值提取每种尺度下的亮目标冰山，最后融合不同尺度得到最终检测结果。但该方法使用了多种阈值而且阈值设定较繁琐。除上述方法外，恒虚警率（ｃｏｎｓｔａｎｔ　ｆａｌｓｅ　ａｌａｒｍ　ｒａ－ｔｉｏ，ＣＦＡＲ）在冰山检测中被广泛应用。由于ＳＡＲ成像机制的影响，目标、背景的回波强度都有较大波动，而 ＣＦＡＲ给出局部检测阈值，其结果通常优于上述全局阈值的检测结果。ＣＦＡＲ 检测精度主要取决于选用的统计模型能否有效表征背景统计分布，ＳＡＲ 数据常 用 统 计 模 型 主 要 有 Ｇａｍｍａ 分 布［６］和 Ｋ 分布［７－８］。此外，Ｆｒｏｓｔ等［９］采用高斯分布表征强度数据统计分布，将 Ｇａｏ等［１０］发展的迭代 ＣＦＡＲ 引入到冰山检测，取得较好的识别结果。总体而言，冰山检测主要存在以下难题：ＣＦＡＲ逐像素处理难以提取尺寸变化大的冰山［５］；海冰回波强度变化大，导致背景统计分布复杂，嵌入海冰的小冰山难被有效检测［７－８］；融化会降低冰山回波强度，多年海冰、变形严重海冰回波强度接近冰山［２］，此外还需考虑运算效率。本文主要针对前两个难题：尺寸变化大的冰山、嵌 入 海 冰 的 小 冰 山，利 用 ＲＡＤＡＲ－ＳＡＴ－２数据，发展了一种图像分块下 ＣＦＡＲ迭代算法，通过迭代降低选用统计模型与背景统计分布之间误差，提高冰山检测准确率，以冰山像素为种子区域生长以提取尺寸变化较大的冰山，并降低迭代次数，最终实现冰山的有效检测。２　理论和方法２．１　ＣＦＡＲ迭代算法设定虚警率ＰＦＡ ，根据 ＣＦＡＲ算法计算阈值：ＰＦＡ ＝∫"Ｔｆ（ｘ）ｄｘ， （１）式中，Ｔ 表示阈值；ｆ（ｘ）表示背景数据统计分布的概率密度函数。将待检测像素的亮度值对比阈值，大于阈值判断为目标，否则判断为背景。概率密度函数ｆ（ｘ）会影响阈值的计算结果，进而影响冰山检测的准确度，因而 ＣＦＡＲ算法研究重点是选用更准确的概率密度函数表征背景数据的统计分布，然而这也通常意味着更高的运算负担。为降低运算负担、提高运算速度，本研究选用高斯模型，那么 ＣＦＡＲ的阈值计算公式变为：Ｔ ＝μｂ ＋ｎσｂ， （２）式中，μｂ和σｂ分别表示背景数据的均值和标准差；ｎ为任意正数。利用公式（２）计算阈值时，以像素ｘ 为中心分别取测试窗口和训练窗口，测试窗口尺寸小，用其平均值代替像素ｘ值以降低ＳＡＲ数据“斑点”噪声影响；训练窗口尺寸大，且不包含测试窗口像素，用以计算背景的μｂ和σｂ，注意训练窗口中已被识别为冰山的像素不参与运算。训练窗口包含的冰山越多，计算的阈值也就越大，首次遍历图像后，迭代上述处理，重新计算每个训练窗口的阈值，随着越来越多的冰山像素被识别，阈值会越接近理论真值，因而上述ＣＦＡＲ迭代能降低概率密度函数对阈值计算的影响，提高冰山识别的准确率。