CN103164686B - 一种根据船只的高分辨率sar图像识别船只类型的方法 - Google Patents

Abstract

本发明公开了一种根据船只的高分辨率SAR图像识别船只类型的方法，包括以下步骤：S1：对含船只的SAR图像切片进行处理，去除其中的海洋背景，得到船体图像；S2：对所述船体图像进行后向散射特征统计和纵向自相关特征统计，得到船只的后向散射特征和纵向自相关特征；S3：根据船只的后向散射特征和纵向自相关特征确定船只类型。本发明提供的根据船只的高分辨率SAR图像识别船只类型的方法根据船只的后向散射特征和纵向自相关特征将船只分为货船、集装箱船和油船，为海上船只监测和科研提供了科学的参考依据。

Description

一种根据船只的高分辨率SAR图像识别船只类型的方法

技术领域

本发明涉及高分辨率SAR图像处理领域，特别涉及一种根据船只的高分辨率SAR图像识别船只类型的方法。

背景技术

对海洋船只进行监测与识别是每个沿海国家的重要任务，在海洋资源保护、渔船监测与管理、打击走私偷渡等方面均起到了重要作用。

传统的海上船只监测手段通常为飞机或者快艇，并且辅以船只监测系统(vesselmonitoring system，简称VMS系统)和船只自动识别系统(Automatic IdentificationSystem，简称AIS系统)。VMS和AIS系统由岸基(基站)设施和船载设备共同组成，是一种基于GPS收发机制的系统，只有安装了VMS的船只才能向岸基接收站发射船只位置、速度、方向、类别、型号和捕鱼状态等信息。

但是VMS和AIS具有缺点和不足：(1)一些小型船只可不受VMS和AIS管制；(2)某些情况下，VMS和AIS可能会失效、关闭或者卸载；(3)人为操作失误和软件错误导致包括船只属性错误。因此利用VMS系统和AIS系统进行船只识别具有局限性，而星载SAR具有能够全天候全天时观测、覆盖范围广、平台稳定等突出优势，因此利用星载SAR数据对海洋船只目标进行监测与识别是弥补VMS和AIS缺陷的首选技术手段。目前在美国、加拿大和欧盟，利用星载SAR技术进行船只监测已经形成了多套完整的体系和工作流程，但是作为船只监测的下一步船只识别，主要限于SAR数据分辨率的原因，发展不及船只检测技术成熟。但随着SAR成像技术的快速发展，图像分辨率得以迅速提高，国外先后发射的多颗新一代的星载SAR系统，如意大利的COSMO-SkyMed卫星，德国的TerraSAR-X卫星和加拿大的Radarsat-2卫星，最高分辨率可以达到米级，对陆地及海洋目标的准确识别提供了新的契机，为SAR在船只识别中的应用带来了更为广阔 的前景。

发明内容

有鉴于此，本发明的目的是提供一种根据船只的高分辨率SAR图像识别船只类型的方法，以解决现有技术中采用VMS和AIS系统对船只类型进行识别所存在的一些小型船只可不受VMS和AIS管制，某些情况下VMS和AIS可能会失效、关闭或者卸载，人为操作失误和软件错误导致包括船只属性错误等问题。

