CN109766811A - 一种星载sar图像中海面船只的端到端检测与识别方法 - Google Patents

Abstract

本发明属于雷达图像处理技术领域，具体为一种星载SAR图像中海面船只的端到端检测与识别方法。步骤包括：基于Otsu辅助水图文件的精细海陆分割；自适应多尺度CFAR船只目标自动检测，包括全局、大尺度、小尺度三种尺度CFAR，其中用到基于伽马分布的合成孔径雷达图像海面杂波统计分布模型；自动构建SAR船只标记数据库，数据库包括SAR图像的船只与MMSI码的匹配和目标切片数据集；基于卷积神经网络的船只目标鉴别与分类。本发明精准提取狭窄弯曲河流、海岸线、轮廓等；能很好地解决船只检测虚警率高的问题；通过建立高分辨率船只SAR数据集，为复杂海面船只检测与识别工作提供有力支撑，具有推广应用前景。

Description

一种星载SAR图像中海面船只的端到端检测与识别方法

发明领域

本发明属于雷达图像处理技术领域，具体涉及一种星载SAR图像中海面船只的端到端检测与识别方法。

背景技术

合成孔径雷达（SAR）凭借全天候全天时的对地观测优势在海洋监测中有广泛的应用前景。高分三号是我国第一颗专门面向海洋监测的星载雷达成像卫星，工作波段为C波段、分辨率最高为0.5m、载荷具有多种成像模式，其中一个关键应用是对海面目标进行监测与识别。海面船只检测识别可用于渔业管理、非法移民监控、海洋救援等民用领域，在国防方面，船只检测与识别及参数估计如位置、类型、航向、时速等，是海上作战的重要军事情报。

针对船只检测，船只类金属目标存在大量二面角、三面角结构，后向散射系数高，恒虚警率 (CFAR, Constant False Alarm Rate)船只检测算法利用船只和海杂波的亮度差异检测潜在的船只目标。其中应用较广泛的有基于高斯分布的双参数CFAR检测算法、基于韦布尔分布的CFAR检测以及最优CFAR设计等。另外，船只的典型特征与海洋杂波存在着较大差距，如尺寸、几何形状、方向、纹理等。典型算法如Landowski和Loe的基于目标聚类的检测算法，方学立、梁甸农等的基于位置相关的SAR图像中分布式检测算法，张锋的基于扩展分形特征(EF)的目标检测算法等。船只在行驶过程中会形成很长的尾迹，部分学者提出可以先识别船只尾迹，然后利用检测到的尾迹寻找船只目标。

针对识别算法，传统SAR图像目标识别方法有基于电磁散射特征、其他域变换特征、几何结构特征、局部不变特征等。如袁昕等的基于不变伪线矩算法识别运动船只、席宇阳等的基于支持向量机的极化SAR船只识别，王贵槐等提出基于深度学习的水面无人船前方船只图像识别方法。近几年，神经网络在光学图像的识别，检测和分割取得了巨大的成功，相关技术也被应用到SAR图像的目标识别中来，如Chen等利用CNN（卷积神经网络）对坦克目标进行分类，Ao等提出基于VGG-16提取特征子类目标聚类船只目标和虚警分类算法。

本发明提出一种基于深度学习的端到端GF3星载SAR海面船只检测与识别算法。输入为GF3图像，输出为船只的位置坐标、类型和轮廓等信息。该算法包括四个步骤：海陆分割、检测、鉴别和分类。海陆分割和自适应多尺度CFAR确定船只位置。鉴别是指利用海洋目标七分类网络进一步滤除虚警，例如码头，岛屿，渔业养殖的建筑物，虚警鉴别的分类精度可达96.15%。分类是指应用船只目标八分类网络对船只种类进行识别，其分类精度达到77.61%。在此基础上与AIS自动匹配建立了FUSAR Ships高分辨率船只数据集，共有切片10125张。该端到端过程不需要人工进行数据标注准备，而是采取自动化实现数据集构建。