２．２　基于图像分块的迭代 ＣＦＡＲ算法利用上述ＣＦＡＲ迭代算法检测冰山时，需逐像素取窗口，并遍历整个图像。该方法计算复杂度高，运算效率较低；而且采用的训练窗口较大，因而图像边缘像素无法取到训练窗口，不能执行冰山检测。本文发展了一种分块ＣＦＡＲ迭代算法，详细流程见图１。首先预处理ＳＡＲ图像，选取合适冰山检测的极化图像或极化比值图像；然后执行全局阈值分割，提取典型冰山，以降低后续处理的运算负担、提高冰山检测精度；随后执行图像分块，例如分块大小２５６×２５６，相邻两块之间可以重叠，确保分块大小相同；将每块看作一个训练窗口，按照公式（２）计算阈值，然后自上而下从左到右遍历，以像素为中心取测试窗口，统计窗口均值并对比阈值，如果小于阈值，处理下一个像素，大于阈值检测为冰山，考虑到冰山内部差异较小，以识别的冰山像素为种子执行区域生长，阈值设定为亮度差，跳过已检测的冰山像素，直到完成遍历，判断是否达到循环次数，不满足条件，更新阈值并执行上述处理，满足条件，处理下一个分块，完成全部分块处理后，输出最终冰山识别结果。３　结果与分析３．１　研究区域和研究数据本文主要研究尺寸变化大的冰山、被海冰包围小冰山的检测，在极地也就是靠近大陆冰川海域选择研究区域，确保满足上述条件。利用２０１３年１１月２２日和２９日获取自极地的两景 ＲＡＤＡＲＳＡＴ－２Ｓｃａｎ－ＳＡＲ双极化数据（ＨＨ／ＨＶ）开展研究，距离、方位的空间分辨率５０ｍ，覆盖范围：６３．７７°～７０．３１°Ｎ，６７．０６°～８３．７５°Ｅ，幅宽２５０ｋｍ（图２）。３．２　数据分析图３给出了两个时段 ＨＨ 极化的幅度图像，图像下方是冰川，呈现为亮目标的冰山以及暗目标的冰水２４１ 海洋学报　４０卷见。图像大小约１０　０００×１０　０００像素，多视处理可缩小图像尺寸，降低斑点噪声影响，同时也会降低空间分辨率。为确保不遗漏小冰山，本研究不做多视处理。考虑到原始图像尺寸大，且冰山空间分布不均匀，从原始图像截取一部分区域（区域１和区域２）开展研究。图１　本文方法流程图Ｆｉｇ．１　Ｆｌｏｗ　ｃｈａｒｔ　ｏｆ　ｍｅｔｈｏｄ　ｉｎ　ｔｈｉｓ　ｐａｐｅｒ图２　研究区域示意图Ｆｉｇ．２　Ｓｃｈｅｍａｔｉｃ　ｄｉａｇｒａｍ　ｆｏｒ　ｒｅｓｅａｒｃｈ　ａｒｅａ１１期　刘振宇等：ＳＡＲ图像分块 ＣＦＡＲ迭代的极地冰山检测３４１图３　１１月２２日（ａ）和２９日（ｂ）研究区域 ＨＨ 极化幅度图像Ｆｉｇ．３　ＨＨ　ｐｏｌａｒｉｚａｔｉｏｎ　ａｍｐｌｉｔｕｄｅ　ｉｍａｇｅ　ｃｏｒｒｅｓｐｏｎｄｉｎｇ　ｔｏ　Ｎｏｖｅｍｂｅｒ　２２（ａ）ａｎｄ　２９（ｂ），ｒｅｓｐｅｃｔｉｖｅｌｙ　　在统计模型选择方面，尽管高斯模型也用于表征强度数据的统计分布，如参考文献［９］，但是它与数据统计分布差异较大；对强度数据进行辐射校正，得到后向散射系数，统计分布更接近高斯分布，如图４所示，给出了区域１ ＨＶ 强度和后向散射系数的直方图。