专利名称：根据船舶的高分辨率sar影像识别船舶类型的方法
技术领域：
本发明涉及高分辨率SAR影像处理领域，尤其涉及一种基于散射中心分布特征矩 阵的高分辨率SAR影像船舶类型识别方法。
背景技术：
目标自动识别(ATR)是合成孔径雷达(SAR)图像解译的重要应用之一，根据分 类识别结果的精细程度，目标识别等级可细分为目标辨识(discrimination)、目标分类 (classification)、目标识别(recognition)和目标型识(identification)四个等级[1]。 随着高分辨率SAR数据源的不断增加和探测性能的不断增强，对陆地和海上目标进行准确 有效地检测、识别逐步成为可能。针对船舶目标模拟SAR数据分类的研究早在上世纪90年代就开始了，Robert Klepko在船舶距离向剖面提取散射中心个数、级别以及位置，结合粗糙特征分类器(CFC) 进行船舶分类[2] ,Osman等以船舶的距离向剖面作为特征向量进行BP神经网络分类[3]， L. fegnon等将分割后的船舶目标等分为9部分，然后对各部分雷达散射的排列顺序建立 37条准则，经过多等级的分类，最终分为商船、护卫舰、航母、巡洋舰、驱逐舰等W]，西班牙 G. Margarit等基于著名的SAR模拟软件GREC0SAR，仿真出不同海况、不同波段的多极化船 舶图像，采用极化干涉的方法进行SAR船舶分类研究[5]。进入21世纪，高分辨率SAR传 感器的相继发射，使获得大量真实SAR船舶切片成为可能，许多研究单位的相关学者开始 着手于船舶目标的特征提取，其中Hutt等分析了 Quest号辅助舰不同模式的RADARSAT-1 切片，发现各图像间差异较大，很难判断对应的是同一艘船舶W]，DECLIMS项目开展了 Benchmark实验，专门探讨现有SAR数据对船舶分类和识别的能力，研究结果显示8米分辨 率Fine模式RADARSAT数据在提取船舶大小(长度和宽度)的效果上远远好于25米分辨 率Mandard模式RASARSAT数据[7]。加拿大Vachon等提取RADARSAT-1船舶的长度及后 向散射系数(RCS)特征，并用海事AIS信息进行验证，但仍没有进行分类的研究[8] [9]。国 内中国海洋大学张昕等对25米分辨率Envisat ASAR船舶目标进行特征提取，根据峰值分 布特点将船舶分为干货船、油轮和集装箱船三类，并用海上同步实测船型进行验证，分类结 果并不理想[10]。综合国内外研究结果，对真实SAR数据的船舶目标分类仍是一个非常复杂的问 题，影响因素包括 海况复杂 运动引起的船舶目标模糊 船舶朝向引起的散射中心变化 星载SAR分辨率较低，无法显示船舶结构细节特征 与目标切片对应的船舶真实信息不易获得TerraSAR-X是由德国国家太空中心(GAC)和EADS Astrium公司共同开发的多极 化SAR卫星，分辨率最高可达1米。
AIS是新一代的海上通信与导航系统，采用全球唯一编码体制，即MMSI码来作为 识别手段。AIS可提供的信息包括IMO号、呼号与船名、船舶长度与宽度、船舶类型等静态信 息以及船舶位置、实际航向、实际航速等动态信息[11]。顶底位移的叠掩(layover)现象是雷达图像一种特有的成像特点，船舶上层建筑 中，机舱可能高达十几米，船桅也有几米高，在10米或20米级分辨率的SAR船舶切片中，顶 底位移并没有明显的体现，但是在3米分辨率的TerraSAR-X影像(3米以下属于高分辨率) 中，顶底位移已经成为船舶目标的普遍特征之一。方位向偏移是SAR图像中运动目标普遍存在的特征，Vachon在对RADARSAT-1数 据的研究中有所体现[8]，例如TerraSAR-X影像对应的成像区域一长江入海口，船舶运动 速度普遍较快，方位向偏移现象比较明显。长度是船舶目标的重要特征，长度的准确提取对于整个船舶ROI区域的分割，以 至于最终ROI区域内散射中心的描述具有很关键的作用。DECLIMS项目开展的对船舶分类 的benchmark实验中[7]几乎所有的参与单位都提取了船舶的长度参数，研究结果显示8 米分辨率的Fine模式RADARSAT数据提取船舶长度的效果好于25米分辨率的Mandard模 式数据，但总的来说，由于旁瓣效应、船舶运动等引起的拖尾效应、谱泄漏等，利用SAR数据 对船舶长度进行精确估算非常困难，SAR图像中船舶的表现大小与其实际大小没有统一的 变换公式。