合成孔径雷达(synthetic aperture radar, SAR)是20世纪50年代研制出的一种主动式微波遥感设备，它不受光照和气候等客观条件的限制，能够全天时、全天候地对地面目标进行高分辨成像，甚至可以透过植被或地表获取其掩盖的信息，适用于目标的检测、分类和识别等研究^[1]。其中，大面积的船舶检测与监控是一项重要的民事与军事应用，同时也是一项充满挑战的任务^[2-4]，因此，对SAR图像海面船舶目标检测的算法进行研究具有重要意义。

目前的SAR图像船舶目标检测算法中，应用最为广泛的是恒虚警率(constant false alarm rate, CFAR)算法^[5-11]，它通过选取杂波模型，根据需要的恒虚警率，计算背景与目标的最佳分割阈值，达到检测目标的效果。但是，随着不同天气、风速、海况的差异，呈现在SAR图像中的海洋杂波效果也有很大的差别，这会导致图像中局部背景杂波不均匀，从而影响检测结果。由于杂波模型的选取对检测精度有很大影响，为了适应不同的海况，产生了多种不同的CFAR算法。其中，最常用的是双参数CFAR和K分布CFAR^[12]。双参数CFAR算法采用高斯分布估计背景杂波，并使用3个滑动窗口遍历图像，根据计算的局部阈值进行目标检测。但高海况时，由于高斯分布很难准确描述海杂波，双参数CFAR算法会出现检测率降低的现象。K分布CFAR算法利用K分布描述海杂波，通过其形状参数可以很好地描述高海况时海杂波的拖尾现象。然而，K分布的参数具有不确定性，难以准确估计。同时，CFAR算法普遍存在的问题是由于需要设定目标窗口，其检测性能严重依赖于船舶长度等先验知识，并且对于多种尺度目标共存的情况很难兼顾。

近年来，随着人工智能技术的发展，针对SAR图像的船舶目标检测，陆续出现了基于机器学习或者深度学习的方法。这些方法利用训练数据进行分类器学习，实现船舶目标检测。但是，机器学习的方法都需要大量的训练数据支撑，在实际应用中，由于SAR目标的图像特征随雷达入射角、方位角，乃至雷达系统的不同而差异明显，导致SAR目标样本数据往往难以满足分类器学习的需要。此外，该类方法对算力要求较高，工程应用受限较多，因此，机器学习的方法在当前并没有得到广泛应用，而基于目标与杂波本质差异实现目标检测的传统方法仍是应用关注的重点。

针对上述机器学习方法应用难题及传统船舶检测算法在高海况时出现的性能下降问题，考虑到人类视觉系统在处理复杂图像时，能够迅速确定感兴趣区域，将视觉注意模型应用于高海况SAR图像船舶目标检测应具有积极作用。显著性检测算法就是通过模拟人类视觉系统的这种特性，突出显著区域并抑制非显著区域，实现目标检测。该算法在光学图像目标检测中已经得到了广泛应用，如Itti方法^[13]，光谱残差方法^[14]和贝叶斯显著性检测方法^[15]。但是，由于光学图像和SAR图像显著的差异及成像机理的差别，传统的光学图像显著性检测方法不能直接应用到SAR图像中。

本文基于传统光学图像显著性检测算法，结合SAR图像自身特性，提出一种基于显著性的高海况SAR图像船舶目标检测方法。该方法通过选取适合SAR图像船舶目标检测的金字塔层，在提取强度特征的基础上，引入改进的方向特征和新的一致性特征，建立显著性检测模型，抑制背景杂波，生成显著图，从而获取候选目标区域；然后，基于各区域之间的距离，采用密度约束进行区域连接性的判断，最终实现船舶目标的鲁棒检测。

1 Itti算法简介

Itti算法是一种经典的视觉注意模型，该模型能够自适应地检测出光学图像中的感兴趣区域(region of interest, ROI)。与大多数需要人工指定ROI的传统算法相比，Itti模型在基于图像的目标检测和识别方面具有很大的优势。

