高分辨率SAR船只样本集构建与特征分析

包萌; 张杰; 孟俊敏; 张晰; 郎海涛

doi:10.13443/j.cjors.2019043008

高分辨率SAR船只样本集构建与特征分析

包萌^{1, 2, ,},
张杰^{1, 2},
孟俊敏^{1, 2},
张晰^{1, 2},
郎海涛³

1.
自然资源部第一海洋研究所, 青岛 266061
2.
自然资源部海洋遥测技术创新中心, 青岛 266061
3.
北京化工大学, 北京 100029

基金项目:

国家重点研发计划 2017YFC1405204

海洋公益性科研专项 201505002

详细信息

作者简介:
包萌(1988—), 女, 辽宁人, 自然资源部第一海洋研究所助理工程师, 硕士, 研究方向为SAR海洋遥感

张杰(1963—), 男, 内蒙古人, 自然资源部第一海洋研究所研究员, 博士, 研究方向为海洋遥感

孟俊敏(1973—), 男, 内蒙古人, 自然资源部第一海洋研究所研究员, 博士, 研究方向为海洋遥感

通信作者:
包萌 E-mail:baomeng@fio.org.cn

中图分类号: TN957.52
计量
- 文章访问数: 473
- HTML全文浏览量: 196
- PDF下载量: 58
出版历程
- 收稿日期: 2019-04-29
- 网络出版日期: 2020-12-30
- 发布日期: 2019-12-29
- 刊出日期: 2019-12-29

Construction and feature analysis of high resolution SAR ship sample set

BAO Meng^{1, 2, ,},
ZHANG Jie^{1, 2},
MENG Junmin^{1, 2},
ZHANG Xi^{1, 2},
LANG Haitao³

1.
First Institute of Oceanography, Ministry of Natural Resources, Qingdao 266061, China
2.
Ocean Telemetry Technology Innovation Center, Ministry of Natural Resources, Qingdao 266061, China
3.
Beijing University of Chemical Technology, Beijing 100029, China

摘要

摘要: 随着高分辨率合成孔径雷达（synthetic aperture radar，SAR）技术的不断发展，船只类型识别已成为遥感领域的重要研究课题.为满足在大样本支撑下的船只类型精确识别，文章利用RADARSAT-2和中国高分3号（GF-3）SAR数据构建了名为HR4S的高分辨率SAR船只样本集，详细阐述了构建HR4S的方法，并建立了一套完整的船只样本提取流程.该样本集涵盖1 962个不同极化方式、分辨率以及类型的船只样本，在此基础上开展了船只几何参数分析，以及不同分类器与特征组合的船只类型识别性能分析等方面工作.结果表明：RADARSAT-2在HH、VH、VV极化中提取的几何参数均优于GF-3，并且航向在VV极化对船只几何提取影响最小；在类型识别性能上，随机森林（random forest，RF）分类器对GF-3船只分类精度最优达到了61.85%，而对于RADARSAT-2的船只分类精度最优达到了60.80%，GF-3船只分类精度优于RADARSAT-2.本文所构建的HR4S不仅进一步完善了高分辨率船只样本，并且在海上船只类型识别等方面具有的重要意义.
- 高分辨率SAR船只样本集 /
- 合成孔径雷达 /
- 船只几何参数 /
- 船只类型识别
Abstract: With the development of high resolution synthetic aperture radar (SAR) technology, ship type recognition become smore and more important in remote sensing. In order to improve the identification accuracy, a high-resolution SAR ship sample set, named as HR4S, is constructed using RADARSAT-2 and Chinese GaoFen-3 (GF-3) SAR data. The process of ship samples extraction and HR4S construction are introduced in detail. The HR4S covers 1 962 samples with different polarization modes, resolutions and ship types. The ship geometry parameters and the ship classification performance of HR4S with different classifier and features are analyzed. The results indicate that the geometrical parameters extracted fromRADARSAT-2in HH, VH and VV polarization are all better than that of GF-3. Furthermore, the direction has little influence on the geometric parameter of ships in VV polarization. In terms of ship type rec-ognition performance, the accuracy of random forest (RF) classifier achieved 61.85% on GF-3 data and 60.80% on RADARSAT-2 data. In general, the classification accuracy of GF-3 ships is better than RADARSAT-2. The HR4S constructed in this paper not only further improves the high-resolution ship samples, but also has important significance in the recognition of ship types at sea.
- high resolution SAR ship sample set /
- synthetic aperture radar /
- ship geometry parameters /
- ship classification

