馬 琳 潘宗序* 黃鐘泠 韓 冰 胡玉新 周 曉 雷 斌

①(中國(guó)科學(xué)院空天信息創(chuàng)新研究院 北京 100190)

②(中國(guó)科學(xué)院空間信息處理與應(yīng)用系統(tǒng)技術(shù)重點(diǎn)實(shí)驗(yàn)室 北京 100190)

③(中國(guó)科學(xué)院大學(xué) 北京 100049)

1 引言

合成孔徑雷達(dá)(Synthetic Aperture Radar,SAR)是一種主動(dòng)的微波傳感器，具備全天時(shí)全天候的探測(cè)能力和高分辨率成像能力，是實(shí)現(xiàn)海洋監(jiān)測(cè)的重要手段之一，在軍事和民用領(lǐng)域具有重要的意義[1]。特別是星載SAR系統(tǒng)，同時(shí)滿足了高分辨率和寬測(cè)繪帶的需求，能夠以較長(zhǎng)工作時(shí)間運(yùn)行，在船舶識(shí)別檢測(cè)中被廣泛應(yīng)用。

高分三號(hào)(GF-3)衛(wèi)星是我國(guó)發(fā)射的第1顆C波段高分辨率衛(wèi)星，是目前世界上成像模式最多的SAR衛(wèi)星，具有12種成像模式。GF-3超精細(xì)條帶(UltraFine Strip-map,UFS)模式與常規(guī)的條帶模式不同，采用一發(fā)雙收，即在方位向上有兩個(gè)接收天線分別接收雷達(dá)回波，在該模式下的圖像中存在多通道引起的虛假目標(biāo)。與傳統(tǒng)單通道SAR系統(tǒng)方位向欠采樣引起的方位模糊不同，該類虛假目標(biāo)產(chǎn)生的原因主要有兩個(gè)方面[2—4]：(1)方位向信號(hào)的非均勻采樣。衛(wèi)星姿態(tài)誤差導(dǎo)致各子孔徑相位中心相對(duì)位置發(fā)生變化，由此產(chǎn)生的多通道方位向非均勻采樣信號(hào)不加處理直接進(jìn)行脈沖壓縮將會(huì)導(dǎo)致成對(duì)虛假目標(biāo)的出現(xiàn)[2]。(2)通道間幅相不平衡[3,4]。在實(shí)際星載系統(tǒng)中，受工作環(huán)境輻射、通道間元器件性能不一致、通道開(kāi)機(jī)時(shí)間存在誤差等影響，通道間存在幅相不平衡，導(dǎo)致虛假目標(biāo)的出現(xiàn)。

圖1給出了GF-UFS圖像中多通道虛假目標(biāo)的示意圖，如圖1所示多通道引起的虛假目標(biāo)在方位向上成對(duì)出現(xiàn)，并沿真實(shí)目標(biāo)對(duì)稱分布，且與對(duì)應(yīng)真實(shí)目標(biāo)相比在強(qiáng)度上有一定的衰減。2017年P(guān)an等人[5]根據(jù)雷達(dá)系統(tǒng)參數(shù)計(jì)算真實(shí)目標(biāo)與多通道虛假目標(biāo)之間的相對(duì)位置[6]來(lái)去除虛假目標(biāo)，但這種方法不能鑒別真實(shí)目標(biāo)和其他目標(biāo)附近的虛假目標(biāo)位置的情況。

SAR多通道虛假目標(biāo)的存在給SAR船舶檢測(cè)帶來(lái)了巨大的挑戰(zhàn)。這些虛假目標(biāo)相對(duì)于海面的亮度很高，在海面這樣的低散射區(qū)域出現(xiàn)時(shí)會(huì)被誤檢，造成虛警。雖然多通道虛假目標(biāo)與對(duì)應(yīng)真實(shí)目標(biāo)相比在亮度上存在一定的衰減，但與其他非對(duì)應(yīng)的真實(shí)目標(biāo)之間沒(méi)有明確的亮暗關(guān)系，因此無(wú)法根據(jù)絕對(duì)的亮度去鑒別。更為嚴(yán)峻的是，在SAR成像過(guò)程中，船舶的運(yùn)動(dòng)造成了多普勒參數(shù)的改變，進(jìn)而造成方位向上匹配濾波的失配，因此船舶目標(biāo)在SAR圖像中會(huì)產(chǎn)生不同程度的散焦現(xiàn)象[7,8]。在全孔徑圖像中很難將多通道引起的虛假目標(biāo)與真實(shí)的散焦目標(biāo)進(jìn)行區(qū)分，這一問(wèn)題目前尚未得到解決。