不同于之前的工作，本文采用后向散射系数，开展冰山检测研究。图４　区域１ＨＶ极化强度（ａ）与后向散射系数（ｂ）直方图Ｆｉｇ．４　Ｈｉｓｔｏｇｒａｍ　ｆｏｒ　ｉｎｔｅｎｓｉｔｙ（ａ）ａｎｄ　ｂａｃｋｓｃａｔｔｅｒｉｎｇ　ｃｏｅｆｆｉｃｉｅｎｔ（ｂ）ｏｆ　１ＨＶ　ｐｏｌａｒｉｚａｔｉｏｎ　ｉｍａｇｅ　ｉｎ　ｒｅｇｉｏｎ　１　　ＨＶ、ＨＨ 强度以及二者比值都可用于冰山检测，但是关于ＳＡＲ强度比值的统计分布，现有研究涉及较少，因而在此不予考虑。主要从数据信噪比、背景与目标的差异以及入射角对回波强度影响等３个方面，为研究选取适合的极化数据。利用１１月２９日数据选取冰山、背景像素，绘制二者后向散射系数随入射角变化的散点图（图５）。其中 ＨＨ 极化中冰山、背景的后 向 散 射 系 数 分 别 为 （－２．３８±３．２４）ｄＢ 和（－１６．２９±４．７４）ｄＢ，ＨＶ 极化分别为（－８．１５±２．６１）ｄＢ和（－２５．３３±１．６４）ｄＢ，前者的回波强度高于后者，都超过了等效本底噪声（约－２８ｄＢ［１１］），因而具备较好的信噪比；相比之下，表征体散射机制的 ＨＶ 极化，其冰山和背景的后向散射系数差异略大，受入射角影响小甚至可忽略，因此选用 ＨＶ极化数据的后向散射系数用于冰山检测研究。３．３　冰山检测结果与分析模型输入参数主要有：图像分块大小、初始阈值、冰山检测阈值、区域生长阈值和循环次数。图像分块不能太小，保证足够数量的像素计算背景均值和方差，具体设置需参考图像中冰山数量和尺寸，文中选４４１ 海洋学报　４０卷ＳＡＲ图像分块ＣＦＡＲ迭代的极地冰山检测刘振宇１，张毅２，张晰３，张婷３（１．中南民族大学 资源与环境学院，湖北 武汉 ４３００７４；２．国家海洋局空间海洋遥感与应用研究重点实验室，北京１０００８１；３．国家海洋局第一海洋研究所，山东 青岛 ２６６０６１）收稿日期：２０１８－０１－２３；修订日期：２０１８－０４－１７。基金项目：国家 重 点 研 发 计 划（２０１８ＹＦＣ１４０７２０３）；中 央 公 益 性 科 研 院 所 基 本 业 务 费 专 项 （２００９Ｇ１３，２０１４Ｇ３１）；海 洋 局 重 点 实 验 室 开 放 基 金（２０１７０２００３）。作者简介：刘振宇（１９８３—），男，山东省临沂市人，主要从事海洋遥感研究。Ｅ－ｍａｉｌ：ｓｄｌｙｌｚｙ＠ｗｈｕ．ｅｄｕ．ｃｎ摘要：通过迭代 ＣＦＡＲ算法，本文发展了一种针对分块ＳＡＲ图像的冰山检测方法。考虑到滑动窗口运算负担大、计算效率低，首先对ＳＡＲ图像进行分块，以提取分块内的亮目标冰山。