星载SAR系统灵敏度对舰船分类影响的研究_张骁.pdf

电子设计工程Electronic Design Engineering第31卷Vol.31第6期No.62023年3月Mar.2023收稿日期：2022-01-26稿件编号：202201172基金项目：国家自然科学基金（61901445）作者简介：张 骁（1996），男，河北邯郸人，硕士研究生。研究方向：SAR舰船检测与分类。由于合成孔径雷达（Syntactic Aperture Radar，SAR）图像具有全天候、全天时及高分辨率的优点1，故该成像技术在连续环境监测、大规模监测与地球遥感等应用中发挥着越来越重要的作用2。SAR 系统灵敏度，也被称为噪声等效后向散射星载SAR系统灵敏度对舰船分类影响的研究张 骁1，2，吕继宇1，赵 爽1，2，吴羽纶1，2（1.中国科学院 空天信息创新研究院，北京 100190；2.中国科学院大学 电子电气与通信工程学院，北京 100049）摘要：针对不同星载 SAR系统灵敏度下的 SAR图像舰船分类准确率不同的问题，文中提出了一种系统灵敏度对舰船分类影响的研究方法。采用所提出的基于背景像素填充的目标旋转数据扩充方法，并结合微调卷积神经网络模型对舰船进行分类。同时降低图像的信噪比以等效获得不同系统灵敏度的数据集，再分析其灵敏度对舰船分类的影响。仿真结果表明，随着系统灵敏度的降低，舰船分类准确率的下降趋势逐渐变缓，且当最差系统灵敏度降为-13.58 dB 时，准确率可达到75%。因此，所提方法可应用于舰船分类对星载SAR系统灵敏度的需求分析，而仿真结果也为低系统灵敏度的星载SAR舰船分类提供了参考。关键词：SAR图像；系统灵敏度；卷积神经网络；舰船分类中图分类号：TN957；TP183文献标识码：A文章编号：1674-6236（2023）06-0001-05DOI：10.14022/j.issn1674-6236.2023.06.001Study on the influence of spaceborne SAR system sensitivity on ship classificationZHANG Xiao1，2，LV Jiyu1，ZHAO Shuang1，2，WU Yulun1，2（1.Aerospace Information Research Institute，Chinese Academy of Sciences，Beijing 100190，China；2.School of Electronic，Electrical and Communication Engineering，University of Chinese Academy ofSciences，Beijing 100049，China）Abstract:In view of the problem that the accuracy of ship classification in Syntactic Aperture Radar(SAR)images under different spaceborne SAR system sensitivities is different，a method is proposed tostudy the impact of system sensitivity for the ship classification.A data augmentation method of targetrotation based on background pixel filling is proposed and combined with finetuning convolutional neuralnetwork model to classify ships.The datasets with different system sensitivities are equivalently obtainedby reducing the signaltonoise ratio of the images to analyze the influence on the system sensitivity on theship classification.The simulation results show that the downward trend of the accuracy for shipclassification gradually get slowly with the decrease of system sensitivity and the accuracy can reach 75%when the worst system sensitivity drops to-13.58 dB.The method proposed in this paper can be appliedto study the requirements of the spaceborne SAR systems sensitivity for ship classification and thesimulation results provide reference for ship classification of low system sensitivity spaceborne SAR.Keywords:SAR images；system sensitivity；convolutional neural networks；ship classification-1电子设计工程 2023年第6期系数（Noise Equivalent0，NE0）3，其是衡量 SAR系统对目标探测能力的一项关键指标，也是影响SAR 图像信噪比性能的最重要因素。