針對(duì)上述問(wèn)題，本文提出一種基于子孔徑與全孔徑特征學(xué)習(xí)的SAR船舶目標(biāo)鑒別算法，在利用深度卷積神經(jīng)網(wǎng)絡(luò)提取全孔徑特征的同時(shí)，將復(fù)數(shù)SAR圖像進(jìn)行子孔徑分解并利用棧式卷積自編碼網(wǎng)絡(luò)提取子孔徑特征，通過(guò)子孔徑特征所蘊(yùn)含的鑒別信息實(shí)現(xiàn)真實(shí)目標(biāo)和多通道虛假目標(biāo)的區(qū)分，本文的創(chuàng)新點(diǎn)主要體現(xiàn)在：

(1) 通過(guò)子孔徑分解分析真實(shí)目標(biāo)和多通道虛假目標(biāo)在子孔徑圖像之間的差異；

(2) 提出一種利用棧式卷積自編碼網(wǎng)絡(luò)學(xué)習(xí)子孔徑特征的方法；

(3) 利用GF-3數(shù)據(jù)驗(yàn)證所提方法在區(qū)分多通道虛假目標(biāo)和真實(shí)目標(biāo)，特別是散焦船舶目標(biāo)上的有效性。

本文余下章節(jié)安排如下，第2節(jié)介紹相關(guān)工作；第3節(jié)詳細(xì)介紹本文提出的SAR目標(biāo)鑒別方法；第4節(jié)結(jié)合GF-3超精細(xì)條帶實(shí)驗(yàn)數(shù)據(jù)和部分仿真的散焦數(shù)據(jù)對(duì)本文方法的實(shí)驗(yàn)結(jié)果進(jìn)行分析；第5節(jié)給出結(jié)論。

圖1 GF-3 UFS圖像中的多通道虛假目標(biāo)示意圖Fig.1 An example of multichannel false-target in a GF-3 UFS SAR image

2 相關(guān)工作

深度學(xué)習(xí)方法相較于傳統(tǒng)方法具有自動(dòng)提取特征的優(yōu)勢(shì)，已有不少學(xué)者將深度神經(jīng)網(wǎng)絡(luò)如Faster R-CNN[9],SSD[10]等應(yīng)用于SAR船舶檢測(cè)和識(shí)別中[11—13]，取得了很好的效果。針對(duì)訓(xùn)練樣本不足的問(wèn)題，文獻(xiàn)[14]通過(guò)改進(jìn)網(wǎng)絡(luò)模型在小樣本條件下仍能得到良好的識(shí)別效果。然而，上述方法只考慮了目標(biāo)和背景的幅度差異，SAR圖像本身是一種帶有相位信息的復(fù)數(shù)數(shù)據(jù)，它蘊(yùn)含了豐富的目標(biāo)電磁散射信息。文獻(xiàn)[15,16]通過(guò)復(fù)數(shù)SAR統(tǒng)計(jì)建模的方法進(jìn)行SAR艦船檢測(cè)和鑒別。同時(shí)，Zhang等人[17]提出的復(fù)數(shù)卷積網(wǎng)絡(luò)模型、Huang等人[18]提出的Deep SAR-Net以及Tang等人[19]在改進(jìn)的孿生網(wǎng)絡(luò)模型中都使用了復(fù)數(shù)SAR數(shù)據(jù)，都是從SAR本身的散射特性出發(fā)，深入研究學(xué)習(xí)SAR成像的物理機(jī)制。

以上方法僅考慮了全孔徑圖像中的特征，并未考慮子孔徑圖像中的特征。全孔徑SAR圖像提供了高分辨率的細(xì)節(jié)表征，但在合成孔徑過(guò)程中卻損失了目標(biāo)其他有用的信息。文獻(xiàn)[20]表明子孔徑圖像分析方法相對(duì)于傳統(tǒng)技術(shù)的主要優(yōu)勢(shì)在于，即使在船舶的強(qiáng)度與雜波水平相似的情況下仍能夠檢測(cè)到船舶。目前，利用子孔徑圖像實(shí)現(xiàn)SAR船舶檢測(cè)的方法主要包括子視圖相干法(Sub-Look Cross-correlation,SLC)、廣義似然比檢驗(yàn)(Generalized Likelihood Ratio Test,GLRT)等[21—24]，這些方法通過(guò)增強(qiáng)目標(biāo)與雜波之間的對(duì)比度來(lái)檢測(cè)船舶，但在復(fù)雜場(chǎng)景下這些方法不能將多通道虛假目標(biāo)與真實(shí)目標(biāo)很好地進(jìn)行鑒別。

因此，為了解決上述問(wèn)題，本文結(jié)合深度學(xué)習(xí)方法，提出一種基于子孔徑與全孔徑特征學(xué)習(xí)的SAR船舶目標(biāo)鑒別算法(Sub-and Full-aperture Feature Learning,SFFL)，實(shí)現(xiàn)SAR船舶目標(biāo)與多通道虛假目標(biāo)的鑒別。