利用高斯模型表征后向散射系数的统计分布，冰山检测阈值可简单地表达为均值和方差的线性组合，将分块内像素逐个比对阈值以检测冰山。考虑到同一场景中尺寸变化大的冰山影响检测精度，以识别的冰山像素做种子执行区域生长，从而提取大尺寸的冰山。针对单个分块迭代上述处理，以降低高斯模型表征分块统计分布的误差，提高冰山检测精度。利用２０１３年１１月２２日和２９日获取自极地海域的两景 ＲＡ－ＤＡＲＳＡＴ－２图像开展验证试验。结果表明，数量多、尺寸变化大并嵌入在海冰等极地常见情形下的冰山，能被文中方法有效识别，选取区域内正确率高达８５％以上，且具有良好的运行效率。关键词：冰山；ＣＦＡＲ迭代；ＳＡＲ图像分块；极地中图分类号：Ｐ２３６；Ｐ７３１．１５ 文献标志码：Ａ 文章编号：０２５３－４１９３（２０１８）１１－０１４１－０８１　引言冰山通常是两极地区的冰原、冰架或冰舌边缘断裂所形成［１］。洋流和风推动冰山漂移，对海上舰船、钻井平台都是一种潜在威胁。此外冰山携带大量淡水，融化后会影响海平面高度以及局部海域的生态环境。因此，开展极地海域的冰山监测研究对航运、海上设施和海洋生态环境具有重要意义。合成孔径雷达（ｓｙｎｔｈｅｔｉｃ　ａｐｅｒｔｕｒｅ　ｒａｄａｒ，ＳＡＲ）技术被广泛应用到冰山监测研究。不受日照、天气影响的ＳＡＲ传感器，更适合获取高纬度海域的冰山信息。就散射机制而言，冰山的回波信号主要是体散射或者多次散射，而周边的海水、海冰和冰水混合物等背景数据，其回波主要是表面散射［１－２］。因而冰山在ＳＡＲ图像上通常是亮目标，与背景的亮度差异显著，通过阈值分割可被区分检测。冰山检测常用单极化强度数据，而 Ｍａｒｉｎｏ等［３－４］认 为 双极化强度比值（ＨＶ／ＨＨ）能体现冰山的体散射或多次散射机制，增强其与背景的亮度差异，计算过程中首先在 ＨＶ 图像中计算测试窗口均值与训练窗口均值的差值，然后除以 ＨＨ图像中训练窗口均值，最后通过阈值判断检测冰山，利用 ＲＡＤＡＲＳＡＴ－２和 Ｓｅｎｔｉｎｅｌ－１Ａ 双极化数据验证了算法。但没有给出阈值的计算方法，而且需调整窗口大小以检测不同尺寸冰山。为提取尺寸变化较大的冰山，Ｍａｚｕｒ等［５］引入面向对象的方法，利用ｅＣｏｇ－ｎｉｔｉｏｎ分割 ＡＳＡＲ 图像得到不同尺度下５种分割结图５　ＨＨ（ａ）和 ＨＶ（ｂ）极化冰山和背景后向散射系数随入射角的变化Ｆｉｇ．５　Ｓｃａｔｔｅｒ　ｐｌｏｔｓ　ｏｆ　ｂａｃｋｓｃａｔｔｅｒｉｎｇ　ｃｏｅｆｆｉｃｉｅｎｔ　ｆｏｒ　ｉｃｅｂｅｒｇｓ　ａｎｄ　ｂａｃｋｇｒｏｕｎｄ　ｖｅｒｓｕｓ　ｉｎｃｉｄｅｎｃｅ　ａｎｇｌｅ　ｏｆ　ＨＨｐｏｌａｒｉｚａｔｉｏｎ（ａ）ａｎｄ　ＨＶ　ｐｏｌａｒｉｚａｔｉｏｎ（ｂ），ｒｅｓｐｅｃｔｉｖｅｌｙ用２５６×２５６。