HTML全文

引言

随着合成孔径雷达(synthetic aperture radar, SAR)技术的不断发展, 获取的高分辨率SAR影像日益增多, 为海洋监测提供了新途径.由于SAR具有全天时、全天候观测能力, 在海上船只目标监测领域受到了越来越多的关注^[1-5].随着全球船舶数量增多, 以及近年来海上威胁的不断增加, 船只类型识别已成为遥感领域的重要研究课题.海上船只目标的精确识别主要依赖于大量的船只样本, 然而早期的许多研究由于缺乏真实的船只样本, 很多工作都是在模拟图像上进行的^[6-7].

近年来, 随着TerraSAR-X、RADARSAT-2、GF-3(GaoFen-3)等SAR卫星的发射, 获得了多种不同分辨率、覆盖不同区域的SAR图像^[8], 使构建多种船只类型、数据量丰富的船只数据集成为了可能.然而, 目前构建的数据集多数是针对不同地物类型和地面目标构建的^[9-12], 针对海上船只目标的SAR数据集较少. OpenSARShip数据集是利用中等分辨率Sentinel-1图像构建的海上船只目标样本数据集, 旨在为提高船只分类算法性能以及评估Sentinel-1图像在海上船只应用的潜力^[13].该船只数据集的构建虽然推动了在遥感领域SAR目标数据集的发展, 但仍然缺乏高分辨率的船只样本.

本文针对海上船只目标, 利用53景GF-3和RADARSAT-2卫星影像, 以及船舶自动识别系统(automatic identification system, AIS)共同构建了含有1 962个船只样本名为HR4S的高分辨率SAR船只数据集. HR4S涵盖了多种极化方式、分辨率以及船只类型.首先, 获取并处理SAR数据; 然后, 按照一定的规则和流程将SAR和AIS数据进行叠加处理, 匹配船只目标; 最后, 提取出每个船只样本; 为了船只样本信息的准确性和多样性, 对每个船只样本进行了验证.基于此, 本文充分分析了HR4S船只几何参数, 进一步揭示了不同传感器的成像差异.并利用HR4S开展了海上船只类型识别的初步应用, 为船只分类算法和特征的选择提供了参考.

1 HR4S构建

本节主要阐述如何基于SAR卫星数据和AIS数据共同构建HR4S. 图 1给出了构建HR4S的主要流程.所用SAR数据分别是GF-3和RADARSAT-2, 并通过获取与卫星数据时空匹配的船只AIS信息确认合作船只, 从而进一步构建船只样本.

图 1 HR4S构建流程

Fig. 1 Flowchart of HR4S

下载: 全尺寸图片幻灯片

1.1 SAR数据获取与预处理

本文共获取2010—2018年53景C波段SAR影像.其中GF-3影像28景, 涵盖了4种高分辨成像模式, 该数据通过国家卫星海洋应用中心下载获取. RADARSAT-2影像25景, 涵盖了2种成像模式, 该数据由编程获取或历史资料库中获取.以上数据均为单视复(single look complex, SLC)图像数据类型, 地面分辨率为3~25 m, 具体数据情况如表 1所示.

表 1 卫星数据

Tab. 1 Satellite data

卫星名称	工作模式	入射角/(°)	分辨率/m	极化方式	数据量
GF-3	超精细条带(UFS)	20~50	3	单极化(DH/DV)	2
	精细条带1(FSI)	19~50	5	双极化(HH+HV/VH+VV)	7
	全极化条带1(QPSI)	20~40	8	全极化(HH+HV+VH+VV)	18
	精细条带2(FSII)	19~50	10	双极化(HH+HV)	1
RADARSAT-2	多视精细宽幅(wide multilook fine)	29~50	5	单极化(HH)	5
RADARSAT-2	标准模式(standard)	20~49	25	可选单、双极化(VH+VV/VV)	20

下载: 导出CSV

| 显示表格

在预处理中, 主要对影像进行几何校正和辐射校正处理.我们使用ENVI 5.3对1级SAR数据进行几何校正, 利用几何校正模型或RPC校正文件(针对GF-3影像)将数据映射到正确的地理坐标范围内.然后, 利用SNAP 3.0对SLC图像进行辐射校正, 用以消除因传感器灵敏度、地形起伏等因素引起的辐射误差.