为了实现上述目的，本发明提供了一种根据船只的高分辨率SAR图像识别船只类型的方法，包括以下步骤：

S1：对含船只的SAR图像切片进行处理，去除其中的海洋背景，得到船体图像；

S2：对所述船体图像进行后向散射特征统计和纵向自相关特征统计，得到船只的后向散射特征和纵向自相关特征；

S3：根据船只的后向散射特征和纵向自相关特征确定船只类型。

作为优选，所述步骤S1具体包括：

S11：输入含船只的SAR图像切片数据；

S12：消除由于旁瓣在SAR图像切片中形成的亮线；

S13：将执行步骤S12后得到的图像重新量化；

S14：计算执行步骤S13后得到的图像中船只的重心和方向，并根据船只的重心和方向旋转执行步骤S13后得到的图像，使船只呈垂直状态；

S16：提取执行步骤S14后得到的图像中船只的边界位置，并据此去除图像中的海洋背景，得到船体图像。

作为优选，所述步骤S1具体包括：

S11：输入含船只的SAR图像切片数据；

S12：消除由于旁瓣在SAR图像切片中形成的亮线；

S13：将执行步骤S12后得到的图像重新量化；

S14：计算执行步骤S13后得到的图像中船只的重心和方向，并根据船只的重心和方向旋转执行步骤S13后得到的图像，使船只呈垂直状态；

S15：放大执行步骤S14后得到的图像；

S16：提取执行步骤S15后得到的图像中船只的边界位置，并据此去除图像中的海洋背景，得到船体图像。

作为进一步地优选，所述步骤S11中，所述SAR图像切片数据表示为以dB为单位的浮点型幅度数据x(i，j)，其中，i对应所述SAR图像切片的垂直方向即方位向，j对应所述SAR图像切片的水平方向即距离向，0≤i≤M-1，0≤j≤N-1，M×N为所述SAR图像切片包含的像素数。

作为进一步地优选，M＝N＝128。

作为进一步地优选，所述步骤S12进一步包括：

S121：消除由于旁瓣在所述SAR图像切片中形成的沿方位向的亮线，具体为：

沿距离向设置一维数组 其中，每一个元素allrangeA(j)记录距离向j上所有像素的累积值，0≤j≤N-1；

设数组allrangeA(j)中的元素的最大值为allrangeA(J)，如果allrangeA(J)＞allrangeA(J-2)+T，且allrangeA(J)≥allrangeA(J+2)+T，则距离向J处存在由于旁瓣形成的亮线，其中阈值T＝4dB；

遍历所述SAR图像切片中第J列的所有像元x(i，J)，如果x(i，J)＞0dB，则

S122：消除由于旁瓣在所述SAR图像切片中形成的沿距离向的亮线，具体为：

沿方位向设置一维数组 其中，每一个元素allrangeB(i)记录方位向i上所有像素的累积值，0≤i≤M-1；

设数组allrangeB(i)中的元素的最大值为allrangeB(I)，如果allrangeB(I)＞allrangeB(I-2)+T，且allrangeB(I)≥allrangeB(I+2)+T，则方位向I处存在由于旁瓣形成的亮线，其中阈值T＝4dB；

遍历所述SAR图像切片中第I行的所有像元x(I，j)，如果x(I，j)＞0dB，则

作为进一步地优选，所述步骤S13具体为：

设y(i，j)表示执行步骤S12后得到的图像，I(i，j)为重新量化后得到的图像，如果y(i，j)≤-30dB，则I(i，j)＝1；如果-30dB＜y(i，j)≤33dB，则I(i，j)＝BYTE((y(i，j)+31.0)×4.0)；如果y(i，j)＞33dB，则I(i，j)＝256；其中，BYTE为取整运算符，0≤i≤M-1，0≤j≤N-1。