通过手动量测切片中的船舶长度，并与AIS中的船长信息进行比对，我们发现对 于采样间隔1. 25米的TerraSAR-X数据，船舶的表现大小仍不能准确反应其实际大小。船舶运动除产生方位向偏移外，还带有距离向模糊。高分辨率TerraSAR-X图像中 的静止船舶，量测长度是实际船长的1. 2 1. 3倍。高分辨率SAR影像中的船舶目标，不仅仅表现为比海洋杂波背景亮的像元，同时 在一定入射角下，船舶甲板和上层建筑会形成二面角或三面角反射，从而在图像中形成很 强的散射中心，而这些散射中心的分布，则可以在一定程度上代表船舶的上层建筑分布，因 此对船舶散射中心分布的分析可以用来进行船舶分类。我们将船舶目标初步分为两类干 货船和油船。根据船舶峰值特征分布，中国海洋大学的张昕等对25米分辨率的Envisat ASAR 船舶目标进行分类[10]，准则为船体主轴上具有若干离散峰值点为干货船，船体主轴量 测具有若干连续的峰值点为集装箱船，只在船体尾部具有较高峰值为油轮，其中干货船与 集装箱船在AIS中都归类为货船。对船舶目标切片分析发现，对于高分辨率TerraSAR-X数 据，干货船和油轮目标不再遵守前面所述的散射特征分布规律，因此需要归纳新的能够区 分干货船或油船的准则。Vachon采用VUSAR的方法进行船舶主轴及长度的提取[8]，步骤如下(1)寻找目标范围内最亮像元；(2)以最亮像元为中心，沿0 360°方向依次计算每条直线上像素和，最大值所 对应的角度作为船舶方向角，对应的直线为船舶主轴；(3)分别沿主轴垂直方向计算像素和，以海洋背景均值为阈值估计船舶长度。通过分析TerraSAR-X船舶切片，我们发现大部分船舶目标的最亮像元位于船舶 上层建筑中的机舱或船桅部分，而机舱和船桅在高分辨率的SAR图像中表现顶底位移的特征，此时根据VUSAR的方法计算船舶方向角会出现很大的偏差，由此降低船舶长度估计值 的可信度。另外船舶雷达天线旋转所产生的十字丝[2]也会使VUSAR方法失效，如图9所 示，提取主轴91和实际主轴60之间差别很大。引用文献列举如下[1],张红，王超，张波等，高分辨率SAR图像目标识别，科学出版社，2008.[2]. Robert Klepko, Classification of SAR Ship Images with theAid of a Syntactic Pattern Recognition Algorithm, TechnicalNote of Defence Research Establishment OTTAWA, July 1991, Ottawa, Canada.[3]. Hossam Osman, Li Pan, Steven D, et.al., Classification ofShips in Airborne SAR Imagery Using Backpropagation NeuralNetworks, SPIE (3161), July 1997，pp.126-136.[4].L. Gagon, R. Klepko, Hierarchical Classifier Design forAirborne SAR Images of Ships, in Proc. SPIE, vol. 3371, Sep. 1998,pp.38-49.[5]. Gerard Margarit, J. J. Mallorqui, Exploitation of ShipScattering in Polarimetric SAR for an Improved ClassificationUnder High Clutter Conditions, IEEE Transactions onGeoscience and Remote Sensing, vol.47, NO. 4April,2009, pp.1224-1235.