对于一幅输入图像，Itti模型通过以下4个步骤获取其显著图：

1) 通过线性滤波器提取图像的颜色、亮度和方向特征，并对每个特征构建一个高斯金字塔，来模拟人类视网膜的非均匀采样机制。对于颜色和亮度特征，Itti模型采用线性离散高斯滤波器分别对输入图像的3个颜色通道在水平方向和垂直方向进行平滑和下采样，各形成8个不同分辨率的子图像^[16]，包括原始图像在内，构建出9层高斯金字塔结构。其中，平滑滤波器为[1 4 6 4 1]，通过与[1 1]/2滤波器的卷积来实现下采样。对于方向特征，Itti模型采用Gabor滤波器对图像的亮度特征图在4个不同方向进行滤波，得到方向特征图。二维Gabor滤波器是一个带通滤波器，可以定义为一个用高斯函数调制的复指函数^[17]：

$ \begin{gathered} G\left(x_0, y_0, \theta, \omega_0\right)=\frac{1}{2 \pi \sigma^2} \exp \left(-\frac{x_0^2+y_0^2}{2 \sigma^2}\right) \\ {\left[\exp \left(\mathrm{j} \omega_0 x_0\right)-\exp \left(-\frac{\omega_0^2 \sigma^2}{2}\right)\right]}, \end{gathered} $

(1)

其中：x₀=xcosθ+ysinθ，y₀=-xsinθ+ycosθ，x、y分别为图像中像素点的横纵坐标，ω₀为滤波器的中心频率，θ为滤波的方向，σ为高斯函数沿两个坐标轴的标准方差，exp(jω₀x₀)为交流成分，$\exp \left(-\frac{\omega_0^2 \sigma^2}{2}\right)$为直流补偿。

2) 对每个特征金字塔，利用中央差分法计算对应的特征图。计算方法为：

$ \boldsymbol{I}(c, s)=|\boldsymbol{I}(c)-\boldsymbol{I}(s)|, $

(2)

$ {\bf{R G}}(c, s)=|(\boldsymbol{R}(c) \ominus \boldsymbol{G}(c))-(\boldsymbol{G}(s) \ominus \boldsymbol{R}(s))|, $

(3)

$ {\bf{B Y}}(c, s)=|(\boldsymbol{B}(c)-\boldsymbol{Y}(c)) \ominus(\boldsymbol{Y}(s)-\boldsymbol{B}(s))|, $

(4)

$ \boldsymbol{O}(c, s)=|\boldsymbol{O}(c, \theta) \ominus \boldsymbol{O}(s, \theta)|, $

(5)

其中：c∈{2, 3, 4}，s=c+δ, δ∈{3, 4}，符号“⊖”表示将两幅图像通过插值转换为相同大小，然后再进行逐点减法。

3) 将每个特征在不同尺度下的特征图归一化，得到对应特征的总特征图。

4) 最后将3个特征对应的3幅总特征图进行加权求和，同时利用胜者全赢机制从显著图中找出最显著的点，利用返回抑制机制，保证该区域不再聚焦^[18]，得到最终的显著图。

2 改进的Itti-SAR算法

由于成像机理的不同，光学图像和SAR图像的特性存在较大差异，将Itti模型用于高海况SAR图像船舶目标检测将出现以下4个问题：(1) 将图像压缩到不同的分辨率并保留重要信息对于视觉注意算法非常重要，但是SAR图像的成像范围更大，目标尺寸相对光学图像更小，同时，高海况时SAR图像的背景更加复杂，不同于光学图像中背景相对均匀的情况。这使得原Itti模型的9层金字塔结构无法较好地保留目标与背景之间的边界区域。(2) SAR图像中，船舶目标与周围的自然环境相比，方向信息更为显著，但是，Itti模型利用Gabor滤波器提取图像的方向特征，而Gabor滤波器的最大带宽被限制在一倍频，将其用于SAR图像方向特征的提取中，会出现目标被模糊、不能较好地抑制背景的现象。(3) SAR图像属于灰度图像，无法像光学图像一样提取颜色特征，直接套用Itti模型只能提取强度特征和方向特征，这会使得SAR图像自身的特征不能得到充分利用，降低目标检测的性能。(4) 随着SAR成像技术的发展，SAR图像的分辨率不断提高，船舶目标的结构更加清晰，船头和船尾的雷达散射截面较强，在图像中形成较亮的区域，船舶内部则相对较弱，这使得显著性算法会将一个船舶目标检测为两个甚至多个，出现较多的虚警。