1.2 SAR与AIS数据匹配

AIS是一种海上船舶跟踪、识别系统, 可以按照一定频率向地面传输船舶的位置、尺寸、航向、航速等信息, 所传输的信息都与全球唯一编码船舶识别号(maritime mobile service identity, MMSI)相关联. AIS系统报告船舶信息的频率是船舶运动的函数, 发送信息频率通常在几秒钟到几分钟不等, 即船只航行速度越快报告频率越高.在本文中, 以SAR过境时间为中心时刻, 获取该时刻前后30 min的卫星扫描范围内的船舶AIS信息.本文所获取的所有SAR影像均提供了AIS信息.

在实际作业中发现, 捕捞船由于作业类型、船体的限制, 航速相比货船或油轮较慢, 在获取的时间范围内只能传输几个甚至仅有一个AIS点迹数据.因此, 对AIS进行插值处理时, 考虑以卫星过境时间为中心时刻, 时间窗口设置为300 s, 在时间窗口内对每个船只进行判断, 保留与中心时刻距离最近的航迹点; 若该时间窗口内无航迹点, 则将时间窗口进行外推, 直到找到最近的航迹点为止.将插值处理后的AIS数据与SAR卫星数据进行叠加显示, 使卫星探测的船只与AIS船舶信息建立空间关联.

1.3 船只样本提取

经过以上步骤, 对匹配船只目标进行提取并构建样本.每个船只样本包含3类文件:校正后的标准图像、属性文件以及船只光学照片, 具体结构如图 2所示.

图 2 船只样本示意图(图中绿色圆点表示AIS信息)

Fig. 2 Diagram of ship samples (green dots represent AIS information)

下载: 全尺寸图片幻灯片

标准图像(.TIFF)是经过几何校正和辐射校正后的雷达散射截面(radar cross-section, RCS)图像, 多极化方式对应图像的不同通道, 最后形成船只样本标准图像.属性文件(.XLM)中存储了原始影像信息, 如成像时间、入射角、极化方式、成像模式、分辨率等, 另外也记录了船只的MMSI、中心经纬度、船只长宽、航速、航向、类型、国籍等船只信息.查找并存储了每个船只样本对应的光学照片.

为了进一步确保SAR船只样本的可靠性, 对每个提取的船只样本在船舶查询相关网站上进行验证, 并对船只类型进行细化.

2 HR4S特性分析

本文利用53景C波段SAR数据构建了1 962个船只样本, 其中GF-3船只样本1 037个, RADARSAT-2船只样本925个, 包含21种船只类型, 其中以货船、集装箱船、油轮和捕捞船为主(图 3).从空间分布来看, HR4S主要覆盖了中国的主要港口附近海域, 以及日本、韩国等沿海区域(图 4).并且注意到, 较小的船只(< 100 m)主要分布在烟台、连云港以及上海港附件海域, 这些区域有丰富的渔业资源, 是国内主要渔港所在地.

图 3 不同类型船只样本数量统计

Fig. 3 Statistics on the number of different types of ships

下载: 全尺寸图片幻灯片

图 4 HR4S船只分布图

Fig. 4 HR4S ship distribution maps

下载: 全尺寸图片幻灯片

对于船只检测和分类, 目标和传感器是影响算法性能的两大因素, 本文构建的HR4S保证了参数的多样性, 其中目标属性包含了不同的长度、类型、航速、航向等, 传感器包含了不同的入射角、极化方式和分辨率, 如图 5所示.

