曲长文，刘 晨，周 强，李 智，李健伟

（海军航空大学，山东 烟台 264001）

0 引言

随着合成孔径雷达系统的应用日益广泛，图像分辨率的不断提升以及待处理图像数目的增多，对SAR图像的处理技术也提出了更高的要求，快速准确地从SAR图像中检测到目标成为目前研究的一个热点。目前，恒虚警率（Constant False Alarm Rate，CFAR）方法应用最为广泛。该方法根据背景杂波的统计特性自适应地选取阈值，在简单场景下的检测效果较好，但是算法的计算速度和复杂场景下的检测性能还有待于进一步提升。为提升CFAR的检测性能，文献［1］在局部窗口检测过程中，引入筛选机制，提出了一种双阈值的快速CFAR检测算法；文献［2］提出了一种自选择混合分布的CFAR检测方法，通过对混合分布模型的学习来对每块图像进行建模；文献［3］为提高参数估计的速度，将积分图运用到参数估计中，但需要较大的内存开销；文献［4］针对大场景的SAR图像，提出了一种基于分块CFAR的SAR图像舰船目标快速检测算法。

卷积神经网络是深度学习中的一种网络结构，具有分层学习的能力，通过权值共享的方法降低了网络结构复杂度，减少了训练参数的数目。对于每幅输入图像，通过分层特征提取的方式可以自动提取数据中的复杂结构，相比于传统人工设计的特征具有更好的泛化能力。目前，卷积神经网络在各个领域都得到了越来越多的关注，如：行人检测［5］、语音识别［6］、医学图像识别［7］等。

本文主要研究卷积神经网络在SAR图像舰船目标检测上的应用。依据卷积神经网络在光学图像上优异的检测识别效果，将其用于SAR图像上，提升SAR图像舰船目标检测的速度和精度。

1 候选区域选取

1.1 OTSU算法

OTSU又称大律法［8］，是一种经典的图像阈值分割方法。该方法对每个灰度值计算图像目标和背景之间的方差，最终方差最大的灰度值即为所求阈值。图像中每个灰度级的概率可表示为：

式中，n为所有像素点的数目，nq是灰度为q的像素点数目，L为灰度级数。

当阈值为 k 时，图像分为 C1=［0，1，…，k］，C2=［k+1，k+2，…，L-1］两部分。使 C1和 C2类间方差最大的k即为所求阈值。类间方差的计算公式为：

式（2）还可以写为：

式中，m（k）表示直到灰度级 k 的平均灰度［9］。

1.2 OTSU改进算法

OTSU算法在小场景SAR图像中可以得到较好的分割效果，但是对于大场景下的SAR图像，采用OTSU全局阈值的处理办法效果不理想。因此，为提升大场景下SAR图像的分割效果，本文对图像的分割阈值进行了初步筛选。SAR图像的灰度直方图是一个长拖尾的曲线，小场景和大场景下的SAR图像灰度直方图如图1所示。

图1 不同场景下的SAR图像灰度直方图

从图1可以看出，由于大场景下的SAR图像背景像素点较多，导致舰船目标完全被淹没在了背景中，因此，通过OTSU方法得到的分割阈值过小，导致图像分割效果较差。为提升图像的分割效果，本文通过计算C2类的方差，将方差最大的灰度级k1作为初始阈值，计算公式如下所示：

图2 大场景SAR图像方差曲线

从图中可以看出，当方差曲线达到最大时，大场景SAR图像的灰度直方图已经越过了波峰位置并且开始进入长拖尾部分。去除低于初始阈值的大场景SAR图像灰度直方图如图3所示。

图3 处理后的灰度直方图

从图3可以看出，当去掉大量背景像素之后，新的灰度级范围内的像素个数差别不大，对新灰度级范围内的图像用OTSU方法即可求得大场景SAR图像的分割阈值。实验采用直布罗陀海域的Ter-raSAR_X卫星图像，分辨率为3 m，图像分辨率为2 312×4 314，实验效果如图4所示。

图4 改进OTSU方法的分割效果

1.3 目标提取

为进一步对分割后的SAR舰船目标进行判断，通过最小外接矩形提取出疑似舰船目标的位置坐标，并且依据矩形的中心坐标在原始SAR图像中选取固定大小的候选区域。实验流程如图5所示。