发明内容

本发明的目的在于提出一种能够实现端到端的高效、准确地检测、鉴别与识别复杂背景SAR图像中船只目标的方法。

本发明提出的星载SAR海面船只（例如高分三号，记为GF3-SAR船只）的端到端检测与识别方法，具体步骤如下：

（1）首先，采用基于Otsu（日本学者OTSU提出的一种对图像进行二值化的高效算法）辅助水图文件的精细海陆分割算法，实现海陆分割；

（2）然后，采用自适应多尺度CFAR船只目标自动检测算法，实现对舰船目标进行检测；

（3）随后，在步骤（2）的基础上，构建SAR船只标记数据库，为虚警鉴别和分类识别提供数据支持；

（4）最后，采用卷积神经网络对船只目标进行鉴别与分类识别，包括卷积神经网络的构建，卷积神经网络的训练，实现虚警鉴别和船只分类。

步骤（1）中，所述的基于Otsu辅助水图文件的精细海陆分割算法，包括：针对有精确的经纬度信息情况，采取250m世界海陆数据库掩膜实现像素级分割；针对低分辨率、海陆掩膜绘制不准确或缺少精确成像位置经纬度信息情况，采取基于Otsu的自动海陆分割；

步骤（2）中，所述的自适应多尺度CFAR船只目标自动检测算法中，多尺度CFAR船只目标包括：全局、大尺度、小尺度三种尺度CFAR，以及增添AIS（Automatic IdentificationSystem， 船舶自动识别系统）预设条件；

步骤（3）中，所述的构建SAR船只标记数据库中，数据库包括：基于AIS信息对SAR图像的船只与水上移动通信业务标识码（MMSI码）的匹配和目标切片数据集；

步骤（4）中，所述的卷积神经网络包括：基于CNN的疑似船只目标的虚警鉴别网络和船只类型分类识别网络。

步骤（1）中，所述的采用250m世界海陆数据库掩膜实现像素级海陆分割的流程为：利用待检测SAR图像的经纬度信息读取该区域对应的250m世界海陆数据库中的海陆分割掩膜 ，利用最近邻插值将该掩膜变换为与SAR图像相同的尺寸，有效提取数据库文件中的海陆掩膜；

所述的采用基于Otsu的自动海陆分割的流程为：对待检测SAR图像进行下采样，降低计算时间，利用均值滤波消除相干斑噪声的影响，用Otsu求取最佳分割阈值并进行二值化。对二值图像进行均值滤波（滤波器半径为5），面积大于普通船只的十倍则认为是水域；

步骤（2）中，所述的全局CFAR的流程为，对基于伽马分布的待检测SAR图像杂波统计分布模型进行建模和参数估计，然后根据伽马分布的参数作为初始值，利用AIS接收到的船只数量作为预设条件反复迭代逐步逼近，求解伽马分布参数的全局最优解或可以达到的最好的局部最优解；

所述的大尺度CFAR的流程为，对待检测SAR图像进行二维网格栅格化，针对每个栅格，估计其海面杂波统计分布模型，并对二维阈值曲面进行平滑滤波；

所述的小尺度CFAR的流程为，采取双线性插值的方式，构建与SAR图像同尺寸的二维阈值图，精准提取海面疑似船只目标；

步骤（3）中，所述构建SAR船只标记数据库的流程为：根据自适应多尺度CFAR船只目标自动检测算法精准提取的海面疑似船只目标，与基于AIS信息对SAR图像自动生成的MMSI码，二者做全局最优匹配，给海面疑似船只目标分配相应类别，最后提取含有类别的船只切片，构成该高分辨率船只标记数据库；

步骤（4）中，所述的采用CNN的疑似船只目标的虚警鉴别网络，对船只目标进行鉴别的流程为：根据不同网络层结构具有不同实现功能的原理，合理设计网络层结构，搭建虚警鉴别网络（如图12），对自适应多尺度CFAR船只目标自动检测结果进行虚警鉴别，该虚警鉴别网络共包含13层卷积层、5层池化层、3层全连接层以及若干层激活函数，按照如表5所示的训练参数对该网络进行训练。

所述的采用CNN的船只目标分类识别网络，对船只目标进行识别的流程为：根据不同网络层结构具有不同实现功能的原理，应用数据库训练船只类型分类识别网络，实现船只类型识别（如图13），该船只目标分类识别网络共包含38层卷积层、9层池化层、9层归一化层、以及2层全连接层，按照如表6所示的训练参数对该网络进行训练。