[6]. D. Hutt, et.al. , Measurements and Modelling of Radar CrossSection Signature of Research Vessel Quest as Seen withSpace-based SAR, in 8th International Conference on RemoteSensing for Marine and Coastal Environments, Halifax, NovaScotia, May 19th, 2005.[7], H. Greidanus, SAR Classification Benchmark BMK2, DECLIMSmeeting 6, Feb. 2006, Barza,Italy.[8], Paris W. Vachon, Ryan A. English et. al. , Validation ofRADARSAT-1 Vessel Signatures with AISLive Data,Can. J. Remote Sensing,vol. 33,No. l,pp. 20-26, 2007.[9],Paris W. Vachon, Ryan A. English et. al. ，Ship Signaturesin RADARSAT-1 ScanSAR Narrow B Imagery Analysis with AISLiveData, Defence R&D Canada-Ottawa, March 2007.[10].张昕，星载SAR舰船目标探测实验研究，中国海洋大学硕士毕业论文，2008 年6月。[11].袁安存，张淑芳，通用船载自动识别系统国际标准汇编，大连海事大学出版 社，2005年1月。
发明内容
本发明所要解决的技术问题是根据船舶类型不同所对应的高分辨率SAR影像特 征不同，提供一种基于散射中心分布特征矩阵的高分辨率SAR影像船舶类型识别方法，识 别高分辨率SAR影像对应的船舶是干货船还是油船，为进一步科研提供参考。为了实现上述目的，本发明提供了一种根据船舶的高分辨率SAR影像识别船舶类型的方法，包括Sll 提取SAR影像的主轴；S12:在所述主轴方向和与所述主轴垂直的方向上分别提取所述SAR影像的纵向 特征和横向特征；S13 根据所述纵向特征和/或横向特征判断所述SAR影像对应的船舶类型。
所述Sl 1步骤具体包括Slll 对SAR影像进行阈值分割；如使用CFAR(恒虚警率)检测方法等。S112 分别计算SAR影像的整体重心(Ptl)、SAR影像上半部分的上半部重心(P1) 和SAR影像下半部分的下半部重心(P2),判断所述上半部重心和所述下半部重心的连线 (PtP5)与影像纵轴夹角是否小于给定阈值；S113 如果大于给定阈值，以所述整体重心(Ptl)为轴心，以所述上半部重心和所述 下半部重心的连线炉兵)与影像纵轴夹角为旋转角旋转所述SAR影像，返回S112步骤；S114 如果小于给定阈值，则将影像纵轴作为SAR影像的主轴。在此过程中，所述Sll步骤还可以包括S115 将各次旋转角之和作为所述SAR影像的方向角。所述S12步骤具体包括S121 以预定的邻域沿所述主轴方向提取纵向剖面的像素均值并得到纵向局部极 大值叫，其中，i = Ρ··πι，πι为自然数；S122:以预定的邻域沿与所述主轴垂直的方向提取横向剖面的像素均值并得到横 向局部极大值bj，其中，j = 1···η，η为自然数；S123 提取既是纵向局部极大值又是横向局部极大值的点作为散射中心(a” bj)；S124 根据沿所述主轴方向的相邻散射中心( , bj)与(aw，bj)之间区域的像素 均值提取纵向特征矩阵^乍为所述SAR影像的纵向特征，其中，C= Ρ··πι-1，(1= L···!!，若 所述相邻散射中心(ai; bj)与(ai+1，bj)之间区域的像素均值大于设定阈值，Acd = 1，否则 Acd = 0 ；S125 根据沿与所述主轴垂直的方向的相邻散射中心( , bj)与(ai; bJ+1)之间区 域的像素均值提取横向特征矩阵Brf作为所述SAR影像的横向特征，其中e = 1···πι，f = 1··· n-1，若所述相邻散射中心(ai，bp与(ai，bj+1)之间区域的像素均值大于设定阈值，Brf= 1， 否则Brf = 0。