会影响其识别程度。目前，利用几何结构特征来识别 SAR 图像中的舰船目标只能达到类型级，若要识别舰船的具体型号，则需进一步研究舰船目标的电磁散射特征。SAR 图像舰船目标识别的主要流程如图 1 所示，主要包括预处理、特征提取与选择、分类识别 3个步骤:第 1 步，预处理主要包括噪声滤除和目标分割。噪声滤除主要是去除 SAR 图像中的相干斑噪声，大致分为基于 SAR 斑点噪声统计特性的空域滤波和基于多分辨分析的去斑两种。目标分割是指从 SAR 图像中提取出感兴趣的区域，根据是否需要先验知识，针对 SAR 图像的目标分割算法主要分为两类: 基于数据驱动的算法和基于模型驱动的算法。第 2 步，特征提取与选择是在目标分割的基础上提取能够精确地描述目标区域的分类特征，其主要目的是减少目标的信息量，去除冗余信息，从而提高识别速度和精度。第 3 步，分类识别是通过一个分类器识别出舰船的类别。其中特征提取与选择和分类器的设计是影响SAR 图像舰船目标识别性能的关键，下文将对其进行详细分析。图 1 SAR 图像舰船目标识别流程图2 特征提取与选择特征提取是 SAR 图像舰船目标识别的核心内容，对分类器设计及其性能有很大的影响。不同于一般的光学图像能够比较完整地描述目标的整体形状，SAR图像表现为稀疏的散射中心分布; 而且由于成像条件的不同，目标的 SAR 图像具有易变性，尤其是随着目标方位角的变化有不同的表象; 同时 SAR 图像还是髙维矢量。因此，通过有效地选择并快速提取目标特征能从 SAR 图像中获取对目标紧凑、稳健的描述，从而提高目标识别的性能和效率。SAR 图像舰船目标特征提取方面，研究者广泛应用的主要是几何结构特征、电磁散射特征、变换特征和局部不变特征等，如图 2 所示。此外，舰船目标的编队特征也是一种重要的 SAR图像舰船目标识别特征。2． 1 几何特征目前，几何结构特征被广泛应用于 SAR 图像舰船目标识别中，常用的有周长、面积、长度、细长度等尺度与形状特征［4］和标准差、分形维数、加权填充比等纹理特征［5］等。对一幅只包含一个舰船目标的 SAR 图像切片 I( m，n) ，考虑只包含目标区域的二值图 B( m，n) ，则只包含目标的图像 T( m，n) = I( m，n) ×B( m，n) ，其中×表示对应像素相乘。在 B( m，n) 中根据目标的主轴方向求取目标区域的外接矩形，此时舰长就是该矩形的长边长度 L，舰宽是该矩形的短边长度 W。图 2 SAR 图像舰船目标识别中常用的特征周长定义为围绕目标区域的边缘像素的数目P = ΣMm = 1ΣNn = 1edge( B( m，n) ) ( 1)面积定义为目标区域中的像素数目S = ΣMm = 1ΣNn = 1B( m，n) ( 2)长宽比定义为舰长与舰宽之比R = L / W ( 3)形状复杂度定义为目标区域边缘长度的平方与区域面积的比值的14π倍，形状复杂度值越大，舰船目标的边缘结构越复杂C =L24πS( 4)转动惯量描述散射截面在目标区域中的分布，即目标质量对于质心的空间扩展程度F = ΣMm = 1ΣNn = 1T( m，n) ·r2( 5)—45—2012，34( 11) 现 代 雷 达要用于 SAR 图像舰船目标的尾迹检测，在 SAR 图像舰船目标识别中的应用还未见报道。2． 4 局部不变特征由于 SAR 成像的特殊性和成像环境的复杂性，SAR 图像具有易变性，尤其是对目标方位角较为敏感。为了获取 SAR 图像舰船目标的精确、稳健的描述，局部不变特征受到研究者越来越广泛的关注。对图像的各种变化，如几何变换、视角变化、卷积变换等保持不变的局部特征的描述，称为局部不变特征。其基本思想是提取图像内容的本质属性特征，这些特征具有自适应性，与 SAR 图像内容的具体表现形式无关，可以有效地描述图像内容从而识别目标。最典型的局部 不 变 特 征 是 由 二 阶 和 中 心 矩 推 导 出 的 Hu矩［21］。I( m，n) 是尺寸为 M×N 的 SAR 图像的一个点，它的 p+q 阶二维矩和中心矩定义为mpq= ΣMm = 1ΣNn = 1mpnqI( m，n) ( 9)upq= ΣMm = 1ΣNn = 1( m － m)p( n － n)qI( m，n) ( 10)式中: m =m10m00，n =m01m00，由二阶矩和三阶矩推导出 7 个矩不变量，即 Hu 矩1= η20+ η02( 11)2= ( η20－ η02)2+ 4η211( 12)3= ( η30－ 3η12)2+ ( 3η21－ η03)2( 13)4= ( η30+ η12)2+ ( η21+ η03)2( 14)5= ( η30－ 3η12) ( η30+ η12) 〔( η30+ η12)2－ 3( η21+ η03)2〕+( 3η21－ η03) ( η21+ η03) 〔( 3( η30+ η12)2－ ( η21+ η03)2〕( 15)6= ( η20－ η02) 〔( η30+ η12)2－ ( η21+ η03)2〕+4η11( η30+ η12) ( η21+ η03) ( 16)7= ( 3η21－ η03) ( η30+ η12) 〔( η30+ η12)2－ 3( η21+ η03)2〕－( η30－ 3η12) ( η21+ η03) 〔3( η30+ η12)2－ ( η21+ η03)2〕( 17)式中: ηpq是规格化中心矩，定义为ηpq=upqur00， r =p + q2且 p+q =2，3，…。