下面对各步骤的算法作进一步介绍：

（1）基于Otsu辅助水图文件的精细海陆分割算法，操作流程为：

(1a)判断待检测SAR图像有无准确的成像位置（经纬度信息），海陆掩膜绘制是否准确；

(1b)针对有精确的经纬度信息的情况，采取250m世界海陆数据库掩膜实现像素级分割；首先读取待检测SAR图像的经纬度，利用待检测SAR图像的经纬度信息读取该区域对应的250m世界海陆数据库中的海陆分割掩膜 ，利用最近邻插值将该掩膜变换为与SAR图像相同的尺寸，有效提取数据库文件中的海陆掩膜；

(1c)针对低分辨率、海陆掩膜绘制不精确或缺少精确经纬度信息的情况，采取基于Otsu的自动海陆分割。首先对待检测SAR图像进行下采样降低计算时间，利用均值滤波消除相干斑噪声的影响，然后用Otsu求取最佳分割阈值并进行二值化。最后对二值图像进行均值滤波（滤波器半径为5），面积大于普通船只的十倍则认为是水域；

(1d)对步骤(1b)或(1c)中得到的二值图像进行形态学处理，包括孔洞填充、腐蚀膨胀、开环闭环等，精确提取海陆掩膜。

（2）自适应多尺度CFAR船只目标自动检测算法，具体操作流程为：

(2a)根据AIS接收到的船只数量作为预设条件，经过反复迭代，自适应地提高基于伽马分布的合成孔径雷达图像海杂波统计分布模型的拟合度；

(2b)对基于伽马分布的待检测SAR图像杂波统计分布模型进行建模和参数估计，然后根据伽马分布的参数作为初始值，利用AIS接收到的船只数量作为预设条件反复迭代逐步逼近求解伽马分布参数的全局最优解或可以达到的最好的局部最优解；

(2c)对待检测SAR图像进行二维网格栅格化，针对每个栅格，估计其海面杂波统计分布模型，并对二维阈值曲面进行平滑滤波；

(2d)采取双线性插值的方式，构建与SAR图像同尺寸的二维阈值图，精准提取海面疑似船只目标；

(2e)利用船只的几何学轮廓特征作为先验知识，如面积、轴长比、主轴长度等，排除对检测算法干扰大的非船只目标。

（3）构建SAR船只标记数据库，具体操作流程为：

(3a)提取步骤(2e)中的海面疑似船只目标；

(3b)提取基于AIS信息对SAR图像自动生成的MMSI码位置坐标图；

(3c)为获取船只的状态信息，将步骤(3a)与(3b)的坐标利用匈牙利匹配算法做全局最优匹配，给步骤(2e)中的海面疑似船只目标分配相应类别；

(3d)提取含有类别的船只切片构成该高分辨率SAR船只标记数据库，包含与AIS信息匹配的船只1851张，类似船的亮点等强虚警427张，桥及海岸线1461张，沿岸区域及岛屿1010张，复杂海波杂波1967张，普通海面1785张，陆地1624张，该数据集累计10125张。

（4）采用虚警鉴别网络对船只目标进行鉴别，具体流程为：

(4a)将海洋分析与监测中所有潜在目标和虚警划分为七类：船只、类似船的亮点等强虚警、桥与海岸线、沿岸区域及岛屿、海波杂波、普通海面和陆地；

(4b)为实现步骤(2e)中更精准的检测结果，充分滤除被步骤(2e)误检为船只的虚警，搭建卷积神经网络，对该七类海洋目标进行分类，排除船只以外的多种类别虚警；构建的卷积神经网络，包括：卷积层、池化层、全连接层；其中：

卷积层主要用来特征提取，将一系列滤波器应用于输入图像以提取和学习更高级的特征，由于该卷积层的权值和偏重采取共享机制，使得计算复杂度大大降低；

池化层主要用于对由卷积层提取的特征图进行下采样，一方面降低特征图的维度，简化网络计算复杂度，以减少处理时间；另一方面进行特征压缩，提取主要特征；

全连接层主要用在连接所有的特征并将输出值送给分类器，最后使用损失函数为每个节点生成0到1之间的该图像落入每个目标类别的概率值；

(4c)采取梯度下降最优化算法，使得权值和偏置参数随着梯度下降而被训练，为防止神经网络的过拟合，采取L1正则化和dropout层。

（5）采用CNN的船只目标分类识别网络，对船只目标进行识别的具体流程为：

(5a)该数据集中共计1851张船只切片，根据MMSI码所属类别可将船只切片分成20类，包含集装箱船、散货船、普通货船、其他货船、水下作业船、渔船、高速货船、执法艇、客船、引航船、游船、港口供应船、搜救船、油轮、牵引船、拖船、地效船、其他类型船只、未知类别船只以及未被匹配的虚警（如图10）；

