極化SAR圖像艦船目標檢測研究綜述

劉 濤 楊子淵 蔣燕妮 高 貴

①(海軍工程大學電子工程學院 武漢 430033)

②(西南交通大學地球科學與環境工程學院 成都 611756)

1 引言

合成孔徑雷達(Synthetic Aperture Radar,SAR)是一種主動式微波遙感設備，它使用虛擬陣列及脈沖壓縮等技術獲取高分辨力地物二維圖像。極化信息是電磁波的重要屬性，目標的變極化特性也是目標自身固有的重要屬性之一，可用于目標檢測和識別等領域。將極化信息應用到SAR系統，就構成了極化SAR (Polarimetric SAR,PolSAR)系統，它保留了更完整的目標電磁散射特性，成為現代雷達成像技術的重要工具，目前已廣泛應用在軍事偵察、地形測繪、環境與自然災害監視、海面艦船目標檢測等領域[1]。在過去的30年中，不少學者在極化雷達遙感方面做了大量的工作，為極化雷達遙感應用奠定了堅實基礎，并取得了豐碩的成果。值得指出的是，Boerner及其國際合作者等對此做出了卓越貢獻，他們不僅是極化雷達理論及其應用的積極推動者，也是極化雷達理論的積極傳播者。第1部實用正交極化SAR系統，是1985年美國國家航空航天局噴氣動力實驗室(NASA JPL)[2]基于分時極化測量技術研制的Airborne SAR (AIRSAR)，數據的成功獲取刺激了人們對PolSAR數據的分析和應用，從此PolSAR系統進入了高速發展時期。目前為止，國內外典型PolSAR系統主要有[3]：(1)機載SAR方面：美國AIRSAR系統，澳大利亞AuSAR系統，丹麥EMISAR系統，新西蘭PHARUS系統，日本PISAR系統，加拿大CV-580系統，德國DOSAR,MEMPHIS,ESAR系統，法國STORM系統等；(2)星載SAR方面：日本ALOS/PALSAR系統，德國TerraSAR-X系統，加拿大RADARSAT-1/2系統等。2016年8月10日，我國首顆民用C波段PolSAR衛星高分三號在太原衛星發射中心成功發射，達到國際先進水平，目前已廣泛應用于海洋、減災、水利及氣象等多個領域。

隨著PolSAR系統的迅速發展，PolSAR圖像解譯技術得到了越來越廣泛的關注?；赑olSAR圖像的目標檢測方法成為SAR信息處理領域的前沿課題。國內外許多研究機構在PolSAR目標檢測領域做出了卓有成效的工作。美國林肯實驗室、加拿大遙感中心、日本新潟大學、德國宇航中心(DLR)、澳大利亞國防科技組織(DSTO)、英國斯特林大學、挪威特隆姆瑟大學以及國內中國科學院、清華大學、國防科技大學、電子科技大學、西安電子科技大學、海軍工程大學等研究單位都做出了突出貢獻[3]。以NASA JPL、林肯實驗室為代表的研究機構開展了PolSAR成像、目標檢測分類與識別等諸多引領性的工作，獲得大量實驗與理論成果。研究結果表明，極化信息將進一步改善雷達目標檢測與分類識別性能[4]。林肯實驗室的Novak在目標極化檢測領域做出了奠基性的貢獻。PolSAR圖像艦船目標檢測最常用的方法是恒虛警(Constant False Alarm Rate,CFAR)檢測，這是因為艦船目標相對于海雜波而言有較強的散射回波，在目標先驗信息未知的情況下，采取CFAR檢測的方法即可取得較好的檢測效果。然而隨著雷達平臺參數多樣性、海況環境復雜性的影響，復雜海雜波統計建模與參數估計、慢小目標檢測、密集目標檢測等仍然是當前PolSAR圖像艦船目標檢測的難點問題。

本文通過梳理當前熱門的PolSAR艦船目標檢測算法，給出PolSAR艦船目標檢測的發展歷史和未來趨勢，為后續開展的研究工作給出建議，綜述框架如圖1所示。當前PolSAR艦船目標檢測方法主要可分為4大類，即極化特征目標檢測方法、慢速運動目標檢測方法、艦船目標尾跡檢測方法和基于深度學習的目標檢測方法。目標極化特征檢測方法主要適用于艦船目標本體極化特征和雜波特征有一定差異情形下的檢測；慢速運動目標檢測方法主要適用于目標雜波極化特征差異較小但有一定速度差異的情形，同時也能提取目標運動信息以獲取實時海面態勢；艦船目標尾跡檢測方法不是檢測艦船目標本體，而是檢測運動產生的尾跡，主要針對小目標和隱身目標。數據驅動的深度學習方法是人工智能的重要工具，不需要人工提取目標特征，在PolSAR圖像智能解譯中取得了巨大成功。CFAR檢測本質上屬于統計信號處理，可以看作上述方法的后續，二者存在串聯關系，劉濤等人[5]對此做了大量研究工作，在此僅作代表性介紹。