设定初始阈值，提取亮度差异显著冰山，可降低后续运算负担，提高冰山检测精度［１２］。文中设定初始阈值为－８ｄＢ（ＨＶ 极化冰山平均值）。冰山检测阈值参考公式（２），区域生长阈值为种子点与临域像素的亮度差，文中利用背景标准差σｂ设定，可 根据循环自适应调整。循环次数根据实际情况设定，超过一定次数后，检测结果将不再变化。图６给出一个训练窗口（取自区域１）的冰山检测结果，初始阈值为－８ｄＢ，冰山检测阈值 Ｔ ＝μｂ ＋４．６σｂ ，区域生长阈值σｂ，循环次数为４，随循环次数增加，越来越多的冰山被检测到，冰山尺寸也更接近原始图像冰山大小。图６　不同循环冰山检测结果Ｆｉｇ．６　Ｉｃｅｂｅｒｇｓ　ｄｅｔｅｃｔｉｏｎ　ｉｎ　ｄｉｆｆｅｒｅｎｔ　ｃｙｃｌｅａ．原始图像（２５６×２５６）；ｂ．初始阈值为－８ｄＢ的分割结果；ｃ、ｄ、ｅ、ｆ分别对应循环１、２、３和４次结果ａ．Ｏｒｉｇｉｎａｌ　ｉｍａｇｅ（２５６×２５６）；ｂ．ｓｅｇｍｅｎｔａｔｉｏｎ　ｒｅｓｕｌｔ　ｏｆ　ｉｎｉｔｉａｌ　ｔｈｒｅｓｈｏｌｄ－８ｄＢ；ｃ，ｄ，ｅ，ｆ　ｃｏｒｒｅｓｐｏｎｄｉｎｇ　ｔｏ　ｒｅｓｕｌｔｓ　ｉｎ　ｃｙｃｌｅ　１，２，３，ａｎｄ　４，ｒｅｓｐｅｃｔｉｖｅｌｙ１１期　刘振宇等：ＳＡＲ图像分块 ＣＦＡＲ迭代的极地冰山检测５４１区域１ＨＶ 极化后向散射系数，图像大小１　３７８×１　８７３，研究区域背景为海冰和海水，冰山数目众多且尺寸变化较大，也有嵌入海冰的小冰山。上述３个因素都增加冰山检测的困难，因而可验证文中算法的性能。研究区域内约１４２座冰山，部分海冰的亮度与冰山接近，较难区分，事实上变形冰、多年冰的回波强度与冰山接近，干扰冰山检测，即使目视解译也较难区分，这是冰山检测的难点［３－４］。但不是本文关注的重点，因而文中忽略该因素。为定量评估冰山识别结果，随机选取了两个区域，其中左上角共１９座有冰山，右下角共有１６座冰山（图７）。图８给了区域１的冰山检测结果，首先设定初始阈值为－８ｄＢ，阈值Ｔ＝μｂ＋４．６σｂ，区域生长阈值为σｂ ，循环次数设定４。检测结果中，左上角区域共检测１８座冰山，漏检１座，右下角共识别１４座冰山，漏检２座；正确识别率８７．５％。这表明文中算法能够识别尺寸变化较大以及嵌入在海冰中的冰山。图７　区域１ＨＶ极化后向散射系数Ｆｉｇ．７　Ｂａｃｋｓｃａｔｔｅｒｉｎｇ　ｃｏｅｆｆｉｃｉｅｎｔ　ｏｆ　ＨＶ　ｆｏｒ　ｒｅｇｉｏｎ　１图８　区域１冰山识别结果Ｆｉｇ．８　Ｉｃｅｂｅｒｇ　ｄｅｔｅｃｔｉｏｎ　ｒｅｓｕｌｔ　ｆｏｒ　ｒｅｇｉｏｎ　１　　图９ａ对应区域２ＨＶ 极化的后向散射系数图像，方框标识出冰山的分布状况，共计约１９座可识别冰山。