本发明专利技术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。本发明专利技术通过提取高分辨率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。
【技术实现步骤摘要】
本专利技术涉及高分辨率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。
技术介绍
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。 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 ,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， 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。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。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 。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。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。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，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，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，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,张红，王超，张波等，高分辨率SAR图像目标识别，科学出版社，2008.. 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.. Hossam Osman, Li Pan, Steven D, et.al., Classification ofShips in Airborne SAR Imagery Using Backpropagation Neur本文档来自技高网...
【技术保护点】
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：Ｓ１１：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。
【技术特征摘要】
【专利技术属性】
技术研发人员：王超，李洪忠，张红，
申请(专利权)人：中国科学院对地观测与数字地球科学中心，
类型：发明
国别省市：11
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。