2 極化特征目標檢測方法

PolSAR圖像目標檢測的常用方法是基于SAR圖像像素點統計特性的檢測算法[6]。為了充分利用像素的統計相似性和空間相關性，出現了像素塊的檢測方法[7]。目前PolSAR艦船目標特征檢測方法大致分為像素級和像素塊兩類[7]。像素級檢測算法主要包含簡單極化通道合成檢測技術、基于極化最優化的檢測技術和基于散射機理的檢測技術[8]。像素塊檢測算法又稱為空間鄰域算法，主要包含超像素檢測算法和鄰域矩陣檢測算法。

2.1 簡單極化通道合成檢測技術

當極化通道數量增加時，簡單極化通道合成檢測技術應運而生[9]。簡單通道合成有兩種思路，第1種是首先對每一個極化通道進行單獨檢測處理，最后對檢測結果進行融合處理，屬于決策級融合，如單通道檢測器(Single Channel Detector,SCD)[9]；第2種是以像素為基本單位，首先合成不同極化通道數據，對合成后的圖像以單通道方式進行CFAR檢測，屬于信號級融合，可以看作對散射矢量進行線性加權所獲得的檢測量[10]，如最佳能量檢測器(Optimal Span Detector,OSD)、能量檢測器(Span Detector,SD)[10]。大量實驗結果表明，簡單極化通道合成效果比單極化SAR圖像的檢測效果有明顯改善[10]。此類方法較為簡單，目前除了簡單場景和性能要求不高的情形大都不再使用。

圖1 PolSAR艦船目標檢測方法分類Fig.1 Classification of PolSAR ship detection methods

2.2 基于極化最優化的檢測技術

極化最優化是指按照一定的優化目標函數，綜合利用不同極化通道的信息，對PolSAR圖像進行目標特征提取的信息處理技術，是簡單極化通道合成的升級。1988年Boerner等人[11]基于最大信噪比準則提出了極化匹配濾波器(Polarimetric Matched Filter,PMF)。PMF是一種最佳線性濾波器，其對極化散射矢量進行加權，達到抑制雜波、提高信雜比的效果[11]。1989年，Novak等人[12]基于似然比檢驗的原理，提出了最優極化檢測器(Optimal Polarimetric Detector,OPD)，該方法達到了極化探測器的理論上限(需要目標的先驗信息)。對OPD稍加變形，采用單位矩陣與極化通道功率的乘積代替OPD中的目標協方差矩陣，即可得到單位似然比(Identity Likelihood Ratio Test,ILRT)檢測器[13]。1990年，為了彌補OPD需要先驗信息的缺陷，Novak和Burl[14]以雜波起伏度為優化目標，提出了極化白化濾波器(Polarimetric Whitening Filter,PWF)，它的檢測性能已被證明與OPD幾乎相同[14]。楊健等人[15]以最大信噪比為準則，通過優化收發極化方式，提出了極化對比增強方法(Optimization of Polarimetric Contrast Enhancement,OPCE)，取得了與匹配濾器波接近的檢測效果。楊棟文等人[16]提出基于最小雜信比子空間(Minimal Clutter Signal Ratio,MCSR)的方法進行極化對比增強，得到PMF是其特例的結論。MCSR方法在特定環境下具有較好的目標檢測效果，但是難以得到子空間的最優檢測維數。Novak[17]指出檢測性能并不僅取決于信噪比，同時取決于雜波起伏度。極化最優化檢測技術的具體性能對比如圖2所示，實驗結果表明OPD檢測算法性能一般最佳，基于極化對比增強的檢測算法效果一般不如基于極化白化濾波的檢測方法[18]。

為了將Novak等人的工作擴展到多視極化SAR圖像，Lopes和劉國慶等人[19,20]將PWF擴展為多視極化白化濾波器(Multilook PWF,MPWF)。針對PWF統計建模與參數估計問題，劉濤等人[21]對基于PWF的PolSAR艦船目標檢測CFAR特性進行了深入研究，針對不同情況的海雜波，推導出了整個對數累積量平面上不同統計分布模型的CFAR檢測解析表達式，并以實測及仿真數據證明了推導的正確性，取得了良好的CFAR效果，一定程度上解決了雷達平臺參數多樣性、海況環境復雜性影響下CFAR檢測統計建模和參數估計困難的問題。圖3展示了雜波背景為逆貝塔(IBeta)分布乘積模型下基于PWF的CFAR檢測結果?？梢悦黠@看出當統計模型與實測數據吻合時，CFAR性能最好，其他統計模型(K-Wishart,G0-Wisahrt,Wishart以及對數正態模型)均出現了較多的虛警。高貴、冷祥光等人[22–26]也做了單極化SAR圖像統計建模與參數估計方面的研究，對上述工作有寶貴的啟發作用。

圖2 常用極化優化檢測方法的性能對比[18]Fig.2 Performance comparison of common polarimetric optimization detection methods[18]