作为进一步地优选，所述步骤S14具体为：

对于M×N图像I(i，j)，其(i+j)阶矩

其中，f(x，y)是图像I(i，j)中坐标(x，y)的灰度值，若f(x，y)＜140，则f(x，y)取为0，0≤i≤M-1，0≤j≤N-1；

计算图像I(i，j)中船只的灰度分布重心 其中，

计算图像I(i，j)中船只的主轴方向θ为：

其中， 当μ₂₀＞μ₀₂时，A＝1；

根据船只的灰度分布重心 和主轴方向θ旋转图像I(i，j)，使船只呈垂直状态。

作为进一步地优选，所述步骤S16中，所述船只的边界位置包括船只的左、右侧轮廓边界和上、下侧轮廓边界。

作为优选，所述步骤S2具体包括：

S21：根据所述船体图像计算船只的最大后向散射系数σmax和平均后向散射系数σmean；

S22：根据所述船体图像计算船体纵向自相关周期t。

作为进一步地优选，所述步骤S21具体为：

设所述船体图像为σ(i，j)，其中，0≤i≤FM-1，0≤j≤FN-1，FM×FN为所述船体图像包含的像素数；

设σmax为σ(i，j)的最大值，σmax是最大后向散射系数， 为σ(i，j)中大于0采样点的集合，

σsum为所有σ(i，j)＞0.0采样点的和，Nsum为所有σ(i，j)＞0.0采样点数目，

平均后向散射系数为：

σmean＝σsum/Nsum。

作为进一步地优选，所述步骤S22具体为：

设所述船体图像为s(i，j)，其中，0≤i≤FM-1，0≤j≤FN-1，FM×FN 为所示船体图像包含的像素数；

s(i，j)沿横轴方向积分形成沿纵向方向的一维样本 计算v(i)的自相关函数R(k)：

其中k为自相关函数R(k)的延滞， 为样本v(i)的均值；

如果R(k)的极值点|Rmax|＞0.35，则v(i)具有重复特征；如果Rmax＞0.35，则船体纵向自相关周期t＝FM/k；如果Rmax＜-0.35，则船体纵向自相关周期t＝FM/(2k)。

作为进一步地优选，所述步骤S3具体包括：

S31：当所述船体纵向自相关周期t≥3时，如果3≤t≤12，则执行步骤S32，如果t＞12，则船只类型为集装箱船；当t＜3时，如果所述最大后向散射系数σmax＞30，则船只类型为集装箱船，如果σmax≤30，则执行步骤S33；

S32：如果所述平均后向散射系数σmean≥7，则船只类型为货船，如果所述平均后向散射系数σmean＜7则，则船只类型为集装箱船；

S33：如果所述平均后向散射系数σmean＞7，则船只类型为货船，如果所述平均后向散射系数σmean≤7，则船只类型为油船。

与现有技术相比，本发明具有以下有益效果：本发明提供的根据船只的高分辨率SAR图像识别船只类型的方法根据船只的后向散射特征和纵向自相关特征将船只分为货船、集装箱船和油船，为海上船只监测和科研提供了科学的参考依据。

附图说明

图1为本发明的根据船只的高分辨率SAR图像识别船只类型的方法的流程图。

图2为图1所示的识别船只类型的方法的步骤S11中输入的含船只的SAR图像切片。

图3为图1所示的识别船只类型的方法的步骤S12中像元的旁瓣消除示意图。

图4为执行图1所示的识别船只类型的方法的步骤S12后得到的图像。

图5为执行图1所示的识别船只类型的方法的步骤S14后得到的图像。

图6为执行图1所示的识别船只类型的方法的步骤S15后得到的图像。

图7为执行图1所示的识别船只类型的方法的步骤S16后得到的船体图像。

图8为图7所示的船体图像的纵向自相关函数示意图。

图9为货船的实际照片。

图10为含货船的SAR图像切片。

图11为集装箱船的实际照片。

图12为含集装箱船的SAR图像切片。

图13为油船的实际照片。

图14为含油船的SAR图像切片。

具体实施方式

下面结合附图对本发明的实施例进行详细说明。

本实施例提供的根据船只的高分辨率SAR图像识别船只类型的方法中所采用参数适用于X波段入射角大于30°的SAR数据，应用于其它波段的SAR数据时，方法中所用到的分类参数需要进行相应的调整。

如图1所示，本实施例提供的根据船只的高分辨率SAR图像识别船只类型的方法包括以下步骤：

S1：对含船只的SAR图像切片进行处理，去除其中的海洋背景，得到船体图像；

S2：对所述船体图像进行后向散射特征统计和纵向自相关特征统计，得到船只的后向散射特征和纵向自相关特征；

S3：根据船只的后向散射特征和纵向自相关特征确定船只类型。

其中，步骤S1具体包括：

S11：输入含船只的SAR图像切片数据；

如图2所示，使用的雷达数据为COSMO SkyMed卫星的Level 1A级产品数据(SCS产品)，条带HIMAGE模式，VV极化；距离向采样0.9米，方位向采样间隔2.2米；所述SAR图像切片数据利用欧洲空间局NEST软件定标处理后形成以dB为单位的浮点型幅度数据x(i，j)，其中，i对应SAR图像切片的垂直方向即方位向，j对应SAR图像切片的水平方向即距离向，0≤i≤M-1，0≤j≤N-1，M×N为所述SAR图像切片包含的像素数。