图 5 SAR船只数据集统计

Fig. 5 Statistics of SAR ship dataset

下载: 全尺寸图片幻灯片

图 5(c)是对船只运动状态的统计, 其中静止是船只速度为0时的状态, 锚定是指船只航速在1~2节, 运动则是指航速大于2节的船只状态.图 5(g)是AIS报告船只的真实船长与测量长度的误差统计.值得注意的是, 由于卫星成像过程、船只的运动状态和船体散射都会引起目标的几何畸变, 对船只长度的提取均有重要影响.因此, 为了消除这些影响, 本文在提取船只长度之前对船只样本进行了形态滤波处理, 以保证提取参数的准确性.从统计结果来看, 76%的船只样本长度误差在20 m内, 表明了HR4S的真实性和可靠性.

3 船只几何参数分析

船只的几何参数是表达影像中船只目标的基础特征, 对深入分析船只目标几何参数具有重要意义.本节中, 在HR4S基础上, 基于两种不同的卫星传感器, 分析不同极化方式、航向等参数对船只几何特征的影响.

在分析中, 通过AIS信息提供的真实船长L_AIS与SAR影像中测量船长L_SAR计算得到的相对长度误差ε判断船只几何参数提取的准确性, ε可表示为ε=|L_AIS-L_SAR|/L_AIS.

3.1 极化

图 6(a)、(b)和表 2给出了HH、VH、VV极化方式的船只真实长度与测量长度之间的关系.对于GF-3传感器, VV极化提取的几何参数优于VH和HH极化, 这表明了GF-3传感器的VV极化方式提取的船只几何参数更符合船只真实长度.

图 6 不同极化的船只真实长度与测量长度的对比

注：R表示拟合系数

Fig. 6 Comparison of the true length and measured lengthin different polarization

下载: 全尺寸图片幻灯片

表 2 不同极化方式的相对长度误差的均值μ和标准偏差σ

Tab. 2 Relative length error of different polarization modes

卫星名称	μ±σ
卫星名称	HH	VH	VV
GF-3	0.338 6±0.781 7	0.347 0±0.741 0	0.247 1±0.431 6
RADARSAT-2	0.073 5±0.205 3	0.164 4±0.253 2	0.140 6±0.179 0

下载: 导出CSV

| 显示表格

3.2 航向

航向是指船只的对地真实航行方向, 是船艏向与真北方向顺时针的夹角, 取值范围为(0° 360°). 图 7给出了HH、HV、VH和VV极化方式的长度相对误差ε与航向的关系, 表 3定量统计了不同航向影响下长度相对误差ε的均值μ和标准偏差σ.

图 7 不同航向的相对长度误差统计

Fig. 7 Relative length error statistics in different directions

下载: 全尺寸图片幻灯片

表 3 不同航向对船只几何参数提取影响定量统计

Tab. 3 Statistics for the effect of heading on the extraction of ship geometric parameters

极化方式	μ±σ航向/(°)
极化方式	(45° 135°]	(135° 225°]	(225° 315°]	(315° 45°]
HH	0.221 3±0.506 0	0.500 4±0.741 3	0.156 4±0.393 3	0.419 8±0.746 0
HV	0.212 1±0.419 1	0.520 9±0.846 7	0.154 6±0.354 8	0.498 8±0.856 2
VH	0.272 6±0.557 7	0.492 1±0.628 3	0.166 5±0.409 0	0.357 4±0.702 1
VV	0.188 7±0.414 0	0.375 8±0.384 8	0.128 1±0.296 2	0.318 3±0.544 1

下载: 导出CSV

| 显示表格

由图 7和表 3可知:当船只沿方位向运动时, 即航向接近0°、180°和360°, 船长相对误差ε明显偏大, 船长相对误差均值μ为0.318 3~0.520 9;而在距离向上运动时, 即航向接近90°和270°, 船长相对误差ε相对较小, 均值μ为0.128 1~0.272 6.通过定量分析发现, 四种极化中VV极化受航向影响最小.另外, 基于以上分析发现, 航向对船只几何特征提取影响较为显著.

