分类号
TN957.52
ＵＤＣ
学号
10049063
密级
公 开
工学博士学位论文
HRWS SAR 图像舰船目标监视
关键技术研究
博士生姓名
邢相薇
学 科 专 业
电子科学与技术
研 究 方 向
计算机视觉与智能信息处理
指 导 教 师
孙即祥 教授
国防科学技术大学研究生院
二〇一四年五月
Research on Key Technologies for Ship
Surveillance based on HRWS SAR Imagery
Candidate：Xing Xiangwei
Supervisor：Prof.
Sun Jixiang
A dissertation
Submitted in partial fulfillment of the requirements
for the degree of Doctor of Engineering
in Electronic Science and Technology
Graduate School of National University of Defense Technology
Changsha，Hunan，P.R.China
May，2014
明
声
性
创
独
本人声明所呈交的学位论文是我本人在导师指导下进行的研究工作及取得的
研究成果。尽我所知，除了文中特别加以标注和致谢的地方外，论文中不包含其
他人已经发表和撰写过的研究成果，也不包含为获得国防科学技术大学或其它教
育机构的学位或证书而使用过的材料。与我一同工作的同志对本研究所做的任何
贡献均已在论文中作了明确的说明并表示谢意。
学位论文题目：HRWS SAR图像舰船目标监视关键技术研究
学位论文作者签名：
-^rf
_叙
曰期：年f月f曰
学位论文版权使用授权书
本人完全了解国防科学技术大学有关保留、使用学位论文的规定。本人授权
国防科学技术大学可以保留并向国家有关部门或机构送交论文的复印件和电子文
档，允许论文被查阅和借阅；可以将学位论文的全部或部分内容编入有关数据库
进行检索，可以釆用影印、缩印或扫描等复制手段保存、汇编学位论文。
(保密学位论文在解密后适用本授权书。）
学位论文题目：HRWS SAR图像舰船目标监视关键技术研究
学位论文作者签名：树
作者指导教师签名：
lA
曰期：如I屮年孓月（曰
日期：2^仏年上月I一日
国防科学技术大学研究生院博士学位论文
目
录
摘 要 ................................................................................................................. i
Abstract ................................................................................................................ i
第一章 绪论 ...................................................................................................... 1
1.1
研究背景和意义 ............................................................................................. 1
1.2 SAR 图像舰船目标监视研究进展 ................................................................ 3
1.2.1 星载 SAR 系统发展现状与趋势 .......................................................... 3
1.2.2 SAR 图像舰船目标监视系统研究进展 ................................................ 6
1.2.3 SAR 图像舰船目标监视技术研究进展 .............................................. 12
1.3 HRWS SAR 图像舰船目标监视关键技术分析 .......................................... 16
1.4
论文主要工作及内容安排 ........................................................................... 18
第二章 单通道 SAR 图像舰船目标检测 ........................................................... 22
2.1
单通道 SAR 图像舰船目标检测算法综述 ................................................. 22
2.1.1 CFAR 检测方法 .................................................................................... 23
2.1.2 似然比检测方法 .................................................................................. 25
2.1.3 小波变换检测方法 .............................................................................. 26
2.1.4 子孔径相关检测方法 .......................................................................... 27
2.1.5 其他方法 .............................................................................................. 27
2.2 SAR 图像海洋杂波统计特性分析 .............................................................. 27
2.2.1 SAR 图像海洋杂波统计分布模型 ...................................................... 28
2.2.2 典型 SAR 图像海洋杂波统计特性分析 ............................................ 30
2.3 VIE-CFAR 检测器设计与性能分析 ............................................................ 35
2.3.1 CFAR 检测器原理 ................................................................................ 35
2.3.2 VIE-CFAR 检测器 ................................................................................ 38
2.3.3 VIE-CFAR 检测器性能分析 ................................................................ 41
2.4
复杂背景中 VIE-CFAR SAR 图像舰船目标检测算法 .............................. 44
2.4.1 算法原理 .............................................................................................. 44
2.4.2 算法实现方案 ...................................................................................... 45
2.4.3 检测性能评估准则 .............................................................................. 47
2.4.4 实验结果与分析 .................................................................................. 47
2.5
本章小结 ....................................................................................................... 50
第 I 页
国防科学技术大学研究生院博士学位论文
第三章 极化 SAR 图像舰船目标检测 .............................................................. 52
3.1
极化 SAR 基础理论 ..................................................................................... 52
3.1.1 极化电磁波的表征 .............................................................................. 53
3.1.2 极化散射矩阵及其矢量化 .................................................................. 54
3.1.3 Stokes 矩阵和 Muller 矩阵 ................................................................... 55
3.1.4 极化协方差矩阵和相干矩阵 .............................................................. 56
3.2
极化 SAR 舰船目标检测典型方法 ............................................................. 57
3.2.1 多通道数据融合检测方法 .................................................................. 57
3.2.2 极化目标分解检测方法 ...................................................................... 61
3.2.3 极化 SAR 图像舰船检测能力分析 .................................................... 67
3.3
基于特征选择加权和 SVM 的极化 SAR 舰船目标检测 ........................... 70
3.3.1 极化加权特征向量的构造 .................................................................. 70
3.3.2 支持向量机 .......................................................................................... 72
3.3.3 算法方案 .............................................................................................. 74
3.4
实验结果与分析 ........................................................................................... 74
3.4.1 实验数据 .............................................................................................. 75
3.4.2 算法参数对检测性能的影响 .............................................................. 76
3.4.3 不同算法对实测数据检测性能对比 .................................................. 79
3.4.4 算法对 Radarsat-2 数据鲁棒性验证 ................................................... 82
3.5
本章小结 ....................................................................................................... 82
第四章 高分辨 SAR 图像舰船目标特征提取 .................................................... 84
4.1 SAR 图像舰船目标典型特征提取方法 ...................................................... 84
4.2
4.3
4.1.1
几何尺度特征 .................................................................................... 85
4.1.2
灰度统计特征 .................................................................................... 86
4.1.3
电磁散射特征 .................................................................................... 87
4.1.4
变换域特征 ........................................................................................ 89
高分辨 SAR 图像舰船目标几何特征精确提取 ......................................... 89
4.2.1
舰船目标几何特征精确提取的难点 ................................................ 90
4.2.2
舰船目标几何特征精确提取算法 .................................................... 92
典型舰船目标宏结构散射特征提取方法 ................................................... 96
4.3.1
典型舰船目标宏结构及其散射特点 ................................................ 96
4.3.2
局部 RCS 密度特征......................................................................... 100
4.3.3
宏结构散射特征 .............................................................................. 101
4.4 SAR 图像舰船目标特征提取有效性验证与分析 .................................... 103
第 II 页
国防科学技术大学研究生院博士学位论文
4.4.1 几何特征提取结果有效性验证与分析 ............................................ 103
4.4.2 宏结构散射特征提取结果有效性验证与分析 ................................ 106
4.5
本章小结 ..................................................................................................... 107
第五章 高分辨 SAR 图像舰船目标分类识别 .................................................. 108
5.1
高分辨 SAR 图像舰船目标分类识别问题分析 ....................................... 108
5.1.1 SAR 图像舰船目标分类识别的层次性 ............................................ 109
5.1.2 SAR 图像舰船目标分类识别框架 .................................................... 111
5.1.3 SAR 图像舰船目标分类识别研究现状 ............................................ 112
5.2
稀疏表示分类原理 ..................................................................................... 114
5.2.1 信号稀疏表示 .................................................................................... 114
5.2.2 稀疏系数求解 .................................................................................... 115
5.2.3 稀疏表示分类规则 ............................................................................ 116
5.2.4 稀疏表示分类示例 ............................................................................ 116
5.3
基于方位角限制的高分辨 SAR 图像目标稀疏表示分类算法 ............... 121
5.3.1 不同方位角下目标 SAR 图像相关性分析 ...................................... 121
5.3.2 引入方位角信息的 SRC 算法........................................................... 122
5.3.3 实验验证与分析 ................................................................................ 124
5.4
基于特征空间稀疏表示的高分辨 SAR 图像舰船目标分类算法 ........... 127
5.4.1 特征字典的构造 ................................................................................ 127
5.4.2 实验验证与分析 ................................................................................ 128
5.5
本章小结 ..................................................................................................... 130
第六章 结论与展望 ....................................................................................... 131
6.1
工作总结 ..................................................................................................... 131
6.2
工作展望 ..................................................................................................... 132
致 谢 ............................................................................................................ 134
参考文献 ......................................................................................................... 135
附录 A 式（2.49）推导 ................................................................................. 150
作者在学期间取得的学术成果 ......................................................................... 151
作者攻读博士学位期间参与的科研项目 .......................................................... 153
第 III 页
国防科学技术大学研究生院博士学位论文
表
目
录
表 1.1
星载 SAR 系统简表 .......................................................................................... 4
表 1.2
典型 SAR 图像舰船目标检测系统 .................................................................. 7
表 1.3
利用 SAR 图像进行渔业管理应用对未来星载 SAR 系统性能要求........... 12
表 2.1
实验区域 SAR 图像数据特性 ........................................................................ 31
表 2.2
不同数据的拟合优度检验量 .......................................................................... 35
表 2.3
VIE-CFAR 窗口选择机制 ............................................................................... 40
表 2.4
不同算法对 ENVISAT 和 Radarsat-2 数据舰船目标检测结果统计 ............ 50
表 3.1
表 3.2
Pauli 分解中各基本散射矩阵的物理解释 ..................................................... 62
基本散射体的 z 值 ........................................................................................... 65
表 3.3
地面真实船只目标成像参数 .......................................................................... 67
表 3.4
RELIEF-F 特征选择算法 ................................................................................ 72
表 3.5
不同置信度阈值所对应的特征集 .................................................................. 77
表 3.6
不同算法对东京湾和高雄港区域数据的统计检测结果 .............................. 81
表 4.1
不同 L 和  所对应的基本散射体结构示例 .................................................. 88
表 4.2
基于不同输入数据的分类结果 .................................................................... 106
表 5.1
SAR 图像舰船目标分类识别研究总结 ....................................................... 112
表 5.2
MSTAR 成像参数 ......................................................................................... 118
表 5.3
MSTAR 数据子集 ......................................................................................... 118
表 5.4
存在目标变异体时 SRC 和 RbfSVM 算法分类性能（%）....................... 121
表 5.5
不同算法分类性能随特征维数的变化 ........................................................ 125
表 5.6
俯仰角变化条件下四种算法性能对比 ........................................................ 125
表 5.7
存在目标变异体条件下算法性能对比 ........................................................ 126
表 5.8
五种不同算法的分类精度(%)和时间性能(s) .............................................. 129
第 IV 页
国防科学技术大学研究生院博士学位论文
图
目
录
图 1.1
HRWS 星载 SAR 多模式成像示意图 .............................................................. 2
图 1.2
典型星载 SAR 系统 .......................................................................................... 6
图 1.3
SIMONS 系统数据处理流程 ............................................................................ 9
图 1.4
德国 DLR DEKO 系统示例 ............................................................................ 10
图 1.5
SAR 图像舰船监视系统数据处理流程 ......................................................... 13
图 1.6
论文结构安排 .................................................................................................. 21
图 2.1
CFAR 检测的滑动窗口 ................................................................................... 24
图 2.2
TerraSAR-X SAR 实验数据 ............................................................................ 31
图 2.3
AIRSAR 东京湾实验数据 .............................................................................. 32
图 2.4
ENVISAT SAR 实验数据 ............................................................................... 32
图 2.5
TerraSAR-X 直布罗陀海峡区域杂波统计分布拟合结果 ............................ 33
图 2.6
TerraSAR-X 悉尼港区域杂波统计分布拟合结果 ........................................ 33
图 2.7
AIRSAR 东京湾区域 C 波段均匀杂波统计分布拟合结果 .......................... 33
图 2.8
AIRSAR 东京湾区域 L 波段非均匀杂波统计分布拟合结果 ...................... 34
图 2.9
ENVISAT 青岛港区域均匀杂波统计分布拟合结果 .................................... 34
图 2.10
ENVISAT 青岛港区域非均匀杂波统计分布拟合结果 .............................. 34
图 2.11
CA-CFAR 检测器结构 .................................................................................. 36
图 2.12
不同 CFAR 检测器的统计检验量选取方法 ................................................ 38
图 2.13
VIE-CFAR 检测器 ......................................................................................... 39
图 2.14
均匀杂波环境中 CFAR 检测率和 VIE-CFAR 窗口选择概率 ................... 41
图 2.15
杂波边缘环境中 VIE-CFAR 检测率和窗口选择概率 ................................ 42
图 2.16
干扰目标存在于半窗时 VIE-CFAR 检测率和窗口选择概率 .................... 42
图 2.17
干扰目标分布于两个半窗时 VIE-CFAR 检测性能和窗口选择概率 ........ 43
图 2.18
干扰目标存在于两个半窗时 VIE-CFAR 虚警性能和均匀度 .................... 44
图 2.19
复杂背景下 SAR 图像舰船目标检测算法框图 .......................................... 45
图 2.20
算法选取的滑动窗口 .................................................................................... 46
图 2.21
ENVISAT SAR 图像舰船目标检测结果 ..................................................... 48
图 2.22
Radarsat-2 SAR 图像舰船目标检测结果 ..................................................... 49
图 2.23
两种算法的 ROC 性能 .................................................................................. 50
图 3.1
电磁波电场矢量传播示意图 .......................................................................... 53
图 3.2
Cameron 分解的散射体分类方案[177] ............................................................. 65
图 3.3
Cloude 分解 H
平面内散射机理示意图[176] .............................................. 66
第 V 页
国防科学技术大学研究生院博士学位论文
图 3.4
不同极化数据中的舰船目标检测 ROC 曲线[71] ........................................... 68
图 3.5
不同极化数据空间内舰船与海洋杂波信杂比随入射角的变化[119] ............ 69
图 3.6
二元线性可分情况下最优分类界面及支持向量示意图 .............................. 73
图 3.7
基于特征选择加权和 SVM 的极化 SAR 舰船目标检测算法流程 .............. 74
图 3.8
东京湾地区 AIRSAR 成像区域地理位置示意图 ........................................ 75
图 3.9
东京湾实验区域图像 ...................................................................................... 75
图 3.10
两种典型的模糊虚警 .................................................................................... 76
图 3.11
高雄港区域实验图像 .................................................................................... 76
图 3.12
RELIEF-F 算法对各个特征的置信度估计结果 .......................................... 77
图 3.13
算法参数对检测性能的影响 ........................................................................ 78
图 3.14
不同算法对东京湾区域数据舰船检测结果 ................................................ 79
图 3.15
不同算法对高雄港区域数据舰船检测结果 ................................................ 80
图 3.16
不同算法对目标结构保持能力对比 ............................................................ 81
图 3.17
不同算法对东京湾区域数据中每个目标检测到的像素个数 .................... 81
图 3.18
Radarsat-2 直布罗陀海峡区域数据及本文算法检测结果 .......................... 82
图 4.1
SAR 图像舰船目标典型特征 ......................................................................... 85
图 4.2
SAR 图像舰船目标几何特征示意图 ............................................................. 85
图 4.3
不同舰船目标在两种方位角条件下的散射图 .............................................. 89
图 4.4
十字旁瓣模糊示例 .......................................................................................... 90
图 4.5
游船和舰船目标上高耸结构引起的延宽示例 .............................................. 91
图 4.6
舰船 SAR 图像弯曲示例 ................................................................................ 91
图 4.7
邻近舰船目标示例 .......................................................................................... 92
图 4.8
舰船目标几何特征精确提取算法流程图 ...................................................... 92
图 4.9
不同分割算法的分割结果对比 ...................................................................... 93
图 4.10
Radon 变换几何示意图 ................................................................................. 94
图 4.11
图像域旋转和平移与 Radon 变换域不同方向平移的对应关系示例 ........ 95
图 4.12
邻近目标直方图分析示例 ............................................................................ 95
图 4.13
货船的外形 .................................................................................................... 97
图 4.14
货船纵中剖面 ................................................................................................ 97
图 4.15
集装箱船的结构图片、TerraSAR-X 图像及纵向直方图 .......................... 98
图 4.16
油船的结构图片、TerraSAR-X 图像及纵向直方图 .................................. 99
图 4.17
货船的结构图片、TerraSAR-X 图像及纵向累积强度 ............................ 100
图 4.18
三类舰船目标及其局部 RCS 密度特征..................................................... 101
图 4.19
宏结构散射特征提取算法流程 .................................................................. 102
第 VI 页
国防科学技术大学研究生院博士学位论文
图 4.20
典型船只宏结构图像分割结果 .................................................................. 102
图 4.21
普通舰船目标切片分割结果 ...................................................................... 103
图 4.22
十字旁瓣模糊舰船目标切片分割结果 ...................................................... 104
图 4.23
邻近舰船目标切片分割结果 ...................................................................... 105
图 4.24
几何特征提取结果与人工判读结果对比 .................................................. 106
图 5.1
北约标准协议（STANAG 4420）水面船只命名规则 ............................... 110
图 5.2
军民船、舰类、舰种的划分 ........................................................................ 110
图 5.3
美国航母的舰级划分及其舰名与舷号 ........................................................ 111
图 5.4
SAR 图像舰船目标分类识别框架 ............................................................... 112
图 5.5
本文 SAR 图像目标稀疏表示分类算法 ...................................................... 117
图 5.6
MSTAR 三类车辆目标的稀疏表示分类示例 ............................................. 118
图 5.7
各分类器分类性能随 PCA 特征维数的变化曲线 ...................................... 119
图 5.8
各分类器性能随训练 样本百分比的变化趋势 .......................................... 120
图 5.9
图 5.6 中所示的三个测试样本与训练样本之间的相关性分析 ................. 122
图 5.10
SN_C71 类别中某个误分样本的稀疏系数向量和重构误差。 ............... 123
图 5.11
基于方位角信息的 SAR 图像目标稀疏表示分类算法 ............................ 123
图 5.12
不同算法性能随方位角邻域范围和特征维数的变化情况 ...................... 124
图 5.13
不完全观测条件下算法性能对比 .............................................................. 126
图 5.14
TerraSAR-X SAR 图像舰船目标切片数据示例 ........................................ 128
第 VII 页
国防科学技术大学研究生院博士学位论文
摘
要
合成孔径雷达（Synthetic Aperture Radar，SAR）图像舰船目标监视是 SAR 海
洋遥感应用的重要方向之一，在渔业控制、海上交通管理、打击海盗、保护海洋
权益等方面具有重要意义。高分辨宽测绘带（High Resolution Wide Swath，HRWS）
SAR 高分辨和宽测绘带的特点一方面有利于提高 SAR 图像舰船目标监视应用水
平，另一方面也带来了新的挑战。因此，研究 HRWS SAR 图像舰船目标监视技术
具有十分重要的理论意义和实用价值。
本文立足于 HRWS SAR 成像技术的发展，分析 HRWS SAR 图像舰船目标监
视面临的挑战，以提高 SAR 图像舰船目标监视性能为目的，重点研究了单通道 SAR
图像舰船目标检测、极化 SAR 图像舰船目标检测、高分辨 SAR 图像舰船目标特征
提取与分类识别等关键技术问题。主要研究成果如下：
1、针对单极化 SAR 图像中杂波边缘和干扰目标等复杂背景引起的检测性能
下降问题，提出一种复杂背景中变化索引和筛选（Variable Index and Excision，VIE）
CFAR（Constant False Alarm Rate，CFAR）的 SAR 图像舰船目标检测算法。首先，
研究了不同波段、不同极化方式、不同分辨率、不同海况条件下的海洋杂波统计
特性，基于大量实测 SAR 图像数据验证了 G 0 分布对海洋杂波统计特性描述的有效
性；然后，在研究 CFAR 检测器原理的基础上，设计了 VIE-CFAR 检测器，分析
了该检测器在均匀杂波、杂波边缘、干扰目标等杂波环境中的检测性能；最后，
提出了一种复杂背景中 VIE-CFAR SAR 图像舰船目标检测算法，对 ENVISAT、
Radarsat-2 等实测 SAR 图像数据舰船目标检测结果表明，本文算法在杂波边缘和
干扰目标的杂波环境中较之已有的 CFAR 方法具有更好的检测性能。
2、针对 HRWS SAR 成像方位向模糊和旁瓣模糊带来的检测虚警问题，研究
了极化 SAR 图像舰船目标检测方法，提出了一种基于特征向量选择加权和 SVM
（Support Vector Machine，SVM）分类的极化 SAR 图像舰船目标检测算法。首先，
研究了典型极化 SAR 图像舰船目标检测方法，分析了极化 SAR 图像舰船目标检测
性能；其次，特别针对 HRWS SAR 成像的方位向模糊和旁瓣模糊特性，构造极化
特征向量并进行特征选择和加权，进而采用 SVM 分类的思想实现极化 SAR 图像
舰船目标检测。基于 AIRSAR 机载全极化数据和 Radarsat-2 星载全极化数据对算
法性能进行了验证和评估，结果表明，本文算法有效地去除了方位向模糊和旁瓣
模糊等引起的虚警，并对不同的全极化数据具有一定鲁棒性。
3、针对 HRWS SAR 图像的高分辨特性，提出了面向分类识别的高分辨 SAR
图像舰船目标几何特征精确提取算法，提取了一种新的基于舰船目标结构特点及
其散射特性的宏结构散射特征。首先，研究了典型的 SAR 图像舰船目标特征提取
第 i 页
国防科学技术大学研究生院博士学位论文
方法；然后，针对 HRWS SAR 高分辨图像中舰船目标的成像旁瓣、邻近目标等造
成的几何特征提取误差，提出了一种基于 Radon 变换域直方图分析的舰船目标高
精度几何特征提取方法，并基于实测 TerraSAR-X 高分辨 SAR 图像舰船目标切片
数据验证了该方法提取几何特征的精确性；最后，研究了典型舰船目标的结构特
点和电磁散射特性，提取了面向高分辨 SAR 图像分类识别的宏结构散射特征，并
基于集装箱船、油船、货船三类典型船只的 TerraSAR-X SAR 图像数据集验证了该
特征的有效性。
4、研究了 HRWS SAR 图像舰船目标分类算法，引入稀疏表示理论，提出了
基于方位角限制的高分辨 SAR 图像目标稀疏表示分类（Sparse Representation
Classification，SRC）算法和基于特征空间稀疏表示的 SAR 图像舰船目标分类算法。
首先，研究了 SRC 原理，并基于 MSTAR(Moving and Stationary Target Acquisition
and Recognition)数据集验证了 SRC 对 SAR 图像目标分类识别的有效性；然后，分
析了目标方位角与稀疏表示系数之间的关系，提出了基于方位角限制的高分辨
SAR 图像目标稀疏表示分类算法，实验验证了该算法对雷达俯仰角变化、目标型
号变异、不完全观测等条件的鲁棒性；最后，研究了特征空间稀疏表示字典构造
方法，提出基于特征空间稀疏表示的高分辨 SAR 图像舰船目标分类识别算法，基
于三类典型舰船目标 TerraSAR-X 高分辨 SAR 图像数据集的实验结果表明本文算
法的识别性能优于模板匹配、K-nearst neighbor (K-NN)、Bayes、SVM 等方法。
关键词：合成孔径雷达，高分辨宽测绘带，海洋监视，舰船检测，特征提取，
舰船分类，稀疏表示分类
第 ii 页
国防科学技术大学研究生院博士学位论文
Abstract
Ship surveillance is one of the most important applications of synthetic aperture
radar (SAR) imagery, as it can help to improve the activities of fishing control, marine
traffic monitoring, anti-terrorism, and oceanic rights protection. The high resolution and
wide swath (HRWS) SAR provides the advantages of high resolution and wide swath
synchronously, which promotes the marine surveillance performance of SAR imagery,
as well as brings additional challenges. Therefore, the research on HRWS SAR ship
surveillance is an advanced issue with great theoretical and applicable significances.
With the development of HRWS SAR imaging techniques, ship surveillance on
HRWS SAR imagery confronts novel challenges. Therefore, this dissertation mainly
focuses on serveral of the key techniques to improve the ship surveillance performance,
including the ship detection on single channel and polarimetric SAR imagery, feature
extraction and classification of ships on high resolution SAR imagery. The main
contributions of this dissertation comprise the following subjects:
1. To improve the ship detection performances under rough environments of clutter
edges and multiple interferers, the dissertation proposes a VIE-CFAR(Variable Index
and Excision Constant False Alarm Rate) based ship detection algorithm on SAR
imagery. Fistly, we investigate the statistical characteristics of sea clutter on SAR
imagery with different radar frequencies, polarimetric modes, resolutions and sea
conditions. Extensive experiments on measured SAR images validate the effectiveness
of G 0 model to descripe the sea clutter. Secondly, we design a VIE-CFAR detector and
analysis its performances under various environments of homogeneous, clutter edges,
and multiple interferers. Finaly, we propose the VIE-CFAR based ship detection
algorithm under complex environment and validate it on ENVISAT, Radarsat-2 SAR
images. The detection results demonstrate that the proposed method superiors to other
CFAR methods for ship detection with the presence of clutter edges and multiple
interferers.
2. Aiming at alleviating the additional false alarms of azimuth and sidelobe
ambiguities on HRWS SAR imagery, we investigate the ship detection with polarimetric
SAR data, and propose a feature selection and weighted (FSW) support vector machine
(SVM) detection algorithm to detect ships on polarimetric SAR imagery. At first, we
analysis the conventional ship detection methods and their detection abilities on
polarimetric SAR imagery. And then, we construct a multi-polarization feature vector to
represent the ships, ambiguities and sea clutters on SAR imagery, and refine the feature
vector to a weighted optimal one, which is imported into the SVM classifier for ship
detection purpose. We conduct extensive experiments on air-borne AIRSAR and
space-borne Radarsat-2 polarimetric SAR images, and the results validate that the
第 i 页
国防科学技术大学研究生院博士学位论文
propose method is robutness on different images and allivates the false alarms caused
by azimuth and sidelobe ambiguities.
3. Benefit from the high resolution property of HRWS SAR imagery, the thesis
proposes algorithms to extract precise geometric features, and extract a novel
superstructure scattering feature based on the ship’s structure and its scattering
characteristic. Firstly, we investigate the conventional feature extraction methods of
ships on SAR imagery. Secondly, to alleivate the error caused by imaging sidelobes and
neighboring targets, we propose an algorithm of precise geometric feature extraction
based on Radon transform and histogram analysis, and validate it on high resolution
TerraSAR-X SAR images. Finally, we analysis the physical structures of typical
merchant ships and the corresponding electromagnetic scattering behaviors, and propose
an algorithm to extract the superstructure feature for recognition purpose. Validation on
a TerraSAR-X SAR dataset consists of the Container, Oil Tanker and Bulk ships
demonstrate the effectiveness of the feature.
4. By introducing the sparse representation classification (SRC) theory, the thesis
propose a sparse representation based SAR vehicle recognition method along with
aspect angle and a ship classification method with feature space based sparse
representation. Firstly, we investigate the SRC method and validate its effectiveness
with MSTAR(Moving and Stationary Target Acquisition and Recognition) dataset.
Secondly, based on the analysis of the correlations between target’s aspect angle and the
sparse representation coefficients, we propose a sparse representation based SAR
vehicle recognition method along with aspect angle. Extensive experiments on MSTAR
dataset demonstrate that the proposed method performs robustly under the variations of
depression angle and target configurations, as well as incomplete observation. Finally,
we investigate the dictionary construction method of the SRC method on feature space,
and propose a ship classification method with feature space based sparse representation.
Classification results on the three kinds of typical merchant ships validate that the
proposed method superiors to the template maching, K-nearst neighbor (KNN), Bayes,
and SVM methods.
Key words：Synthetic Aperture Radar, High Resolution Wide Swath, Marine
Surveillance, Ship Detection, Feature Extraction, Ship Classification, Sparse
Representation Classification
Equation Section (Next)
第 ii 页
国防科学技术大学研究生院博士学位论文
第一章
绪论
1.1 研究背景和意义
2001 年 5 月，联合国缔约国文件指出：―21 世纪是海洋世纪‖。一方面，海洋
蕴含了丰富的渔业、矿产、交通等资源，已成为人类生存的第二空间，世界各国
海洋经济在国民经济总量中的比重快速提升；另一方面，世界各沿海国家拥有广
阔的领海和专属经济区，保护海洋权益、维护国家海洋安全已成为各沿海国家重
要的军事任务。舰船作为海上交通的主要载体，在人类从事的海洋活动中发挥着
重要作用。在民用领域，舰船目标监视可应用于渔业管理、非法移民监控、海上
交通安全、海洋环境保护、海上搜救等[1-3]；在军事领域则可应用于情报侦察、海
战场态势监控等维护国家海洋领土安全的任务中[1,
4, 5]
。随着人类海洋活动的日益
频繁和国家海洋安全意识的增强，开展舰船目标监视研究刻不容缓。
合成孔径雷达（Synthetic Aperture Radar，SAR）是实现舰船目标监视的一种
重要手段[6, 7]。与光学、红外和高光谱传感器相比，SAR 不受光照、气候等条件的
影响，具有全天时、全天候的成像能力，且具有一定的穿透性。特别是星载 SAR
系统，具有作用距离远、覆盖范围广、连续工作时间长、成像模式丰富等优势，
从而使其在众多舰船目标监视手段中脱颖而出[8-12]。实际上，西方发达国家如美国、
加拿大、日本、欧盟及其成员国对 SAR 图像舰船目标监视的研究已经过几十年的
发展[13]。美国、加拿大等从上世纪七十年代就开始研究从 SEASAT 卫星 SAR 图像
发现舰船目标，并利用后续获取的 SIR-A/B、ERS-1/2、Radarsat-1 等数据开展 SAR
图像舰船目标检测研究，服务于非法移民船只监控和海面泄油船只跟踪等 [14-18]。
欧盟及其成员国从上世纪八十年代开始研究利用 SAR 数据实现渔业船只监视的可
行性[19-21]，将其作为船只监视系统（Vessel Monitoring System，VMS）、自动识别
系统（Automatic Identification System，AIS）等的有力补充，并相继启动若干项目
推动 SAR 图像舰船目标监视的研究，在渔业管理、海洋环境保护、打击索马里海
盗等领域取得了一系列的成果。
在舰船目标监视应用中，一方面期望 SAR 成像具有较大的观测范围，从而分
析区域内的舰船目标分布情况和观测完整的舰船编队；另一方面也期望 SAR 成像
具有较高的分辨率，能够检测到更小尺寸的舰船目标，或者实现舰船目标分类识
别。然而，传统的 SAR 成像受雷达最小天线面积条件的约束，观测带宽和成像分
辨率之间存在矛盾[22]，从而制约了其在舰船目标监视方面更广泛的应用。以星载
SAR 最基本的三种成像模式即条带模式、扫描模式、聚束模式为例，它们的特点
是成像分辨率越高则成像幅宽（或称为测绘带）越小，反之亦然。比如，扫描模
第 1 页
国防科学技术大学研究生院博士学位论文
式下成像幅宽能达到几百千米，而成像分辨率在几十米量级；条带模式下成像幅
宽虽然能达到几十千米，但成像分辨率在几米量级；聚束模式下一次成像区域只
有 10 千米10 千米，其相应的图像分辨率则可以达到米级。由于经典的 SAR 成像
模式不能兼顾成像分辨率和成像幅宽，而且星载 SAR 要经过数天后才能重访同一
地区，因此，传统的星载 SAR 成像已不能满足舰船目标监视的应用需求。
3米分辨率，300千米幅宽
20米分辨率，1000千米幅宽
5米分辨率，400千米幅宽
方位向
地距向
地距向
地距向
图 1.1 HRWS 星载 SAR 多模式成像示意图
高分辨宽幅（High Resolution Wide Swath，HRWS）星载 SAR 成像技术解决
了高成像分辨率和宽测绘带宽之间的矛盾，成像能力大幅提升[22-25]。在基本的 SAR
成像模式基础上，方位向电扫描模式、马赛克模式、滑动聚束模式等都在一定程
度上实现了 HRWS 成像[23]，涉及的技术方法主要包括俯仰向多波束、方位向多波
束、波束形成、斜视成像和宽带宽角二维相控阵天线设计等。特别地，单发多收、
多发多收等多通道接收体制进一步促进了 HRWS SAR 成像技术的发展[22]。根据不
同的成像算法和应用需求，未来的 HRWS 星载 SAR 将可以在多种成像分辨率和成
像幅宽的组合模式下进行成像，如德国宇航中心在研的 HRWS 系统将能够获取 70
千米幅宽和 1 米高分辨率的 SAR 数据，与 TerraSAR-X 条带模式（30 千米测绘带
第 2 页
国防科学技术大学研究生院博士学位论文
和 3 米分辨率）的成像能力相比大大提高[6]。
欧空局计划发射的 Sentinel-1 星载 SAR
系统将具有 400 千米最大幅宽和 5 米最高分辨率的成像能力[6]。
图 1.1 给出了 HRWS
星载 SAR 多模式成像的示意图。
HRWS 星载 SAR 成像技术的发展将极大地促进 SAR 图像舰船目标监视技术
的研究，开启 SAR 图像舰船目标监视应用的新纪元。HRWS 将显著促进和改善舰
船目标监视的性能，如提高检测率、检测更小尺寸舰船目标、有效区分舰船目标
和虚警以及为舰船目标分类识别提供可能性等；同时也将带来新的挑战。HRWS
星载 SAR 可以工作在多种成像模式，即获得不同的成像幅宽和分辨率的 SAR 图像，
在未来的发展中还必将与多极化等星载 SAR 成像技术相结合，衍生出更多的成像
模式。在不同的成像分辨率和幅宽条件下，HRWS 星载 SAR 能够满足不同的舰船
目标监视的应用模式，如大范围海域普查、重点海域监视、特定船只跟踪等。此
时，需要深入研究 SAR 图像舰船目标监视的各项技术，一方面，HRWS SAR 宽幅
成像能力对舰船目标检测性能提出了更高的要求，特别是要保证复杂海洋背景环
境、方位向模糊和旁瓣模糊等条件下的舰船目标检测性能。另一方面，HRWS 星
载 SAR 的高分辨率特性为 SAR 图像舰船目标分类识别提供了可能，但由于 SAR
成像几何和舰船目标曳动等原因造成 SAR 图像中舰船目标存在十字模糊、目标遮
挡、结构缺失等不利因素，再加上 SAR 目标电磁散射机理本身的复杂性和难以实
现完全观测等，HRWS 星载 SAR 图像舰船目标特征提取和分类识别仍需进一步深
入研究。
本文针对上述 HRWS 星载 SAR 图像舰船目标监视中所遇到的挑战，通过研究
SAR 图像解译和模式识别领域中的基础理论和科学问题，解决 HRWS 星载 SAR
图像舰船目标监视中的关键技术问题。研究成果有望为丰富和完善 SAR 图像解译
理论、提高 SAR 海洋遥感应用水平、设计和规划我国 HRWS 星载 SAR 系统发展
等提供有益的借鉴和参考，具有重要的理论和应用价值。
1.2 SAR 图像舰船目标监视研究进展
SAR 图像舰船目标监视技术的研究和应用水平与 SAR 成像技术的进步密切相
关，特别是 HRWS SAR 成像技术的发展将开启 SAR 图像舰船目标监视新的篇章。
因此，本节首先回顾合成星载 SAR 系统的进展情况，然后综述 SAR 图像舰船目标
监视系统的研究进展，最后对 SAR 图像舰船目标监视技术的国内外研究现状进行
总结和归纳。
1.2.1 星载 SAR 系统发展现状与趋势
从上世纪 50 年代以来，合成孔径雷达技术经历了从萌芽、兴起到蓬勃发展阶
第 3 页
国防科学技术大学研究生院博士学位论文
段，特别是进入 21 世纪以来，星载 SAR 系统已进入黄金发展时期。典型的星载
SAR 系统如表 1.1 所示。在新技术、新体制、新需求等因素的推动下，星载 SAR
系统的发展将呈现日新月异的井喷状态。
表 1.1 星载 SAR 系统简表
名称
服役时间
波段（极化方式）
机构、国家
Seasat
1978
L(HH)
NASA/JPL，美国
SIR-A/SIR-B
1981/1984
L(HH)
NASA/JPL，美国
SIR-B
1984
L (HH)
NASA/JPL，美国
C (VV)
ESA，欧洲
ERS-1/2
1991-2000
1995-2011
ALMAZ
1991
S (HH)
前苏联
JERS-1
1992-1998
L (HH)
JAXA/JPL，日本
SIR-C/X-SAR
Radarsat-1
NASA/JPL，美国
L&C (全极化)
1994 年 4 月和十月
DLR，德国
X (VV)
1995 至今
ASI，意大利
CSA，加拿大
C (HH)
NASA/JPL，美国
SRTM
C (HH+VV)
2000 年 2 月
DLR，德国
X(VV)
ASI，意大利
ENVISAR/ASAR
2002-2012
C (双极化)
ESA，欧洲
ALOS/PalSAR
2006-2011
L (全极化)
JAXA，日本
TerraSAR-X/
2007 至今
2010 至今
X (全极化)
DLR/Astrium，德国
TanDEM-X
SARLupe 1-5
2006-2008
X
德国
Radarsat-2
2007 至今
C (全极化)
CSA，加拿大
COSMO-SkyMed-1/4
2007…2010 至今
X (全极化)
ASI/MiD，意大利
RISAT-1
2012 至今
C (全极化)
ISRO，印度
HJ-1C
2012 至今
S (VV)
Sentinel-1a/1b
2014 年至今
C (双极化)
ESA，欧盟
Kompsat-5
预计 2013 年发射
X (双极化)
KARI，韩国
PAZ
预计 2013 年发射
X (全极化)
CDTI，西班牙
ALOS 2
预计 2013 年 射
L (全极化)
JAXA，日本
预计 2017 年发射
C (全极化)
CSA，加拿大
预计 2014/2015 年发射
L (全极化)
CONAE，阿根廷
Radarsat
CRESDA/CAST/NRSCC，
中国
Constellation-1/2/3
SAOCOM-1/2
上世纪 50 年代，合成孔径雷达技术的概念开始萌芽[26,
27]
。在 50 年代以前，
成像雷达一般为斜视机载雷达，受信号带宽和天线波束宽度的限制，其分辨率较
低，且方位向分辨率随斜距的增大而减小。1951 年，美国 Goodyear 公司的 Carl Wiley
第 4 页
国防科学技术大学研究生院博士学位论文
发现被成像物体的方位向坐标与其多普勒频率具有一一对应的关系，提出―多普勒
波束锐化‖的概念，从而可以通过多普勒频率分析的方法改善雷达受天线波束宽度
所限的方位向分辨率[28]。1952 年，伊利诺斯大学基于机载相干 X 波段脉冲雷达实
现了波束锐化的实验演示。此后，这一概念被推广为我们目前所熟知的合成孔径
技术。1958 年，密歇根大学雷达和光学实验室研制出采用光学设备进行二维成像
处理的第一部合成孔径雷达，得到清晰的地面场景图像，其方位向分辨率独立于
斜距距离，是雷达天线孔径长度的一半。随着宽带信号产生、数字信号处理、数
据存储等技术的逐渐成熟，合成孔径雷达技术从理论走向现实[26]。
20 世纪 70 年代后期及整个 80 年代，星载 SAR 系统的发展逐步兴起。在最初
的发展过程中，机载 SAR 系统的技术总是领先一步，并且后继用于星载 SAR 系统
中[6]。1978 年，第一颗民用 SAR 卫星 SEASAT 的发射使得星载 SAR 首次进入人
们的视野。继 SEASAT 之后，美国分别于 1981 年和 1984 年发射了 SIR-A 和 SIR-B。
SIR-A 和 SIR-B 与 SEASAT 一样，都工作在 L 波段、HH 极化方式，但 SIR-B 具
有可变的入射角。90 年代，ALMAZ、ERS-1、JERS-1、RADARSAT-1 等星载 SAR
系统分别是前苏联、欧洲、日本、加拿大等国星载 SAR 发展的里程碑。其中，
RADARSAT-1 和 ALMAZ 都 能 够 在 不 同 的 入 射 角 条 件 下 进 行 成 像 ， 且
RADARSAT-1 还具有不同的成像模式，其常用的扫描 SAR（ScanSAR）模式成像
幅宽高达 500 千米。
20 世纪 90 年代，星载 SAR 系统进入蓬勃发展阶段。如何进一步改善 SAR 成
像技术，并从 SAR 信号中反演更多的地球物理参数是 SAR 系统发展的一个重要推
动力[6]。上世纪 80 年代到 90 年代，研究者们对极化 SAR、干涉 SAR、差分干涉
SAR 等技术进了深入研究[29-32]。1994 年，由 NASA、德国空间局和意大利空间局
联合发射的 SIR-C/X-SAR 及 2000 年的 SRTM 的研制使得上述技术从理论走向应
用。SIR-C/X-SAR 可同时工作在 L、C、X 三个波段，其中 L 和 C 波段具有全极化
能力。SRTM 是 SIR-C 雷达的 C 和 X 波段为实现干涉测量而进行的第二次飞行任
务。在这次飞行中，与原雷达天线垂直方向 60 米的位置安置了另外一副接收天线，
通过处理两副天线接收回波之间的相位差，提取了场景区域的高度信息[6]。
21 世纪以来，星载 SAR 系统发展进入黄金时期。继 ERS-1 和 ERS-2 后，欧
空局于 2002 年 3 月发射了 ENVISAT 先进 SAR 系统。ENVISAT 工作在 C 波段，
其宽带模式幅宽大于 400 千米，是第一个具有不同极化成像方式的星载 SAR 系统。
但是，ENVISAT 只具有同时提供任意两种极化方式的功能，尚不能获取全极化数
据。日本的 ALOS 相控阵 L 波段 SAR 具有全极化和多模式成像能力。随着双站
SAR 卫 星 TerraSAR-X 和 TanDEM-X[33] 、 COSMO-SkyMed 星 座 以 及
RADARSAT-2[34]等卫星的发射，星载 SAR 系统已走向多模式、多入射角、全极化、
第 5 页
国防科学技术大学研究生院博士学位论文
高分辨率、星座组网等趋势[6, 8, 10, 12]。图 1.2 给出了典型星载 SAR 系统的图示。
图 1.2 典型星载 SAR 系统
HRWS SAR 成像是星载 SAR 系统发展的重要趋势之一[6, 8, 10, 12]。在星载 SAR
系统发展进程中，总是在不断地追求提高 SAR 成像能力，包括高分辨、宽测绘带、
多极化、多模式、多入射角等功能。在推动 SAR 系统进展的动力中，一部分来自
于硬件水平、信号处理技术的不断进步，另一部分也是目前最重要的因素是人类
对地球遥感观测日益增长的需求。HRWS SAR 成像同时具有高分辨率和宽测绘带
的特点，有助于实现大范围区域的高分辨观测。特别是在海洋遥感应用中，HRWS
SAR 将极大地促进舰船目标监视等技术的发展和应用水平，也是目前各国 SAR 成
像系统发展的重要方向。
在未来阶段，依赖于极化、干涉、层析、波束形成、大反射天线等技术的发
展，HRWS SAR 成像将与更多新型概念和技术相结合，如多极化[31]、极化干涉
SAR[35]、层析 SAR[36]、全息 SAR[37]、双/多站[38]、MIMO SAR[39]、地球同步轨道
SAR[6]等。这些技术的发展将促进人们实现对地球表面的近连续动态宽幅高分辨观
测。
1.2.2 SAR 图像舰船目标监视系统研究进展
星载 SAR 系统的发展为 SAR 图像舰船目标监视研究提供了客观条件。1978
年，美国发射了第一颗 SAR 海洋卫星—SEASAT，首次验证了星载 SAR 能够对大
范围海洋区域中的舰船目标及其航迹进行观测。上世纪九十年代以来，ERS-1/2、
RADARSAT-1、ENVISAT、ALOS PALSAR、TerraSAR-X 等星载 SAR 系统的发
射获取了大量 SAR 图像数据，为 SAR 图像舰船目标监视研究创造了客观条件。为
了满足渔业生产、海上运输及国防安全部门对 SAR 图像舰船监视的应用需求，以
第 6 页
国防科学技术大学研究生院博士学位论文
及验证和评估不同成像条件下 SAR 图像舰船目标监视的性能，加拿大、美国、欧
盟等国家和地区开展了大量的 SAR 图像舰船目标监视研究，并形成了典型的 SAR
图像舰船监视系统[3, 4]。表 1.2 给出了典型 SAR 图像舰船监视系统的基本信息。
表 1.2 典型 SAR 图像舰船目标检测系统
系统名称
国家和地区
OMW
加拿大
AKDEMO
美国
NOAA
Radarsat-1
SUMO
欧盟
JRC
Radarsat-1、ENVISAT
MaST
英国
Qinetiq
Radarsat-1、ENV SAT
Eldhuset
挪威
NDRE
SEASAT、ERS
MeosView
挪威
KSAT
Radarsat-1、ENVISAT
CLS
法国
SARTool
法国
AMRS
英国
罗马大学
开发的系统
Alenia Aerospazio
公司开发的 统
研究机构
DERO、DND、CCRS、
Satlantic 公司
处理图像类型
Radarsat-1、ERS
南印度洋
Kerguelen 公司
BOOST 公司
Radarsat-1、ENVISAT
ENVISAT、ERS、
Radarsat-1
AMRS
Radarsat-1
罗马大学
意大利
INFOCOM 系
Alenia Aerospazio
意 利
公司
ERS-1/2
SIR-C/X-SAR
Lin 等人开发的系统
新加坡
新加坡国立大学 CRISP
ERS
SIMONS
西班牙
西班牙 UPC
TerraSAR-X
DEKO
德国
德国宇航局（DLR）
TerraSAR-X
ShipSurveillance
中国
中科院电子所
Radarsat-1
ENVISAT
SARWAMS
中国
国防科学技术大学
Radarsat-1
TerraSAR-X
OMW 是一款在 SAR 图像中检测舰船目标的商业软件，同时具有油污监视和
风浪提取等其他功能，主要应用于对 Radarsat-1 和 ERS 图像的实时分析[4]。该系
统由 Satlantic Inc.和加拿大渔业与海洋部(Fisheries and Oceans Canada)签约共同开
发，其资金来源于国防部(Department of National Defence, DND)和加拿大遥感中心
(Canada Centre for Remote Sensing, CCRS)。DND 通过渥太华国防研究机构(Defence
Research Establishment Ottawa, DREO)为 OMW 提供技术支持，主要感兴趣于大范
围监视中的舰船检测。OMW 系统的使用和算法细节可以参考文献[15, 40, 41]，其检测
过程主要包括以下几个步骤：图像获取，主要包括数据预处理、地理定标、陆地
隔离、波缝(beam seam/nadir)模糊隔离等，其中陆地隔离利用了世界海岸线矢量数
据库(World Vector Shoreline Database)；第二个步骤是对图像中的目标进行预筛选，
第 7 页
国防科学技术大学研究生院博士学位论文
采用标准的 CFAR 方法，这种 CFAR 将 L 视的 K 分布作为海洋杂波的概率密度分
布函数，不采用滑动窗口，而是在每个条带上只计算一个阈值；接下来是进行两
个阶段的鉴别，第一个阶段采用面积、与其他目标或陆地之间的距离等简单的目
标参数，第二个阶段则由人工手动完成，操作员可以根据自己的知识来进一步判
定目标；最后，OMW 输出候选舰船目标的位置和面积信息。此外，如果图像中包
含舰船尾迹，则进行尾迹检测并输出由尾迹估计的航向和航速。系统的算法和参
数都是可以由用户进行选择的，并逐步实现了较为友好的操作界面。OMW 相关研
究人员的下一步研究重点将关注于如何利用多极化图像如 Radarsat-2 图像来减少
现有系统较多的虚警。
AKDEMO 是美国 NOAA/NESDIS 项目中演示 Radarsat-1 图像在阿拉斯加地区
实时应用的系统[4]。Wackerman 等[42]具体描述了该系统，其核心部分即 CFAR 检
测器是由 Veridian ERIM 国际公司开发的。AKDEMO 舰船检测系统的主要步骤包
括：陆地隔离，包含有
2 千米的缓冲区，其目的是消除陆地掩膜误差带来的影响，
需要对其进行特别处理以降低虚警率；检测模块由滑动窗口的双参数 CFAR 来实
现；系统没有通用的虚警鉴别步骤，但对两种特别的虚警进行了处理，一种是 SAR
系统的噪声阶跃样本，另一种即为陆地掩膜误差引起的虚警。对系统的评估表明，
该系统具有良好的性能[42, 43]，而且可以对 ENVISAT 等极化数据进行处理[44]。
面向渔业监测、溢油污染监测、海岸安全等应用需求，从 2002 年起，欧盟组
织多家单位开展一系列的研究，已成为 SAR 图像舰船目标监视研究的重镇。
IMPAST（Improving Fisheries Monitoring Through Intergration Passive and Active
Satellite Based Technologies）项目开启了欧盟利用 SAR 图像改善渔业舰船监测性
能的先河[45]。自 2002 年 1 月启动，IMPAST 项目联合了 14 个研究机构和商业伙
伴，其目标是利用遥感技术开发近实时的舰船探测运行系统，进而与船只监视系
统(Vessel Monitor ing System)相结合，改善渔业检测效果。经过为期 3 年的研究，
欧盟 JRC[21,
46-48]
、英国 Qinetiq 开发了相应的 SAR 图像舰船探测系统[49]，西班牙
UPC 等对舰船 SAR 成像进行了模拟研究[50]。IMPAST 项目最终形成了一个完整的
实用舰船探测示范系统，对 Radarsat-1 和 ENVISAT 数据进行处理[51]。
在 IMPAST 项目的基础上，欧盟于 2003 年 5 月启动了第五框架项目
DECLIMS[19]。DECLIMS 项目的目标是开展利用卫星遥感影像进行海上舰船探测、
分类和识别的研究，开展基准实验评估各类探测方法的优缺点，满足用户需求，
并且推动新型传感器和平台的研制，满足舰船监视的实用化要求。与 IMPAST 项
目相比，DESLIMS 项目的合作单位扩展到 24 家，进一步支持了法国 BOOST 公司
的 SARTool[52]、英国 AMRS[53]、挪威 Eldhuest[54]、MeosView、AEGIR[55]、意大利
罗马大学[56, 57]、Alenia Aerospazio[58-60]、新加坡[61, 62]、中国中科院电子所[3, 63]等 SAR
第 8 页
国防科学技术大学研究生院博士学位论文
图像舰船检测算法和监视系统的研发。通过采用相同的 SAR 数据和地面调查数据，
DECLIMS 开展了基准实验对典型的 8 种算法进行分析和评估[64]。
为了更好地将 SAR 图像舰船监视的研究服务于全球环境和安全监视(Global
Monitoring for Environment Security, GMES)，欧盟进一步启动了海事安全服务项目
(MARItime Secturity Service, MARISS)作为 GMES 的一个重要服务单元(GMES
Service Element, GSE)[65]。自 2005 年启动以来，MARISS 集结了一大批政策制定部
门、用户团体及信息服务公司等的力量，旨在解决欧盟海域的非法海上交通活动。
项目综合利用岸基雷达信息、船只检测系统（VDS）、船只交通管理系统(VMS)、
自动识别系统(AIS)以及地球观测(EO)产品如船只检测报告、关键特征检测报告等，
从而致力于增强对海洋边境监视的能力。在上述框架下，MARISS 将综合利用和
关联不同类型的数据，并改进目前所能提供的信息，最终实现统一的实用性服务。
该项目主要提供四个服务功能：1)公开海域舰船检测：综合利用 AIS、VMS 船只
报告以及 SAR 舰船检测和参数估计结果，最终结果发送到用户终端；2) 海洋边境
线的舰船跟踪：综合利用 VTS 雷达和 SAR 舰船检测产品，对于驶入领海区域的船
只为其提供向前追溯三小时的 VTS 数据，从而与前述三小时内获取的 SAR 数据进
行关联；对于驶出领海区域的船只，提供后续三小时内的 VTS 数据，并与该时间
范围内的 SAR 数据进行关联。3)关键区域的异常检测：通过比对不同类型、不同
时间获取的数据，对重点海岸区域内的特殊特征进行检测。这些特殊特征包括人
群的聚合、加油区域、救援营区等。对上述类型信息的分析，有助于揭示热点区
域的异常并触发专门的监视行动。4)决策帮助：通过综合 EO 舰船检测结果和辅助
数据，提供决策建议，最终结果将与 GIS 进行综合和分发。
数据获取
图像预处理
SAR图像
AIS
斜距投影
校准
SAR处理
海岸线检测
舰船检测
舰船分类
AIS数据处理
SAR与AIS数据
融合
结果显示与
分发
WEB GIS
分发
图 1.3 SIMONS 系统数据处理流程
在 MARISS 项目的支持下，西班牙 GMV 开发的舰船监视系统(Ship Monitoring
System, SIMONS)主要对 SAR 图像和 AIS 数据进行自动处理，提供近实时的服务
[50]
。SIMONS 系统在 SAR 舰船检测的基础上重点开展 SAR 舰船分类、识别，并
综合利用自动识别系统和 GeoPortal 网页等提供实时的海上船只监视服务，其数据
处理流程如图 1.3 所示。通过 140 多幅 30 米分辨率的 ENVISAT 数据和相关的 AIS
数据交叉验证表明，SIMONS 系统对西班牙附近海域的部分船只正确分类率接近
60%。在后续的工作中，Margarit 等人还进一步分析了典型舰船目标在极化、极化
第 9 页
国防科学技术大学研究生院博士学位论文
干涉 SAR 数据中的散射特性，提取稳健的特征对其进行分类识别，开辟了 SAR 图
像舰船目标分类识别研究的新方向。
受益于 TerraSAR-X 数据的获取和应用需求，德国宇航局(DLR)重点开展了高
分辨 SAR 图像舰船监视研究。作为欧盟全球环境和安全监视(Global Monitoring for
Environment Security, GMES)计划的一部分，DLR 在 DeMarine-Secturity 项目中开
展了海上人造目标检测(Detection of Artificial Objects in Sea Area, DEKO)子项目[66,
67]
。该项目的执行周期为 2008 年 5 月到 2011 年 3 月，其主要目标有三个，1)根据
处理结果定义 GMES 下游应用的概念；2)开发新型的检测和分类算法对舰船和其
他海上人工目标进行分析；3)对 SAR 系统工作参数进行实验验证。DEKO 系统基
于商业化的遥感影像处理平台，对公开海域及海岸线/港口两类区域的舰船目标进
行监视，其界面示例如图 1.4 所示。其主要处理步骤包括：相干斑去噪和基于海岸
线数据库的陆地掩膜等预处理、舰船 ROI 区域分割和聚类、舰船区域参数提取、
初步分类识别等。
(a)
(b)
(c)
图 1.4 德国 DLR DEKO 系统示例
(a)数据显示，(b)舰船检测结果，(c)显示终端
由于开展水面遥感探测实验较为复杂，因此对各类监视系统的性能进行系统性
评估的工作开展较少。DECLIMS 项目开展了基准实验[64, 68, 69]，采用工作在不同模
式(S5、S7、W2、W3、SNA、SNB)的 17 幅 RADARSAT-1 图像对项目中的 8 个监
视系统进行性能测试和评估。由于 VMS 和目视判读结果等验证数据存在一定的不
确定性，基准实验对各系统最终检测结果采用软判决的方式进行评估。将目视判
读结果作为验证数据的条件下，有些―理想‖的图像中检测率大于 97%，大部分图
像检测率在 85%-95%，一些―恶劣‖的图像检测率只有 75%-90%甚至低至 70%-80%。
将 VMS 数据作为验证数据的条件下，有 8 幅图像的检测率在 80%-100%，5 幅图
像的检测率在 40%-75%。基准实验结果表明没有一种检测算法优于其他所有的方
法，有些算法在某些情况下性能较好，而另外的算法则在另外的情况下性能较好。
同时，基准实验还揭示了 SAR 图像舰船目标检测中需要继续研究的问题，如特殊
海洋特征、成像旁瓣和方位模糊等容易引起虚警、海陆分割不精确、相邻目标难
以区分以及检测算法参数不能自动化选取等。
第 10 页
国防科学技术大学研究生院博士学位论文
DEKO 采用 20 多幅 1.2-2.5 米分辨率条带模式 TerraSAR-X SAR 图像和相关的
AIS 数据分析了系统性能[70]。初步的结果表明，DEKO 系统对舰船和其他人造目
标的检测率达到 96%，对舰船尺寸参数提取误差在 3-10 个像素左右，方位估计误
差在 9°以内。但是，该系统仍不能将尺寸较小的舰船目标与海洋杂波及其它人造
目标进行完全区分，而且风暴、方位向和距离向模糊会造成漏检和虚警等。
此外，SAR 图像舰船目标监视应用对监视系统的处理效率也有近实时性的要
[64, 69]
求
。SAR 图像舰船目标监视数据处理流程从卫星获取开始，包括地面站接收、
SAR 处理、SAR 舰船检测、检测结果与其他数据源融合处理，直到将最终处理结
果发送到用户终端。如果整个处理流程都在地面接收站内进行，则目前对单幅图
像最快的处理速度是 5 分钟，其中舰船目标检测部分耗时小于 1 分钟。如果数据
处理中涉及到不同站点间的数据交换和专家人工判读，则需要考虑到 FTP 数据传
输的耗时，目前从数据获取到最终将检测结果呈现在用户面前的耗时约 20-30 分
钟。
由于不同 SAR 系统的成像波段、极化方式、成像模式等参数造成图像分辨率
和观测带宽不同，需要选择合适的成像参数用于 SAR 图像舰船目标监视应用。加
拿大 OMW 和欧盟 DECLIMS 项目都对不同 SAR 成像模式下舰船监视性能进行了
系统的分析和研究[16,
50, 53, 70-72]
。在公开海域，由于观测范围较大且舰船目标具有
较大的尺寸，具有 50 米分辨率和 300 千米测绘带的 RADARSAT-1 窄扫描远场模
式较为适用。在港口区域，由于众多小尺寸船只的观测需求，具有 25 米分辨率和
100 千米测绘带的 RADARSAT-1 第 4-7 标准波束模式和 ENVISAT IS4-7 模式(入射
角大于 45 度时采用 HH 极化，小于 45 度时采用 HV 极化)的 SAR 图像较为适用。
对于更小的如长度为 10 米量级的船只，8 米分辨率的 RADARSAT-1 精细模式图
像更为适用，但只有 50 千米的测绘带宽会限制其应用范围。舰船参数提取和分类
识别对 SAR 图像分辨率要求更高。DECLIMS 的基准实验表明在较为有利的条件
下标准模式的 RADARSAT-1 图像可对 70 米以上的船只大小进行估计，而 8 米分
辨率精细模式的图像可对 25 米以上船只大小进行估计。西班牙 SIMONS 系统采用
30 米分辨率的 ENVISAT 和 ERS 图像只能实现对少部分检测到的舰船进行分类识
别，与 AIS 交叉验证表明其分类识别率约为 60%。德国 DEKO 系统采用高达 1.2-2.5
米分辨率的 TerraSAR-X 图像实现了舰船目标几何参数提取和初步分类，其长度估
计误差为 19.6 米，方位角估计误差为 9°以内，对结构较为明显的三类船只分类率
达到 81%。ENVISAT、ALOS PALSAR、RADARSAT-2 等提供了双极化甚至全极
化的观测能力，有利于利用极化信息改善 SAR 图像舰船目标监视性能。研究表明，
舰船目标在 HH 极化和交叉极化通道中较为明显，而尾迹等海洋特征则在 VV 极化
通道中较为明显。当入射角大于 45°时，HH 通道更适用于舰船检测，而入射角小
第 11 页
国防科学技术大学研究生院博士学位论文
于 45°时，交叉极化 HV 或 VH 更适用于舰船检测。多极化信息的获取还有助于对
舰船目标进行参数提取，如分析舰船目标的基本散射体类型等。但是，极化信息
必须与高分辨率相结合才能达到预期的目的。此外，为了更好地得到舰船监视性
能，需要联合使用 SAR 图像与其他辅助数据如 VMS(渔船)、AIS(商船)及 LRIT(商
船，Long Range Identification System)等[73-75]。基于目前 SAR 图像舰船目标监视的
研究成果，表 1.3 给出了利用 SAR 图像进行渔业管理应用对未来 SAR 系统的性能
要求[76]。
表 1.3 利用 SAR 图像进行渔业管理应用对未来星载 SAR 系统性能要求
应用
公开海域
近岸或港湾内
渔业管控
渔业管控
性能要求
最低要求
理想情况
最低要求
理想情况
重访周期
3天
1天
3天
1天
数据传输（卫星获取后）
小于 1 小时
小于 15 分钟
小于 1 小时
小于 15 分钟
极化方式
HH
HH+HV
HH
HH+HV
等效视数
3
5
3
5
分辨率
55 米
30 米
25 米
10 米
400 千米
100 千米
150 千米
最小幅宽
300
千米
入射角
大于 30 度
大于 35 度
大于 35 度
大于 35 度
地理定标精度
300 米
150 米
150 米
50 米
我国从上世纪九十年代开始对 SAR 图像舰船目标监视进行研究。中科院电子
所、国防科技大学、海洋二所、中科院遥感所、解放军信息工程大学等单位分别
对 SAR 图像舰船目标检测、特征提取和分类识别等进行了深入研究。特别是中科
院电子所和国防科技大学，前者在国内率先开展相关研究并参与欧盟 DECLIMS
项目，开发了名为“ShipSurveillance”的 SAR 图像舰船目标检测系统[63]；后者在
近十年内持续开展 SAR 图像舰船目标监视研究[4, 77-81]，开发了名为“SARWAMS”
的 SAR 图像舰船目标检测系统，并对舰船目标分类识别和 SAR 与 AIS 综合的舰
船目标监视技术进行了有益的探索。
1.2.3 SAR 图像舰船目标监视技术研究进展
在典型 SAR 图像舰船监视系统框架中，其数据处理流程如图 1.5 所示，主要
包括用户任务分析与定制、SAR 与辅助数据获取、SAR 图像海陆分割等预处理、
SAR 图像舰船目标检测、SAR 图像特征提取与分类识别、结果分发与用户终端显
示等步骤。
第 12 页
国防科学技术大学研究生院博士学位论文
SAR
用
户
中
心
任务需求
用
户
反
馈
管理中心
AIS
海陆分割
舰船检测
结果显示
人
工
交
互
人
工
交
互
SAR数据分发
SAR数据接收
与成像处理
舰船分类
AIS、VTS
等辅助数据
外部数据
辅助数据交互验证
数据获取
SAR图像舰船监视处理
图 1.5 SAR 图像舰船监视系统数据处理流程
受益于 ERS-1/2、Radarsat-1、ENVISAT 等星载 SAR 数据的获取，关于 SAR
图像舰船目标检测的研究已取得显著的进展，包括单极化 SAR 图像舰船目标检测
和多极化 SAR 图像舰船目标检测，部分研究成果已应用于 1.2.2 节中的 SAR 图像
舰船目标检测系统。但是，受限于图像分辨率较低，关于 SAR 图像舰船目标特征
提取与分类识别的研究刚刚起步，只有少数研究者开展了相关的研究。本小节对
单极化 SAR 图像舰船目标检测、多极化 SAR 图像舰船目标检测、SAR 图像舰船
目标分类识别等算法进行了综述和分析。
1.2.3.1 单通道 SAR 图像舰船目标检测
舰船检测算法是 SAR 图像舰船检测系统的核心，其主要思想是利用舰船目标
与周围海域在 SAR 图像上所表现的特征差异，设置一个关于该特征的阈值进行检
测。在单通道 SAR 图像中，舰船目标和海域表现最明显的差异是灰度特征，大部
分检测算法都是设置灰度阈值来完成的，对灰度阈值的选取方法不同也就对应着
各种不同的检测算法。Lin 等最早通过设定固定阈值对 ERS SAR 图像进行舰船目
标检测[62]。由于海洋环境不断变化，表现为 SAR 图像海洋杂波呈现非平稳的灰度
特性，固定阈值的检测效果较差，需要根据目标周围像素来确定自适应阈值。在
主流的 SAR 图像舰船目标检测系统中，恒虚警率(Constant False Alarm Rate, CFAR)
算法由于其局部自适应特性而被广泛使用。对 CFAR 算法的研究包括两个重要分
支，即 SAR 图像海洋杂波统计特性和 CFAR 检测器。C. Brekke 等[82]以 K 分布拟
合 SAR 图像海杂波统计特性，对结冰海域内 RADARSAT-2 获取的数据进行舰船
检测。G. Ferrara 等[83]进一步以 GK 分布拟合海杂波统计分布，根据分布参数设计
了相应的检测算法。Lombardo 和 Sciotti 等[56]在分析标准 CFAR 检测技术用于星载
SAR 图像舰船检测中存在缺点的基础上，提出了一种克服这些缺点的基于分割的
第 13 页
国防科学技术大学研究生院博士学位论文
检测方法。若考虑到目标的灰度信息，则可推导得出一种似然比检测(Likely Ratio
Test, LRT)或 Neyman-Pearson 检测器[84-87]。基于舰船目标和海洋杂波在不同分辨率
空间的差异，加拿大洛克马丁的 Gagnon 等[88]提出了一种多分辨率的舰船目标检测
方法；西班牙的 MarivíTello 等[89,
90]
在欧盟 DECLIM 项目的支持下，也采用基于
小波变换的方法分别对仿真和实际的 SAR 图像进行目标检测，得到了令人满意的
结果。另外，由于舰船目标和海水的散射特性不同，在方位向上舰船目标在很大
的角度失配范围内具有强的相干性，而海洋回波之间的相干则很弱，因此还可以
利用子孔径相关处理的方法区分目标和杂波 [91-94]。除了上述几种应用比较广泛的
方法之外，研究者们还开发了其他的 SAR 图像目标检测方法[95-99]，如神经网络、
高斯核函数、演化计算、视觉注意机制。
1.2.3.2 极化 SAR 图像舰船目标检测
随着极化 SAR 数据的获取和对不同地物极化散射特性的分析，极化 SAR 图像
舰船检测的研究改善了 SAR 舰船检测的性能[100-108]。极化 SAR 数据描述了海洋杂
波和舰船目标对雷达电磁波不同极化方式的散射特性，Liu 等[71]分析了不同极化方
式下 SAR 图像中舰船与海洋杂波的信杂比及相应的舰船检测能力。目前，多极化
SAR 图像舰船检测有三种主要的思路：1）对各个通道 SAR 图像分别进行舰船检
测，然后融合相应的检测结果；2）综合利用各个通道 SAR 数据的幅度、相位等
信息，在融合后的数据中进行舰船检测；3）通过分析海洋杂波和舰船目标的基本
散射机理，在极化分解的参数空间进行舰船检测。
在第一种思路中，由于舰船目标对不同极化电磁波的散射特性有所差异，不
同极化 SAR 通道数据的检测结果具有一定的互补性，通过采用取大、取小、平均
等融合规则将改善检测性能[109]。第二种检测思路主要是借鉴和继承了单通道 SAR
图像中的舰船检测方法，一方面可以将各极化通道合成为一幅数据并采用单通道
检测方法，如极化能量合成(SPAN)，另一方面可以拓展单通道 SAR 图像的检测算
法使之适用于多通道数据，如极化白化滤波(Polarimetric Whitening Filter, PWF)、
FP(Fix-Point)-PWF、Notch 滤波、极化似然比检测方法等[110-117]。基于极化散射机
理分析的检测方法充分利用了 SAR 极化信息，对海杂波和舰船目标的散射特性具
有明确的物理解释，是目前研究最为广泛的极化 SAR 检测方法。R. Touzi 等[118]
分析了不同入射角条件下线性极化（HH、HV、VV）、圆极化等极化方式中舰船
目标的检测能力，并采用极化熵对舰船进行检测；M. Yeremy 等[119]分别采用 Van
Zyl 分解和 Cameron 分解等极化分解方法对机载实测 SAR 数据实现了舰船检测；
R. Ringrose 将[120]极化 SAR 图像中的每个像素分解为三个正交分量，分析了不同信
杂比条件下舰船像素中三种分量的比重，并初步尝试了舰船检测的可行性。此后，
极化目标分解方法得到了进一步的改进，更多的极化分解参数被用于舰船检测。
第 14 页
国防科学技术大学研究生院博士学位论文
C. Liu 等[121]利用 HV 和 VH 的相位差信息检测舰船的方位向模糊虚警，从而达到
极化 SAR 图像运动舰船目标指示（Moving Target Indication，MTI）的目的。J. Chen
等[102]改进了极化相干目标分解算法，在极化交叉熵空间检测舰船目标。J. Yang 等
[115]
通过增强极化 SAR 数据中舰船目标与海杂波的对比度，利用广义最优极化对比
度增强（Generalized Optimum Polarimetic Contrast Enhancement, GO-PCE）方法对
极化 SAR 图像中的舰船目标进行检测。C. Wang 等[122]分析了舰船目标及其方位向
模糊在极化分解参数空间的特性，设计了一种去除方位向模糊虚警的极化 SAR 舰
船检测算法；魏矩杰等[123]也基于类似的思想和子孔径相干方法去除了全极化数据
舰船目标检测结果中的方位向模糊虚警。R. Guo 等[124]引入非负矩阵分解实现了极
化 SAR 图 像 舰 船 检 测 。 随 着 ENVISAT 、 ALOS PALSAR 、 TerraSAR-X 、
RADARSAT-2 等数据的获取，基于星载极化 SAR 数据的舰船检测研究得到了长足
发展。A. Smith 等[125]分析了 ENVISAT ASAR 获取的双极化 SAR 数据不同通道的
舰船检测能力。M. Sugimoto 等[126]采用基于模型的分解方法对 ALOS-PALSAR 全
极化数据进行舰船检测。F. Nunziata 等[127]利用海杂波和金属目标对雷达极化波不
同的反射对称性，通过计算同极化和交叉极化数据的相关系数在 RADARSAT-2 获
取 的 全 极 化 数 据 中 检 测 舰 船 目 标 。 D Velotto 等 [128] 进 一 步 利 用 上 述 方 法 对
TerraSAR-X 获取的双极化 SAR 数据进行舰船检测。
1.2.3.3 SAR 图像舰船目标分类识别
相对于舰船目标检测技术的深入研究和应用而言，关于星载 SAR 图像舰船目
标分类识别的研究还处于起步阶段。目前，国外研究机构开发的舰船目标监视系
统还不能完全地实现舰船目标的分类识别。SAR 图像舰船目标分类识别的实现途
径主要有基于图像模板匹配的分类识别以及基于特征模板匹配的分类识别两种。
与直接基于图像的方法相比，基于特征方法的效率更高，因此大多数研究都集中
在基于特征的方法上。SAR 图像舰船目标识别的研究主要包括建立目标模板库、
提取舰船特征、设计分类算法等方面。
在过去相当长的一段时间内，受分辨率的限制，SAR 图像舰船目标分类识别
研究主要基于仿真数据、高分辨机载 SAR 以及 ISAR(Inverse SAR)数据开展[129]。
近年来，各国研究者也根据舰船目标的三维模型等计算其雷达散射截面积（Radar
Cross Section，RCS），并通过 SAR 图像仿真建立了星载 SAR 图像舰船目标模板
库。David C. Jenn[130]从船的 CAD 模型中提取三角形面片，并用电磁计算软件如
PATCH 和 NEC 等对其进行 RCS 分析。J. Mallorqui 等[131]利用西班牙 UPC 开发的
RCS 预估软件 GRECO，可实时地模拟船目标的星载极化 SAR RAW 信号，并用于
后续的分类识别应用中。Y. L. Wang 等[132]人结合 Radarsat-2 和 TerraSAR-X 等在轨
卫星 SAR 系统的成像几何和成像参数，对舰船目标进行 SAR 图像仿真建立舰船目
第 15 页
国防科学技术大学研究生院博士学位论文
标数据库，并开展了舰船目标分类识别研究。Zhou Wenming 等[133]建立了典型军
事舰船目标的 SAR 图像识别模板库。
在分类识别的特征提取方面，几何特征、局部不变特征及电磁散射特征是目
前研究者广泛应用的特征。与光学图像中的目标识别问题类似，SAR 图像中不同
类型的目标在几何轮廓和几何参数上具有明显的区别。所以，几何特征被广泛应
用于舰船目标识别中。董江曼等[134]总结了用于 SAR 图像舰船目标识别的基本几何
特征，包括长、宽、面积、周长、积分光学密度、欧拉数、主轴方向角、细长度
等。Wang Juan 等[135]提出了活动表面模型，从形状和灰度级上对 SAR 图像中的舰
船目标精确描述。Knapskog 等[136, 137]利用 3D 模型和轮廓模板对 TerraSAR-X 图像
中的船只进行了分类。Prashan Premaratne 等[138]利用舰船目标的超结构矩不变量对
舰船进行分类。近年来，从 SAR 成像的原理和地物电磁散射机理出发的分类方法
也越来越得到广泛的研究。Chao Yuan 等[139]针对 ISAR 图像的扭曲不变量模式识
别问题，提出了一种组合滤波器的分类算法；Kun-Chou Lee 等[140]将不同俯仰角和
不同类型船只的 RCS 组成向量，并形成高阶的协方差矩阵，通过 PCA 处理和线性
鉴别算法，实现对多张角雷达图像中舰船目标的识别；Gerard Margarit 等[141]基于
极化干涉 SAR 图像提取了舰船目标强散射体的位置及其高度信息，对仿真的 SAR
图像舰船目标进行了分类识别；Ridha Touzi 等[142]从舰船目标的电磁散射机理出
发，通过 SSCM 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。Riccardo Paladini 等[143]通过对极化 SAR 数据中的舰船目标进行
目标分解，提取了具有方位不变性的特征向量对舰船目标进行分类。
在 SAR 图像舰船目标的分类器设计方面，主要是借鉴模式识别理论中比较先
进的技术，并根据舰船目标分类的实际要求而开展研究的。Robert Klepko 等[144]
借鉴句法模式识别算法，提出一种粗糙特征分类器，提高了 SAR 图像舰船目标分
类的速度和精度；Andrew Tuttle 等[145]则将舰船目标分类看作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，从而提出了 SAR 图像舰船
目标的模糊分类器；Gerard Margarit 等[146]针对提取的舰船目标大尺度结构特征向
量，设计了模糊逻辑分类规则，对单极化 SAR 图像中的舰船目标进行分类；Hossam
Osman 等[147]仿真了机载 SAR 舰船目标数据库，分为训练集和测试集两部分，采
用后向神经网络分类器对 8 类舰船目标进行了分类识别；P. Valin 等[148]针对船目
标分类实际问题中对分类结果粗糙度的需求，设计了一种分层的机载 SAR 船目标
分类器。
1.3 HRWS SAR 图像舰船目标监视关键技术分析
HRWS SAR 成像具有同时获取高分辨率和宽测绘带数据的能力，从而为 SAR
第 16 页
国防科学技术大学研究生院博士学位论文
图像舰船目标监视研究提供了更为有利的条件。一方面，HRWS SAR 宽测绘带特
性将拓展 SAR 图像舰船目标监视的范围，更有利于实现大范围海域普查、舰船编
队监视跟踪等；另一方面，HRWS SAR 的高分辨率特性有助于对热点区域和重点
舰船目标进行监视，特别是 HRWS SAR 高分辨率图像对舰船目标的刻画更为精细，
从而为 SAR 图像舰船目标分类识别提供了可能。
然而，HRWS SAR 图像自身的特点也会给 SAR 图像舰船目标监视研究带来新
的挑战。结合 HRWS SAR 图像特点和 SAR 图像舰船目标监视技术的研究进展，
本文认为 HRWS 星载 SAR 图像舰船目标监视仍然需要对如下几个关键技术开展研
究：
 复杂海洋背景条件下的舰船目标检测是 HRWS SAR 图像舰船目标监视关
键技术之一。复杂海洋背景环境，如高海况、洋流变化、高航行密度等，
将使 HRWS 星载 SAR 图像舰船目标检测的性能下降。在高海况或洋流变
化区域，SAR 图像海洋背景杂波呈现为不均匀的统计特性，强散射杂波
和杂波边缘等使得检测虚警率提升或检测率下降。在高航行密度区域，相
邻目标的雷达回波容易形成相互干扰，从而造成检测结果中出现漏检、目
标结构缺失等现象。
 利用多极化数据减少 SAR 成像中的方位向模糊、旁瓣模糊等虚警是 HRWS
SAR 图像舰船目标监视的另一关键技术。多极化和 HRWS 相结合描述了
成像地物和目标更为丰富的散射特性，不仅从中可以提取物体的散射强
度，还可以分析分辨单元的散射类型，一方面可以分析不同极化方式对舰
船目标检测性能的影响，另一方面还为消除方位向模糊、旁瓣模糊等虚警
提供了可能，通过综合利用多通道极化信息可以有效减少检测结果中的虚
警。
 面向高分辨 SAR 图像舰船目标分类识别的特征提取也是实现 HRWS SAR
图像舰船目标监视的一项关键技术。受成像几何、雷达参数及舰船运动特
性的影响，SAR 图像中舰船目标区域易受相干斑噪声、成像旁瓣、运动
模糊及相邻船只干扰等因素的影响，从而使得舰船目标特征提取不够精
确；另一方面，随着 HRWS 星载 SAR 图像分辨率的提高，分析不同类型
舰船目标在 SAR 图像中的散射特点，提取有效的分类识别特征也亟待进
一步研究。
 在舰船目标检测、特征提取等研究基础上，HRWS SAR 图像舰船目标监视
还亟需对高分辨 SAR 图像舰船目标分类识别算法这一关键技术进行深入
研究。与 SAR 系统发展水平和人类对舰船目标监视的迫切需求相比，星
载 SAR 图像舰船目标分类识别的研究仍然十分薄弱和不足。随着 HRWS
第 17 页
国防科学技术大学研究生院博士学位论文
星载 SAR 图像数据的获取，人们对星载 SAR 图像舰船目标监视提出了更
高的要求，不仅要求从 SAR 图像中获取舰船目标的位置、几何参数、运
动状态等基本信息，而且希望获知观测舰船目标的类别信息。但是，SAR
图像中的舰船目标往往存在目标遮挡、方位敏感及不完全观测等特点，这
就需要研究具有鲁棒性的 SAR 图像舰船目标分类识别算法。
1.4 论文主要工作及内容安排
论文的主要工作是围绕―十二五‖XX 预研项目―SAR 图像舰船目标快速 XX 技
术‖和 ―SAR 图像舰船目标 XX 与 XX 技术‖等课题展开的。针对上述问题，以发展
自动/半自动的 HRWS SAR 图像舰船目标监视系统为目的，结合我国 SAR 成像卫
星与地面应用系统建设及发展需求，在大量国内外星载 SAR 实测数据的支持下，
以统计信号处理、图像处理与分析、模式识别等领域最新理论研究为基础，论文
深入研究了单通道 SAR 图像舰船检测、极化 SAR 图像舰船检测、高分辨 SAR 图
像舰船特征提取、高分辨 SAR 图像舰船分类识别等 HRWS SAR 图像舰船目标监
视关键技术。论文的主要结构安排如图 1.6 所示。
论文主要研究工作具体如下：
第一章为绪论，阐述了课题的研究背景及意义，简要介绍了星载 SAR 系统发
展现状和趋势，归纳了 SAR 图像舰船目标监视系统进展及性能，综述了 SAR 图像
舰船目标监视技术的研究现状，特别分析了 HRWS SAR 图像舰船目标监视关键技
术问题，并给出本文研究工作简介。
第二章深入研究了复杂背景中单通道 SAR 图像舰船目标检测方法。在综述单
通道 SAR 图像舰船目标检测算法的基础上，针对复杂背景所引起的虚警率增加和
检测率下降问题，重点研究了基于 CFAR 方法的 SAR 图像舰船目标检测算法。主
要内容如下：
 研究了单通道 SAR 图像舰船目标检测算法。主要包括 CFAR 方法、似然
比检测方法、小波变换检测方法、子孔径相关检测方法等。论文研究了上
述各种方法的原理，分析了其优缺点和适用范围，为后文的研究提供参考。
 分析了星载 SAR 图像海洋杂波统计特性。研究了 K 、 G 0 分布模型，基于
实测星载 SAR 图像海洋杂波数据验证了 G 0 分布对不同波段、不同极化方
式、不同分辨率、不同海况条件下的 SAR 图像海洋杂波统计建模能力。
 设计了一种 VIE-CFAR 检测器。在研究 CFAR 检测器原理的基础上，针对
非均匀杂波环境特别是多目标干扰杂波环境设计了 VIE-CFAR 检测器，并
基于 Monte-Carlo 仿真分析了 VIE-CFAR 与 CA、GO、SO、OS、VI-CFAR
等检测器在均匀、杂波边缘、多目标干扰等不同杂波环境中的检测器性能。
第 18 页
国防科学技术大学研究生院博士学位论文
 提出一种复杂背景中 VIE-CFAR SAR 图像舰船目标检测算法。分析了复杂
背景中 SAR 图像舰船目标检测所遇到的挑战，提出一种复杂背景中
VIE-CFAR SAR 图像舰船目标检测算法，分析了 G 0 分布条件下 CFAR 检
测性能，基于大量实测星载 SAR 图像数据验证了算法的有效性。
第三章深入研究了去除方位向模糊、旁瓣模糊等虚警的极化 SAR 图像舰船目
标检测方法。在介绍极化电磁波表征和散射体极化描述等基础极化理论基础上，
综述了极化 SAR 图像舰船目标检测方法，对比分析了极化 SAR 数据舰船目标检测
性能，重点针对 HRWS SAR 图像中固有的方位向模糊、十字旁瓣模糊等造成的虚
警，提出了基于特征选择加权和支持向量机（Support Vector Machine，SVM）的
极化 SAR 图像舰船目标检测算法。主要内容如下：
 介绍了极化电磁波表征和散射体极化描述等基础极化理论。主要包括极化
椭圆和 Jones 矢量、Stokes 和 Poincaré球等极化电磁波表征方式，极化散
射矩阵、极化协方差矩阵、极化相干矩阵等基本散射体的极化描述，以及
极化合成理论等极化 SAR 基础性概念和理论。
 研究了极化 SAR 舰船目标检测方法，对比分析了极化 SAR 数据舰船目标
检测性能。对极化似然比检测方法、极化滤波检测方法、极化分解检测方
法等进行了综述，基于实测极化 SAR 图像数据分析了不同极化信息条件
下极化 SAR 数据中的舰船目标检测性能。
 提出一种基于特征选择加权和 SVM 的极化 SAR 图像舰船目标检测方法。
针对 HRWS SAR 成像结果中固有的方位向模糊、十字旁瓣模糊等虚警，
基于极化散射矩阵和极化目标分解构造了极化特征向量，利用 RELIEF-F
算法对该特征向量进行特征选择并得到相应的权值，最后采用支持向量机
的分类方法实现 SAR 图像舰船目标检测。基于大量实测机载 AIRSAR 和
星载 Radarsat-2 全极化数据的实验结果表明该算法具有较低的检测虚警
率，并能够保持目标的结构特性。
第四章深入研究了高分辨 SAR 图像舰船目标特征提取方法。在总结已有 SAR
图像舰船目标特征提取方法的基础上，重点面向高分辨 SAR 图像舰船目标分类识
别提出了舰船目标几何结构精确提取算法，提取了一种新的基于舰船目标结构特
点及其散射特性的宏结构散射特征。主要内容如下：
 研究了已有的 SAR 图像舰船目标特征及其提取方法。主要包括舰船目标
几何特征、区域特征、电磁散射特征及变换域特征等。
 提出了面向分类识别的高分辨 SAR 图像舰船目标几何特征精确提取算法。
由于 SAR 成像特点及舰船运动等因素的影响，SAR 图像中舰船目标容易
出现十字旁瓣、运动模糊及相邻目标难以区分等特点，本文基于 Radon
第 19 页
国防科学技术大学研究生院博士学位论文
变换和直方图分析方法，提出了高分辨 SAR 图像舰船目标几何特征精确
提取方法，并基于实测 TerraSAR-X SAR 图像舰船目标切片和人工判读结
果对算法性能进行了评估。
 提取了一种新的基于舰船目标结构特点及其散射特性的宏结构散射特征。
针对集装箱、油船、货船三类典型舰船目标，分析了其结构特点及相应的
散射特性，分别提出了高分辨 SAR 图像舰船目标宏结构散射特征，并基
于 TerraSAR-X SAR 图像三类典型舰船目标数据分类结果验证了特征的有
效性。
第五章研究了 SAR 图像舰船目标分类识别算法。在深入分析 SAR 图像舰船目
标分类识别问题的基础上，引入稀疏表示分类理论，提出了基于方位角限制的高
分辨 SAR 图像目标稀疏表示分类算法和基于特征空间稀疏表示的 SAR 图像舰船目
标分类算法。主要内容如下：
 分析了 SAR 图像舰船目标分类识别的层次性，建立了 SAR 图像舰船目标
识别框架，综述了 SAR 图像舰船目标分类识别的研究现状。
 研究了稀疏表示分类原理，基于 MSTAR 公用数据集初步验证了 SRC 方法
对 SAR 图像目标分类识别的有效性。
 提出一种基于方位角限制的 SAR 图像目标稀疏表示分类算法。分析了目
标方位角与稀疏表示系数之间的关系，设计了方位角限制的稀疏表示重构
规则，从而在方位角约束的条件下对 SAR 图像目标进行稀疏表示分类。
基于 MSTAR 数据的实验验证表明，本文方法对俯仰角变化、目标型号变
异及不完全观测等具有一定的鲁棒性。
 提出一种特征空间稀疏表示的 SAR 图像舰船目标分类识别算法。本文设
计了特征空间的稀疏表示字典，一方面降低了字典的维数，另一方面对舰
船目标的描述更为充分，从而在特征空间对 SAR 图像舰船目标进行稀疏
表示分类，基于三类实测 TerraSAR-X SAR 图像舰船目标数据集对比分析
了本文算法与模板匹配、K-NN、Bayes、SVM 等方法的分类正确率和时
间性能，验证了该算法的有效性。
第六章为结束语，总结了全文主要工作和创新性成果，并对下一步需要开展
的工作进行展望。
为了充分验证论文提出的各种方法，本文采用大量的国内自主实测 SAR 图像
数据和商业卫星 SAR 图像数据进行实验，其中主要的商业卫星 SAR 图像数据包括：
(1) ENVISAT 宽幅（Wide Swath，WS）模式数据，青岛附近海域，极化方式
为 VV 极化，分辨率为 75米 75米 ，共两幅，主要用于 2.2 节和 2.4 节。
(2) NASA/JPL AIRSAR 全极化数据，东京湾地区和高雄港地区各一幅，成像
第 20 页
国防科学技术大学研究生院博士学位论文
波段为 L 和 C 波段，分辨率为 10.8米 5.5米 ，主要用于 2.2 节和 3.4 节。
(3) Radarsat-2 全极化数据，成像地点为直布罗陀海峡区域，成像模式为精细
全极化（Fine Quad Polarization）模式，分辨率为 8米 8米 ，主要用于 3.4
节。
(4) TerraSAR-X SAR 高分辨数据，其中直布罗陀海峡和悉尼港区域各一幅，
极化方式分别为 HH 和 VV 极化，分辨率为 3米 3米 ，主要用于 2.2 节；
香港地区八幅，极化方式为 VV 极化，分辨率为 3米 3米 ，主要用于第四
章和 5.4 节。
第二章
第三章
第四章
第五章
海洋杂波统计特性分析
极化SAR图像舰船目标检
测算法与检测性能分析
SAR图像舰船目标高精度
几何特征提取算法
稀疏表示分类算法原理
VIE-CFAR检测器设计与
性能分析
特征选择加权和SVM的极
化SAR图像舰船目标检测
SAR图像舰船目标宏结构
散射特征
基于方位角限制的SAR图
像目标稀疏表示分类
复杂背景中SAR图像舰船
目标检测算法
实验验证与分析
有效性验证与分析
基于特征空间稀疏表示的
SAR图像舰船目标分类
图 1.6 论文结构安排
Equation Section (Next)
第 21 页
国防科学技术大学研究生院博士学位论文
第二章
单通道 SAR 图像舰船目标检测
舰船目标检测是 SAR 图像海洋监视应用的关键和基础性技术之一。通过对
SAR 图像中的舰船目标检测，可以确认某港口或沿海区域内舰船目标的数量、分
布等情况，还可以对广阔的公开海域进行普查搜索区域内的舰船目标。特别是
HRWS SAR 图像，其宽测绘带和高分辨率特性适用于不同的舰船检测应用任务。
自上世纪九十年代以来，世界各国研究机构对 SAR 图像舰船目标检测开展了
广泛而深入的研究。随着 ERS-1/2、Radarsat-1、ENVISAT 等实测 SAR 图像数据
的获取，加拿大、美国、欧盟等国都相继启动了有关 SAR 图像舰船目标检测的项
目和研究计划。在这些研究成果中，人们期望得到较高的检测率、较低的虚警率
以及近实时性的数据处理，其中近实时性有赖于硬件环境和工程实现技术，而检
测率和虚警率是评估检测算法性能的重要指标。然而，目前基于有限的基准数据
测试结果表明，不同的算法在不同的操作条件下性能有高有低，还没有一种算法
完全适用于所有的检测任务。
在 HRWS SAR 图像中，
复杂背景仍然是舰船目标检测所面临的一大主要挑战。
一方面在高海况、洋流变化等区域，SAR 图像海洋背景杂波呈现不均匀的统计特
性，强散射杂波和杂波边缘等使得检测率下降或虚警率上升；另一方面，在高航
行密度区域，相邻目标的雷达回波容易形成相互干扰，从而造成检测结果中出现
漏检、目标结构缺失等现象。
本章重点研究 HRWS SAR 图像复杂背景中的舰船目标检测问题，结构安排如
下：2.1 节综述了典型单通道 SAR 图像舰船目标检测方法；2.2 节分析了 SAR 图像
海 洋 杂 波 的 统 计 特 性 ； 2.3 节 在 分 析 CFAR 检 测 器 原 理 的 基 础 上 提 出 一 种
VIE-CFAR 检测器并进行了性能分析；2.4 节提出了一种复杂背景中舰船目标检测
方法，并对其性能进行了实测数据验证评估和分析；2.5 节总结了本章的工作。
2.1 单通道 SAR 图像舰船目标检测算法综述
从上世纪九十年代以来，有关 SAR 图像舰船目标检测算法的研究蓬勃发展，
算法流派纷杂繁多。但限于星载 SAR 系统成像能力，大多数算法是基于单极化数
据开展的。在单极化 SAR 图像中，灰度差异是区分舰船目标与海洋背景杂波最直
观和应用最为广泛的特性，恒虚警率检测和似然比检测是利用海洋背景杂波和舰
船目标灰度统计特性推导而来的两类重要检测方法。海洋背景杂波和舰船目标在
多分辨率空间内的差异也能够将二者进行有效区分，由此性质启发的基于小波变
换的检测算法也是 SAR 图像舰船目标检测的重要流派之一。SAR 成像方位向分辨
第 22 页
国防科学技术大学研究生院博士学位论文
率依赖于 SAR 平台与成像区域间的相对运动并对多个孔径内的雷达回波进行相干
积累，海洋背景杂波和舰船目标在不同孔径内的相关性也不尽相同，基于子孔径
相关的检测算法也是一类重要的检测算法。此外，借鉴生物视觉注意机制、神经
网络、模糊决策等知识的检测方法也在单极化 SAR 图像舰船目标检测中取得了一
定的成果。
2.1.1 CFAR 检测方法
CFAR 方法广泛应用于一维雷达信号检测，主要根据参考单元杂波的统计特性
和设定的虚警率确定检测阈值。在一维雷达回波信号检测中，当杂波均匀时，该
方法确定的检测阈值只与虚警率和杂波参考单元个数有关而与杂波功率水平无
关，因此称之为恒虚警率检测。
当 CFAR 方法应用于 SAR 图像舰船目标检测时，给定海洋背景杂波的统计分
布模型 f b ( x) ，虚警率 Pfa 和检测阈值 T 的关系可近似由下式表示：

