來 全，張繼權(quán)，席宇陽，郎海濤

(1.內(nèi)蒙古師范大學(xué)地理科學(xué)學(xué)院，內(nèi)蒙古 呼和浩特 010022； 2.東北師范大學(xué)環(huán)境學(xué)院，吉林 長春 130117； 3.北京化工大學(xué)理學(xué)院，北京 100029)

基于三聚類中心K-means算法的SAR船只檢測方法

來 全1，2，張繼權(quán)2，席宇陽3，郎海濤3

(1.內(nèi)蒙古師范大學(xué)地理科學(xué)學(xué)院，內(nèi)蒙古 呼和浩特 010022； 2.東北師范大學(xué)環(huán)境學(xué)院，吉林 長春 130117； 3.北京化工大學(xué)理學(xué)院，北京 100029)

為解決高分辨合成孔徑雷達(SAR)圖像中基于海雜波模型的CFAR船只檢測方法適用性受限的問題，提出了一種基于三聚類中心的K-means船只檢測方法.該方法將SAR圖像劃分為船只目標(biāo)、海雜波及其他干擾3個聚類，利用K-means聚類算法求得最高聚類中心值，并將其作為檢測閾值進行船只初步檢測，然后結(jié)合分辨率和船只尺度等先驗信息進行形態(tài)學(xué)濾波操作得到最終檢測結(jié)果.基于實測數(shù)據(jù)的實驗結(jié)果表明，所提方法無須海雜波的統(tǒng)計信息，且不依賴于SAR圖像的分辨率，可有效地服務(wù)于高分辨率SAR圖像中的船只檢測任務(wù).

合成孔徑雷達；船只檢測；K-means聚類算法

0 引言

船只目標(biāo)監(jiān)視監(jiān)測是各沿海國家海洋國土管理的基本任務(wù).利用遙感技術(shù)的優(yōu)勢，快速、準(zhǔn)確、大范圍地檢測船只，對保障海上交通安全，打擊非法走私和移民，管理漁業(yè)和保護海洋環(huán)境，以及保衛(wèi)領(lǐng)海、發(fā)展國防事業(yè)等軍民領(lǐng)域均有著重要的意義.[1]目前，基于遙感技術(shù)的船只檢測主要有兩大類：一類是基于可見光遙感圖像的船只檢測；另一類是基于SAR圖像的船只檢測.[2]一般情況下，可見光圖像易受天氣和光照影響，不能為海洋監(jiān)視監(jiān)測提供全天時、全天候的監(jiān)控數(shù)據(jù).而合成孔徑雷達(Synthetic Aperture Radar，SAR)作為一種主動式微波成像雷達，不依賴外部光照條件，其發(fā)射的電磁信號能夠穿透云霧，可以全天時、全天候地工作，為海洋監(jiān)控提供不間斷的SAR數(shù)據(jù).因此，相比于光學(xué)遙感圖像，基于SAR圖像的船只目標(biāo)檢測受到了更多的重視與研究.

在經(jīng)歷大約20年的發(fā)展中，已經(jīng)有很多基于SAR數(shù)據(jù)的船只檢測方法被提出，主要包括基于海雜波模型的恒虛警率(CFAR)方法[3-5]、基于極化分析的方法[6-9]、基于特征分類的方法[10-12]以及基于變換的方法[13-14]等.其中，基于海雜波分布模型的CFAR檢測方法是最成熟的，已被應(yīng)用于很多實際的船只檢測系統(tǒng)中[15].早期的海雜波統(tǒng)計模型主要基于SAR成像的相干斑模型以及由其發(fā)展的乘積模型[16-17]，常用的有K分布[18]、G0分布[19]等模型.除了上述模型外，還有基于真實SAR數(shù)據(jù)的經(jīng)驗?zāi)Ｐ?，常用的有對?shù)正態(tài)分布[20]、韋布爾分布[21]等模型.隨著SAR圖像分辨率的提高，上述經(jīng)典模型所遵循的中心極限定理以及獨立同分布假設(shè)不再適用.針對這一問題，新的模型被提出，典型的有α-穩(wěn)態(tài)分布、[22]廣義伽馬分布[23]等.但是這些模型參數(shù)計算復(fù)雜，有些甚至沒有解析解，因此還未得到廣泛的應(yīng)用.為了解決高分辨率SAR船只檢測中遇到的問題，研究者們提出了不依賴于SAR圖像分辨率的檢測方法，如基于小波變換[24-25]和基于聚類[26]的檢測方法.

