船只目标SAR分类方法-海洋遥感应用

图2.52　UAVSAR实验数据Pauli图

图2.53　UAVSAR数据三种表征以及最终检测结果

与船只目标SAR检测方法的研究相比，对船只目标SAR分类方法的研究起步较晚，主要受限于SAR传感器的分辨率。随着德国DLR的TerraSAR（2007），意大利ASI的Cosmo-SkyMed（2007，2008，2010）以及加拿大CAS的RADARSAT-2等高分辨率SAR的发射，SAR图像的分辨率逐步提高到1m量级，为船只目标SAR分类方法的研究提供了数据支持，极大地促进了它的发展。船只分类特征提取和分类器设计是船只目标SAR分类研究的两个关键问题，本节将分别从这两个方面介绍最新的研究进展，最后将介绍笔者所在的研究团队提出的基于特征和分类器联合选择的船只分类方法。

1.船只SAR分类特征

从SAR图像中提取和选择合适的船只特征进行分类是船只类型识别的核心内容。随着研究的深入，越来越多的船只特征被提出，这些特征有助于从各个不同的方面理解不同类型的船只在SAR图像中的不同特点，从而进行分类。总的说来，被广泛应用的特征包括极化特征、几何特征和散射特征。

极化数据除了包含强度信息外，还包含相位信息，利用相干或者非相干目标分解方法可以从中提取丰富的极化特征进行船只分类。Touzi等（2004）利用永久对称散射体描述船只进行分类，Allard等（2009）融合多种极化分解参数进行船只分类，J.Wang等（2011）则利用主散射机制的差异进行船只分类。由于在实际应用中，并非所有的SAR系统都能提供方法所需的全极化数据，因此，基于船只极化特征的分类方法受到诸多限制。近年来，基于单极化图像船只的几何特征、散射特征的分类方法研究的相对更多。船的长度、宽度、长宽比等几何特征经常被用于船只分类（Gagnon等，1998；Askari等，2000；殷雄等，2012），除了二维几何特征外，船的三维几何结构以及高程信息也先后被用于船只分类（Knapskog等，2011；Margarit等，2007，2009）。船只上层建筑的散射特征能够更好地反映不同类型船只的差异。张晰等（2010）利用强散射结构峰值点的分布来区分船只类型，根据散射点分布提取的均值、不变矩、共生矩阵、梯度分布、局部二进制模式等特征也先后被诸多研究者所使用（Teutsch等，2011；Margarit等，2011；Lang等，2014；C.Wang等，2011）。

利用多种特征间的互补性构建更好的分类特征也是近几年研究的热点。Jiang等（2012）和Xing等（2013）先后提出了融合几何特征与散射特征的分类方法。随着可用SAR船只分类特征的增多，在选择特征组合时，如何剔除冗余特征，构建压缩的船只表达就成为一项重要研究课题。Teutsch等（2011）提出了利用线性判别分析（Linear Discriminant Analysis，LDA）进行船只特征选择的方法。Chen等（2012）提出了将滤波方法与包裹方法相结合的分步特征选择方法。

2.船只SAR分类算法

进行船只类型识别时，在无法获得先验的船只类型信息作为训练样本的情况下，常采用聚类等无监督分类方法。在能够获得训练样本的情况下，常采用半监督（少量样本或者样本有缺失）或者监督（大量样本）的分类方法。监督分类方法是当前广泛使用的方法，不同的研究者采用了不同的分类算法。比较典型的有：Osman等（1997），Gagnon等（1998）采用多层神经网络分类器；Tuttle等（1995），Margarit等（2011）应用模糊逻辑分类器；Jiang等（2012）采用基于Mahalanobis距离的最近邻分类器；而Chen等（2012）则采用了基于欧式距离的K最近邻分类器；Zhang等（2013）和Wang等（2014）分别设计了基于不同参数的树状分层分类器。(www.xing528.com)

3.船只SAR分类实例

通过上面两节的介绍可以看出，随着研究的深入，越来越多的船只特征和分类方法被提出用于构建船只目标SAR分类器，由于不同的特征之间存在着互补性，因此研究者尝试组合不同的特征进行船只分类（陈文婷等，2012）。但是如何将船只特征与分类进行组合得到优化的特征-分类器组合问题还没有被深入地研究过。笔者所在的研究团队发现，不同的分类方法往往偏爱不同的特征或者特征组合，某个或者某几个特征采用KNN分类器时可以取得很好的分类效果，但是当采用SVM分类器时可能就不会得到相应的效果。究竟怎样的特征-分类器组合才是最优的，是一个重要的研究方向。笔者所在的研究团队提出了联合的特征-分类器选择方法（Lang等，2016c），其方法流程如图2.54所示。

图2.54　联合的特征-分类器选择方法流程图

这种方法能够同时从21种船只特征、3种特征归一化方法、5种分类器中选择最佳的组合，从而进行船只分类。实验中提取了包括船宽、船长，宽长比等在内的21种船只特征（表2.11），采用了包括最大值-最小值归一化、Sigmoid变换归一化等在内的3种特征归一化方法。测试的5种不同类型的分类器，包括朴素贝叶斯分类器、马哈拉诺比斯距离分类器、决策树分类器、K最近邻域分类器、支持向量机分类器。

我们测试了不同的特征/归一化方法/分类器组合在两个数据库上的表现，并将所提出的方法与现有文献提出的方法进行了比较，结果见表2.12。从中可以看出所提出方法的分类准确率，比当前文献报道的方法高出3%。另外，实验也证明，采用全部21个特征得到的分类结果，由于特征之间存在冗余性，并没有经过选择的特征组合得到的分类结果高，这说明了特征选择在SAR船只分类识别中的重要性。

表2.11　提取的21种特征

表2.12　舰船分类准确率评价（%）

注：比较方法1参考文献Chen等（2012），比较方法2参考文献Xing等（2013），所提出方法参考Lang等（2016c）。