Pfa   fb  x dx
T
(2.1)
对于高斯分布的海洋杂波，其虚警率和检测阈值具有以下关系：
T u 
Pfa  1   

  
(2.2)
其中，   表示正态分布的累积积分函数， u 和  分别表示杂波的均值和标准差，
检测阈值也可以用 Pfa 表示为，
T  u   1 1  Pfa   
(2.3)
其中，1  表示正态分布累积积分函数的反函数， 1 1  Pfa  可以看作是根据虚
警率设定的检测系数。
在式（2.3）的高斯分布条件下的 CFAR 检测阈值表达式中，给定期望的虚警
率，杂波统计分布的累积积分函数和杂波分布参数共同决定了检测阈值。在实际
的 SAR 图像舰船目标检测中，一方面，海洋杂波统计特性与雷达频率、入射角、
分辨率、海况等成像条件密切相关[149,
150]
。除了高斯分布外，对数正态[151]、韦布
尔[152]、 K [153]、Alpha-Stable[154]、 G 0 [155-157]分布等统计分布模型都已应用于 SAR
图像舰船目标检测中，并在各自的统计分布模型条件下推导了相应的检测阈值计
算方法。另一方面，根据哪一部分杂波估计杂波分布参数也具有不同的选择，CA
（Cell Averaging）、GO（Greatest of）、SO（Smallest of）等均值类 CFAR[158]和
OS（Order Statistic）、TM（Trimmed Mean）等有序统计量 CFAR[158]以及 VI（Variable
Index）等智能 CFAR[159, 160]分别根据不同的背景杂波环境选取不同的背景杂波估计
第 23 页
国防科学技术大学研究生院博士学位论文
分布参数并计算检测阈值，尽可能地保证了在不同的杂波环境中 CFAR 方法的恒
虚警率特性。
从实际的 SAR 图像舰船检测实现方式上，CFAR 方法也经历了不断的改良和
优化。针对 ERS 的 SAR PRI（Pulse Repetition Interval）图像，Lin 等人[61]根据舰
船目标与海洋杂波的 RCS 强度差异设置一个全局阈值对整幅 SAR 图像进行检测，
没有考虑海洋杂波的局部统计特性。此后，Wackerman 等[42]采用如图 2.1 所示的
局部滑动窗口，根据待检测目标邻域内的海洋杂波统计特性计算检测阈值，取得
了较好的检测效果。欧盟 JRC 开发的 SUMO 检测系统[46]也采用了滑动窗口的思想，
只是他们采用了固定的检测系数，即在特定的理论虚警率条件下对整幅图进行检
测。同样出自对杂波局部统计特性的考虑，Lombardo 等[56]根据海洋杂波的不均匀
将整幅图像分割为若干类均匀区域，然后在每一类区域中采用全局阈值的 CFAR
方法。为了提高检测效率，加拿大 OMW 开发的检测算法[17, 153]首先将整幅图像均
匀分割为若干帧，然后在每一帧图像中采用基于 K 分布的 CFAR 全局阈值方法进
行检测。为了综合考虑局部自适应性和检测效率，两级 CFAR 检测的策略也在 SAR
图像舰船目标检测中受到了关注[161, 162]。随着计算机硬件水平和计算方法的发展，
基于 GPU 等硬件环境的并行算法设计将大幅度提高 SAR 图像舰船目标检测的效
率[163]。
杂
波
数
据
保护区域
保护区宽度
杂
波
数
据
目
杂
波
数
据
标
测试像素
(a)空心滑动窗
测试像素
目
标
(b)实心滑动窗
图 2.1 CFAR 检测的滑动窗口
此外，当采用如图 2.1 所示的三层滑动窗口进行 SAR 图像舰船目标检测时，
滑动窗口的大小对舰船目标检测性能有较大影响。图 2.1 的滑动窗口共包括三个部
分，从里到外分别成为目标窗、保护窗和背景窗。SAR 图像舰船目标检测滑动窗
口尺寸选取与图像分辨率和待检测船只的大小有关[13]，一般来讲，为了防止目标
像素泄露到背景窗中，保护窗的大小取待检测目标最大尺寸的两倍，而背景窗的
大小则需要保证窗口内包含足够用以估计模型参数的像素。
第 24 页
国防科学技术大学研究生院博士学位论文
2.1.2 似然比检测方法
从理论上来讲，CFAR 是一种次优的检测方法，它只利用了杂波背景的统计信
息而没有利用目标的统计信息。当目标的统计信息也可以获取时，则可以根据
Neyman-Pearson 准则推导出似然比检测（Likelyhood Ratio Test，LRT）方法。
在二元检验假设条件下，当目标和杂波背景满足下述条件时，
px |T 

p  x | B
(2.4)
则判定待检测数据 x 为目标，其中 p  x | T  表示目标条件下 x 的概率， p  x | B  表示
杂波背景条件下的概率，  为满足一定虚警率条件的固定阈值。
在实际的目标检测中，目标和背景杂波条件下的概率密度函数 p  x | T  和
p  x | B  是未知的。此时，需要给出概率密度函数的参数化模型并估计模型参数向
量。假定  T 和  B 分别是参数化模型 p  x | T ,T  和 p  x | B,B  的参数向量，当采用
最大似然估计方法对它们进行估计时，式（2.4）可演化为广义的似然比检测器
（Generalized Likelyhood Ratio Test，GLRT），即满足下述条件时， x 判定为目标。
maxT p  x | T , T 
max B p  x | B,  B 