在聚類算法[27]中，K-means算法具有算法簡潔、執(zhí)行速度快的優(yōu)點.在基于三聚類中心的Fuzzy C-Means(FCM)船只檢測方法的啟發(fā)下，本文提出了基于三聚類中心的K-means船只檢測方法.為了驗證基于三聚類中心的K-means方法的有效性，利用Radarsat-2高分SAR實測數(shù)據(jù)，將所提方法與基于三聚類中心的K-medios和FCM聚類算法[28-29]的船只檢測性能進行了實驗比較，結(jié)果表明，本文提出的基于三聚類中心的K-means船只檢測方法在控制虛警和漏檢方面均優(yōu)于另外2種方法.另外，本文對三聚類中心和二聚類中心進行了實驗比較，說明了選擇三聚類中心的合理性.

1 研究方法和評價方法

1.1 基于K-means聚類算法的船只檢測方法

1.1.1 K-means算法

K-means算法是最經(jīng)典的基于劃分的聚類算法.算法的基本思想：以空間中K個點為中心進行聚類，對最靠近他們的對象歸類.通過迭代的方法，逐次更新各聚類中心的值，直至得到最好的聚類結(jié)果.假設(shè)要把樣本集分為K個類別，算法步驟如下：

第1步 選擇K個類的初始中心；

第2步 在第t次迭代中，對任意一個樣本，求其到各中心的距離，將該樣本歸到距離最短的中心所在的類；

第3步 利用均值方法更新該類的中心值；

第4步 對于所有的K個聚類中心，如果利用第2，3步的迭代法更新后，值保持不變，則迭代結(jié)束，否則繼續(xù)迭代.

K-means算法的最大優(yōu)勢在于簡潔和快速，算法關(guān)鍵在于初始聚類中心和距離公式的選擇.通常初始聚類中心會隨機選取，常用的距離公式為：

歐式距離

d(x,c)=(x-c)(x-c)T；

(1)

Cosine距離

(2)

式中x和c分別表示樣本與聚類中心，上角標(biāo)T表示向量轉(zhuǎn)置.

1.1.2 檢測方法

基于K-means聚類算法，本文提出了基于三聚類中心的K-means船只檢測算法，即取K=3.所提算法具體流程如下：

第1步 輸入SAR圖像，對SAR圖像按式(3)進行歸一化處理，將圖像像素值歸一化到[0，1]，有

(3)

其中：f表示原始SAR圖像的像素值，min(·)和max(·)分別表示取SAR圖像中像素值最小者和最大者，f′表示歸一化后的像素值.

第2步 設(shè)置K=3，選擇歐式距離為距離度量，利用K-means聚類算法對SAR數(shù)據(jù)進行聚類運算.

第3步 根據(jù)聚類中心確定檢測閾值，采用值最大的聚類中心作為船只目標(biāo)的檢測閾值.

第4步 根據(jù)檢測閾值對SAR圖像進行初步檢測.

第5步 結(jié)合SAR圖像分辨率、船只尺度等先驗信息，利用形態(tài)學(xué)濾波方法對初檢結(jié)果進行鑒別，得到最終檢測結(jié)果.

1.2 評價方法

為了客觀評價算法檢測效果，各測試圖像都借助NEST工具進行了幾何校正、輻射校正、陸地掩膜等預(yù)處理，對初步檢測結(jié)果也做了相同參數(shù)的形態(tài)學(xué)處理.圖像中船只位置來自于實驗時同步獲取的船只自動識別系統(tǒng)(Automatic Identification System，簡稱AIS)信息和專家解譯結(jié)果.算法性能根據(jù)正確檢測目標(biāo)數(shù)、漏檢目標(biāo)數(shù)、虛警目標(biāo)數(shù)進行評價，參考品質(zhì)因數(shù)FoM[30]指標(biāo)參數(shù)定義為

(4)

其中：Ntt為檢測結(jié)果中正確的檢測目標(biāo)數(shù)，Nfa為虛警目標(biāo)數(shù)，Ngt為實際的目標(biāo)數(shù).