此外，微分不变量、广义不变矩、SIFT 特征等也可用于 SAR 图像舰船目标识别。局部不变特征由于其较强的不变性，其识别性能通常优于基于其他特征的舰船识别，且可减少识别系统的复杂性。2． 5 特征选择如上所述，可用于 SAR 图像舰船目标识别的特征很多，但不同的特征及其组合对舰船目标识别的贡献是不一致的，为了降低计算量和存储空间，提高识别的正确率和速度，需要选取对具体舰船目标识别问题中最有效的识别特征。一般来说，特征选择可看作是一个搜索寻优问题，其搜索过程中应考虑以下因素:首先，为了有效地识别目标，特征选择应考虑特征描述目标的精确性。不同于光学图像的清晰直观、边缘易检测，SAR 图像中不同类型的舰船目标在几何轮廓和几何参数上并不具有明显的区别，因此，几何特征无法精确地描述 SAR 图像舰船目标。由于 SAR 成像的特殊性及舰船目标的复杂性，电磁特征更好地反映了目标的本质属性，是比几何特征更精确的描述。变换特征不具有明显的物理意义，而局部不变特征具有较强的不变性，是对舰船目标的精确描述。其次，为了降低系统的复杂性、提高识别速率，特征选择应考虑特征提取的易操作性。几何特征的提取最简单; 变换特征只是纯粹的数据处理，提取也较为简单; 而电磁特征受目前 SAR 图像分辨率的限制，其提取存在一定的困难。最后，特征选择还应考虑各项特征之间的相关性及冗余特征的负面影响。目前，针对 SAR 图像舰船目标识别的特征选择研究还尚未见公开报道。3 分类器设计分类识别是 SAR 图像舰船目标识别的关键步骤，如何设计分类器，提高分类精度、改善分类性能，也是国内外研究的重点。在无法获得先验舰船类别作为训练样本的情况下，常用无监督分类方法进行 SAR 图像舰船目标识别，Gerard Margarit［15］将对应散射中心的欧式距离作为观测舰船与模型的相似程度的度量，对舰船进行分类识别，获得了较好的分类性能。此外，句法结构、神经网络、模糊逻辑等技术都在 SAR 图像舰船目标识别中得到了应用，并取得了一些研究成果。对于舰船这一复杂目标，只提取它们的数值特征构成的特征矢量往往不能深刻细致、全面准确地对其进行 描 述，为 了 充 分 利 用 目 标 的 结 构 信 息，RobertKlepko［22］用特征值的句法来描述舰船目标，进行 SAR图像舰船目标识别。神经网络直接通过训练就可建立通用的分类方案，其易推广性使神经网络被广泛应用于 SAR 舰船识别。Hossam Osman［23］仿真了机载 SAR 船目标数据库，分为训练集和测试集两部分，采用 3 层后向传播( BP) 神经网络分类器对 8 类船目标进行了分类识别—65—2012，34( 11) 现 代 雷 达心的距离。标准差是对图像的像素起伏的统计度量σ = S2－S21槡N( 6)其中S1= ΣMm = 1ΣNn = 110lg T( m，n) ，S2= ΣMm = 1ΣNn = 1〔10lg T( m，n) 〕2分形维数是目标空间维的度量，反映了目标强亮散射块的空间分布，定义为目标区域中最亮的 个点空间分布的 Hausdorff 距离H =lg N1－ lg N2lgd1－ lgd2( 7)该特征的计算方法是: 用分割后的 SAR 图像切片创建一个保留目标区域的 K( 通常取 K = 50) 个最亮像素点的二值图 B2( m，n) ，先用一个 d1×d1大小的窗口在二值图中滑动，记录窗口中含有亮点的窗口总数为N1，再用一个 d2×d2大小的窗口在二值图中滑动，记录在窗口中含有亮点的窗口总数为 N2。加权填充比定义为目标区域 k 个最亮散射点的能量占目标区域总能量的百分比η =ΣMm = 1ΣNn = 1I( m，n) ·B2( m，n)ΣMm = 1ΣNn = 1T( m，n)( 8)这些几何结构特征提取方法简单，通常是在目标分割后根据定义计算，它是对目标的直观描述，但不够精确，无法有效的将各类目标区分开来。为了获取目标的精确描述，研究者对几何结构特征进行了更深入的研究。Wang Juan 等［6］提出了用活动外观模型( Ac-tive Appearance Model，AAM) 对 SAR 图像舰船分类，AAM 包括外形模型和纹理模型，从形状和灰度级上对SAR 图像中的船目标精确描述。Knapskog 等［7］把轮廓作为舰船目标的特征，利用 3D 模型和轮廓模板对Terra SAR－X 图像中的船只进行了分类。2． 2 电磁特征近年来，电磁散射特征得到越来越广泛的研究，它直接与目标的散射特性相关，更能反映目标的本质信息，在 SAR 图像舰船目标识别中有很大潜力，其缺陷是提取困难，对 SAR 图像的分辨率要求较高。电磁散射特征主要有峰值特征［8］和散射中心特征两类。