(5b)提取其中最常见的具有重要渔业民生管理地位的八种船只类别，分别是散货船、集装箱船、普通货船、其他货船、拖船、游轮、其他船只以及虚警，做船只目标的识别工作；

(5c)根据不同网络层结构具有不同实现功能的原理，设计网络层结构，搭建分类识别卷积神经网络，对从SAR图像中获取的目标进行稳健的描述，从而提高目标识别的性能和效率。构建的卷积神经网络包含：卷积层、池化层、归一化层、激活函数、全连接层、dropout层和softmax层，采取梯度下降最优化算法；其中：

卷积层主要用来特征提取，将一系列滤波器应用于输入图像以提取和学习更高级的特征，由于该卷积层的权值和偏重采取共享机制，使得计算复杂度大大降低；

池化层主要用于对由卷积层提取的特征图进行下采样，一方面降低特征图的维度，简化网络计算复杂度，以减少处理时间；另一方面进行特征压缩，提取主要特征；

归一化层主要指批量归一化，在深度神经网络训练过程中使得每一层神经网络的输入保持相同分布。在训练过程中，随着深度加深，输入值分布会发生偏移，向取值区间上下两端靠近，如Sigmoid函数会导致反向传播时低层神经网络的梯度消失，导致网络收敛越来越慢。归一化会使分布回到非线性函数对输入比较敏感的区域，使得损失函数能发生较大的变化（梯度变大），避免梯度消失问题。同时梯度变大能加快模型收敛速度，提高训练速度；

激活函数主要用于增大网络的稀疏性。当x<0 时，该层的输出为0，训练完成后为0的神经元越多，稀疏性越大，提取出来的特征就越具有代表性，泛化能力越强。即得到同样的效果，真正起作用的神经元越少，网络的泛化性能越好，运算量越少；

全连接层主要用在连接所有的特征并将输出值送给分类器，最后使用损失函数为每个节点生成0到1之间的该图像落入每个目标类别的概率值；

深度卷积神经网络的前几层由卷积层与汇聚层交替构成，后面若干层是全连接层，dropout层插到全连接层之前避免过拟合，softmax非线性函数应用于最后的输出层节点；

(5d)训练该识别卷积神经网络（训练参数如表6所示），由于权值共享特性（如图4（b）所示），训练过程中需要从数据中学习的独立参数的个数显著减小。

本发明在海陆分割方面，针对低分辨率、地形图绘制不精确或缺少成像位置信息等情况，都可以精准提取狭窄弯曲河流、海岸线、孤立小岛、沿岸轮廓等；本发明在船只检测方面，根据AIS接收到的船只数量作为预设条件，自适应地提高海杂波统计分布模型的拟合度，且由于结合全局和局部信息，自适应更改阈值，使其鲁棒性高，平滑局部异常值的影响，很好地解决船只检测虚警率高的问题；本发明在船只识别方面，设计基于深度学习的船只特征自动提取网络；本发明在数据集建设方面，建立高分辨率船只SAR数据集，共切片10125张，为复杂海面船只检测与识别工作提供有力支撑，具有推广应用前景。

附图说明

图1是本发明的基于Otsu辅助水图文件的精细海陆分割流程图。

图2是本发明的基于Otsu辅助水图文件的精细海陆分割结果展示图。

图3是本发明的自适应多尺度CFAR船只目标自动检测流程图。

图4是本发明的GF3-SAR船只目标自动化检测实验结果图。

图5是本发明的GF3-SAR船只目标数据集自动化建设总体流程图。

图6是本发明的2018年11月19日09:56香港岛附近船只分布情况。

图7是本发明的AIS匹配总体流程图。

图8是本发明的AIS和SAR图像匹配结果（左）AIS船只匹配局部放大图（右）。

图9是本发明的GF3全局匈牙利匹配结果图。

图10是本发明的SAR例图船只切片样图。

图11是本发明的七种海洋目标数据集切片样图。

图12是本发明的七种海洋目标CNN网络结构图。

图13是本发明的基于卷积神经网络的船只目标自动化识别网络结构图。

图14是本发明的应用训练好的分类识别神经网络模型测试随机GF3场景图。

具体实施方式

下面结合附图对本发明的实施例作详细说明。本实施例在以本发明技术方案为前提下进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。