2 船只檢測實驗

2.1 測試數(shù)據(jù)及AIS匹配數(shù)據(jù)

本文采用三景Radarsat-2數(shù)據(jù)對檢測方法行了測試.數(shù)據(jù)來自于2012年4月—11月進行的3次星載SAR船只探測實驗，每次實驗都有同步的AIS匹配數(shù)據(jù)用于驗證算法檢測性能.具體的數(shù)據(jù)信息及原始SAR圖像如表1和圖1所示.

表1 Radarsat-2測試數(shù)據(jù)信息

圖1測試數(shù)據(jù)與對應(yīng)的AIS數(shù)據(jù)

2.2 檢測結(jié)果與分析

為了說明基于三聚類中心的K-means檢測方法的性能，本文基于實測數(shù)據(jù)與基于三聚類中心的K-medios和FCM聚類算法的船只檢測性能進行了比較，其中，三聚類中心K-medios、FCM方法采用與三聚類中心K-means方法相同的實現(xiàn)流程，相同的實驗硬件設(shè)施和形態(tài)學(xué)濾波參數(shù).為了說明三聚類中心的合理性，本文比較了K=3和K=2的船只檢測結(jié)果，其中K=3表示將SAR分為船只目標(biāo)類、海雜波類和其他干擾類；K=2表示將SAR數(shù)據(jù)分為船只目標(biāo)類和背景類.

2.2.1 三聚類中心檢測結(jié)果

采用三組AIS及SAR實測數(shù)據(jù)，利用基于三聚類中心的K-means、三聚類中心的K-medios和FCM聚類方法進行檢測.基于三組數(shù)據(jù)的3種方法的測試結(jié)果如圖2所示，統(tǒng)計結(jié)果如表2所示.圖2中淺色橢圓表示正確檢測的目標(biāo)，深色橢圓表示漏檢，三角表示虛警.

圖2 3組測試數(shù)據(jù)的3種檢測方法的檢測結(jié)果(K=3)

參量K?meansN1N2N3K?medoidsN1N2N3FCMN1N2N3Ngt272023272023272023Ntt272023232023272023Nfa000000100FoM1．0001．0001．0000．8521．0001．0000．9641．0001．000均值1．0000．9510．988

從實驗結(jié)果可以看出，基于三聚類中心的K-means檢測方法在控制虛警和漏檢方面都有優(yōu)異的表現(xiàn)，而K-medoids算法在N1測試數(shù)據(jù)上出現(xiàn)了4個漏檢，F(xiàn)CM在N1數(shù)據(jù)上出現(xiàn)了1個虛警.

2.2.2 二聚類中心檢測結(jié)果

當(dāng)采用二聚類中心，即K=2時，3種算法對三組數(shù)據(jù)的測試結(jié)果如圖3所示，統(tǒng)計結(jié)果如表3所示.從圖3和表3中可以看出，當(dāng)采用二聚類中心的聚類算法時，K-medoids的檢測性能最好，主要得益于K-medoids算法對虛警控制得非常好，而K-means和FCM算法都不同程度地出現(xiàn)了虛警現(xiàn)象.盡管K-medoids算法的平均性能最佳，但是需要注意的是該算法出現(xiàn)了較為明顯的漏檢.

圖3 3個測試數(shù)據(jù)的3種方法的檢測結(jié)果(K=2)

參量K?meansN1N2N3K?medoidsN1N2N3FCMN1N2N3Ngt272023272023272023Ntt272023242023272023Nfa321000310FoM0．9000．9090．9580．8891．0001．0000．9000．9521．000均值0．9220．9630．951

2.2.3 結(jié)果分析

比較K=3和K=2的檢測結(jié)果可以發(fā)現(xiàn)：在控制虛警方面，基于二聚類中心的K-means方法不及基于三聚類中心的K-means方法；而基于三聚類中心的K-medios方法在檢測率上不及基于二聚類中心的K-medios方法；盡管基于三聚類中心的FCM方法在控制虛警和漏檢方面都比基于二聚類中心的FCM方法優(yōu)秀，但三聚類中心FCM方法仍然有1個虛警出現(xiàn).綜上所述，本文提出的基于三聚類中心的K-means方法具有最好的檢測的性能.以第一組測試數(shù)據(jù)(N1)為例，進一步分析上述檢測結(jié)果的原因(見圖4).由圖4可以看出K-medoids算法得到的檢測閾值明顯高于K-means和FCM 2種算法，因此能夠很好地控制虛警，但同時也導(dǎo)致了漏檢.當(dāng)采用2個聚類中心的算法時，K-medoids算法的虛警和漏檢平衡得較好，因此得到很好的檢測結(jié)果.當(dāng)采用3個聚類中心的算法時，由于檢測閾值進一步提高，導(dǎo)致了漏檢率的增高，從而造成了檢測性能的下降.而K-means和FCM 2種算法隨著檢測閾值的提高，進一步地控制了虛警，因此總的檢測性能也得到提高.