对于峰值特征的提取，Bhanu 等［9］研究了利用峰值序列的 Hausdorff 距离测试从而进行 SAR 图像的识别问题，该方法对于具有一定程度铰接的目标，也能得到较好的效果。Wang 和 Binford［10］利用二维高斯函数拟合峰值，并用 2 种不同的峰值检测算法提取出了峰值的位置、宽度和幅度。计科峰等［11］从 SAR 成像几何、目标方位和仰角变化两个方面分析了峰值特征的稳定性。提取目标的散射中心特征要解决 2 个问题:( 1) 如何建立合理的散射中心参数模型，以简洁的形式准确地反映目标散射特性。( 2) 如何利用建立的参数散射模型，快速、有效地从实测图像提取目标的散射中心特征。最初，SAR 的分辨率较低，常采用 Prony 模型等［12］点散射中心来描述舰船目标。而在高分辨率 SAR 中，由于舰船目标具有的复杂结构，如舰桥、桅杆、甲板等，具有不同的散射特性，常采用属性散射中心模型( Attributed ScatteringCenter Model)［13］描述舰船目标。属性散射中心模型是基于几何绕射理论和规则目标的物理光学解提出的目标二维散射中心模型，其模型参数包含了散射中心丰富的物理属性和几何属性。目标散射中心提取方法有参数化方法和非参数化方法两种。参数化方法可以看作是谱分析中的参数估计问题，有频域和复图像域两种方式。非参数化方法主要是通过极化分解提取目标散射特征。Ridha Touzi等［14］从船目标的电磁散射机理出发，通过极化分解，用永久对称散射体来描述 SAR 图像中的船目标，从而将它们分类识别。但舰船运动造成多普勒质心偏移时，对称极化描述方法( Symmetric Scattering Character-ization Method，SSCM) 的分类性能下降。针对这一问题，Gerard Margarit 等根据 Pauli 准则提取主要散射中心特征［15－16］用于 SAR 图像舰船目标识别，充分利用SAR 图像的相位信息，使其在较强海杂波和舰船处于运动状态时仍能有效的识别各类舰船目标。该算法根据 SAR 图像上强散射点的有源散射矩阵计算其 Pauli矢量，通过相应计算获得舰船目标的三维高程信息，形成舰船目标的散射分布图，从而获知舰船目标的几何结构进行分类。2． 3 变换特征SAR 图像是髙维矢量，解译时处理信息量大、效率低。因此，常对 SAR 图像进行小波变换等，将图像空间映射到相应的变换空间，以达到降低空间维数，减少处理信息量的目的。对于 SAR 图像舰船目标识别，变换特征也是描述舰船目标的重要分类特征，其缺陷是不具有明显的物理意义。变换特征的提取不考虑目标的先验知识和相关信息，只是通过纯粹的数据处理技术对图像数据进行分析。常用的线性变化有小波变换( Wavelet Transform，WT)［17］、主成分分析( PrincipalComponent Analysis，PCA )［18］、独 立 成 分分 析 ( Inde-pendent Component Analysis，ICA)［19］。Radon 变换［20］—55—·信号/数据处理· 陈文婷，等: SAR 图像舰船目标识别综述 2012，34( 11)SAR 图像舰船目标识别综述陈文婷，邢相薇，计科峰( 国防科技术大学 电子科学与工程学院， 长沙 410073)摘要:SAR 图像舰船目标识别是 SAR 图像海洋监视应用中的一项关键技术。在广泛文献调研的基础上，首先建立了 SAR图像舰船目标识别的主要流程; 接着对用于 SAR 图像舰船目标识别的众多特征进行归纳整理，分析了其物理意义及优缺点; 然后对用于 SAR 图像舰船目标的分类算法进行了较为全面的综述; 最后分析了目前研究中所面临的主要问题，展望了进一步研究的主要方向。关键词:SAR 图像; 舰船目标识别; 特征提取; 分类算法A Survey of Ship Target Recognition in SAR ImagesCHEN Wen-ting，XING Xiang-wei，JI Ke-feng( College of Electronic Science and Engineering，National University of Defense Technology， Changsha 410073，China)Abstract: Ship target recognition in SAR images is a key technology in SAR ocean surveillance domain． Based on researching liter-atures widely，firstly，the main flow of ship recognition in SAR images is built in this paper; secondly，a lot of features，with theirphysical meanings，advantages and disadvantages for ship recognition in SAR images，are discussed; thirdly，many existing classi-fication algorithms applied to ship recognition in SAR images are summarized roundly; finally，the problems which are faced with inour research are analyzed，and the further research directions of ship farget recognition in SAR image are concluded．