3 基于深度網(wǎng)絡(luò)的子孔徑特征學(xué)習(xí)

目前針對(duì)SAR船舶目標(biāo)鑒別的研究大多基于全孔徑幅度圖像，并未充分利用復(fù)數(shù)SAR圖像中的信息，使得方法難以區(qū)分具有相似視覺(jué)特征的真實(shí)船舶目標(biāo)和多通道虛假目標(biāo)。在SAR成像過(guò)程中，目標(biāo)會(huì)隨著方位角的變化在不同子孔徑圖像中呈現(xiàn)不同的散射特性，在子孔徑圖像中，目標(biāo)特征將得到更加精細(xì)的表征。基于子孔徑圖像的上述優(yōu)勢(shì)，本文提出一種基于深度學(xué)習(xí)的子孔徑特征學(xué)習(xí)方法，用于解決SAR目標(biāo)鑒別問(wèn)題。方法的網(wǎng)絡(luò)架構(gòu)如圖2所示，網(wǎng)絡(luò)分為子孔徑特征提取和全孔徑特征提取兩部分，通過(guò)基于棧式卷積自編碼網(wǎng)絡(luò)的無(wú)監(jiān)督學(xué)習(xí)方法提取子孔徑特征，利用ResNet-18的預(yù)訓(xùn)練模型經(jīng)遷移學(xué)習(xí)后提取全孔徑特征，將子孔徑特征和全孔徑特征做歸一化后進(jìn)行拼接，之后連接全連接層和softmax層，判斷輸出目標(biāo)類別。

圖2 結(jié)合子孔徑與全孔徑特征學(xué)習(xí)的網(wǎng)絡(luò)框架Fig.2 The detailed implementations of SFFL framework

本章后續(xù)安排如下：3.1節(jié)本文通過(guò)對(duì)多通道虛假目標(biāo)和真實(shí)船舶目標(biāo)作子孔徑分解，分析兩類目標(biāo)在子孔徑圖像中所體現(xiàn)出的特性；3.2節(jié)詳細(xì)闡述利用棧式卷積自編碼網(wǎng)絡(luò)提取子孔徑特征的方法；3.3節(jié)給出利用遷移學(xué)習(xí)提取全孔徑特征的方法；3.4節(jié)介紹特征拼接和分類方法；3.5節(jié)對(duì)所提方法進(jìn)行總結(jié)。

3.1 子孔徑分解與分析

子孔徑圖像可以通過(guò)對(duì)單視復(fù)數(shù)(Single Look Complex,SLC)SAR圖像沿著方位向做子視處理得到，也稱為子孔徑分解。一般情況下，子孔徑分解流程如圖3所示[25]，首先對(duì)原始SAR圖像沿著方位向做一維的傅里葉變換轉(zhuǎn)換到距離-多普勒域，通過(guò)對(duì)距離向幅值取平均估計(jì)權(quán)重函數(shù)，計(jì)算權(quán)重函數(shù)的逆函數(shù)并歸一化得到糾正函數(shù)，將糾正函數(shù)作用于多普勒域來(lái)消除天線權(quán)重的影響，根據(jù)所需子孔徑數(shù)目再對(duì)得到的頻譜數(shù)據(jù)進(jìn)行無(wú)重疊的分割，得到多個(gè)子頻譜，然后對(duì)這些子頻譜進(jìn)行加窗處理，以改善相關(guān)的點(diǎn)目標(biāo)響應(yīng)。由于一個(gè)艦船目標(biāo)所在范圍較小，天線權(quán)重影響可以忽略不計(jì)，本文對(duì)頻譜直接進(jìn)行分割，本文所用窗函數(shù)為漢明窗(hamming window)。最后，通過(guò)傅里葉逆變換，將加窗后的子頻譜轉(zhuǎn)換回時(shí)域，從而生成所需子孔徑圖像。經(jīng)過(guò)子孔徑分解獲得的子孔徑圖像，它的分辨率會(huì)隨著子孔徑數(shù)目的增加而成比例降低。

