融合极化旋转域特征和超像素技术的极化SAR舰船检测崔兴超      粟  毅      陈思伟*(国防科技大学电子科学学院电子信息系统复杂电磁环境效应国家重点实验室   长沙   410073)摘   要：对海监视是极化SAR的重要应用，密集区域的舰船目标检测是当前面临的主要挑战之一。舰船密集区域受多目标串扰，传统的恒虚警率(CFAR)检测滑窗难以选取纯净的海杂波样本用于确定检测门限，将导致检测性能下降。针对这一问题，该文从特征提取和检测器设计两方面出发，提出一种融合极化旋转域特征和超像素技术的极化SAR舰船检测方法。在特征提取方面，雷达目标的后向散射敏感于目标姿态与雷达视线的相对几何关系，由此带来的散射多样性隐含信息可通过极化旋转域分析进行挖掘。该文利用极化相关方向图及导出的一系列极化旋转域特征，根据目标杂波比(TCR)分析，优选TCR最高的3个极化特征量用于构建目标检测器。在此基础上，该文在检测器设计方面提出了一种基于K均值聚类的杂波超像素筛选方法，有效避免了密集区域舰船目标对邻近杂波的影响，基于筛选的杂波像素点得到舰船目标CFAR检测结果。基于Radarsat-2和高分三号星载全极化SAR数据的对比实验表明，所提方法能有效实现密集区域舰船目标检测，检测品质因数达到95%。关键词：极化合成孔径雷达；极化旋转域；超像素；特征融合；舰船检测中图分类号：TN958 文献标识码：A 文章编号：2095-283X(2021)01-0035-14DOI: 10.12000/JR20147引用格式：崔兴超, 粟毅, 陈思伟. 融合极化旋转域特征和超像素技术的极化SAR舰船检测[J]. 雷达学报, 2021,10(1): 35–48. doi: 10.12000/JR20147.Reference format: CUI Xingchao, SU Yi, and CHEN Siwei. Polarimetric SAR ship detection based onpolarimetric rotation domain features and superpixel technique[J]. Journal of Radars, 2021, 10(1): 35–48. doi:10.12000/JR20147.Polarimetric SAR Ship Detection Based on Polarimetric RotationDomain Features and Superpixel TechniqueCUI Xingchao      SU Yi      CHEN Siwei*(The State Key Laboratory of Complex Electromagnetic Environment Effects on Electronicsand Information, Changsha 410073, China)Abstract: Sea surveillance is an important application of polarimetric Synthetic Aperture Radar (SAR), butship detection in dense areas remains a major challenge. Due to the crosstalk of multiple targets in dense shipareas, it can be difficult to collect pure sea clutter samples for threshold determination when using thetraditional Constant False Alarm Rate (CFAR) moving window, which decreases the detection performance. Toaddress this issue, in this paper, a polarimetric SAR ship detection method is proposed based on polarimetricrotation domain features and superpixel technique, with consideration of both feature selection and detectordesign. For feature selection, the backscattering of radar targets is sensitive to the relative geometry betweenthe target orientations and the radar line of sight. The information hidden in this scattering diversity can bemined using polarimetric rotation domain analysis, from which the polarimetric correlation pattern and a set of   收稿日期：2020-12-19；改回日期：2021-02-02；网络出版：2021-02-22*通信作者： 陈思伟 