利用人工或计算机在图像上发现船只后直接切割M×N大小的含船只的SAR图像切片数据x(i，j)，在本实施例中，M＝N＝128。

图2所示的SAR图像切片对应的参数为：COSMO-SkyMed卫星，X波段VV极化，升轨，右视，入射角：50°，船名：Chang Fa Hai(长发海)，船型：散货船，MMSI：413250000，位置：N31.175，E122.586，切片名：20100712215902.img，尺寸：128×128，数据类型：浮点，单位：dB。

S12：消除由于旁瓣在SAR图像切片中形成的亮线；

船只的金属结构常常形成强散射，由于旁瓣在图像切片中形成的亮线会对船只的切割和分析产生不利影响，因此，在计算船只重心和提取边缘轮廓前，先消除旁瓣产生的亮线；具体包括以下两步：

S121：消除由于旁瓣在所述SAR图像切片中形成的沿方位向的亮线，具体为：

沿距离向设置一维数组 其中，每一个元素allrangeA(j)记录距离向j上所有像素的累积值，0≤j≤N-1；

根据allrangeA峰值特点可以判定旁瓣是否存在以及是否需要消除；

设数组allrangeA(j)中的元素的最大值为allrangeA(J)，如果allrangeA(J)＞allrangeA(J-2)+T，且allrangeA(J)≥allrangeA(J+2)+T，则距离向J处存在由于旁瓣形成的亮线，其中阈值T＝4dB；

遍历所述SAR图像切片中第J列的所有像元x(i，J)，如果x(i，J)＞0dB，则该像元值用J-2列和J+2列各三个相邻像元的平均值代替，如图3所示；

S122：消除由于旁瓣在所述SAR图像切片中形成的沿距离向的亮线，具体为：

沿方位向设置一维数组 其中，每一个元素allrangeB(i)记录方位向i上所有像素的累积值，0≤i≤M-1；

设数组allrangeB(i)中的元素的最大值为allrangeB(I)，如果allrangeB(I)＞allrangeB(I-2)+T，且allrangeB(I)≥allrangeB(I+2)+T，则方位向I处存在由于旁瓣形成的亮线，其中阈值T＝4dB；

遍历所述SAR图像切片中第I行的所有像元x(I，j)，如果x(I，j)＞0dB，则

如图4所示，执行步骤S12后得到的图像虽然不能完全精确地消除旁瓣，但对下步的处理已经影响不大了。

S13：将执行步骤S12后得到的图像重新量化；

分析表明，含船只的SAR图像切片数据值主要分布在-30dB至33dB之间，因此，可以将数据重新量化为8位二进制整型数据，不仅能突出船只特征，也便于图像处理，具体是：

设y(i，j)表示执行步骤S12后得到的图像，I(i，j)为重新量化后得到的图像，如果y(i，j)≤-30dB，则I(i，j)＝1；如果-30dB＜y(i，j)≤33dB，则I(i，j)＝BYTE((y(i，j)+31.0)×4.0)；如果y(i，j)＞33dB，则I(i，j)＝256；其中，BYTE为取整运算符，0≤i≤M-1，0≤j≤N-1。