圖4比較了高分三號(hào)超精細(xì)條帶模式下真實(shí)船舶目標(biāo)、純海面、多通道虛假目標(biāo)切片的全孔徑和子孔徑圖像，第1列為全孔徑圖像，第2～5列為4個(gè)子孔徑圖像，圖4(a)—圖4(d)對(duì)應(yīng)4個(gè)真實(shí)船舶目標(biāo)切片，其中圖4(b)和圖4(c)分別對(duì)應(yīng)聚焦較好的船舶目標(biāo)和散焦的船舶目標(biāo)切片，圖4(e)對(duì)應(yīng)純海面切片，圖4(f)—圖4(h)對(duì)應(yīng)3個(gè)多通道虛假目標(biāo)切片。通過(guò)比較圖4中的真實(shí)和虛假目標(biāo)可見(jiàn)在全孔徑圖像上3個(gè)真實(shí)目標(biāo)與虛假目標(biāo)較為接近，難以進(jìn)行有效地區(qū)分。真實(shí)目標(biāo)的子孔徑圖像，雖然因?yàn)樽右曁幚矸直媛式档停诿總€(gè)子孔徑圖像中均有目標(biāo)。虛假目標(biāo)的能量幾乎全部集中在一到兩幅子孔徑圖像中，其他幾幅子孔徑圖像中，虛假目標(biāo)則呈現(xiàn)出和海雜波相似的特征。以上子孔徑圖像分析結(jié)果表明，真實(shí)船舶目標(biāo)的子孔徑圖像具有一致性，多通道虛假目標(biāo)的子孔徑圖像具有明顯的差異性，因此通過(guò)提取子孔徑圖像特征能夠?qū)崿F(xiàn)真實(shí)船舶目標(biāo)和多通道虛假目標(biāo)的有效區(qū)分。

圖3 子孔徑分解流程圖Fig.3 Flowchart of sub-aperture decomposition

3.2 基于子孔徑特征學(xué)習(xí)的卷積自編碼網(wǎng)絡(luò)

本文采用基于棧式卷積自編碼網(wǎng)絡(luò)的無(wú)監(jiān)督學(xué)習(xí)方法提取子孔徑圖像特征，具體網(wǎng)絡(luò)結(jié)構(gòu)如圖5所示，包含編碼和解碼兩部分。輸入子孔徑圖像，通過(guò)編碼部分提取嵌入特征，再經(jīng)過(guò)解碼部分重建圖像，并利用輸入圖像和重建圖像的差異構(gòu)建網(wǎng)絡(luò)的損失函數(shù)。棧式卷積自編碼網(wǎng)絡(luò)由一組自編碼單元堆疊而成，自編碼單元由包含卷積層的編碼器和包含反卷積層的解碼器構(gòu)成，每個(gè)自編碼單元的訓(xùn)練方法相同，并采用逐層訓(xùn)練再堆疊的方式來(lái)訓(xùn)練整個(gè)網(wǎng)絡(luò)。每層訓(xùn)練時(shí)都是一個(gè)較淺的自編碼單元，在訓(xùn)練第l個(gè)自編碼單元時(shí)，其輸入xl?1是第l ?1個(gè)自編碼單元編碼的輸出，xl?1經(jīng)過(guò)包含卷積層、批歸一化層、非線性激活層、下采樣層的編碼器和包含上采樣層、反卷積層、批歸一化層、非線性激活層的解碼器，得到輸出yl?1。訓(xùn)練目標(biāo)是要使解碼器的輸出yl?1能夠重建xl?1，訓(xùn)練中通過(guò)計(jì)算輸入圖xl?1與重建圖yl?1的均方根誤差損失，更新網(wǎng)絡(luò)參數(shù)，優(yōu)化網(wǎng)絡(luò)模型。

圖4 真實(shí)船舶目標(biāo)、純海面、多通道虛假目標(biāo)切片的全孔徑圖像及其對(duì)應(yīng)子孔徑圖像Fig.4 Examples of sublook amplitude for ships (a)—(d),sea (e),multichannel false-targets (f)—(h) and the relevant amplitude SLC images

圖5 基于子孔徑特征學(xué)習(xí)的網(wǎng)絡(luò)結(jié)構(gòu)Fig.5 Network structure based on sub-aperture feature learning

批歸一化層：批歸一化層(Batch Normalization,BN)通過(guò)將輸出信號(hào)歸一化到相同的分布，消除訓(xùn)練過(guò)程中由于權(quán)重大小導(dǎo)致的梯度消失和爆炸，保證網(wǎng)絡(luò)的穩(wěn)定性，加快網(wǎng)絡(luò)的收斂速度，計(jì)算公式如式(2)所示

非線性激活層：通過(guò)非線性激活函數(shù)能提升模型的非線性映射表征能力，加快收斂速度，可寫成式(3)形式，其中f(·)代表非線性激活函數(shù)，本文采用ReLU非線性激活函數(shù)，計(jì)算如式(4)所示

下采樣層和上采樣層：在下采樣的過(guò)程中，不僅需要保留采樣之后的數(shù)據(jù)，還要保留采樣的位置，便于在解碼部分能夠更好地恢復(fù)圖像局部特征，下采樣和上采樣可寫成如式(5)和式(6)的形式