Key words: SAR images; ship target recognition; feature extraction; classification algorithm基金项目:武器装备预研基金项目通信作者:陈文婷 Email: yuting07290301@ 163． com收稿日期:2012-06-14 修订日期:2012-09-210 引 言不同于光学和红外等被动式遥感器，SAR 不受天气、光照等诸多条件的影响，能够宏观、长期、连续、动态、实时地对海洋进行观测［1］。随着 SAR 及其图像解译技术的发展，SAR 图像舰船目标识别的研究得到了高度重视，已成为海洋应用领域的一个重要研究方向和热点问题。一方面，舰船识别可用于渔业管理、非法移民监控、海洋救援等民用领域，另一方面，舰船目标识别可以提取舰船的位置、类型、航向等重要参数，及时获得海上作战的军事情报，对夺取海上战场主动权、确保军事行动的成功起到重要作用。1978 年，SEASAT 的成功发射开启 SAR 海洋应用的研究。随着各种星载 SAR 系统的投入使用，西方国家对 SAR 图像海洋监视特别是舰船监视进行了深入的研究。国外已建立和正在建立的 SAR 舰船目标监视系统主要包括: 加拿大的海洋监视工作站( OceanMonitoring Workstation，OMW)［1］系统，美国阿拉斯加SAR 演示验证系统( Alaska SAR Demonstration System，AKDEMO)［2］以及在欧盟 IMPAST( Improving FisheriesMonitoring Through Integrating Passive and Active Satel -lite Based Technologies ) 和 DECLIMS ( Detection andClassification of Marine Traffic form Space) 项目执行过程中发展起来的一系列 SAR 图像舰船目标检测系统［3］。但取得的研究成果主要是在 SAR 图像舰船检测和尾迹检测方面，对 SAR 图像舰船目标识别的研究还处于起步阶段，国内外已有文献中的研究成果较少，且未形成系统。本文对 SAR 图像舰船目标识别技术进行综述，在明确这一问题的基础上，总结了特征提取和分类器设计等关键技术的研究现状，探讨了 SAR 图像舰船目标识别存在的问题及进一步研究的方向。1 SAR 图像舰船目标识别流程SAR 图像舰船目标识别的目的是在检测得到的SAR 图像舰船目标切片的基础上，对其进行相应的图像处理，识别出该舰船目标所属类别。一般来说，SAR图像舰船目标的识别程度可分为 3 个等级: 第 1 级为军民级，是将舰船目标分为军舰和民船两大类; 第 2 级为类型级，是将军舰分为航母、战斗舰艇、护卫舰艇和勤务保障船只等，民船分为货轮、油轮等; 第 3 级为型号级，识别舰船的具体型号。SAR 图像舰船目标的识别程度主要受分辨率影响，分辨率越高，识别程度越高。随着 Terra SAR-X 等高分辨率 SAR 图像的获取，研究者们已经可以正确识别舰船目标的类型。此外，—35—分别为 98． 3%、89． 8%、91． 8% ，但由于神经网络输入的是 SAR 图像本身，网络的训练计算量较大，分类速度较慢。L． Gagnon 设计了基于神经网络的机载 SAR 舰船目标分层分类器［24］，减小网络训练量，大大提高分类速度。为解决 SAR 图像中舰船目标对方位角的敏感问题，Andrew Tuttle 等［25］将舰船目标分类看做一个病态定义的分类问题，而模糊逻辑方法可以很好地应用于这类问题中，利用模糊分类实现舰船目标的分类。在SAR 模拟数据的识别实验中，该方法较好地识别了舰船目标; 但在实测数据的识别实验中，它无法有效区分各类舰船。Gerard Margarit［26］进一步研究了基于模糊逻辑的单极化 SAR 图像舰船目标分类识别算法，利用ENVISAT 数据进行分类实验，正确分类率接近 70% 。4 存在的问题及进一步研究方向经过广大研究者的不懈努力，SAR 图像舰船目标识别技术的研究取得了一些有用成果。但总的来说，目前 SAR 图像舰船目标识别技术仍然很不成熟，离实际应用还有一段距离。SAR 图像舰船目标识别目前存在的主要问题有:( 1) 缺少标准的真实 SAR 图像数据集。