针对上述问题，本文在Itti模型的基础上进行了4点针对性的改进。为了直观展示算法改进的效果，下文逐一给出了在同一幅图像上的实验结果。实验图像来自“高分三号”获取的高分辨率SAR船舶检测数据集-1.0(AIR-SARShip-1.0)^[19]，图像的像素尺寸为1 000×1 000，海况级别为3级，分辨率为3 m。原图像以及人工标注出的船舶目标位置如图 1所示。

2.1 金字塔层数的选择

利用Itti模型的线性离散高斯滤波器对实验图像进行平滑和下采样，形成8个不同分辨率的子图像，最终得到的9层金字塔结果如图 2所示。

由图 2可以看出，对原始图像进行平滑和下采样后，虽然分辨率逐层降低，但是图像中的目标区域和背景区域，由于强度相对均匀，金字塔层数增加造成的强度变化很平缓，而目标和背景间的边缘区域，由于强度值会被临近的背景像素点平均，金字塔层数增加造成的强度变化更加剧烈，中央差分操作就是利用这种差异，对不同层数的金字塔图像进行差分，达到定位目标位置的效果。

但是，由于SAR图像中的目标尺寸较小，即目标的像素点较少，同时高海况时图像背景的异质性较强，在对图像构建金字塔时，随着分辨率的降低，由于强度值逐渐被平均，目标像素点在金字塔层数较高时，强度会变得与背景相近，逐渐淹没在背景中，而背景中较为明亮的噪声逐渐凸显，导致无法较好地保留目标与背景之间的边界区域。如果在此9层金字塔结构上进行特征提取和中央差分的操作，并不能有效提取出高海况SAR图像的相关特征。

为此，本文基于多幅高海况SAR图像上的实验，确定6层金字塔结构可以在模拟人类视网膜的非均匀采样机制的同时，保留SAR目标与背景之间的边界，从而在特征提取和中央差分操作后，可以较为有效地提取出SAR图像的特征图。因此，本文算法对高海况SAR图像采用线性离散高斯滤波器，分别对图像的水平和垂直方向进行平滑和下采样，形成5个不同分辨率的子图像，包括原始图像在内，构建出6层高斯金字塔结构。在对每一层图像分别进行3种特征提取后，将2层分别与3、4、5层，3层分别与4、5、6层进行中央差分操作，获取每个特征的6幅特征图，每个特征的6幅特征图相加即得到对应的特征图。

考虑到每个特征的提取方法不同，为了避免不同特征图之间的幅度差异过大，需要将3组特征图归一化，将其幅度均线性映射到[0, 255]之间，这样既使得不同特征图之间的幅度较为一致，同时也进一步增大了显著区域和非显著区域之间的差异，得到相应的3幅总特征图，对这3幅特征图相加求均值后得到最终的总显著图。

2.2 方向特征的提取

Itti模型采用Gabor滤波器提取图像的方向特征，Gabor滤波器是能够取得空域-频域联合测不准原理下限的唯一函数，在提取图像的局部频率信息方面效果显著。但是，Gabor滤波器存在直流分量，其最大带宽被限制在一倍频，不能得到尽可能宽的谱信息。为此，Field^[20]提出Log-Gabor滤波器，实现了任意带宽滤波器的构建，同时，Log-Gabor滤波器更加符合人类视觉系统的特性。