chenswnudt@163.com        *Corresponding Author: CHEN Siwei, chenswnudt@163.com基金项目：国家自然科学基金(61771480)，湖南省自然科学基金(2020JJ2034)，湖湘青年英才项目(2019RS2025)，装备预研基金项目(61404160109)，国防科技大学科研计划重点项目(ZK18-02-14)Foundation Items: The National Natural Science Foundation of China (61771480), The Natural Science Foundation of Hunan Province(2020JJ2034), The Youth Talents Project of Hunan Province (2019RS2025), The Equipment Pre-Research Foundation (61404160109),The Key Research Projects of National University of Defense Technology (ZK18-02-14)责任主编：杨健     Corresponding Editor: YANG Jian第10卷第1期 雷  达  学  报 Vol. 10No. 12021年2月 Journal of Radars Feb. 2021polarimetric rotation domain features are obtained. Target-to-Clutter Ratio (TCR) analysis is conducted, andthe three polarimetric features with the highest TCR values are selected for successive target detection. On thisbasis, a clutter superpixel selection method is developed for detector design based on K-means clustering, whicheffectively circumvents the influence of dense ship targets on near sea clutter. CFAR ship detection results canbe obtained based on the selected clutter samples. Experimental studies on spaceborne Radarsat-2 and GaoFen-3full polarimetric SAR datasets indicate that, the proposed method can effectively detect dense ship targets with95% higher figures of merit.Key words: Polarimetric Synthetic Aperture Radar (SAR); Polarimetric rotation domain; Superpixel; Featurefusion; Ship detection1    引言SAR作为一种主动式微波成像雷达，能够全天时全天候工作，是当前对地观测领域的主要手段之一，发挥着不可替代的重要作用[1,2]。在SAR的诸多应用之中，舰船检测一直是研究热点之一。提高舰船检测水平有助于加强海运交通管理、提高海防预警能力，在民用和军用领域都有现实紧迫性[3]。传统的SAR图像舰船检测算法，主要包括特征提取和检测器设计两个方面，研究人员针对上述两方面开展了大量的研究，提出了一系列行之有效的舰船检测算法。在特征提取方面，主要包括单通道SAR和极化SAR两种。对于单通道SAR图像，舰船目标的幅度和强度明显高于海杂波背景，因此SAR图像的幅度和强度是舰船检测中应用最广泛的特征[4–6]。将舰船目标整体考虑，其统计特性与海杂波背景有明显差异，研究人员由此提出了基于方差、改进的标准差、空间分布、非相干熵等特征的SAR舰船目标检测方法[7–10]。为进一步分析舰船的整体结构属性，光学图像处理领域的超像素分割技术[11]被引入SAR舰船目标检测中。考察SAR图像中舰船目标在超像素级的统计特性，研究人员提出了基于显著性特征和加权信息熵的舰船检测方法[12,13]。对于低信杂比SAR数据，部分舰船目标和海杂波的幅度相近难以区分。针对这一问题，研究人员考察了舰船和海杂波在不同子孔径图像中的相干特性。一般来讲，相对于海杂波背景，即使是弱舰船目标在子孔径图像间的相干性仍然很强，研究人员由此提出了基于子孔径相干法的舰船检测方法[14]。相较于单通道SAR，极化SAR能够提供目标完整的极化散射矩阵，可资利用的信息更加丰富[15–17]。基于极化SAR数据散射机理、局部分布等信息，研究人员提出了融合超像素技术的极化SAR舰船检测方法[18,19]。极化目标分解是极化SAR图像解译的重要工具之一，可将散射体的散射分量分解成表面散射、偶次散射、体散射、螺旋散射等多种基本散射分量，通过分析各基本散射分量的能量等物理参量，解译散射体的散射机理[20–23]。