圖3 各類紋理分布PWF處理結果[21]Fig.3 PWF processing results with different textural distributions[21]

在密集目標環境下，陶丁等人[27]提出了自適應截斷方法來估計SAR圖像統計模型參數，取得了較好的檢測效果。劉濤等人[28]將其推廣到PolSAR圖像，推導了自適應截斷極化協方差矩陣的結構和概率密度函數，在密集環境艦船目標檢測問題上取得了較好的效果。在高分三號圖像上的PWF檢測結果如圖4所示。圖4(a)—圖4(e)代表了不同的參數估計方法，圖4(f)為RadarSat-2圖像的偽彩圖。黃框代表虛警，紅框代表漏警?？梢钥闯鼋涍^截斷估計后進行準確參數估計的圖4(a)效果提升非常明顯，也表明了對密集區域雜波進行準確參數估計的必要性。

目前極化最優化技術逐漸與可解釋性機器學習方法相結合，采取分類的優化準則進行目標檢測[29]，是提高小目標檢測性能的新方法，可作為后續極化優化檢測技術的發展方向。

2.3 基于散射機理的檢測技術

由于艦船目標與海洋表面散射機理不同，存在的極化特征差異可以將艦船更容易從雜波中區分出來，因此基于極化散射特性的檢測方法具有較強的物理解釋性。由于海雜波具有反射對稱性，Nunziata等人[30]提出反射對稱(Reflection Symmetry,RS)檢測器，利用共極化通道和交叉極化通道的相關性來檢測目標。王娜等人[31]針對RS檢測器進行了進一步的理論分析，推導了該檢測器的CFAR解析表達式與參數估計方法。Marino等人[32,33]以雜波與艦船目標極化散射能量對比的角度出發，推導得出基于幾何擾動的極化凹口濾波器(Polarimetric Notch Filter,PNF)，并且得到了其相應的統計分布解析表達式[33]。高貴等人[34–36]將PNF應用到了高海況情形、混合極化情形和干涉情形，均取得了較好效果。2020年，劉濤等人[8]考慮電磁散射中能量的現實物理意義，修改了PNF表達式，并對其命名為新PNF (New PNF,NPNF)，取得了較原PNF更好的檢測性能，實驗對比結果如圖5(a)所示。NPNF取得的效果與PWF檢測效果近似，PNF和NPNF的檢測效果對比如圖5(b)所示。

另一種基于散射機理的檢測手段就是利用極化分解理論。極化分解是一種有效的目標散射機理分析工具，它將散射矩陣或者協方差矩陣按照不同的物理散射類型進行分解，并能夠有效應用于PolSAR圖像艦船目標檢測[37]。1999年，Ringrose和Harris[38]首次將Cameron分解應用于星載成像雷達SIR-C數據，并將其應用于廣域海面艦船目標檢測。2000年，Touzi等人[39]在Cloude-Pottier分解的基礎上，引入由極化協方差矩陣推導出的極化熵檢測量，通過極化熵、特征值和散射角檢測目標，有效地提升了目標和背景之間的差異，取得了較好的艦船檢測效果[40]。陳炯等人[41]于2009年提出了極化交叉熵的概念，并利用AIRSAR數據證明了該特征檢測的有效性。2013年，Sugimoto等人[42]將Yamaguchi提出的四分量模型的分解應用于ALOSPALSAR實測數據的艦船目標檢測，該算法的優勢在于解釋和執行的簡單性。楊健等人[43,44]將目標散射特性加入OPCE中，提出了廣義極化對比增強方法(Generalized Optimization of Polarimetric Contrast Enhancement,GOPCE)，取得了較好的檢測效果，結果表明散射相似性的加入顯著改善了目標檢測能力。

圖4 基于自適應截斷法的PolSAR圖像密集目標檢測[28]Fig.4 Dense ship detection in PolSAR images based on the adaptive truncation method[28]

圖5 PNF與NPNF性能對比[8]Fig.5 Performance comparison of PNF and NPNF[8]

2015年，Touzi等人[45]利用去極化度的最優特征去檢測艦船，并利用Radarsat-2實測數據證明了該算法能夠有效檢測艦船目標。2018年，高貴等人[36]將極化熵與散射能量融合在一起進行極化SAR圖像艦船檢測，取得了較好的效果，如圖6所示。該方法體現出了能量域和極化域特征融合的優勢，且更加有利于目標檢測。2019年，Bordbari等人[46]將散射機制分為兩類：屬于目標的有目標散射機制和屬于雜波的非目標散射機制，并采用子空間投影的方法抑制雜波，顯著提高目標檢測性能。目前單一的極化分解模型難以有效地表達目標和雜波的差異，因此研究新的極化分解模型，將不同極化分解模型的不同分量系數重新構成新的特征矢量，采取Fisher分類準則或者其他的特征矢量空間，亦可提高目標的檢測性能[47]，這也是當前基于極化分解理論的艦船目標檢測的發展趨勢。