设定初始阈值为－８ｄＢ，阈值设 Ｔ＝μｂ＋４．８σｂ，区域生长阈值为０．９σｂ，循环次数设定３，经计算后的冰山检测结果见图９ｂ。１９座冰山都被正确识别，漏检率为０，这表明冰山与背景亮度值的差异显著，但是有部分背景信息被错误识别为冰山（见方框），这可能是变形冰干扰了冰山检测结果。幸运的是，这些误检冰山较小，可设定冰山像素数目阈值，消除其影响。图９　区域２ＨＶ极化后向散射系数图像（ａ）和冰山检测结果（ｂ）Ｆｉｇ．９　Ｂａｃｋｓｃａｔｔｅｒｉｎｇ　ｃｏｅｆｆｉｃｉｅｎｔ　ｏｆ　ＨＶ （ａ）ａｎｄ　ｉｃｅｂｅｒｇ　ｄｅｔｅｃｔｉｏｎ（ｂ）ｆｏｒ　ｒｅｇｉｏｎ　２６４１ 海洋学报　４０卷　　文中方法运行效率较高。海冰分类研究中常用１　０００×１　０００图像测试算法［１３］。借鉴该尺寸，选用区域１图像（１　３７８×１　８７３）测试方法运算效率。测试电脑配置为ｉ５双核２．６ＧＨＺ＋４Ｇ 内存，安装 Ｗｉｎ８操作系统，在 Ｍａｔｌａｂ２０１４环境中编程实现算法，识别区域１中的冰山，运行时间小于５ｍｉｎ。考虑到该算法采用分 块 执 行，其 运 行 时 间 少 于 常 用 逐 像 素 扫 描算法。４　结论与展望本文将ＣＦＡＲ迭代应用到冰山检测研究，选用高斯模型表征后向散射系数的统计分布，通过图像分块以提高运算效率，将分块图像作训练窗口，统计背景均值和标准差以计算检测阈值，然后遍历训练窗口检测冰山像素，同时以识别冰山为种子点执行区域增长，以识别大尺寸冰山，迭代上述过程，提高冰山检测精度。研究结果表明，后向散射系数在统计分布上接近高斯模型，每次 ＣＦＡＲ迭代后得到的阈值，都更接近冰山检测真值，因而小冰山被有效识别，同执行区域生长大冰山被正确提取。因而文中方法在冰山数量多且 尺 寸 变 化 大 的 条 件 下，冰 山 识 别 准 确 率 在８５％以上。文中研究也存在问题：ＲＡＤＡＲＳＡＴ－２提供双极化数据，只采用了 ＨＶ 单极化数据，后续研究可考虑采用双极化数据增强冰山与背景对比差异，以更好地检测冰山；此外后续需关注冰山的面积、边缘位置的准确检测等问题。参考文献：［１］　Ｋｉｍ　Ｊ　Ｗ，Ｋｉｍ　Ｄ　Ｊ，Ｋｉｍ　Ｓ　Ｈ，ｅｔ　ａｌ．Ｉｃｅｂｅｒｇ　ｄｅｔｅｃｔｉｏｎ　ｕｓｉｎｇ　ｆｕｌｌ－ｐｏｌａｒｉｍｅｔｒｉｃ　ＲＡＦＡＲＳＡＴ－２ＳＡＲ　ｄａｔａ　ｉｎ　ｗｅｓｔ　ａｎｔａｒｃｔｉｃａ［Ｃ］／／Ｐｒｏｃｅｅｄｉｎｇｓ　ｏｆ　ｔｈｅ２０１１　３ｒｄ　Ｉｎｔｅｒｎａｔｉｏｎａｌ　Ａｓｉａ－Ｐａｃｉｆｉｃ　Ｃｏｎｆｅｒｅｎｃｅ　ｏｎ　Ｓｙｎｔｈｅｔｉｃ　Ａｐｅｒｔｕｒｅ　Ｒａｄａｒ．Ｓｅｏｕｌ，Ｓｏｕｔｈ　Ｋｏｒｅａ：ＩＥＥＥ，２０１１：１－４．［２］　Ｄｉｅｒｋｉｎｇ　Ｗ，Ｗｅｓｃｈｅ　Ｃ．