所以，本文算法在显著性算法中用Log-Gabor滤波器代替Gabor滤波器，对高海况SAR图像提取6个尺度的方向特征，将2层分别与3、4、5层，3层分别与4、5、6层进行中央差分操作，归一化后得到总的方向特征图。在实验图像上分别验证两种方法对于方向特征的提取效果，结果如图 3所示。

由图 3可以看出，原Itti模型对SAR图像提取的方向特征对复杂背景几乎没有抑制作用，同时因为Gabor滤波器的最大带宽被限制在一倍频，使图像上较为明亮的点都产生了一定程度的模糊，这既不有利于凸显目标，也会干扰目标位置的确定。而本文通过Log-Gabor滤波器提取SAR图像的方向特征，增大了船舶目标与背景之间的差异，对高海况SAR图像的背景进行了有效抑制，对船舶目标的定位更为准确。

2.3 一致性特征的引入

由于原Itti模型针对的是光学图像，没有考虑SAR图像特性，无法充分利用SAR图像特征，为此，本文算法在对SAR图像提取强度特征和方向特征的基础上，引入了一致性特征的提取，进一步增强船舶目标、抑制背景，在高海况下实现船舶目标的准确检测和定位。下面介绍一致性特征的提取方法。

在数学上，结构张量也称为二阶矩矩阵，是由函数的梯度导出的矩阵。它总结了梯度在点的特定邻域中的主导方向，以及这些方向的相干程度。结构张量常用于图像处理和计算机视觉。对于一幅图像I，给定邻域窗口的半径r，则对于其中的每个像素点(x, y)，其结构张量都是一个2×2的矩阵，计算公式为

$ \boldsymbol{S}(x, y)=\left[\begin{array}{ll} S_{11} & S_{12} \\ S_{21} & S_{22} \end{array}\right], $

(6)

$ S_{11}=\sum\limits_{\substack{-r<m<r \\-r<n, R}} \boldsymbol{w}(m, n) *\left[I_x(x+m, n+n)\right]^2, $

(7)

$ \begin{gathered} S_{12}=\sum\limits_{\substack{-r<m<r \\ -r<n, R}} \boldsymbol{w}(m, n) *\left[I_x(x+m, n+n)\right] * \\ \quad\left[I_y(x+m, n+n)\right], \end{gathered} $

(8)

$ \begin{gathered} S_{21}=\sum\limits_{\substack{-r<m<r \\ -r<n, R}} \boldsymbol{w}(m, n) *\left[I_x(x+m, n+n)\right] * \\ {\left[I_y(x+m, n+n)\right], } \end{gathered} $

(9)

$ S_{22}=\sum\limits_{\substack{-r<m<r \\-r<n, R}} \boldsymbol{w}(m, n) *\left[I_y(x+m, n+n)\right]^2, $

(10)

其中：I_x和I_y分别为点(x, y)在x、y方向的梯度，w为权值矩阵，其尺寸与邻域窗口相同。

邻域窗口半径r=0时，结构张量将简化为

$ \boldsymbol{S}(x, y)=\left[\begin{array}{cc} {\left[I_x(x, y)\right]^2} & {\left[I_x(x, y)\right] *\left[I_y(x, y)\right]} \\ {\left[I_x(x, y)\right] *\left[I_y(x, y)\right]} & {\left[I_y(x, y)\right]^2} \end{array}\right] . $

结构张量将这个矩阵奇异值分解，可以得到其特征值λ_1、λ₂(将较大的那个记为λ₁)及其对应的特征向量e_1、e₂，特征向量体现了邻域窗口内的平均对比度，e₁的方向为窗口内梯度最大的方向，e₂的方向则为一致性方向。所以λ₁和λ₂体现了对应像素点处梯度变化主次方向的强弱程度，可以通过下式衡量其一致性^[21]：