本实例采用的合成孔径雷达图像是星载高分三号卫星C波段SAR图像，记为GF3-SAR；图像的方位向分辨率是1.124米，距离向分辨率是1.728米，本实例涉及250米世界海陆数据库，在此仅以高分三号SAR图像船只目标检测为例，实际该算法对于普遍SAR图像都具有通用、适用性。

本发明的高分三号卫星与国际同类卫星综合技术指标的比对，见表1。

本发明针对识别算法，将传统SAR图像目标识别方法分为基于电磁散射特征、其他域变换特征、几何结构特征、局部不变特征等识别方法，本发明针对识别算法采取基于CNN的自动特征提取方法。

结合本实例说明本发明的具体实施过程如下：

步骤1：针对海陆掩膜绘制不精确或缺少精确经纬度信息情况，使用基于Otsu辅助水图文件的海陆分割方法如图1。包括对数据进行下采样降低计算时间，利用均值滤波消除相干斑噪声的影响，求取最佳分割阈值并进行二值化，对二值图像进行均值滤波，面积大于普通船只的十倍则认为是水域。海面掩膜可将目标搜索范围锁定于海洋区域，消除陆地上各种复杂地物状况对海洋目标检测的干扰。图2是基于Otsu辅助水图文件的精细海陆分割结果展示图，其中，第一行为SAR图像，第二行基于Otsu海陆分割实验结果图。实验结果表明当地形图绘制不准确或在只有图像缺少地理信息时，该分割算法结果优良，且针对狭窄弯曲的河流、海岸线、孤立的小岛、复杂地面、沿岸轮廓等提取效果也较为精确。

步骤2：实现自适应多尺度CFAR船只目标自动检测（如图3）。首先根据AIS接收到的船只数量作为预设条件，提高杂波分布统计模型的拟合度。随后根据背景海杂波拟合其统计分布模型并以二维网格和双线性插值的方式采取大中小三种尺度进行检测，平滑局部异常值的干扰，检测复杂海面中的候选船只目标。其次利用船只的几何学轮廓特征作为先验知识，如面积、轴长比、主轴长度等，排除对检测算法干扰大的非船只目标。对实际SAR数据进行船只检测的实验过程如图4所示，其中（a）是SAR图像，（b）是海陆分割结果，（c）是船只目标轮廓提取，（d）是船只检测结果，（e）是（d）局部放大结果。

步骤3：实现GF3-SAR船只目标数据集自动化建设（如图5）。包括为获取船只的状态信息，利用AIS对SAR图像进行船只与MMSI码的匹配（如图7），和利用匈牙利匹配给检测出的船只分配最邻近位置的水上移动通信业务标识码（MMSI）（如图9）。图6展示了从船讯网上获取的2018年11月19日09:56香港岛附近的船只分布情况。AIS包含船名、呼号、IMO、MMSI、船只状态、船只类型、船长、船宽、吃水、船首向、速度、纬度、经度、更新时间、航向、转向率等该船只相关信息。图8是AIS和SAR图像匹配结果（左）以及船只匹配局部放大图（右）。图10是SAR高分辨率船只数据集切片样图。

步骤4：将海洋分析与监测中所有潜在目标和虚警划分为七类：船只、类似船的亮点等强虚警、桥与海岸线、沿岸区域及岛屿、海波杂波、普通海面和陆地（如图11）。为实现船只检测算法更精准的检测结果，充分滤除被多尺度CFAR误检为船只的虚警，如海面复杂非船只散射点、孤立小岛屿、部分沿岸陆地、复杂海面、桥等，搭建卷积神经网络（如图12），对该七类海洋目标进行分类，用作虚警鉴别。用作七种海洋目标分类的卷积神经网络数据集，见表2。该神经网络的七分类混淆矩阵，见表3；整体测试精度可达96.15%，虚警鉴别后的船只漏检率为4.7%。