在此过程中，为了避免旁瓣效应带来的影响，所述SlM步骤中的根据沿所述主轴 方向的相邻散射中心(a” bj)与(ai+1，bj)之间区域的像素均值提取纵向特征矩阵A。d具体 为将所述相邻散射中心O^bp与(ai+1，bp之间区域等分成三部分，根据最中间的那一部 分区域的像素均值提取纵向特征矩阵A。d ；所述S125步骤中的根据沿与所述主轴垂直的方 向的相邻散射中心(apbj)与(ai，bj+1)之间区域的像素均值提取横向特征矩阵Brf具体为 将所述相邻散射中心(a” bj)与(ai; bJ+1)之间区域等分成三部分，根据最中间的那一部分 区域的像素均值提取横向特征矩阵Brf。所述S13步骤具体为a)若η= 1，判断为油船；b)若η = 2，判断为干货船；
c)若m= 2，η > 2，判断为油船；d)若m > 2，η > 2，且存在d，2彡d彡n_l，对任意c，2彡c彡m-2,Acd = 1，判断 为油船；e)若m>2，n>2，且任意e，2彡e彡m-2，任意f，2彡f彡n_l，Bef = 1，判断为 干货船；f)其它情况，判断为其它类。此种情况下的SAR影像没有必要再进行处理，或者结 合其它信息进一步判断船舶类型。本发明的有益效果是，通过提取高分辨率SAR影像对应的特征矩阵，较为精确地 初步判断出船舶的类型，为进一步科研提供科学的参考依据。
图1是本发明实施例的根据船舶的高分辨率SAR影像识别船舶类型的方法的流程 图；图2是图1中Sll步骤的具体流程图；图3是图2的图解示意图；图4是图1中S12步骤的具体流程图；图5是使用不同方法提取方向角的对比曲线图；图6是应用本发明实施例的根据船舶的高分辨率SAR影像识别船舶类型的方法提 取的纵向剖面的像素均值曲线图；图7是应用本发明实施例的根据船舶的高分辨率SAR影像识别船舶类型的方法提 取的横向剖面的像素均值曲线图；图8是计算得到的纵向特征矩阵A和横向特征矩阵B ；图9是使用VUSAR方法提取的主轴和实际主轴的对比图。
具体实施例方式下面以TerraSAR-X影像为例，结合附图详细说明本发明的实施例。虽然不同干货船上层建筑的差别能够引起TerraSAR-X船舶目标切片(高分辨率 SAR影像)较大差异，但由于普通的干货船甲板货舱盖上不装载货物，在雷达照射下进行表 面散射，表现在SAR影像中为矩形暗散射区，位于船身的起吊装置则表现为暗散射矩形间 的强散射区。干货船与油船一般为尾机型，即机舱位于船体尾部，而前桅位于船首，因此高分辨 率SAR影像两边都存在强散射点，干货船与油船在TerraSAR-X影像中的区别主要在于船身 的甲板区域干货船甲板区装载起吊装置，在SAR影像中表现为横轴方向(与主轴垂直)的 强散射点，而油船甲板上布置纵贯全船的输油管，在SAR影像中表现为纵轴方向(主轴)的 连续强散射点，因此进行船舶分类首先要进行船舶主轴的提取。如图1至图4所示，本发明实施例的根据船舶的高分辨率SAR影像识别船舶类型 的方法的流程图，包括Sll 提取SAR影像的主轴；提取主轴的方法有很多种，比如背景技术中提到的 VUSAR的方法。本实施例中给出一种主轴提取更加精确的方法，具体步骤如下
Slll 对SAR影像进行阈值分割；阈值分割可以采用常用的CFAR检测方法，目的 是使得SAR影像更加清晰，便于进一步处理。从图3中可以看出原始图像31 (SAR影像)与 阈值分割后的图像32的区别。S112 分别计算SAR影像的整体重心(Ptl)、SAR影像上半部分的上半部重心(P1) 和SAR影像下半部分的下半部重心(P2),判断所述上半部重心和所述下半部重心的连线 (PtP5)与影像纵轴夹角是否小于给定阈值(如0. 1° )；重心坐标位置可以根据力学中空间 矩的概念来计算，对于离散图像f(i，j)，P+q矩定义为
权利要求
1.一种根据船舶的高分辨率SAR影像识别船舶类型的方法，其特征在于，包括511提取SAR影像的主轴；512在所述主轴方向和与所述主轴垂直的方向上分别提取所述SAR影像的纵向特征 和横向特征；513根据所述纵向特征和/或横向特征判断所述SAR影像对应的船舶类型。