$ \text { coherence }=\left(\mu_1-\mu_2\right)^2, $

(11)

本文算法通过对SAR图像的6层金字塔结构分别计算其一致性特征图，将2层分别与3、4、5层，3层分别与4、5、6层进行中央差分操作，获取6幅特征图，归一化后得到总的一致性特征图。

对实验图像提取一致性特征图的结果如图 4所示。

由图 4可以看出，虽然相对于前两种特征图，一致性特征图的强度较弱，但是其应用于高海况SAR图像中，对复杂的异质背景的抑制和目标位置的保留较为准确，对提取最终的显著图具有重要作用。本文算法对实验图像提取的最终显著图S_m与原图的对比结果如图 5所示。

由图 5可以看出，本文算法对高海况SAR图像提取显著图的效果显著，有效抑制了异质背景，增强了目标，且由于方向特征提取方法的改进，本文算法对SAR图像中的旁瓣具有很好的抑制作用，为更精确地提取船舶目标位置奠定了基础。

2.4 连接性的判断

由于船舶各部分结构的差异，船头和船尾的雷达散射截面较强，在SAR图像中会形成较亮的区域，而船舶内部则相对较弱，这使得显著性算法对船头和船尾部分的增强更为显著，如果在此基础上对显著图进行阈值分割，常常会只检测出较为显著的船头和船尾部分，从而将一个船舶目标检测为两个甚至多个，出现较多的虚警，特别是对于高分辨率SAR图像尤为明显。

本文算法首先利用提出的显著性模型提取高海况SAR图像的显著图S_m，船舶目标在显著图中最为显著，且与背景差异较大，因此对显著图进行阈值运算，提取候选目标区域，并将阈值Th自适应地定义为

$ \mathrm{Th}=\frac{k_{\mathrm{th}} \cdot \max _{\boldsymbol{S}_m}+\min _{\boldsymbol{S}_m}}{k_{\mathrm{th}}+1}, $

(12)

其中：max_Sm和min_Sm分别为S_m的最大值与最小值，k_th为给定参数，实验表明其最佳取值范围为[1, 3]，本文实验中将k_th设为2。

同时，考虑到船舶目标的像素点较为集中，并且由于显著图提取的增强效果，目标区域在显著图中与背景的差异进一步增大，结合阈值计算公式(12)，在阈值运算中目标的绝大部分像素点都可以被保留，得到较为完整的区域。而背景中可能存在的明亮噪声点，一般分布较为孤立，为了避免其也被提取为候选目标区域，本文在阈值操作后，会进一步将面积过小(小于s)的区域去除，实验表明s的最佳取值范围为[2, 6]，本文实验中将s设为5。

此外，考虑到船舶目标的首尾之间连通性较弱，存在一定的中断，在这种情况下，为了防止算法将一个船舶目标检测为多个，在完成候选目标区域的提取后，本文算法设计了进一步的区域间连接性判别操作，通过下式计算将多个候选区域检测为同一目标时的密度：

$ \mathrm{ds}=\frac{1}{|P|} \sum\limits_{i \neq j} \operatorname{distance}\left(\boldsymbol{p}_i, \boldsymbol{p}_j\right), $

(13)

其中：|P|为检测出的目标中包含的候选区域的个数, distance(p_i, p_j)为候选区域p_i与p_j之间的距离，用这两个区域中任意两点的最小距离表示。判断连接性的依据为：当在目标中加入新的候选区域时，若目标密度ds增加，则该新的候选区域与原区域属于同一目标，否则属于不同目标。对所有候选目标区域进行判断后，为每一个目标绘制其最小外接矩形，作为目标锚框。

3 实验结果与分析

本文选取双参数CFAR算法和基于K分布的CFAR算法作为基线方法与本文算法进行比较，之所以选择CFAR算法，是因为该类算法不仅是目前研究最深入、应用最广泛的算法，而且也是最为经典的目标检测方法。同时，双参数CFAR算法和基于K分布的CFAR算法都是针对海面复杂背景SAR图像船舶目标检测提出的，选取这两种算法进行比较更有意义。