2.4 基于空間鄰域的檢測技術

傳統的極化SAR目標檢測大多基于圖像像素點的特征，而忽略了像素和像素之間，像素和鄰域之間的關系，因此遇到包含有和艦船散射特性相似雜波的場景時性能將會降低。這些場景包括港口艦船檢測和高海況艦船檢測等。針對基于單點像素檢測方法的缺點，為充分利用像素及其鄰域之間的相關關系，像素塊檢測方法隨之而來。最近的研究表明融合空域與極化信息能夠大幅增強目標檢測能力，通過挖掘空間鄰域信息可以進一步增強目標檢測的效果[6,48]。目前主要是基于超像素的目標檢測和基于鄰域矩陣的檢測方法[7,48]。

超像素本質是散射特性相近點的集合，因此相似性的定義是其核心。王英華等人[49]提出了3種超像素級相似度定義來增強信雜比，并以此構建了一種自動檢測算法，最后利用Radarsat-2的數據證明了該方法在低信雜比(Signal Clutter Ratio,SCR)情況下仍能達到較小的虛警率(Probability of False Alarm,PFA)。文獻[50]提出了類似的利用艦船目標和海雜波極化散射相似度的超像素分割方法。崔興超等人[51]通過相似度檢驗確定PolSAR圖像的相似像素數(Similar Pixel Number,SPN)，并提出基于此特征的目標檢測方法，利用Radarsat-2和高分三號的實測數據證實了空域與極化信息的引入能夠大幅增強PolSAR圖像艦船目標的檢測能力，如圖7所示。這里綠色方框代表正確檢測，黃色方框代表虛警，紅色方框代表漏警。圖7(a)—圖7(d)分別為不同的檢測方法，結果表明SPN方法優勢明顯。

圖6 不同檢測方法的小目標檢測效果對比[36]Fig.6 Comparison of detection results among different methods for small targets[36]

Huang等人[52]提出了一種基于塊間距離的PolSAR圖像顯著性檢測模型，用極化相干矩陣在局部和全局兩個尺度上度量極化像素塊之間的相似性。J?ger等人[53]根據極化和空間信息定義了PolSAR圖像熵，并提出了一種PolSAR圖像顯著性區域檢測方法。Wang等人[54]基于像素塊級極化協方差矩陣的相似性檢驗，提出了一種顯著性檢測方法。林慧平等人[55]先提出利用單極化條件下的超像素Fisher向量進行SAR圖像艦船目標檢測的方法，又在其博士學位論文中將PolSAR圖像類比為彩色圖像，對邊緣感知超像素分割方法進行擴展，使超像素艦船目標檢測方法適用于PolSAR圖像。

在鄰域矩陣構建上，張濤等人[56,57]借鑒光學局部二進制編碼的概念相繼提出極化協方差矩陣和完備極化協方差差異矩陣，利用幅度、相位、空域信息來區分艦船目標像素與海雜波像素。然而，最終的矩陣形式缺乏一些好的性質，如不是一個半正定矩陣，因此難以被解譯為實際目標。由于艦船和海雜波都是空間相關的，而艦船會改變周圍雜波的空間相關性，旁瓣同樣影響鄰域像素的相關性，因此劉濤等人[7]提出了鄰域極化協方差矩陣(Neighbourhood Polarimetric Covariance Matrix,NPCM)并給出了基于NPCM的白化檢測方法，與現有方法進行了對比，結果表明新方法性能突出，幾乎是目前最佳的極化檢測器，如圖8所示。

NPCM結合了極化和空間特性，顯著增加了艦船和海雜波之間的可分離性。但是存在鄰域空間相關矩陣維數難以確定和維數過高的問題，后續在保持檢測性能的同時針對鄰域矩陣的降維處理以避免維數災難是未來鄰域矩陣發展的方向。同時鄰域矩陣信息也可以與超像素分割結合，作為超像素分割的相似準則，有望提高空間鄰域檢測性能。

3 慢速運動目標檢測方法

隨著海況環境的不斷惡化，淹沒在海雜波內的慢小艦船目標的檢測變得更加困難。為了更加全面地掌握海戰場態勢，獲取目標的運動信息，地面運動目標檢測(Ground Moving Targets Indication,GMTI)已經成為PolSAR系統需要完成的重要功能之一。運動目標檢測算法主要分為距離多普勒域檢測算法和圖像域檢測算法兩類[58]。相比距離多普勒域，在SAR圖像域操作具有設計要求低、運算量小、易于實現等優點，因此本文聚焦于圖像域檢測。高貴等人[59–61]對單極化情形下基于圖像域慢動目標檢測的研究較為深入。在這里我們主要關注極化信息的利用，因此將PolSAR-GMTI系統分為單通道PolSAR-GMTI與多通道PolSAR-GMTI，其中單通道是指單部極化雷達，多通道是指兩部或者以上極化雷達。

圖7 不同艦船目標檢測方法與SPN的對比結果[51]Fig.7 Comparison results among different ship detectors with SPN[51]