(2.5)
对于舰船目标检测来讲，SAR 图像中的舰船目标具有多种大小、形状、方位
角等，难以建立精确的目标统计模型。为了解决这个问题，Brizi 等人给出了一个
简单实用的目标模型[84]，Sciotti 等[87]进一步设计了与之相应的 GLRT 检测器，并
将其应用在 SAR 图像舰船目标检测中。
针对 SLC 图像，Brizi 等[84]将包含有 N 个像素的目标窗内的复像素值排列为一
个列向量 X   x1 ,
, xN  。当窗口中心像素为目标时， X 由目标、杂波和热噪声组
成；当窗口中心像素非目标时， X 仅由杂波和热噪声组成。在 SLC SAR 图像中，
假设目标、杂波和热噪声分别为独立同分布的零均值高斯随机变量，方差分别为
2
t
、 c2 、 n2 。进一步，利用 K 组不含目标的 N 维杂波数据组成矩阵 Y  Y1 ,
, YK  ，
则式（2.5）的似然比可以表示为，
max
2 2 2
t , c, n
max
max
max
2 2
c, n
2 2 2
t , c, n
2 2
c, n
2
t
p ( X, Y | T ,
2
c
p ( X, Y | B,
2
t
p(X | T ,
p ( X | B,
2
c
,
2
c
,
2
n
,
2
n
2
n
,
2
n
,
)
)
2
c
) p(Y | T ,
) p ( Y | B,
2
c
,
2
n
,
2
n
)
)
代入概率密度函数并最大化，则 X 包含目标的判决条件为，
第 25 页
(2.6)
国防科学技术大学研究生院博士学位论文
K
N
yk , n
xn
k 1 n 1
K
N
yk , n
K 1
N
2
2
2
n 1
K
N
k 1 n 1
(2.7)
xn
2
n 1
Brizi 将之称为广义高斯似然比检测器（G-GLRT），Lombardo 等[85]进一步引
入 CFAR 的滑动窗口将其应用于 SAR 图像舰船目标检测。设定三层滑动窗口的大
小分别为 5  5 、11 11 和 15 15 ，则 Y 由环形背景窗内的数据组成，此时，判决条
件为，
Nbub
Nt ut
Nb Nt
ub ut
Nb Nt
(2.8)
其中，ut 和 ub 分别表示目标窗和背景窗内像素的均值； N t 和 N b 分别表示目标窗和
背景窗内的像素个数。
2.1.3 小波变换检测方法
舰船目标和海洋背景杂波除了具有灰度差异外，二者对雷达电磁波的散射特
性差异还有其他表现形式。研究表明，人造物体如舰船目标在低分辨率的条件下
对雷达入射波的后向散射比自然地物更为持久。基于这种不同分辨率中的表现差
异，加拿大洛克马丁实验室的 Gagnon 等[88]提出了一种基于小波变换的多分辨率
SAR 图像舰船目标检测算法，实验结果表明该算法的速度较快，达到了算法复杂
度和低虚警率之间的良好折中。西班牙的 Marivi Tello 等[90]人在欧盟 DECLIMS 项
目的支持下，将基于小波变换的方法作为他们开发的 SIMONS SAR 图像舰船目标
检测系统的主要算法，在大量实测的 SAR 图像中取得了满意的效果。
Gagnon 提出的多分辨率 SAR 图像舰船目标检测算法主要包括如下几个步骤：
离散小波变换（Discrete Wavelet Transform，DWT）、提取相关变换域子带、形成
低分辨率 SAR 幅度图像、对幅度图像采用基于 Rayleigh 分布的 CFAR 检测、划定
ROI 区域并进行聚类、对 ROI 区域再进行基于韦布尔或 K 分布的 CFAR 检测。在
上述检测步骤中，低分辨率 SAR 幅度图像是根据小波变换的子带形成的。一般来
讲，小波变换在每个分辨率层级上都有四个子带——LL、LH、HL 和 HH，其中 L
和 H 分别表示低通和高通滤波。一般低通滤波保留了原图像中的低频分量，对应
于主体场景，而高频滤波保留高频分量，对应于丰富的细节信息。算法根据待检
测舰船目标的尺寸选取合适的分辨率层级，进而根据下式形成低分辨率的幅度图
像I，
I  LH 2  HL2
第 26 页
(2.9)
国防科学技术大学研究生院博士学位论文
2.1.4 子孔径相关检测方法
SAR 通过载荷平台与目标间的相对运动形成合成孔径，进而对合成孔径内的
雷达回波相干积累处理，最后得到较高的方位向分辨率。实际上，不同的合成孔
径内也蕴含了舰船目标与海洋杂波的散射差异。由于舰船目标对雷达入射波的散
射一般为角散射或体散射，具有一定的确定性，且在很大的观测角度失配范围内
具有较强的相干性；而海洋杂波一般为 Bragg 散射，随机性强，不同角度的观测
结果之间相干性较小。因此，可以利用舰船目标和海洋杂波分别在不同 SAR 子孔
径内的相干性强弱对二者进行区分。Arnaud 等对 ERS 图像进行了舰船目标检测实
验，Ouchi 等[92, 93]对 Radarsat-1 不同子孔径内的数据计算二维交叉相关函数（Two
Dimensional Cross Correlation Function，2D-CCF），进而寻找具有较大相关性的像
素点，将其判定为舰船目标。实验结果表明，子孔径相关的舰船目标检测方法对
较小尺寸的舰船目标具有更强的检测能力。
子孔径相关的方法要求提供多视子孔径数据，这限制了其在 SAR 图像舰船目
标检测中的推广应用。Huang Shi-Qi 等[91]也利用了舰船目标和海洋杂波在不同空
间的相关性强弱不同，提出了一种基于傅里叶变换的方法，对单视复数据分别在
距离向和方位向上分解，最终合成相干图像，抑制了相干斑噪声且使得舰船目标
与海洋背景的对比度增加，从而实现了 SAR 图像中舰船目标的检测。
2.1.5 其他方法
除了上述几种方法外，各国研究者还提出了其他的 SAR 图像舰船目标检测方
法。Benelli 等[164]和 Argenti 等[165]针对占有多个图像像素的舰船目标基于区域生长
技术进行检测，并利用模糊决策理论进一步剔除虚警；Askari 等[18]针对高分辨率
SAR 图像（Radarsat-1 标准波束 S6 模式图像），提出了神经网络-Dempster-Shafer
方法和 MM 方法；Osman 等[166]以神经聚类方法为基础，提出了―PWTA（Probabilistic
Winner-take-all）‖的分类方法对 SAR 图像舰船目标进行检测；Ferrara 等[83]通过考
察舰船目标和海洋杂波的统计特性，从分析广义 K 分布参数的角度提出了对海上
金属目标的检测方法；Mehdi Amoon 等[97]采用离散余弦变换模拟人类视觉注意机
制，提出了基于视觉注意机制的 SAR 图像舰船目标检测方法。
2.2 SAR 图像海洋杂波统计特性分析
SAR 是一种相干成像机制，每个分辨单元内散射体的散射效应相干叠加，使
得 SAR 图像呈现相干斑噪声特性。SAR 图像的相干斑噪声特性可以用统计分布模
型来描述，包括属于经验分布模型的韦布尔、对数正态分布，属于乘积模型的
第 27 页
国防科学技术大学研究生院博士学位论文
Rayleigh、负指数、Gamma、 K 、 G 0 分布以及由广义中心极限定理推导的 Alpha
稳态模型等。特别对于海洋杂波，由于其大尺度风浪运动与局部毛细波的调制作
用，乘积模型对其描述更为充分且具有明确的物理意义。 K 和 G 0 分布是两类典型
的描述 SAR 图像海洋杂波统计特性的分布模型，其中 K 分布对中低分辨率和一般
不均匀的 SAR 海洋杂波统计特性拟合较好，已被广泛应用于 Radarsat-1 SAR 图像
舰船目标检测；而 G 0 分布描述高分辨率或高海况条件下的 SAR 海洋杂波统计特性
的能力更强，且具有向下兼容性。本节研究了 K 和 G 0 分布模型及其参数估计方法，
并对不同波段、不同极化方式、不同分辨率/不同海况条件下的 SAR 海洋杂波分析
了其统计特性。
2.2.1 SAR 图像海洋杂波统计分布模型
SAR 接收的雷达回波数据是一系列独立的散射子反射回波的叠加，有效的散
射子数目及其散射特性决定了回波数据的统计特性。海洋回波可以看作由具有不
同相关时间的两个分量调制的结果[167]，其中一个分量由毛细波之间的干涉变化引
起，其时间相关性只有微秒量级因而可以通过频率捷变消除，而不同分辨单元的
空间相关性则可忽略不计；另一个变化较慢的分量与海洋表面波的整体结构有关，
其时间相关性存在于整个信号接收周期，不受频率捷变的影响，而空间相关性则
与大尺度表面波结构的尺寸有关。
SAR 乘积模型采用两个独立的随机变量的乘积表示海面雷达幅度回波的统计
特性，
Z  X Y
(2.10)
其中 X 表示幅度包络的调制过程，具有较长的相关时间、空间结构特征，代表大
尺度海洋波的后向散射分量；Y 表示斑点幅度分量，可以通过频率捷变去相关，代
表毛细波的后向散射分量，它的均值受 X 分量的调制。
2.2.1.1 K 分布模型
在较大的雷达参数和海况范围内， X 的概率密度可由  2 分布来表示，
f ( x)
2d 2v x 2v 1
exp( d 2 x 2 )
(v )
(2.11)
其中 x 表示结构调制分量 X 的观测值，   v  是 Gamma 函数， v 表示形状参数，
d2
v E ( x 2 ) 表示尺度参数。雷达成像距离、入射角、方位角、海况等因素都将对
形状参数产生影响。
斑点分量 Y 的幅度服从 Rayleigh 分布，其均值水平受结构分量 X 的调制，它
的概率密度可以用观测数据在 X 条件下的条件概率来表示，即，
第 28 页
国防科学技术大学研究生院博士学位论文
z
z2
exp(
)
2 x2
4 x2
f ( z | x)
(2.12)
其中， z 表示整体后向散射的观测值。
从而，整体幅度 Z 的概率密度分布为 K 分布，
fZA ( z)
f ( z | x) f ( x)dx
0
2c cz v
( ) Kv 1 (cz )
(v) 2
其中， K v 1 ( z ) 是 v 阶第二类修正的 Bessel 函数， c
(2.13)
d 表示尺度参数。
进而，累积积分函数为，
FZ A ( z )
2 cz v
( ) K v (cz )
(v ) 2
1
K 分布具有一定的向下兼容性，当 v
当v
(2.14)
时， K 分布退化为 Rayleigh 分布；
0.5 时， K 分布退化为韦布尔分布。在一定的 v 取值范围内， K 分布和韦布
尔分布都很相似，只不过在大的 v 时， K 比韦布尔分布稍微尖锐一些，反之，韦布
尔比 K 分布更为尖锐。
对于多视处理的强度数据，大尺度结构分量可由 Gamma 分布来表示，
f ( x)
v xv 1
vx
( )v
exp(
)
u
(v)
u
(2.15)
其中， u 表示雷达回波的均值。
斑点噪声分量的概率密度可由下式表示，
L L zL 1
Lz
( )
exp(
)
x
( L)
x
f ( z | x)
(2.16)
其中， L 表示图像视数。
因此，多视强度数据 Z 的概率密度函数为，
f ZI ( z)
2
Lvz ( L
(
)
z (v ) ( L ) u
f ( z | x) f ( x)dx
0
v )/2
K L v (2
Lvz
)
u
(2.17)
其中， v 表示形状参数， u 表示尺度参数。
注意到式（2.13）和式（2.17）中幅度 K 分布和强度 K 分布的参数具有一定的
差别。实际上，通过推导可以得到如下的关系，
v power
v
( ) power
u
vamplitude
c
( ) 2 amplitude
2
(2.18)
2.2.1.2 G 0 分布模型
对于一般不均匀的 SAR 海洋杂波数据， K 分布能够很好地进行描述。但随着
图像分辨率的增加和海况的恶化， K 分布的描述能力不足。Frery 等[155]提出了对
第 29 页
国防科学技术大学研究生院博士学位论文
极不均匀区域也具有较强描述能力的 G 0 分布模型，对城区、森林等复杂地物的回
波统计特性进行描述。在后续的研究中，G 0 分布被引入到 SAR 图像海洋杂波的统
计特性分析中。
与 K 分布的推导过程类似，对于幅度数据，假设后向散射幅度分量 X 和斑点
噪声分量 Y 都服从方根 Gamma 模型，则幅度 G 0 分布的概率密度函数为，
fZA  z  
2n n   n    z 2 n 1
    n         nz 2 
n 
,   ,  , n, z  0
(2.19)
其中， n 表示图像视数， 表示形状参数，描述了观测区域的均匀度，  表示尺度
参数，描述了观测区域的能量特性。
对于强度数据， G 0 分布的概率密度分布表达式为，
f ZI  z  
n n   n    z n 1
    n        nz 
n 
,   ,  , n, z  0
(2.20)
在确定统计分布模型后，一般需要根据观测数据估计分布模型的参数。对于
各类统计分布模型，参数估计方法已得到广泛而深入的研究。常用的参数估计方
法有最大似然估计、矩估计和基于对数累积量的参数估计方法等。特别是基于对
数累积量的方法，比矩估计方法的适用范围更广，已在 SAR 图像杂波统计模型参
数估计领域受到广泛关注。 K 分布和 G 0 分布的具体参数估计过程可参考文献 [155,
168-171]
。
2.2.2 典型 SAR 图像海洋杂波统计特性分析
SAR 图像海洋杂波的统计特性受雷达入射波频率、入射角、极化方式以及海
况等条件的影响。特别是对于不同的海况条件，海洋对雷达入射波的后向散射强
度不同。在低海况条件下（海况等级小于 5 级），海面波浪较小，对雷达波后向
散射较为均匀；在高海况条件下（海况等级大于等于 5 级），海面波浪较大，波
峰的形状及其破裂程度和泡沫较多，引起雷达后向散射较大的起伏和随机性。本
节采用了 AIRSAR 全极化数据、ENVISAT 数据以及 TerraSAR-X 数据，它们分别
工作在不同的波段、极化方式、分辨率等条件下，并根据目视判读结果分别选取
了均匀和不均匀的区域，所有 SAR 图像实验数据如表 2.1 所示。
针对以上数据，本节分别用 K 分布和 G 0 分布对其直方图进行拟合，进而评价
这两种分布对不同海洋杂波统计特性的描述能力。直方图拟合性能的评价准则采
用卡方（
2
）和修正的卡方（
2
m
）拟合优度统计检验量[172]，它们分别描述了统
计分布模型对数据直方图分布在整个分布区间和拖尾部分的拟合性能。
第 30 页
国防科学技术大学研究生院博士学位论文
表 2.1 实验区域 SAR 图像数据特性
序号
传感器
1
TerraSAR-X
2
3
AIRSAR
4
5
波段
极化
直布罗陀海峡
X
VV
3m  3m
均匀，中低海况
悉尼港
X
HH
3m  3m
不均匀，高海况
东京湾
C
HV
10.8m  5.5m
均匀
东京湾
L
HV
10.8m  5.5m
不均匀
青岛
C
VV
75m  75m
均匀，中低海况
青岛
C
VV
75m  75m
不均匀，高海况
ENVISAT
6
2
分辨率（方位向—
地理位置
杂波特性
距离向）
统计检验量定义为，
M
2
i 1
(ni - N Ei )2
N Ei
(2.21)
其中 M 表示将整个分布区间划分为 M 份，ni 表示第 i 个区间内观测到的样本数目，
N 为总的样本数目， Ei 表示第 i 个区间内样本出现的理论概率密度。一般要求
N  Ei 大于 5，否则将相邻的区间进行合并。该统计检验量的值越小，表示拟合性
能越好。
修正的卡方统计检验量定义为虚警区间内统计分布模型理论概率密度与直方
图分布之间的差异，描述了统计模型对数据分布拖尾部分的拟合性能，
M
2
m
i 1
(ni - N Pfa
N Pfa
Ei )
Ei
(2.22)
其中 M 表示将虚警区间划分为 M 份， N Pfa 表示虚警区间内样本个数，其他参数的
意义同式（2.26）。在实际的计算过程中，一般分别用 N 和 N Pfa 对卡方和修正的卡
方统计检验量进行归一化。
图 2.2 TerraSAR-X SAR 实验数据
左：直布罗陀海峡，右：悉尼港
对于 AIRSAR 数据，分别选取了东京湾地区不同波段的 SAR 图像。AIRSAR
第 31 页
国防科学技术大学研究生院博士学位论文
具有获取全极化数据的能力，图 2.3 给出了三个极化通道的极化合成图像。海洋杂
波在 HV 极化通道内的细节信息更为明显，因此这里选取 HV 极化数据进行实验。
同时，由图 2.3 可以看出，C 波段的海洋杂波数据比 L 波段的数据更为均匀。图
2.7 和图 2.8 对比了不同波段 SAR 数据的统计特性拟合结果。结果表明， G 0 分布
对不同波段的 SAR 海洋杂波都取得了较好的拟合性能。
图 2.3 AIRSAR 东京湾实验数据
左：C 波段，右：L 波段
图 2.4 ENVISAT SAR 实验数据
左：均匀海洋杂波，右：非均匀海洋杂波
对于 ENVISAT 数据，分别选取了青岛港区域不同海况下的 SAR 图像。在中
低海况条件下，G 0 和 K 分布对海洋杂波分布的整个区间整体上拟合性能较为接近，
G 0 略优于 K 分布，但是在拖尾部分， K 分布偏离原始数据直方图分布曲线较远；
第 32 页
国防科学技术大学研究生院博士学位论文
在高海况条件下， K 分布在整个分布区间上的拟合偏离较大，而 G 0 分布则不论是
在整个分布空间还是在拖尾部分的拟合性能都较为理想。
-1
0.08
10
原始直方图
G0分布
K分布
0.07
0.06
原始直方图
G0分 布
K分 布
-2
10
概率值(log)
概率值
0.05
0.04
0.03
-3
10
0.02
0.01
0
-4
0
0.5
1
1.5
2
10
2.5
1.4
1.6
1.8
像素灰度值
2
2.2
2.4
2.6
2.8
像素灰度值
图 2.5 TerraSAR-X 直布罗陀海峡区域杂波统计分布拟合结果
整个分布区间的拟合效果
-1
10
0.06
原始直方图
G0分布
K分布
0.05
原始直方图
G0分布
K分布
-2
10
概率值(log)
概率值
0.04
0.03
-3
10
0.02
0.01
0
-4
0
0.5
1
1.5
2
10
2.5
1.1
1.2
1.3
1.4
1.5
像素灰度值
1.6
1.7
1.8
1.9
2
2.1
像素灰度值
图 2.6 TerraSAR-X 悉尼港区域杂波统计分布拟合结果
-1
0.08
10
原始直方图
G0分布
K分布
0.07
0.06
-2
10
概率值(log)
概率值
0.05
0.04
0.03
-3
原始直方图
G0分 布
K分 布
10
0.02
0.01
0
0.2
-4
0.4
0.6
0.8
1
1.2
1.4
1.6
1.8
10
1
像素灰度值
1.1
1.2
1.3
1.4
1.5
1.6
1.7
1.8
像素灰度值
图 2.7 AIRSAR 东京湾区域 C 波段均匀杂波统计分布拟合结果
表 2.2 给出了 K 分布和 G 0 分布对不同数据拟合的拟合优度统计检验量，横向
对比三类传感器数据的统计特性分析结果可以发现， K 分布对均匀杂波数据的直
方图分布拟合性能与 G 0 分布相近，只是在分布峰值的大小上具有一定的偏差；而
第 33 页
国防科学技术大学研究生院博士学位论文
对于非均匀杂波， K 分布对原始数据直方图分布的峰值位置拟合较差，从而引起
较大的拟合误差。
-2
0.12
10
-3
10
0.1
-4
10
原始直方图
G0分布
K分布
-5
10
概率值(log)
概率值
0.08
0.06
-6
10
原始直方图
G0分 布
K分 布
-7
10
-8
0.04
10
-9
10
0.02
-10
10
0
-11
0
0.5
1
1.5
2
2.5
3
3.5
10
4
1.8
2
2.2
2.4
像素灰度值
2.6
2.8
3
3.2
3.4
3.6
像素灰度值
图 2.8 AIRSAR 东京湾区域 L 波段非均匀杂波统计分布拟合结果
-1
0.08
10
原始直方图
G0分布
K分布
0.07
-2
0.06
10
概率值(log)
概率值
0.05
0.04
0.03
-3
10
-4
0.02
10
原始直方图
G0分 布
K分 布
0.01
0
0.2
-5
0.4
0.6
0.8
1
1.2
1.4
10
1.6
1
1.1
1.2
1.3
像素灰度值
1.4
1.5
1.6
1.7
像素灰度值
图 2.9 ENVISAT 青岛港区域均匀杂波统计分布拟合结果
-1
0.08
10
原始直方图
G0分布
K分布
0.07
0.06
-2
10
概率值(log)
概率值
0.05
0.04
0.03
-3
10
原始直方图
G0分布
K分布
-4
0.02
10
0.01
0
-5
0
0.5
1
1.5
2
2.5
3
10
1.5
像素灰度值
2
2.5
像素灰度值
图 2.10 ENVISAT 青岛港区域非均匀杂波统计分布拟合结果
第 34 页
3
国防科学技术大学研究生院博士学位论文
表 2.2 不同数据的拟合优度检验量
均匀性
均匀
2
2
m
数据
分布模型
1
K
G0
0.0115
0.0044
0.0048
0.0003
3
K
G0
0.0244
0.0071
0.0008
0.0003
5
K
G0
0.2420
0.0537
0.1482
0.0030
均匀性
数据
2
非均匀
4
6
2
2
m
0.0454
0.0028
0.0034
0.0002
0.4667
0.2475
0.0146
0.0068
0.1638
0.0321
0.0389
0.0044
2.3 VIE-CFAR 检测器设计与性能分析
检测器设计也是影响 CFAR 检测方法性能的重要环节。CA-CFAR 是最早用于
雷达信号检测的 CFAR 检测器结构，但它的性能易受杂波边缘和干扰目标的影响；
GO 和 SO-CFAR 检测器与 CA-CFAR 统称为均值类 CFAR 检测器，分别用于对抗
杂波边缘和干扰目标，但不能同时在两种杂波环境中获得较好的性能；OS-CFAR
检测器改善了均值类 CFAR 检测器在上述两种杂波环境中的检测性能，但检测性
能依赖于有序统计量的选取和干扰目标个数。在均值类 CFAR 检测器的基础上，
Smith 等[159]根据杂波环境的特性设计了一种智能 CFAR 检测器，称为 VI-CFAR 检
测器，进一步改善了常规 CFAR 检测器的性能。本节在研究上述检测器原理的基
础上，结合 SAR 图像舰船目标检测的背景杂波特性，提出了一种基于变化索引和
筛选（Variability index and excision，VIE）的 CFAR 检测器，并通过仿真实验对比
分析 VIE-CFAR 检测器与前述几种检测器的性能。
2.3.1 CFAR 检测器原理
在雷达信号检测中，当杂波功率水平已知时，可以采用固定阈值的方法对进
入检测器的数据进行判决，判定其是否为目标。此时，这种检测称为最优检测器
（Optimum Detector）。然而，在实际的检测任务中，杂波功率水平一般是未知的，
此时需要根据背景杂波数据估计杂波功率水平，进而计算判决阈值。在一定的条
件下，CFAR 检测的阈值只与设定的虚警率有关，而与杂波功率水平无关，因此被
称为恒虚警率检测。
CA-CFAR 是最常用的 CFAR 检测器，其检测器结构如图 2.11 所示[158]。当雷
达回波进入检测器后，在待测试回波单元 Y 两侧分别有 n 个背景杂波单元
xi | i
1,
, n,
2n ，分别称为前窗和后窗，并在待测试单元与杂波单元间设有一
定的保护区间。前窗和后窗的数据分别进入 CFAR 处理器，CA-CFAR 采用求和的
方式得到检验量 Z ，然后将其与阈值系数 T 相乘得到检测阈值 TZ ，进而与待测试
第 35 页
国防科学技术大学研究生院博士学位论文
单元进行比较得到判决结果。
接收数据
x1
xn
xn
Y
x2n
1
判决结果
比较器
X1
X2
Z
T
图 2.11 CA-CFAR 检测器结构
为了便于分析 CFAR 检测器的性能，假设背景杂波服从负指数分布，目标起
伏类型为 Swerling I 型，则它们具有相同的概率密度表达形式，
1
exp
2
f x
x/2
(2.23)
其中， 表示杂波或目标区域的功率水平，
,
(1 S )
H0
H1
(2.24)
其中， H 0 表示杂波假设， H1 表示目标假设； S 表示信杂比（Signal to Noise Ratio，
SNR）。
进一步，当杂波参考单元中只包含噪声时，杂波功率水平
单元由噪声和杂波共同组成时，
0
0
；当杂波参考
1 C ，C 表示杂波-噪声比（Clutter to Noise
Ratio，CNR）。
在上述假设条件下，若杂波功率水平已知，则最优检测器的检测率和虚警率
分别为，
Pfaopt
Pdopt
PY
PY
Y0 | H0
Y0 | H1
exp
exp
Y0 / 2
(2.25)
Y0 / 2 1 S
(2.26)
因此，检测率与虚警率之间的关系为，
Pdopt
Pfaopt
1 (1 S )
(2.27)
对于杂波功率水平未知的情况，检测器的性能是多次检测平均的结果，依赖
于 CFAR 检测器的结构和统计检验量 Z 的概率分布，即虚警率定义为，
Pfa
EZ P Y
TZ | H0
将式（2.28）代入上式有，
第 36 页
(2.28)
国防科学技术大学研究生院博士学位论文
Pfa
EZ
12
exp
x/2
dx
TZ
EZ exp
(2.29)
TZ / 2
MZ T / 2
其中， M Z
表示统计检验量 Z 的矩母函数（Moment generating function）。类似
地，检测率为，
Pd
EZ
1 2 1 S exp
x / 2 1 S dx
TZ
EZ exp
(2.30)
TZ / 2 1 S
MZ T / 2 1 S
对于 CA-CFAR 检测器，均匀杂波背景中的统计检验量 Z 可以表示为，
N
Z
xi
(2.31)
i 1
其中 N
2n 表示前窗和后窗背景参考单元总的个数。
为了计算虚警率和检测率，需要求解统计检验量的分布函数及相应的矩母函
数。实际上，负指数分布是 Gamma 分布的参数
f y
其中，
1
y
exp
1 时的特列，
y/
表示普通的 gamma 函数。记 Y ~ G
/
(2.32)
表示变量 Y 服从上式的 Gamma
,
分布，则其矩母函数可表示为，
MY u
当参考单元 xi ~ G 1, 2
1
u
(2.33)
时，统计检验量 Z ~ G N , 2
，因此，统计检验量 Z 的
矩母函数为，
MZ u
1 2 u
N
(2.34)
进而，CA-CFAR 检测器的虚警率和检测率分别为，
PfaCA
PdCA
1 T
N
1 T/ 1 S
(2.35)
N
(2.36)
当存在杂波边缘时，设 N 个背景参考单元中有 r 个来自杂波加噪声，剩下
N
r 个来自噪声，则检验统计量 Z 为，
r
Z
i 1
则 Z1 ~ G r , 2
0
N
xi
1 C ， Z2 ~ G N
xi
Z1
Z2
(2.37)
i r 1
r, 2
0
， MZ u
M Z1 u
因此，如果待测试单元来自于纯噪声环境，则虚警率为，
第 37 页
M Z2 u 。
国防科学技术大学研究生院博士学位论文
Pfa
1
1 C /T
r
1 1/ T
r N
(2.38)
如果待测试单元来自于杂波加噪声环境，则虚警率为，
Pfa
r
1 1/ T
1 1/ T 1 C
r N
(2.39)
在上述两种情况下，只需将 T 替换为 T / 1 S 即可得到检测率。
当参考单元中存在 r 个干扰目标时，干扰目标参考单元的功率水平为
2
0
1 I ， I 表示干扰-信号比（Interfering to signal ratio, INR）。此时，只需将式
（2.43）中的 T 替换为 T / 1 S 、 C 替换为 I ，即可得到相应的检测率，
Pd
1
1 I /T 1 S
r
1 1/ T 1 S
r N
(2.40)
与 CA-CFAR 类似，可以进一步推导 GO、SO-CFAR 及 OS-CFAR 在均匀杂波
环境、杂波边缘环境、干扰目标环境等条件下的检测率和虚警率。它们的区别在
于统计检验量 Z 不同，如图 2.12 所示，其矩母函数也不同，从而使得检测率和虚
警率也不同。
x1
X1
CA：
Z
X1
X2
GO：
Z
max X 1 , X 2
SO：
Z
min X 1 , X 2
xn
Y
xn
1
x2n
X2
X
sort x1 ,
Z
, xn
X k
Z
Z
图 2.12 不同 CFAR 检测器的统计检验量选取方法
左：均值类 CFAR，右：OS-CFAR
2.3.2 VIE-CFAR 检测器
在实际的 SAR 图像舰船目标检测中，杂波边缘和干扰目标环境是常见的不均
匀杂波环境，且会影响舰船目标检测的性能。杂波边缘主要是由不同的风场条件、
洋流变化等引起的，根据舰船目标所处的位置不同会引起虚警率的增加或检测率
的下降；而干扰目标则可能来自于冲激性的海面后向散射杂波和噪声，或来自其
他舰船目标，从而对待检测的舰船目标造成遮掩效应，引起检测率下降。
不论是均值类 CFAR 还是有序统计量 CFAR 检测器，其检测性能都会受到杂
波边缘和干扰目标的影响，不能满足实际的 SAR 图像舰船目标检测性能要求。
VI-CFAR 的提出在一定程度上解决了上述不同的杂波环境问题，它根据杂波区域
的特性自适应地选取不同的检测器完成检测。但是，在干扰目标环境中，当干扰
目标同时出现在前后两侧的参考单元中时，VI-CFAR 的检测性能出现明显下降。
第 38 页
国防科学技术大学研究生院博士学位论文
因此，本文对 VI-CFAR 中的窗口选择机制进行改进，设计了 VIE-CFAR 检测器。
A
待检测单元
 &  AB
B
VI B  B
VI A  A
窗口选择
目标
比较
筛选
E
Z   A ,  B ,  AB ,  E 
T  TN / 2 , TN , TE 
杂波
TZ
图 2.13 VIE-CFAR 检测器
VIE-CFAR 检测器的结构如图 2.13 所示，对于待检测单元，其参考单元窗口
分为两部分：前窗 A 和后窗 B 。VIE-CFAR 的具体处理流程是，首先根据前窗和后
窗数据分别计算变化索引 VI A 、VI B 和单元总和
A
、
然后根据窗口选择规则确定统计检验量 Z
A
,
B
B
,
、
AB
AB
,
，并设定筛选系数 ；
E
和相应的阈值系数
T  TN / 2 , TN , TE  ；进而，根据阈值系数和统计检验量确定检测阈值 TZ ，并将待测试
单元与之进行比较，得到最终的判决结果。
2.3.2.1 VI 和 MR 的定义
在 VIE-CFAR 中，定义变化索引 VI 和均值比 MR 来衡量参考窗口中的杂波特
性。其中， VI 是一个二阶统计量[159]，定义为参考窗口中样本方差和均值的比值，
它在一定程度上反映了杂波样本的均匀性，如式（2.41）所示[159]，
VI  1 
ˆ 2
uˆ
2
 1
2
1 n
Xi  X 


n  1 i 1
X 
2
(2.41)
在均匀杂波环境中， VI 值相对较为平稳。然而，当参考窗口中存在杂波边缘
或干扰目标时， VI 的值将发生剧烈的变化。因此，可以利用 VI 来衡量参考窗口内
杂波样本分布的均匀性。定义阈值 KVI ，则参考窗口内杂波均匀性可以由下式判断，
VI  KVI  均匀
(2.42)
VI  KVI  不均匀
进一步，为了判断待测试单元两侧窗口内杂波样本是否来自同质区域，定义
前窗和后窗的均值比为 MR [159]，
MR
XA XB
A
B
(2.43)
其中 X A 表示窗口 A 内参考单元的样本均值， X B 表示窗口 A 内参考单元的样本均
值。由 MR 的定义可知，当两侧窗口内样本杂波来自同质区域时， MR 的值近似为
1；当存在杂波边缘或干扰目标时， MR 的值将发生较大的变化。因此，进一步定
第 39 页
国防科学技术大学研究生院博士学位论文
义阈值 K MR 对样本杂波是否来自同质区域进行判决，
1
K MR
 MR  K MR
 同质
1
MR  K MR
or MR  K MR
 不同质
(2.44)
2.3.2.2 窗口选择和筛选机制
在对参考窗口内样本杂波的均匀度和前后窗口是否来自同质区域进行判决
后，VIE-CFAR 基于如表 2.3 所示的窗口选择机制来选择合适的基本 CFAR 检测器
进行检测。表 2.3 中的第一行对应于 CA-CFAR 检测器，表示前后窗口内的杂波数
据都比较均匀且来自于同质区域；第二行表示前后窗口内的杂波数据都比较均匀
但来自于不同质的区域，此时 VIE-CFAR 选取较大的窗口数据之和作为统计检验
量，对应于 GO-CFAR 检测器，从而在杂波边缘环境中能够有效地降低检测虚警率；
第三行和第四行表示前窗和后窗的数据中只有一个窗口内的数据是均匀的，此时
选择较为均匀的窗口数据形成统计检验量，相当于在半窗内进行 CA-CFAR 检测；
最后，第五行表示前后半窗内的数据都不均匀，这可以看作是前后半窗内都存在
干扰目标，VIE-CFAR 对整个参考窗口内的数据进行筛选，然后根据筛选出的均匀
杂波数据计算检测阈值，因此称之为筛选 CFAR（Excision CFAR，E-CFAR）检测
器。
表 2.3 VIE-CFAR 窗口选择机制
前窗变化与否
后窗变化与否
是否同质
自适应阈值
对应的检测器
TN  AB
CA-CFAR
No
No
Yes
No
No
No
TN / 2 max   A , B 
GO-CFAR
Yes
No
—
TN / 2  B
CA-CFAR
No
Yes
—
TN / 2  A
CA-CFAR
Yes
Yes
—
TE  E
E-CFAR
当参考窗口中存在干扰目标时，VIE-CFAR 根据筛选阈值对整个窗口内的数据
进行筛选，进而获得较为均匀的杂波数据，筛选窗口数据可表示为，