图5 候选区域选取流程

2 目标检测网络

为提升舰船目标的检测效果，针对SAR图像舰船样本数据集过小的问题，本文采用卷积神经网络与超限学习机相结合的网络结构，对SAR图像舰船目标进行检测。

2.1 检测网络模型

通过迁移学习［10］保持卷积神经网络的参数不变，将卷积神经网络的后面两层用超限学习机层代替，新的网络结构如图6所示。

2.2 检测模型的训练

卷积神经网络由5层网络结构组成，第1层卷积层由8个大小为5*5的滤波器组成，第2层下采样层采用大小为2*2的均值下采样，第3层卷积层包含16个大小为4*4的滤波器，第4层下采样与第2层一样，最后一层为全连接层，激活函数采用RELU函数。

图6 迁移学习后的网络结构

训练数据采用分辨率为0.3 m×0.3 m的MSTAR数据库，图像大小为128×128像素，采用其中的 BRDM2、BTR60、D7、2S1 4类目标作为样本（训练样本1 140个，测试样本1 010个）。每次实验用10个样本进行学习，迭代次数为10次。为进一步提升网络的训练效果，数据采用ZCA白化和PCA降维相结合的方法对图像进行预处理。图像处理效果如图7所示。

图7 图像预处理

训练数据来自于2幅TerraSAR-X图像（距离向和方位向的分辨率为2 m×1.5 m）和3幅Radarset-2图像（距离向和方位向的分辨率为1 m×1 m），经过目标检测后获得船只的图像切片，通过解译专家对所有船只进行人工标注（训练样本300个，测试样本100个）。

3 实验结果与分析

3.1 实验数据及环境

为验证本文方法的有效性，在CPU为2.13 GHz，内存8 GB的硬件环境进行实验，采用Matlab进行仿真。实验来自于多幅TerraSAR-X和Sentinel-1雷达图像。

3.2 实验步骤

选取其中两幅图像进行检测结果分析，图像1为TerraSAR-X卫星拍摄的图像，分辨率为3 m，成像区域在（N54.5°E8.3°）附近的海域，图像大小为4 199×2 288，如下页图8（a）所示。图像2为Sentinel-1雷达拍摄的图像，分辨率为5 m，工作在Stripmap模式，图像大小为2 368 x 1 994，如下页图8（b）所示。

对图像进行人工判读，图8（a）中有34艘船，图b中有31艘船，对舰船的标记结果如下页图9所示。

图8 实验图像

图9 人工图像判别结果

首先对原始图像进行分割处理，结果如图10所示。

图10 分割后图像

从图10可以看出，改进后的OTSU方法对大场景下的SAR图像有较好的分割效果，在保证将舰船目标留下的同时仅有少量杂波。但是分割后的舰船目标仍然存在不完整的问题，为进一步提升检测效果，对分割后的图像进行膨胀和腐蚀操作，处理结果如图11所示。

图11 膨胀腐蚀效果图

从图11可以看出，通过对分割后的图像膨胀和腐蚀操作保证了舰船整体形态的完整性。然后通过最小外接矩形方法将图像中疑似舰船的目标标记出来，如图12所示。

图12 疑似目标标记

在原始图像中根据矩形中心选取出大小为42×42的候选区域，然后将候选区域输入到训练好的卷积神经网络进行分类识别，最后将真实舰船目标标记出来，如下页图13所示。

本文方法的检测结果如表1所示。

表1 检测结果

3.3 实验结果对比

图13 实验结果

为验证本文方法的有效性，利用不同分布下的双阈值 CFAR 方法对图（a）进行检测［1］，第 1虚警率设为Pfa1=10-2，第2虚警率设为Pfa2=10-6.5，双阈值CFAR的检测结果如图14所示。

图14 双阈值CFAR检测结果

将3种不同分布下的双阈值CFAR的各项性能指标域本文方法对比结果如表2所示。

从实验对比结果可以看出，本文方法相对于其他方法虚警率更低，检测速度有明显的提升。

4 结论

本文针对SAR图像舰船目标检测过程中虚警率高，检测时间过长的问题，提出了一种基于卷积神经网络的SAR图像舰船目标检测算法，通过训练好的卷积神经网络对分割后的SAR图像进行判别，去除虚警。结果表明，该方法在SAR图像舰船目标检测中可以得到较好的效果。

表2 实验结果对比