目前国内外 SAR 图像舰船目标识别的相关研究大都建立在模拟 SAR 数据的基础上，缺少真实 SAR 图像数据的实验验证，不利于实际应用，也阻碍了 SAR 图像舰船目标识别技术的进一步研究发展。( 2) 特征提取与选择方面。对于舰船这一复杂目标，如何提取特征，对其进行准确、稳健的描述，尤为重要。一般来说，识别特征越多，信息量越大，识别性能越好，但实际上由于存在冗余信息，多特征识别的性能未必好，因此，必须考虑对已有的各项特征进行选择。( 3) 分类器设计方面。目前用于 SAR 图像舰船目标识别的分类方法主要是句法分类、神经网络和模糊逻辑等人工干预下的有监督分类，而无监督分类则很少有报道。但监督分类工作量大、人为主观因素较强，如何选取和评估训练样本也是一个需要考虑的问题。针对存在的问题，联系目前国内外相关方面的研究工作，可以发现 SAR 图像舰船目标识别技术的进一步研究方向大概集中在以下方面:( 1) 开展实地实验，收集大量的不同方位角下舰船目标的 SAR 图像，建立标准的真实 SAR 图像数据集，这是开展 SAR 图像舰船目标识别的基础。( 2) 特征提取与选择层面。已有的研究方法中，SAR 目标识别主要利用的信息是目标回波的幅值、相位、频率等，对目标极化信息的利用较少。而随着高分辨率雷达、极化散射矩阵的精确测量等技术的发展，获取稳定、精确的目标极化特征成为可能; 随着 ISAR 的不断发展和广泛应用，ISAR 中的特征提取，如上层建筑矩不变量的提取［27］等技术对 SAR 图像舰船目标识别具有一定的借鉴意义。因此，与极化信息结合［28］、借鉴 ISAR 的特征提取技术等是 SAR 图像舰船目标识别进一步研究的方向。( 3) 分类算法层面。一方面，随着海洋 SAR 应用研究的不断深入，积累大量样本的先验知识，且人工干预下的正确识别率更高，有监督分类成为 SAR 图像舰船目标识别的进一步研究的方向; 另一方面，大量分类算法各有优劣，且没有算法可以适用于所有情况。对多种分类算法进行性能评估和比较，优选出各种情况下性能最好的分类算法，也是 SAR 图像舰船目标识别的进一步研究的方向。( 4) SAR 与光学融合的舰船目标识别技术。SAR传感器具有全天候的工作、一定的穿透能力等优点，但在特征提取、目标识别等方面存在一定的缺陷; 光学传感器能够较好地获取舰船目标的外形尺寸，但不具备全天候和发现遮蔽目标的能力，且受光照强度变化等因素的影响，其使用范围受到一定的限制。若能充分利用两者的优势，则能较大地提高目标识别性能。因此，SAR 和可见光融合的多源特征识别也是 SAR 图像舰船目标识别的进一步研究的方向。参 考 文 献［1］ 种劲松，欧阳越，朱敏慧． 合成孔径雷达图像海洋目标检测［M］． 北京: 海洋出版社，2006．Chong Jinsong，Ou Yangyue，Zhu Minhui． Detection of o-cean target in synthetic aperture radar imagery［M］． Bei-jing: Ocean Press，2006．［2］ Pichel W G，Colon P C． NOAA coast watch SAR applica-tions and demonstration［J］． Johns Hopkins APL TechnicalDigest，2000，21 ( 1) : 49－57．［3］ 张风丽，张 磊，吴炳方． 欧盟船舶遥感探测技术与系统研究的进展［J］． 遥感学报，2007，11( 4) : 552－562．Zhang Fengli，Zhang Lei，Wu Bingfang． Progress of shipdetection technology and system based on remote sensingtechnology in European union［J］． Journal of Remote Sens-ing，2007，11( 4) : 552－562．［4］ 董江曼，李应岐，邓 飚． SAR 图像舰船目标的特征识别［J］． 陕西师范大学学报: 自然科学版，2004( 32) : 203－205．Dong Jiangman，Li Yingqi，Deng Biao． Ship targets recognitionby ships' feature in SAR image［J］． Journal of Shanxi NormalUniversity : Natural Science Edition，2004( 32) : 203－205．［5］ Kreithen D K，Halversen S D，Owirka G J． Discriminatingtargets from clutter［J］． The Lincoln Laboratory Journal，—75—·信号/数据处理· 陈文婷，等: SAR 图像舰船目标识别综述 2012，34( 11)1993，6( 1) : 25－52．