Ｃ－ｂａｎｄ　ｒａｄａｒ　ｐｏｌａｒｉｍｅｔｒｙ－ｕｓｅｆｕｌ　ｆｏｒ　ｄｅｔｅｃｔｉｏｎ　ｏｆ　ｉｃｅｂｅｒｇｓ　ｉｎ　ｓｅａ　ｉｃｅ？［Ｊ］．ＩＥＥＥ　Ｔｒａｎｓａｃｔｉｏｎｓ　ｏｎ　Ｇｅｏｓｃｉｅｎｃｅ　ａｎｄ　ＲｅｍｏｔｅＳｅｎｓｉｎｇ，２０１４，５２（１）：２５－３７．［３］　Ｍａｒｉｎｏ　Ａ，Ｄｉｅｒｋｉｎｇ　Ｗ，Ｗｅｓｃｈｅ　Ｃ．Ａ　ｄｅｐｏｌａｒｉｚａｔｉｏｎ　ｒａｔｉｏ　ａｎｏｍａｌｙ　ｄｅｔｅｃｔｏｒ　ｔｏ　ｉｄｅｎｔｉｆｙ　ｉｃｅｂｅｒｇｓ　ｉｎ　ｓｅａ　ｉｃｅ　ｕｓｉｎｇ　ｄｕａｌ－ｐｏｌａｒｉｚａｔｉｏｎ　ＳＡＲ　ｉｍａｇｅｓ［Ｊ］．ＩＥＥＥ　Ｔｒａｎｓａｃｔｉｏｎｓ　ｏｎ　Ｇｅｏｓｃｉｅｎｃｅ　ａｎｄ　Ｒｅｍｏｔｅ　Ｓｅｎｓｉｎｇ，２０１６，５４（９）：５６０２－５６１５．［４］　Ｍａｒｉｎｏ　Ａ，Ｄｉｅｒｋｉｎｇ　Ｗ，Ｗｅｓｃｈｅ　Ｃ．Ｃｏｎｔｒａｓｔ　ｅｎｈａｎｃｅｍｅｎｔ　ｆｏｒ　ａｎ　ｉｃｅｂｅｒｇ　ｄｅｔｅｃｔｏｒ　ｗｉｔｈ　ａ　ＣＦＡＲ　ｔｅｓｔ　ｕｓｉｎｇ　ｄｕａｌ－ｐｏｌａｒｉｚｅｄ　ｒａｄａｒ　ｉｍａｇｅｒｙ［Ｃ］／／Ｐｒｏ－ｃｅｅｄｉｎｇｓ　ｏｆ　２０１６Ｅｕｒｏｐｅａｎ　Ｒａｄａｒ　Ｃｏｎｆｅｒｅｎｃｅ．Ｌｏｎｄｏｎ，ＵＫ：ＩＥＥＥ，２０１６．［５］　Ｍａｚｕｒ　Ａ　Ｋ，Ｗｈｌｉｎ　Ａ　Ｋ，Ｋｒｅｚｅ．ｌ　Ａ．Ａｎ　ｏｂｊｅｃｔ－ｂａｓｅｄ　ＳＡＲ　ｉｍａｇｅ　ｉｃｅｂｅｒｇ　ｄｅｔｅｃｔｉｏｎ　ａｌｇｏｒｉｔｈｍ　ａｐｐｌｉｅｄ　ｔｏ　ｔｈｅ　Ａｍｕｎｄｓｅｎ　Ｓｅａ［Ｊ］．Ｒｅｍｏｔｅ　Ｓｅｎｓｉｎｇ　ｏｆＥｎｖｉｒｏｎｍｅｎｔ，２０１７，１８９：６７－８３．［６］　Ｂｕｕｓ－Ｈｉｎｋｌｅｒ　Ｊ，Ｑｖｉｓｔｇａａｒｄ　Ｋ，Ｋｒａｎｅ　Ｋ　Ａ　Ｈ．Ｉｃｅｂｅｒｇ　ｎｕｍｂｅｒ　ｄｅｎｓｉｔｙ—Ｒｅａｃｈｉｎｇ　ａ　ｆｕｌｌ　ｐｉｃｔｕｒｅ　ｏｆ　ｔｈｅ　Ｇｒｅｅｎｌａｎｄ　ｗａｔｅｒｓ［Ｃ］／／Ｐｒｏｃｅｅｄｉｎｇｓ　ｏｆ　２０１４ＩＥＥＥ　Ｇｅｏｓｃｉｅｎｃｅ　ａｎｄ　Ｒｅｍｏｔｅ　Ｓｅｎｓｉｎｇ　Ｓｙｍｐｏｓｉｕｍ．Ｑｕｅｂｅｃ　Ｃｉｔｙ，ＱＣ，Ｃａｎａｄａ：ＩＥＥＥ，２０１４：２７０－２７３．［７］　Ｗｅｓｃｈｅ　Ｃ，Ｄｉｅｒｋｉｎｇ　Ｗ．Ｉｃｅｂｅｒｇ　ｓｉｇｎａｔｕｒｅｓ　ａｎｄ　ｄｅｔｅｃｔｉｏｎ　ｉｎ　ＳＡＲ　ｉｍａｇｅｓ　ｉｎ　ｔｗｏ　ｔｅｓｔ　ｒｅｇｉｏｎｓ　ｏｆ　ｔｈｅ　Ｗｅｄｄｅｌｌ　Ｓｅａ，Ａｎｔａｒｃｔｉｃａ［Ｊ］．Ｊｏｕｒｎａｌ　ｏｆ　Ｇｌａｃｉｏｌｏ－ｇｙ，２０１２，５８（２０８）：３２５－３３９．［８］　Ｗｅｓｃｈｅ　Ｃ，Ｄｉｅｒｋｉｎｇ　Ｗ．