为了验证本文方法的通用性和有效性，除上文的示例实验图像外，本文另选了4幅不同来源、尺寸、分辨率和海况等级的SAR图像进行对比实验，每一幅实验图像的详细信息如表 1所示。

在对比实验中，双参数CFAR、K分布CFAR和本文的Itti-SAR算法均使用相同的输入图像，为了使CFAR检测器取得较好的检测性能，实验过程中各CFAR检测器的虚警率设定为P_fa=10^-3，同时，在检测前根据船舶目标的尺寸设置合适的检测窗口，并且都对检测结果进行了形态学滤波，得到检测结果。而Itti-SAR算法不需要船舶尺寸的先验知识，对图像进行了金字塔结构、显著图提取和连接性判断，获得最后的检测结果。实验结果如图 6所示。

由图 6可以看出，在陆地杂波干扰较大的情况下，双参数CFAR算法虽然有时可以检测出所有的船舶目标，但是往往会伴随着较多的虚警(图 6(1.c))；而在海况特别复杂的情况下，双参数CFAR算法虽然有时可以检测出部分船舶目标，但是对于船舶目标内部强度较弱的情况，会将一个目标检测为多个(图 6(4.c)), 甚至会出现无法正确检测出船舶目标的情形(图 6(2.c))。K分布CFAR算法也存在类似的问题，虽然在一些情况下可以检测出所有的船舶目标，但会包含虚警(图 6(1.d)、图 6(3.d))，也会出现将一个目标检测为多个的情况(图 6(1.d))，或者出现较多的漏检(图 6(4.d))；在海况特别复杂的情况下，K分布CFAR算法虽然可能检测出目标，但会出现无法准确定位船舶目标的情况(图 6(2.d))。与之相比，本文算法在实验图像中基本可以准确地检测出船舶目标，且虚警较少，对于船舶目标的定位更加准确，也不需要船舶尺度等先验知识支撑。

为了定量地比较上述算法的检测性能，本文采用“Precision-Recall”指标进行算法评价。其中，“Precision”即查准率，计算公式为

$ \text { Precision }=\frac{\text { 正确检测数 }}{\text { 检测总数 }}, $

(14)

查准率越高，说明算法辨别虚警和真实船舶目标的能力越强，算法性能越好。“Recall”即召回率，计算公式为

$ \text { Recall }=\frac{\text { 正确检测数 }}{\text { 真值数 }} \text {, } $

(15)

召回率越高，说明算法检测真实船舶目标的能力越强，算法性能越好。

对4幅实验图像进行两个指标的计算结果如表 2所示。

通过对这3种方法的比较，两种CFAR算法方法都产生了一定的虚警和漏检，影响了检测精度，并且在海况复杂程度较高的情况下，无法准确检测出船舶目标。而本文算法的检测率和召回率都很高，即可以在正确检测出船舶目标的同时，获得极低的虚警率。

4 结论

本文研究了高海况SAR图像船舶目标检测问题，提出一种适用于SAR图像的显著性检测方法，整个检测方法的核心贡献包括：1) 根据SAR图像特点，选取适当的金字塔层数去模拟人类视觉系统的非均匀采样机制，在保留目标与背景边界的同时有效的抑制了杂波噪声；2) 提出以符合SAR图像特性的强度特征、方向特征和一致性特征以及新的中央差分机制去构建SAR特征图，凸显SAR目标的同时进一步降低了虚警；3) 引入密度约束对显著区域的连接性进行判别，有效地降低单个目标不同部位被检测为多个目标的可能。本文算法与目前公认稳定的双参数CFAR和K分布CFAR算法的对比实验表明：本文方法可以更加准确地实现SAR船舶目标的检测，查准率和召回率均高于另外两种算法，且检测过程不依赖于船舶尺寸等先验知识。