圖4 測試數(shù)據(jù)N1的直方圖統(tǒng)計及各算法檢測閾值

3 結(jié)論

本文提出了基于三聚類中心的K-means船只檢測方法，并且利用三景Radarsat-2高分辨率SAR數(shù)據(jù)，將所提方法與基于三聚類中心的K-medoids和FCM方法進行了實驗比較；為了進一步說明選擇三聚類中心的合理性，對三聚類中心和二聚類中心進行了比較實驗.結(jié)果表明：

(1) 聚類算法非常適合高分辨率SAR圖像的船只檢測；

(2) 基于三聚類中心的K-means船只檢測方法在控制虛警和漏檢方面的表現(xiàn)要優(yōu)于另外兩種；

(3) 采用三個聚類中心的算法檢測性能優(yōu)于采用二個聚類中心的算法，說明選擇三聚類中心是合理的.

[1] 田明輝，萬壽紅，岳麗華.遙感圖像中復(fù)雜海面背景下的海上艦船檢測[J].小型微型計算機系統(tǒng)，2008，29(11)：2162-2166.

[2] 唐沐恩，林挺強，文貢堅.遙感圖像中艦船檢測方法綜述[J].計算機應(yīng)用研究，2011，28(1)：29-36.

[3] 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.

[4] ZHAO Z，JI K，XING X，et al.Adaptive CFAR detection of ship targets in high resolution SAR imagery[C]//Eighth International Symposium on Multispectral Image Processing and Pattern Recognition，San Francisco：International Society for Optics and Photonics，2013：89170L-89170L-8.

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

[6] 韓昭穎，種勁松.極化合成孔徑雷達圖像船舶目標(biāo)檢測算法[J].測試技術(shù)學(xué)報，2006，20(1)：65-70.

[7] YANG J，ZHANG H，YAMAGUCHI Y.GOPCE-Based approach to ship detection[J].IEEE Geoscience & Remote Sensing Letters，2012，9(6)：1089-1093.

[8] WANG N，SHI G，LIU L，et al.Polarimetric SAR target detection using the reflection symmetry[J].IEEE Geoscience & Remote Sensing Letters，2012，9(6)：1104-1108.

[9] VELOTTO D，NUNZIATA F，MIGLIACCIO M，et al.Dual-polarimetric TerraSAR-X SAR data for target at sea observation[J].IEEE Geoscience & Remote Sensing Letters，2013，10(5)：1114-1118.

[10] XING X，JI K，ZOU H，et al.Feature selection and weighted SVM classifier-based ship detection in PolSAR imagery[J].International Journal for Remote Sensing，2013，34(22)：7925-7944.

[11] SAUR G.SAR signature analysis for TerraSAR-X-based ship monitoring[C]// Remote Sensing，Washington：International Society for Optics and Photonics，2010：78301O-78301O-8.

[12] WANG C，JIANG S，ZHANG H，et al.Ship detection for high-resolution SAR images based on feature analysis[J].IEEE Geoscience & Remote Sensing Letters，2013，11(1)：119-123.

[13] PAES R L，PAGAMISSE A.Wavelets and decision trees for target detection over sea surface using Cosmo-Skymed SAR data[M]// Convergence and Hybrid Information Technology，Heidelberg：Springer Berlin Heidelberg，2011：582-589.

[14] XING X，JI K，ZOU H，et al.An enhancing normalized radon transform method for ship wake detection in SAR imagery[C]// European Conference on Synthetic Aperture Radar，Berlin：VDE，2012：559-562.

[15] CRISP D J.The state-of-the-art in ship detection in Synthetic Aperture Radar imagery[J].Organic Letters，2004，35(42)：2165-2168.

[16] OLIVER C，QUEGAN S.Understanding synthetic aperture radar images[M].Boston：Sci Tech Publishing，2004：450-462.