其中，Q和c表示反卷積層的卷積核和偏置參數(shù)，R(·)表示將卷積核Q旋轉(zhuǎn)180°。

損失函數(shù)計(jì)算：將輸入圖與重建圖的均方根誤差作為網(wǎng)絡(luò)的損失，因此，訓(xùn)練第l個(gè)自編碼單元時(shí)所用到的損失函數(shù)如式(8)所示

各個(gè)自編碼單元的卷積層設(shè)計(jì)如表1所示，反卷積層的通道數(shù)和卷積核尺寸與卷積層一致。

表1 各個(gè)自編碼單元的卷積層設(shè)計(jì)Tab.1 Design of convolutional layers in each auto-encoder unit

3.3 基于遷移學(xué)習(xí)的全孔徑特征提取

由于SAR目標(biāo)切片的樣本過(guò)少，直接訓(xùn)練深層網(wǎng)絡(luò)將會(huì)導(dǎo)致嚴(yán)重的過(guò)擬合問(wèn)題，使得網(wǎng)絡(luò)模型的泛化能力急劇下降，遷移學(xué)習(xí)方法可以解決小樣本問(wèn)題。借助NWPU-RESISC45數(shù)據(jù)集與TerraSAR-X標(biāo)注數(shù)據(jù)集[26]傳遞的遷移學(xué)習(xí)方法，大大縮小了SAR圖像與自然光學(xué)圖像的差距，并且在MSTAR分類任務(wù)上具有良好的泛化能力[27]。

因此，本文選擇采用傳遞式遷移學(xué)習(xí)方法提取全孔徑特征，遷移學(xué)習(xí)的流程如圖6所示。首先，選擇在ImageNet上預(yù)先訓(xùn)練的ResNet-18作為初始預(yù)訓(xùn)練模型1，然后用NWPU-RESISC45遙感數(shù)據(jù)集對(duì)卷積層進(jìn)行微調(diào)，得到遙感增強(qiáng)模型(預(yù)訓(xùn)練模型2)作為第1個(gè)遷移源；之后利用與遙感數(shù)據(jù)集有相似類別的高質(zhì)量TerraSAR-X標(biāo)注數(shù)據(jù)集[26]在遙感模型的基礎(chǔ)上進(jìn)行微調(diào)，得到預(yù)訓(xùn)練模型3作為本文遷移學(xué)習(xí)的將要應(yīng)用的遷移源。然后，在預(yù)訓(xùn)練模型3上利用少量高分三號(hào)超精細(xì)條帶模式下的影像切片對(duì)模型參數(shù)進(jìn)行微調(diào)從而得到適用于SAR船舶鑒別任務(wù)的模型。

TerraSAR-X標(biāo)注土地覆蓋數(shù)據(jù)集[26]由X波段TerraSAR-X衛(wèi)星[28]收集獲得。該數(shù)據(jù)集選擇高分辨率聚束模式、HH極化方式的多視地面距離探測(cè)(Multilook Ground range Detected,MGD)產(chǎn)品，分辨率為2.9 m，入射角在20°～50°之間，包含100000多個(gè)切片，具有150個(gè)類別的層次3級(jí)標(biāo)注。在本文只使用其1級(jí)標(biāo)簽，包含移民區(qū)、工業(yè)設(shè)施、公共交通、農(nóng)田、植被、裸露的地面、水體7類目標(biāo)。

ResNet-18包含4種類型的殘差塊(ResBlock)，分別重復(fù)兩次，并且分別具有64,128,256和512個(gè)輸出特征圖，共有17個(gè)卷積層和1個(gè)全連接層。殘差塊結(jié)構(gòu)如圖7所示，由兩層卷積層、BN層和ReLU非線性激活層組成[29]。

雖然網(wǎng)絡(luò)深度越大，學(xué)習(xí)特征的能力越強(qiáng)，但訓(xùn)練深層的網(wǎng)絡(luò)會(huì)導(dǎo)致梯度彌散/爆炸，無(wú)法收斂，即網(wǎng)絡(luò)層數(shù)的增加會(huì)導(dǎo)致更大的誤差。殘差網(wǎng)絡(luò)(ResNet)通過(guò)在原有卷積網(wǎng)絡(luò)的旁路上疊加恒等映射解決深層網(wǎng)絡(luò)的退化問(wèn)題。

設(shè)殘差網(wǎng)絡(luò)的輸入為x，則輸出通過(guò)式(9)計(jì)算

其中，f(·)表示卷積操作，在ResNet-18所有卷積層后緊跟一個(gè)平均池化層，使得全孔徑特征的尺寸與子孔徑特征相同。

3.4 特征拼接與分類

用C(x,y)表示輸入的復(fù)數(shù)圖像，I(x,y)表示全孔徑幅度圖像，用S(x,y)表示經(jīng)過(guò)子孔徑分解獲得的子孔徑圖像。利用通過(guò)遷移學(xué)習(xí)方法訓(xùn)練的網(wǎng)絡(luò)提取全孔徑特征，如式(12)所示