SAR 系统灵敏度越高，SAR 图像信噪比也越高，对 SAR 图像目标解译、检测及分类等应用则越有利。系统灵敏度指标的实现，始终是星载 SAR 系统设计的首要内容。性能优越的大 SAR 卫星以大天线、高功率和高成本为代价获得清晰的高质量 SAR 图像。近年来，随着国外小型化、轻量化与低成本商业小 SAR卫星的强势发展及大规模的推广应用，如何使信噪比性能指标相对较低的 SAR 图像满足应用的需求，成为一个值得研究的课题。舰船目标分类，始终是星载 SAR 图像应用研究的热点方向。随着神经网络技术的发展，深度学习（Deep Learning，DL）在 SAR 图像中逐渐得到广泛关注4。此外，Open-SARship5和FUSAR-ship6-7数据集的发布，为 SAR 图像舰船分类的研究奠定了基础。文献8提出了 CNN-MR分类网络；文献9提出了一种小规模 SAR 图像舰船分类的联合卷积神经网络（Convolutional Neural Networks，CNN）框架；文献10则提出了使用有限样本的几何迁移度量学习。考虑到SAR数据集的特点，研究人员提出了数据扩充（DataAugmentation）11、迁移学习（Transfer Learning）12-13及微调模型（Fine-Tune）14等方法，用于解决小数据集SAR图像的舰船分类问题。当前，舰船分类研究主要基于对已获取的星载SAR 图像数据集进行分类。该文基于背景像素填充技术提出了目标旋转数据扩充方法，最大程度地保留了图像的原始信息。将该方法与微调卷积神经网络相结合，建立了高准确率的舰船分类方法模型，并对不同灵敏度下的数据集进行了仿真。通过建立的舰船分类模型对数据集加以分类，从而研究了星载 SAR 系统灵敏度对舰船分类准确率的影响。1SAR系统灵敏度SAR 系统灵敏度定义为15：该系统输出与系统噪声相同电平的输入信号所对应目标的后向散射系数，并用噪声等效后向散射系数（NE0）表示。其中，0为面目标后向散射系数，若是点目标，则其为目标的雷达截面积（Radar Cross Section，RCS）。NE0的计算公式是根据 SAR系统雷达方程推导得到，该方程表达式为：SNR=0PavG23g2(4)3KT0FnR3LV（1）式（1）中，SNR为信噪比，K为玻尔兹曼常数，T0为接收机温度，Fn为接收机噪声系数，R为卫星至目标的距离，L为系统损耗，V为卫星速度，Pav为发射信号平均功率，G为天线增益，为发射信号波长，g为地距分辨率。0随地物变化而不同，在 SAR系统设计时为避免出现0，常用 NE0来衡量系统性能而不用信噪比。NE0的表达式如下：NE 0=0SNR=2(4)3KT0FnR3LVPavG23g（2）由式（2）可以看出，对于同一地物，系统灵敏度决定了SAR图像信噪比，用单位dB来表示，即：SNRdB=0dB-NE 0dB（3）由此可知，SAR图像的信噪比与系统灵敏度NE0成反比。NE0越小，说明系统灵敏度越高。2研究方法2.1方法概述该文提出的星载SAR系统灵敏度对舰船分类准确率影响的方法流程，如图1所示。图1该文研究方法流程图2.2数据扩充卷积神经网络通常需要大量的数据进行充分训练，因此必须采取措施避免过拟合的问题。其中，微调模型与数据扩充是两种有效的方法。传统的数据扩充方法包括调整亮度、添加噪声和图像旋转等。为了更好地保留图像的重要信息，文中提出了一种新的数据扩充技术，即基于背景像素填充的目标旋转数据扩充方法，具体思想为旋转舰船目标像素及填充背景像素，流程如图2所示。-2图2背景像素填充数据扩充方法流程图该方法的实现步骤如下：1）使用 H-CFAR 算法求取初始阈值：统计图像灰度直方图分布并归一化，给定虚警概率，并从阈值T=0开始依次增加，对小于或等于阈值T的直方图概率求和，直至满足给定的虚警概率，则该阈值T即为初始阈值；2）基于迭代删减目标像素16的 CFAR 检测算法分割目标及背景：利用该初始阈值得到目标像素的索引矩阵，并将其作为迭代删减 CFAR 算法的输入索引矩阵，迭代删减 CFAR 算法则不断更新输出结果，直至输出的结果不再变化，即对应目标像素点，再根据输出结果分割图像；3）利用基于背景填充的目标旋转方法对图像数据实现扩充：对目标像素加以旋转，并用SAR图像原本的背景像素对空出的背景部分进行填充，即可得到扩充数据集。2.3降低系统灵敏度每张图像中舰船目标的0是基本保持不变的，因此降低 SAR 图像的信噪比等效于系统灵敏度下降。图像信噪比是指信号功率与噪声功率的比值，其公式为：SNRdB=10lg|PsPn（4）其中，Ps为信号功率，Pn为噪声功率。由此可推出：SNRdB=10lg|Pn+PnPn（5）式（5）中，Pn为图像信噪比改变SNRdB时噪声功率的变化量。该文所用的舰船图像仅包括舰船目标与海面背景，由于海面背景的后向散射系数远小于舰船目标的后向散射系数，故 SAR图像的背景区域在该图像中可被认为是噪声。