E   X i |X i    X i 
iAB


(2.45)
其中， 是筛选系数，筛选结果中的样本个数记为 N E 。
筛选阈值是根据参考窗口内的杂波分布特性自适应设定的，其目的是使筛选
窗口内包含有最多的均匀杂波。1）选取一个相对较低的筛选概率，得到初始的筛
选系数；2）根据式（2.45）对参考窗口数据进行筛选，获取筛选窗口数据 E ；3）
计算筛选窗口数据的 VI 值并与 KVI 进行比较，如果筛选窗口内数据是不均匀的，则
增大筛选概率，返回步骤（1）。重复上述操作直到筛选窗口内的数据是均匀的，
第 40 页
国防科学技术大学研究生院博士学位论文
最后得到筛选系数 。
由上述筛选系数的自适应设定过程可知，最终的筛选窗口内的数据是均匀的，
因此可以根据 CA-CFAR 的阈值求解方式计算表 2.2 中的阈值系数 TE 。实际上，表
2.3 中每行的阈值系数都可以通过下式求解，
TN   Pfa 
1 N
1
(2.46)
其中， N 表示杂波单元个数， Pfa 表示理论设定的虚警率。E-CFAR 中对应的杂波
单元个数为筛选窗口内的杂波单元个数，即 N E 。
2.3.3 VIE-CFAR 检测器性能分析
对于基本的检测器如 CA、GO、SO、OS-CFAR 等，其检测性能在一定的杂波
环境中可以通过理论推导得出。然而，对于 VI-CFAR 及本文提出的 VIE-CFAR 等
智能 CFAR 检测器，由于引入了二阶统计量 VI 和 MR ，它们之间是非独立的，因
此难以从理论上对这两类检测器的性能进行分析。本文采用 Monte-Carlo 仿真方法，
对比分析了 CA、GO、SO、OS、VI-CFAR 及本文提出的 VIE-CFAR 检测器在均
匀、杂波边缘和干扰目标等杂波环境中的检测率和虚警率。Monte-Carlo 仿真实验
的重复次数为 M
1, 000, 000 次，参考窗口大小为 N
24 ，OS-CFAR 选取第 k
21
个最小的杂波单元为统计检验量。杂波统计分布设为负指数分布，目标起伏类型
为 Swerling I 型， INR
SNR 。在理论虚警率设为 Pfa
KVI 设为 4.76，同质阈值设为 K MR
1e 4 条件下，均匀度阈值
1.806 ，筛选系数和 CFAR 检测阈值系数的计
1
1
0.9
0.9
0.8
0.8
0.7
0.7
0.6
0.6
Probability
Detection Probability
算方法如 2.3.2.2 节所述。
0.5
0.4
0.2
0.1
0
5
10
15
20
25
0.5
0.4
Optimum
CA-CFAR
GO-CFAR
SO-CFAR
OS(21)-CFAR
VI-CFAR
VIE-CFAR
0.3
P[A]
P[B]
P[AB]
P[E]
0.3
0.2
0.1
30
0
5
10
15
SNR (dB)
20
25
30
SNR (dB)
(a)
(b)
图 2.14 均匀杂波环境中 CFAR 检测率和 VIE-CFAR 窗口选择概率
在均匀杂波环境中，不同检测器的检测率和 VIE-CFAR 选择不同窗口的概率
如图 2.14 所示。由图 2.14(a)可以看出，本文提出的 VIE-CFAR 检测率与 VI-CFAR
第 41 页
国防科学技术大学研究生院博士学位论文
相同，都与 CA-CFAR 相近，优于 GO、SO 和 OS-CFAR。从图 2.4(b)可以看出，
当参考窗口内杂波较为均匀时，选择全窗 AB 作为参考窗口的概率较大，,选择筛
选窗口的概率几乎为 0，从而其检测性能也与 CA-CFAR 较为接近。
在杂波边缘环境中，CA-CFAR 性能受杂波功率水平变化的影响，其虚警率不
能保持恒定水平。以杂波单元从左向右逐渐增加为例，设 CNR=SNR=10dB。随着
杂波单元个数的增加，当前测试单元逐渐被杂波淹没，背景杂波功率水平不断发
生变化。图 2.15(a)给出了虚警率随杂波单元个数的变化情况，图 2.15(b)给出了窗
口选择概率。从图 2.15 可以看出，在杂波边缘环境中，筛选窗口被选择的概率仍
然几乎为 0，所以 VIE-CFAR 和 VI-CFAR 性能几乎一致。由于 VIE-CFAR 具有自
适应选择窗口的能力，避免了一直采用全窗，因此其虚警保持性能较好。
1
-1
P[A]
P[B]
P[AB]
P[SO]
0.9
-2
0.8
-3
0.7
0.6
Probability
log(pfa)
-4
-5
0.4
-6
CA-CFAR
GO-CFAR
SO-CFAR
OS-CFAR
VI-CFAR
VIE-CFAR
Desired FAR
-7
-8
-9
0.5
0
5
10
15
Number of Clutter Cells
0.3
0.2
0.1
0
20
0
5
(a)
10
15
Number of Clutter Cell
20
(b)
图 2.15 杂波边缘环境中 VIE-CFAR 检测率和窗口选择概率
1
1
CA-CFAR
GO-CFAR
SO-CFAR
OS(21,1)-CFAR
VI-CFAR
VIE-CFAR
0.9
0.8
0.7
0.6
0.6
0.5
0.5
0.4
0.4
0.3
0.3
0.2
0.2
0.1
0.1
0
P[A]
P[B]
P[AB]
P[E]
0.8
Probability
Detection Probability
0.7
0.9
5
10
15
20
25
30
0
5
10
15
SNR (dB)
20
25
30
SNR (dB)
(a)
(b)
图 2.16 干扰目标存在于半窗时 VIE-CFAR 检测率和窗口选择概率
当干扰目标存在时，各类 CFAR 检测器的检测性能与干扰目标在参考窗口中
所处的位置以及干扰目标个数有关。图 2.16 给出了参考窗口内只包含一个干扰目
标时（第 18 个杂波单元），不同 CFAR 器的检测性能及窗口选择的概率。由图 2.6(a)
第 42 页
国防科学技术大学研究生院博士学位论文
可以看出，当干扰目标只处于一个半窗内且干扰目标个数有限时，SO、OS、VI
和 VIE-CFAR 都能在一定程度上减轻干扰目标对检测率造成的影响，而 CA 和
GO-CFAR 的检测性能出现了较大幅度的下降。从图 2.16(b)可以看出，在只有一个
干扰目标的情况下，筛选窗口被选择的概率仍然几乎为 0，此时 VIE 与 VI-CFAR
等价，因此其检测性能也基本一致。随着 SNR 的提高，VIE-CFAR 的性能逐渐接
近 SO 和 OS-CFAR 检测器。
图 2.17 给出了当两个半窗中都存在干扰目标且干扰目标数目增多时各 CFAR
检测器的性能。当参考窗口中只包含两个干扰目标（第 5 和 20 个参考单元）时，
VIE-CFAR 和 OS-CFAR 仍保持了较好的检测性能，其它检测器的性能大幅下降。
VIE-CFAR 对不同窗口的选择概率如图 2.17(b)所示。当 SNR 较低时，VIE-CFAR
还没有选择筛选窗口，其检测性能略低于 OS-CFAR；随着 SNR 的提高，VIE-CFAR
选择筛选窗口的概率增大，其检测性能逐渐接近 OS-CFAR，且由于 VI-CFAR 没
有引入筛选步骤，其检测性能也受到干扰目标的影响。当干扰目标的个数增加到 4
个时（第 5、7、18 和 20 个参考单元），干扰目标的个数超出了 OS-CFAR 所能容
忍的范围，其检测性能急剧下降，而 VIE-CFAR 的性能保持稳定，对干扰目标的
个数具有一定的鲁棒性。
1
1
CA-CFAR
GO-CFAR
SO-CFAR
OS-CFAR
VI-CFAR
VIE-CFAR
0.9
0.8
0.7
4 interferers
0.6
0.6
0.5
2 interferers
0.4
0.5
0.4
0.3
0.3
0.2
0.2
0.1
0.1
0
P[A]
P[B]
P[AB]
P[E]
0.8
Probability
Detection Probability
0.7
0.9
5
10
15
20
25
30
0
5
10
15
SNR (dB)
20
25
30
SNR (dB)
(a)
(b)
图 2.17 干扰目标分布于两个半窗时 VIE-CFAR 检测性能和窗口选择概率
此外，图 2.18 给出了干扰目标存在于两个半窗时 VIE-CFAR 的虚警性能。从
图 2.18(a)可以看出，VIE-CFAR 的虚警率与理论设定的虚警率控制在同一个量级，
基本达到了恒虚警率检测性能。图 2.18(b)从参考窗口均匀度的角度说明了在两个
和四个干扰目标分别处在两侧参考目标时，VIE-CFAR 检测窗口内的数据始终维持
在均匀水平，即保证了在均匀杂波环境中进行检测，这也是 VIE-CFAR 在多目标
干扰环境中保持恒虚警率性能的原因所在。
第 43 页
国防科学技术大学研究生院博士学位论文
-3
5
10
4.5
Kvi
2 Interferers
4 Interferers
4
Variable Index
Probability of False Alarm
Designed PFA
2 Interferers
4 Interferers
-4
10
3.5
3
2.5
2
-5
10
5
10
15
20
25
30
1.5
5
10
15
20
25
30
SNR (dB)
SNR (dB)
(a)
(b)
图 2.18 干扰目标存在于两个半窗时 VIE-CFAR 虚警性能和均匀度
2.4 复杂背景中 VIE-CFAR SAR 图像舰船目标检测算法
自上世纪九十年代以来，SAR 图像舰船目标检测已经过了二十余年的研究。
HRWS SAR 数据的获取将极大地拓展 SAR 图像在大范围海洋舰船目标监视方面的
应用，然而，SAR 图像舰船目标仍然面临着复杂背景下检测性能下降的挑战。复
杂背景一方面是指图像分辨率的提高使得海洋杂波分布更为不均匀，另一方面是
指海洋杂波中存在杂波边缘和干扰目标。本节在 SAR 图像海洋杂波统计特性分析
和 VIE-CFAR 检测器设计的基础上，提出一种复杂海洋背景中 SAR 图像舰船目标
检测算法。
2.4.1 算法原理
在实际的应用中，用于舰船目标检测的 SAR 图像一般具有较宽的测绘带，而
分辨率则较低。对于 HRWS SAR 图像，虽然用于舰船检测的 SAR 图像也成像于
宽幅模式，然而其分辨率却得到了提高。在图像分辨率提高及复杂的海况条件下，
SAR 图像海洋杂波起伏更为严重，经典的统计分布模型已不足以描述其统计特性。
由 2.2 节对 SAR 图像海洋杂波的统计特性分析结果可知， G 0 分布对不同波段、不
同极化方式、不同分辨率、不同海况等条件下的 SAR 图像海洋杂波均具有较强的
建模能力。因此，在本文的算法中将引入 G 0 分布描述 SAR 图像海洋杂波统计特性，
进而计算 CFAR 检测阈值。
另一方面，复杂海洋背景还表现在 SAR 图像海洋杂波出现的杂波边缘和干扰
目标的情况。每幅 SAR 图像覆盖上千平方千米的海洋区域，在该区域内海洋的风
场条件一般有所变化，在不同的风场区域，其雷达后向散射强度有所差异，从而
在不同区域的交界处形成杂波边缘环境；同时，由于成像噪声、风暴及相邻目标
第 44 页
国防科学技术大学研究生院博士学位论文
的影响，待检测舰船目标的背景杂波中可能存在较强的干扰回波，即存在干扰目
标的情况，从而对待检测舰船目标形成遮掩效应。由 2.3 节的分析可知，经典的
CFAR 检测器在杂波边缘和干扰目标杂波环境中检测性能下降，出现检测率下降或
虚警率上升的情况。本文设计的 VIE CFAR 检测器在均匀杂波、杂波边缘、干扰
目标等杂波环境中检测性能具有鲁棒性。
G0分布下CFAR阈值
VIE-CFAR检测器
前窗数据
SAR
图
像
数
据
预
处
理
获取
滑动
窗口
数据
后窗数据
全窗数据
估
计
分
布
参
数
窗
口
选
择
计
算
检
测
阈
值
整幅图像是
否处理完
形
态
学
处
理
检
测
结
果
筛选窗数据
G 0 分布
Pfa
图 2.19 复杂背景下 SAR 图像舰船目标检测算法框图
因此，基于上述两方面的考虑，本文提出一种复杂背景中的 SAR 图像舰船目
标检测算法，综合考虑了海洋杂波的统计特性和不同的杂波环境。算法的原理框
图如图 2.19 所示。
2.4.2 算法实现方案
在图 2.19 中，首先对输入的 SAR 图像进行海陆分割等预处理步骤。对于近岸
区域的 SAR 图像舰船目标检测，一方面舰船目标检测只需在海域进行，另一方面
陆地区域会带来很多检测虚警，因此需要首先完成海陆分割。海陆分割的方法主
要有基于世界海岸线数据库的方法和自动分割方法。基于海岸线数据库的方法易
于快速实现，但要求 SAR 图像数据预先进行地理定标等处理，且由于海岸线的动
态变化特性，从而影响基于海岸线数据库方法的精度。自动分割方法对输入的 SAR
图像完成自动分割，能够获取实时的海岸线数据，但与基于海岸线数据库的方法
相比算法效率较低。
在海陆分割等预处理完成后，算法用如图 2.20 所示的滑动窗口在整幅图像上
进行滑动，并根据 VIE-CFAR 的窗口选择机制选取合适的参考窗口数据。需要指
出的是，图 2.20(a)所示的滑动窗口更适用于垂直方向的杂波边缘；图 2.10(b)所示
的滑动窗口更适用于处理水平方向的杂波边缘。实际上，对于其它方向的杂波边
缘，由于不同质的杂波可能同时处于两个半窗内，造成两个半窗内的数据都呈现
不均匀特性，从而使得算法的窗口选择机制更多地选择筛选窗口。但也正是由于
本文算法中的筛选窗口，能够尽可能地选取出均匀性的参考单元杂波，因此在不
同方向的杂波边缘环境中也保持了检测性能。
第 45 页
国防科学技术大学研究生院博士学位论文
(a)
(b)
图 2.20 算法选取的滑动窗口
VIE-CFAR 选取出合适的参考杂波单元后，进一步估计 G 0 分布的分布参数，
参数估计方法如 2.2.1 节所示。幅度 G 0 分布模型的概率密度函数如下式所示，
fZA  z  
2n n   n    z 2 n 1
    n         nz 2 
n 
,   ,  , n, z  0
(2.47)
进一步，为了简化计算，假设 SAR 图像中舰船目标为非起伏型目标，则 G 0 分
布下的虚警率为，
Pfa
2n n
f Z A z dz
Tl
Tl
z 2n
n
1
nz 2
n
n
dz
(2.48)
根据附录（A），当 n 为整数时，上式的积分结果为，
nn
Pfa
1
1 k Tl 2( n
n
n
n
nTl 2
n k nk
k 1
当n
k)
n k
(2.49)
1 时，
1
Pfa
Tl 2
(2.50)
因此，
1/2
1/
Tl
1
Pfa
(2.51)
当 n 1 时，式（2.49）的阈值求解较为复杂，本文采用二分法对检测阈值进
行求解。具体步骤如下：
1、根据选取的杂波参考单元估计 G 0 分布的参数  ,  , n ；
2、在图像灰度范围内 I min , I max 选取中值 I min
式（2.53）计算虚警率 Pfai ， i
3、若 Pfai
忍误差，则设 Tl i
Pfa
1
，则 Tl
I max
Tl i
I max 2 作为初始阈值 Tl i ，根据
0；
Tl i ，搜索终止；否则若 Pfai
2， i
i 1；
第 46 页
Pfa
， 为虚警容
国防科学技术大学研究生院博士学位论文
4、重复步骤 3，直至满足终止条件。
2.4.3 检测性能评估准则
SAR 图像舰船目标检测算法的评估方法主要从定性和定量两个角度展开。从
定性的角度，主要是将检测结果与地面真实验证数据相比较，对比不同算法检测
到的舰船目标个数和产生的虚警目标个数。从定量的角度，主要根据地面真实验
证数据，计算算法的接收机工作曲线（Receiver Operating Characteristics，ROC）
和算法品质因数（Figures of Merit， FoM ）。
ROC 曲线中检测率和虚警率的计算方法如下式所示，
Pd  N dt / N gt
(2.52)
Pf  N fa /  N gt  NC 
(2.53)
其中， N dt 表示实际检测到的舰船目标像素个数， N gt 表示地面真实目标像素个数，
N fa 表示检测到的虚警像素个数， N C 表示杂波像素个数。
当对大范围海域检测结果进行统计性分析时，式（2.52）、（2.53）中的 N dt 、
N gt 、 N fa 分别表示相应的目标个数，并将式（2.53）进行修正为，
Pf  N fa /  N gt  N fa 
(2.54)
检测算法的品质因数（Figures of Merit， FoM ）定义为，
FoM  N dt /  N gt  N fa 
(2.55)
2.4.4 实验结果与分析
本节基于实测 SAR 图像数据对本文提出的复杂背景中 SAR 图像舰船目标检测
算法进行实验验证与分析。实验共采用两幅具有复杂背景的实测 SAR 图像，其中
一 幅 是 ENVISAT 图 像 ， 成 像 于 宽 幅 模 式 ， 位 于 青 岛 港 附 近 海 域
（ 37.83 N ,119.91 E ），分辨率为 75m  75m 。图像大小为 193 228 像素，根据目
视判读结果，图像中包含有 42 个舰船目标，且存在杂波边缘和邻近干扰目标，如
图 2.21 所示。另一幅图像是由 Radarsat-2 成像于珠江入海口区域，距离向和方位
向名义分辨率为 5.31m  5.72m ，图像大小为 600  370 像素，包含目标个数为 31 个，
如图 2.22 所示。由于图像分辨率的提高，其中的舰船目标像素尺寸增大，从而使
得相邻目标间更易形成相互干扰。
实验首先分别基于 ENVISAT 和 Radarsat-2 数据对比了 VI-CFAR 和本文算法
对 SAR 图像的舰船目标检测结果。在检测中，ENVISAT SAR 图像检测时三层滑
动窗口的大小分别设为 1 1 、 7 7 和 13 13 ；Radarsat-2 SAR 图像检测时三层滑动
第 47 页
国防科学技术大学研究生院博士学位论文
窗口的大小分别设为 1 1 、15 15 和 21 21 。理论虚警率都设为 Pfa
检测器的参数与 2.3 节中一致，虚警容忍度
1e 4 ，CFAR
0.1Pfa 。在 CFAR 舰船检测后，对
检测结果进行形态学处理，目的是聚类相邻像素并消除孤立像素点。
(a)
(b)
(c)
(d)
图 2.21 ENVISAT SAR 图像舰船目标检测结果
(a)实验区域 (b) SAR 图像及人工判读结果；（c）VI-CFAR 检测结果；（d）本文算法检测结
果。其中，方框表示人工判读或检测出的舰船目标，圆圈表示漏检目标。
ENVISAT SAR 图像的检测结果如图 2.21（c）和（d）所示。从图中可以看出，
两种算法检测结果中都没有出现虚警目标，说明两者对杂波边缘环境都具有一定
的鲁棒性。然而，本文算法检测出了所有的舰船目标，而 VI-CFAR 方法的检测结
果中出现了漏检情况，分别是第 25、27 和 39 个目标。进一步观察它们所处的背
景环境发现，这三个目标周围都有邻近的目标，邻近目标对其形成了干扰，从而
使得 VI-CFAR 的检测率下降。VIE-CFAR 通过引入筛选步骤，消除了邻近目标间
的遮掩效应，从而获得了较高的检测率。
从 Radarsat-2 SAR 数据的检测结果中也可以观察到类似的结果，如图 2.22（c）
和（d）所示。VI-CFAR 的检测结果中，第 3、9 和 14 个舰船目标出现了漏检的情
况，而本文算法则检测出了所有的舰船目标。同时，由于 Radarsat-2 图像的分辨率
第 48 页
国防科学技术大学研究生院博士学位论文
相对较高，舰船目标在图像中的尺寸也较大，本文算法不仅能检测出所有的舰船
目标，而且对舰船目标的整体结构保持较好，从而有利于后续的舰船目标特征提
取甚至分类识别研究。
N
(a)
(b)
(c)
(d)
图 2.22 Radarsat-2 SAR 图像舰船目标检测结果
(a)实验区域 (b) SAR 图像及人工判读结果；（c）VI-CFAR 检测结果；（d）本文算法检测结
果。其中，方框表示人工判读或检测出的舰船目标，圆圈表示漏检目标。
第 49 页
国防科学技术大学研究生院博士学位论文
为了定性地对比分析本文算法和 VI-CFAR 的检测性能，实验还计算了两种算
法的接收机工作曲线（Receiver Operating Characteristics，ROC），如图 2.23 所示。
具体做法是，分别设定一系列理论虚警值，对图 2.21 中 ENVISAT 青岛港区域数
据进行舰船目标检测，基于模板图像分别计算检测结果中的虚警像素和目标像素
个数，然后基于式（2.52）、（2.53）计算实际的检测率和虚警率，进而得到两种
算法检测率随虚警率的变化关系。从图 2.23 可以看出，在同样的虚警率条件下，
VIE-CFAR 能够达到比 VI-CFAR 更高的检测率，验证了本文算法的有效性。进一
步，对图 2.21 和图 2.22 的检测结果进行统计分析，即计算两种算法的品质因数，
如表 2.4 所示。由表 2.4 可以看出，本文算法的品质因数更高。
1
0.95
VI-CFAR
VIE-CFAR
检测率
0.9
0.85
0.8
0.75
0.7
-4
10
-3
10
-2
-1
10
虚警率
10
0
10
图 2.23 两种算法的 ROC 性能
表 2.4 不同算法对 ENVISAT 和 Radarsat-2 数据舰船目标检测结果统计
算法
VIE-CFAR
VI-CFAR
数据
实际目标个数
检测目标个数
检测虚警个数
ENVISAT
42
42
0
Radarsat-2
31
31
0
ENVISAT
42
39
0
Radarsat-2
31
28
0
品质因数（ FoM ）
1
0.918
2.5 本章小结
本章面向 HRWS SAR 图像在舰船目标检测中的广泛应用前景，重点研究了单
极化 SAR 图像舰船目标检测问题。首先，综述了单极化 SAR 图像舰船目标检测算
法，主要包括 CFAR 检测、似然比检测、小波变换检测、子孔径相干检测和其它
方法；其次，研究了 SAR 图像海洋杂波统计特性，重点对比分析了 K 和 G 0 分布对
不同波段、不同极化、不同分辨率、不同海况条件下海洋杂波的统计建模能力，
第 50 页
国防科学技术大学研究生院博士学位论文
大量实测 SAR 海洋杂波统计建模结果表明 G 0 分布的鲁棒性比 K 分布好，更适用于
描述不同条件下的 SAR 海洋杂波统计特性；再次，重点研究了 CFAR 检测器的设
计 ， 在 分析 CFAR 检测基本原理的基础上 ，特别针对干扰目标环境设计了
VIE-CFAR 检测器，并基于 Monte-Carlo 仿真方法分析了其在均匀杂波、杂波边缘、
多目标干扰等杂波环境下的检测性能，结果表明其检测性能对各类杂波环境特别
是多目标干扰情况具有鲁棒性；最后，结合 SAR 特别是 HRWS SAR 图像的杂波
环境特点，提出了一种复杂背景中 SAR 图像舰船目标检测算法，以 G 0 分布模型和
VIE-CFAR 检测器为基础，详述了算法原理和实现方法，并在实测 ENVISAT 和
Radarsat-2 SAR 图像中验证和分析了算法性能，实验结果表明，本文算法在杂波边
缘和多目标干扰等复杂背景中保持了较高的检测率。Equation Section (Next)
第 51 页
国防科学技术大学研究生院博士学位论文
第三章
极化 SAR 图像舰船目标检测
在微波遥感应用中，不同地物对入射电磁波具有不同的极化响应，即具有不
同的极化散射特性。极化对微波遥感应用具有重要的意义[173, 174]，具体表现在：1）
极化信息的开发和利用可以丰富目标的特征参数，提高识别与分类能力；2）通过
研究目标的变极化行为，可以获得目标材料特性（如材料属性及其粗糙度等）以
及目标几何图形信息（如目标取向和对称性等）；3）利用目标及其环境各自不同
的极化散射特性，可以提高雷达对弱目标的探测能力。特别对合成孔径雷达遥感，
极化信息的引入显著提升了其对目标检测、识别和分类的能力。
与单极化 SAR 相比，极化 SAR 提供了多通道的数据和更为丰富的散射信息。
通过分析舰船目标与海洋背景的不同极化散射特性，能够改善舰船目标检测的性
能。目前，极化 SAR 舰船目标检测主要有三种途径：1）分别对各单通道数据进
行检测，然后融合检测结果；2）通过极化合成方法首先将多通道数据融合为一个
通道数据，然后进行检测；3）基于极化目标分解等理论获取极化参数，在参数空
间进行检测。在大多数情况下，这些方法都能有效地检测出海洋杂波中的舰船目
标。但是，由于 HRWS SAR 成像的特点所引起的方位向模糊、舰船强散射点引起
的旁瓣模糊等大量虚警，使得上述检测方法的性能有所下降，需要对极化 SAR 舰
船目标检测问题进一步深入研究。
本章系统和深入地研究了极化 SAR 舰船目标检测问题，特别针对 HRWS SAR
舰船目标检测所面临的方位模糊、旁瓣模糊等问题，提出了利用极化 SAR 数据的
解决方案。内容安排如下：3.1 节概述了极化 SAR 基础理论，包括极化电磁波的
表征、散射体的极化描述等；3.2 节系统地评述了极化 SAR 舰船目标检测的各类
算法，对极化 SAR 数据舰船目标检测能力进行评估和分析；3.3 节针对 HRWS SAR
舰船目标检测所面临的挑战，提出基于特征选择加权和 SVM 的极化 SAR 舰船目
标检测算法；3.4 节以 AIRSAR 和 Radarsat-2 等实测数据验证和评估了算法性能；
3.5 节为本章小结。
3.1 极化 SAR 基础理论
极化是矢量波的共有性质，它用来描述从空间某一固定点所观测到的矢量波
随时间变化的特性[174]。人类对电磁波的极化特性研究是从可见光波段的偏振现象
展开的，但电磁波的矢量特性体现在整个电磁波谱中，极化是所有波段电磁波的
固有特性。极化与频率、波长、振幅相位等物理量共同描述了电磁波的传播和衍
射现象。
第 52 页
国防科学技术大学研究生院博士学位论文
多极化 SAR 系统通过采用不同的发射和接收极化组合方式获取多极化测量数
据。多极化数据反映了成像地物的散射特性，描述了成像地物对雷达波的变极化
效应。对于确定性目标，其极化散射特性可以由极化散射矩阵来表征；对于非确
定性目标，由 Stokes 矩阵或 Muller 矩阵描述其非完全极化效应；对于 SAR 图像中
的包含有多个散射体的单个分辨单元，其极化散射特性变化具有一定的统计特性，
一般采用统计性的协方差矩阵和相干矩阵对其表征。本节首先介绍极化电磁波的
概念，然后逐一概述极化散射体的极化描述方法。
3.1.1 极化电磁波的表征
在电磁学理论中，电场和磁场可根据麦克斯韦方程组互推，因此一般采用电
场矢量 E 定义电磁波的极化。电磁波的极化是指横向电磁波（电场和磁场矢量都
只在垂直于传播方向的平面内震荡，TEM 波）传播过程中，在某一个波阵面（在
电磁波传播过程中，对应每一时刻，空间电磁场中具有相同相位的点构成的曲面）
上，电场矢量的振动状态（大小和方向）随时间变化的方式。由于 TEM 波在传播
方向上没有分量，因此可以将其在与传播方向垂直的平面上分解为互相垂直的场
分量，极化就是描述了这两个分量的大小和方向的变化关系。也可以说，极化描
述了电场矢量端点的运动轨迹。
Ey(z)
Ex(z)
z
图 3.1 电磁波电场矢量传播示意图
根据电场矢端的运动轨迹，极化波可以分为三类：
（1） 完全极化波——也称为单色波，电场矢端在一个极化椭圆上随时间做
周期性运动，其两个正交分量的振幅为常数，且相位差恒定。雷达的
发射波一般可以看成完全极化波。
（2） 部分极化波——电场矢端在一个周期内随时间变化的轨迹不再是一个
第 53 页
国防科学技术大学研究生院博士学位论文
椭圆，而是随时间变化而变化的。雷达接收的从自然界和人工建筑等
反射的回波信号一般可认为部分极化波；
（3） 完全非极化波——电场矢端的运动完全无规则的电磁波。
在描述电磁波的极化状态时，一般选取笛卡尔坐标系的 z 轴为传播方向，则沿
z 轴传播的单色电磁波的电场位于 x  y 平面内，由 x 方向分量 E x 和 y 方向分量 E y
组成，如图 3.1 所示。
3.1.2 极化散射矩阵及其矢量化
在选定散射空间坐标系和相应的极化基条件下，雷达入射波和目标散射回波
的各极化分量间存在线性变换关系，因此目标的变极化效应可以用一个复二维矩
阵来表示，称为极化散射矩阵，即 Sinclair 矩阵 S 。雷达入射波和目标散射回波之
间的关系用极化散射矩阵可以表示为：
 E re  eikr  S HH
E re  SE tr   Hre  

 EV  r  SVH
S HV   EHtr 
 
SVV   EVtr 
(3.1)
其中，上标 tr 和 re 分别表示入射电磁波和目标散射回波。r 为散射目标与接收天线
之间的距离， k 为电磁波的波数。
散射矩阵 S 包含了散射体的变极化信息，不仅取决于目标本身的尺寸、形状、
结构、材料等物理因素，也与目标和雷达系统之间的相对姿态取向、位置几何关
系及雷达工作频率等有关。在单基系统中，根据天线互易定理，散射矩阵中交叉
极化分量是相等的，即 SHV  SVH  S x ，因此 S 可以表示为：
S
S   HH
 SVH
S HV  i0
e
SVV 
 S HH

i (x 0 )
 Sx e
S x ei (x 0 ) 

S HH ei (vv 0 ) 
(3.2)
散射矩阵可以矢量化为散射矢量：
1
k  V (S)  Trace(SΨ)  [k0 , k1 , k2 , k3 ]T
2
(3.3)
其中 V () 是矢量化算子， Trace() 表示矩阵的迹， Ψ 是正交单位矩阵， T 表示矩阵
的转置。
为了矢量化散射矩阵，可以采用不同的正交单位矩阵。主要有两种正交单位
矩阵，一种是 Lexicographic 基，记为 Ψ L ；另一种是 Pauli 基，记为 Ψ p 。
Lexicographic 基和 Pauli 基分别如下：
  2 0  0 2   0 0  0 0  
Ψ L :  
 , 0 0  ,  2 0 , 0 2 
0
0

 
 
 


第 54 页
(3.4)
国防科学技术大学研究生院博士学位论文
 1 0 
1 0 
0 1 
0 i  
ΨP :   2 
, 2
, 2
, 2




0 1
1 0 
 i 0 
 0 0 
(3.5)
相应的散射矢量也分别记为 k L 和 k P ，可表示为：
k4 L   S HH , S HV , SVH , SVV 
T
k 4P 
1
T
 SHH  SVV , SHH  SVV , SHV  SVH , i(SHV  SVH )
2
(3.6)
(3.7)
在互易条件下，上述散射矢量可简化为：
T
k 3P
k 3 L   S HH , 2S HV , SVV 
1
T

 SHH  SVV , SHH  SVV , 2SHV 
2
(3.8)
(3.9)
两种散射矢量之间的转换关系如下：
k 4 P  D4k 4 L
1

1 1

2 0

0
0 0 1
0 0 1
k 4L
1 1 0

i i 0 
k 4 L  D4 1k 4 P
1 1

1 0 0

2 0 0

1 1
0 0
1 i 
k 4P
1 i

0 0
(3.10)
(3.11)
3.1.3 Stokes 矩阵和 Muller 矩阵
散射矩阵描述了确定性目标对完全极化波的散射特性，这种散射成为相干散
射。但在实际的雷达测量中，目标的散射特性可能是时变，或目标本身就包含多
个散射体，或者雷达发射的电磁波是非完全极化波，则此时目标的散射是一个非
完全极化过程，其散射特性不能由散射矩阵来描述。此时，需采用新的散射体极
化描述方法，即 Stokes 矩阵和 Muller 矩阵。
在后向散射坐标系（一般用于单基系统）中，Stokes 矩阵又称为 Kennaugh 矩
阵，反映了入射波与散射回波的 Stokes 矢量之间的相互关系。基于 Stokes 矢量的
表示和散射矢量 G s 与发射矢量 G t 间的关系推导可得，散射波的 Stokes 矢量 g s 与
发射波的 Stokes 矢量 gt 之间的关系为：
g s  RG s 
1
1
1
RWG t  2 RWR 1g t  2 Kg t
2
r
r
r
其中，
第 55 页
(3.12)
国防科学技术大学研究生院博士学位论文
1 1 0 0 
1 1
1 1 0 0 

 , R 1  1 1
R
0 0 1 1 
0 0



0 0 i i 
0 0
*
 SVV
SVV
 *
S S HV
W  S  S*   HV
*
 S HV
SVV
 *
 SVV S HV
*
SVH
SVH
*
S HH S HH
*
S HH
SVH
*
SVH S HH
0 0
0 0 
1 i

1 i 
*
SVV
SVH 

*
S HV S HH 
*
S HV
SVH 

*
SVV
S HH 
*
SVH
SVV
*
S HH S HV
*
S HH
SVV
*
SVH S HV
(3.13)
(3.14)
其中，  表示 Kronecker 直积运算。
Stokes 矩阵 K 是一个 4  4 的实矩阵，在前向坐标系中也成为 Muller 矩阵 M 。
Stokes 矩阵和 Muller 矩阵之间的关系为，
1
0
K  U 4M  
0

0
0
1
0
0
0 0
0 0 
1 0

0 1
(3.15)
需要指出的是，从散射矩阵 S 到 Stokes 矩阵和 Muller 矩阵的变换过程中，S 与
其共轭矩阵进行了 Kronecker 直积，丢失了绝对相位信息，因此无法由 Stokes 矩阵
或 Muller 矩阵反推得到唯一的散射矩阵。
3.1.4 极化协方差矩阵和相干矩阵
SAR 成像的分辨单元大于入射波的波长，即在单个像元内包含有多个散射中
心，每一个散射中心的散射都可以用一个散射矩阵 Si 来表示。因此，一个分辨单
元的测量值 S 是分辨单元内多个散射中心散射响应 Si 的相干叠加。为了处理分辨单
元内的统计散射效应和分析局部散射体，引入极化协方差矩阵和相干矩阵。
极化协方差矩阵定义为 Lexicographic 基下的散射矢量 k L 与其共轭转置 k †L 的
外积，
C44  k Lk †L









S HH
2
*
S HV S HH
*
S HH S HV
S HV
2
*
SVH S HH
*
SVH S HV
*
SVV S HH
*
SVV S HV
*
S HH SVH
*
S HV SVH
SVH
2
*
SVV SVH
*

S HH SVV


*
S HV SVV 

*
SVH SVV


2

SVV

(3.16)
其中，  表示在假设随机散射介质各向同性下的空间统计平均。
类似地，极化相干矩阵定义为 Pauli 基下的散射矢量 k P 与其共轭转置 k †P 的外
第 56 页
国防科学技术大学研究生院博士学位论文
积，
T44  k P k †P
(3.17)
根据天线的互易性， SHV  SVH  S x ，因此极化相干矩阵可以简化为 3  3 的相
干矩阵，
T33  k 3 P k 3† P
 A2

1
  BA*
2

 CA*

AB*
B
2
CB*
AC * 


BC * 

2
C 

(3.18)
其中，
 A  S HH  S HV

 B  S HH  S HV
C  2S
x

(3.19)
极化协方差矩阵和极化相干矩阵都是 Hermit 半正定矩阵，具有相同的非负实
特征值，二者具有线性变换关系，
T33  QC33QT
(3.20)
其中，实变换矩阵 Q 为
1
1 
Q
1
2
0
0
0
2
1

1
0 
(3.21)
3.2 极化 SAR 舰船目标检测典型方法
如本章引言所述，极化 SAR 图像舰船目标检测方法大体分为三种思路：单通
道检测结果融合方法、多通道数据融合检测方法、极化目标分解检测方法等。其
中单通道检测结果融合方法首先在各个单通道内进行检测，然后根据一定的融合
规则得到最终的检测结果，其单通道检测可采用第二章的方法，此处不再赘述。
本节重点综述了多通道数据融合检测方法和极化目标分解检测方法，并对极化
SAR 数据舰船目标检测能力进行分析。
3.2.1 多通道数据融合检测方法
3.2.1.1
能量合成（SPAN）检测
得到测量散射矩阵后，目标的回波总功率可以由各个通道的功率水平相加得
到：
第 57 页
国防科学技术大学研究生院博士学位论文
SPAN  HH  2 HV  VV
2
2
2
(3.22)
舰船等人造目标对雷达入射波的后向散射较强，其总功率水平一般高于海洋
回波，因此可以通过设置一个功率水平阈值对舰船目标进行检测：
HH  2 HV  VV  T
2
2
2
(3.23)
进一步对 SPAN 检测器进行改进，可得到功率最大化合成（Power maximization
synthesis，PMS）检测方法，

 HH
1
2
2
HH  2 HV  VV
2
3.2.1.2
2
 VV
2
2

  4 HH HV  VVHV
†
(3.24)
† 2
T
似然比检测
与单极化似然比检测相比，由于极化数据包含多个通道，极化似然比检测是
从 Neyman-Pearson 准则出发推导得到的多变量似然比检测方法[71, 111]。在极化 SAR
图像中，设 X 为每个像素点所对应的测量向量或测量矩阵，舰船目标的概率密度
函数为 ps ( X) ，海洋杂波的概率密度函数为 po ( X) ，则定义似然比为：
L
ps ( X)
po ( X)
或 ln L  ln  ps ( X)   ln  ps ( X) 
(3.25)
其中，ln() 是自然对数运算，从而将除法运算简化为加法运算，而且对数函数是单
调函数，不影响运算结果。
对应的似然比检验为：
 
ln L  
 
for a ship
for ocean
(3.26)
一般情况下，假设极化散射矢量 X 服从零均值的多变量高斯分布，即：
p( X) 
1
 C
p
exp  XH C1X 
(3.27)
其中， p 表示 X 中元素个数；C  E  XX H  为协方差矩阵， E  表示对图像中的某
个区域内像素求期望；  表示矩阵的行列式； H 表示复共轭转置。如果极化散射
矢量的四个通道间是独立的，则上式可简化为：
 x1 2 x2 2 x3 2 x4 2 
p( X)  4 2 2 2 2 exp   2  2  2  2 
 1
 1  2 3  4
2
3
 4 

1
(3.28)
其中，xi |i  1, 2,3, 4 表示 X 中每个通道数据， i |i  1, 2,3, 4 表示每个通道数据的
方差根。
第 58 页
国防科学技术大学研究生院博士学位论文
对于多极化 SAR 系统，设海洋杂波和舰船目标都服从多变量的复高斯分布，
对应的协方差矩阵分别为 Co 和 Cs ，则将式（3.41）中的常数项都约减到式右的阈
值向后，似然比检验为：
  '
XH  Co1  Cs 1  X   '
 
for a ship
for ocean
(3.29)
一般情况下，舰船目标的协方差矩阵元素的值远远大于海洋杂波协方差矩阵
中的元素，因此上式可近似为：
  '
X H Co1X  
  '
for a ship
for ocean
(3.30)
上式不仅可以应用于全极化系统，也可应用于双极化或单极化数据的舰船检
测中，其区别在于极化散射向量中的元素个数不同。
对于某些双极化 SAR 系统，若极化组合方式为 HH-HV、HH-VH、VV-HV 或
VV-VH，这些通道间的相关性难以精确获取，可以设为是相互独立的，此时双极
化数据中的似然比检测可由下式表达：
p
x
i 1
i
2
 1
1    '
 2  2 
  oi  si     '
for a ship
for ocean
(3.31)
由于海洋杂波的 HH 通道和 VV 通道具有较强的相关性，因此对于 HH-VV 双
极化组合方式必须引入二者间的相关系数进行似然比检测，如下式所示：


1
1 
1
1 
2
2



x1  2


x

2
  o1 1   2   s21 
  o22 1   2   s22 




2  x1 x1   ' for a ship


1   2  o1 o 2    ' for ocean
(3.32)
其中，  表示海洋杂波 HH-VV 极化组合间的相关系数的幅度。
与单极化 SAR 数据类似，多极化 SAR 数据的极化散射矢量的统计特性也受多
种因素的影响，如海况（风场、风速、风向、浪高）、图像分辨率、成像几何等。
特别是在复杂的海洋环境中，海洋杂波呈现较重的拖尾，而且起伏度较大，高斯
分布将不能完全描述 SAR 数据的统计特性。此时，海洋杂波的统计特性可由建模
能力更强的极化 K 分布或极化 G 0 来描述，相应的似然比检测器也将具有新的形式。
上述方法是对单个像素进行似然比检验判决的，实际上，还可以通过设置局
部检测窗口利用相邻像素间的空间信息。将局部检测窗口内相邻像素的极化散射
矢量进行级联，即可分别形成两个新的矢量：
(1)
(1)
(1)
(1)
Y1   S HH
, S HV
, SVH
, SVV
,
(5)
(5)
(5)
(5)

, S HH
, S HV
, SVH
, SVV
第 59 页
T
(3.33)
国防科学技术大学研究生院博士学位论文
(0)
(0)
(0)
(0)
Y1   S HH
, S HV
, SVH
, SVV
, YT 
3.2.1.3
T
(3.34)
极化滤波检测
相干斑噪声是 SAR 图像固有的特性，对图像中目标与杂波的信杂比有较大的
影响，从而影响了舰船目标检测的性能。极化滤波方法通过利用各通道数据间的
极化信息对图像中的相干斑噪声进行滤波，从而增大信杂比，提升检测性能。
SAR 图像中的相干斑一般用图像的标准差 s 与图像均值 m 的比值来表示，极
化白化滤波的思想是使该比值最小化，
var( y)
s

m
E ( y)
(3.35)
给定极化散射向量 x ，则可以通过一个加权矩阵 A 构造线性变换，使得变换后
的图像具有最小的 s m 值
y  x† Ax
(3.36)
其中， A 是 Hermite 矩阵。利用 Barnes 推导的结论，
3
E (y )  Tr  ΣA    i
(3.37)
i 1
3
var(y )  Tr  ΣA    i2
2
(3.38)
i 1
其中，   E  xx†  ， i 是矩阵 ΣA 的特征值。代入式（3.53）可得，
s

m
3
 i2
i 1
3

i 1
(3.39)
i
应用拉格朗日乘子法可以证明，当 1  2  3 时，上式可得最小值。
通过选取合适的特征值 i ，可使得 ΣA
I ，即 A 为 Σ 的逆矩阵，称 A 为一个
白化滤波器，上述过程称为极化白化滤波（PWF）[175]。经白化滤波后，最小噪声
图像为：
Y
X† Σ-1 X
(3.40)
根据极化协方差矩阵的表示方法，极化白化滤波的最终结果可表示为：
y

1


2 Re  S *HH SVV
S
2
 S HH 
 VV



2
 S
  HV


2
1   
E S
 ，同极化比   E S  ，同极化相关系数
其中，交叉极化比  
E S
E S


2
2
2
HV
VV
2
2
HH
HH
第 60 页
(3.41)
国防科学技术大学研究生院博士学位论文


*
E  S HH SVV

E S HH
2
E S 
。
2
HV
由式（3.58）和式（3.48）可知，最大似然比检验和极化白化滤波器从不同角
度得到了相同的表达形式，具有相近的检测性能。
除了极化白化滤波及其改进滤波器外，通过假设极化散射向量服从不同的统
计特性或寻求最优的极化方式，还可以采用其他滤波方法如 Notch 滤波[106]、广义
最优极化对比度增强（GOPCE）滤波[115]等。
3.2.2 极化目标分解检测方法
极化 SAR 散射矩阵综合反映了目标散射的能量特性、相位特性及极化特性。
其中，目标的极化特性与其形状结构有着本质的联系，反映了目标的表面粗糙度、
对称性和取向等信息。因此，我们需要充分挖掘和分析目标的极化散射特性。
目标分解理论[176]是分析目标极化特性的有力工具。通过极化目标分解，可以
将目标的极化散射矩阵或极化相干矩阵等分解为代表不同散射机理的分量，从而
揭示散射体的物理机理。根据目标散射特性的变化与否，极化目标分解方法大致
可以分为两类：一类是针对目标极化散射矩阵的分解，要求目标的散射特征是确
定或稳态的，散射回波是相干的，因此也称为相干目标分解（coherent target
decomposition，CTD）；另一类是针对极化相干矩阵、极化协方差矩阵、Muller
矩阵或 Stokes 矩阵的分解，此时允许目标的散射可以是时变的，回波是非相干或
部分相干的，也成为非相干目标分解。
由于舰船目标和海洋杂波的结构及其对雷达波的散射机理不同，因此可以通
过目标分解获取图像中不同像素点所对应的散射机理，进而判断其是来自舰船目
标或海洋，实现舰船目标检测。不同的目标分解方法提供了可用于舰船检测的不
同信息。Pauli 分解等提供了目标对雷达波的散射次数信息，单次散射常常与粗糙
的物体表面（如海洋表面）相联系，而双次（偶次）散射常常来源于人造目标的
角状物体（如建筑物与地面形成的夹角）或自然物体形成的角状物体（如树干与
地面形成的夹角）。Krogager 的目标分解方法将散射体等效为若干基本散射体（球
体、二面角、螺旋体，包含方向性）。Huynen 将散射体分解为更多的基本散射体。
Cameron 提出的目标分解方法能够识别十一种基本散射体，Touzi 等在进行 Cloude
分解之前首先对目标相干性判断，提出了一种基于 Cameron 分解的对称散射特征
方法（Symmetric Scattering Characterization Method，SSCM）[142]。Cloude 和 Pottier
通过对极化相干矩阵进行分解[176]，提取了极化熵和 alpha 角等参数，分别反映了
极化散射的随机性和散射体类型。Chen 等[102]对 Cloude 方法进行改进，提出了极
第 61 页
国防科学技术大学研究生院博士学位论文
化交叉熵对舰船目标进行检测。
表 3.1 Pauli 分解中各基本散射矩阵的物理解释
基本散射矩阵
散射类型
物理解释
0
1 
奇次散射
面，球，角反射器
1 0 
0 1


偶次散射
二面角
 4 偶次散射
倾斜  4 的二面角
交叉极化
不存在相应的散射机制
1
0

0
1

1
0
0 i 
i 0 


3.2.2.1
Pauli 分解
相干矩阵分解将极化散射矩阵分解为若干个基本散射矩阵之和，而这些基本
散射矩阵可以与某种确定的散射机理联系起来。Pauli 分解选择 Pauli 基作为基本散
射矩阵，重新将式（3.22）的 Pauli 基写成基本散射矩阵形式如下：
1 0 
Sa  2 

0 0 
(3.42)
1 0 
Sb  2 

0 1
(3.43)
0 1 
Sc  2 

1 0 
(3.44)
0 i 
Sd  2 

i 0 
(3.45)
极化散射矩阵表示为基本散射矩阵之和：
S
S   HH
 SVH
SHV 
  S a   Sb   S c   S d
SVV 
(3.46)
其中  ,  ,  ,  都是复数，表示各基本散射矩阵分量的大小，与式（3.24）类似，可
以写成向量 K 的形式，
K
1
T
 SHH  SVV , SHH  SVV , SHV  SVH , i(SHV  SVH )
2
(3.47)
当介质满足互易性条件时，
K
1
T
 SHH  SVV , SHH  SVV , SHV  SVH 
2
第 62 页
(3.48)
国防科学技术大学研究生院博士学位论文
Pauli 分解各基本散射矩阵的物理解释如表 3.1 所示。
3.2.2.2 Cameron 分解
1996 年，Cameron[177]根据雷达目标的对称性和互易性，提出了一种新的相干
目标分解方法。其基本思想是，首先将极化散射矩阵分为互易性和非互易性部分，
然后提取互易性部分中的最大对称分量，并将对称分量对称化，从而根据散射体
的形状将散射体分为十一类。
将 Pauli 矩阵分解的式（3.64）写成向量形式，
S   S a   Sb   S c   S d
(3.49)
在单基 SAR 系统中，接收天线和发射天线被固定在同一位置，在这种情况下
满足天线互易假设，即散射矩阵的对角元素相等。但由于传播效应、物体材料（与
电磁场的作用非线性或绝缘体）、后向散射强度等因素的影响，互易原理并不能
完全得到满足。假设满足互易原理的散射矩阵位于子空间 Wrec  C 4 ，C 4 表示四维
复空间，定义互易子空间下的投影算子为 Prec ，
2

1 0
Prec 
2 0

0
0
1
1
0
0
1
1
0
0
0 
0

2
(3.50)
则任意散射矩阵都可以分解为复数域内正交的两部分： S rec 和 S  ，其中


Srec  Wrec ， S   Wrec
（ Wrec
是 C4 中与 Wrec 正交的子空间）。因此，散射矩阵的
分解可以表示为：


S rec  PrecS

S    I  Prec  S 
S  S rec  S 
(3.51)
其中 I 是 C4 空间的单位矩阵。散射矩阵服从互易原理的程度可以用散射矩阵和互
易子空间之间的夹角  rec 表示
rec  cos1 PrecS , 0  rec   2
(3.52)
当 rec  0 时，散射矩阵为严格遵守互易原理的散射体，当 rec   2 时，散射矩阵
位于互易空间的正交空间，不符合互易原理。
目标的对称性是指目标在与雷达视线（Line of Sight，LOS）垂直的平面内具
有对称轴。当满足对称性时，目标的散射矩阵可以通过严格的旋转变换生成对角
阵。对称散射体的散射矩阵不能构成一个子空间，因此只能将互易散射矩阵进一
max
min
步分解为最大对称分量 Ssym
和最小对称分量 S sym
。由于目标散射矩阵满足互易性原
第 63 页
国防科学技术大学研究生院博士学位论文
理，因此有
S   S a   Sb   S c
(3.53)
当 S  Wsym 时，存在一个旋转角 使得散射矩阵在 S c 方向上的投影为 0，即
 sin(2 )   cos(2 ) 0，相应对称散射体的散射矩阵 S sym 可以分解为
Ssym   Sa   cos  Sb  sin   Sc 
(3.54)
最大对称散射部分 S max
sym 可以由下式获得
Smax
sym  DSrec
(3.55)
其中 DSrec   Srec , Sa  Sa   Srec , S ' S ' ， S'  cos   Sb  sin   Sc 。
当满足    时，能够从 S rec 中提取的最大对称分量为
Smax
sym   Sa   Sb
(3.56)
其中    cos    sin  。
S rec 的对称度可以由角度  来描述
  cos 1
 S rec , DSrec 
S rec  DS rec
, 0  

4
(3.57)
当   0 时， S rec 对应于对称散射体；随着  的增大， S rec 的散射特性越来越不
对称；当    4 时， S rec 对应的散射体表示为左旋或右旋螺旋体。
如前所述，任一对称散射体都可以通过一个旋转角变换为对角矩阵，即可表
示为
ˆ  z  , a  IR  ,  ,    ,  
S sym  aei R   
(3.58)
其中 IR  表示正实数， a 是散射矩阵的幅度，  是剩余相位， 是散射方位角，其
ˆ  z 为
与旋转角的关系为   d ，归一化向量 
1 
0
1
ˆ
 
 z 
2 0
1 z
 
z
(3.59)
则上式中的复参量 z 可以用来表示不同的对称散射体。用 z 表示的基本散射体类型
如表 3.2 所示。
目标散射特性与基本散射体之间的相似度可以由对称散射矩阵距离来描述
d  z, zref  
1  z * zref
1 z
2
第 64 页
1  zref
2
(3.60)
国防科学技术大学研究生院博士学位论文
表 3.2 基本散射体的 z 值
z
散射体名称
三面角
圆柱体
1
（trihedral）
二面角
1/4 波
窄二面角
-1/2
（narrow dihedral）
i
（quarter wave device）
1/2
（cylinder）
-1
（dihedral）
z
散射体名称
偶极子（dipole）
0
从而，可以根据最短距离 d  z , zref  对散射体 z 进行分类。图 3.2 给出了基于
Cameron 分解的散射体分类方案[177]，分别将目标划分为二面角、窄二面角、偶极
子、圆柱体、三面角、1/4 波以及左右螺旋体和不对称体。
1
1/4波
0.8
0.6
0.4
0.2
二面角
窄二面角
偶极子
圆柱体
三面角
0
-0.2
-0.4
-0.6
-0.8
1/4波
-1
-1
-0.8
-0.6
-0.4
-0.2
0
0.2
0.4
0.6
0.8
1
图 3.2 Cameron 分解的散射体分类方案[177]
3.2.2.3 Cloude 分解
如前所述，散射矩阵只能描述相干或纯散射体（coherence or pure scatterers），
而不能描述分布散射体（distributed scatterer）。为了描述分布散射体以及消除斑点
噪声的影响，一般采用二阶极化描述子即协方差矩阵或相干矩阵来对其进行分析。
然而，直接通过分析协方差矩阵或相干矩阵来研究特定散射体的物理特性是较为
困难的。非相干目标分解理论的目的就是将协方差矩阵或相干矩阵分解为若干简
单的二阶描述子的组合，并给出相对较为容易的物理解释。
Cloude 分解[176]是一种基于相干矩阵特征矢量分析的目标分解理论，它能够包
含所有的散射机理，并且在不同极化基的条件下保持特征值不变。由于相干矩阵 T
是半正定的哈密特矩阵，因此可以对其进行特征值分解，即
第 65 页
国防科学技术大学研究生院博士学位论文
T  UΛU†   i  ei  ei† 
3
(3.61)
i 1
其中 † 表示复共轭转置；对角矩阵 Λ 包含相干矩阵的三个实特征值，
1  2  3 0 ；对角化矩阵 U 由相干矩阵 T 的特征向量 e i 组成，
U  e1 , e2 , e3 
ei  eii cos  i
sin  i cos i eii
(3.62)
sin  i sin i ei i 
T
(3.63)
其中 T 表示转置。
特征向量中的角度  与散射机理之间具有相关性，不同的  值对应着从奇次
散射（或表面散射，  0 ）到偶极子散射（或体散射，  45 ）到偶次散射（或
二面角散射，   90 ）的变化。
90
Z1: 高熵环境下的二次散射
80
70
Z6
Z2: 高熵环境下的多次散射
（如森林冠层）
Z3
60
Z1
Z3: 中熵环境下的多次散射
50

