24（5）： 813-823.

［32］計科峰. SAR圖像目標特征提取與分類方法研究［D］. ［博士論文］，國防科技大學， 2003： 35-56. JI K Targets feature extraction and classification methods for SAR images［D］. ［Ph.D. dissertation］， National University of Defense Technology of China， 2003： 35-56.

［33］?ertin M. Feature-enhanced synthetic aperture radar imaging［D］. ［Ph.D. dissertation］， Boston University， 2001：38-206.

［34］Certin M， Karl W C， and Castanon D A. Feature enhancement and ATR performance using nonquadratic optimization-based SAR imaging［J］. IEEE Transactions on Aerospace and Electronic Systems， 2003， 39（4）： 1375-1395.

［35］Samadi S， Certin M， and Masnadi-Shirazi M A. Multiple feature-enhanced SAR imaging using sparsity in combined dictionaries［J］. IEEE Geoscience and Remote Sensing Letters， 2013， 10（4）： 821-825.

［36］ZHANG B， HONG W， and WU Y. Sparse microwave imaging： principles and applications［J］. SCIENCE CHINA Information Sciences， 2012， 55（8）： 1722-1754.

［37］Tropp J A and Wright S J. Computational methods for sparse solution of linear inverse problems［J］. Proceedings of the IEEE， 2010， 98（6）： 948-958.

［38］Donoho D L， Johnstone I M， Koch J C， et al.. Maximum entropy and the nearly black object［J］. Journal of the RoyalStatistical Society， Series B， 1992， 54（1）： 41-81.

［39］Bouman C and Sauer K. A generalized Gaussian image model for edge-preserving MAP estimation［J］. IEEE Transactions on Image Processing， 1993， 2（3）： 296-310.

［40］CHANG L and WU J. An improved RIP-based performance guarantee for sparse signal recovery via orthogonal matching pursuit［J］. IEEE Transactions on Information Theory， 2014， 60（9）： 5702-5715.

［41］DING J， CHEN L， and GU Y. Perturbation analysis of orthogonal matching pursuit［J］. IEEE Transactions on Signal Processing， 2013， 61（2）： 398-410.

［42］張愛冰. 高分辨率SAR圖像復雜目標屬性散射中心特征提?。跠］. ［碩士論文］，國防科技大學， 2009： 9-48. ZHANG A. Attributed scattering center feature extraction of complex target from high resolution SAR imagery［D］.［Master dissertation］， National University of Defense Technology， 2009： 9-48.

［43］Cho S， Haralick R， and Yi S. Improvement of Kittler and Illingworths's minimum error thresholding［J］. Pattern Recognition， 1989， 22（5）： 609-617.

張增輝（1980-），男，山東金鄉(xiāng)人，博士，副研究員，分別于2001年、2003年和2008年獲國防科技大學應用數(shù)學、計算數(shù)學和信息與通信工程專業(yè)學士、碩士和博士學位。2008年6月，任國防科大理學院數(shù)學與系統(tǒng)科學系講師；2014年2月，任上海交通大學電子信息與電氣工程學院副研究員。主要從事新體制雷達系統(tǒng)、雷達信號處理、壓縮感知理論等方面的研究。

E-mail： zenghui.zhang@sjtu.edu.cn

郁文賢（1964-），男，上海松江人，博士，教授，博士生導師，上海交通大學講席教授。中國第2代衛(wèi)星導航系統(tǒng)重大專項測試評估與試驗驗證專家組專家，高分辨率對地觀測系統(tǒng)重大專項專家委員會地面系統(tǒng)組專家，“十二五”總裝備部衛(wèi)星應用技術專業(yè)組顧問，總裝備部上海市“北斗導航與位置服務”共建重點實驗室主任，上海交通大學學術委員會委員，雷達信號處理國防科技重點實驗室學術委員會委員，“十一 五”國家 863 計劃信息獲取與處理技術主題第一、第二屆專家組組長，“十一五”總裝備部雷達探測技術專業(yè)組專家，主要研究方向為先進探測技術和多維信號與信息處理，研究內(nèi)容包括新型成像系統(tǒng)、微波圖像處理和解譯、信息融合、目標識別等。

E-mail： wxyu@sjtu.edu.cn

Feature Understanding and Target Detection for Sparse Microwave Synthetic Aperture Radar Images

Zhang Zenghui Yu Wenxian
（Shanghai Key Laboratory of Intelligent Sensing and Recognition， School of Electronic， Information and Electrical Engineering， Shanghai Jiao Tong University， Shanghai 200240， China）

Sparse microwave imaging using sparse priors of observed scenes in space， time， frequency， or polarization domain and echo data with sampling rate smaller than the traditional Nyquist rate as well as optimization algorithms for reconstructing the microwave images of observed scenes has many advantages over traditional microwave imaging systems. In sparse microwave imaging， image acquisition and representation vary； therefore， new feature analysis and cognitive interpretation theories and methods should be developed based on current research results. In this study， we analyze the statistical properties of sparse Synthetic Aperture Radar （SAR） images and changes in point， line and regional features induced by sparse reconstruction. For SAR images recovered by the spatial sparse model， the statistical distribution degrades，whereas points and lines can be accurately extracted by low sampling rates. Furthermore， the target detection method based on sparse SAR images is studied. Owing to a weak background noise， target detection is easier using sparse SAR images than traditional ones.

Sparse representation； Synthetic Aperture Radar （SAR）； Compressive Sensing （CS）； Feature extraction； Target detection

s： The National Natural Science Foundation of China （61331015）， The National Basic Research Program of China （2010CB731904）

TP75； TN958

A

2095-283X（2016）01-0042-15

10.12000/JR15097

2015-08-15；改回日期：2015-10-19；網(wǎng)絡出版：2015-11-30

郁文賢 wxyu@sjtu.edu.cn

國家自然科學基金（61331015）， 973課題（2010CB731904）