圖8 不同艦船目標檢測方法與NPCM的對比[6]Fig.8 Performance comparision among different ship detection methods with NPCM[6]

3.1 單通道PolSAR-GMTI

早在1995年，Park等人[62]就進行了極化空時自適應處理(Space-Time Adaptive Processing,STAP)算法研究，提出了空域-時域-極化域自適應信號聯合處理方法。研究結果表明：加入極化信息能夠提高傳統空域-時域自適應運動目標檢測算法的運動目標檢測性能。2003年，Park等人[63]又深入分析了極化信息在提高STAP算法性能方面的潛力。Wang等人[64]提出了基于極化干涉優化技術的運動目標檢測算法。在此基礎上，Friedlander等人[65]對于極化干涉優化之后的結果，利用VSAR速度估計原理進行運動目標速度估計。國防科技大學的劉忠訓等人[66]對PolSAR圖像動目標定位中的頻域殘差干涉相干性進行了分析。對位于像公路這樣的隨機粗糙面上的運動目標，加拿大的Yeremy等人在加拿大國防部基金的資助下，利用CV-580系統分別于 2002年6月8日在Petawawa和2002年9月24日在Ottawa進行了全極化SAR運動目標檢測試驗，并獲得了大量可以進行實驗分析的數據，Mattar等人[67]利用這些數據在2005年發表了一份專門的AD報告，研究了利用PolSAR數據進行運動目標檢測的可行性。報告中提到了兩種極化SAR運動目標檢測算法，一種是基于單極化SAR數據的運動目標檢測算法，另一種是基于兩交叉極化通道的順軌干涉(Along-Track Interferometry,ATI)處理方法。交叉極化ATI方法利用靜止目標的交叉極化圖像之間的互易性，通過兩交叉極化通道SAR圖像的ATI處理[67]，實現運動目標檢測，當然還可以利用兩交叉極化通道SAR圖像進行偏移相位中心天線(Displaced Phase Center Antenna,DPCA)處理，從而實現運動目標檢測[67]。鄒斌等人[68]提出將極化白化濾波器與時頻分析法相結合的PolSAR運動目標檢測方法，該方法通過對極化信息的利用增強了運動目標的信噪比，增強了目標圖像的可見性，并通過Radon變換完成了對運動目標圖像線型輪廓的檢測。

Liu等人[69,70]分析了運動對極化SAR圖像的影響。結果表明，對于具有互易性的散射體，HV和VH圖像的相位差為零，而對于HV和VH模糊，其相位差為 π。指出運動將增強極化SAR圖像的方位模糊，并將交叉極化相減應用到檢測中，成功檢測到了運動目標，其不同極化通道檢測效果如圖9所示。遺憾的是該方法同時增加了靜止目標的模糊，也就是“鬼影”效果。如何利用交叉極化信息并同時實現靜止目標模糊抑制和慢動目標檢測，是該方法有待解決的一個問題。

3.2 多通道PolSAR-GMTI

多通道SAR增加了空間維信息，能夠同時利用空間和時間兩維信息，可更有效地抑制靜止雜波、檢測運動目標并且解決固有模糊問題。極化信息有助于提高干涉質量，提高干涉相位的估計精度[58]，并有助于提高對慢速運動目標的檢測性能[71]。為了突破單平臺PolSAR-GMTI受到尺寸制約而導致最小可檢測速度(Minimum Detectable Velocity,MDV)性能不足的限制，李延偉[72]提出了利用全極化雷達交替發射同時接收方式的虛擬基線，組合出3條新的虛擬基線，可以獲得更優的最小可檢測速度。在大量單極化多通道SAR-GMTI研究基礎之上，加拿大國防研究與發展部(DRDC)為Radarsat-2設計了雙通道極化(Dual Channel Polarimetric,DCP)波束模式，使用雙通道與分時極化技術，將PolSAR成像與GMTI功能結合。Chiu等人在文獻[73]中證明了該方法有助于在北極冰川地區檢測艦船目標。由于2019年發射的“雷達衛星星座任務”(RADARSAT Constellation Mission,RCM)沒有專門的GMTI功能，Chiu等人在文獻[74]中提出了基于交叉極化產生“陰影”的雙極化SAR圖像的動目標檢測方法，提供輔助的GMTI功能。

圖9 PolSAR圖像不同極化通道動目標檢測效果圖[69]Fig.9 Moving target detection results in different polarimetric channels in PolSAR images[69]

澳大利亞學者Stacy和Preiss[71]將ATI幅相檢測拓展到類似于單通道的GLRT檢測方法，并未進行深入的公式推導和分析。張鵬等人在文獻[75]和文獻[76]中針對當前干涉合成孔徑雷達(Interferometry SAR,InSAR)慢動小目標檢測的難點問題，研究了利用同時極化測量體制順軌干涉SAR(Polarimetric Along-Track Interferometry SAR,PolATInSAR)提高慢動目標檢測性能的新方法，結果表明新方法能夠顯著提高順軌干涉系統對慢小目標的檢測概率及徑向速度估計精度，且易于實現CFAR檢測，仿真結果如圖10所示。隨著RCM的成功發射以及后續我國高分系列星座架構的發展，對多站極化順軌干涉處理的需求將更加明顯。