Ｎｅａｒ－ｃｏａｓｔａｌ　ｃｉｒｃｕｍ－ａｎｔａｒｃｔｉｃ　ｉｃｅｂｅｒｇ　ｓｉｚｅ　ｄｉｓｔｒｉｂｕｔｉｏｎｓ　ｄｅｔｅｒｍｉｎｅｄ　ｆｒｏｍ　ｓｙｎｔｈｅｔｉｃ　ａｐｅｒｔｕｒｅ　ｒａｄａｒ　ｉｍａｇｅｓ［Ｊ］．Ｒｅｍｏｔｅ　Ｓｅｎｓ－ｉｎｇ　ｏｆ　Ｅｎｖｉｒｏｎｍｅｎｔ，２０１５，１５６：５６１－５６９．［９］　Ｆｒｏｓｔ　Ａ，Ｒｅｓｓｅｌ　Ｒ，Ｌｅｈｎｅｒ　Ｓ．Ａｕｔｏｍａｔｅｄ　ｉｃｅｂｅｒｇ　ｄｅｔｅｃｔｉｏｎ　ｕｓｉｎｇ　ｈｉｇｈ－ｒｅｓｏｌｕｔｉｏｎ　Ｘ－ｂａｎｄ　ＳＡＲ　ｉｍａｇｅｓ［Ｊ］．Ｃａｎａｄｉａｎ　Ｊｏｕｒｎａｌ　ｏｆ　Ｒｅｍｏｔｅ　Ｓｅｎｓｉｎｇ，２０１６，４２（４）：３５４－３６６．［１０］　Ｇａｏ　Ｇｕｉ，Ｌｉｕ　Ｌｉ，Ｚｈａｏ　Ｌｉｎｇｊｕｎ，ｅｔ　ａｌ．Ａｎ　ａｄａｐｔｉｖｅ　ａｎｄ　ｆａｓｔ　ＣＦＡＲ　ａｌｇｏｒｉｔｈｍ　ｂａｓｅｄ　ｏｎ　ａｕｔｏｍａｔｉｃ　ｃｅｎｓｏｒｉｎｇ　ｆｏｒ　ｔａｒｇｅｔ　ｄｅｔｅｃｔｉｏｎ　ｉｎ　ｈｉｇｈ－ｒｅｓｏｌｕｔｉｏｎＳＡＲ　ｉｍａｇｅｓ［Ｊ］．ＩＥＥＥ　Ｔｒａｎｓａｃｔｉｏｎｓ　ｏｎ　Ｇｅｏｓｃｉｅｎｃｅ　ａｎｄ　Ｒｅｍｏｔｅ　Ｓｅｎｓｉｎｇ，２００９，４７（６）：１６８５－１６９７．［１１］　Ｍｋｙｎｅｎ　Ｍ，Ｋａｒｖｏｎｅｎ　Ｊ．Ｉｎｃｉｄｅｎｃｅ　ａｎｇｌｅ　ｄｅｐｅｎｄｅｎｃｅ　ｏｆ　ｆｉｒｓｔ－ｙｅａｒ　ｓｅａ　ｉｃｅ　ｂａｃｋｓｃａｔｔｅｒｉｎｇ　ｃｏｅｆｆｉｃｉｅｎｔ　ｉｎ　ｓｅｎｔｉｎｅｌ－１ＳＡＲ　ｉｍａｇｅｒｙ　ｏｖｅｒ　ｔｈｅ　Ｋａｒａ　Ｓｅａ［Ｊ］．ＩＥＥＥ　Ｔｒａｎｓａｃｔｉｏｎｓ　ｏｎ　Ｇｅｏｓｃｉｅｎｃｅ　ａｎｄ　Ｒｅｍｏｔｅ　Ｓｅｎｓｉｎｇ，２０１７，５５（１１）：６１７０－６１８１．［１２］　Ｔａｏ　Ｄｉｎｇ，Ｄｏｕｌｇｅｒｉｓ　Ａ　Ｐ，Ｂｒｅｋｋｅ　Ｃ．Ａ　ｓｅｇｍｅｎｔａｔｉｏｎ－ｂａｓｅｄ　ＣＦＡＲ　ｄｅｔｅｃｔｉｏｎ　ａｌｇｏｒｉｔｈｍ　ｕｓｉｎｇ　ｔｒｕｎｃａｔｅｄ　ｓｔａｔｉｓｔｉｃｓ［Ｊ］．ＩＥＥＥ　Ｔｒａｎｓａｃｔｉｏｎｓ　ｏｎ　Ｇｅｏ－ｓｃｉｅｎｃｅ　ａｎｄ　Ｒｅｍｏｔｅ　Ｓｅｎｓｉｎｇ，２０１６，５４（５）：２８８７－２８９８．［１３］　Ｗａｎｇ　Ｌｅｉ，Ｓｃｏｔｔ　Ｋ　Ａ，Ｃｌａｕｓｉ　Ｄ　Ａ．Ｉｍｐｒｏｖｅｄ　ｓｅａ　ｉｃｅ　ｃｏｎｃｅｎｔｒａｔｉｏｎ　ｅｓｔｉｍａｔｉｏｎ　ｔｈｒｏｕｇｈ　ｆｕｓｉｎｇ　ｃｌａｓｓｉｆｉｅｄ　ＳＡＲ　ｉｍａｇｅｒｙ　ａｎｄ　ＡＭＳＲ－Ｅ　ｄａｔａ［Ｊ］．Ｃａｎａ－ｄｉａｎ　Ｊｏｕｒｎａｌ　ｏｆ　Ｒｅｍｏｔｅ　Ｓｅｎｓｉｎｇ，２０１６，４２（１）：４１－５２．１１期　刘振宇等：ＳＡＲ图像分块 ＣＦＡＲ迭代的极地冰山检测７４１