采用基于迭代删减目标像素的CFAR 检测算法对 SAR 图像进行目标及背景的分割，可得到没有目标像素点的纯海面背景区域；然后从海面背景区域提取平均噪声功率，该功率即为SAR图像的平均噪声功率；最终根据式（5）求出改变图像信噪比所应添加的噪声功率后，再对数据集图像添加高斯白噪声以降低数据集的系统灵敏度。2.4卷积神经网络微调模型微调模型也是一种能有效避免过拟合问题的方法，其可成功通过小数据集训练深层模型，以ResNet50为例的微调模型流程如图 3所示。该方法首先在大型公共数据集（如 ImageNet）上训练神经网络模型，以得到预训练模型的权重参数17-20，如图 3（a）所示；然后根据应用场景的不同，修改特征提取层（通常是全连接层，即图3（b）的虚线部分）并重新学习模型权重以适应特定的应用；最后，在预训练模型上重新学习模型的权重参数（图3（c）的粗实线部分）。图3ResNet50模型微调的实现流程3仿真结果与分析3.1GF-3数据集仿真实验采用了我国第一颗民用全极化 C波段SAR 卫星高分三号（GF-3）舰船的分类数据集。该数据集共有550幅3 m分辨率SAR图像，其中散装船100幅、货船100幅、渔船100幅、其他船只100幅、油轮 100 幅、虚警 50 幅。每一幅图像数据大小均为256256像素，表1给出了所用舰船目标图像的主要系统参数。3.2超参数设置在仿真的过程中，损失函数为交叉熵损失函数，梯度计算方法采用自适应时刻估计算法（ADAM）。经过海量的仿真结果对比，将学习速率设置为0.000 2，张 骁，等星载SAR系统灵敏度对舰船分类影响的研究-3电子设计工程 2023年第6期训练批尺寸设置为 32，仿真迭代次数设置为 200，即需更新200次卷积神经网络参数。3.3单一数据集分类仿真该文研究了系统灵敏度降低 110 dB对舰船分类的影响，根据式（3）SAR图像信噪比与系统灵敏度的关系，系统灵敏度降低110 dB即等效于将数据集图像的信噪比降低了110 dB。首先构建10个新数据集D0-D10，分别表示SAR系统灵敏度降低110 dB 后的新数据集，并将其以 7 3 的比例划分为训练集与测试集。再对这些数据集进行仿真，结果如表 2 所示，性能指标曲线如图4所示。表2D0-D10数据集分类结果数据集D0D1D2D3D4D5D6D7D8D9D10分类准确率（%）99.4993.6488.4886.3783.1380.2079.1978.4877.3776.1675.14由表2及图4可看出，随着系统灵敏度的降低，舰船分类准确率的下降趋势逐渐变缓。当系统灵敏度降为-13.58 dB时，舰船分类准确率可达到75%。3.4组合数据集分类仿真对 D0-D10数据集进行组合，获得三个新的数据集C1-C3。其中，C1、C2、C3分别由D0-D5、D0-D7、D0-D10数据集组合而成。对组合数据集进行训练，可得到M1-M3模型，该模型对D0-D10数据集的分类仿真结果如图5所示。由图 5 可知，随着组合数据集中低系统灵敏度图像的增多，得到的训练模型对系统灵敏度的适应性会有一定程度的提高，但模型对数据集的平均分类准确率却不断下降。由此可知，舰船图像分类的准确率主要由低系统灵敏度的图像决定。4结束语该文从舰船分类对星载SAR系统灵敏度的应用需求进行分析，提出一种研究 SAR系统灵敏度对舰船分类准确率影响的方法，并利用GF-3号舰船数据集进行了仿真。结果表明，随着系统灵敏度的降低，舰船分类准确率的下降趋势逐渐变缓，且该准确率主要由低系统灵敏度的图像决定。当系统灵敏度下降为-13.58 dB时，舰船分类准确率可达到 75%。所提出的方法能够应用于舰船分类对星载SAR系统灵表1舰船目标图像的主要系统参数波位号814162225中心视角（）27.2833.5435.4140.3642.51幅宽/km3030303030带宽/MHz1001001008080NE0/dB-28.12-26.98-26.22-24.86-23.58散装船/幅2719144货船/幅22533832渔船/幅0912367油轮/幅3922363其他船只/幅0113860虚警/幅1042124图4系统灵敏度与分类准确率的关系图5M1-M3模型的分类结果曲线-4敏度需求分析，所得到的仿真结果也可以为低系统灵敏度星载SAR系统的舰船分类研究提供参考。但仿真实验仅基于GF-3号舰船数据集，未来将进一步研究基于不同型号星载SAR图像的舰船分类准确率与系统灵敏度的影响关系。参考文献：1 Sharifzadeh F,Akbarizadeh G,Kavian Y S.Ship cla-ssification in sar images using a new hybrid CNN-MLP classifierJ.Journal of the Indian Society ofRemote Sensing,2019,47(4):551-562.2 邓云凯,禹卫东,张衡,等.未来星载SAR技术发展趋势J.雷达学报,2020(1):1-33.3 田栋轩,吴疆.脉冲行波管性能对星载SAR成像影响分析J.