當前正在開展的PolATInSAR的相關研究缺乏對實測數據的獲取，為方便開展極化順軌干涉技術的研究工作并盡快將其推向實用化，可以采取子孔徑分解的方法獲取虛擬干涉效果。日本科學家Ouchi[77]最早于1985年分析了運動目標在時域多視子圖像中的特征，指出SAR多視圖像的合成孔徑中心之間具有一定的時間延遲，運動目標的二維速度、加速度在多視圖像序列間會產生成像差異。在Ouchi的研究基礎之上，1996年德國科學家Kirscht[78]首次將多視處理方法應用于SAR-GMTI，提出了單視圖像序列法，即著名的子孔徑分解法。該方法通過多個子孔徑圖像序列相減達到雜波抵消并保留運動目標的目的。在子孔徑分解方法上，中國科學院以及北京航空航天大學的學者[79–82]對此做出了多種改進，將其與多通道SAR-GMTI中的方法結合在一起取得了良好的效果。2015年，Marino等人[83]總結了子孔徑分解后的目標檢測算法，給出了檢測性能對比結果。后續有望通過維數擴展的方法將子孔徑分解推廣到PolSAR方向，以取得更好的PolSAR-GMTI效果。

圖10 極化順軌干涉動目標檢測仿真結果[76]Fig.10 Simulation results of polarimetric along-track interferometry moving target detection[76]

4 艦船目標尾跡檢測方法

尾跡檢測能夠判斷艦船目標的航向、航速等諸多信息，具有極大發展空間，為PolSAR小目標和隱身目標的探測提供了新思路。尾跡的檢測實際上都可以歸結為通過尾跡和背景在能量上的差別進行檢測。尾跡檢測主要通過尾跡邊緣線性特征提取和尾跡區域與背景散射特性差異區分兩種途徑。種勁松等人[84]指出需要考慮的問題有：(1)尾跡是具有一定寬度的線性特征體；(2)尾跡的灰度可能比海面背景亮，也可能暗；(3)尾跡不一定筆直，有時會成曲線狀；(4)SAR圖像具有內在的相干斑噪聲；(5)圖像中可能存在其他非尾跡的線性結構。

1992年，Schuler等人[85]研究了P波段交叉極化下船尾跡Kelvin波的一個臂的極化特征。1999年Pottier等人[86]提出了采用極化特征值分解中特征向量的船尾跡分類方法，利用神經網絡的非監督分類方法，對模擬的全極化Kelvin尾跡數據進行了分類，分類的樣本采用極化特征分解后的旋轉不變量組成的特征矢量，但在分類結果中沒有明確給出這些特征量分別代表了尾跡怎樣的物理意義，也未對實測數據進行驗證[87]。1999年Hennings等人[88]分析了SAR圖像上Kelvin臂模型，得出Kelvin臂在雷達圖像上的可見性很大程度上不取決于雷達頻率，而是取決于雷達極化方式，HH極化時，Kelvin臂在雷達圖像上的可見性比VV極化高；入射角小時，Kelvin臂在雷達圖像上的可見性高[89]。2001年Wu和Imbo等人[87,90]研究了極化SAR圖像中的尾跡特征，對極化協方差矩陣進行Radon變換來檢測船尾跡，文中討論了兩種尾跡類型檢測方法，一種是利用PWF處理后的最優通道組合進行尾跡檢測，另一種是在極化協方差矩陣的6個通道分別進行Radon變換，利用馬氏距離判斷峰值，然后逆變換的方法進行尾跡檢測。第1種極化信息利用不完全，第2種雖然利用了全部通道的極化信息，但運算量大。最終檢測結果如圖11所示，綠線代表檢測出的尾跡。

圖11 PWF與Radon變換實現尾流檢測[90]Fig.11 Wake detection results by PWF and Radon transform[90]