圖6 傳遞式遷移學(xué)習(xí)方法流程圖Fig.6 Flowchart of transitive transfer learning method

其中，σ2(·)和μ(·)表示求方差和均值操作。將歸一化后的全孔徑特征ψ1(x,y)與子孔徑特征ψ2(x,y)沿通道進(jìn)行拼接，得到新聯(lián)合特征ψ(x,y)，再將ψ(x,y)輸入到softmax層得到SAR船舶目標(biāo)的鑒別結(jié)果。

3.5 總結(jié)

基于子孔徑與全孔徑特征學(xué)習(xí)的SAR船舶目標(biāo)鑒別方法算法如表2所示。

圖7 殘差塊結(jié)構(gòu)圖Fig.7 The architecture of residual block (ResBlock)

表2 基于子孔徑與全孔徑特征學(xué)習(xí)的算法Tab.2 SFFL algorithm

4 實(shí)驗(yàn)

4.1 實(shí)驗(yàn)數(shù)據(jù)

(1) 高分三號(hào)數(shù)據(jù)。本文選取了8幅高分三號(hào)超精細(xì)條帶L1A級(jí)圖像，圖像的相關(guān)參數(shù)如表3所示，DH極化方式表示信號(hào)在水平極化下發(fā)射一次，在水平極化和垂直極化下分別接收兩次。SLC是單視復(fù)數(shù)據(jù)的簡(jiǎn)稱，是GF-3衛(wèi)星的一種產(chǎn)品類型。將AIS結(jié)合人工標(biāo)注和確認(rèn)標(biāo)記的真實(shí)船舶目標(biāo)和多通道虛假目標(biāo)，根據(jù)標(biāo)注框的位置和長(zhǎng)寬信息裁剪復(fù)數(shù)數(shù)據(jù)，切片大小設(shè)置為128×128，每個(gè)切片包含一個(gè)樣本。將4幅圖像中的70個(gè)真實(shí)目標(biāo)樣本和70個(gè)虛假目標(biāo)樣本按照1:1的比例隨機(jī)劃分為訓(xùn)練集和驗(yàn)證集，訓(xùn)練過(guò)程保證樣本數(shù)量類別均衡。測(cè)試集選擇剩余4幅圖像數(shù)據(jù)，包含72個(gè)真實(shí)目標(biāo)樣本，161個(gè)多通道虛假目標(biāo)樣本。

表3 GF-3超精細(xì)條帶圖像參數(shù)Tab.3 The detailed information of GF-3 UFS SAR images used in the experiment

(2) 仿真散焦數(shù)據(jù)集。由于多通道虛假目標(biāo)與散焦的船舶目標(biāo)在全孔徑圖像下更加相似，在視覺(jué)上更加難以區(qū)分，為了進(jìn)一步驗(yàn)證本文算法的有效性，本文仿真了少量的散焦圖像，具體仿真算法流程如圖8所示。在目標(biāo)切片的距離-多普勒域添加二次相位誤差，二次相位誤差如式(15)

其中，a控制相位誤差曲線開(kāi)口的大小，當(dāng)0>a>?1.2634時(shí)，目標(biāo)會(huì)發(fā)生輕微的散焦；a

?φ<π/4，運(yùn)動(dòng)目標(biāo)會(huì)發(fā)生輕微的散焦，對(duì)成像結(jié)果的影響可忽略不計(jì)；?φ>π/4，運(yùn)動(dòng)目標(biāo)將會(huì)根據(jù)相位誤差的大小產(chǎn)生不同程度的散焦[7,8]。據(jù)此，圖9給出了5種不同程度散焦的圖像及其對(duì)應(yīng)的相位誤差曲線，這里選擇c=21。本文對(duì)比與多通道虛假目標(biāo)在視覺(jué)上的相似程度，仿真了12個(gè)散焦船舶目標(biāo)并且全部用于測(cè)試。

圖8 散焦圖像仿真算法流程圖Fig.8 Flowchart of defocused image simulation algorithm

圖9 不同程度散焦圖像及其對(duì)應(yīng)方位誤差曲線圖Fig.9 Different degrees of defocused images and their corresponding azimuth error curves

4.2 實(shí)現(xiàn)細(xì)節(jié)