Z2
Z7
Z4: 中熵下的制备散射
（偶极子散射）
Z4
40
Z5: 中熵下的面散射
30
Z5
Z6: 低熵下的多次散射
（偶次或奇次散射）
Z8
20
Z7: 低熵下的偶极子散射
10
Z9
0
0.1
0.2
0.3
0.4
0.5
H
0.6
0.7
0.8
0.9
1
Z8: 低熵下的面散射
（如Bragg散射）
平面内散射机理示意图[176]
图 3.3 Cloude 分解 H
由相干矩阵的 Cloude 分解可以定义极化熵，用以表示目标散射随机性，
3
H  - Pi log 3 Pi
(3.64)
i 1
其中
Pi 
i


i 1 i
3
(3.65)
极化熵（ 0  H  1 ）表示散射媒质从各向同性散射（ H  0 ）到完全随机散射
（ H  1 ）的随机性。如果 H 较低，则表明最大特征值所占的比重较大，可以忽略
其他特征值，目标对雷达波的去极化效应较弱；如果 H 较高，则表明散射区域中
第 66 页
国防科学技术大学研究生院博士学位论文
不只包含一种散射机制，目标的去极化效应较强。 H  1 时，表明目标散射是一个
完全随机噪声过程。
类似地，定义极化平均散射角和平均方位角
  P11  P2 2  P33
(3.66)
  P11  P2  2  P3 3
(3.67)
H 和  共同刻画了媒质的散射特征，二值组成的特征空间可以划分为八个有
效区域，每个区域对应着某种类型的散射机制，如图 3.3 所示[176]。
此外，在低熵或中等熵情况下，极化熵不能提供较小的两个特征值 2 和 3 之
间的关系。因此，可以进一步定义反熵 A ，
A
2  3
2  3
(3.68)
3.2.3 极化 SAR 图像舰船检测能力分析
极化 SAR 通过采用具有不同极化性质的收发天线获取具有不同极化方式的多
通道数据。极化 SAR 数据包含了目标的极化散射特性，通过对极化 SAR 数据进行
处理和分析能够有效区分具有不同散射机理的目标。极化 SAR 舰船目标检测正是
基于舰船目标和海洋杂波的极化散射特性差异而进行舰船检测的。目前，已有多
个机载极化 SAR 系统及 ENVISAT ASAR、ALOS PALSAR、TerraSAR-X、Radarsat-2
等星载 SAR 系统能够获取双极化或全极化数据。
表 3.3 地面真实船只目标成像参数
成像日期
船只
长度（m）
入射角（°）
风速（节）
浪高
HMCS Ville de Québec
135
37
20
4
航道/航次
2000 年 3 月 28 日，3/1
2000 年 3 月 28 日，3/1
M/V Anne S. Pierce
35
29
20
4
2000 年 3 月 30 日，5/7
HMCS Ville de Québec
135
57
35
3-4
2003 年 10 月 7 日，1/1
CFAV Quest
76
42
平静
平静
注：1 节=1.852 km/h≈0.514 m/s
加拿大 DRDC 和 CCRS 分别于 2000 年 3 月在 Crusade 地区和 2003 年 10 月在
渥太华 Quest 地区进行了 EC CV-580 的机载极化 SAR 飞行实验，获取了不同条件
下的极化数据，其中包括大量海洋杂波和地面真实验证（ground-truth）船只目标，
船只目标获取参数如表 3.3 所示[71]。Liu 等基于似然比检测算法对不同极化组合数
据进行了舰船目标检测性能评估，M.Yeremy 等[119]基于极化目标分解的方法研究
了组成舰船目标的基本结构体的检测性能，并分析了不同极化通道内的信杂比。
这些基于机载极化 SAR 同步飞行实验数据对舰船目标检测性能的系统性分析和研
究，揭示了极化 SAR 数据相比单极化数据的优势，而且分析了不同极化方式、方
第 67 页
国防科学技术大学研究生院博士学位论文
位角等因素对舰船检测性能的影响，并建议了新的极化参数用于舰船目标检测。
一方面，极化信息的引入将改善 SAR 图像舰船目标检测性能。直观地，极化
SAR 数据包含两个（双极化）或四个（全极化）通道数据，并且具有相位信息，
相比单极化幅度数据其包含的舰船和海洋杂波的信息显著增加。实际上，极化 SAR
数据能够反映不同目标的极化散射特性，而目标的极化散射特性是与目标的材料、
结构等本质属性密切相关的，因此舰船目标和海洋杂波在极化数据中能够得到有
效区分。图 3.4 给出了利用包含有幅度和相位的全极化数据、只有幅度（用 A 表
示）的全极化数据、双极化组合（包含幅度和相位或只有幅度）数据、单极化数
据等对表 3.3 中入射角 inc  37 的 HMCS Ville de Québec 船只进行检测的 ROC 曲
线（横坐标为虚警率，纵坐标为漏检率）。从图中可以看出，全极化数据的检测
性能最好，双极化数据次之，单极化数据最差。对于双极化数据，HH-VV 组合数
据的检测性能最好（甚至优于只有幅度的全极化数据，这也反映了相位信息的重
要性）；对于单极化数据， inc  37 时 HV 和 VH 通道的检测性能优于 HH 或 VV
通道数据的检测性能。
图 3.4 不同极化数据中的舰船目标检测 ROC 曲线[71]
另一方面，不同极化通道或极化组合数据的检测性能也不相同，而且受雷达
第 68 页
国防科学技术大学研究生院博士学位论文
波入射角的影响。针对不同入射角下获取的极化数据舰船目标检测的结果表明，
全极化数据在入射角更高时（ inc  57 ）检测性能更好。对于单通道数据来讲，由
于海洋杂波所对应的 Bragg 散射在 VV 极化条件下后向散射更强，因此 VV 极化数
据中的舰船检测性能较差，交叉极化（HV 或 VH）在雷达波入射角较小时检测性
能较好，HH 极化在雷达波入射角较大时检测性能更好。基于大量 HH 和 HV 极化
数据中舰船目标与海洋杂波的信杂比研究得到的更为一般性的结论是[119]，在雷达
波入射角小于 45°时，HV 极化数据中信杂比更高，而入射角大于 45°时，HH 极化
数据中信杂比更高，如图 3.5 所示。除了垂直和水平线极化基下的极化通道数据具
有一定的舰船-海洋对比度外，圆极化基和斜 45°线极化基下的极化通道数据也适
用于舰船目标检测。
40
HH
HV
VV
Entropy
35
SNR （dB）
30
25
20
15
10
5
0
40
45
50
55
60
65
70
入射角  (°)
图 3.5 不同极化数据空间内舰船与海洋杂波信杂比随入射角的变化[119]
此外，舰船目标和海洋杂波在其他极化参数空间也具有一定的对比度。针对
入射角为 37°下全极化数据分析结果表明，海洋杂波的 HV 和 VH、HH 和 VV 通道
的相关系数更高，而其他组合的相关性较小，舰船目标的所有极化组合相关性都
较高；HH 和 VV 通道数据的相位差反映了单次散射（single-bounce）和双次散射
（double-bounce）等不同的散射机理，海洋杂波和舰船目标所对应的该相位差具
有明显的差别（海洋杂波为-38 度，舰船目标位 126 度）；海洋杂波和舰船目标的
协方差矩阵也有一定区别，在入射角为 37 度条件下，海洋杂波和舰船目标的交叉
极化通道数据（协方差）都小于同极化通道数据，但二者数量级不同，海洋杂波
第 69 页
国防科学技术大学研究生院博士学位论文
更小；极化分解参数更为直接地反映了散射体的基本类型，如圆柱体、二面角、
窄二面、1/4 波导和偶极子等，对舰船目标和海洋杂波的区分性更强，如图 3.7 中
的极化熵。
需要指出的是，上述结论都是基于机载 SAR 数据得出的，而且由于数据样本
的限制，有些并不能作为一般性的结论。但这些结论对星载极化 SAR 数据也具有
一定的适用性和指导性，随着星载极化 SAR 数据的获取，研究、分析和验证星载
极化 SAR 数据舰船目标性能有待继续开展。
3.3 基于特征选择加权和 SVM 的极化 SAR 舰船目标检测
在单通道 SAR 图像中，舰船目标检测所面临的一个主要挑战就是虚警问题。
这些虚警主要来源于岛礁、陆地、人造设施、海浪、方位向模糊、旁瓣模糊等[122, 123,
178]
，它们在后向散射强度方面与舰船目标具有类似的表现，仅仅利用单通道 SAR
数据难以将这些虚警与舰船目标进行区分。极化 SAR 数据包含了目标后向散射更
为丰富的信息，不仅描述了其后向散射能量，还反映了目标的结构、表面粗糙度
等散射机理信息，利用极化 SAR 数据能够显著改善舰船目标检测性能。
虽然从极化 SAR 数据提取的每个极化参数都对舰船目标与其背景具有一定的
区分能力，但要实现更好的检测性能，必须综合使用多个极化参数。这主要是由
下述两方面的原因决定的。一方面，在不同的极化 SAR 参数空间，不同类型的虚
警具有不尽相同的表现。有些虚警在某个参数空间中容易被区分，但另外的虚警
在该参数空间区分度较低而在其他参数空间更易区分。因此，从减少虚警的角度
有必要综合利用多个极化参数对舰船目标进行检测。另一方面，随着分辨率的提
高，舰船目标在 SAR 图像中占有多个像素，并且由于舰船各个部位结构的不同，
其相应的散射机理也不相同，目标区域有较大的起伏。同一舰船目标的某一部位
在某个参数空间中较为突出，而另外的部位有可能在该参数空间较为微弱，仅仅
利用一个极化参数不能实现对舰船目标的完全检测。因此，从提高舰船目标检测
率的角度也应该联合使用多个极化参数。
本节从联合利用多个极化参数进行舰船检测的角度出发，构造了极化特征向
量，并对极化参数向量进行特征选择，根据每个极化参数的重要性对其加权，最
后输入支持向量机（Support Vector Machine，SVM）实现了极化 SAR 舰船目标检
测。
3.3.1 极化加权特征向量的构造
如前所述，随着图像分辨率的提高、海面粗糙度的提升以及岛礁、陆地、人
工设施等虚警的影响，利用单个极化参数如极化熵对舰船目标检测的性能已不能
第 70 页
国防科学技术大学研究生院博士学位论文
满足要求。因此，需要构造包含有多个极化参数的特征向量对舰船目标及其背景
环境进行区分。
在极化 SAR 地物分类等应用中，极化协方差矩阵的各个元素是常用的极化参
数，即
C
11

, C22 , C33 , C12 , C13 , C23 , 12 , 13 , 23 
(3.69)

其中 Cij | i, j  1, 2,3 代表协方差矩阵元素 Cij 的幅值，ij 代表 Cij 的相位。此外，极
化熵 H 、极化平均散射角  、相干矩阵的各个特征值 i | i  1, 2,3 以及极化功率
SPAN 等极化参数也揭示了舰船目标及其背景环境的散射机理。因此，本文构造了
由以上极化参数组成的极化特征矢量 f orig ，如下式所示，
forig   H ,  , 3 , 2 , 1 , SPAN , C11 , C22 , C33 , C12 , C13 , C23 , 12 , 13 , 23 
(3.70)
在上述构造的特征向量中，每个元素都从不同角度反映了舰船目标与其周围
环境的不同散射机制。但是，由于各个元素之间并不是独立的，极化协方差矩阵
各个元素间具有一定的相关性，极化分解参数与极化协方差矩阵各个元素也密切
相关。各元素间的相关性使得上述构造的特征向量具有一定的冗余，因此在将特
征向量输入支持向量机分类器之前还需对特征向量各个元素进行特征选择并评估
每个元素的重要性。经典的特征选择方法包括主成分分析（Principle Component
Analysis，PCA）、独立成分分析（Independent Componment Analysis，ICA）、流
形学习以及 RELIEF-F[179]等方法。其中，RELIEF-F 方法不仅能够对各个特征进行
选择，而且输出结果中包含有对各个特征重要性的评估。因此，本文采用 RELIEF-F
方法对构造的极化特征向量进行特征选择。
RELIEF-F 特征选择方法的核心思想是根据每类相邻样本间各个特征的区分度
来评估该特征的置信度。表 3.4 给出了 RELIEF 算法的核心步骤。其中 P  C  为每
类样本的先验概率，可以设各类样本的先验概率相等；M  C  表示不同类别中的邻
域样本集合。距离度量 diff  Ai , x1i , x2i  定义为：
 x1i  x2i ,
if Ai is numerical

diff  Ai , x1i , x2i    0,
if Ai is not numerical and x1i  x2i
 1,
if Ai is not numerical and x1i  x2i

RELIEF-F 算法的输出为各个特征的权值向量 w   w1 , w2 ,
, wn  ，通过设置一
个权值阈值 Tr 对特征向量进行优选，则可得到新的特征向量 fnew   f1 , f 2 ,
权值向量 wnew   w1 , w2 ,
, wk  ， k 为经特征选择后保留下来的特征个数。
第 71 页
(3.71)
, fk  和
国防科学技术大学研究生院博士学位论文
表 3.4 RELIEF-F 特征选择算法
(1) 设置所有特征的权重为 0；
(2) j 从 1 开始循环到 m ， m 为选取的样本点个数；
(a) 在总的样本集上选取一个样本 X j
(b) 寻找与 X j 同类的最近邻 H 和不同类最近邻集合 M (C )
(c) 对于所有的特征 Ai  i  1, 2,
, n  ，分别计算并更新权重 W j  Ai  ：
W j 1  Ai   W j  Ai   diff  Ai , X j , H  / m 

C  class ( X j )
 P(C )  diff  Ai , X j , M (C )  / m


(3) 循环结束；
(4) 根据权值对特征进行排序，选取权值最大的若干特征。
经过 RELIEF-F 算法进行特征选择后，新的权值向量反映了不同特征的重要
性，因此，还可以继续根据该权值向量对新的特征向量进行加权，构造加权的特
征向量，
fopt _ w   w1 f1 , w2 f 2 ,
, wk f k 
(3.72)
3.3.2 支持向量机
支持向量机[180]是一种应用十分广泛的机器学习方法，能够实现分类和回归等
功能。SVM 具有与人工神经网络类似的结构，但它采用结构风险最小化代替经验
最小化原则，从而获得更好的泛化能力，并在小样本条件下具有最优的性能。
SVM 从线性可分的两类分类问题发展而来，其基本思想是寻找待分类样本的
最优分类面，得到两类样本的最大分类间隔。二维线性可分情况下的最优分类界
面和支持向量如图 3.6 所示。图 3.6 中，圆点和方点分别代表两类样本， H 为分类
线，H1 和 H 2 为各类中离分类线最近的样本组成的平行于 H 的直线，分类间隔即为
它们之间的距离。能够将两类正确分开并使得分类间隔最大的分类线称为最优分
类线。
设训练样本集表示为  xi , yi  ，其中  xi | i  1, 2,
, l 为样本值， yi 1, 1 表示
类别标签。令可将两类样本完全分开的超平面为
wx  b  0
(3.73)
其中 w 为超平面的法向量，b w 表示从超平面到原点沿法向量 w 的位移。离分类
线最近的样本组成的平行于 H 的直线 H1 和 H 2 分别表示为，
wxi  b  1 for xi of the first class
(3.74)
wxi  b  -1 for xi of the second class
(3.75)
第 72 页
国防科学技术大学研究生院博士学位论文
为了寻找使分类间隔最大的最优分类面，需要求解二次规划问题，
min w / 2 s.t. yi  wxi  b   1  0
2
(3.76)
当训练样本集非线性可分时，需引入非负松弛变量  i ，求解最优分类面问题
转化为，
l
min w / 2  C   i
2
(3.77)
i 1
yi  wxi  b   1   i
s.t.
其中， C 代表对错误分类的惩罚，成为惩罚参数。利用 Lagrange 乘子法求解上述
优化问题，则可得最优决策函数，
 l

f  x   sgn  yii  x  xi   b 
 i 1

(3.78)
其中  为 Lagrange 系数。对输入的测试样本 x 进行测试时，由上式确定 x 所述的
类别。K-T 条件要求上述优化问题的解必须满足：
i  yi  wx  b  1  0
(3.79)
对于多数样本，  i 将取为 0，而取值不为 0 的  i 所对应的样本即为支撑向量，
通常它们只是全体样本中的很少一部分。
平
面
间
隔
超平面
支持向量
超
1
w
超平面
w
b
w
支持向量
H : wT x  b  1
2
H : wT x  b  1
1
H : d ( x)  wT x  b  0
图 3.6 二元线性可分情况下最优分类界面及支持向量示意图
当样本集非线性时，可通过把样本 x 映射到某个高维空间，并在高维空间中使
用线性分类器。根据 Mercer 条件，采用不同核函数 K  xi , x j  即可实现非线性样本
的线性分类， K  xi , x j  为内积函数，此时式（3.96）的最优决策函数变为，
第 73 页
国防科学技术大学研究生院博士学位论文
 l

f  x   sgn  yii K  x, xi   b 
 i 1

(3.80)
3.3.3 算法方案
本文利用极化 SAR 数据分析舰船目标及其背景不同的散射机理，构造加权极
化特征向量并输入 SVM 分类器实现舰船目标检测。由于 SVM 分类器是有监督的，
因此整个检测过程也包括训练和测试两部分，如图 3.7 所示。
基于特征选择和加权SVM的检测方法
测试像素
相干矩阵分解
构造特征向量
分类
否
是否完成
是
极化图像
加权特征向量
训练像素
相干矩阵分解
SVM分类器参数
特征选择
训练
检测结果
图 3.7 基于特征选择加权和 SVM 的极化 SAR 舰船目标检测算法流程
具体地，算法首先根据相干矩阵分解提取每个像素相干矩阵的特征值，在训
练阶段，分别选取舰船目标、海洋杂波、模糊噪声（如果存在的话）的训练样本，
通过 RELIEF-F 特征选择获得每个特征的权值，然后输入 SVM 分类器训练分类器
的参数；在测试阶段，根据训练结果对每个测试像素的特征向量进行选择和加权，
然后输入训练好的 SVM 分类器，进而判定该测试像素是否属于舰船目标类别。
与非监督的分类算法相比，尽管有监督分类需要一定的先验知识和训练样本，
但其分类精度更高。特别是对于本文所研究的极化 SAR 舰船目标检测问题，舰船
和海洋杂波等训练样本易于获取，预期会获得更好的检测性能。
3.4 实验结果与分析
为了验证本文算法的有效性，本节基于 NASA/JPL AIRSAR 机载极化 SAR 数
据和 Radarsat-2 星载极化 SAR 数据进行了丰富的实验验证和深入的分析。首先，
对实验数据和实验条件进行介绍；其次，利用一幅模板数据分析了 RELIEF-F 和特
征选择算法中的参数选择及其对检测性能的影响；然后对比分析了本文算法和
HH-CFAR、SPAN-CFAR、SVM 等不同检测算法的性能；最后，基于 Radarsat-2
全极化数据验证了算法的鲁棒性。
第 74 页
国防科学技术大学研究生院博士学位论文
3.4.1 实验数据
NASA/JPL AIRSAR 是全球第一个提供多波段、全极化数据的机载极化 SAR
系统。AIRSAR 工作在 C、L、P 波段，在每个波段都可以通过调控发射和接收的
雷达电磁波的极化方式，从而获得全极化数据。本文选取两部分 AIRSAR 数据对
算法性能进行验证和评估。Radarsat-2 是加拿大于 2007 年发射的 C 波段星载 SAR
系统，具有高分辨、多模式和全极化数据获取能力。本文选取一部分 Radarsat-2
全极化数据对算法的鲁棒性进行验证。
图 3.8 东京湾地区 AIRSAR 成像区域地理位置示意图
（a）C 波段 Pauli 合成图
（b）L 波段 Pauli 合成图
（c）人工判读模板图
图 3.9 东京湾实验区域图像
第一部分 AIRSAR 数据位于日本东京湾区域，获取时间是 2000 年 10 月 2 日，
距离向和方位向名义分辨率分别为 5.5 米和 13.5 米，图像视数分别为 9 和 1。图
3.8 给出了东京湾地区极化 SAR 数据的成像地理位置，如图中较大的红色方框所
示，图中较小的红色方框表示本文算法分析的实验区域。图 3.9 给出了该实验区域
的 C 波段 Pauli 合成图、L 波段 Pauli 合成图和人工判读的结果图。由于很难获取
地面真实验证数据，图像中舰船目标个数、大小和海况等条件无从得知，因此本
第 75 页
国防科学技术大学研究生院博士学位论文
文采用人工判读的方式获取上述信息。对比 C 波段和 L 波段数据可知，图像中包
含有 9 各真实舰船目标和 1 个方位向模糊虚警，如图 3.9(a)所示；同时，为了对检
测性能进行评估，图 3.9(c)给出了人工判读的模板图像。此外，C 波段图像中还包
含有方位向模糊和旁瓣模糊，如图 3.10 所示。
（a）方位向模糊
（b）目标 5 的旁瓣模糊
图 3.10 两种典型的模糊虚警
第二部分 AIRSAR 数据为我国台湾高雄港区域 L 波段 SAR 图像，成像日期为
2000 年 9 月 27 日，距离向和方位向分辨率为 2.8 米和 5.0 米，图像视数为 1 和 5。
经人工判读，实验区域图像中包含 29 个舰船目标。相比于 C 波段数据，L 波段数
据中模糊虚警相对不易出现。图 3.11 给出了相应的实验图像。
(b)SPAN 功率图
(a)实验区域
图 3.11 高雄港区域实验图像
本 文 还 利 用 Radarsat-2 数 据 对 算 法 的 鲁 棒 性 进 行 了 验 证 。 本 文 选 取 的
Radarsat-2 全极化精细模式单视复数据位于直布罗陀海峡区域，成像时间为 2008
年 3 月 31 日，入射角为 20.86°~22.82°，方位向和距离向分辨率均为 8 米。经人工
判读，实验区域图像中包含有 6 个目标。图 3.20(a)给出了实验区域的 Pauli 合成图
像，由于直布罗陀海峡航行交通较为繁忙，舰船目标的尺寸大小不一，给舰船目
标的检测带来一定困难。
3.4.2 算法参数对检测性能的影响
第 76 页
国防科学技术大学研究生院博士学位论文
在本文算法构造的极化特征向量中，每个极化特征分别具有不同的舰船目标
区分能力。RELIEF-F 算法根据每个极化特征对不同类别样本的区分能力估计其重
要性，图 3.12 给出了 RELIEF-F 算法对东京湾和高雄港区域数据的极化特征置信
度的估计结果。由图可以看出，极化参数 H 、  、 i  i  1, 2,3 和 SPAN 具有较高
的置信度，而其他特征所对应的置信度较小，甚至可以忽略不计。因此，有必要
进一步对该特征向量进行精选，以达到更好的分类性能。
（a）东京湾区域
（b）高雄港区域
图 3.12 RELIEF-F 算法对各个特征的置信度估计结果
表 3.5 不同置信度阈值所对应的特征集
0
0.025
0.05
0.06
0.065
0.08
H






0.095
0.125






3








2








1







Span




C11

C12

C13

C21

C22

C23

C31



C32



C33


0.135


表 3.5 给出了采用不同的筛选阈值 Tr 时特征向量的选择结果。随着筛选阈值
的变化，共得到九组不同的特征向量。与其他特征相比，极化熵和特征值在这九
第 77 页
国防科学技术大学研究生院博士学位论文
组特征向量中更为稳定，这也说明了它们对本文实验的重要性。
0.86
0.84
C=1
C=100
C =1000
C = 10000
C = 100000
0.82
检测率
0.8
0.78
0.76
0.74
0.72
0.7
0.68
0
0.02
0.04
0.06
0.08
置信度阈值
0.1
0.12
0.14
(a)不同惩罚因子下检测率随置信度阈值的变化
18
C=1
C=100
C =1000
C = 10000
C = 100000
16
14
虚警率
12
10
8
6
4
2
0
0
0.02
0.04
0.06
0.08
置信度阈值
0.1
0.12
0.14
(b)不同惩罚因子下虚警率随置信度阈值的变化
16
C=1
C=100
C =1000
C = 10000
C = 100000
14
耗 时 (s)
12
10
8
6
4
2
0
0.02
0.04
0.06
0.08
置信度阈值
0.1
0.12
0.14
(c)不同惩罚因子下计算耗时随置信度阈值的变化
图 3.13 算法参数对检测性能的影响
随着置信度阈值的变化，筛选得到的特征向量维数也发生变化。由 SVM 算法
的性质可知，较高的特征向量维数将需要更多的训练样本才能达到较好的分类性
第 78 页
国防科学技术大学研究生院博士学位论文
能，即会遇到维数灾难问题[181]。SVM 的灾难维数问题可以通过核函数来解决，而
且由于本文的极化特征向量维数本身较低，因此本文还采用选取充足的训练样本
的方法来解决上述问题。本文 RbfSVM 的径向基半径设置为经验值   4 ，采用
LIBSVM 算法库[182]进行实验。对于不同的特征向量，本文选取一个固定的训练集，
即分别对舰船、海杂波、模糊虚警选取 130 个像素进行训练。除了训练集大小外，
惩罚因子 C 也会影响 SVM 的性能，因此本文也分析了惩罚因子 C 对检测性能的影
响。
基于图 3.9(c)所示的模板图像，分别在不同的参数条件下对东京湾实验区域的
极化 SAR 数据进行舰船目标检测，结果如图 3.13 所示。由图可以看出，检测性能
受置信度阈值的影响较大，而算法耗时则在一定区间的随惩罚因子范围内较为稳
定。总体上来讲，当 C  100 以及特征向量为 fopt   H , 1 , 2 , 3  时，算法达到最大
的检测率和最小的虚警率。
3.4.3 不同算法对实测数据检测性能对比
本文对实测 AIRSAR 全极化数据分别采用 HH-CFAR、SPAN-CFAR、SVM 和
本文方法（FSWSVM）进行舰船目标检测，并对比了各个算法的性能。
(a)HH-CFAR
(b)SPAN-CFAR
(c)SVM
(d)FSWSVM
图 3.14 不同算法对东京湾区域数据舰船检测结果
对于东京湾区域数据，根据图像分辨率和待检测舰船目标的尺寸，将 CFAR
检测方法的三层滑动窗口的大小分别设为 21 21、 15 15 、 1 1 。虚警率设为
Pfa  0.001，置信度阈值和惩罚因子分别设为 Tr  0.08 、 C  100 ，从而选取的特
征向量为 fopt   H , 1 , 2 , 3  。图 3.14 给出了不同算法对东京湾区域的舰船检测初
第 79 页
国防科学技术大学研究生院博士学位论文
始结果。
对于高雄港数据，CFAR 检测方法的三层滑动窗口的大小分别设为 41 41 、
35  35 、 1 1 ，其他参数同上，从而选取的特征向量为 fopt   H , 1 , 2 , 3 , SPAN  。
图 3.15 给出了不同算法对高雄港区域的舰船检测初始结果。
分别从图 3.14 和图 3.15 可知，本文算法能够达到最好的检测性能。特别是对
C 波段东京湾数据来讲，尽管不同算法都检测到了所有舰船目标，本文算法的检测
结果中没有虚警目标；对于 L 波段高雄港数据，由于数据中本来就没有模糊虚警，
因此所有的算法检测性能较为接近，即都检测出了全部 29 个舰船目标且没有虚警。
表 3.6 给出了不同算法对东京湾和高雄港实验区域舰船检测的统计结果。
(a)HH-CFAR
(b)SPAN-CFAR
(c)SVM
(d)FSWSVM
图 3.15 不同算法对高雄港区域数据舰船检测结果
通过分析图 3.14、图 3.15 和表 3.6，可以得到如下的结论：
（1） 由于利用了极化信息，SPAN-CFAR 方法结果中的孤立虚警像素比
HH-CFAR 少，说明了极化信息能够改善 SAR 图像舰船目标检测性能；
（2） SVM 方法和本文提出的 FSWSVM 方法都消除了方位向模糊和其他干
扰所造成的虚警，从而说明了利用多个极化参数和分类器的有效性；
（3） 与 SVM 方法相比，FSWSVM 方法结果中的孤立虚警像素更少，这主
要是因为本文算法对极化特征向量进行了优选，采用了最优的极化特
征向量；
（4） 本实验采用未优化的 Matlab 代码，实验环境配置为奔腾双核 2.5GHz
CPU、2 GB RAM，四种不同方法对东京湾区域的数据计算耗时分别
为 117.43s、117.42s、5.49s、6.64s。由此可见，本文算法的计算效率
第 80 页
国防科学技术大学研究生院博士学位论文
与 SVM 算法相当，适用于大范围的海洋监视应用。
(a)HH-CFAR
(b)SPAN-CFAR
(c)SVM
(d)FSWSVM
图 3.16 不同算法对目标结构保持能力对比
表 3.6 不同算法对东京湾和高雄港区域数据的统计检测结果
算法
HH-CFAR
Span-CFAR
SVM
FSWSVM
数据
检测到的目标个数
虚警个数
运算耗时 (s)
东京湾
9
9
117.43
高雄港
29
0
29.35
东京湾
9
3
117.42
高雄港
29
0
29.38
东京湾
9
0
5.49
高雄港
29
0
1.04
东京湾
9
0
6.64
高雄港
29
0
0.61
检测率
FoM
100%
0.81
100%
0.93
100%
1
100%
1
250
模板
H-CFAR
Span-CFAR
SVM
FSWSVM
像素个数
200
150
100
50
0
1
2
3
4
5
目标序号
6
7
8
9
图 3.17 不同算法对东京湾区域数据中每个目标检测到的像素个数
除了上述结果外，我们进一步分析算法对舰船目标结构的保持能力。随着图
像分辨率的提高，舰船目标在 SAR 图像中往往占有数十甚至上百个像素，且由于
舰船各部位结构的后向散射强度不同，SAR 图像的舰船区域会出现强度起伏。由
于本文算法采用了多个极化特征，不仅仅依赖于舰船的后向散射强度信息，而且
更多地依赖于舰船目标与海洋杂波和其他干扰不同的散射机理信息，因此其对舰
船区域的检测受像素强度的影响较小。图 3.16 对比了不同算法对东京湾区域目标
第 81 页
国防科学技术大学研究生院博士学位论文
5 的检测结果。受舰船目标区域散射强度起伏以及 CFAR 方法易受邻域像素干扰等
因素的影响，HH-CFAR 和 SPAN-CFAR 的检测结果中目标结构保持并不完整，在
弱散射位置出现了断裂；而本文算法以及 SVM 算法则充分利用了舰船目标的极化
信息，对舰船目标的结构保持较好，且本文算法的孤立虚警像素较少。图 3.17 进
一步给出了不同算法分别对每一个目标的检测出的像素个数，尽管并不是所有的
目标像素能够被检测出来，但本文算法仍然达到了最好的检测性能。
3.4.4 算法对 Radarsat-2 数据鲁棒性验证
虽然本文算法在 AIRSAR 全极化数据中取得了较好的检测性能，但由于不同
极化 SAR 系统的分辨率、入射角等参数不同，需要进一步验证算法对不同数据的
鲁棒性。图 3.18 给出了本文算法对直布罗陀海峡部分区域 Radarsat-2 全极化数据
的检测结果，其中图 3.18(a)为 Pauli 合成图，图 3.18(b)为标记了实验区域中的舰船
目标，图 3.18(c)给出了本文算法的检测结果。根据 3.4.2 小节的参数优选结果，将
RELIEF-F 算法的置信度阈值设为 Tr  0.08 ，惩罚因子 C  100 ，则选取的最优特
征向量由六个特征组成，即 fopt   H ,  , 1 , 2 , 3  。由图 3.18(c)可以看出，本文算
法检测出了全部 6 个舰船目标，验证了本文算法对不同极化数据的鲁棒性。
(a)Pauli 合成图
(b)人工判读结果
(c)检测结果
图 3.18 Radarsat-2 直布罗陀海峡区域数据及本文算法检测结果
3.5 本章小结
本章针对极化 SAR 数据舰船目标检测问题，综述了已有的极化 SAR 舰船目标
检测算法，对极化 SAR 数据中的舰船目标检测能力进行了深入分析，特别对舰船
目标、海杂波、成像模糊等散射机理进行了深入研究，并提出一种基于特征选择
加权和 SVM 的极化 SAR 舰船目标检测方法。对 NASA/JPL AIRSAR 机载全极化
第 82 页
国防科学技术大学研究生院博士学位论文
数据和 Radarsat-2 星载全极化数据的研究结果表明：（1）极化信息的引入改善了
舰船目标检测性能；（2）本文基于特征选择加权和 SVM 的检测算法有效地消除
了方位向模糊、旁瓣模糊等虚警目标；（3）本文算法对不同平台的全极化数据具
有鲁棒性。
Equation Section (Next)
第 83 页
国防科学技术大学研究生院博士学位论文
第四章
高分辨 SAR 图像舰船目标特征提取
特征提取是 SAR 图像解译的重要步骤，也是 HRWS SAR 图像舰船目标监视
研究中的关键技术之一。通过提取 SAR 图像舰船目标的相应特征，一方面可以进
一步鉴别检测结果中的虚警；另一方面，通过提取特征降低原始数据的维数，并
揭示不同目标的内在本质特性，从而有助于对目标进行分类识别。
目前，从 SAR 图像中提取的舰船目标特征可以粗略地分为几何尺度特征、灰
度统计特征、变换域特征、电磁散射特征、编队特征等。随着图像分辨率的提高
和极化、极化干涉等 SAR 技术的发展，SAR 图像舰船目标特征提取面临着新的机
遇和挑战。首先，在高分辨率 SAR 图像中，舰船目标的几何尺度、区域等特征受
船体区域后向散射起伏、成像旁瓣效应、相邻目标干扰等因素的影响，使得提取
结果不准确。其次，SAR 成像技术的发展为 SAR 图像舰船目标电磁散射特征提取
提供了条件。电磁散射特征是 SAR 图像中舰船目标的本质特征，揭示了舰船目标
各个部位的散射机理，具有易于理解和直观的物理意义，但限于图像分辨率和极
化/极化干涉 SAR 数据处理的限制，SAR 图像舰船目标电磁散射特征提取仍需深入
研究。
因此，本章在总结典型的 SAR 图像舰船目标特征提取方法基础上，重点针对
高分辨率 SAR 图像舰船目标几何尺度特征提取和电磁散射特征提取开展研究，并
基于实测高分辨率 SAR 图像数据和地面验证数据对特征提取的有效性进行验证和
分析。
4.1 SAR 图像舰船目标典型特征提取方法
与光学图像不同，SAR 图像中的舰船目标表现为一系列散射中心的组合。当
分辨率较低时，舰船目标为点目标或只占有少量像素点，单个分辨单元内包含有
多个部位的散射效应；随着分辨率的提高，舰船目标占有多个像素点，每个分辨
单元对舰船目标的结构刻画更为精细。当舰船目标在 SAR 图像中呈现为区域目标
时，即可通过描述该散射区域提取舰船目标的几何尺度特征，也可进一步根据该
区域的图像灰度分布对舰船目标后向散射的特性进行描述，即提取灰度统计特征；
电磁散射特征反映了目标的电磁散射机理，通过借助高分辨、极化/极化干涉等数
据及其处理技术提取电磁散射特征，能够从本质上反演舰船目标的结构特性；由
于 SAR 成像特点，同一目标的 SAR 图像随成像条件如方位角、入射角等的变化往
往具有不同的表象，此时需要在变换域寻找目标更为稳健的特征；此外，在实际
的军事应用中，编队特征也是舰船目标识别的一类重要特征。目前，典型的 SAR
第 84 页
国防科学技术大学研究生院博士学位论文
图像舰船目标特征如图 4.1 所示。
SAR舰船特征
几何
结构
特征
长
宽
长
宽
比
周
长
灰度
统计
特征
面
积
质
心
位
置
轮
廓
亮
度
特
征
纹
理
特
征
电磁
散射
特征
变换
特征
傅
里
叶
变
换
不
变
矩
特
征
小
波
变
换
其
他
变
换
峰
值
特
征
散
射
中
心
编队
特征
其
他
图 4.1 SAR 图像舰船目标典型特征
4.1.1
几何尺度特征
几何尺度特征[183]主要包括长、宽、长宽比、周长、面积、形状复杂度、质心
位置、转动惯量等物理量，它们与舰船目标的尺寸大小、形状、结构构造等密切
相关，是对舰船目标最直观的描述。图 4.2 给出了 SAR 图像舰船目标几何特征示
意图。在舰船目标检测得到 SAR 图像中舰船目标切片后，进一步对切片图像进行
图像分割、外接矩形拟合、边缘提取等处理，即可得到舰船目标的几何尺度特征。
假设包含有目标和背景杂波的原始 SAR 图像舰船目标切片为 I  m, n  ，舰船目标区
域二值图像为 B(m, n) ，则仅含有舰船目标区域的图像为
T  m, n   I (m, n)  B(m, n)
(4.1)
其中  表示矩阵对应元素相乘。
(a) 原始图像
(b) 二值图像
(c) 目标区域图像
(d) 几何特征提取结果
图 4.2 SAR 图像舰船目标几何特征示意图
外接矩形拟合是获取舰船目标几何参数的重要步骤[170]。其具体做法是，首先
根据目标的二值图像画出一个矩形，使得该矩形的各条边与目标二值区域的边界
相切；然后以步长  角度顺时针旋转拟合矩形，一直重复该过程直到覆盖整个角
第 85 页
国防科学技术大学研究生院博士学位论文
度区间  0,180 。则对应于某个判决准则条件下矩形即为最小外接矩形。常用
的判决准则有 TBR（Target-to-background ratio）准则、P（Perimeter）准则、EPC
（Edge pixel-count）准则等。最小外接矩形的长边的大小定义为舰船目标的长，短
边的大小定义为舰船目标的宽，最小外接矩形所对应的旋转角度为舰船目标的方
位角。由于 SAR 成像几何的影响，舰船目标 SAR 图像本身可能存在阴影、遮挡、
顶底倒置等几何畸变，因此上述长、宽会有一定的误差。此外，上述方法得到的
方位角具有 180 模糊，需要根据舰船目标的其他特征如强首尾强散射点的分布情
况作进一步的判断。
舰船目标的长宽比 R 定义为最小外接矩形的长边 L 与短边 W 之比，
R
L
W
(4.2)
舰船目标的周长定义为围绕目标区域的边缘像素的数目，
P   edge  B  m, n  
m
(4.3)
n
面积定义为二值图像中目标区域的像素个数，
S   B  m, n 
m
(4.4)
n
形状复杂度用来描述舰船目标的边缘结构复杂性，定义为目标周长的平方与
区域面积比值的 1 4 倍，
C
P2
4 S
(4.5)
舰船目标区域的质心位置表示目标的质心点的坐标，可以用目标区域图像的
一阶矩 m10、m01 和零阶矩 m00 表示，
x
m10
,
m00
y
m01
m00
m pq   T  m, n m p n q
m
(4.6)
(4.7)
n
转动惯量描述了舰船目标后向散射强度在目标区域中的分布，即目标质量相
对于质心的空间扩展程度，
F   T  m, n  r 2
m
其中， r 
4.1.2
m  x n  y 
2
2
(4.8)
n
表示像素点  m, n  到质心  x, y  的距离。
灰度统计特征
由于舰船目标各个部位对雷达电磁波的后向散射强度不同，舰船目标区域的
第 86 页
国防科学技术大学研究生院博士学位论文
SAR 图像像素灰度值具有一定的起伏。SAR 图像中舰船目标区域的灰度统计特征
在一定程度上反映了目标的结构特点。常用的灰度统计特征[183]包括亮度特征、纹
理特征以及不变矩特征等。
亮度特征包括最大灰度值、最小灰度值、质量、均值、方差系数等。其中，
方差系数反映了舰船目标区域灰度变化的动态范围，可以用均方差与均值的比值
来表示，
 T  m, n    
V
m
2
n
(4.9)

其中，  表示舰船目标区域的灰度均值。
纹理特征反映了舰船目标区域灰度起伏的规律性和结构性信息，分形维数和
加权填充比是常用的两种纹理特征。分形维数反映了目标区域内较强散射点的空
间分布，定义为最亮的 N i 个点空间分布的 Hausdorff 距离：
H
log10 N1  log10 N 2
log10 d1  log10 d 2
(4.10)
分形维数的计算方法是：首先选取目标区域中 K （一般 K  50 ）个最亮的点
形成二值图 B2  m, n  ，然后先用一个 d1  d1 的窗口在二值图中滑动，记录包含有亮
点的窗口总数 N1 ，再用一个 d2  d2 的窗口在上述二值图中滑动，记录包含有亮点
的窗口总数 N 2 ，最后根据式（4.10）计算分形维数。
加权填充比定义为舰船目标区域内 k 个最亮点的能量占舰船目标区域总能量
的百分比，
 I  m, n   B  m, n 

 T  m, n 
2
m
n
m
4.1.3
(4.11)
n
电磁散射特征
电磁散射特征是 SAR 图像中物体的最本质特征，反映了目标不同结构对雷达
入射波的散射特性。随着分辨率的提高，单个分辨单元包含的散射中心减少，甚
至每个分辨单元或多个分辨单元只包含有一个基本散射结构。舰船目标的不同部
位具有不同的散射机理，因此可以通过对高分辨 SAR 图像中的舰船目标提取电磁
散射特征，进而分析舰船目标结构组成等特点并对其进行分类识别。
属性散射中心模型（Attribute Scattering Center）[184]是基于几何绕射理论和规
则目标的物理光学理论界而提出的目标二维散射中心模型，其参数模型包含了散
射中心丰富的物理属性和几何属性[185]。属性散射中心模型的具体形式为，
第 87 页
国防科学技术大学研究生院博士学位论文
i
 jf 
  j 4 f
Ei  f ,  ;i   Ai    exp 
 xi cos   yi sin  
 c

 fc 
 2 f

 sin c 
Li sin   i'    exp  2 f  i sin  
 c

(4.12)
其中 f 表示频率， 表示方位角， f c 表示中心频率， c 为光速。属性散射中心特征
提取其实是一个参数估计过程，根据分辨单元的复数据估计上式中描述属性散射
中心的参数集 i   xi , yi ,  i ,  i , i' , Li , Ai  ，其中 Ai 为散射中心的复幅度， xi 、 yi 分别
为其距离向和方位向位置，  i 表示散射中心的频率依赖性，若 Li  i'  0 ，则散射
中心为局部散射中心，  i 表示散射中心对方位角的依赖关系，若  i  0 则该散射中
心为分布散射中心，其对方位角的依赖关系由中心方位向的物理长度 Li 和方位角
i' 表示。属性散射中心模型将高分辨 SAR 数据中的强散射点看做基本散射体，其
参数集共同描述了基本散射体的类型。表 4.1 给出了属性散射中心模型参数 L 和 
与基本散射体的对应关系[186, 187]。
表 4.1 不同 L 和  所对应的基本散射体结构示例
 1
  1/2
 0
L 0
三面角反射
帽顶反射
双曲面反射
二面角反射
圆柱反射
直边反射
L 0
属性散射中心模型要求 SAR 图像具有较高的分辨率（一般为亚米级），这对
目前的星载 SAR 发展水平还不太现实。除了属性散射中心模型外，通过对极化/
极化干涉 SAR 数据进行处理和分析也可得到关于舰船目标电磁散射特性的描述。
一方面，通过极化目标分解等方法可以分析舰船目标 SAR 图像不同位置所对应的
基本散射机理；另一方面，引入干涉 SAR 数据处理方法可以反演这些基本散射体
的高程信息，从而将不同的散射体对应于舰船目标的不同部位。图 4.3 给出了几种
民船在极化/极化干涉 SAR 图像中的基本散射体分布[141]。这种电磁散射特征提取
方法具有明确的物理意义，与人类的视觉观感相接近，更易理解。目前 Radarsat-2、
TerraSAR-X/TanDEM 等具有极化/极化干涉 SAR 数据获取能力，基于极化/极化干
第 88 页
国防科学技术大学研究生院博士学位论文
涉 SAR 提取舰船目标电磁散射特征的方法代表了下一步的研究趋势和方向。
图 4.3 不同舰船目标在两种方位角条件下的散射图
红色：三面角，绿色：二面角，蓝色：45°二面角
4.1.4
变换域特征
从信号处理的角度，通过一定的数学变换将图像数据映射到变换域，从而降
低数据的维数寻找数据中更为紧凑、核心的信息也是一种特征提取方法。与几何
尺度特征、灰度统计特征和电磁散射特征等不同，变换域特征不存在明确的物理
意义，但具有通用性强、计算量小等优点。
在 SAR 图像舰船目标识别应用中，常用的变换域特征有小波变换（Wavelet
Transform，WT）[188]、主成分分析（Principle Component Analysis，PCA）[189]、独
立成分分析（Independent Component Analysis，ICA）[190]。其中小波变换将原始图
像变换到不同的尺度空间，在大尺度空间中保留有数据的主要信息，而在小尺度
空间中则主要体现数据的细节以及噪声等信息。后两种属于正交变换方法，通过
寻求原始图像数据在互相正交的子空间内的投影，进而获取目标图像的内在信息。
4.2 高分辨 SAR 图像舰船目标几何特征精确提取
几何特征如长、宽、长宽比、方位角、面积、周长等物理量是对舰船目标最
直观的描述。几何特征提取的精度依赖于对目标区域分割结果。但是，SAR 图像
相干成像的特点使得图像本身包含有大量的相干斑噪声，且舰船目标表现为若干
散射点的组合而没有清晰的边界。此外，舰船目标中的强散射结构的散射特性及
舰船在海面上的航行、俯仰、滚动、偏航等运动状态也使得 SAR 图像中舰船目标
区域与其真实区域之间出现偏差[131,
137, 191]
。因此，光学图像中的图像分割算法不
再适用于高分辨 SAR 图像舰船目标几何特征提取。本节首先分析了影响舰船目标
第 89 页
国防科学技术大学研究生院博士学位论文
几何特征提取的因素，然后借助于图像分割、Radon 变换[192]、直方图分析、形态
学处理等方法，提出一种高分辨 SAR 图像舰船目标几何特征精确提取算法，并根
据大量舰船目标切片数据对算法性能进行分析和验证。
4.2.1
舰船目标几何特征精确提取的难点
舰船目标一般由金属部件构成，且其船舷与海面、船舷与甲板、栏杆与甲板
以及起重机、驾驶舱等上层建筑和设备形成角反射器，从而对雷达入射波的散射
强度比海面的散射强度更大。因此，舰船目标在 SAR 图像中表现为较强散射点的
组合，而海面的图像灰度值则相对较弱。尽管舰船目标和海面在 SAR 图像中具有
明显的亮度差异，但由于 SAR 相干成像的特点以及 SAR 成像几何、舰船目标本身
结构、运动等因素的影响，从 SAR 图像中提取舰船目标的几何特征仍有一定的困
难。从图像域角度来看，影响 SAR 图像舰船目标几何特征精确提取的因素主要包
括：强散射点的十字旁瓣、较大入射角或舰船目标高耸的部件造成的展宽、舰船
不同部位的不同速度造成的扭曲、相邻舰船间距过小以及船体区域断裂等。
(a)
(b)
(c)
图 4.4 十字旁瓣模糊示例
虽然舰船目标对雷达入射波的后向散射强度要高于海面，但舰船目标本身各
部位对雷达入射波的后向散射具有较大的起伏。在甲板、储物舱等部位，对雷达
入射波的后向散射基本为面散射，散射强度较弱；而在甲板与船舷、驾驶舱与甲
板以及其他复杂结构等形成角反射的部位，散射强度相对较强。由 SAR 成像原理
可知，聚焦后的 SAR 回波信号是二维的 Sinc  函数，在距离向和方位向上具有逐
渐衰减的旁瓣。当舰船某一结构的后向散射特别强烈或图像聚焦效果较差时，虽
然回波旁瓣信号比主瓣信号的强度大大减弱，但仍然比海面或其他弱散射部位回
波信号强度要大，从而相干叠加形成明显的十字旁瓣效应。十字旁瓣的位置与强
散射结构在舰船目标上的位置有关，且其形状一般是沿距离向和方位向垂直的―十‖
字形。当舰船目标的航向平行于方位向或距离向时，则十字旁瓣只在距离向或方
位向上有较强的散射，而在另外一个方向与舰船目标其他部位的后向散射形成叠
第 90 页
国防科学技术大学研究生院博士学位论文
加。图 4.4 给出了 TerraSAR-X 图像中若干舰船目标的十字旁瓣示例。
SAR 成像几何特别是入射角对舰船目标在 SAR 图像上的表现有重要影响。当
入射角较小时，雷达近乎从舰船目标顶部垂直向下照射，舰船目标 SAR 图像更多
地反映了舰船目标的上层建筑分布情况，此时甚至船舷与海面形成的二面角反射
也不太明显，舰船目标 SAR 图像的边缘较为模糊。当入射角较大时，雷达相当于
以较大的角度从侧面照射，此时面向雷达的一侧船舷和海面的二面角后向散射较
强，边缘较为明显，而背向照射方向的一侧甚至被舰船目标上层建筑所遮挡，出
现叠掩现象。特别是对于游船来讲，其船舱一般较高，在入射角较大的情况下使
得 SAR 图像舰船目标区域的宽度明显宽于其实际宽度。对于货船等船只来讲，即
使在入射角不大的条件下，桅杆、起重机等具有一定高度的设备也会使得沿入射
方向具有一定延宽，形成部分凸出。图 4.5 给出了机载 SAR 和 TerraSAR-X SAR
图像中舰船目标沿垂直主轴方向延宽的示例。
(a)
(b)
图 4.5 游船和舰船目标上高耸结构引起的延宽示例
图 4.6 舰船 SAR 图像弯曲示例
舰船目标的运动也会给其 SAR 图像几何特征提取带来困难。一方面，如果舰
船目标具有较大的方位向速度分量，由于 SAR 成像中没有考虑舰船运动引起的回
波相位项，从而会引起同一散射体的后向散射能量分布在若干个分辨单元中，即
散焦现象，也成为运动模糊。另一方面，当舰船目标具有较长的尺寸并且处于运
动状态（特别是转弯）时，舰船目标的不同部位可能有不同的方位向速度分量，
第 91 页
国防科学技术大学研究生院博士学位论文
从而使得舰船目标 SAR 图像呈现一定的弯曲。图 4.6 给出了某一运动舰船目标的
TerraSAR-X SAR 图像示例。
除上述舰船目标本身结构特点和雷达成像几何等因素的影响外，邻近目标也
会带来几何特征精确提取的困难。对于某些特定的场合或特殊的船只，如近海区
域大船和小船装卸货物或军事舰艇间进行补给等，两只或多只舰船目标处于并排
的状态。此时，它们在 SAR 图像中分离度较小，甚至属于不同舰船的图像像素连
在一起，这显然也会影响几何特征提取的结果。图 4.7 给出了 TerraSAR-X SAR 图
像中相邻舰船目标的示例。
(a)
(b)
图 4.7 邻近舰船目标示例
长度:84
宽度:26
...
Radon
变
换
Radon
图
像
分
割
Radon
SAR舰
船目标
图像
域
平
移
域
分
割
直
方
图
分
析
目
标
区
域
确
定
几
何
特
征
提
取
目
标
几
何
特
征
图 4.8 舰船目标几何特征精确提取算法流程图
4.2.2
舰船目标几何特征精确提取算法
由 4.2.1 小节分析可知，舰船目标的 SAR 图像在某些条件下会出现十字旁瓣、
延宽、邻近目标及弯曲等现象，从而为舰船目标几何特征精确提取带来困难。在
不同的成像条件下，这些现象单独或同时出现在某一舰船目标的 SAR 图像中。从
图像处理的角度来讲，这些影响舰船目标几何特征精确提取的现象有些可以被减
弱或消除，而有些现象则难以被改善。本文重点针对十字旁瓣和邻近目标的现象，
基于 Radon 变换和直方图分析等方法改善舰船目标几何特征提取的性能。算法流
第 92 页
国防科学技术大学研究生院博士学位论文
程如图 4.8 所示，其中涉及的图像分割、Radon 变换、直方图分析等步骤的原理和
实现方法如下文所述。
图 4.9 不同分割算法的分割结果对比
从左到右依次为：原图、CFAR、高斯迭代、最大熵、Otsu、改进 2Dotsu；从上到下依次为：
十字旁瓣与主轴方向一致舰船切片、
十字旁瓣与主轴方向不一致舰船切片、邻近目标舰船切片、
法向延宽舰船切片
4.2.2.1
图像分割
图像分割是提取 SAR 图像舰船目标特征提取的首要步骤。CFAR 分割、高斯
迭代分割、Markov 分割、最大类间方差分割（Otsu）是常用的图像分割方法[170]。
鉴于 SAR 图像相干斑噪声以及 SAR 图像目标由一系列离散强散射点组成等特点，
朱俊等[193]提出的改进的二维 Otsu 方法较为适用于本文的 SAR 图像舰船目标分割。
图 4.9 给出了几种方法对不同 SAR 图像舰船目标切片的分割效果。需要指出的是，
改进的二维 Otsu 方法能够最大限度地分割出目标区域，得到较为完整的目标二值
模板图像，但它也损失了舰船目标的结构信息。如果想要在分割结果中保留舰船
目标的结构特点，则需要采用其他分割方法。
4.2.2.2 Radon 变换
十字旁瓣是影响 SAR 图像舰船目标几何特征精确提取的主要因素。一般情况
下，十字旁瓣的延伸方向与舰船目标的主轴方向是不一致的（实际上，即使十字
第 93 页
国防科学技术大学研究生院博士学位论文
旁瓣其中一个旁瓣与舰船目标的主轴方向一致，则该旁瓣的能量将会被船体的能
量所掩盖，而另一旁瓣则与主轴垂直）。因此，可以利用 Radon 变换的特点将十
字旁瓣和舰船目标主轴进行区分。
Radon 变换[192]沿二维图像中的某一方向对该方向直线上的像素值进行积分，
从而获得图像在该方向上的投影。在二维欧几里得空间中，Radon 变换可以描述为：
f  ,     f    f  x, y      x cos   y sin   dxdy
(4.13)
D
其中 D 表示整个 x  y 图像平面， f  x, y  表示点  x, y  处的图像像素灰度值，  代
表 Dirac 冲激函数，  代表原点到积分直线   x cos   y sin  的法线距离， 是该
直线法线与 x 轴之间的夹角。图 4.10 给出了一幅 d  d 的图像及其 Radon 变换结果
的示意图。

y
2d
2
d
2
d
2


x


d
2

d

2

d
2
d
2
2d
2 

图 4.10 Radon 变换几何示意图
Radon 变换具有如下几条简单的性质：
 x  y 平面上任一点  x0 , y0  对应于    平面上的一条非零正弦曲线：
  x0 cos   y0 sin  ；
    平 面 上 任 一 点 0 , 0  对 应 于 x  y 平 面 上 的 一 条 直 线 ：
0  x cos 0  y sin 0 ；
 x  y 平面上由 0 , 0  定义的直线上所有的共线点在    平面上对应的
正弦曲线均相交于点 0 , 0  ；
    平面上的正弦曲线   x0 cos   y0 sin  上所有的点对应于 x  y 平面
中所有经过点  x0 , y0  的直线。
第 94 页
国防科学技术大学研究生院博士学位论文
2