S14：计算执行步骤S13后得到的图像中船只的重心和方向，并根据船只的重心和方向旋转执行步骤S13后得到的图像，使船只呈垂直状态；

对于M×N图像I(i，j)，其(i+j)阶矩为：

其中，f(x，y)是图像I(i，j)中坐标(x，y)的灰度值，0≤i≤M-1，0≤j≤N-1，为了消除海浪背景的影响，对f(x，y)＜140皆取值为0。

图像灰度分布重心 为：

主轴方向θ为：

其中， A主轴90°模糊，可以定义当μ₂₀＞μ₀₂时，A＝1。

对于图2中的含船只的SAR图像切片(船名Chang Fa Hai，文件名20100712215902.img)，计算结果为θ＝-41.6991，

据此，可以旋转切片使船只呈垂直状态，如图5所示。

S15：放大执行步骤S14后得到的图像；

在本实施例中，为了便于船只细节的分析，可以将船只整数型的图像放大一倍，放大后得到的图像如图6所示。

S16：提取执行步骤S15后得到的图像中船只的边界位置，并据此去除图像中的海洋背景，得到船体图像。

设执行步骤S15后得到的图像为f(x，y)，对其进行二值化处理：

如果f(x，y)≥140(相当于该点散射强度大于等于4dB)，则s(x，y)＝1；

如果f(x，y)＜140(相当于该点散射强度小于4dB)，则s(x，y)＝0；

沿x方向(即船只横轴方向，图中水平方向)统计二值图像s(x，y)的分布特征：

其中，0≤h_x(x)≤N-1，0≤x≤M-1；

利用h_x(x)沿横轴方向寻找船只左、右侧轮廓边界，设阈值Tx＝7，从x＝0开始，计算t＝h_x(x+1)-h_x(x)，如果t≥T，则x为x方向上船只的左侧轮廓边界，否则，x＝x+1并继续循环计算；同理，从x＝0开始，计算t＝h_x(M-2-x)-h_x(M-1-x)，如果t≥T，则M-1-x为水平方向上船只的右侧轮廓边界，否则，x＝x+1并继续循环计算；

设水平方向上船只左、右边界搜索结果分别为PS、PE，沿船只纵轴方向统计二值图像s(x，y)的分布特征，此时沿水平方向只累积PS和PE之间像元而不是整个图像宽度内像元，可以避免船只轮廓外的非船只像元的影响，由于船只横轴短，非船只像元影响更为突出。

同前所述，利用h_y(y)寻找船只y方向(即船只纵轴方向，图中垂直方向)上的上、下侧轮廓边界，

式中0≤h_y(y)≤M-1，0≤y≤N-1。

因为船只横轴方向较短、像元较少，所以可以设阈值Ty＝3。

以图4所示的含船只的图像为例，左侧轮廓边界pixl＝112，该位置上y方向大于4dB的像元数h_x(112)＝22；右侧轮廓边界pix2＝143，该位置上y方向大于4dB的像元数h_x(143)＝0；上侧轮廓边界linl＝37，该位置上x方向大于4dB的像元数h_y(37)＝4；右侧轮廓边界lin2＝226，该位置上x方向大于4dB的像元数h_y(226)＝2；由此可知，该船在图像中尺寸为31×189。

知道图像切片中船只四周边界位置及尺寸后，就可以把仅包含船体那部分图像切出，得到图7所示的船体图像。

所述步骤S2具体包括：

S21：根据所述船体图像计算船只的最大后向散射系数σmax和平均后向散射系数σmean；

S22：根据所述船体图像计算船体纵向自相关周期t。

所述步骤S21具体为：

设所述船体图像为σ(i，j)，其中，0≤i≤FM-1，0≤j≤FN-1，FM×FN为所述船体图像包含的像素数；

设σmax为σ(i，j)的最大值，σmax是最大后向散射系数， 为σ(i，j)中大于0采样点的集合，

σsum为所有σ(i，j)＞0.0采样点的和，Nsum为所有σ(i，j)＞0.0采样点数目，

平均后向散射系数为：

σmean＝σsum/Nsum；

标准差为：

所述步骤S22具体为：

自相关函数能够很好描述样本的重复规律，对于图像处理，设有一组样本x(i)，0≤i≤M-1，延滞为k的自相关函数为：

其中 为样本均值。

将所述船体图像用s(i，j)表示，其中，0≤i≤FM-1，0≤j≤FN-1，FM×FN为所示船体图像包含的像素数；

s(i，j)沿横轴方向积分形成沿纵向方向的一维样本 根上面提供的自相关函数计算公式可以得到，v(i)的自相关函数R(k)：

其中k为自相关函数R(k)的延滞， 为样本v(i)的均值；

计算v(i)的自相关函数R(k)，从k＝1开始循环增加k，如果R(k)的极值点|Rmax|＞0.35，则认为v(i)具有明显重复特征；如果Rmax＞0.35，船体纵向自相关周期t＝FM/k；如果Rmax＜-0.35，则体纵向自相关周 期t＝FM/(2k)。