2002年Kasilingam等人[91]研究了海洋極化相關系數，提到了在同極化相關系數圖像上可以看到湍流尾跡，并指出表面小尺度粗糙程度的改變不會調制同極化相關系數，但沒有給出該參數是否利于Kelvin尾跡的檢測。2002年Morris等人[92]針對低掠入射角下船尾跡的檢測與分析問題，仔細研究了一個領航艇的尾跡內部和周圍海面的極化特征空間分布，由于非線性效應，極化特征在空間域高度非均勻分布，當從尾跡區域移動到周圍海域，對應的特征向量分布產生一個強轉變，此發現有助于識別尾跡和雜波區域。2003年Morris等人[93]又提出了一種基于熵的尾跡回波分析方法，通過對協方差矩陣進行特征值分析，解決了低掠射角下的船尾跡檢測和分析問題，使用DSTO (Defence Science and Technology Organisation)的高分辨雷達系統獲得了一個工作在菲利浦港灣的領航艇所產生尾跡的極化測量結果，并對協方差矩陣數據采用極化分解，得到了極化熵、散射α、各向異性圖，然后采用適當的門限來識別尾跡和雜波區域。2004年Yang等人[94]使用AIRSAR和SIR-C/X-SAR獲得的全極化數據來分析海洋特征(例如海浪、油膜、船尾跡、海洋前沿和海底地形)的雷達特征，并給出了觀測這些特征的最優極化方式。分析不同極化下的船尾跡圖像得出，多數情況下，HH和RL極化優于VV極化。2006年Arnold-Bos等人[95]提出了一個多用途雙基極化海用雷達模擬器，包含尾跡的生成。2011年Wu等人[87]基于SAR圖像中Kelvin波與海雜波的散射機制的差異，采用多波段和全極化，提取和研究了Kelvin波的極化特征。該文獻提出簡單共極化率可以增強Kelvin波，并聚焦極化分解的應用，提取能更完全地代表Kelvin波特征的極化熵，并給出其物理意義。2018年Xu等人[96]介紹了一種新的“兩步”(粗糙和精細處理)檢測器來檢測SAR圖像中的微弱湍流尾跡，該方法基于極化分解理論，提出了一個新的增強尾跡與海面差異的參數——表面散射隨機性(Surface Scattering Randomness,SSR)。在粗糙檢測過程通過SSR的DAT變換(Digital Axoids Transform)提取潛在的船尾跡區域；在精細檢測過程中，由粗糙檢測得到的區域在極化特征域被分離并單獨處理；最后，通過引入正則化最小二乘法(Regularity Least-Squares,RLS)，獲得了船尾跡的線性參數，同時從Radon變換中獲得先驗信息。該方法基于Radarsat-2數據開展了實驗，結果表明，相較于現有的基于Radon或Hough變換的檢測器，該算法具有很強的從極化SAR圖像中檢測出微弱湍流尾跡的能力。2018年Biondi[97]提出了一個通過Kelvin尾跡自動檢測船舶目標運動參數的完整過程，算法通過兩階段低秩稀疏分解(Low-Rank plus Sparse Decomposition,LRSD)結合Radon變換來實現雜波抑制、稀疏目標檢測、精確的尾跡傾向以及Kelvin波譜分析，通過凸規劃實現基于穩健/魯棒主成分分析(Robust Principal Component Analysis,RPCA)，可以從不變的低秩背景中推斷出感興趣的稀疏目標，包括船舶目標和Kelvin波。2019年Biondi[98]又考慮了SAR圖像的極化信息，實現了多通道的兩階段極化低秩稀疏分解(Pol Low-Rank plus Sparse Decomposition,Pol-LRSD)，升級的算法實現了感興趣的稀疏目標極化特征的提取，也使得船舶目標的檢測更為準確，結果如圖12所示?？梢娡ㄟ^結合稀疏表征、極化特征和機器學習優化理論進行尾跡檢測將是未來趨勢。

5 基于深度學習的目標檢測方法

近年來，基于深度學習算法在光學目標檢測領域取得了巨大的成功。SAR圖像中應用CNN深度網絡與光學圖像的區別主要體現在3點，其中在極化SAR圖像中體現得就更加明顯：特征差異顯著、數據量較小和對觀測條件敏感[99]。各國學者將這些光學檢測算法推廣到SAR圖像的艦船檢測方法的研究中，展現了深度學習在復雜海面環境中優越的檢測性能。深度學習的核心是通過層次化的特征提取結構，即用深層結構來表征原始數據。深度學習的本質可以看作一個多層嵌套的非線性擬合函數，它巧妙地通過隨機梯度下降算法將網絡訓練到合適的擬合精度。深度學習目前取得巨大成功可以認為是卷積層的出現以及規則性線性單元(Rectified Linear Unit,ReLU)激活函數的使用[100]。ReLU作為最佳激活函數的理由是其與神經元相似，因為神經元對某些輸入沒有反應，對有些輸入的反應呈單調關系，每一時刻處于激活狀態的神經元總是稀疏的。以卷積神經網絡(Convolution Neural Network,CNN)為代表的方法結構靈活、能夠自動提取結構化特征，不僅能提取圖像的低維特征，而且能提取圖像的高維特征，從而更好地對目標進行識別和分類[100]，目前已成為SAR艦船目標檢測領域的研究熱點，并開展了豐富的研究工作[101]。高貴[102]將二值化賦范梯度方法(Binarized Normed Gradients,BING)和快速區域卷積神經網絡(Faster Region-Convolutional Neural Network,Fast R-CNN)結合，提高了檢測性能。張曉玲等人[103]針對實時性要求較高的SAR艦船檢測場合，提出一種基于深度分離卷積神經網絡(Depthwise Separable Convolution Neural Network,DS-CNN)檢測方法，效果明顯。

圖12 低秩稀疏分解與極化結合的艦船尾流檢測結果[98]Fig.12 Ship wake detection results of low-rank and sparse decomposition combined with polarization[98]