1

3 
3
1

2
图 4.11 图像域旋转和平移与 Radon 变换域不同方向平移的对应关系示例
由上述性质可知，Radon 变换结果中包含的峰值点（Peak）对应于原图像中一
条亮度值高于其周围亮度的直线；结果中包含的谷值点（Trough）对应于原图中
一条亮度值低于其周围亮度的直线。对于舰船目标 SAR 图像切片来讲，舰船区域
的亮度远远高于周围背景的亮度，所有经过舰船区域的直线在 Radon 变换域中都
将形成峰值点。特别是由于船体沿主轴方向具有较长的积分长度以及船舷与海面
形成的二面角散射，沿主轴方向的直线在 Radon 变换域中将具有较大的峰值点。
当图像中具有十字旁瓣时，沿十字旁瓣方向的直线在 Radon 变换雨中也具有较大
的峰值点。由于主轴和十字旁瓣具有不同的方向，从而其形成的峰值点在 Radon
变换域中处于不同的位置，因此可以在 Radon 变换域中对其进行区分。
图 4.12 邻近目标直方图分析示例
第 95 页
国防科学技术大学研究生院博士学位论文
除上述性质意外，Radon 变换还有另外一个容易得出的性质，即将图像域中的
直线进行旋转，则相当于对其 Radon 变换结果在  方向进行平移；如果将图像域
中的直线沿法向反方向向原点平移，则相当于对其 Radon 变换结果在  方向进行
平移。图 4.11 给出了上述性质的示意图。图 4.10 中直线 1 和直线 2 的  相同，直
线 2 相当于沿法向移动了  ，这两条直线在 Radon 变换域对应于点 1 和点 2；直
线 1 和直线 3 的  相同，只是法向夹角相差  ，它们在 Radon 变换域分别对应于
点 1 和点 3。由图 4.10 的右图可以看出，点 1 和点 2 的  相同，但在  方向上有 
的平移，而点 1 和点 3 的  相同，只在  方向有  的平移。
4.2.2.3
直方图分析
对于港口区域的船只在装卸货物或某些军舰在补给时，主船只与辅助船只之
间间距较小，由于 SAR 相干成像的特点，这些邻近的舰船目标在 SAR 图像中难以
区分，从而给其参数提取带来误差。除了十字旁瓣外，本文还对邻近舰船目标的
情况进行分析和处理。
对邻近舰船目标的几何特征提取是基于直方图分析进行的，通过分析沿主轴
方向的直方图中的峰值和谷值点，确定相邻船只间的边界线，从而分别提取它们
的 MER 和相应的几何特征。图 4.12 给出了直方图分析提取邻近舰船目标几何特征
的示例。
4.3 典型舰船目标宏结构散射特征提取方法
如 4.1.4 小节所述，电磁散射特征是描述舰船目标的最本质特征。然而，无论
是属性散射中心特征还是利用极化/极化干涉反演的舰船目标基本散射体分布等，
对 SAR 数据的获取能力有较高的要求。对于当前获取的 HRWS SAR 数据来讲，
其图像最优分辨率一般几米的量级。此时，舰船目标几何结构的尺寸大于图像分
辨单元，SAR 图像对舰船目标的结构特点具有一定的描述能力[194,
195]
。特别是舰
船目标船艏、船艉、船舷、舱壁、驾驶舱等较为宏观的结构，在 SAR 图像中具有
明显的分布特点。本节重点针对油船、集装箱、货船等三种典型的舰船目标，从
分析它们的宏结构及散射特点出发，利用图像处理的方法从 SAR 图像中提取了它
们的宏结构特征。
4.3.1
典型舰船目标宏结构及其散射特点
一般来讲，舰船目标主要由主船体（hull）、上层建筑（superstructure）和许
多其他各种设备（equipment）所组成。主船体是船体结构的主要部分，从空间上
可以分为船首（stem）、船中（midship）、船尾（stern），是由船底（ship bottom）、
第 96 页
国防科学技术大学研究生院博士学位论文
舷侧（ship side）、上甲板（upper deck）和首尾（fore and aft）围城的空心结构。
其内部空间又由水平布置的下甲板（lower deck）、沿船宽方向垂直布置的横舱壁
（transverse bulkhead）和沿船长方向垂直布置的纵舱壁（longitudinal bulkhead）分
割成许多舱室，艏、艉段的横舱壁也叫艏尖舱舱壁（forepeak bulkhead）和艉尖舱
舱壁（afterpeak bulkhead）。上层建筑部分有艏楼（forecastle）、桥楼（bridge）、
艉楼（poop）及甲板室（deck house）。舰船上的设备主要包括起重架、输油管、
集装箱等为一定功能而服务的设备。图 4.13 和 4.14 给出了某货船的外形及纵剖面
图。
图 4.13 货船的外形
1、船甲板室 2、第五货舱 3、第四货舱 4、船中甲板室 5、第三货舱 6、上甲板 7、第二货
舱 8、第一货舱 9、艏楼 10、船首 11、下甲板 12、船中 13、船尾
图 4.14 货船纵中剖面
1、尾甲板室 2、下甲板 3、上甲板 4、起居甲板 5、罗经甲板 6、驾驶甲板 7、艇甲板 8、
艏楼 9、首尖舱舱壁 10、舱壁 11、尾尖舱舱壁
不同的舰船目标具有明显不同的结构特点。集装箱船一般呈狭长型，其船身
的大部分用来装载集装箱，并且配备有用于固定的横向货架，其驾驶舱一般位于
第 97 页
国防科学技术大学研究生院博士学位论文
船尾或中后部，如图 4.15(a)、(d)所示。油船用于载运石油或其他石油产品，如图
4.16(a)、(d)所示。从结构上来讲，油船一般呈肥胖型，长宽比相对较小，驾驶舱
一般位于船尾；油船的舱口呈圆形或椭圆形，与集装箱船相比其舱口较小；横亘
于船尾和船首之间装备有输油管道，而且在中部有小吊车，用于吊起码头或其他
船只上的管道与输油管道相对接。货船用于载运包装或非包装类大宗货物，如图
4.17(a)、(d)所示，船型肥胖，尺寸较小，驾驶舱位于尾部，一般设有 4-6 个货舱，
舱口宽大；根据功能不同，有的货船舱口两头配备吊杆式或回转式的起重设备，
而有的货船则没有。
船尾
驾驶舱
集装箱
船首
底座和绑扎桥
(a)
驾驶舱
船尾
集装箱
(b)
(c)
(e)
(f)
船首
底座和绑扎桥
(d)
图 4.15 集装箱船的结构图片、TerraSAR-X 图像及纵向直方图
不同类型的舰船目标其船体构造和配备的设备有很大差别，如油船、货船、
集装箱等具有明显不同的上层结构；即使是同一类型的船只，也根据其功能不同
而具有各异的结构特点，如干货船和散货船具有不同闭合程度的货舱，油料船和
油轮具有不同的输油管道等。下文将重点分别针对油船、货船、集装箱船中的某
一具有代表性结构的船只进行描述和实验，并没有进一步区分不同型号的油船、
不同型号的货船、不同型号的集装箱船。
舰船目标一般由金属构成，从而对雷达波的后向散射比海面更强。但舰船目
标的结构特点使得舰船区域的后向散射强度分布具有一定的起伏。其中，舰船目
标特殊部位构成的角反射器对雷达回波的后向散射更强，从而在 SAR 图像中具有
较大的灰度；而对应于面散射的舰船目标结构后向散射较弱，在 SAR 图像上的灰
度值较低。二面角和三面角是形成舰船目标强后向散射的主要角散射器，它们主
第 98 页
国防科学技术大学研究生院博士学位论文
要由船舷与海面、桅杆与甲板、栏杆与甲板、舱壁、驾驶舱、输油管道、起重设
备、栏杆拐角与甲板等构成。
驾驶舱
船尾
小吊车
输油管道
船首
(a)
船尾
(b)
(c)
(e)
(f)
驾驶舱
船首
小吊车
(d)
图 4.16 油船的结构图片、TerraSAR-X 图像及纵向直方图
具体到集装箱船、油船、货船的 SAR 图像来讲，它们的共同点是驾驶舱一般
位于船尾，船舷和海面也会形成二面角反射，因此在船尾和船的两侧都会有较强
的后向散射。它们的不同点在于，每类船只配备有不同功能性设备，从而这些部
位的强散射点分布也不相同，我们采用沿垂直于主轴方向（称为纵向）的 RCS 分
布图来表示不同船只的横向散射强度分布。集装箱船上较为明显的强散射点分布
于横向货架与装载的集装箱边缘处，这些横向的强散射点与船舷处的强散射一起
使得整个集装箱船的 SAR 图像呈现密集并排的―口‖字，如图 4.15(b)、(e)所示；但
如果集装箱船的货物摆放不整齐，则强散射点会零散分布，形成的―口‖字有大小之
分甚至较为模糊；在纵向 RCS 分布图中，集装箱船在船首和船尾处具有较高的散
射能量，而在二者之间的部分则呈现―梳齿‖状，如图 4.15(c)、(f)所示。除船首和
船尾外，油船的强散射点主要分布于横亘船只的输油管道及中部的吊车，而在输
油管道两侧的甲板后向散射相对较小，如图 4.16(b)所示；其纵向 RCS 分布图也是
首尾较高，中部则相对较为平坦；而对于一些本身结构就不太明显的小型油船或
受风浪和本身运动影响的船只，其 SAR 图像整体起伏较小，相应的纵向 RCS 分布
图也较为平坦，如图 4.16(e)、(f)所示。对于货船来讲，其驾驶舱也位于尾部，甲
板上有货舱，有的还有起重设备，但货舱口的数量与集装箱船相比较少；这些货
舱也使得货船的 SAR 图像中出现―口‖字，但没有集装箱船密集，如图 4.17(b)所示；
第 99 页
国防科学技术大学研究生院博士学位论文
当雷达波入射角较大时，具有起重设备的货船会由于起重设备对船舷的遮挡使得
船舷一侧开口，不能形成完整的闭合结构，如图 4.17(e)所示；从纵向 RCS 分布图
来讲，货船的首尾之间也会形成―梳齿‖状，但更为稀疏，如图 4.17(c)、(f)所示。
船首
舱口
船尾驾驶舱
(a)
船尾驾驶舱
(b)
(c)
(e)
(f)
起重设备
舱口
船首
(d)
图 4.17 货船的结构图片、TerraSAR-X 图像及纵向累积强度
4.3.2
局部 RCS 密度特征
从上述对三类典型舰船目标集装箱船、油船、货船的结构特点及其散射特性
分析可知，它们的组成结构不同，从而其对雷达波的后向散射强度分布也不同。
在舰船目标的首、中、尾三部分，分别分布着驾驶舱、货舱、起重机、输油管等
舰船结构和功能性设备，对于不同的舰船目标这些结构部件和设备分布在船体的
不同部位。在 SAR 图像中，舰船目标的首、中、尾部具有不同的图像灰度值，而
且这三部分灰度值的变化情况与舰船目标的类型相关。实际上，为了更精细地刻
画舰船目标不同部位的图像灰度分布，可以将舰船目标沿主轴方向分为不止首、
中、尾三段，进而定义舰船目标的局部 RCS 密度特征，如下式所示。
LRCSi   M i Ai  max  M i Ai  , i  1, 2,
1 i  N
,N
(4.14)
其中，舰船目标共分为 N 段， M i 是指第 i 段中舰船目标像素的灰度之和， Ai 为第 i
段中舰船目标像素的个数。
所有 N 段的局部 RCS 密度组成局部 RCS 密度向量为：
LRCS   LRCS1 , LRCS2 ,
, LRCSN 
(4.15)
局部 RCS 密度特征反映了舰船目标不同结构部位对雷达电磁波的后向散射强
第 100 页
国防科学技术大学研究生院博士学位论文
度，是一种从图像域出发提取的局部电磁散射特征。一方面该特征从电磁散射机
理出发，反映了舰船目标局部结构部位与其散射能量的对应关系，对具有不同结
构分布和功能性设备的舰船目标具有一定的区分能力；另一方面，由于其提取过
程是基于局部区域而不是单个像素，相比纵向 RCS 分布图来讲该特征具有一定的
稳定性；此外，根据舰船目标的特点可以灵活调整分段的大小和树木，具有较强
的可推广性。为了重点突出不同舰船目标船首、船中、船尾的结构区别，本文将 N
设置为 3。图 4.18 给出了三只不同的舰船目标所对应的局部 RCS 密度特征。
Container
Oil Tanker
Bulk
1
Local RCS Density
0.98
0.96
0.94
0.92
0.9
0.88
0.86
1
2
Position
3
图 4.18 三类舰船目标及其局部 RCS 密度特征
4.3.3
宏结构散射特征
局部 RCS 密度特征描述了舰船目标沿主轴方向船首、船中、船尾不同结构的
雷达电磁散射特性，在一定程度上反映了舰船目标的结构分布特点。为了更精确
地描述舰船目标的结构分布特点，本文进一步提出了一种新的舰船目标 SAR 图像
特征——宏结构散射特征。
本文所述的宏结构是指由船体、上层建筑、功能性设备等引起较强雷达后向
散射的舰船部件所组成的结构。由 4.3.1 小节的分析可知，不同舰船目标具有不同
的几何结构，特别是起重架、驾驶舱、船舷、舱口、输油管等部件在 SAR 图像上
形成了强散射点。这些部件反映了舰船目标中强散射结构的分布，描述了舰船目
标在 SAR 图像中的宏观散射特点，因此称之为宏结构散射特征。宏结构散射特征
的提取方法如图 4.19 所示。
在宏结构图像提取方面，本文首先采用 4.2 节的舰船目标几何特征精确提取方
法得到舰船目标区域分割结果，如图 4.20 第二列所示。通过采用本文的几何特征
精确提取方法，消除了十字旁瓣、邻近目标等因素的影响，获取的舰船目标区域
更为精确和完整。
在得到完整的舰船目标区域后，进一步采用峰值特征提取方法[196]获取舰船目
标区域内的强散射点集合，并对强散射点集合进行形态学处理，获得舰船目标非
第 101 页
国防科学技术大学研究生院博士学位论文
闭合的宏结构图像，如图 4.20 第三列所示。首先，通过闭运算增强目标区域的连
通性，将宏结构特征进行连接；然后，通过开运算滤除目标区域外尺寸较小的虚
假目标以及目标区域内的孤立散射点。形态学结构元素选择以当前像素点为中心
的邻域。
目标区域
内峰值点
提取
SAR舰船目
标图像
目标区域
精细分割
轮廓结构
区域叠加
宏结构
散射特征
图像
目标轮廓
提取
图 4.19 宏结构散射特征提取算法流程
在获取舰船目标的非闭合宏结构图像后，本文将舰船的轮廓与该图像进行叠
加形成闭合的宏结构图像，从而使得舰船宏结构中包含有舰船的轮廓信息，如图
4.20 第四列所示；此外，为了不损失 SAR 舰船图像的灰度对比信息，进一步获取
上述闭合宏结构区域的灰度图像，作为最终的 SAR 图像舰船宏结构图像，如图 4.20
第五列所示。
图 4.20 典型船只宏结构图像分割结果
从上到下：集装箱船、油船、干货船；从左到右：原图像、舰船区域分割结果图、
非闭合宏结构图、闭合宏结构图、闭合宏结构灰度图
与原始图像相比，舰船目标闭合的宏结构灰度图更突出地反映了舰船目标宏
第 102 页
国防科学技术大学研究生院博士学位论文
结构的后向散射分布特点。实际上，不同类型舰船目标的闭合宏结构灰度图像即
可以用来对不同类型舰船目标进行分类识别。
需要指出的是，本文提出的宏结构散射特征提取方法是在图像域进行处理的，
其稳健性依赖于舰船目标本身宏结构后向散射在 SAR 图像中的对比度，而这种对
比度与信杂比和海况条件具有一定的相关性。首先，在低 SNR 条件下，舰船目标
整体的后向散射能量将有所降低，从而使得舰船目标各部分结构的后向散射能量
也会降低，然而，如果舰船目标各部分之间的后向散射仍具有一定的差异，则本
文宏结构特征提取方法仍然适用；其次，在高海况条件下，本文方法的稳健性主
要受高海况条件下舰船目标的摇曳、翻滚、扭曲等形变造成的后向散射变化的影
响，在这些“运动”状态下，舰船目标各主要散射结构的后向散射在 SAR 图像中
可能表现为一定程度的偏移，从而使得本文方法的性能将有所下降。
4.4 SAR 图像舰船目标特征提取有效性验证与分析
本节对 SAR 图像舰船目标特征提取的有效性进行验证与分析，首先给出十字
旁瓣和邻近目标条件下的 SAR 图像舰船目标几何特征提取结果，并对提取的几何
特征进行统计分析；然后对三类典型的舰船目标分别提取宏结构散射特征，并根
据对三类典型舰船目标的分类结果验证本文提出的宏结构散射特征的有效性。
(a)
(b)
(c)
(d)
图 4.21 普通舰船目标切片分割结果
(a)原始图像，(b)分割结果，(c)轮廓提取结果，(d)轮廓与原始图像叠加显示
4.4.1 几何特征提取结果有效性验证与分析
根据 4.2.1 节的分析，SAR 图像中的舰船目标易受十字旁瓣和邻近目标的影响，
第 103 页
国防科学技术大学研究生院博士学位论文
从而引起舰船目标区域分割的不准确，使得舰船目标几何特征提取结果存在误差。
本小节首先采用 4.2.2 节提出的方法分别对普通、十字旁瓣模糊和邻近目标等条件
下的舰船目标切片进行几何特征精确提取，提取的结果如图 4.21、4.22、4.23 所示。
从提取结果可以看出，本文方法对三种条件下的舰船目标都能够正确地确定
目标区域。对于普通的舰船目标，本文方法对较小的毛刺具有一定的鲁棒性，对
目标边界的提取较为精确；对于受十字旁瓣模糊影响的舰船目标，本文方法克服
了十字旁瓣的影响，在垂直于舰船目标主轴的方向上目标边界提取较为精确，但
对主轴方向上的―拖尾‖等干扰仍有待改进；对于邻近目标的情况，本文方法正确地
将相邻的两只舰船目标进行了区分，并且由图 4.22 和图 4.23 可以看出，本文方法
可以同时处理十字旁瓣和邻近目标的情况。
(a)
(b)
(c)
(d)
图 4.22 十字旁瓣模糊舰船目标切片分割结果
(a)原始图像，(b)分割结果，(c)轮廓提取结果，(d)轮廓与原始图像叠加显示
理论上，在得到舰船目标的区域后，可以进一步提取 4.1 节中的各类特征。为
了验证本文 SAR 图像舰船目标几何特征精确提取算法的有效性，主要是验证舰船
目标区域分割的精确性，本文对上述舰船目标切片提取了典型的几种几何特征，
包括长、宽、长宽比、面积、周长、方位角等物理量。由于 SAR 图像本身成像的
原因使得其中的舰船目标区域并不是实际的完整舰船目标区域，从 SAR 图像中估
第 104 页
国防科学技术大学研究生院博士学位论文
计的舰船目标的几何特征与实际几何特征间存在一定的误差，再加上成像几何和
经纬度变换等将引入新的误差，因此，本文以像素为单位来表示舰船目标的几何
特征。
(a)
(b)
(c)
(d)
图 4.23 邻近舰船目标切片分割结果
(a)原始图像，(b)分割结果，(c)轮廓提取结果，(d)轮廓与原始图像叠加显示
Mean Error: 0.6
Std Error: 4.93877
200
Mean Error: 3.31429
Std Error: 2.72524
60
50
180
160
40
140
30
120
20
100
10
80
80
100
120
140
160
180
10
200
20
30
40
50
60
10
9
Mean Error: -0.628571
Std Error: 0.871311
8000
Mean Error: 23.8429
Std Error: 1033.13
7000
8
6000
7
5000
4000
6
3000
5
2000
4
1000
3
0
3
4
5
6
7
8
9
10
0
第 105 页
1000
2000
3000
4000
5000
6000
7000
8000
国防科学技术大学研究生院博士学位论文
500
Mean Error: 5.55714
Std Error: 11.9341
Mean Error: 5.55714
Std Error: 11.9341
350
300
450
250
400
200
350
150
300
100
250
50
0
250
300
350
400
450
500
0
50
100
150
200
250
300
350
图 4.24 几何特征提取结果与人工判读结果对比
横轴：人工判读结果（像素）；纵轴：算法提取结果（像素）
4.4.2 宏结构散射特征提取结果有效性验证与分析
本文对宏结构散射特征提取结果的有效性验证实验采用高分辨 TerraSAR-X 舰
船目标切片数据集，其方位向和距离向分辨率分别为 3m  3m 。根据 AIS 信息和人
工判读结果，该数据集中共包含三类典型舰船目标，分别为集装箱船（C）、油船
（OT）和干货船（B）。三类舰船目标的切片数目分别为 150、150 和 150。数据
集中的 50%作为训练集，另外 50%作为测试集。验证实验共分为两部分，首先利
用三类船只目标的闭合宏结构灰度图进行分类实验；其次，进一步提取舰船目标
的宏结构散射特征，给出了宏结构散射特征的散点图及其与长度特征联合的散点
图，并宏结构散射特征作为分类器的输入对三类典型船只目标进行分类实验。分
类实验采用径向基核函数支持向量机作为分类器，分类器的参数根据经验设定。
表 4.2 基于不同输入数据的分类结果
（B：干货船， C: 集装箱船， OT：油船）
输入
B (%)
C (%)
OT (%)
平均 (%)
原图像
B
100.0
44.0
28.0
C
0
48.0
8.0
宏结构灰度图
OT
0
8.0
64.0
82.4
B
100.0
36.0
4.0
C
0
56.0
8.0
OT
0
8.0
88.0
88.8
在基于闭合宏结构灰度图的分类实验中，由于三类舰船目标图像的大小不同，
本文将三类船只目标的原图像及闭合宏结构灰度图像都抽样为 12 12 。分别以原图
像和本文提取的宏结构灰度图像作为分类器的输入数据，本文对比了二者对高分
辨 TerraSAR-X 舰船目标切片的分类性能，分类结果如表 4.2 所示。从表 4.2 可以
看出，本文提出的宏结构特征有效地提升了三类舰船目标的分类正确率。具体地，
由于干货船的尺寸明显比集装箱船和油船小，因此两种方法能够正确地识别出所
第 106 页
国防科学技术大学研究生院博士学位论文
有干货船。对于集装箱船和油船，二者 SAR 图像具有一定的相似性，直接基于原
图像进行识别则效果较差；经过宏结构特征提取后，舰船的结构特征得以突出，
最终的识别精度提升大于 5%。
4.5 本章小结
本章针对高分辨 SAR 图像中的舰船目标特征提取问题开展研究，首先研究了
SAR 图像舰船目标典型特征提取分析方法；其次深入分析了舰船目标几何特征精
确提取的难点所在并提出了一种基于 Radon 变换和直方图分析的舰船目标几何特
征精确提取算法；然后对典型舰船目标的宏结构及其散射特点进行分析，并提出
一种新的舰船目标宏结构散射特征；最后，分别对高分辨 SAR 图像舰船目标几何
特征精确提取算法和宏结构散射特征的有效性进行了验证和分析。
Equation Section (Next)
第 107 页
国防科学技术大学研究生院博士学位论文
第五章
高分辨 SAR 图像舰船目标分类识别
在实际的海洋监视应用中，一方面要确定舰船目标的位置，即对 SAR 图像中
的舰船目标进行检测，另一方面也要根据舰船目标的特征进一步确定其类别信息，
即对 SAR 图像中的舰船目标进行分类识别。通过对 SAR 图像中的舰船目标进行分
类识别，可以更有效地完成敌我关系确认、特定船只目标追踪等监视应用。舰船
目标分类识别是 HRWS SAR 图像舰船目标监视的关键技术之一，也是亟需深入研
究的主要内容。
SAR 图像舰船目标识别能力受图像分辨率的制约。当分辨率较低时，一方面
舰船目标在图像中所占的像素个数较少，难以有效地提取其几何参数；另一方面，
一个分辨单元内包含许多散射结构的后向散射效应，限制了电磁散射特征提取等
先进的参数反演方法的应用。随着 SAR 图像分辨率的提高，特别是对于 HRWS SAR
图像，舰船目标的几何特征提取更为精确，舰船目标的结构散射特性更为明显，
从而为 SAR 图像舰船目标分类识别奠定了先决条件。
然而，除了图像分辨率之外，SAR 图像舰船目标分类识别的性能还受多方面
其他因素的影响。舰船目标在 SAR 图像中的表现与成像几何、舰船运动特性、周
围环境等密切相关。同一舰船目标在不同的成像条件下具有不同的表现，而不同
的舰船目标反而可能具有相近的表现。同时，受限于 SAR 成像能力、舰船种类繁
多和成像条件多变，建立完整的舰船目标 SAR 图像数据库几乎难以实现。特别地，
分类算法也是影响 SAR 图像舰船目标分类识别性能的重要因素。在其他条件相同
的情况下，研究具有更优分类性能和鲁棒性的分类识别算法尤为可贵。因此，本
文借鉴信号处理和模式识别等领域的先进理论算法，结合 SAR 图像舰船目标分类
自身存在的问题和特点，重点针对 SAR 图像舰船目标分类识别算法开展研究。
本章结构安排如下，5.1 节阐述了 SAR 图像舰船目标分类识别的涵义、典型
框架和研究现状；5.2 节引入稀疏表示分类算法，对稀疏表示分类算法的基本原理
进行研究；5.3 节基于 MSTAR 数据库，提出一种方位角限制的稀疏表示分类算法，
深入验证了稀疏表示分类算法对 SAR 图像目标分类识别的有效性；进一步，5.4
节提出一种基于特征字典的稀疏表示分类算法，将稀疏表示分类算法应用于
TerraSAR-X SAR 图像中三类典型舰船目标分类识别，验证了稀疏表示分类对 SAR
图像舰船目标分类识别的有效性；5.5 节对本章的研究内容和结论进行总结。
5.1 高分辨 SAR 图像舰船目标分类识别问题分析
SAR 图像舰船目标分类识别属于 SAR 自动目标识别（ATR）的范畴，借鉴
第 108 页
国防科学技术大学研究生院博士学位论文
SAR ATR 的研究方法和模式识别理论，各国研究者对 SAR 图像舰船目标识别开展
了初步的研究。本节首先阐述 SAR 图像舰船目标分类识别的层次性，根据舰船目
标的功能属性等确定舰船目标分类识别的层次；然后基于 SAR ATR 的一般方法和
舰船目标识别的特点，构建 SAR 图像舰船目标分类识别的典型框架；最后，针对
识别框架中的主要研究内容，综述了 SAR 图像舰船目标分类识别的研究现状。
5.1.1 SAR 图像舰船目标分类识别的层次性
在人类进行海洋活动的发展过程中，舰船目标的种类不断增加，数量繁多。
然而，根据舰船目标的不同用途和功能属性，可以将它们科学地分门别类，并从
军民船、舰类、舰种、舰级、舰名等层次进行区分[148, 197]。图 5.1 给出了北约标准
协议（STANAG 4420）的水面船只命名法则，即首先将水面船只目标分为军事舰
船和民用舰船，然后军事舰船和民用舰船又可以根据功能的不同进一步细分。图
5.2 和图 5.3 则更为清晰地根据军民船、舰类、舰种、舰级、舰名等对军事舰船目
标进行了详细的分类。实际上，虽然划分的层次不如军事舰船目标那么标准和精
细，民用船只也有一定的层次，如集装箱船根据船型可以分为杂货-集装箱两用船、
半集装箱船、全集装箱船，全集装箱船又可以继续分为六种类型：500~999TEU
（Twenty-foot Equivalent Unit，等效于一个 20 英尺集装箱船的单位）灵便型船、
1000~1999TEU 次巴拿马型船、2000~2999TEU 巴拿马型船、3000TEU 以上超巴拿
马型船和 4000TEU 以上可变换集装箱船等。油船根据运载的货物来划分可以分为
原油船、成品油船、油矿两用船、油散矿三用船、沥青船等，根据最大通航能力
可以分为巴拿马运河油船、苏伊士运河油船、阿芙拉型油船和灵便型油船等。本
文分类实验中所指的集装箱船是指全集装箱船，货船是指杂货船，油船是指原油
船。
实际上，SAR 图像舰船目标分类识别所能达到的层次是与图像成像质量密切
相关的。当图像分辨率较低时，如几十米或上百米的图像分辨率，舰船目标在 SAR
图像中表现为单个或少数几个亮像素点，此时并不能从 SAR 图像获知舰船目标的
种类信息；当图像分辨率增高且图像中没有模糊等因素影响时，舰船目标在 SAR
图像中占有数十甚至几百个像素点，沿舰船主轴方向的 RCS 起伏变化较为明显，
此时可以对舰船目标进行军民船的粗略分类；随着分辨率继续提高，达到米级分
辨率时，SAR 图像舰船目标的结构特性更为明显，进而可以在舰种级别上对舰船
目标进行分类识别；当图像分辨率进一步提高或随着极化/极化干涉等先进 SAR 成
像技术的应用，从 SAR 图像反演舰船目标的结构分布成为可能，就可以在舰级甚
至舰名等更为精细的层次对舰船目标进行分类识别。
第 109 页
国防科学技术大学研究生院博士学位论文
水面船只
战斗舰船
航母
非战斗舰船
民船
货船
航行补给舰
战列舰
舰队船只
巡洋舰
RoRo
油船
服务/支援舰
商船
驱逐舰
护卫舰
两栖作战舰艇
拖船
侦察舰
渡船
游轮
渔船
服务/支援HBR舰
水雷舰艇
休闲船
巡逻舰船
执法船
多功能舰船
多功能舰船
图 5.1 北约标准协议（STANAG 4420）水面船只命名规则
舰船目标
军舰
战斗舰艇
水面战斗舰艇
潜艇
航巡驱护护导鱼猎水
空洋逐卫卫弹雷潜雷
母舰舰舰艇艇艇舰战
舰
艇舰
艇
攻战特
击略种
潜导潜
艇弹艇
潜
艇
民船
军民
登陆作战舰艇
勤务保障船只
舰类
两两坦登两武船两
栖栖克陆栖装坞栖
火指登艇攻运登货
力挥陆 击输陆船
支舰舰 舰舰舰
援
舰
供运修工侦医防航海训研基捞拖靶
应输理程察疗险海洋练究地雷船船
舰舰舰船船救救保调舰试勤船
船船船
护生障查 验务
船船船船 船船
舰种
图 5.2 军民船、舰类、舰种的划分
第 110 页
国防科学技术大学研究生院博士学位论文
航母
尼米兹级
企业级
小鹰级
福莱斯特
布里杜斯华林罗文艾尼
什根鲁坦盛肯福森森米
号号门尼顿号斯号豪兹
号斯号 号 威号
号
尔
号
企
业
号
肯美星小
尼国座鹰
迪号号号
号
独突萨福
立击拉莱
号者托斯
号加特
号号
舰级
舰名
图 5.3 美国航母的舰级划分及其舰名与舷号
5.1.2 SAR 图像舰船目标分类识别框架
研究者对 SAR 图像中 MSTAR 目标分类识别的研究已得出了大量有益的结果，
同时也总结了 SAR ATR 所面临的难点。作为 SAR ATR 研究的子课题，SAR 图像
舰船目标分类识别也面临着相同的困难，并有自己的特点。研究表明，SAR ATR
问题是系统成本、操作条件和系统性能等 3 方面因素的函数。对于一个特定和确
定的 SAR ATR 任务来讲，操作条件是影响 SAR ATR 性能的主要因素，主要包括
目标、环境和成像参数等[198, 199]。
在目标方面，主要包括目标的数目、类型和变化特性。所要识别的目标可以
分为若干类，每一类又具有不同的型号，每一型号又存在不同的版本变体，主要
包括结构配置的变体和功能性的变体。目标的变体还包括目标损坏、运动（如舰
船目标的航行、俯仰、翻转）等。这些变体将引起目标图像或图像特征的变化。
在环境方面，主要是指目标和传感器周围的地理、电磁、气候等因素。广义
的环境效应主要包括 6 自由度的姿态、遮挡、层叠、邻接、背景、天气、伪装、
隐蔽、欺骗、电磁干扰以及电子对抗等[199]。
在成像参数方面，SAR 成像几何、SAR 系统参数、SAR 成像性能等都会对目
标分类识别的性能产生影响。这些参数主要包括：俯仰角、斜视角、入射角、入
射电磁波的频率、带宽、脉冲重复频率、极化方式、处理视数、分辨率、噪声水
平、传感器的异常、运动补偿和聚焦性能以及成像模式等[199]。
根据采用的数据和样本的储存形式，SAR 图像目标分类识别系统可以分为如
下几种：1）利用图像基于模板的系统；2）利用特征基于模板的系统；3）利用图
像基于模型的系统；4）利用特征基于模型的系统[199]。在 SAR 图像舰船目标分类
第 111 页
国防科学技术大学研究生院博士学位论文
识别研究中，根据获取的数据和实验条件，可以灵活设计不同的分类系统。然而，
不论采用哪种分类系统，SAR 图像舰船目标分类识别都具有如图 5.4 所示的一般
框架。
SAR 图像舰船目标分类识别典型框架主要包括 SAR 图像仿真、图像处理、分
类算法设计等三部分。其中样本数据库的生成主要根据成像参数、舰船目标参数
等因素对不同类别的舰船目标进行电磁计算和 SAR 图像仿真，生成训练样本数据
库。图像处理主要是对舰船目标 SAR 图像切片进行滤波、分割等预处理、参数反
演、识别特征提取等操作，一方面获取 SAR 成像时舰船目标的姿态、运动（航行、
俯仰、翻转等）等自身参数[142]，另一方面提取有效的特征用于舰船目标分类识别。
分类算法设计集中于面向 SAR 图像舰船目标识别问题，借鉴信号处理和模式识别
先进理论和方法设计合理、高效的分类识别算法。
图像处理
成像参数
SAR图像仿真
预处理
环境参数
舰船模型
参数反演
分类算法设计
训练样本数据
库
识别特征
提取
测试样本
SAR图像
训练
测试
测试样
本数据
分类结果
图 5.4 SAR 图像舰船目标分类识别框架
5.1.3 SAR 图像舰船目标分类识别研究现状
受成像能力和分辨率的影响，SAR 特别是星载 SAR 图像舰船目标分类识别的
研究相对较少，仍然处于起步阶段。目前，SAR 图像舰船目标分类识别的研究主
要集中于如图 5.4 所示的典型框架中的三个方面，即 SAR 图像仿真、图像处理和
分类算法设计。表 5.1 总结了 SAR 图像舰船目标分类识别研究中具有代表性的文
献，并对它们的关键技术和优缺点进行了综述和评价。
表 5.1 SAR 图像舰船目标分类识别研究总结
方法
数据来源和分类性能
关键技术和创新点
句法模式识别
2m 分辨率，空载 SAR
用特征值的句法来描述舰船目标，
[144]
图像
从而识别目标
优点和缺点
提高了分类的精度和速度
K-近邻模糊分类计算简单，
适用于少量舰船种类的低维
模糊分类
[145]
仿真空载 SAR 图像
K-近邻模糊分类，模糊超盒分类
问题；广义盒子模糊分类适
用于大尺度分类问题，抗噪
性能强。但用于实测 SAR 数
第 112 页
国防科学技术大学研究生院博士学位论文
据时性能不佳。
3m 分辨率，仿真空载
神经网络分类
SAR 图像；正确分类
[147]
率高 98%
仿真空载 SAR 图像
仿真 SAR 数据
基于舰船轮廓的
分类[133, 136]
整幅 SAR 图像作为输入时
3 层后向传播的神经网络分类器
算量大，分类速度慢。
基于神经网络的分层分类器
通过主成分分析（PCA）识别船的
轮廓
1m 分辨率，实测
TerraSAR-X 图像；
通过匹配图像中提取的轮廓与 3D
3m，1m 和 0.3m 分辨
模型的轮廓来分类
率，PicoSAR 图像
星载 SAR 数据
的性能更好；但网络训练计
对称散射描述方法；
相干目标分解技术
提高了分类速度
算法简单；小训练集时分类
性能好，且随训练集增大而
下降
能够区分具有相似尺寸和形
状的不同种类舰船；但 3D
模型的建立比较困难
可用于不同海况下的舰船识
别；但船运动造成多普勒质
心偏移时，其分类性能下降。
较强海杂波和船处于运动状
基于极化信息的
分类
[50, 141, 142]
GRECO 软件仿真的
GRECOSAR；相干目标分解技术；
极化 SAR 图像
持久稳固极化散射点匹配
态时仍有高分类正确率；但
海洋模式数量少，真实性不
高，离实际应用还有一段距
离。
搭载在 ENVISAT 卫
极化旋转度
星上的 ASAR 传感器
的数据，分类正确率
为 84%
B
pixel VH 
pixel VV   pixel VH 
结合极化信息的特征向量具
有旋转不变性，提高了分类
正确率。
充分利用形状和灰度级信
基于活动外观模
SAR 图像，分类正确
活动外观模型（Active Appearance
型的分类[135]
率为 90%
Model, AAM）
息，提高了分类正确率；但
结果受搜索起始位置影响，
且权值由实验获得，稳健性
有待提高
基于上层建筑的
分类
[138]
基于散射信息的
分类
[146]
ISAR 图像
船沿主轴分为船首、中部和船尾区
ENVISAT 图像，分类
域来估计其 RCS 值并作为描述特
正确率接近 70%
征；模糊逻辑分类器；SIMONS
ENVISAT ASAR 图
类型识别
向量化分类器
30m 分辨率，
25m 分辨率，
基于结构特征的
上层建筑的 Hu 矩；
像，识别率为 62%
TerraSAR-X 图像，总
识别精度为 86.84%
基于雷达高分辨
同一天不同时间收集
筑矩的分类精度比普通矩更
高；
可用于单极化图像，具有自
动学习能力；但需要对高分
辨率 SAR 图像进一步实验
验证
船只长度越大，船的类型识
用峰值提取算法来提取目标的结
别率越高；而尺寸较小的船
构特征；定性分类准则
因无法提取结构特征，无法
识别。
[194, 195]
1.25m 分辨率，
减少系统的复杂度，上层建
所选取舰船结构特征有较强
货船和油船的结构特征分析；两阶
鲁棒性，识别方法有效可行；
段识别方法
船体预处理需要进一步提
高。
基于点增强技术的 HRRP；最近邻
第 113 页
提高了目标识别性能。但进
国防科学技术大学研究生院博士学位论文
率一维距离像
的 HRRP 数据，最高
（HRRP）的分类
的分类正确率可达
[200-204]
85%
分类；基于位置细节矩阵分类器
数仔细筛选。
来自 3-D 电脑模型的
仿真数据；无置信阈
值时组合分类器有最
一步提高识别性能需要对参
可用于雷达扫描模式时的目
使用 HRRP 的海洋 ATR 系统；非
标分类，非线性组合分类器
线性联合分类器
比独立的分类器识别性能更
高的正确分类率
佳。
92.4%
仿真相似姿态角下 2
类军舰和 2 类民船数
Relax 算法提取散射点特征；基于
据，平均识别率为
散射中心最近邻模糊分类
较好的识别效果
91.29%
10 类舰船实测 HRRP
数据，平均识别率
HRRP，加权特征向量，改进的最
MNNFC 优化了每个特征的
近邻模糊分类器（MNNFC）
性能，从而提高分类正确率。
93.32%
10 类舰船船实测
HRRP 数据，分类正确
HRRP，多步分类器
率为 92.62%
3 步初选后用神经网络（NN）
分类，提高了分类正确率。
5.2 稀疏表示分类原理
稀疏表示通过求解稀疏系数向量使得信号主要特征和内在结构可以用少量的
原子来表示，已广泛应用于压缩感知、图像压缩、人脸识别等领域[205]。自 John
Wright 等[206]首次提出应用于人脸识别的稀疏表示分类算法（Sparse Representation
Classification, SRC）后，针对 SRC 算法及其应用推广的研究已成为热点。由于 SAR
图像受相干斑噪声污染、目标对成像条件和姿态敏感以及雷达散射存在遮挡效应
等问题，稀疏表示在 SAR 图像目标分类中的研究还处于起步阶段[207]。本节从信号
稀疏表示、稀疏系数向量求解和分类规则三方面研究了稀疏表示分类的基本原理，
并基于 MSTAR 数据库对 SRC 算法的性能进行了示例性验证。
5.2.1 信号稀疏表示
若空间 S 可由 N 个线性无关的基向量 Ψ  φi  , i  1, 2,...,N 张成，则空间中的
任一矢量 s 都可以通过这组基的线性组合进行唯一展开：
N
N
i 1
i 1
s =   i φi   s, φi φi
(5.1)
其中，i  s, φi 是 s 在基矢量 φ i 上得展开系数。如果 φi  φ j ,i  j ，则 Ψ 为空间 S
的一组正交基。将式（5.1）写为矩阵形式为
s = Φα
第 114 页
(5.2)
国防科学技术大学研究生院博士学位论文
其中 Φ 
M N
为基向量组成的矩阵， α 为系数向量。当 M  N 时，则 M 维空间 S
中的每个矢量用 φ i 组合展开的形式有无穷多种，即 α 不是唯一的，称基集合 φi  为
超完备。
为了更灵活地对信号进行表示，采用超完备的冗余基函数代替传统的完备正
交基函数正是稀疏表示问题的前提条件。在 K 类物体的分类问题中，设每一类都
m N
有 ni 个已知标签的训练样本，则可将所有训练样本集合为矩阵 Φ 
Φ  Φ1 , Φ2 ,..., ΦK 
其中 Φi  i ,1 , i ,2 ,..., i ,ni  
M ni
：
(5.3)
表示第 i 类训练样本组成的集合， i , j 表示第 i 类目
标的第 j 个样本，训练样本总个数为 N  i 1 ni 。
K
如果第 i 类目标包含充足的训练样本且观测样本 y 属于该类，则即可近似地将
y 表示为第 i 类训练样本的线性组合：
ni
y   ci , ji , j
(5.4)
j 1
其中 ci , j 表示第 i 类目标中第 j 个样本在重建观测样本 y 过程中的权重。
一般情况下，待观测样本 y 的类别信息是未知的，此时可将整个训练样本集 Φ
作为一组基，从而可以将观测样本 y 用所有样本线性地表示为：
y  Φx
(5.5)
T
其中 x  0,..., 0, ci ,1 ,..., ci ,ni , 0,...0 为理论条件下的系数向量，且该向量是稀疏的。
5.2.2 稀疏系数求解
当样本数据维数 M 大于样本数 N 时，则式（5.5）是一个超定方程组，具有唯
一解。但在大多是实际应用中，式（5.5）一般是病态或不定方程组，即 Φ 为超完
备基。式（5.5）的求解需加入正则化的限制条件，如一种最小化
2
范数条件下的
问题转化为：
min x 2 , s.t. y  Φx
(5.6)
x
此时，满足最小化
最小化
2
范数的解通过 Φ 的伪逆矩阵求取，即 xˆ 2   ΦTΦ  ΦT y 。但是，
-1
2
范数下的解 xˆ 2 一般包含有很多非零项，即 xˆ 2 是稠密的，不能通过其来选
择与观测样本相关性较大的训练样本。
对于来自于某一类别的观测样本 y ，理论上可以用该类别的训练样本对其进行
表示。当训练样本的数目充足时，系数向量 x 仅包含有少量的非零项，即 x 是稀疏
第 115 页
国防科学技术大学研究生院博士学位论文
的。当采用稀疏性作为正则化条件时，可将式（5.5）转化为求解下述问题：
min x 0 , s.t. y  Φx
(5.7)
x
其中 x 0 表示 x 的
0
范数，其值为向量中非零项的个数。最小化
0
范数条件下不定
方程的求解问题是一个 NP 难题[208]，研究者开发了一系列的贪婪算法[209]对其进行
求解。
虽然贪婪算法能够求解上述问题，但它的数值解并不稳定。稀疏表示和压缩
感知理论的研究成果表明，当 x 足够稀疏时，稀疏解的求取可以等价为最小化 1 范
数条件下的问题：
min x 1 , s.t. y  Φx
(5.8)
x
1
范数表示将向量 x 非零系数绝对值之和。式（5.8）中的等式可以通过引入较小
的噪声量  进行松弛，从而可以通过求解凸优化的方法求得稀疏系数向量在最小化
1
范数条件下的一个近似解：
y  Φx  
min x 1 , s.t.
x
(5.9)
目前，求解式（5.9）的方法有线性规划（Linear Programs, LP）和二阶锥形规划
（Second-order Cone Programs）算法[210]等，本文采用 SOCP 算法求解稀疏向量。
5.2.3 稀疏表示分类规则
给定属于第 i 类的观测样本 y ，通过式（5.7）或（5.9）可求得其稀疏表示向量
x 。从理论上来讲， x 中只有对应于第 i 类的系数才是非零的，从而可以很容易地
将 y 识别为第 i 类。但在实际情况中，由于噪声和求解过程的误差， x 中的非零项
并不仅仅对应单一的类别。此时，需要根据稀疏表示向量 x 中非零项的分布来确定
y 的类别信息。Wright 等[206]在人脸识别应用中设计了一种基于最小重构误差的分
类策略，充分利用了稀疏表示向量的线性结构信息。
对每一类别 i ，定义其特征函数  i :
则 i  x  
n
n