船体自相关性质能很好地描述具有若干货舱口的货船，集装箱船在一定条件下也有很好的纵向自相关性；在实际处理时，为了避免船艏和船艉上层建筑的影响，可以剪裁掉一定的船体边缘数据，这样也可以消除边界提取的误差。

由图8提供的船体图像的纵向自相关函数可以看出，其在k＝28时出现极值点Rmax＝-0.652538，船体纵向自相关周期t＝7，对于货船，一般为货舱口横间隔数量。

所述步骤S3具体包括：

S31：当所述船体纵向自相关周期t≥3时，如果3≤t≤12，则执行步骤S32，如果t＞12，则船只类型为集装箱船；当t＜3时，如果所述最大后向散射系数σmax＞30，则船只类型为集装箱船，如果σmax≤30，则执行步骤S33；

S32：如果所述平均后向散射系数σmean≥7，则船只类型为货船，如果所述平均后向散射系数σmean＜7则，则船只类型为集装箱船；

S33：如果所述平均后向散射系数σmean＞7，则船只类型为货船，如果所述平均后向散射系数σmean≤7，则船只类型为油船。

本发明提供的根据船只的高分辨率SAR图像识别船只类型的方法利用高分辨率雷达图像，针对大于150米长度的民船，将船只分为货船、集装箱船、油船三类。

如图9和图10所示，货船或散货船通常运输建材、粮食等干散货物，一般甲板上有多个货舱口，有些货船甲板上有数个起重机。货船在雷达图像上最显著的特征是：其中部沿纵向分布的低散射货舱口与货舱横间隔或起重机的强散射形成的规律重复。一些货船舱口小于3 个时，相比集装箱船，其散射强度也较低。

如图11和图12所示，集装箱船主要运输集装箱，其甲板上有规则排列的放置和固定集装箱用的托架，集装箱船由于箱柜的排列变化多端，在SAR图像上的表现也变化较大，最显著的特点是由于金属集装箱体或甲板上的金属托架造成整体散射强；船舷干舷较低，雷达散射不甚明显；甲板上有时沿纵向出现规律强散射线，有时则为无规则分布强散射点，与雷达波照射方向和集装箱排列有关。

如图13和图14所示，油船主要指运输原油的大型油轮，其显著特征是纵轴的对称性，且由于甲板的输油管道的分布造成强散射，油船船体干舷较高，上层建筑基本位于船艉，因此在合适参数雷达照射下图像上船只轮廓清晰。

针对本发明提供的根据船只的高分辨率SAR图像识别船只类型的方法进行了船只分类实验，得到如表1所示的结果，共验证了41个含船只的SAR图像切片，表2为船只分类混淆矩阵，表3为船只分类错分误差和漏分误差(百分比)。

表1

表2

表3

通过表1可以看出，采用本发明提供的根据船只的高分辨率SAR图像识别船只类型的方法能够较精确地将船只分为货船、集装箱船和油船，为海上船只监测和科研提供了科学的参考依据。部分分析船只类型错分，有以下几个原因：

1)不同类型的船只本身存在各种变化，本身外观或散射不易与其它类型区分，如CCL Shidao(编号29)船长较小(128米)，图像上自相关周期与货船相同；ER Perth(编号20)、Taicang Dragon(编号30)散射都较弱；Gloden Willing(编号39)是化学品船，与原油船有差别，散射较普通原油船强。

2)船体切片切割不准确，造成统计误差，如Hai Lian 9(编号13)，散射均值偏低。

在本实施例中，也可以不对执行步骤S14得到的图像进行放大，直接提取执行步骤S14后得到的图像中船只的边界位置，此时步骤S1具体包括：

S11：输入含船只的SAR图像切片数据；

S12：消除由于旁瓣在SAR图像切片中形成的亮线；

S13：将执行步骤S12后得到的图像重新量化；

S14：计算执行步骤S13后得到的图像中船只的重心和方向，并根据船只的重心和方向旋转执行步骤S13后得到的图像，使船只呈垂直状态；

S16：提取执行步骤S14后得到的图像中船只的边界位置，并据此去除图像中的海洋背景，得到船体图像。

以上实施例仅为本发明的示例性实施例，不用于限制本发明，本发明的保护范围由权利要求书限定。本领域技术人员可以在本发明的 实质和保护范围内，对本发明做出各种修改或等同替换，这种修改或等同替换也应视为落在本发明的保护范围内。