[17] WARD K D.Compound representation of high resolution sea clutter[J].Electronics Letters，1981，17(16)：561-563.

[18] JAKEMAN E，PUSEY P N.A model for non-Rayleigh sea echo[J].Antennas & Propagation IEEE Transactions on，1976，24(6)：806-814.

[19] FRERY A C，MULLER H J，YANASSE C C F，et al.A model for extremely heterogeneous clutter[J].IEEE Transactions on Geoscience & Remote Sensing，1997，35(3)：648-659.

[20] SZAJNOWSKI W J.Estimators of log-normal distribution parameters[J].IEEE Transactions on Aerospace & Electronic Systems，1977，13(5)：533-536.

[21] TSAGARIS V，VOZIKIS G，ANASTASSOPOULOS V.Ship detection modules based on ASAR and TerasSAR data for Greek areas of interest[C]// International Conference on Space Technology，Vancouver：IEEE，2011：1-4.

[22] XING X，JI K，ZOU H，et al.High resolution SAR imagery ship detection based on EXS-C-CFAR in Alpha-stable clutters[C]// Geoscience and Remote Sensing Symposium，Vancouver：IEEE，2011：316-319.

[23] 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 & Remote Sensing Letters，2013，10(4)：806-810.

[24] TELLO M，LOPEZ-MARTINEZ C，MALLORQUI J J.A novel algorithm for ship detection in SAR imagery based on the wavelet transform[J].IEEE Geoscience & Remote Sensing Letters，2005，2(2)：201-205.

[26] LANG H，MENG J.Hierarchical ship detection and recognition with high-resolution polarimetric synthetic aperture radar imagery[J].Journal of Applied Remote Sensing，2014，8(1)：083623.

[27] HARTIGAN J A，WONG M A.AK-means clustering algorithm[J].Applied Statistics，1979，28(1)：100-108.

[28] DODGE Y.Statistical data analysis based on the $Lsb 1$-norm and related methods.[J].Computational Statistics & Data Analysis，2002，6(4)：157-159.

[29] BEZDEK J C.Pattern recognition with fuzzy objective function algorithms[J].Advanced Applications in Pattern Recognition，1981，22(1171)：203-239.

[30] 魯統(tǒng)臻，張杰，紀(jì)永剛，等.基于G0分布的高海況SAR船只目標(biāo)檢測方法[J].海洋科學(xué)進展，2011，29(2)：186-195.

(責(zé)任編輯：石紹慶)

AshipdetectionmethodforSARimagerybasedonthree-centroidK-meansclusteringalgorithm

LAI Quan1，2，ZHANG Ji-quan2，XI Yu-yang3，LANG Hai-tao3

(1.College of Geographical Sciences，Inner Mongolia Normal University，Hohhot 010022，China； 2.School of Environment，Northeast Normal University，Changchun 130117，China； 3.School of Science，Beijing University of Chemical，Beijing 100029，China)

Based on the three-centroidK-means clustering algorithm，this paper proposed a feasible ship detection method for the high resolution SAR imagery.The method proposed has nothing to do with the resolution of SAR imagery，and it needs no prior knowledge about the sea clutter.With theK-means algorithm，the method in this paper firstly divides the SAR data into three clusters，i.e.ship targets，sea clutter and other disturbance，then executes clustering operation to get the centroid of the three clusters，and set the maximum be the detection threshold to get the candidates，after then，a mathematic morphological filter is involved to obtain the final detection results.The experiment results based on 3-scene real RADARSAT-2 data show that the proposed method could be a valuable one for ship detection in high resolution SAR imagery.

SAR；ship detection；K-means clustering algorithm

1000-1832(2017)03-0061-07

10.16163/j.cnki.22-1123/n.2017.03.014

2016-09-28

國家高技術(shù)研究發(fā)展“863”計劃項目(2013AA122803)；海洋公益性行業(yè)科研專項經(jīng)費項目(201505002-1)；國家海洋局海洋遙測工程技術(shù)研究中心創(chuàng)新青年基金資助項目(2012009).

來全(1979—)，男，副教授，博士研究生，主要從事環(huán)境遙感和GIS應(yīng)用研究；通信作者：郎海濤(1978— )，男，副教授，主要從事機器視覺與模式識別研究.

TP391，TP722.6 [學(xué)科代碼] 520·10

A