n
。给定一个稀疏表示向量 x 
n
，
中的非零项只对应于第 i 类，而其它类别对应的系数均为零。使用第 i
类训练样本对观测样本 y 进行重构可借助于  i  x  来实现，即 yˆ i  Φi  x  。 y 的类
别可以通过寻找最小的重构误差来获得。
min ri (y)
i
y  Φi (x)
2
其中 ri ( y ) 表示第 i 类训练样本对观测样本 y 的重构误差。
5.2.4 稀疏表示分类示例
第 116 页
(5.10)
国防科学技术大学研究生院博士学位论文
稀疏表示分类方法从大量训练样本构造的超完备字典中求取测试样本的稀疏
表示系数，进而确定测试样本的类别。构造超完备字典的元素既可以是直接的图
像像素，也可以是变换后的特征数据。如果直接采用图像像素，由于图像像素较
多，一般对其进行高斯随机投影下采样[206]。然而，受相干斑噪声等因素的影响，
SAR 图像目标分类与人脸识别等光学图像分类问题存在一定的差异。一方面，SAR
图像中非目标区域包含有大量噪声，另一方面目标本身对雷达入射波的散射也有
较大的起伏，且受相干斑噪声影响。如果直接采用 SAR 目标图像进行分类，将会
影响识别性能。本文在分类识别之前，通过图像分割将目标区域分割出来，将非
目标区域设为 0 值并裁剪分割后的目标切片，然后对裁剪后的目标区域进行 PCA
变换提取 PCA 特征[211]，从而减轻相干斑噪声对算法性能的影响。本文的 SAR 图
像目标稀疏表示分类算法如图 5.7 所示。
字典构造
训练样本
区域分割
稀疏表示
PCA变换
字典学习
稀疏系数求解
分类
向量重构
最小重构误差
分类结果
测试样本
图 5.5 本文 SAR 图像目标稀疏表示分类算法
在图 5.5 所示的分类框架下，本小节采用 MSTAR 数据集对稀疏表示分类算法
进行验证和分析，首先给出了 MSTAR 目标的 SRC 示例；其次对比分析了不同 PCA
特征维数条件下 1-NN、LinearSVM、RbfSVM、SRC 算法对 MSTAR 三类目标的
分类性能；再次，对比分析了上述几种算法在不同训练样本集尺度下的分类性能；
最后分析了 SRC 方法在目标类型存在变异条件下的分类结果。
5.2.4.1 MSTAR 数据集及 SRC 分类示例
MSTAR 是美国空军研究实验室（AFRL）和国防部高级研究计划局（DARPA）
联合开展的一个 SAR ATR 系统研究项目[207, 212]。该项目利用 Sandia 国家实验室的
X 波段（9.6 GHz）HH 极化 STARLOS 传感器，分别于 1995 年 9 月、1996 年 11
月和 1997 年 5 月在 Huntsville、Alabama 的 Redstone 兵工厂采集了标准操作条件
（SOC）和扩展操作条件（EOC）下的 10 类车辆目标的 SAR 图像。MSTAR 数据
库包括 BMP-2、BTR-70、T72 三类地面静止目标（及其变体）和 SLICY 目标的
SAR 图像切片数据，每类目标包含 15°和 17°两个不同的俯仰角以及间隔为 1°的
0°~360°的方位角下的所有 SAR 图像，但部分方位角存在缺失。MSTAR 数据成像
参数如表 5.2 所示。本文采用 MSTAR 数据库的一个子集对算法性能进行验证，实
验数据由 BMP2、BTR70、T72 三类目标的 SAR 图像组成，如表 5.3 所示，其中
BMP2 和 T72 由于型号或结构的不同而存在相应的变体。每一类目标分别在 15 和
第 117 页
国防科学技术大学研究生院博士学位论文
17  雷达俯仰角下进行成像，并包含有 200~300 幅 0 ~360 目标姿态角下的图像数
据。在后文未指明的情况下，17  俯仰角下的部分数据用来训练，15 俯仰角下的数
据用来测试。
表 5.2 MSTAR 成像参数
参数
参数值
参数
中心频率
9.6 GHz
PRF
参数值
带宽
600 MHz
极化方式
HH
分辨率
0.3  0.3 米
成像模式
聚束
表 5.3 MSTAR 数据子集
17 (train)1
233
BMP2
SN_9566
[232]
15 (test)
195
196
SN_9563
SN_C21
[233]
196
BTR70
SN_C71
SN_132
232
T72
SN_812
[231]
SN_S7
[228]
233
196
196
195
191
1
Note: 在未指明的情况下，方括号中的数据表示不参与训练和测试。
The Aspect Angle of the Test Sample is 269.49 
0.4 The Aspect Angle of the Test Sample is 186.01 
0.3
0.2
0.1
0
-0.1
0.2
0.1
0
-0.1
SN_9563
SN_C71
SN_132
0.2
0.1
0
-0.1
-0.2
-0.2
-0.2
-0.3
50
100
150
200
Aspect Angle ()
250
300
350
0
250
50
100
150
200
Aspect Angle ()
250
300
0
350
180
SN_9563
SN_C71
SN_132
200
The Residual Error
100
120
100
80
60
40
50
100
150
200
Aspect Angle ()
250
300
350
SN_9563
SN_C71
SN_132
200
140
150
50
250
SN_9563
SN_C71
SN_132
160
The Residual Error
0
The Residual Error
0.3 The Aspect Angle of the Test Sample is 71.79 
SN_9563
SN_C71
SN_132
0.3
Sparse Representation Coefficients
SN_9563
SN_C71
SN_132
Sparse Representation Coefficients
Sparse Representation Coefficients
0.4
150
100
50
20
0
SN_9563
SN_C71
(a)
SN_132
0
SN_9563
SN_C71
SN_132
0
SN_9563
(b)
SN_C71
SN_132
(c)
图 5.6 MSTAR 三类车辆目标的稀疏表示分类示例
(a) SN_9563, (b) SN_C71, (c) SN_132. 从上到下：测试样本图像、稀疏表示系数向量、重构误
差。每类目标用不同的颜色和图标表示，红色圆圈：SN_9563；蓝色方框：SN_C71；绿色菱
形：SN_132。
第 118 页
国防科学技术大学研究生院博士学位论文
图 5.6 给出了稀疏表示分类对 MSTAR 数据中三类不同车辆目标的稀疏表示及
重构误差结果。对于第一行的三类不同车辆目标，第二行的稀疏表示系数向量具
有不同的表现，分别在对应的类别中具有较大的稀疏表示系数，对应于第三行中
的重构误差也较小，从而实现了正确的分类。
5.2.4.2 不同 PCA 特征维数下的分类性能
本小节对比分析 1-NN、LinearSVM、RbfSVM、SRC 算法随特征维数变化时
的分类性能。 17  俯仰角下的三类目标 BMP2(SN_C21)、BTR70、T72(SN_132)的
所有图像数据被作为训练样本， 15 俯仰角下相应型号的目标图像作为测试样本。
实验首先对 MSTAR 图像进行目标分割，并以目标为中心将图像裁剪为 64  64 像
素大小，然后计算 PCA 特征。其中 RbfSVM 的径向基半径设置为经验值   4 ，
采用 LIBSVM 算法库[182]进行分类实验；而 SRC 算法的误差因子设为   0.05 ，以
一定维数的 PCA 特征组成字典采用最小化 1 范数的 SOCP 方法求解稀疏表示向量。
图 5.7 各分类器分类性能随 PCA 特征维数的变化曲线
图 5.7 给出了各分类算法在不同 PCA 特征维数下的性能曲线。主成分分析
（PCA）是一种线性变换，变换后各主成分分量间相互正交。原始图像中的目标
信息一般可由前若干个主成分分量来表示，通过选取一定的特征维数可以降低图
像中噪声的影响。图 5.7 的实验结果表明，随着 PCA 特征维数的增加，PCA 特征
对原始数据的表征越来越充分，各分类器的性能首先呈现上升并可达到顶峰；但
随着 PCA 特征维数的继续增加，图像中噪声逐渐混入目标信号中，分类性能反而
出现下降趋势。SRC 算法达到最佳性能时所需的 PCA 特征维数最少，并且分类性
能优于其他几种分类器。
第 119 页
国防科学技术大学研究生院博士学位论文
5.2.4.3 部分姿态角训练样本缺失时的分类性能
稀疏表示从大量训练样本中进行学习，得到由少量样本对观测样本表示的稀
疏向量。训练样本数目越丰富，可利用的关于目标的信息越多，期望得到的分类
性能越好。特别是对于 MSTAR 数据库，其中的每一训练样本都代表目标在不同
姿态方位角下的成像结果。如果只采用部分姿态角条件下的样本进行训练，则意
味着在某些姿态角的测试样本所对应的训练样本有所缺失。每次以 17  度俯仰角下
的部分目标 SAR 图像作为训练样本， 15 度俯仰角下三类目标（不包含变异目标）
为测试样本，取 PCA 特征维数为 100，其它实验条件如前文所述，各分类器分类
性能随着训练样本百分比的变化趋势如图 5.8 所示。
从图 5.8 可以看出，每种分类的性能都随着训练样本百分比的增加而上升。在
存在训练样本目标姿态角缺失的条件下，SRC 算法仍能保持较好的分类性能。但
对比图 5.8 和图 5.7，每种分类器的正确分类率受训练样本数目的影响并不大，即
在样本数目充足时，部分姿态角下目标样本的缺失对分类器性能影响较小。
图 5.8 各分类器性能随训练 样本百分比的变化趋势
5.2.4.4 存在目标变异体时的分类性能
由于目标型号不同和上层结构的改装，MSTAR 中部分车辆目标存在变异体。
如 BMP2 包含有三个型号：SN_C21、SN_9563 和 SN_9566；T72 也存在三种变异
体：SN_132、SN_812 和 SN_S7。当目标结构发生变化时，其对雷达入射波的散射
将与原目标有所不同，从而在 SAR 图像上出现较大差异。本小节分析了当训练样
本和测试样本所对应的目标型号存在差异时分类算法的性能。分别采用 17  俯仰角
下 BMP2 的 SN_9563、BTR70 和 T72 的 SN_132 作为训练样本，将 15 俯仰角下
BMP2 的 SN_9566、BTR70 和 T72 的 SN_812 作为测试样本，SRC 算法和 RbfSVM
第 120 页
国防科学技术大学研究生院博士学位论文
的分类结果如表 5.4 所示。
表 5.4 存在目标变异体时 SRC 和 RbfSVM 算法分类性能（%）
BMP2
SRC
BTR70
T72
BMP2
RbfSVM
BTR70
T72
BMP2
78.0612
13.6253
8.6735
60.2041
18.3673
21.4286
BTR70
4.5918
94.8980
0.5102
4.5918
94.8980
0.5102
T72
27.6923
6.1538
66.1538
47.6923
0
52.3077
平均正确率
79.7043
69.1366
从表 5.4 可以看出，BTR70 目标的训练和测试采用同一类型目标样本，E-SRC
和 RbfSVM 算法对其分类能力相当；而对于 BMP2 和 T72，由于训练和测试采用
的是同一目标的不同型号变异体，两种算法对其分类都存在较大的误分率。算法
的错误分类主要存在于：将 BMP2 错分为 BTR70 和 T72；将 T72 错分为 BMP2。
总体来讲， SRC 算法平均的分类率更高，在存在目标变异体条件下鲁棒性更好。
5.3 基于方位角限制的高分辨 SAR 图像目标稀疏表示分类算法
在上一节中，我们研究了 SRC 算法基本原理及其对 MSTAR 数据的分类识别
性能。SRC 通过求解稀疏表示系数用超完备字典中的少量元素重构测试样本，相
当于将测试样本投影到每一类中少量元素构成的子空间，进而选取重构误差较小
的子空间的类别判定为测试样本的类别。然而，在不同的方位角条件下，目标 SAR
图像会出现不同的遮挡效应，从而目标在 SAR 图像中的表现具有较大的差别。因
此，当采用方位角相近的训练样本来表示测试样本时，预期在这个更小子空间中
得到的重构误差更小。本节首先研究不同方位角下 MSTAR 车辆目标 SAR 图像间
的相关程度，然后引入方位角信息重新设计 SRC 算法中的分类规则，提出一种基
于方位角限制的 SAR 图像目标稀疏表示分类算法（SRCA），最后在 MSTAR 数
据集上深入分析和验证了算法的性能。
5.3.1 不同方位角下目标 SAR 图像相关性分析
在 SAR 图像中，即使是同一目标在不同方位角条件下也有不同的表现。因此
我们在本小节将分析不同方位角条件下目标 SAR 图像的相关性，通过验证测试样
本与不同方位角下训练样本的相关性，说明引入方位角信息的必要性。
相关程度是评价两幅图像相似性的有效参数，相关性越大，说明二者越相似，
反之，相似性越小。给定两幅图像，它们之间的相关性可以通过下式计算[213]：
第 121 页
国防科学技术大学研究生院博士学位论文
RA,B  max
m,n
   A( x, y)  A  B( x  m, y  n)  B 




    A( x, y )  A  B( x, y )  B  
x
y
2
x
2
(5.11)
12
y
其中， A 表示测试图像， B 表示训练图像； m 和 n 分别表示距离向和方位向的位
移，作用是对齐两幅图像。在上式中，分母是一个归一化系数，可以忽略不计；
分子表示空间域的卷积运算，从而可以等效为傅里叶频域的相乘运算。两幅图像
相关性的详细计算方法可以参考文献[213]。
图 5.9 给出了三个属于不同类别的 MSTAR 测试样本与相应训练样本间的相关
程度。总体上来讲，测试样本与其具有相同类别信息的训练样本间的相关性最大，
要高于与另外两类训练样本间的相关性。而在同类别的训练样本之中，测试样本
与训练样本间的相关性与方位角具有一定的关系。当测试样本与训练样本间的方
位角相近时，相关性较大；而方位角相差较大时，则相关性减小。需要指出的是，
测试样本与训练样本间的相关性沿方位角变化有两个峰值，这主要是因为车辆目
标的方位角变化 180°时，其在 SAR 图像上的表现变化较小，从而使得相同方位
角或具有 180°方位角模糊的车辆目标 SAR 图像间相关性较强。在后续的实验中，
本文为了避免方位角 180°模糊问题，直接从 SAR 图像数据中读取车辆目标的方
位角信息；当不能直接读取方位角信息时，采用图像处理的方法对方位角进行估
计，并根据车辆首尾部分的 RCS 散射强度消除 180°模糊问题[146]。
SN_9563
SN_C71
SN_132
0.7
0.4
0.3
0.2
0.4
0.3
0.2
0.1
The Aspect Angle of the Test Sample is 71.790657 
0.7
SN_9563
SN_C71
SN_132
0.5
0.5
0.8
The Aspect Angle of the Test Sample is 186.006775 
0.6
Correlation Coefficient
0.6
Correlation Coefficient
0.7
The Aspect Angle of the Test Sample is 269.491974 
SN_9563
SN_C71
SN_132
0.6
Correlation Coefficient
0.8
0.5
0.4
0.3
0.2
0.1
0.1
0
0
0
-0.1
-0.1
-0.1
0
50
100
150
200
Aspect Angle ()
250
300
350
0
50
100
150
200
Aspect Angle ()
(a)
250
(b)
300
350
0
50
100
150
200
Aspect Angle ()
250
300
350
(c)
图 5.9 图 5.6 中所示的三个测试样本与训练样本之间的相关性分析
(a) SN_9563, (b) SN_C71, (c) SN_132。图中的方框表示测试样本方位角的 17°邻域。
5.3.2 引入方位角信息的 SRC 算法
上一节的分析表明，SAR 图像车辆目标具有一定的方位敏感性。进一步，我
们分析了这种方位敏感性对 SRC 分类性能的影响。图 5.10 给出了 SRC 分类中一
个误分样本的示例。该误分样本的真实类别是 SN_C71， SRC 分类结果中却是对
应于 SN_9563 的重构误差最小。当我们只采用稀疏系数向量中对应于测试样本方
位角邻域内部分稀疏系数对其进行重构时，对应于 SN_C71 类别的重构误差最小，
实现了正确分类。
第 122 页
国防科学技术大学研究生院博士学位论文
0.15
0.1
0.05
0
-0.05
-0.1
120
120
100
80
60
100
80
60
40
40
-0.15
SN_9563
SN_C71
SN_132
140
140
The Residual Error
0.2
160
SN_9563
SN_C71
SN_132
160
SN_9563
SN_C71
SN_132
The Residual Error
Sparse Representation Coefficients
180
The Aspect Angle of the Test Sample is 307.01 
0.25
20
20
-0.2
0
50
100
150
200
Aspect Angle ()
250
300
0
350
SN_9563
SN_C71
Ground Truth Class
(a)
0
SN_132
SN_9563
SN_C71
Ground Truth Class
(b)
SN_132
(c)
图 5.10 SN_C71 类别中某个误分样本的稀疏系数向量和重构误差。
(a) 稀疏系数向量, (b) SRC 算法重构误差, (c) 误分样本方位角邻域内稀疏系数重构误差。该测
试样本的实际方位角为 307.01°，图中的方框表示样本的方位角邻域范围。
鉴于目标 SAR 图像对方位角的敏感性及其对 SRC 分类性能的影响，本文对式
（5.10）的分类规则进行改进，设计了新的 SRC 重构误差计算方法。对于每一类
别 i ，定义特征函数  i , y , r :
n

n
，表示选取第 i 类样本稀疏系数中与测试样本
方位角 y 相邻 r 范围内的稀疏系数。进而，通过用该特征函数选取的稀疏系数对
测试样本进行重构，并选取具有最小重构误差的类别作为测试样本的类别，
arg min r ( y ) = y  Φ i , y , r  xˆ 1 
i
(5.12)
2
预处理
测试样本
图像分割和PCA
特征计算
分类
方位角估计
稀疏表示向量投影
重构测试样本
并计算重构误差
稀疏表示
训练样本
字典构造
求解稀疏表示系数
分类结果
图 5.11 基于方位角信息的 SAR 图像目标稀疏表示分类算法
实际上，将方位角信息引入稀疏表示分类还可以有其他方式，如用某一方位
角范围内的训练样本构造超完备字典或将方位角作为超完备字典的一行。然而，
第一种方法对某一范围内的训练样本数量要求较高；第二种方法受限于方位角信
息与超完备字典中的其他特征具有不同的量纲。因此，我们在本文中采用最为直
观的方法，即将稀疏系数向量投影到某一方位角范围内的子空间，然后计算相应
的重构误差。
本文提出的基于方位角信息的 SAR 图像目标稀疏表示分类算法共包含三个处
第 123 页
国防科学技术大学研究生院博士学位论文
理步骤，如图 5.11 所示。算法首先对图像进行预处理，包括图像分割、裁剪、PCA
特征提取和方位角估计等；其次，基于 PCA 特征构造的超完备字典和式（5.9）求
解稀疏系数向量；最后，根据稀疏系数向量、方位角信息和式（5.12）重构测试样
本，并将重构误差最小的那个类别判定为测试样本的类别。
5.3.3 实验验证与分析
与 5.2.4 节类似，本节基于 MSTAR 数据集对基于方位角信息的 SAR 图像目标
稀疏表示分类算法进行验证与分析。鉴于在 5.2.4 节中 Linear SVM 和 Kernel SVM
（KSVM）的分类性能更为接近，本节主要对比分析了 Linear SVM、KSVM、SRC
和 SRCA 四种算法对 MSTAR 数据集的分类性能。分类器的参数设置与 5.2.4 节相
同。
5.3.3.1 不同方位角邻域范围和特征维数条件下性能
本小节验证和分析了 SRCA 算法性能随不同方位角邻域范围和不同特征维数
的变化情况。
100
1
98
0.95
X: 51
Y: 0.9319
0.85
96
Recognition Accuracy
Recognition Accuracy (%)
0.9
 = 17 , 99.83%, dim = 60
r
0.8
0.75
 = 7 , 99.83%, dim = 120
0.7
r
dim
dim
dim
dim
dim
dim
0.65
0.6
0.55
0.5
0
10
20
30
40
Range of Aspect Angle ( )
50
=
=
=
=
=
=
20
40
60
80
100
120
94
92
90
88
86
Linear SVM
KSVM
SRC
SRCA
84
82
60
80
20
(a)
40
60
80
Dimension of Features
100
120
(b)
图 5.12 不同算法性能随方位角邻域范围和特征维数的变化情况
(a) SRCA 算法在不同特征维数条件下随方位角邻域范围的变化；(b) 不同算法性能在方位角邻
域范围为 17°的条件下随特征维数的变化情况。
图 5.12(a)给出了 SRCA 算法性能在不同特征维数条件下随方位角邻域范围的
变化情况。在开始阶段，分类性能随着邻域角范围的增加而急剧上升，并在一定
的方位角邻域范围内达到稳定。然而，随着方位角邻域范围继续增加，分类性能
反而开始下降，这就说明了本文算法只在某个方位角邻域范围内计算重构误差的
必要性。从图中可以看出，当特征维数为 d  60 ，方位角邻域范围为 r =17 时本
文算法达到最优分类性能。因此，在后续的实验中，选取特征维数和方位角邻域
范围分别为 d  60 和 r =17 。
第 124 页
国防科学技术大学研究生院博士学位论文
进一步，我们分析了不同算法的分类性能随 PCA 特征维数的变化情况，如表
5.5 和图 5.12(b)所示。随着特征维数的增加，四种算法的性能都很快达到饱和，且
SRCA 和 SRC 算法性能显著地优于 Linear SVM 和 KSVM 算法。当特征维数继续
提高时，SRC 算法的性能出现些微的下降，但 SRCA 算法的分类正确率仍然保持
较高的水平。这也从另一方面说明了本文算法引入方位角信息的正确性。
表 5.5 不同算法分类性能随特征维数的变化
特征维数
20
40
60
80
100
120
平均
Linear SVM
KSVM
SRC
SRCA
80.56
82.43
92.33
93.01
90.79
92.33
98.81
99.66
90.62
92.67
98.47
99.83
90.79
92.84
98.64
99.66
90.96
93.01
97.96
99.66
91.14
92.16
97.78
99.83
89.14
90.91
97.33
98.61
5.3.3.2 俯仰角变化条件下性能
对于实际的 SAR ATR 任务，待分类数据可能获取于不同的雷达俯仰角条件
下，因此，分类算法在俯仰角变化条件下的性能也是考察分类算法性能的一个重
要方面。在本小节中，我们考察四种不同算法在俯仰角变化条件下的分类性能。
在前述实验中，我们采用 17°俯仰角下的数据作为训练样本，15°俯仰角下的数据
用于测试。而在本小节中，我们采用 15°俯仰角数据作为训练样本，17°俯仰角下
的数据用于测试。四种算法的分类性能如表 5.6 所示。从表 5.6 可以看出，四种算
法的性能都有所下降，这说明了俯仰角是影响 SAR 图像目标分类性能的一个重要
因素。尽管如此，本文 SRCA 方法的分类性能仍然是四种算法中最优的。
表 5.6 俯仰角变化条件下四种算法性能对比
数据集
Linear SVM
KSVM
SRC
SRCA
train  17
90.62
92.67
98.47
99.83
train  15
89.40
91.98
97.85
99.14
5.3.3.3 存在目标变异体条件下性能
MSTAR 数据集中的车辆目标具有不同的变异体，同一类别的车辆具有不同的
型号，如表 5.7 所示，BMP-2 具有 SN_9563、SN_9566、SN_C21 三种型号，T-72
具有 SN_132、SN_812、SN_S7 三种型号。分类算法对存在目标变异体条件下的性
能也是衡量分类算法的一项重要指标。因此，我们基于如下设置对四种算法的性
能进行评估：对于训练，我们选取 17°俯仰角下 BMP2 的 SN_9563、BTR70 的
SN_C71、T72 的 SN_132 作为训练样本；对于测试，我们用 15°俯仰角下 BTR70
的 SN_C71 和另外两种车辆目标不同型号的 3 种组合作为测试样本。这 3 种组合
方式分别为：1）不变组合：BMP2 的 SN_9563 和 T72 的 SN_132；2）混合组合：
第 125 页
国防科学技术大学研究生院博士学位论文
BMP2 和 T72 的所有三中型号样本数据；3）变化组合：BMP2 的 SN_9566、SN_C21
和 T72 的 SN_812、SN_S7。四种算法的分类结果如表 5.7 所示。对于不变组合，
本文的 SRCA 算法的正确分类率远远高于其他算法，达到 99.83%。当测试于变化
组合时，即训练样本和测试样本属于不同的型号，本文算法仍然可以达到 87.37%。
尤其是对于 BMP2，本文算法的性能下降不大，且优于其他算法。本小节的实验结
果进一步验证了 SRCA 算法的有效性。
表 5.7 存在目标变异体条件下算法性能对比
数据集
算法
Linear
SVM
KSVM
SRC
不变
变化
Input 
BMP2
BTR70
T72
BMP2
BTR70
T72
BMP2
BTR70
T72
BMP2
BTR70
T72
Avg.
BMP2
BTR70
T72
Avg.
BMP2
BTR70
T72
85.13
2.55
7.65
8.21
92.43
2.04
90.62
7.18
96.94
1.02
92.67
0
97.96
0
6.66
1.02
90.31
75.13
2.55
16.49
14.82
2.55
73.20
71.17
1.53
20.98
76.32
2.04
14.60
12.95
2.04
79.55
74.74
1.53
19.95
2.56
0.51
100
90.97
0.51
6.87
6.98
0.51
89.00
86.48
0
10.36
10.20
96.94
11.66
74.85
9.95
97.45
5.18
79.36
3.83
100
4.15
18.62
1.53
67.36
4.61
0.51
92.86
10.05
94.90
10.31
77.14
10.73
95.92
5.84
80.51
2.04
98.98
4.12
88.21
2.55
6.12
97.44
1.53
0
平均
SRCA
混合
BMP2
BTR70
T72
98.47
100
0.51
0
平均
92.98
0
99.49
0
0
0
100
93.70
0
10.14
9.69
0
85.49
88.81
2.38
100
5.84
3.92
0
84.02
91.84
0
15.54
90.48
99.83
15.30
1.02
74.87
4.34
100
8.03
3.83
0
76.42
87.37
100
98
r = 31
Recognition Accuracy
96
94
92
r = 17
90
88
Linear SVM
KSVM
SRC
SRCA
86
84
82
0.2
0.25
0.3
0.35
0.4
0.45
0.5
0.55
Percentage of Training Samples
0.6
0.65
图 5.13 不完全观测条件下算法性能对比
5.3.3.4 不完全观测条件下性能
受限于成像条件、任务成本等因素的限制，我们很难获取所有观测条件下的
SAR 图像数据，如不同方位角、不同雷达频率、不同俯仰角等。不完全观测条件
第 126 页
国防科学技术大学研究生院博士学位论文
对 SAR ATR 算法也是一个重要的挑战。因此，我们将进一步评估本文算法在不完
全观测条件下的分类识别性能。在本实验中，我们随机选取 17°俯仰角下一定百分
比的样本组成训练样本集，选择 15°俯仰角下的样本作为测试样本，共进行 10 次
重复实验。不同算法的分类性能如图 5.13 所示。从图中可以看出，基于 SRC 的两
种算法性能远远优于基于 SVM 的两种算法。当训练样本集较小时，由于大量样本
的缺失造成 SRCA 算法性能较差。随着训练样本集的增大，SRCA 的性能超越 SRC
方法并在四种算法中达到最优。此外，当方位角邻域范围增大时，SRCA 算法在不
完全观测条件下的性能也会得到改善（如图 5.13 中 r  31 和 r  17 分别所对应
的性能曲线）。
5.4 基于特征空间稀疏表示的高分辨 SAR 图像舰船目标分类算法
直接基于图像像素的 SAR 目标分别类识别算法性能易受相干斑噪声、几何畸
变、遮掩效应等因素的影响。因此，基于特征的分类识别算法具有更广阔的应用
范围。因此，本节重点研究基于特征字典的稀疏表示 SAR 图像舰船目标分类方法。
5.4.1 特征字典的构造
在本文研究的稀疏表示分类算法中，超完备字典的构造是影响算法性能的一
个重要环节。在 SAR 图像目标稀疏表示分类算法中，超完备字典既可以由 SAR 图
像像素（或下采样数据）构造，也可以由 PCA 等变换特征构造，还可以由具有明
确物理意义的物理特征构造。特别是对于舰船目标来讲，具有明确物理意义的几
何特征、灰度统计特征、电磁散射特征等反映了舰船目标更直观、更本质的结构
信息及其后向散射特性。因此，我们期望采用这些具有明确物理意义的特征构造
的稀疏表示超完备字典将可以更好地表示测试样本，从而取得更优的分类识别性
能。此外，相对于直接基于图像像素的超完备字典，由特征构造的超完备字典对
字典容量要求更小，从而求解速度更快。
基于上述考虑及相关研究成果[185]，本文构造了包括舰船目标几何特征、灰度
统计特征、电磁散射特征等在内的超完备字典。字典中每一样本的特征向量表示
为：
f  [ Len, R, C, X ,V , LRCS]T
(5.13)
其中 L 表示长度、 R 表示长宽比、 C 表示形状复杂度、 X 表示质心沿主轴方向远
离船尾的距离、 V 表示方差系数、 LRCS 表示局部 RCS 密度向量。上述各特征的
定义和物理意义如 4.1 和 4.3.2 节所述。
利用每个训练样本的特征向量 f 构造完超完备字典后，即可根据类似图 5.7
第 127 页
国防科学技术大学研究生院博士学位论文
所示的稀疏表示分类流程对 SAR 图像舰船目标进行分类。
5.4.2 实验验证与分析
由于星载 SAR 成像具有一定的重访周期以及舰船目标的运动性特点，获取不
同类型舰船目标在不同雷达参数、不同目标姿态等条件下的多次重复观测数据较
为困难，目前，并没有一个用于 SAR 图像舰船目标分类识别算法研究的公用测试
数据集。本文基于收集的香港地区 TerraSAR-X 条带模式 SAR 图像数据，根据人
工判读和 AIS 交叉验证等方法，建立了一个包含集装箱船、油船、货船等三类典
型舰船目标 SAR 图像舰船目标切片数据库，部分切片数据如图 5.14 所示。
TerraSAR-X 条带模式的名义方位向和地距向分辨率 3 米，成像测绘带宽约为 30
千米，入射角为 15°~60°，成像时间分布于 2008 年 5 月 13 日到 2010 年 12 月 4 日。
舰船目标切片数据库的容量为 450，每类舰船目标的数量分别都为 150 只。限于数
据收集较为困难，本文将基于只包含这三类舰船目标的数据库对算法进行验证和
评估。本文算法一方面可以作为一个更大舰船目标分类识别系统的子分类器，也
可以将其推广应用于更多类型舰船目标的分类识别。
图 5.14 TerraSAR-X SAR 图像舰船目标切片数据示例
上：货船，中：集装箱船，下：油船
为了验证本文算法分类识别性能的改善，分别在图像空间和特征空间将本文
算法与模板匹配方法、K-NN 方法、Bayes 方法和 SVM 方法进行了对比分析。在
第 128 页
国防科学技术大学研究生院博士学位论文
图像中间中，每个舰船切片都被下采样为 12 12 大小；在特征空间，分别提取了每
个舰船目标如式（5.13）所示的特征向量。稀疏表示分类算法的误差因子  设为
0.05，K-NN 方法的 K  3 ，SVM 方法采用径向基核函数 SVM 方法，径向基核函
数的参数根据经验选取。在上述几种算法中，随机选取每类舰船目标各 30 个样本
用来训练，剩下的 120 个样本用于测试，并进行 10 次重复实验。同时，为了测试
各类算法的时间性能，本节所有算法都采用未优化的 MATLAB 代码，硬件环境为
Intel i5 3.0 GHz 处理器 和 4GB RAM。
表 5.8 给出了各类算法分别在图像空间和特征空间的分类性能对比。从中可以
看出，除了模板匹配方法意外，其他几种方法在特征空间的性能都优于在图像空
间的性能。特别是在特征空间中，本文的 SRC 算法达到 92.00%的分类正确率，优
于其他几种方法。上述结果表明，SRC 方法适用于 SAR 图像舰船目标分类，而且
通过提取特征构造的超完备字典要优于由图像像素构造的超完备字典。
表 5.8 五种不同算法的分类精度(%)和时间性能(s)
a. 图像空间，b. 特征空间
a. 图像空间
输出 TM
输入
输出 3-NN
输出 Bayes
输出 Rbf-SVM
输出 SRC

B
C
OT
B
C
OT
B
C
OT
B
C
OT
B
C
OT
B
93.3
6.7
0
96.7
3.3
0
96.7
3.3
0
100
0
0
96.7
0
3.3
C
16.0
68.0
16.0
24.2
59.7
16.1
24.2
59.7
16.1
23.5
60.8
15.7
15.5
69.1
15.4
OT
0
9.3
90.7
0
4.4
95.6
0
4.4
95.6
1.4
1.4
97.2
0
7.8
92.2
平均
84.0
84.0
84.0
86.0
86.0
速度
0.7898
0.6311
0.3811
0.0006
0.0903
输出 Rbf-SVM
输出 SRC
b. 特征空间
输出 TM
输入
输出 3-NN
输出 Bayes