Claims (9)

1.一种根据船只的高分辨率SAR图像识别船只类型的方法，其特征在于，包括以下步骤：

S1：对含船只的SAR图像切片进行处理，去除其中的海洋背景，得到船体图像；

S2：对所述船体图像进行后向散射特征统计和纵向自相关特征统计，得到船只的后向散射特征和纵向自相关特征；

S3：根据船只的后向散射特征和纵向自相关特征确定船只类型；

其中，所述步骤S1具体包括：

S11：输入含船只的SAR图像切片数据；

S12：消除由于旁瓣在SAR图像切片中形成的亮线；

S13：将执行步骤S12后得到的图像重新量化；

S14：计算执行步骤S13后得到的图像中船只的重心和方向，并根据船只的重心和方向旋转执行步骤S13后得到的图像，使船只呈垂直状态；

S15：放大执行步骤S14后得到的图像；

S16：提取执行步骤S15后得到的图像中船只的边界位置，并据此去除图像中的海洋背景，得到船体图像；

所述步骤S2具体包括：

S21：根据所述船体图像计算船只的最大后向散射系数σmax和平均后向散射系数σmean；

S22：根据所述船体图像计算船体纵向自相关周期t；

所述步骤S3具体包括：

S31：当所述船体纵向自相关周期t≥3时，如果3≤t≤12，则执行步骤S32，如果t＞12，则船只类型为集装箱船；当t＜3时，如果所述最大后向散射系数σmax＞30，则船只类型为集装箱船，如果σmax≤30，则执行步骤S33；

S32：如果所述平均后向散射系数σmean≥7，则船只类型为货船，如果所述平均后向散射系数σmean＜7则，则船只类型为集装箱船；

S33：如果所述平均后向散射系数σmean＞7，则船只类型为货船，如果所述平均后向散射系数σmean≤7，则船只类型为油船。

2.根据权利要求1所述的根据船只的高分辨率SAR图像识别船只类型的方法，其特征在于，所述步骤S11中，所述SAR图像切片数据表示为以dB为单位的浮点型幅度数据x(i,j)，其中，i对应所述SAR图像切片的垂直方向即方位向，j对应所述SAR图像切片的水平方向即距离向，0≤i≤M-1，0≤j≤N-1，M×N为所述SAR图像切片包含的像素数。

3.根据权利要求2所述的根据船只的高分辨率SAR图像识别船只类型的方法，其特征在于，M＝N＝128。

4.根据权利要求3所述的根据船只的高分辨率SAR图像识别船只类型的方法，其特征在于，所述步骤S12进一步包括：

S121：消除由于旁瓣在所述SAR图像切片中形成的沿方位向的亮线，具体为：

沿距离向设置一维数组其中，每一个元素allrangeA(j)记录距离向j上所有像素的累积值，0≤j≤N-1；

设数组allrangeA(j)中的元素的最大值为allrangeA(J)，如果allrangeA(J)＞allrangeA(J-2)+T，且allrangeA(J)≥allrangeA(J+2)+T，则距离向J处存在由于旁瓣形成的亮线，其中阈值T＝4dB；

遍历所述SAR图像切片中第J列的所有像元x(i,J)，如果x(i,J)>0dB，则

$x(i,J)=\frac{1}{6}\[x(i-1,J-2)+x(i,J-2)+x(i+1,J-2)+x(i-1,J+2)+x(i,J+2)+x(i+1,J+2)\];$