真空电子技术,2019(5):42-46.4 Xue R,Bai X,Zhou F.Spatial-temporal ensembleconvolution for sequence SAR target classificationJ.IEEE Transactions on Geoscience and RemoteSensing,2021,59(2):1250-1262.5 Huang L,Liu B,Li B,et al.Open SAR ship:a datasetdedicated to Sentinel-1 ship interpretationJ.IEEEJournal of Selected Topics in Applied Earth Obs-ervations and Remote Sensing,2018,11(1):195-208.6 Hou X,Ao W,Xu F.End-to-end automatic ship de-tection and recognition in high-resolution Gaofen-3 spaceborne SAR imagesC.Xi an:IGARSS-IEEEInternationalGeoscienceandRemoteSensingSymposium,IEEE,2019:863-870.7 Hou X,Wei A O,Song Q,et al.FUSAR-ship:buildinga high-resolution SAR-AIS matchup dataset ofGaofen-3 for ship detection and recognitionJ.Science China Information Sciences,2020,63(4):40-58.8 Bentes C,Velotto D,Tings B.Ship classification interrasar-X images with convolutional neural netw-orksJ.IEEE Journal of Oceanic Engineering,2018,43(1):258-266.9 Wu Y,Yuan Y,Guan J,et al.Joint convolutional neu-ral network for small-scale ship classification inSAR imagesC.Seattle:IEEE International Geosci-ence and Remote Sensing Symposium.IEEE,2019:331-336.10Xu Y,Lang H.Ship classification in SAR imageswith geometric transfer metric learningJ.IEEETransactions on Geoscience and Remote Sensing,2021,59(8):6799-6813.11Lu C C,Li W H.Ship classification in high-resolutionSAR images via transfer learning with small trainingdatasetJ.Sensors,2018,19(1):63.12Wang Y,Chao W,Hong Z.Ship classification in high-resolution SAR images using deep learning ofsmall datasetsJ.Sensors,2018,18(9):2929.13Zhang D,Liu J,Heng W,et al.Transfer learning withconvolutional neural networks for SAR ship reco-gnitionJ.IOP Conference,2018,322(7):248-260.14Dong Y,Zhang H,Wang C,et al.Fine-grained shipclassification based on deep residual learning forhigh-resolution SAR imagesJ.Remote SensingLetters,2019,10(11):1095-1104.15王万林,谭小敏,田栋轩.星载滑动聚束SAR的成像性能J.空间电子技术,2017,14(3):20-26.16Cui Y,Zhou G,Yang J,et al.On the iterative censoringfor target detection in SAR imagesJ.IEEE Geosc-ience and Remote Sensing Letters,2011,8(4):641-645.17奚鑫泽,邢超,覃日升,等.基于多层特征融合注意力网络的电能质量扰动识别方法J.智慧电力,2022,50(10):37-44.18张晓华,马煜,杨晨辉,等.基于卷积神经网络的设备安装位置智能识别方法J.工业仪表与自动化装置,2021(1):13-17.19杨秀,胡钟毓,田英杰,等.基于关注指标和深度学习的台区配变重过载预警方法研究J.智慧电力,2021,49(4):66-74.20张海龙,袁德成.基于多尺度CNN-BiLSTM的轴承故障诊断J.工业仪表与自动化装置,2022(3):75-78,84.张 骁，等星载SAR系统灵敏度对舰船分类影响的研究-5