根据舰船和海杂波在极化散射分量上差异提取极化特征，可实现极化SAR舰船检测[24,25]。基于极化相干矩阵相似性检验[26]，可提取能有效区别舰船和海杂波背景的极化显著性特征。研究人员由此提出了基于显著性特征的极化SAR舰船检测方法[27,28]。除极化相干矩阵之外，研究人员通过考察相邻极化协方差矩阵之间的差异，基于极化协方差差异矩阵进行极化目标分解，并提取极化特征应用于舰船检测[29,30]。另外，舰船目标作为典型的人造目标，具有明显的散射非对称性。研究人员利用舰船目标和海杂波背景的散射对称性差异，提出了基于共极化通道和交叉极化通道相关模值的极化SAR舰船检测方法[31,32]。上述各类算法或从统计特性出发，或从散射特性出发，最终目的都是提取能有效区分舰船目标和海杂波背景的SAR图像特征。随着SAR图像分辨率的提升和极化SAR获取信息维度的扩展，海杂波呈现更加复杂的统计和散射特性，提取有效的SAR图像特征仍具有重要意义，值得进一步分析挖掘。在检测器设计方面，研究人员同样开展了大量的工作，取得了丰硕的研究成果。恒虚警率(Con-stant False Alarm Rate, CFAR)检测器，具有算法效率高、自适应阈值等特点，是SAR图像舰船检测中应用最广泛的检测器之一[4–6,33–36]。CFAR一般采取中空的矩形滑窗结构，选取背景窗中的像素点用作后续的杂波统计建模和恒虚警率检测。但在实际数据中经常出现杂波边缘、多目标干扰等现象，这会影响海杂波的准确建模，进而影响CFAR检测性能。为解决上述问题，研究人员提出最大选择CFAR (Greatest Of CFAR, GO-CFAR)[37]、最小选择CFAR (Smallest Of CFAR, SO-CFAR)[38]等改进型，将背景窗内像素点分成若干部分，通过取大和取小处理，分别能够一定程度上解决杂波边缘和多目标干扰的问题。在近年来，相关文献中提出了一系列统计建模样本点选取优化方法，通过自适36 雷  达  学  报 第10卷应迭代算法选取合适的样本点用以统计建模，获得了较好的检测性能[39–41]。考虑到传统的CFAR滑窗一般采用局部滑窗结构自适应地计算门限，在处理大尺度图像，尤其是舰船稀疏分布的广域海面时，算法的检测效率有较大提升空间。为解决这一问题，研究人员提出了改进的双阶段CFAR检测器，先通过全局CFAR得到候选目标区域，再对候选目标区域进行精细化CFAR检测，取得了良好检测效果，并能够大幅缩短算法运行时间[13,39,42]。除了CFAR检测器之外，研究人员根据舰船目标和海杂波背景的统计特性差异，构建广义极大似然比检测器，将舰船目标检测问题转变成假设检验问题[43]。基于极化SAR数据，通过考察舰船目标散射机理的几何扰动特性，研究人员提出了极化凹口滤波器用于极化SAR舰船检测[44–47]。除了上述基于统计的检测器之外，随着深度学习理论和方法的不断发展与推广应用，数据样本驱动的深度学习检测器被用于SAR舰船目标检测，获得了良好的检测性能[48–50]。需要指出的是，基于深度学习的检测方法需要大量的数据样本驱动，是一种端到端的检测方法，这与传统的基于SAR图像解译的检测方法有本质差异。对于密集区域的舰船检测问题，基于数据驱动的检测器受限于样本数量，而传统的基于图像解译的检测器仍然无法有效解决多目标干扰问题，由此带来的门限过高估计不可避免地导致目标漏检。针对上述问题，本文提出一种融合极化旋转域特征和超像素技术的极化SAR舰船检测方法，以提高密集区域的舰船检测性能。针对SAR图像舰船检测中的关键环节，特别是围绕密集区域的舰船检测问题，本文从特征提取和检测器设计两个方面出发，提出一种融合极化旋转域特征和超像素技术的极化SAR舰船检测方法，并基于实测数据开展对比实验验证方法有效性。本文内容安排如下：第2节介绍极化旋转域特征提取与优选；第3节提出融合极化旋转域特征和超像素技术的舰船检测方法；第4节开展对比实验研究；第5节为结论部分，总结全文。2    极化旋转域特征提取与优选雷达目标的后向散射敏感于目标姿态与雷达视线的相对几何关系，这种散射多样性中蕴含着丰富的极化散射信息[51]。针对这一隐含信息，研究团队在绕雷达视线方向，提出了极化旋转域的概念，将特定成像几何关系下获得的目标极化矩阵拓展到绕雷达视线的极化旋转域，提出了统一的极化矩阵旋转理论方法[52]和极化相干/相关特征旋转域可视化解译理论方法[53,54]，建立了在极化旋转域解译目标散射机理的理论框架，在目标检测、地物分类等领域获得成功应用[54,55]。2.1  极化相关方向图及特征提取水平和垂直极化基下，全极化数据可以表征为极化散射矩阵，即S=[SHH SHVSVH SVV](1)SHV 2[ π;π)其中， 表示水平极化发射、垂直极化接收的后向散射系数，其他变量类似定义。将极化散射矩阵绕雷达视线旋转角度 ，其中 ，可得到旋转域极化散射矩阵S()=R()SRT() (2)其中，上标T表示转置且旋转矩阵为R()=[cos sin sin cos](3)s1s2极化SAR数据不同极化通道之间的相关值包含丰富的目标散射信息[54]。考察极化通道 和 ，其极化相关值定义为j1-2j =j⟨s1s2⟩j (4)将极化相关值扩展到绕雷达视线的极化旋转域，定义两极化通道之间的极化相关方向图为j1-2()j =j⟨s1()s2()⟩j (5)