步骤5：将数据集中的1851张船只切片根据MMSI码所属类别分成20类，提取其中最常见的具有重要渔业民生管理地位的八种船只类别，分别是散货船、集装箱船、普通货船、其他货船、拖船、游轮、其他船只以及虚警，做船只目标的识别工作。本文设计了基于CNN的船只目标特征自动提取的识别算法（如图13）。基于该网络的八种船只目标的混淆矩阵，见表3。图14是应用该训练好的分类识别神经网络模型测试随机GF3场景图。

本实例SAR图像尺寸为10000×10000到30000×30000不等的像素，实验的软硬件配置为Intel(R) Core(TM) i5-4590CPU@3.30GHz处理器、24GB内存、Matlab 2018a、GeForce GTX 760 GPU。本实例共检测SAR图像145幅，该端到端船只目标检测与识别总时长200s/幅SAR图像。

表1、是本发明的高分三号卫星与国际同类卫星综合技术指标的比对

表2、本发明的七种海洋目标分类数据

表3、本发明的基于分类识别卷积神经网络的七分类混淆矩阵

表4、本发明的基于分类识别卷积神经网络的八种船只目标的混淆矩阵

表5、基于CNN的疑似船只目标的虚警鉴别网络训练过程的参数设置

表6、基于CNN的船只目标分类识别网络训练过程的参数设置

。

Claims (10)

1.一种星载SAR海面船只的端到端检测与识别方法，其特征在于，具体步骤如下：

（1）首先，采用基于Otsu辅助水图文件的精细海陆分割算法，实现海陆分割；

（2）然后，采用自适应多尺度CFAR船只目标自动检测算法，实现对舰船目标进行检测；

（3）随后，在步骤（2）的基础上，构建SAR船只标记数据库，为虚警鉴别和分类识别提供数据支持；

（4）最后，采用卷积神经网络对船只目标进行鉴别与分类识别，包括卷积神经网络的构建，卷积神经网络的训练，实现虚警鉴别和船只分类；

步骤（1）中，所述的基于Otsu辅助水图文件的精细海陆分割算法，包括：针对有精确的经纬度信息情况，采取250m世界海陆数据库掩膜实现像素级分割；针对低分辨率、海陆掩膜绘制不准确或缺少精确成像位置经纬度信息情况，采取基于Otsu的自动海陆分割；

步骤（2）中，所述的自适应多尺度CFAR船只目标自动检测算法中，多尺度CFAR船只目标包括：全局、大尺度、小尺度三种尺度CFAR，并增添AIS预设条件；

步骤（3）中，所述的构建SAR船只标记数据库中，包括：基于AIS信息对SAR图像的船只与水上移动通信业务标识码（MMSI码）的匹配和目标切片数据集；

步骤（4）中，所述的基于卷积神经网络的船只目标鉴别与分类中，卷积神经网络包括：疑似船只目标的虚警鉴别网络和船只类型分类识别网络。

2.根据权利要求1所述的星载SAR海面船只的端到端检测与识别方法，其特征在于，步骤（1）中：

所述的采用250m世界海陆数据库掩膜实现像素级海陆分割的流程为：利用待检测SAR图像的经纬度信息读取该区域对应的250m世界海陆数据库中的海陆分割掩膜 ，利用最近邻插值将该掩膜变换为与SAR图像相同的尺寸，有效提取数据库文件中的海陆掩膜；

所述的采用基于Otsu的自动海陆分割的流程为：对待检测SAR图像进行下采样，降低计算时间，利用均值滤波消除相干斑噪声的影响，用Otsu求取最佳分割阈值并进行二值化；对二值图像进行均值滤波，滤波器半径为5，面积大于普通船只的十倍则认为是水域。

3.根据权利要求2所述的星载SAR海面船只的端到端检测与识别方法，其特征在于，步骤（2）中：

所述的全局CFAR的流程为，对基于伽马分布的待检测SAR图像杂波统计分布模型进行建模和参数估计，然后根据伽马分布的参数作为初始值，利用AIS接收到的船只数量作为预设条件反复迭代逐步逼近，求解伽马分布参数的全局最优解或可以达到的最好的局部最优解；

