田小娟，南 杰

（1.国家知识产权局专利局专利审查协作四川中心，成都 610213；2.国家知识产权局专利局专利审查协作河南中心，郑州 450000）

基于SAR图像的船舶分类研究

田小娟1，南 杰2

（1.国家知识产权局专利局专利审查协作四川中心，成都 610213；2.国家知识产权局专利局专利审查协作河南中心，郑州 450000）

船舶分类是SAR图像应用的热点和难点问题。本文结合合成孔径雷达（SAR）卫星图像特征提取技术的发展，综述了常用的基于SAR图像船舶分类和识别的特征提取技术和适用性，总结了SAR图像在船舶分类研究存在和问题和发展前景。

SAR图像；船舶；后向散射

0　引 言

微波遥感是进行海洋探测的最佳手段，SAR卫星自诞生伊始就是为了满足海洋遥感的需求。在海洋应用中，SAR能够宏观、长期、连续、动态、实时的对海洋进行观测，利用SAR图像进行船舶目标的检测一开始就是就受到了很多学者的关注。

由于数据分辨率和数据源的限制，原有大量的船舶分类研究工作主要是基于模拟SAR（ISAR）图像，基于中低分辨率的SAR图像船舶分类研究较少，分类精度也比较低，而国内外还鲜见公开发表的基于高分辨率SAR图像开展的船舶分类研究文献。进入21世纪以来，SAR技术不断发展，尤其是2007年意大利1 M分辨率的COSMO-SkyMed、德国1 m分辨率的TerraSAR-X和加拿大的Radarsat-2先后升空，开启了高分辨率SAR卫星的时代。原来小型的船舶目标在中低分辨率SAR图像上表现为点目标，大中型船舶目标表现为内部结构不太清晰面目标，而如今随着SAR分辨率的提高，目标具有更为丰富的细节特征和内部结构，多极化SAR的信息也使得船舶具有非常有用的极化信息，因此SAR图像不仅可以用于船舶的监测和定位，还可用于目标的分类和识别。

1　SAR图像中船舶的典型特征

船舶主要由金属制成，其上层建筑构成许多角反射器，使其成为极强的雷达反射器。影响船舶识别能力的物理因素有舰船因素、SAR系统因素和海洋因素。舰船因素包括舰船的结构、形状、尺寸等；SAR系统因素包括极化方式、入射角和雷达波束与舰船之间的夹角等；海洋因素指总体海况，如当海风增大时，海洋表面的后向散射增加，舰船与海洋表面回波的亮度对比减小，图像分割的困难会降低船舶的分类率。SAR对海面船舶侧视成像时，雷达与目标间的相对运动既包含平台与船舶的平移运动，也包含船舶在复杂海况下的横滚、俯仰和偏航等三维转动，运动形式会造成图像模糊。因此，利用SAR图像进行目标的分类和识别研究难度很大。特征提取是目标分类领域中的关键技术，特征提取的好坏直接影响到分类的精度和效率。

1.1形状特征

形状是船舶区别于其他海面目标的重要特征，船舶的形状一般较简单，几何尺寸较大，其中，船舶长度是一个简单的但是非常具有区分价值的特征，尤其对于军用舰船而言。船舶主轴的初始长度可以通过对分割后图像进行Hough变换得到，该方法性鲁棒性更强，由于其他方法的估计，例如主成分分析（PCA）法或最小二乘拟合法，当一些图像（特别是ISAR图像）在方位向上有大量零散分布的散射点，或周围有残余的小杂波区域时，会导致中心线估计偏差。由于船舶在它整个船长上不一定都有能量散射回来，由经验可以通过（20+L）/0.9（L为初始船长）获得船舶的可能最大长度.在实验中，需要将最小和最大船舶长度作为船舶的长度区间来降低误差。估计目标长度后，计算船舶的离心率，然后通过这两个参数剔除不够狭长的物体，如由图像的模糊或者杂波区域造成的虚警。由于同一类军用舰船的长度的概率分布接近于高斯分布，因此通过贝叶斯估计可以获得船舶的类别。

由于SAR图像特殊的成像机理，目标的形状很容易受到各种因素的干扰。不同SAR系统，由于波段、极化方式、分辨率的不同，对目标的分类能力也不相同；在天气恶劣、海况较差时，船舶目标的分割非常困难，也会影响到后续的分类过程；在SAR图像上，目标形状对方位角比较敏感，在某些方位角下甚至出现部分缺失和破碎，同时船舶载货状态也会对目标的成像造成影响。因此，形状特征很少作为单一的特征用于船舶分类，而常和其他特征结合起来以提高算法的可行性和适用性。