［6］ Wang J，Xu Y，Zhang X L． The active appearance modelwith applications to SAR target recognition［C］/ / Proceed-ings of the 2009 International Symposium on Information Pro-cessing． Huangshan: ISIP Press，2009．［7］ Knapskog A O． Classification of ships in terra SAR-X imagesbased on 3D models and silhouette matching［C］/ / 8th Eu-ropean Conference on Synthetic Aperture Radar． Aachen:IEEE Press，2010．［8］ 张 晰，张 杰，纪永刚，等． 基于结构特征的 SAR 船只类型识别能力分析［J］． 海洋学报，2010，32( 1) : 146－152．Zhang Xi，Zhang Jie，Ji Yongkang，et al． The capability analy-sis of ship classification by structure feature using SAR images［J］． Acta Oceanological Sinica，2010，32 ( 1) : 146－152．［9］ Grinnell J，Bir B． Recognition of articulated and occludedobjects［J］． IEEE Transactions on Pattern Analysis and Ma-chine Intelligence，1999，21( 7) : 603－613．［10］ Wang B H，Binford T O． Generic model-based estimationand detection of peaks in image surfaces［J］． IEEE Trans-actions on Pattern Analysis and Machine Intelligence，1999，21( 7) : 603－613．［11］ 计科峰，匡纲要，郁文贤． SAR 图像目标峰值提取及稳定性分析［J］． 现代雷达，2003，25( 2) : 15－18，45．Ji Kefeng，Kuang Gangyao，Yu Wenxian． SAR images'peak extraction and peak' s stability analysis［J］． ModernRadar，2003，25( 2) : 15－18，45．［12］ Carrikre R，Moses R L． High resolution radar target model-ing using a modified prony estimator［J］． IEEE Transac-tions on Antennas and Propagation，1992，40( 1) : 13－18．［13］ Potter L C，Moses R L． Attributed scattering centers forSAR ATR ［J］． IEEE Transactions on Image Processing，1997，6( 1) : 79－91．［14］ Ridha T，Raney R K，Francois C． On the use of perma-nent symmetric scatterers for ship characterization ［J］．IEEE Transactions on Geoscience and Remote Sensing，2004，42 ( 10) : 2039－2045．［15］ Margarit G，Mallorquí J J，Fàbregas X． Single-pass polarimetric SAR interferometry for vessel classification ［J］．IEEE Transactions on Geoscience and Remote Sensing，2007，45( 11) : 3494－3502．［16］ Margarit G，Mallorqu J J． Assessment of polarimetric SARinterferometry for improving ship classification based onsimulated data［J］． Sensors，2008，8( 12) : 7715－7735．［17］ Tello M，López-Martínez C，Mallorqui J J． A novel algo-rithm for ship detection in SAR imagery based on the wave-let transform［J］． IEEE Transactions on Geoscience andRemote Sensing Letters，2005，2( 2) : 201－205．