所述的大尺度CFAR的流程为，对待检测SAR图像进行二维网格栅格化，针对每个栅格，估计其海面杂波统计分布模型，并对二维阈值曲面进行平滑滤波；

所述的小尺度CFAR的流程为，采取双线性插值的方式，构建与SAR图像同尺寸的二维阈值图，精准提取海面疑似船只目标。

4.根据权利要求3所述的星载SAR海面船只的端到端检测与识别方法，其特征在于，步骤（3）中，所述构建SAR船只标记数据库的流程为：根据自适应多尺度CFAR船只目标自动检测算法精准提取的海面疑似船只目标，与基于AIS信息对SAR图像自动生成的MMSI码，二者做全局最优匹配，给海面疑似船只目标分配相应类别，最后提取含有类别的船只切片，构成该高分辨率船只标记数据库。

5.根据权利要求4所述的星载SAR海面船只的端到端检测与识别方法，其特征在于，步骤（4）中：

所述采用CNN的疑似船只目标的虚警鉴别网络，对船只目标进行鉴别的流程为：根据不同网络层结构具有不同实现功能的原理，合理设计网络层结构，搭建虚警鉴别网络，对自适应多尺度CFAR船只目标自动检测结果进行虚警鉴别，该虚警鉴别网络共包含13层卷积层、5层池化层、3层全连接层以及若干层激活函数，按照所需训练参数对该网络进行训练；

所述采用CNN的船只目标分类识别网络，对船只目标进行识别的流程为：根据不同网络层结构具有不同实现功能的原理，应用数据库训练船只类型分类识别网络，实现船只类型识别（如图13），该船只目标分类识别网络共包含38层卷积层、9层池化层、9层归一化层、以及2层全连接层，按照所需训练参数对该网络进行训练。

6.根据权利要求1-5之一所述的星载SAR海面船只的端到端检测与识别方法，其特征在于，基于Otsu辅助水图文件的精细海陆分割算法，操作流程为：

判断待检测SAR图像有无准确的成像位置，海陆掩膜绘制是否准确；

针对有精确的经纬度信息的情况，采取250m世界海陆数据库掩膜实现像素级分割；首先读取待检测SAR图像的经纬度，利用待检测SAR图像的经纬度信息读取该区域对应的250m世界海陆数据库中的海陆分割掩膜 ，利用最近邻插值将该掩膜变换为与SAR图像相同的尺寸，有效提取数据库文件中的海陆掩膜；

针对低分辨率、海陆掩膜绘制不精确或缺少精确经纬度信息的情况，采取基于Otsu的自动海陆分割：首先对待检测SAR图像进行下采样降低计算时间，利用均值滤波消除相干斑噪声的影响，然后用Otsu求取最佳分割阈值并进行二值化；最后对二值图像进行均值滤波，滤波器半径为5，面积大于普通船只的十倍则认为是水域；

对步骤(1b)或(1c)中得到的二值图像进行形态学处理，包括孔洞填充、腐蚀膨胀、开环闭环等，精确提取海陆掩膜。

7.根据权利要求1-5之一所述的星载SAR海面船只的端到端检测与识别方法，其特征在于，自适应多尺度CFAR船只目标自动检测算法，具体操作流程为：

根据AIS接收到的船只数量作为预设条件，经过反复迭代，自适应地提高基于伽马分布的合成孔径雷达图像海杂波统计分布模型的拟合度；

对基于伽马分布的待检测SAR图像杂波统计分布模型进行建模和参数估计，然后根据伽马分布的参数作为初始值，利用AIS接收到的船只数量作为预设条件反复迭代逐步逼近求解伽马分布参数的全局最优解或可以达到的最好的局部最优解；