然而利用CNN來進行PolSAR艦船檢測的公開文獻相對有限[104–108]。文獻[104]采用了類VGG網絡來進行艦船檢測，文獻[105,106]采用了改進的Faster RCNN網絡來進行艦船檢測，和前面類似，它們同樣采用了擁有巨大參數的網絡，容易在訓練數據集上過擬合。Cozzolino等人[108]提出了一個小網絡用于SAR目標檢測。這個小網絡直接可以在有限的SAR 和PolSAR數據集上訓練，但是他采用了最大池化(maxpooling)的手段，最大池化的使用將會使得那些小目標容易丟失。當然，很多基于CNN的SAR圖像艦船目標檢測的方法理論上都可以拓展到極化SAR圖像上。金侃等人[107]提出了一種用于PolSAR圖像中小船檢測的像素塊-像素卷積神經網絡(Patch to Pixel CNN,P2P-CNN)，檢測結果如圖13所示。P2P-CNN表現出良好性能，其中圖13(a)為該網絡的主體結構，是帶crop的4層Dense Block架構，其中采用乘法操作將各個block的特征結合起來。這種結合方式一方面起到跳線連接的作用，避免梯度消失問題，使得訓練更加順暢；另一方面結合多層語義，利用高層語義特征強大的表達能力和底層語義特征對于微小變化的敏感性，共同判斷中心像素是否是艦船，大大減少了虛警?？紤]到PolSAR標注數據的有限性，需要減少網絡的參數以降低過擬合的風險。因此通過引入密集連接模塊，利用特征復用減少網絡的寬度，通過引入空洞卷積，在不改變參數的情況下增大感受野，減少網絡的深度。結果表明P2P-CNN檢測性能提升明顯。如何將目前基于深度學習的單極化SAR圖像目標檢測方法應用到PolSAR圖像上，充分利用感受野和極化特征，構建新的網絡結構，是深度學習在PolSAR目標檢測的未來趨勢。

如果利用深度學習識別艦船尾跡，需要獲取大量的含有艦船尾跡的SAR圖像進行網絡訓練，而實際中研究人員擁有真實的SAR尾跡圖像數量極少，并不適用于利用深度學習的方法進行識別，因此目前研究者利用深度學習進行SAR圖像艦船尾跡識別的研究相對較少[109]。美國Fitch等人[110]對NASAJPL機載AIRSAR圖像，使用人工神經網絡的方法幫助判讀Radon變換后的尾跡。Kang等人在文獻[111]中采用卷積神經網絡與SAR圖像結合檢測到船與尾跡之間的方位角偏移，并研究了使用該偏移進行船速自動檢測的潛力。

圖13 P2P-CNN網絡結構及其檢測性能[107]Fig.13 P2P-CNN network structure and detection performance[107]

6 總結與展望

本文詳細梳理了PolSAR艦船目標檢測的不同技術途徑、發展脈絡和存在問題，表1給出了各類方法的優缺點以方便感興趣的研究人員參考。

隨著雷達技術的不斷發展和進步，預見未來PolSAR艦船目標檢測的發展趨勢如下：

(1) 目前最優極化技術逐漸與可解釋性機器學習方法相結合，采取最優化準則進行目標檢測，可能是提高小目標檢測性能的新方法，可作為后續極化優化檢測技術的發展方向。將不同極化分解模型的不同分量系數重新構成新的特征矢量，采取Fisher分類準則或者其他的特征矢量空間，亦可提高目標的檢測性能，這也是當前基于極化分解理論的艦船目標檢測的發展趨勢。

表1 PolSAR圖像艦船目標檢測方法適用場景和優缺點總結Tab.1 Applicable scenarios and pros &cons summary of PolSAR ship detection methods

(2) 在目標密集環境下，除了目標和雜波之間的污染容易引起漏警之外，艦船目標群還存在著分裂、合并等引起圖像解譯困難的問題，有針對性地進行密集目標混淆的分離、分裂目標的合并也是未來艦船目標檢測的研究方向。

(3) 充分利用干涉處理技術，發展分布式全極化雷達一體化系統。干涉與極化同屬多維信息處理范疇，通過空域信息與極化域信息的擴展，有望顯著提升PolSAR慢小目標艦船目標檢測能力。

(4) 統計模型的復雜性與參數估計準確性與樣本數的需求仍然存在矛盾，雜波的統計模型與參數估計理論進一步完善。隨著PolSAR分辨率的提高和海況復雜化的新情況，期待提出統一普適的雜波極化協方差矩陣統計建?？蚣?，并推導其CFAR檢測閉合表達式將有助于完善基于統計理論的PolSAR艦船目標檢測理論。

(5) 緊密結合深度學習等人工智能技術，通過少量數據驅動PolSAR艦船目標檢測工作，不僅聚焦于艦船目標本體的檢測，同時也聚焦于艦船尾跡特征的提取，進一步增強PolSAR圖像艦船目標檢測能力。