S122：消除由于旁瓣在所述SAR图像切片中形成的沿距离向的亮线，具体为：

沿方位向设置一维数组其中，每一个元素allrangeB(i)记录方位向i上所有像素的累积值，0≤i≤M-1；

设数组allrangeB(i)中的元素的最大值为allrangeB(I)，如果allrangeB(I)＞allrangeB(I-2)+T，且allrangeB(I)≥allrangeB(I+2)+T，则方位向I处存在由于旁瓣形成的亮线，其中阈值T＝4dB；

遍历所述SAR图像切片中第I行的所有像元x(I,j)，如果x(I,j)>0dB，则

$x(I,j)=\frac{1}{6}\[x(1-2,j-1)+x(I-2,j)+x(I-2,j+1)+x(I+2,j-1)+x(I+2,j)+x(I+2,j+1)\].$

5.根据权利要求4所述的根据船只的高分辨率SAR图像识别船只类型的方法，其特征在于，所述步骤S13具体为：

设y(i,j)表示执行步骤S12后得到的图像，I(i,j)为重新量化后得到的图像，如果y(i,j)≤-30dB，则I(i,j)＝1；如果-30dB<y(i,j)≤33dB，则I(i,j)＝BYTE((y(i,j)+31.0)×4.0)；如果y(i,j)>33dB，则I(i,j)＝256；其中，BYTE为取整运算符，0≤i≤M-1，0≤j≤N-1。

6.根据权利要求5所述的根据船只的高分辨率SAR图像识别船只类型的方法，其特征在于，所述步骤S14具体为：

对于M×N图像I(i,j)，其(i+j)阶矩

其中，f(x,y)是图像I(i,j)中坐标(x,y)的灰度值，若f(x,y)＜140，则f(x,y)取为0，0≤i≤M-1，0≤j≤N-1；

计算图像I(i,j)中船只的灰度分布重心其中，

计算图像I(i,j)中船只的主轴方向θ为：

$\mathrm{\&theta;}=\frac{1}{2}\arctan \left(\frac{2{\mathrm{\&mu;}}_{11}}{{\mathrm{\&mu;}}_{20}-{\mathrm{\&mu;}}_{02}}\right)+\frac{\mathrm{\&pi;}}{2}A$

其中，当μ₂₀＞μ₀₂时，A＝1；

根据船只的灰度分布重心和主轴方向θ旋转图像I(i,j)，使船只呈垂直状态。

7.根据权利要求6所述的根据船只的高分辨率SAR图像识别船只类型的方法，其特征在于，所述步骤S16中，所述船只的边界位置包括船只的左、右侧轮廓边界和上、下侧轮廓边界。

8.根据权利要求1所述的根据船只的高分辨率SAR图像识别船只类型的方法，其特征在于，所述步骤S21具体为：

设所述船体图像为σ(i,j)，其中，0≤i≤FM-1，0≤j≤FN-1，FM×FN为所述船体图像包含的像素数；

设σmax为σ(i,j)的最大值，σmax是最大后向散射系数，为σ(i,j)中大于0采样点的集合，

σsum为所有σ(i,j)＞0.0采样点的和，Nsum为所有σ(i,j)＞0.0采样点数目，

$\mathrm{\&sigma;}sum=\underset{i,j=0}{\overset{Nsum-1}{\&Sigma;}}<\mathrm{\&sigma;}(i,j)|\mathrm{\&sigma;}(i,j)>0.0>$

平均后向散射系数为：

σmean＝σsum/Nsum。

9.根据权利要求1所述的根据船只的高分辨率SAR图像识别船只类型的方法，其特征在于，所述步骤S22具体为：

设所述船体图像为s(i,j)，其中，0≤i≤FM-1，0≤j≤FN-1，FM×FN为所示船体图像包含的像素数；

s(i,j)沿横轴方向积分形成沿纵向方向的一维样本计算v(i)的自相关函数R(k)：

其中k为自相关函数R(k)的延滞，为样本v(i)的均值；

如果R(k)的极值点|Rmax|＞0.35，则v(i)具有重复特征；如果Rmax＞0.35，则船体纵向自相关周期t＝FM/k；如果Rmax＜-0.35，则船体纵向自相关周期t＝FM/(2k)。