［18］ Gouaillier V，Gagnon L． Ship silhouette recognition usingprincipal components analysis［C］/ / Applications of DigitalImage Processing XX． San Diego: SPIE Press，1997．［19］ Huang C W，Lee K C． Application of ICA technique toPCA based radar target recognition［J］． Progress in Elec-tromagnetics Research，2010( 105) : 157－170．［20］ 陈振林，邹焕新，周石琳，等． SAR 图像舰船尾迹检测及其真假判别方法［J］． 现代雷达，2010，32( 1) : 42－47．Chen Zhenlin，Zou Huanxin，Zhou Shilin，et al． Detectionand discrimination method of ship wakes in SAR imagery［J］． Modern Radar，2010，32( 1) : 42－47．［21］ Hu M K． Visual pattern recognition by moments invariants［J］． IRE Transaction on Informations Theory，1962，8( 2) : 179－187．［22］ Robert Klepko． Classification of SAR ship images with aidof a syntactic pattern recognition algorithm［D］． Ottawa :Defence Research Establishment Ottawa，1991．［23］ Hossam M O，Li P，Steven D B，et al． Classification ofship in airborne SAR imagery using backpropagation neuralnetworks［C］/ / Radar Processing Technology and Applica-tion II． ［S． l． ］: SPIE Press，1997．［24］ Gagnon L，Klepko R． Hierarchical classifier design for air-borne SAR images of ships［C］/ / Automatic Target Recog-nition VIII． Orlando，SPIE Press，1998．［25］ Andrew Tuttle，Robert Klepko． Fuzzy classification algo-rithms applied to SAR images of ships［D］． Ottawa: De-fence Research Establishment Ottawa，1995．［26］ Gerard Margarit，Antonio Tabasco． Ship classification insingle-pol SAR images based on fuzzy logic［J］． IEEETransactions on Geoscience and Remote Sensing，2011，49( 8) : 3129－3138．［27］ Prashan Premaratne，Farzad Safaei． Ship classification by su-perstructure moment invariants［C］/ / Proceedings of the 5thInternational Conference on Emerging Intelligent ComputingTechnology and Applications，Heidelberg: ICIC Press，2009．［28］ Margarit G，MallorquíJ J． Exploitation of ship scattering inpolarimetric SAR for an improved classification under highclutter conditions［J］． IEEE Transactions on Geoscienceand Remote Sensing，2009，47( 4) : 1224－1235．陈文婷 女，1988 年生，在读硕士。研究方向为 SAR 图像舰船目标识别。计科峰 男，1973 年生，副教授，硕士生导师。研究方向为雷达特性分析，SAR 图像处理、判读解译与目标识别。—85—2012，34( 11) 现 代 雷 达