1.2后向散射特征

船舶在SAR图像上后向散射特征的不同是由其几何形态、外部结构、成像几何以及材质等因素共同决定的。平坦甲板和船体的回波以漫反射和镜面反射为主，回波能量较少，因此在SAR图像上较暗。船舶的上层建筑及附属设置（驾驶舱、起重机吊臂、货架、桅杆等）构成的二面角、三面角等结构，产生多路径散射等会形成亮点或亮区。这些亮区和暗区的分布反映了目标几何结构的类型和分布，不同的船舶类别由于其结构不同，在SAR图像上的成像特征也不相同，因此可以将船舶在SAR图像上的散射结构特征作为对船舶类别分类的依据。

军用舰船上有大型建筑，因此雷达散射大多位于船体中部，而商船的散射主要来自于船只的尾部，因此可以将船舶目标平均分段，例如，对于ISAR图像而言，不同节段之间的分割线垂直于距离像坐标轴，对于SAR图像，分割线垂直于船舶的主轴，通过分析各段内重要散射体的个数（例如，图像中强度前10%的像素个数）之间的关系，进行军用舰船和商船的分类。

1.3极化特征

由于极化SAR数据源的限制，基于船舶极化信息分类的研究起步较晚，目前多处于理论研究节段，用于真实SAR图像的船舶分类的研究工作还比较少。王隽 等人利用极化SAR目标分解理论对全极化数据进行了分解，对船只各部分按散射特性进行了分类研究，将船只的几何结构分为球体、圆柱体、二面角、1/4波散射体等类别，初步分析了船只的几何结构。随着目标极化分解理论的日臻成熟和高分辨率多极化SAR数据的普及应用，基于极化信息的船舶目标研究将会迎来研究的热潮。

2　SAR图像中船舶分类研究存在的主要问题和前景

2.1最新发展研究

SAR船舶分类研究之前主要受制于图像分辨率，利用真实SAR数据进行船舶的分类的研究工作大多也只是停留在船舶和非船舶的分类。而高分辨率SAR卫星数据源的不断丰富必将大大推动该领域的研究工作，尤其是高分辨率全极化数据，可以将船舶的结构与SAR图像上清晰可见的内部散射特征对应起来，船舶分类将更为精细化，船舶具体类别乃至于型号的划分将是未来的研究方向。

2.2存在的问题

船舶分类的主要问题在于SAR图像成像的质量和船舶类别的多样性。由前文分析可知，船舶在SAR图像上的成像结果是受多种因素影响的，而成像质量的好坏直接影响后续特征提取和分类算法的有效性，因此寻找普适性更强的SAR图像预处理算法和特征提取算法就尤为重要。其次，相同类别的船舶，尤其是商用船舶，其形状和结构也是千变万化的，即使同一个船只在不同入射角、方位角或极化方式下的特征也不相同，对于大场景中船舶的分类工作，不可能有着完备的后台数据库和先验知识，因此需要有针对性的对某些类型的船舶找到其共有特征，设计相应的分类算法，并在AIS信息或VTS信息存在的情况下，尽可能利用这些有用信息，以尽快确定船舶的类别。

3　结 语

SAR有着用于船舶检测和分类研究的先天优势，随着雷达对地观测技术的日趋发展，面对不断增长的SAR数据源和包含更为丰富的目标信息的SAR图像，如果充分利用这些数据进行自动或半自动的快速解译和识别已引起了越来越多学者的关注和重视。SAR图像船舶分类虽然已进行了很多研究，但大多还局限于模拟数据或特定船舶类别的研究，离批量化的普遍应用还有这很长的路要走。随着人工智能与SAR图像研究的结合和SAR图像预处理方法的不断提高必将促进SAR图像中船舶分类识别水平的进一步提高。

主要参考文献

［1］张红.高分辨率SAR图像目标识别［M］.北京：科学出版社，2009.

［2］王隽，种劲松，黄韦艮，等.基于极化SAR目标分解理论的船只几何结构初步分析［C］//微波遥感技术研讨会，2006.

10.3969/j.issn.1673 - 0194.2016.20.054

TN958

A

1673-0194（2016）20-0083-02

2016-09-08