2.根据权利要求1所述的根据船舶的高分辨率SAR影像识别船舶类型的方法，其特征 在于，所述Sll步骤具体包括5111对SAR影像进行阈值分割；5112分别计算SAR影像的整体重心(PtlKSAR影像上半部分的上半部重心(P1)和SAR 影像下半部分的下半部重心(P2),判断所述上半部重心和所述下半部重心的连线( 与 影像纵轴夹角是否小于给定阈值；5113如果大于给定阈值，以所述整体重心(Ptl)为轴心，以所述上半部重心和所述下半 部重心的连线炉兵)与影像纵轴夹角为旋转角旋转所述SAR影像，返回S112步骤；5114如果小于给定阈值，则将影像纵轴作为SAR影像的主轴。
3.根据权利要求2所述的根据船舶的高分辨率SAR影像识别船舶类型的方法，其特征 在于，所述Slll步骤中的阈值分割使用CFAR检测方法。
4.根据权利要求2所述的根据船舶的高分辨率SAR影像识别船舶类型的方法，其特征 在于，所述Sll步骤还包括S115:将各次旋转角之和作为所述SAR影像的方向角。
5.根据权利要求1所述的根据船舶的高分辨率SAR影像识别船舶类型的方法，其特征 在于，所述S12步骤具体包括5121以预定的邻域沿所述主轴方向提取纵向剖面的像素均值并得到纵向局部极大值 其中，i = 1…m，m为自然数；5122以预定的邻域沿与所述主轴垂直的方向提取横向剖面的像素均值并得到横向局 部极大值卜其中，j = 1···η，η为自然数；5123提取既是纵向局部极大值又是横向局部极大值的点作为散射中心(ai，bp ；5124根据沿所述主轴方向的相邻散射中心( , bj)与(屮+1，bj)之间区域的像素均值 提取纵向特征矩阵^乍为所述SAR影像的纵向特征，其中，C= Ρ··πι-1，(1= L···!!，若所述 相邻散射中心(apbj)与Gw, bp之间区域的像素均值大于设定阈值，A。d = 1，否则A。d = 0 ；5125根据沿与所述主轴垂直的方向的相邻散射中心( , bj)与(ai; bJ+1)之间区域的 像素均值提取横向特征矩阵^作为所述SAR影像的横向特征，其中e= 1···πι，Γ = 1···η-1， 若所述相邻散射中心(Spbj)与(ai，bj+1)之间区域的像素均值大于设定阈值，Brf= 1，否则 Bef = 0。
6.根据权利要求5所述的根据船舶的高分辨率SAR影像识别船舶类型的方法，其特征 在于，所述SlM步骤中的根据沿所述主轴方向的相邻散射中心(ai，bp与(ai+1，bp之间区 域的像素均值提取纵向特征矩阵A。d具体为将所述相邻散射中心( , bj)与(ai+1，bj)之 间区域等分成三部分，根据最中间的那一部分区域的像素均值提取纵向特征矩阵A。d ；所述 S125步骤中的根据沿与所述主轴垂直的方向的相邻散射中心(ai;bp与(aybm)之间区域的像素均值提取横向特征矩阵Brf具体为将所述相邻散射中心(&i，bp与(Bylvi)之间区 域等分成三部分，根据最中间的那一部分区域的像素均值提取横向特征矩阵Brf。
7.根据权利要求4或5所述的根据船舶的高分辨率SAR影像识别船舶类型的方法，其 特征在于，所述S13步骤具体为a)若η= 1，判断为油船；b)若η= 2，判断为干货船；c)若m= 2，η >2，判断为油船；d)若m>2，n>2，且存在d，2彡d彡n_l，对任意c，2彡c彡m_2，Acd= 1，判断为油船；e)若m> 2，n > 2，且任意e，2彡e彡m_2，任意f，2彡f ( n_l，Bef = 1，判断为干货船；f)其它情况，判断为其它类。
全文摘要
本发明公开了一种根据船舶的高分辨率SAR影像识别船舶类型的方法，包括提取SAR影像的主轴；在所述主轴方向和与所述主轴垂直的方向上分别提取所述SAR影像的纵向特征和横向特征；根据所述纵向特征和/或横向特征判断所述SAR影像对应的船舶类型。本发明通过提取高分辨率SAR影像对应的纵向特征矩阵和横向特征矩阵，较为精确地初步判断出SAR影像对应的船舶是油船还是干货船，为进一步科研提供了科学的参考依据。
文档编号G01S13/90GK102109597SQ200910215518
公开日2011年6月29日 申请日期2009年12月29日 优先权日2009年12月29日
发明者张红, 李洪忠, 王超 申请人:中国科学院对地观测与数字地球科学中心