对待检测SAR图像进行二维网格栅格化，针对每个栅格，估计其海面杂波统计分布模型，并对二维阈值曲面进行平滑滤波；

采取双线性插值的方式，构建与SAR图像同尺寸的二维阈值图，精准提取海面疑似船只目标；

利用船只的几何学轮廓特征作为先验知识，轮廓特征包括面积、轴长比、主轴长度等，排除对检测算法干扰大的非船只目标。

8.根据权利要求1-5之一所述的星载SAR海面船只的端到端检测与识别方法，其特征在于，构建SAR船只标记数据库，具体操作流程为：

提取步骤(2e)中的海面疑似船只目标；

提取基于AIS信息对SAR图像自动生成的MMSI码位置坐标图；

为获取船只的状态信息，将步骤(3a)与步骤(3b)的坐标利用匈牙利匹配算法做全局最优匹配，给步骤(2e)中的海面疑似船只目标分配相应类别；

提取含有类别的船只切片构成该高分辨率SAR船只标记数据库，包含与AIS信息匹配的船只1851张，类似船的亮点等强虚警427张，桥及海岸线1461张，沿岸区域及岛屿1010张，复杂海波杂波1967张，普通海面1785张，陆地1624张，该数据集累计10125张。

9.根据权利要求1-5之一所述的星载SAR海面船只的端到端检测与识别方法，其特征在于，采用虚警鉴别网络对船只目标进行鉴别，具体流程为：

（4a）将海洋分析与监测中所有潜在目标和虚警划分为七类：船只、类似船的亮点等强虚警、桥与海岸线、沿岸区域及岛屿、海波杂波、普通海面和陆地；

（4b）为实现步骤(2e)中更精准的检测结果，充分滤除被步骤(2e)误检为船只的虚警，搭建卷积神经网络，对该七类海洋目标进行分类，排除船只以外的多种类别虚警；构建的卷积神经网络，包括：卷积层、池化层、全连接层；其中：

卷积层主要用来特征提取，将一系列滤波器应用于输入图像以提取和学习更高级的特征；

池化层主要用于对由卷积层提取的特征图进行下采样，一方面降低特征图的维度，简化网络计算复杂度，以减少处理时间；另一方面进行特征压缩，提取主要特征；

全连接层主要用在连接所有的特征并将输出值送给分类器，最后使用损失函数为每个节点生成0到1之间的该图像落入每个目标类别的概率值；

（4c）采取梯度下降最优化算法，使得权值和偏置参数随着梯度下降而被训练，为防止神经网络的过拟合，采取L1正则化和dropout层。

10.根据权利要求1-5之一所述的星载SAR海面船只的端到端检测与识别方法，其特征在于，采用CNN的船只目标分类识别网络，对船只目标进行识别的具体流程为：

（5a）该数据集中共计1851张船只切片，根据MMSI码所属类别可将船只切片分成20类，包含集装箱船、散货船、普通货船、其他货船、水下作业船、渔船、高速货船、执法艇、客船、引航船、游船、港口供应船、搜救船、油轮、牵引船、拖船、地效船、其他类型船只、未知类别船只以及未被匹配的虚警；

（5b）提取其中最常见的具有重要渔业民生管理地位的八种船只类别，分别是散货船、集装箱船、普通货船、其他货船、拖船、游轮、其他船只以及虚警，做船只目标的识别工作；

（5c）根据不同网络层结构具有不同实现功能的原理，设计网络层结构，搭建分类识别卷积神经网络，对从SAR图像中获取的目标进行稳健的描述，从而提高目标识别的性能和效率；构建的卷积神经网络包含：卷积层、池化层、归一化层、激活函数、全连接层、dropout层和softmax层，采取梯度下降最优化算法；其中：

卷积层主要用来特征提取，将一系列滤波器应用于输入图像以提取和学习更高级的特征；

池化层主要用于对由卷积层提取的特征图进行下采样；

归一化层主要指批量归一化，在深度神经网络训练过程中使得每一层神经网络的输入保持相同分布；在训练过程中，随着深度加深，输入值分布会发生偏移，向取值区间上下两端靠近，归一化使分布回到非线性函数对输入比较敏感的区域，使得损失函数能发生较大的变化，避免梯度消失问题，同时梯度变大加快模型收敛速度，提高训练速度；

激活函数主要用于增大网络的稀疏性；

全连接层主要用在连接所有的特征并将输出值送给分类器，最后使用损失函数为每个节点生成0到1之间的该图像落入每个目标类别的概率值；

深度卷积神经网络的前几层由卷积层与汇聚层交替构成，后面若干层是全连接层，dropout层插到全连接层之前避免过拟合，softmax非线性函数应用于最后的输出层节点；

（5d）训练该识别卷积神经网络，由于权值共享特性，训练过程中需要从数据中学习的独立参数的个数显著减小。