實(shí)驗(yàn)硬件環(huán)境：處理器顯卡為Tesla K40，兩塊顯存，每塊12 G，終端8 G內(nèi)存，3.2 GHz，英特爾i5處理器，Windows64位環(huán)境。軟件環(huán)境為Torch0.4.0,torchvisions0.1.9,tqdm4.19.1.post1,Python3.6.5,Pillow 4.2.1,tensorboardX 1.12。

棧式卷積自編碼網(wǎng)絡(luò)訓(xùn)練使用SGD優(yōu)化器來(lái)進(jìn)行網(wǎng)絡(luò)參數(shù)迭代更新，并且訓(xùn)練400個(gè)epoch，初始學(xué)習(xí)率設(shè)置為0.1，權(quán)重衰減參數(shù)為0.0005?？偩W(wǎng)絡(luò)的訓(xùn)練使用Adam優(yōu)化器，初始學(xué)習(xí)率設(shè)置為0.01。使用Tensorboard監(jiān)測(cè)訓(xùn)練過(guò)程，梯度下降更新參數(shù)。

4.3 評(píng)價(jià)指標(biāo)

多通道虛假目標(biāo)與真實(shí)目標(biāo)的鑒別可看作一個(gè)二分類問(wèn)題，混淆矩陣定義如表4。

準(zhǔn)確率(accuracy)，定義為

4.4 實(shí)驗(yàn)結(jié)果與分析

表5為基于子孔徑與全孔徑特征學(xué)習(xí)方法(Su-b-and Full-aperture Feature Learning,SFFL)和基于子視圖相關(guān)的方法(Sub-Look Cross-correlation Feature+Support Vector Machine,SLCF+SVM)、子孔徑特征的學(xué)習(xí)方法(Sub-aperture Feature Learning,SFL)、全孔徑特征學(xué)習(xí)方法(Full-aperture Feature Learning,FFL)的對(duì)比結(jié)果，實(shí)驗(yàn)對(duì)比結(jié)果顯示，僅使用子孔徑特征比僅使用全孔徑特征可以取得更好的結(jié)果。與SFL方法和FFL方法相比，SFFL方法的運(yùn)行時(shí)間略有增加，但其在多通道虛假目標(biāo)鑒別任務(wù)中可以獲得最高的準(zhǔn)確率。它們的混淆矩陣如表6所示，對(duì)于測(cè)試集的161個(gè)虛假目標(biāo)，F(xiàn)FL方法識(shí)別出其中的126個(gè)，SFFL方法識(shí)別出156個(gè)，可見(jiàn)結(jié)合子孔徑特征和全孔徑特征的方法能夠更有效的識(shí)別虛假目標(biāo)。FFL和SFFL方法的準(zhǔn)確率分別為83.69%和96.57%，表明子孔徑特征的利用能顯著的提升準(zhǔn)確率。FFL和SFFL方法在原圖中的分類結(jié)果如圖10所示，紅色圓圈代表多通道虛假目標(biāo)，黃色方框代表真實(shí)目標(biāo)，F(xiàn)FL方法將其中4個(gè)多通道虛假目標(biāo)錯(cuò)分為真實(shí)目標(biāo)，SFFL方法中9個(gè)多通道虛假目標(biāo)與4個(gè)真實(shí)目標(biāo)均被正確分類。

表4 二分類問(wèn)題混淆矩陣Tab.4 Confusion matrix of binary classification

表5 不同方法的鑒別性能對(duì)比Tab.5 Comparison of discrimination performance of different methods

同時(shí)，本文也利用t-SNE對(duì)兩種鑒別方法的結(jié)果進(jìn)行可視化，即將兩種方法的輸出特征映射到二維平面上，圖中的紫色點(diǎn)和紅色點(diǎn)分別表示真實(shí)船舶目標(biāo)和多通道虛假目標(biāo)。從分類效果可視化圖11中可以看出，多數(shù)多通道虛假目標(biāo)與真實(shí)的船舶目標(biāo)在全孔徑特征空間混在一起無(wú)法正確區(qū)分，如圖11(a)所示，而同時(shí)利用子孔徑特征與全孔徑特征時(shí)多通道虛假目標(biāo)和真實(shí)目標(biāo)可以進(jìn)行有效的區(qū)分，如圖11(b)所示。對(duì)于兩個(gè)多通道虛假目標(biāo)，圖12比較了FFL和SFFL方法預(yù)測(cè)兩個(gè)樣本為虛假目標(biāo)的置信度。由結(jié)果所知，基于子孔徑特征學(xué)習(xí)的方法預(yù)測(cè)概率均在0.9以上，遠(yuǎn)高于FFL方法的預(yù)測(cè)結(jié)果，證明了本文方法在區(qū)分真實(shí)目標(biāo)和多通道虛假目標(biāo)上的有效性。由于在真實(shí)情況下，動(dòng)目標(biāo)在SAR成像過(guò)程中會(huì)出現(xiàn)一定程度的散焦，因此，本文在測(cè)試集上添加了仿真散焦船舶目標(biāo)，圖13(a)展示了真實(shí)聚焦的船舶目標(biāo)，在輪廓、紋理特征上非常相似的仿真的船舶目標(biāo)圖13(c)和多通道虛假目標(biāo)圖13(b)，其中圖13(c)仿真目標(biāo)是由真實(shí)聚焦的船舶目標(biāo)圖13(a)按照本文所提的仿真方法獲得，仿真參數(shù)為a=—3.8,c=21。