B
C
OT
B
C
OT
B
C
OT
B
C
OT
B
C
OT
B
100
0
0
100
0
0
100
0
0
100
0
0
96.7
0
3.3
C
0
80
20
0
93.7
6.3
0
93.7
6.3
0
97.1
2.9
0
94.9
5.1
OT
22.4
29.6
48
22.3
7.4
70.3
22.3
7.4
70.3
20.3
6.8
72.9
0
15.6
84.4
平均
76.0
88.0
88.0
90.0
92.0
速度
0.5257
0.5482
0.0910
0.0002
0.0868
表 5.8 还详细列出了几种算法对每一类舰船目标的详细分类性能。对于货船，
五种分类方法都达到了最高地正确分类率，这主要是因为货船本身从尺寸上来讲
就比集装箱船和油船小，更易区分；对于集装箱船，在特征空间更易获取更高的
分类正确率，而油船刚好相反。这也就说明了提取的特征和图像像素虽然都反映
第 129 页
国防科学技术大学研究生院博士学位论文
了目标的后向散射特性，但二者所包含信息对舰船目标的区分度是不同的。特别
是集装箱船的结构更为明显，更容易提取有效的分类识别特征，而部分油船在 SAR
图像上的结构反而较为模糊，提取的特征对其分类识别能力有限。因此，能否提
取出有效的分类识别特征是本文方法分类性能的关键所在。
从时间性能上来讲，五种算法在特征空间的效率对比图像空间都有所提高，
说明了通过特征提取降低数据维数对分类算法时间性能有所改进。SVM 方法在五
种算法中的时间性能最优，可以作为一种根据分类正确率和分类效率要求的折中
方案。尽管目前本文的方法具有较高的复杂度，但随着稀疏表示求解算法的不断
发展和改进，有望大大改善该算法的时间性能。
5.5 本章小结
本章重点开展了高分辨 SAR 图像舰船目标识别方面的研究，主要工作包括三
个方面：1）通过分析 SAR 图像舰船目标分类的层次及 SAR ATR 所面临的问题，
确立了 SAR 图像舰船目标分类识别的框架，并综述了 SAR 图像舰船目标识别的研
究现状；2）引入稀疏表示理论，验证了 SRC 对 SAR 图像目标分类识别的有效性，
特别是基于 MSTAR 公用数据集，分析了目标方位角与稀疏表示系数的关系，提
出一种方位角限制的 SAR 图像目标稀疏表示分类算法，该算法对雷达俯仰角变化、
目标类型变异及不完全观测等具有一定的鲁棒性；3）将稀疏表示分类算法应用于
SAR 图像舰船目标分类，特别从特征空间稀疏表示超完备字典的构造方面进行改
进，提出一种特征空间稀疏表示的 SAR 图像舰船目标分类算法，并基于 TerrSAR-X
SAR 图像中三类典型舰船目标的切片数据集对比分析了本文算法与模板匹配、
K-NN、Bayes、SVM 等方法的性能，结果表明本文算法分类正确率较高，而且随
着稀疏表示求解算法的改进期望得到更优的时间性能。
Equation Section (Next)
第 130 页
国防科学技术大学研究生院博士学位论文
第六章
结论与展望
6.1 工作总结
以 HRWS SAR 成像技术发展为背景，针对 HRWS SAR 图像舰船目标监视的
关键技术问题，开展了相关的理论分析、算法方案设计和广泛的实验验证。论文
的主要工作和创新性成果如下：
1、提出了复杂背景中 VIE-CFAR SAR 图像舰船目标检测算法；
在综述 SAR 图像舰船目标检测算法的基础上，重点研究了恒虚警率检测方法。
通过分析不同波段、不同极化方式、不同分辨率、不同海况条件下的海洋杂波统
计特性和 CFAR 检测器的基本原理，引入 G 0 分布描述海洋杂波统计特性，并设计
了基于变化索引和筛选的 CFAR 检测器，通过 MontCarlo 仿真方法分析了 G 0 分布
条件下该检测器在均匀杂波环境、杂波边缘环境及干扰目标环境等不同杂波环境
下的检测性能，提出了复杂背景中的 VIE-CFAR SAR 图像舰船目标检测算法，并
基于实测 ENVISAT 和 TerraSAR-X SAR 图像数据验证了本文算法的有效性。
2、提出了一种基于特征向量选择加权和 SVM 的极化 SAR 图像舰船目标检测
算法；
在综述典型极化 SAR 舰船目标检测方法的基础上，对比了不同极化通道数据
中舰船-杂波对比度随极化方式、入射角等因素的变化情况，研究了极化数据舰船
目标检测能力；基于极化目标分解理论分析了宽测绘带成像所带来的方位向模糊、
旁瓣模糊等虚警的极化散射特性；在上述研究的基础上，提出构造极化特征向量
并进行特征选择和加权，进而采用 SVM 分类的思想实现极化 SAR 图像舰船目标
检测，提出一种基于特征向量选择加权和 SVM 的极化 SAR 图像舰船目标检测方
法。基于大量实测机载 AIRSAR 和星载 Radarsat-2 全极化数据对算法性能进行了
验证和评估。
3、提出了面向分类识别的高分辨 SAR 图像舰船目标几何特征精确提取算法，
提取了一种新的基于舰船结构特点及其散射特性的宏结构散射特征；
在综述 SAR 图像舰船目标典型特征提取方法的基础上，分析了舰船目标几何
特征精确提取的难点，针对成像旁瓣和邻近目标等问题提出一种基于 Radon 变换
域 分 析 的 高 分 辨 SAR 图 像 舰 船 目 标 几 何 特 征 精 确 提 取 方 法 ， 并 基 于 实 测
TerraSAR-X SAR 图像舰船目标切片和人工判读结果对算法性能进行了评估；进一
步，在分析典型舰船目标结构特点及其散射特性的基础上，提出了高分辨 SAR 图
像舰船目标宏结构散射特征及相应的提取方法，并基于集装箱船、油船、货船等
三类典型的舰船目标的特征分布结果验证了上述特征的有效性。
第 131 页
国防科学技术大学研究生院博士学位论文
4、引入稀疏表示理论，提出了基于方位角限制的高分辨 SAR 图像目标稀疏
表示分类算法和基于特征空间稀疏表示的 SAR 图像舰船目标分类算法。
分析了 SAR 图像舰船目标分类识别的层次性，建立了 SAR 图像舰船目标识别
框架，综述了 SAR 图像舰船目标分类识别的研究现状；研究了稀疏表示分类原理，
基于 MSTAR 公用数据集初步验证了 SRC 方法对 SAR 图像目标分类识别的有效
性；研究了目标方位角与稀疏表示系数之间的关系，提出一种基于方位角限制的
SAR 图像目标稀疏表示分类算法，实验验证和分析了算法在雷达俯仰角变化、目
标类型变异、不完全观测等条件下的鲁棒性；研究了 SAR 图像舰船目标特征空间
稀疏表示超完备字典构造方法，提出了基于特征空间稀疏表示的高分辨 SAR 图像
舰船目标稀疏表示分类算法，对比分析了本文算法与模板匹配、K-NN、Bayes、
SVM 等方法的分类正确率和时间性能。
6.2 工作展望
HRWS SAR 图像舰船目标监视关键技术研究是 SAR 图像海洋遥感应用的前沿
性课题，具有较高的理论价值和广阔的应用前景。虽然本文对该问题的研究取得
了一些阶段性的成果，但结合 HRWS SAR 成像技术的发展和实际应用需求，下一
步需要开展的研究还有很多，具体表现在以下几个方面：
一、HRWS SAR 图像舰船目标检测算法性能仍需进一步提高。本文对复杂背
景和极化 SAR 舰船目标检测进行了研究，从一定程度上提高了检测率并消除了方
位向模糊、成像旁瓣等部分虚警。但在实际的舰船目标监视应用中，特别是在近
岸或港口区域，现有的舰船目标检测结果中仍存在大量虚警。因此，需要进一步
对 SAR 图像舰船目标检测算法开展更深入的研究，并充分利用目标上下文、多极
化散射特性等信息提高检测性能。
二、将 HRWS SAR 与极化/极化干涉、全息等成像技术相结合，进一步提取更
为有效、更为本质的舰船目标分类识别特征。在现有的成像模式和图像分辨率条
件下，提取的舰船目标特征只能反映目标较为简单的后向散射、宏观结构等特点，
因此需要研究利用极化/极化干涉、全息 SAR 等对不同类型舰船目标进行反射甚至
重构，提取更有效、更本质的分类识别特征。
三、HRWS SAR 图像舰船目标分别识别研究的深入开展有赖于完整的 SAR 图
像舰船目标数据库的建立。本文对高分辨 SAR 图像舰船目标分类识别进行了初步
的研究，对算法性能的评估主要基于 TerraSAR-X SAR 图像中三类典型的舰船目
标，目标种类较少且数据库容量较小。为了更深入地开展舰船目标分类识别的研
究，有必要建立多类舰船目标在不同成像几何、不同姿态等条件下的图像或特征
数据库。
第 132 页
国防科学技术大学研究生院博士学位论文
四、HRWS SAR 与 AIS 的综合将极大提高舰船目标监视性能。AIS 数据提供
了舰船目标的静态和航行等多种信息，是对 SAR 数据的有力补充。SAR 与 AIS 的
综合，一方面有助于对 SAR 图像舰船目标监视技术的验证和评估，另一方面对 SAR
图像中舰船目标进行快速确认和筛选，提高 SAR 图像舰船目标监视的效率。因此，
需要进一步开展 SAR 与 AIS 综合的舰船目标监视技术研究。
第 133 页
国防科学技术大学研究生院博士学位论文
致
谢
在四年多博士生涯中，曾有过为课题寻找方向的苦闷，也有过为论文顺利录
用的欢欣；曾有过伏案奋笔疾书，也有过球场挥汗如雨；曾有过亲朋的呵护与鼓
励，也有过恩师的鞭策与教诲。当行文终至尾声，掩卷回首，往事历历在目，不
仅要庆幸自身的成长与收获，更要感激成长路上给予我帮助的各位老师、朋友和
亲人。
首先我要衷心感谢导师孙即祥教授。孙老师是模式识别领域的专家，治学严
谨、知识渊博、著作等身，能够拜读在孙老师门下是我莫大的荣幸。读博以来，
孙老师不仅从宏观上把握了我课题的方向和进展，也从日常的指导中将其治学思
想和理念对我言传身教。在生活上，孙老师也时常关心我，并教会我许多为人处
事的道理，谆谆教诲，言犹在耳。
深深感谢协助孙老师一起指导我的计科峰副教授。在学习上，计老师曾字斟
句酌地帮我修改论文，也曾殚精竭虑地训练我的科学思维，更是千方百计地为我
创造了有利的学习条件。在生活上，计老师乐观、大气、正直的性格深深感染和
影响着我，永远是我成长的引路人和人生导师。此时此刻，脑海中竟无法组织更
多合适的词语来表达感谢之情，祝愿计老师永葆诗意的生活情怀。
衷心感谢实验室的周石琳老师、邹焕新老师、李智勇老师、高贵老师、雷琳
老师和孙浩老师，周老师的和蔼可亲、邹老师的平易近人、李老师的一丝不苟、
高老师的博学多才、雷老师的才思敏捷、孙老师的雷厉风行都给我留下了深刻的
印象，他们刻苦耐劳、埋头苦干的拼搏精神更是值得我永远学习。
我还要感谢在生活和学习中曾给予我无私帮助的师兄师姐吴永辉、赵凤杰、
张亮、朱俊、赵键、杜春和赵晶晶；感谢陪伴我一起学习、成长的雷鹏正、唐兴
基、王华、刘洋、杨威、林晓烘、陈波、丘昌镇、张爱兵等同学；感谢朝夕相处、
并肩奋战的实验室师弟师妹秦先祥、朱友清、侯毅、李仁杰、张静克、许军毅、
陈文婷、曹峰、赵志、王栋、张英、杨凯、王肖洋、邓志鹏、夏冬垚、张冰、吴
龙飞、牛敏等；感谢科大操场上曾一起奔驰过的足球少年。
最后，特别感谢我的家人。“家门和顺，虽饔飧不继，亦有余欢”，感谢他
们对我浓浓的关爱，感谢他们的默默奉献和支持。
邢相薇
2014 年 5 月于长沙
第 134 页
国防科学技术大学研究生院博士学位论文
参考文献
[1]
[2]
[3]
Paris W. Vachon, et al. Canadian Progress Toward Marine and Coastal
Applications of Synthetic Aperture Radar[J]. Johns Hopkins APL Technical
Digest, 2000. 21(1): 33-40.
Christina Corbane, et al. A Complete Processing Chain for Ship Detection Using
Optical Satellite Imagery[J]. International Journal of Remote Sensing, 2010.
31(22): 5837-5854.
张风丽, 张磊和吴炳方. 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.
[4]
邢相薇. SAR 图像舰船目标检测研究[D]. 长沙:国防科学技术大学, 2009, 硕
士学位论文.
[5]
[6]
[7]
[8]
Nadia Proia and Vincent Pagé. Characterization of a Bayesian Ship Detection
Method in Optical Satellite Images[J]. IEEE GEOSCIENCE AND REMOTE
SENSING LETTERS, 2010. 7(2): 226-230.
Alberto Moreira, et al. A Tutorial on Synthetic Aperture Radar[J]. IEEE
Geoscience and Remote Sensing Magazine, 2013: 6-43.
Paul A. Mallas and Hans C. Graber. Imaging Ships From Satellites[J].
Oceanography, 2013. 26(2): 150-155.
邓云凯, 赵凤军和王 宇. 星载 SAR 技术的发展趋势及应用浅析[J]. 雷达学
报, 2012. 1(1): 1-10.
[9]
[10]
[11]
[12]
[13]
[14]
Khalid El-Darymli, Peter McGuire, Desmond Power and Cecilia Moloney.
Target Detection in Synthetic Aperture Radar Imagery: A State-of-the-Art
Survey[J].
Journal
of
Applied
Remote
Sensing,
2013.
7:
071598-071591-071535.
Thomas P. Ager. An Introduction to Synthetic Aperture Radar Imaging[J].
Oceanography, 2013. 26(2): 20-33.
Frank M. Monaldo, Christopher R . Jackson and William G. Pichel. SEASAT to
RADARSAT-2 Research to Operations[J]. Oceanography, 2013. 26(2): 34-45.
Kazuo Ouchi. Recent Trend and Advance of Synthetic Aperture Radar with
Selected Topics[J]. Remote Sensing, 2013. 5: 716-807.
D.J. Crisp. The State-of-the-Art in Ship Detection in Synthetic Aperture Radar
Imagery[R]. Edinburgh,South Austrilia: DSTO Information Sciences Laboratory,
013-053, 2004.
K. Eldhuset. An Automatic Ship and Ship Wake Detection System for
Spaceborne Sar Images in Coastal Regions[J]. IEEE Transactions on Geoscience
& Remote Sensing, 1996. 34(4): 1010-1019.
第 135 页
国防科学技术大学研究生院博士学位论文
[15]
[16]
[17]
[18]
[19]
[20]
[21]
[22]
Canada Satlantic Inc. The Ocean Monitoring Workstation PC, Version 2001.1,
User
Manual
Revision
A,
http://www.satlantic.com/products/byname/omw/OMW_Manual.pdf.[J]. 2001.
Marcus Vinícius da Silva Simões. Ship Detection Performance Predictions for
Next Generation Spaceborne Synthetic[D]. Monterey, California:Naval
Postgraduate School, 2001, M. S. .
P. W. Vachon. Validation of Ship Detection by the RADARSAT Synthetic
Aperture Radar and the Ocean Monitoring Workstation[J]. Canadian Journal of
Remote Sensing, 2000. 26(3): 200-212.
F. Askari and B. Zerr. Automatic approach to ship detection in spaceborne
synthetic aperture radar imagery: An assessment of ship detection capability
using RADARSAT[R]. La Spezia (Italy), 2000: 36.
H. Greidanus and N. Kourti. DECLIMSWPS Status and Plans[R].
Farnborough,UK, 2005.
Harm Greidanus and Guido Lemoine. Ship Surveillance with TerraSAR-X
ScanSAR[R]. 2007.
N. Kourti, I. Shepherd, G. Schwartz and P. Pavlakis. Integrating Spaceborne Sar
Imagery into Operational Systems for Fisheries Monitoring[J]. Canadian Journal
of Remote Sensing, 2001. 27(4).
赖涛. 星载多通道 SAR 高分辨宽测绘带成像方法研究[D]. 长沙:国防科学
技术大学, 2010, 博士学位论文.
[23]
林幼权. 星载高分辨率宽幅成像技术分析[J]. 现代雷达, 2011. 33(1): 1-6.
[24]
杨东, 等. 宽测绘带 SAR 成像的一种侧摆模式及其压缩感知处理方法[J].
电子与信息学报, 2012. 34(11): 2594-2600.
[25]
林月冠, 等. 一种基于压缩感知的高分辨率宽测绘带合成孔径雷达成像算
法[J]. 宇航学报, 2013. 34(1): 106-113.
[26]
保铮, 邢孟道 and 王彤. 雷达成像技术[M]. 北京: 电子工业出版社, 2005.
[27]
张直中. 机载和星载合成孔径雷达导论[M]. 北京: 电子工业出版社, 2003.
[28]
Carl Wiley. Pulsed Doppler Radar Methods and Apparatus[P], U.S. Patent 3 196
436, 1954.
P. A. Rosen, et al. Synthetic Aperture Radar Interferometry[J]. Proceedings of
IEEE, 2000. 88(3): 333-382.
D. Massonnet and J. Souryis. Imaging with Synthetic Aperture Radar[M]: EPFL
Press, 2008.
J. S. Lee and E. Pottier. Polarimetric Radar Imaging: From Basics to
Applications[M]. Boca Raton: FL:CRC Press, 2009.
D. Massonnet, et al. The Displacement Field of the Landers Earthquake Mapped
[29]
[30]
[31]
[32]
第 136 页
国防科学技术大学研究生院博士学位论文
[33]
[34]
[35]
[36]
[37]
[38]
[39]
[40]
[41]
[42]
[43]
[44]
[45]
[46]
[47]
by Radar Interferometry[J]. Nature, 1993. 364: 138-142.
Michael Bartusch, David Miller and Manfred Zink. TanDEM-X: Mission
Overview and Status[C]. EUSAR. Berlin, Offenbach, 2010:132-135.
Alan A. Thompson, MacDonald-Dettwiler and Associates. Innovative
Capabilities of the RADARSAT Constellation Mission[C]. EUSAR. Berlin,
Offenbach, 2010:631-633.
K. P. Papathanassiou and S. R. Cloude. Single-Baseline Polarimetric Sar
Imterferometry[J]. IEEE Transatctions on Geoscience and Remote Sensing,
2001. 39(11): 2352-2363.
A. Reigber and A. Moreira. First Demonstration of Airborne Sar Tomography
Using Multibaseline L-Band Data[J]. IEEE Transactions on Geoscience and
Remote Sensing, 2000. 38(5): 2142-2152.
G. Fornaro, et al. SAR Tomography: An Advanced Tool for 4D Spaceborne
Radar Scanning with Application to Imaging and Monitoring of Cities and
Single Buildings[J]. IEEE GEOSCIENCE AND REMOTE SENSING
Newsletters, 2012: 10-18.
G. Ruffini, E. Cardellach, A. Rius and J. M. Aparicio. Remote Sensing of the
Ocean by Bistatic Radar Observations: A Review[R]. Barcelona, IEEC Report
WP1000, ESD-iom019-99, 1999.
E. Fishler, et al. Performance of MIMO Radar Systems: Advantages of Angular
Diversity[C]. 38th Asilomar Conference on Signals, Systems and Computers,
2004:7-10.
M.T. Rey, J. Campbell and D. Petrovic. A comparison of ocean clutter
distribution estimators for CFAR-based ship detection in RADARSAT
imagery[R]. Ottawa, 1340, 1998: 131.
M.D. Henschel, et al. Vessel detection with wide area remote sensing[J]. Sea
Technology, 1998. 39(9): 63-68.
C.C. Wackerman, et al. Automatic Detection of Ships in Radarsat-1 SAR
Imagery[J]. Canadian Journal of Remote Sensing, 2001. 27(5): 568-577.
K.S. Friedman, et al. Validation of a CFAR vessel detection algorithm using
known vessel locations[C]. IEEE 2001 International Geoscience and Remote
Sensing Symposium (IGARSS'), 2001:1804-1806.
W.G. Pichel and P. Clemente-Colon. NOAA CoastWatch SAR applications and
demonstration[J]. Johns Hopkins APL Technical Digest, 2000. 21(1): 49-57.
Joint Research Centre (JRC) of the European Community — IMPAST and
DECLIMS web site, http://intelligence.jrc.cec.eu.int/marine/fish/index.htm. [
N. Kourti, I. Shepard and J. Verborgh. Fishing Boat Detection by Using Sar
Imagery[C]. Ship Detection in Coastal Waters Three Day Workshop, 2000:
K.S. Friedman, et al. Validation of a CFAR Vessel Detection Algorithm Using
第 137 页
国防科学技术大学研究生院博士学位论文
[48]
[49]
[50]
[51]
[52]
[53]
[54]
[55]
[56]
[57]
[58]
[59]
[60]
[61]
Known Vessel Locations[C]. IEEE 2000 International Geoscience and Remote
Sensing Symposium (IGARSS'), 2000:2071-2073.
Naouma Kourti, Iain Shepherd, Petros Pavlakis and Volker Hoffmann. SAR
Imagery for Fishing Vessel Detection[R]. JRC No 14890-1998-12-A1CA ISP
BE, 2000.
QinetiQ's ship detection system — Maritime Surveillance Tool (MaST) web site.
[Available from: http://www.qinetiq.com/casestudies/2002/case_study54.html,
2002.
Gerard Margarit, JoséA, Barba Milanés and Antonio Tabasco. Operational Ship
Monitoring System Based on Synthetic Aperture Radar Processing[J]. Remote
Sensing, 2009. 1: 375-392.
Guillaume Hajduch, Patrick Leilde and Vincent Kerbaol. Ship Detection on
ENVISAT ASAR Data: Results, Limitations and Perspectives[J]. 1-7.
Knut Frode Dagestad. User manual for SARTool[R]. 2004.
N. Robertson, P. Bird and C. Brownsword. Ship surveillance using RADARSAT
ScanSAR images[C]. Alliance for Marine Remote Sensing (AMRS) Workshop
on Ship Detection in Coastal Waters, 2000:
K. Eldhuset. An automatic ship and ship wake detection system for spaceborne
SAR images in coastal regions[J]. IEEE Transactions on Geoscience and
Remote Sensing, 1996. 34(4).
Tonje Nanette Hannevik. Automatic Ship Detection in Sar Images Using
AEGIR[C]. IGARSS, 2010:3712-3715.
P. Lombardo and M. Sciotii. Segmentation-Based Technique for Ship Detection
in SAR Images[C]. in IEE Proceedings: Radar, Sonar & Navigation,
2001:147-159.
M. Sciotti and P. Lombardo. Ship Detection in SAR Images: A
Segmentation-Based Approach[C]. in Proceedings of the 2001 IEEE Radar
Conference (RADAR' 01), 2001:81-86.
M.N. Ferrara and A. Torre. Automatic Moving Targets Detection Using a
Rule-Based System: Comparison between Different Study Cases[C]. IEEE 1998
International Gescience and Remote Sensing Symposium (IGARSS' 98),
1998:1593–1595.
M.N. Ferrara and A. Torre. Alenia Aerospazio Activity on Sar Data Analysis
and Information Extraction[C]. in Proceedings of SPIE, 1997:67-75.
M.N. Ferrara, A. Gallon and A. Torre. Improvement in Automatic Detection and
Recognition of Moving Targets in Alenia Aerospazio Activity[C]. in
Proceedings of SPIE -EUROPTO Conference on Image and Signal Processing
for Remote Sensing, 1998:96-103.
I-I. Lin, Leong Keong Kwoh, Yuan-Chung Lin and V. Khoo. Ship and Ship
第 138 页
国防科学技术大学研究生院博士学位论文
[62]
[63]
Wake Detection in the ERS SAR Imagery Using Computer-Based Algorithm[C].
IEEE 1997 International Geoscience and Remote Sensing Symposium
(IGARSS' 97), 1997:151-153.
I-I. Lin and V. Khoo. Computer-Based Algorithm for Ship Detection from
ERS-XSAR Imagery[C]. in Proceedings of the 3rd ERS Scientific Symposium.
Florence, Italy, 1997:17-21.
种劲松, 欧阳越和朱敏慧. 合成孔径雷达海洋目标检测[M]. 北京: 海洋出
版社, 2006.
[64]
[65]
[66]
[67]
[68]
[69]
[70]
[71]
[72]
[73]
[74]
Guido Lemoine, et al. Evaluation of Vessel Detection System Use for
Monitoring of Fisheries Activities[C], 2006:1-10.
G. Margarit, A. Tabasco and C. Gomez. Maritime Situational Awareness: The
MARISS Experience[C]. The 3rd International Workshop on Advances in SAR
Oceanography from Envisat, ERS and ESA third party missions. Frascati(Rome),
Italy, 2010:
Stéphane Estable, et al. Detection and Classification of Offshore Artificial
Objects in TerraSAR-X Images: First Outcomes of the DeMarine-DEKO
project[C], 2009:
Michael Teutsch and G¨unter Saur. Segmentation and Classification of
Man-Made Maritime Objects in TerraSAR-X Images[C]. IGARSS,
2011:2657-2660.
Harm Greidanus. Satellite Imaging for Maritime Surveillance of the European
Seas[C], 2008:343-358.
Harm Greidanus, et al. Benchmarking Operational Sar Ship Detection[C],
2004:4215-4218.
Stephan Brusch, et al. Ship Surveillance With TerraSAR-X[J]. IEEE
Transactions on Geoscience and Remote Sensing, 2011. 49(3): 1092-1113.
C. Liu, P.W. Vachon and G.W. Geling. Improved Ship Detection with Airborne
Polarimetric SAR Data[J]. Canda Journal of Remote Sensing 2005. 31(1):
122-131.
K. Beckett D.V.M., A. Thompson, A. Luscombe and G. Stirling. Optimization
of RADARSAT-2 SAR imagery for vessel detection applications [C]. in Remote
Sensing of the Ocean, Sea Ice, and Large Water Regions 2010, 2010:
Dan J. Weydahl, et al. Ship Traffic Monitoring Using Satellite Sar Images in
Combination with AIS Reports[C]. in Remote Sensing for Environmental
Monitoring,
GIS
Applications,
and
Geology
VII,
SPIE,
2007:67490D-67491-67497.
S. Ramongassie, et al. Radar and AIS Sensors Constellation for Global Maritime
Surveillance[C]. Geoscience and Remote Sensing Symposium (IGARSS), 2010
第 139 页
国防科学技术大学研究生院博士学位论文
[76]
IEEE International Honolulu, HI 2010:3793 - 3796.
Sudhir Kumar Chaturvedi, Chan Su Yang, Jung Hwan Song and P. Shanmugam.
Integrarion of SAR Data and AIS Report for Ship Detection and
Identification[C]. in 2011 IEEE International Geoscience & Remote Sensing
Symposium. Vancouver, Canada, 2011:
Harm Greidanus. DECLIMS Requirements for Future Systems[J]. 2007.
[77]
张亮. SAR 图像舰船目标检测方法研究[D]. 长沙:国防科技大学, 2007, 硕士
[75]
学位论文.
[78]
赵志. 基于星载 SAR 与 AIS 综合的舰船目标监视关键技术研究[D]. 长沙:
国防科学技术大学, 2013, 硕士学位论文.
[79]
陈文婷. SAR 图像舰船目标特征提取与分类识别方法研究[D]. 长沙:国防科
学技术大学, 2012, 硕士学位论文.
[80]
黄魁华. SAR 图像近岸舰船目标检测方法研究[D]. 长沙:国防科学技术大学,
2010.
[81]
陈琪. SAR 图像港口目标提取方法研究[D]. 长沙:国防科学技术大学, 2011,
博士学位论文.
[82]
[83]
[84]
[85]
[86]
[87]
[88]
Camilla Brekke and Stian Normann Anfinsen. Ship Detection in Ice-Infested
Waters Based on Dual-Polarization SAR Imagery[J]. IEEE Geoscience and
Remote Sensing Letters, 2011. 8(3): 391-395.
Giuseppe Ferrara, Maurizio Migliaccio, Ferdinando Nunziata and Antonio
Sorrentino. Generalized-K (GK)-Based Observation of Metallic Objects at Sea
in Full-Resolution Synthetic Aperture Radar (SAR) Data: A Multipolarization
Study[J]. IEEE Journal of Oceanic Engineering, 2011. 36(2): 195-204.
M. Brizi, P. Lombardo and D. Pastina. Exploiting the Shadow Information to
Increase the Target Detection Performance in SAR Images[C]. International
Conference on Radar Systems, RADAR' 99
P. Lombardo, M. Sciotti and L.M. Kaplan. SAR Prescreening Using Both Target
and Shadow Information[C]. in IEEE National Radar Conference - Proceedings,
2001:147-152.
M. Sciotti, D. Pastina and P. Lombardo. Polarimetric Detectors of Extended
Targets for Ship Detection in SAR Images[C]. IEEE 2001 International
Geoscience and Remote Sensing Symposium (IGARSS' 01), 2001:3132-3134.
M. Sciotti, D. Pastina and P. Lombardo. Exploiting the Polarimetric Information
for the Detection of Ship Targets in Non-Homogeneous SAR Images[C]. IEEE
2002 International Geoscience and Remote Sensing Symposium (IGARSS' 02),
2002:1911-1913.
L. Gagnon, H. Oppenheim and P. Valin. R&D activities in airborne SAR image
第 140 页
国防科学技术大学研究生院博士学位论文
processing/analysis at Lockheed Martin Canada[C]. in Proceeding of
SPIE998-1003.
[89] M. Tello, C. Lopez-Martinez, J.J. Mallorqui and R. Bonastre. Automatic
Detection of Spots and Extraction of Frontiers in SAR Images by Means of the
Wavelet Transform: Application to Ship and Coastline Detection[C].
Geoscience and Remote Sensing Symposium, 2006. IGARSS 2006. IEEE
International Conference on Denver, CO 2006:383 - 386
[90] M. Tello, et al. Advances in Unsupervised Ship Detection with Multiscale
Techniques[C]. Geoscience and Remote Sensing Symposium,2009 IEEE
International,IGARSS 2009 Cape Town 2009:IV-979 - IV-982
[91] Shi-qi Huang, Dai-zhi Liu, Gui-qing Gao and Xi-jian Guo. A Novel Method for
Speckle Noise Reduction and Ship Target Detection in SAR Images[J]. Pattern
Recognition, 2009. 42: 1533-1542.
[92] Seong-In Hwang and Kazuo Ouchi. On a Novel Approach Using MLCC and
CFAR for the Improvement of Ship Detection by Synthetic Aperture Radar[J].
IEEE Geoscience and Rmote Sensing Letters, 2010. 7(2): 391-395.
[93] Kazuo Ouchi, Shinsuke Tamaki, Hidenobu Yaguchi and Masato Iehara. Ship
Detection Based on Coherence Images Derived From Cross Correlation of
Multilook SAR Images[J]. IEEE Geoscience and Remote Sensing Letters, 2004.
1(3): 184-187.
[94] Alexander Kadyrov, Hui Yu and Honghai Liu. Ship Detection and Segmentation
using Image Correlation[J]. 2013.
[95] Attilio Gambardella, Ferdinando Nunziata and Maurizio Migliaccio. A Physical
Full-Resolution SAR Ship Detection Filter[J]. IEEE Geoscience and Remote
Sensing Letters, 2008. 5(4): 760-763.
[96] Henry Leung, Neville Dubash and Nan Xie. Detection of Small Objects in
Clutter Using a GA-RBF Neural Network[J]. IEEE Trans on Aerospace and
Electronic Systems, 2002. 38(1): 98-118.
[97] Mehdi Amoon, Ahmad Bozorgi and Gholam-ali Rezai-rad. New Method for
Ship Detection in Synthetic Aperture Radar Imagery Based on the Human
Visual Attention System[J]. Journal of Applied Remote Sensing, 2013. 7:
071599-071591-071517.
[98] Geir Engen, Yngvar Larsen and Harald Johnsen. Super-Resolution of SAR Data
for Ship Detection[R]. KSAT 7/2007, 2007.
[99] Armand Lopes, et al. Optimal Target Detection using One Channel SAR
Complex Imagery: Application to Ship Detection[C]. IEEE, 1998:813-815.
[100] Yannick Allard, Mickael Germain and Olivier Bonneau. Ship Detection and
Characterization Using Polarimetric SAR Data [C]. Harbour Protection Through
Data Fusion Technologies, NATO Science for Peace and Security Series C:
第 141 页
国防科学技术大学研究生院博士学位论文
[101]
[102]
[103]
[104]
[105]
[106]
[107]
Environmental Security, 2009:243-250.
S. Angelliaume. Ship Detection Using X-band Dual-pol SAR data[C]. in 2011
IEEE International Geoscience and Remote Sensing Symposium. Vancouver,
Canada, 2011:3827-3830.
Jiong Chen, Yilun Chen and Jian Yang. Ship Detection Using Polarization
Cross-Entropy[J]. IEEE GEOSCIENCE AND REMOTE SENSING LETTERS,
2009. 6(4): 723-727.
D.J. Crisp and T. Keevers. Comparison of Ship Detectors for Polarimetric SAR
Imagery[C]. OCEANS 2010 IEEE-Sydney. Sydney, NSW, 2010:1 - 8
K. Beckett D.V.M., A. Thompson, A. Luscombe and G. Stirling. Optimization
of Radarsat-2 Sar Imagery for Vessel Detection Applications[C]. in Remote
Sensing of the Ocean, Sea Ice, and Large Water Regions 2010, 2010:
Ken Yoong Lee and Timo Rolf Bretschneider. Improved Ship Detection Using
Dual-Frequency Polarimetric Synthetic Aperture Radar Data[C]. in 2011 IEEE
International Geoscience & Remote Sensing Symposium. Vancouver, Canada,
2011:2274-2277.
Armando Marino and Nick Walker. Ship Detection with Quad Polarimetric
Terrasar-X Data: An Adaptive Notch Filter[C]. in 2011 IEEE International
Geoscience & Remote Sensing Symposium. Vancouver, Canada, 2011:245-248.
A. Marino, N. Walker and I. Woodhouse. Ship Detection with Radarsat-2
Quad-Pol SAR Data Using a Notch Filter Based on Perturbation Analysis[C].
Geoscience and Remote Sensing Symposium (IGARSS), 2010 IEEE Honolulu,
HI 2010:3704 - 3707
[108] 黄韦艮, 等. 水面船只 SAR 探测的极化方式研究[J]. 遥感技术与应用, 2007.
22(1): 66-69.
[109] Chuhong Fei, Ting Liu, George A. Lampropoulos and Vassilis Anastassopoulos.
Markov Chain CFAR Detection for Polarimetric Data Using Data Fusion[J].
IEEE Transactions on Geoscience and Remote Sensing, 2011: 1-13.
[110] 孙渊, 等. 改进 Notch 滤波的全极化 SAR 数据船舶检测方法[J]. 中国图象图
形学报, 2013. 18(10): 1374-1381.
[111] Chen Liu and Allan Meek. Likelihood Ratio Test Polarimetric SAR Ship
Detection Application[R]. 2005.
[112] Zhaoying Han, Jinsong Chong and Minhui Zhu. Ship Detection in SAR Images
Using Multipolarimetric Information[C], 2005:4729-4732.
[113] Ting Liu and George Lampropoulos. A New Polarimetric CFAR Ship Detection
System[J].
[114] Tao Ding, Brekke Camill and Annsen Stian Normann. An Experimental Study
on Ship Detection based on the Fixed-Point Polarimetric Whitening Filter[J].
第 142 页
国防科学技术大学研究生院博士学位论文
[115] Jian Yang, Hongji Zhang and Yoshio Yamaguchi. GOPCE-Based Approach to
Ship Detection[J]. IEEE Geoscience and remote Sensing Letters, 2012. 9(6):
1089-1093.
[116] Armando Marino, Nick Walker and Iain Woodhouse. SHIP DETECTION
WITH RADARSAT-2 QUAD-POL SAR DATA USING A NOTCH FILTER
BASED ON PERTURBATION ANALYSIS[C]. IGARSS, 2010:3704-3707.
[117] 韩昭颖和种劲松. 极化合成孔径雷达图像船舶目标检测算法[J]. 测试技术
学报, 2006. 20(1): 65-70.
[118] R. Touzi. On the Use of Polarimetric Sar Data for Ship Detection[C]. IEEE 1999
International Geoscience and Remote Sensing Symposium (IGARSS' 99),
1999:812-814.
[119] M. Yeremy, J.W.M. Campbell, K. Mattar and T. Potter. Ocean Surveillance with
Polarimetric SAR[J]. Canadian Journal of Remote Sensing, 2001. 27(4):
328-344.
[120] Robert Ringrose and Nicola Harris. Ship Detection Using Polarimetric SAR
Data[C]. Proceeding of the CEOS SAR Workshop. Toulouse, 1999:687-691.
[121] Chen Liu and Christoph H. Gierull. A New Application for PolSAR Imagery in
the Field of Moving Target Indication/Ship Detection[J]. IEEE Transactions on
Geoscience and Remote Sensing, 2007. 45(11): 3426-3436.
[122] C. Wang, Y. Wang and M. Liao. Polarimetric Characteristics Analysis of Ship
Target and Its Azimuth Ambiguities Based on PolSAR Images[C]. IEEE, 2010:
[123] 魏钜杰, 李平湘, 杨杰和张继贤. 利用全极化ＳＡＲ数据去方位向模糊的舰
船目标检测方法[J]. 测绘学报, 2013. 42(4): 530-539.
[124] Rui Guo, et al. A Novel Strategy of Nonnegative-Matrix-Factorization-Based
Polarimetric Ship Detection[J]. IEEE Geoscience and Remote Sensing Letters,
2011. 8(6): 1085-1089.
[125] A.J.E. Smith, J. Chesworth and H. Greidanus. Ship Detection with Envisat's
Alternating Polarization Mode[C]. Proceeding of the 2004 Envisat and ERS
Symposium. Salzburg,Austria, 2005:1-6.
[126] Mitsunobu Sugimoto, Kazuo Ouchi and Yasuhiro Nakamura. On the Novel Use
of Model-Based Decomposition in SAR Polarimetry for Target Detection on the
Sea[J]. Remote Sensing Letters, 2013. 4(9): 843-852.
[127] Ferdinando Nunziata, Maurizio Migliaccio and Carl E. Brown. Reflection
Symmetry for Polarimetric Observation of Man-Made Metallic Targets at Sea[J].
IEEE Journal of Oceanic Engineering, 2012. 37(3): 384-394.
[128] Domenico Velotto, Ferdinando Nunziata, Maurizio Migliaccio and Susanne
Lehner. Dual-Polarimetric TerraSAR-X SAR Data for Target at Sea
Observation[J]. IEEE Geoscience and Remote Sensing Letters, 2013. 10(5):
第 143 页
国防科学技术大学研究生院博士学位论文
[129]
[130]
[131]
[132]
[133]
1114-1118.
N. Bon, et al. Recent Developments in Detection, Imaging and Classification for
Airborne Maritime Surveillance[J]. IET Signal Processing, 2008. 2(3): 192-203.
David C. Jenn. Automatic Meshing of CAD Ship Files for Use with Numerical
Electromagnetics Codes[D]. Monterey, California:Nacal Postgraduate School,
1996, Master.
J. J. Mallorquí,J. M. Rius and M. Bara. Simulation of Polarimetric SAR Vessel
Signatures for Satellite Fisheries Monitoring[C]. IEEE, 2002:
Y.-L. Chang, C.-Y. Chiang and K.-S. Chen. SAR Image Simulation with
Application to Target Recognition[J]. Progress in Electromagnetics Research,
2011. 119: 35-57.
Wenming Zhou, Jianshe Song, Yongan Zheng and Jun Xu. Establishing target
recognition template in SAR images based on electromagnetic characteristics[J].
Electronics Optics & Control, 2008. 7.
[134] 董江曼, 李应岐和邓飚. 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(6).
[135] Juan Wang, Yang Xu and Xuelan Zhang. The Active Appearance Model with
Applications to SAR Target Recognition[C]. in Proceedings of the 2009
International Symposium on Information Processing(ISIP' 09). Huanshan, P.R.
China, 2009:144-146.
[136] Atle O Knapskog. Classification of Ships in TerraSAR-X Images Based on 3D
Models and Silhouette Matching[C]. EUSAR 2010 - 8th European Conference
on Synthetic Aperture Radar Aachen, Germany, 2010:
[137] Atle Onar Knapskog, Sverre Brovoll and Børge Torvik. Characteristics of Ships
in Harbour Investigated in Simultaneous Images from TerraSAR-X and
PicoSAR[C]. in IEEE, 2010:422-427.
[138] Prashan Premaratne and Farzad Safaei. Ship classification by superstructure
moment invariants[C]. in ICIC’ 09 Proceedings of the 5th international
conference on Emerging intelligent computing technology and applications.
Springer-Verlag Berlin, Heidelberg, 2009:
[139] Chao Yuan, David Casasent and Satoshi Ashizawa. Composite Filters for ISAR
Ship Classification[C]. Algorithms for Synthetic Aperture Radar Imagery VIII,
Proceedings of SPIE, 2001:4382.
[140] Kun-Chou Lee, Lan-Ting Wang, Jhih-Sian Ou and Chih-Wei Huang. An
Efficient Algorithm for the Radar Recognition of Ships on the Sea Surface[C].
OCEANS 2007. Vancouver, 2007:
[141] Gerard Margarit, J. Mallorqui Jordi and Xavier Fabregas. Single-Pass
Polarimetric SAR Interferometry for Vessel Classification[J]. IEEE Trans on
第 144 页
国防科学技术大学研究生院博士学位论文
[142]
[143]
[144]
[145]
[146]
[147]
[148]
[149]
[150]
[151]
[152]
[153]
[154]
[155]
Geoscience and Remote Sensing, 2007. 45(11): 3494-3502.
Ridha Touzi, R. Keith Raney and François Charbonneau. On the Use of
Permanent Symmetric Scatterers for Ship Characterization[J]. IEEE
Transactions on Geoscience and Remote Sensing, 2004. 42(10): 2039-2045.
Riccardo Paladini, Marco Martorella and Fabrizio Berizzi. Classification of
Man-Made Targets via Invariant Coherency-Matrix Eigenvector Decomposition
of Polarimetric SAR/ISAR Images[J]. IEEE Transactions on Geoscience and
Remote Sensing, 2011. 49(8): 3022-3034.
Robert Klepko. Classification of SAR Ship Images with the Aid of a Syntactic
Pattern Recognition Algorithm[R]. Ottawa, 1991.
Andrew Tuttle and Robert Klepko. Fuzzy Classification Algorithms Applied to
Sar Images of Ships[R]. Ottawa, 1995.
Gerard Margarit and Antonio Tabasco. Ship Classification in Single-Pol SAR
Images Based on Fuzzy Logic[J]. IEEE Trans on Geoscience and Remote
Sensing, 2011. 49(8): 3129-3138.
Hossam Osman, Li Pan, Steven D. Blostein and Langis Gagnon. Classification
of Ships in Airborne SAR Imagery Using Backpropagation Neural Networks[C].
in Radar Processing, Technology and Applications II, Proc. SPIE,
1997:126-136.
P. Valin, Y. Tessier and A. Jouan. Hierarchical Ship Classifier for Airborne
Synthetic Aperture Radar (SAR) Images[C]. Signals, Systems, and Computers,
Conference Record of the Thirty-Third Asilomar Conference on. Pacific Grove.
CA , USA, 1999:
Irina Antipov. Analysis of Sea Clutter Data[R]. Canberra, 0647, 1998.
S Watts. Radar Detection Prediction in K-Distributed Sea Clutter and Thermal
Noise[J]. IEEE Transaction on Aerospace and Electronic System, 1987. 23(1):
40-45.
E. Conte and M. Longo. On a Coherent Model for Log-Normal Clutter[J]. 1987.
134(Pt. F, No 2): 198-201.
R. Ravid and N. Levanon. Maximum-Likelihood CFAR for Weibull
Background[J]. IEE Proc., June 1992. 139(3): 256-264.
Maria T. Rey, Anastasios Drosopoulos and Dusan Petrovic. A Search Procedure
for Ships in Radarsat Imagery[R]. Ottawa, 1305, 1996: 58.
Changcheng Wang, Mingsheng Liao and Xiaofeng Li. Ship Detection in SAR
Image Based on the Alpha-stable Distribution[J]. Sensors, 2008: 4948-4960.
A C Frery. A Model for Extremely Heterogeneous Clutter[J]. IEEE Trans. GRS,
1997. 35(3): 648-659.
[156] 鲁统臻, 等. 基于 G0 分布的高海况 SAR 船只目标检测方法[J]. 海洋科学进
第 145 页
国防科学技术大学研究生院博士学位论文
展, 2011. 29(2): 186-195.
[157] 贺志国, 周晓光, 陆军和匡纲要. 一种基于 G0 分布的 SAR 图像快速 CFAR
检测方法[J]. 国防科学技术大学学报, 2009. 31(1): 47-51.
[158] P. P. Gandhi and S. A. Kassam. Analysis of Cfar Processors in Nonhomogenous
Background[J]. IEEE Transaction on Aerospace and Electronic System, 1988:
427-445.
[159] Michael E. Smith and Pramod K. Varshney. Intelligent CFAR Processor Based
on Data Variability[J]. IEEE Trans on Aerospace and Electronic System, 2000.
36(3): 837-847.
[160] Saeed Erfanian and Vahid Tabataba Vakili. Introducing Excision
Switching-Cfar in K Distributed Sea Clutter[J]. Signal Processing, 2009. 89(6):
1023-1031.
[161] Chul H. Jung, et al. Double-Step Fast CFAR Scheme for Multiple Target
Detection in High Resolution SAR Images[C]. IGARSS, 2010:1172-1175.
[162] X.W. Xing, Z.L. Chen, H.X. Zou and S.L. Zhou. A Fast Algorithm Based on
Two-Stage CFAR for Detecting Ships in SAR Images[C]. APSAR. Yichang,
Hubei, 2009:506-509.
[163] 孟大地, 胡玉新和丁赤飚. 一种基于 GPU 的 SAR 高效成像处理算法[J].
雷达学报, 2013. 2(2): 210-217.
[164] G. Benelli, A. Garzelli and A. Mecocci. Complete Processing System That Uses
Fuzzy Logic for Ship Detection in SAR Images[J]. IEE Proceedings: Radar,
Sonar & Navigation, 1994. 141(4): 181-186.
[165] F. Argenti, G. Benelli, A. Garzelli and A. Mecocci. Automatic Ship Detection in
SAR Images[C]. IEE International Conference Radar, 1992:465-468.
[166] H. Osman and S.D. Blostein. Probabilistic Winner-Take-All Segmentation of
Images with Application to Ship Detection[J]. IEEE Transactions on Systems,
Man, & Cybernetics, Part B: Cybernetics, 2000. 30(3): 485-490.
[167] H.C Chan. Radar Sea Clutter at Low Grazing Angles[J]. IEE Proc. Radar and
Signal Processing, 1990. 137(2): 102-112.
[168] D Blacknell and J A Tough. Parameter Estimation for the K-Distribution Based
on Zlog(Z)[J]. IEE Proc.-F, 2001. 148(6): 309-312.
[169] R.S Raghavan. A Method for Estimating Parameters of K-Distributed Clutter[J].
IEEE Transaction on Aerospace and Electronic System, 1991. 27(2): 238-246.
[170] 高贵. SAR 图像目标 ROI 自动获取技术研究[D]. 长沙:国防科学技术大学,
2007, 博士学位论文.
[171] 时公涛, 高贵, 周晓光和匡纲要. 基于 Mellin 变换的 G0 分布参数估计方法
[J]. 自然科学进展, 2009. 19(6): 677-690.
第 146 页
国防科学技术大学研究生院博士学位论文
[172] D D Michael. Statistical Assessment of Model Fit for Synthetic Aperture Radar
Data[C]. SPIE, 2001:379-388.
[173] 吴永辉. 极化 SAR 图像分类技术研究[D]. 长沙:国防科学技术大学, 2007,
博士.
[174] 王超, 等. 全极化合成孔径雷达图像处理[M]. 北京: 科学出版社, 2008.
[175] L M Novak and M C Burl. Optimal Speckle Reduction in Polarimetric SAR
Imagery[J]. IEEE Transaction on Aerospace and Electronic System, 1990. 26(2):
293-305.
[176] S.R. Cloude and E. Pottier. A Review of Target Decomposition Theorems in
Radar Polarimetry[J]. IEEE Transactions on Geoscience and Remote Sensing,
1996. 34: 498-518.
[177] W.L. Cameron, N.N. Youssef and L.K. Leung. Simulated Polarimetric
Signatures of Primitive Geometrical Shapes[J]. IEEE Transactions on
Geoscience and Remote Sensing, 1996. 34: 793-803.
[178] 徐辉, 赵迪, 辛培泉和何东元. 星载 SAR 方位模糊研究[J]. 火控雷达技术,
[179]
[180]
[181]
[182]
2011. 40(2): 1-6.
Igor Kononedko. Estimating Attributes: Analysis and Extensions of RELIEF[C].
in Proceeding of Europe Conference on Machine Learning, 1994:171-182.
Steve R. Gunn. Support Vector Machines for Classification and Regression[R].
1998.
R. E Bellman. Adaptive Control Processes[M]. Princeton: NJ:Princeton
University Press, 1961.
C. C. Chang and C. J. Lin. Libsvm: A Library for Support Vector Machines.
[Available from: http://www.csie.ntu.edu.tw/~cjlin/libsvm, 2001.
[183] 孙即祥. 图像分析[M]. 北京: 科学出版社, 2005.
[184] Lee C. Potter and Randolph L. Moses. Attributed Scattering Centers for SAR
ATR[J]. IEEE Transaction on Image Processing, 1997. 6(1): 79-91.
[185] 陈文婷. SAR 图像舰船目标特征提取与分类识别方法研究[D]. 长沙:国防科
学技术大学, 2012.
[186] Kefeng Ji, Xiangwei Xing, Jingke Zhang and Huanxin Zou. Feature Extraction
of Ground Vehicles from High Resolution SAR Imagery Based on
Electromagnetic Scattering Characteristic[J]. Applied Mechanics and Materials,
2012. 190-191: 778-785.
[187] 张爱兵. 高分辨率 SAR 图像复杂目标属性散射中心特征提取[D]. 长沙:国防
科学技术大学, 2009.
[188] E. Magli, G. Olmo and L. Lo Presti. Pattern Recognition by Means of the Radon
Transform and the Continuous Wavelet Transform[J]. Signal Processing, , 1999.
第 147 页
国防科学技术大学研究生院博士学位论文
[189]
[190]
[191]
[192]
73: 277-289.
V. Gouaillier and L. Gagnon. Ship Silhouette Recognition Using Principal
Components Analysis[C]. SPIE Conference on Applications of Digital Image
Processing. San Diego, USA, 1997:
C.-W. Huang and K.-C. Lee. Application of ICA Technique to PCA Based
Radar Target Recognition[J]. Progress in Electromagnetics Research, 2010. 105:
157-170.
Gerard Margarit, et al. Simulation of fishing vessel polarimetric signatures as
first step to vessel classification[C]. in SAR Image Analysis, Modeling, and
Techniques VI, Proceedings of SPIE. Bellingham, WA: SPIE, 2004:
A. C. Copeland. Localized Radon Transform-Based Detection of Ship Wakes in
SAR Images[J]. IEEE Transactions on Geoscience & Remote Sensing, 1995.
33(1): 35-45.
[193] 朱俊, 王世唏, 计科峰和粟毅. 一种适用于 SAR 图像的二维 Ostu 改进算法
[J]. 中国图象图形学报, 2009. 14(1): 14-18.
[194] 殷雄, 王超, 张红 and 吴樊. 基于结构特征的高分辨率 TerraSAR-X 船舶识
别方法研究[J]. 中国图象图形学报, 2012. 17(1): 106-113.
[195] 张晰, 张杰, 纪永刚和孟俊敏. 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.
[196] 计科峰, 高贵和匡纲要. 一种子像素精度 SAR 图像目标峰值提取方法[J].
计算机仿真, 2004. 21(9): 63-66.
[197] L. Gagnon and R. Klepko. Hierarchical Classifier Design for Airborne SAR
Images of Ships[C]. Automatic Target Recogniton VIII. Orlando, 1998:
[198] Timothy D. Ross, Jeffrey J. Bradley, Lanson J. Hudson and Michael P.
O'Connor. SAR ATR-So What's The Problem? - An MSTAR Perspective[C]. in
Part of the SPIE Conference on Algorithms for Synthetic Aperture Radar
Imagery VI. Orlando, Florida, 1999:662-672.
[199] 匡纲要, 计科峰, 粟毅和郁文贤. SAR 图像自动目标识别研究[J]. 中国图象
图形学报, 2003. 8(A)(10): 1115-1120.
[200] Christopher M. Pilcher and Alireza Khotanzad. Maritime Atr Using Classifier
Combination and High Resolution Range Profiles[J]. IEEE Transactions on
Aerospace and Electronic Systems, 2011. 47(4): 2558~2573.
[201] Sedat Ture Nilufen Cotuk, Mujdat Cetin. Application of Point Enhancement
Technique for Ship Target Recognition by HRR[J].
[202] Xiankang Liu, et al. Modified Nearest Neighbor Fuzzy Classification Algorithm
for Ship Target Recognition[J]. 6th IEEE Conference on Industrial Electronics
and Applications, 2011: 2254~2258.
第 148 页
国防科学技术大学研究生院博士学位论文
[203] Xiankang Liu, et al. Multi-Stage Classification Algorithm of Ship Target Based
on HRRP Multi-Features[J]. 2011 6th IEEE Conference on Industrial
Electronics and Applications, 2011: 2249~2253.
[204] 魏存伟 王锦章, 刘先康 , 梁菁, 任杰, 孙菲. 基于 Relax 散射点特征提取的
舰船目标识别方法[J]. 电子科技, 2011. 24(4): 8~11.
[205] Jia-Bin Huang and Ming-Hsuan Yang. Fast Sparse Representation with
Prototypes[C]. Proceedings of IEEE Conference on Computer Vision and
Pattern Recognition (CVPR 2010). San Francisco, 2010:
[206] John Wright, et al. Robust Face Recognition via Sparse Representation[J]. IEEE
Transation on Pattern Analysis and Machine Intelligence, 2009. 31(2): 1-18.
[207] Haichao Zhang, Nasser M. Nasrabadi, Yangning Zhang and Thomas S. Huang.
Multi-View Automatic Target Recognition using Joint Sparse Representation[J].
IEEE Trans on Aerospace and Electronic System, 2012. 48(3): 2481-2497.
[208] Yinan Yang, Yuxia Qiu and Chaos Lu. Automatic Target Classification
Experiments on the MSTAR SAR Images[C]. in Proceedings of the Sixth
International Conference on Software Engineering, Artificial Intelligence,
Networking and Parallel/Distributed Computing and First ACIS International
Workshop on Self-Assembling Wireless Networks, 2005:1-6.
[209] A. Lutoborski and V. N. Temlyakov. Vector greedy algorithms[J]. Journal of
Complexity, 2003. 19(4): 458-473.
[210] E. Candes and J. Romberg. L1-magic; Recovery of sparse signals via convex
programming. [Available from: http://www.acm.caltech.edu/l1magic/, 2005.
[211] Amit Kumar Mishra and Bernard Mulgrew. Radar Signal Classification Using
PCA-Based Features[C]. ICASSP, 2006:
[212] Timothy Rose, et al. Standard SAR ATR Evaluation Experiments Using the
MSTAR Public Release Data Set[C]. Part of the SPIE Conference on
Algorithms for SAR Imagery V. Orlando, Florida, 1998:566-573.
[213] O. Guillaume, R. Loïcand and M. Philippe. Correlation and Similarity Measures
for SAR Image Matching[C]. SPIE SAR Image Analysis, Modeling, and
Techniques VI. Francesco Posa Barcelona, Spain, 2004:182-189.
第 149 页
国防科学技术大学研究生院博士学位论文
附录 A 式（2.49）推导
幅度 G 0 分布下的 CFAR 阈值推导如下：
Pfa
f Z A z dz
Tl
2n n
Tl
n
z
n
nz
n
n
n
Tl 2( n
Tl 2( n
Tl
1)
n 1
n 1
n 2
n 2
n
n
n
n
t
nTl 2
n2
k 1
1 k
n
1 k Tl 2( n
Tl 2( n
n 1
n 1
Tl 2( n
n 2 n 3
t
n 1 Tl 2( n
n
k 1
n
Tl
n 1
n 1n
n 1
nt
2
Tl
nt
2
2)
n 1 n 2
t
dt
nTl 2
n
n 2
2 n
dt
n 1n
n
1
n 2 n 3
1)
n
nn
n 1
n 1n
n 1
nTl 2
nt
2
Tl 2( n
n
nn
n 1
n 1n
n 2
n 2 n
n
dt
nTl 2
n
3
t
n 1n
n
nn
n n 1
1)
n
nn
dz 2
2 n
nt
Tl2
nn
dz
n
2n 1
Tl
nn
1
nz 2
n
nn
t z2
z 2n
n
1
k)
n k nk
第 150 页
n
dt
k)
nTl 2
n k nk
nTl 2
2)
n k
n k
nTl 2
2 n 1
n 2
国防科学技术大学研究生院博士学位论文
作者在学期间取得的学术成果
一、已发表和录用论文
[1] Xiangwei Xing, Kefeng Ji, Huanxin Zou, Jixiang Sun. Feature Selection and
Weighted SVM Classifier Based Ship Detection in PolSAR Imagery. International
Journal
of
Remote
Sensing.
2013,
34(22):
7925-7944.
(SCI
检 索 :
WOS:000324672800003，IF 1.138; EI 检索：20141217498634)
[2] Xiangwei Xing, Kefeng Ji, Huanxin Zou, Wenting Chen, Jixiang Sun. Ship
Classification in TerraSAR-X Images with Feature Space Based Sparse
Representation. IEEE Geoscience and Remote Sensing Letters. 2013, 10(6):
1562-1566. (SCI 检 索 : WOS:000326966700059 ， IF 1.823; EI 检 索 ：
20134416935162)
[3] Xiangwei Xing, Kefeng Ji, Huanxin Zou, Jixiang Sun. Sparse Representation
Based SAR Vehicle Recognition Along with Aspect Angle. The Scientific World
Journal. Online Published, DOI：http://dx.doi.org/10.1155/2014/834140. (SCI 源
刊，IF 1.732)
[4] Xiangwei Xing, Kefeng Ji, Huanxin Zou, Jixiang Sun. SAR Vehicle Classification
Based on Sparse Representation Classification with Aspect Angle Constraint. SPIE
Eighth International Symposium on Multispectral Image Processing and Pattern
Recognition (MIPPR 2013). Wuhan, China, 2013, 8918: 89180K1-6. (EI 检索:
20135217118392)
[5] Xiangwei Xing, Kefeng Ji, Wenting Chen, Huanxin Zou, Jixiang Sun.
Superstructure Scattering Distribution Based Ship Recognition in TerraSAR-X
Imagery. 35th International Symposium on Remote Sensing of Environment
(ISRSE). Beijing China, 22-26 April, 2013. (EI 源)
[6] Xiangwei Xing，Kefeng Ji，Huanxin Zou，Jixiang Sun，Shilin Zhou. High
Resolution SAR Imagery Ship Detection Based on EXS-C-CFAR in Alpha-stable
Clutters. IEEE International Geoscience and Remote Sensing Symposium, 2011,
316-319. (EI 检索: 20114614516060)
[7] Xiangwei Xing, Kefeng Ji, Huanxin Zou, Jixiang Sun, Shilin Zhou. An Enhancing
Normalized Radon Transform Method for Ship Wake Detection in SAR Imagery.
9th European Conference on Synthetic Aperture Radar, pp. 559-562, 24-26 April
2012, Nurnberg, Germany.
[8] Xiangwei Xing, Kefeng Ji, Huanxin Zou, Jixiang Sun. A Fast Ship Detection
Algorithm in SAR Imagery for Wide Area Ocean Surveillance. 2012 IEEE Radar
Conference, Atlanta, USA, 7-11 May 2012, 570-574. (EI 检索: 20123115286683)
第 151 页
国防科学技术大学研究生院博士学位论文
[9] 邢相薇，计科峰，孙即祥. 基于目标分解和加权 SVM 分类的极化 SAR 图像舰
船检测. 信号处理，2011, 27(9): 1440-1445.
[10] 邢相薇，陈文婷，计科峰，邹焕新，孙即祥. 高分辨星载 SAR 图像舰船目标
识别技术研究. 第一届高分辨率对地观测研讨会-卫星遥感与应用，2012.12,129
[11] 邢相薇, 计科峰, 邹焕新, 周石琳. 星载 SAR 船只目标监视应用研究. 全军侦
察情报装备技术体系研讨会. 2011, 196-201.
[12] 邢相薇，赵和鹏，计科峰，孙即祥. 多目标条件下高分辨 SAR 图像舰船检测.
2013 年卫星有效载荷学术年会. 2013, 328-333.
[13] Ji Kefeng, Xing Xiangwei, Zou Huanxin and Li Renjie. 3-D Geometric Feature
Extraction of Vehicle Target from 2-D High Resolution SAR Imagery Based on
Shadow Information. Proceedings of 2011 IEEE CIE International Radar
Conference, Chengdu, 2011, 2: 1582-1585. (EI 检索: 20121314908197)
[14] Kefeng Ji, Xiangwei Xing, Wenting Chen, Huanxin Zou, Jixiang Sun. Ship
Classification in TerraSAR-X Images based on Classifier Combination. IEEE
International Geoscience and Remote Sensing Symposium, Melbourne, VIC,
Australia. 2013, 2589-2592. (EI 检索: 20140917388863)
二、已申请软件著作权
[15] 计科峰，邢相薇，赵志，邹焕新. SAR 图像大范围海洋舰船检测软件. 已授权,
软著登字第 0632309 号.
[16] 计科峰，邢相薇，赵志，邹焕新. SAR 图像处理与判读解译软件系统. 已授权,
软著登字第 0632762 号.
[17] 计科峰，张静克，邢相薇，邹焕新. 高分辨 SAR 图像目标属性散射中心特征
提取软件. 已授权, 软著登字第 0681499 号.
第 152 页
国防科学技术大学研究生院博士学位论文
作者攻读博士学位期间参与的科研项目
[1] “十一五”XX 基金项目: ―面向 XX 应用的 XX 卫星 XX 信息 XX 和 XX 处理
技术‖，主要参加者；
[2] “十二五”XX 预研项目：“SAR 图像 XX 目标快速 XX 技术”，主要参加者；
[3] XX 基金项目：“SAR 图像 XX 目标 XX 与 XX 技术”，主要参加者；
[4] XX 基金项目：“基于 XX 特征的 SAR 图像 XX 提取技术研究”，主要参加者；
[5] 国家自然科学基金面上项目：61372163，主要参加者；
第 153 页