表6 不同方法的混淆矩陣Tab.6 Confusion matrix of different methods

FFL和SFFL方法在新測(cè)試集上的準(zhǔn)確率比較如表7所示，在加入仿真散焦數(shù)據(jù)后，F(xiàn)FL方法的準(zhǔn)確率由83.69%下降到80.41%，SFFL方法的準(zhǔn)確率由96.57%提高到96.73%，該實(shí)驗(yàn)結(jié)果進(jìn)一步驗(yàn)證了子孔徑特征在區(qū)分多通道虛假目標(biāo)上的優(yōu)勢(shì)。

圖10 原圖分類結(jié)果比較Fig.10 Comparison of FFL and SFFL results in the original image

圖11 t-SNE降維特征可視化結(jié)果比較Fig.11 Comparison of FFL and SFFL visualization results using t-SNE

圖12 紋理特征與真實(shí)目標(biāo)相似的多通道虛假目標(biāo)切片鑒別結(jié)果詳細(xì)說(shuō)明Fig.12 The elaborate explanation of the discrimination results of multichannel false-targets similar to real targets in texture

圖13 測(cè)試集仿真散焦目標(biāo)示例Fig.13 An example of simulated defocus target in test set

表7 加入散焦數(shù)據(jù)結(jié)果對(duì)比(%)Tab.7 Comparison of two methods after adding defocus data (%)

本文還探究了子孔徑數(shù)目對(duì)SFFL方法的影響，圖14比較了不同子孔徑數(shù)目下SFFL方法的準(zhǔn)確率，從圖中可以觀察到，子孔徑數(shù)目取4時(shí)方法取得了最優(yōu)的準(zhǔn)確率，當(dāng)子孔徑數(shù)目大于4時(shí)，準(zhǔn)確率會(huì)有所下降，這是由于隨著子孔徑數(shù)目的增多，子孔徑圖像的分辨率會(huì)降低，可分辨的細(xì)節(jié)特征也會(huì)相應(yīng)地減少，因而當(dāng)子孔徑的數(shù)目過(guò)多時(shí)，會(huì)影響方法的識(shí)別率；當(dāng)子孔徑數(shù)目小于4時(shí)，方法也未達(dá)到最佳的識(shí)別性能，這是因?yàn)樽涌讖綌?shù)目過(guò)少，子孔徑分解得不夠精細(xì)，子孔徑圖像所能提供的額外有效信息被隱藏，可進(jìn)行鑒別的差異性特征也會(huì)減少，方法的識(shí)別率無(wú)法達(dá)到最佳。由上述結(jié)果可知子孔徑數(shù)目的確定需在子孔徑分解的精細(xì)程度和子孔徑圖像的分辨率之間折中，根據(jù)實(shí)驗(yàn)結(jié)果，本文將子孔徑數(shù)目設(shè)為4。

圖14 不同子孔徑數(shù)目下SFFL方法的準(zhǔn)確率Fig.14 Overall accuracy of SFFL method with different numbers of sub-apertures

5 結(jié)論

針對(duì)多通道虛假目標(biāo)與真實(shí)目標(biāo)在全孔徑圖像下識(shí)別難的問(wèn)題，本文首先通過(guò)子孔徑分解分析了真實(shí)目標(biāo)和多通道虛假目標(biāo)的子孔徑圖像分別具備一致性和差異性，然后，基于上述分析結(jié)果本文提出了一種結(jié)合子孔徑和全孔徑特征學(xué)習(xí)的方法，利用棧式卷積自編碼網(wǎng)絡(luò)提取子孔徑特征，通過(guò)遷移學(xué)習(xí)的方法提取全孔徑特征，最后在高分三號(hào)數(shù)據(jù)上驗(yàn)證了該方法的有效性，與僅用全孔徑特征相比，本文方法能更有效地區(qū)分多通道虛假目標(biāo)和真實(shí)目標(biāo)；加入仿真散焦數(shù)據(jù)后，與僅用全孔徑特征相比，本文方法在區(qū)分多通道虛假目標(biāo)上的優(yōu)勢(shì)更加明顯。