4 HR4S类型识别性能分析

在本节中, 从HR4S中选取1 548个船只样本, 包括三种船只类型(货船、集装箱、油轮), 并利用三种典型分类器开展船只类型识别性能分析实验.本文主要提取了五类船只特征, 主要包括几何、强度、矩、纹理和散射特征, 具体描述如下:

f₁={G_i}_i=1⁸表示船只几何特征^[14], 包括长、宽、纵横比、面积、周长、形状复杂度和质心(x, y).

f₂={I_i}_i=1³表示强度特征, 包括均值、标准偏差和变异系数.

f₃={H_i}_i=1⁷表示矩不变量特征, 包括七个Hu矩不变量特征.

f₄={T_i}_i=1表示纹理特征, 包括分形维数.

f₅={S_i}_i=1⁸表示散射特征, 包括散射中心能量、散射中心数量, 以及受文献[14-15]启发而得到的船首、中、尾的散射密度, 船只左侧、主轴和右侧的散射密度特征.散射密度特征可表示为

$\delta_{i}=\left(\frac{M_{i}}{A_{i}}\right) / \max _{1 \leqslant i \leqslant p}\left(\frac{M_{i}}{A_{i}}\right);$

(1)

$\delta_{j}=\left(\frac{M_{j}}{A_{j}}\right) / \max _{1 \leqslant j \leqslant q}\left(\frac{M_{j}}{A_{j}}\right).$

(2)

式中:M_i和M_j分别为垂直和平行主轴方向的剖面单元后向散射强度总和; A_i和A_j分别为垂直和平行主轴方向的剖面单元面积; p和q分别是垂直和平行主轴方向的剖面单元的个数.

基于以上五类特征进行组合, 共生成31个特征组合, 具体如表 4所示.

表 4 船只特征信息表

Tab. 4 Ship features

特征	组合
F₁	{f₁}
F₂	{f₂}
F₃	{f₃}
F₄	{f₄}
F₅	{f₅}
F₆	{f₁, f₂}
F₇	{f₁, f₃}
F₈	{f₁, f₄}
F₉	{f₁, f₅}
F₁₀	{f₂, f₃}
F₁₁	{f₂, f₄}
F₁₂	{f₂, f₅}
F₁₃	{f₃, f₄}
F₁₄	{f₃, f₅}
F₁₅	{f₄, f₅}
F₁₆	{f₁, f₂, f₃}
F₁₇	{f₁, f₂, f₄}
F₁₈	{f₁, f₂, f₅}
F₁₉	{f₁, f₃, f₄}
F₂₀	{f₁, f₃, f₅}
F₂₁	{f₁, f₄, f₅}
F₂₂	{f₂, f₃, f₄}
F₂₃	{f₂, f₃, f₅}
F₂₄	{f₂, f₄, f₅}
F₂₅	{f₃, f₄, f₅}
F₂₆	{f₁, f₂, f₃, f₄}
F₂₇	{f₁, f₂, f₃, f₅}
F₂₈	{f₁, f₂, f₄, f₅}
F₂₉	{f₁, f₃, f₄, f₅}
F₃₀	{f₂, f₃, f₄, f₅}
F₃₁	{f₁, f₂, f₃, f₄, f₅}

下载: 导出CSV

| 显示表格

由于船只样本包含了多种极化, 在分析中, 将所有极化数据作为本文船只分类样本, 并使用70%船只样本用于分类器训练, 30%用于测试.利用K-最近邻(K-nearest neighbor, K-NN)分类器, 随机森林(random forest, RF)分类器以及朴素贝叶斯(naive Bayes, NB)分类器分别对船只进行分类, 并对比GF-3和RADARSAT-2卫星船只样本的分类精度.其中, K-NN算法将K值设置为4, RF中树的数量设置为150, NB算法是利用服从高斯分布算法实现的.

图 8给出了三种分类器对不同卫星船只样本的分类结果.整体来看, 三种分类器对GF-3船只分类精度均优于RADARSAT-2, 其主要原因为RADARSAT-2船只样本中25 m分辨率约占80%, 从而导致了对特征敏感度降低.三种分类器中, RF分类器表现更优, 其中联合特征F₂₄={f₂, f₄, f₅}的GF-3船只分类精度达到了61.85%, 联合特征F₂₇={f₁, f₂, f₃, f₅}的RADARSAT-2船只分类精度达到了60.80%.基于以上分析发现, 船只的特征组合分类精度一般高于单类特征.

图 8 船只分类结果

注：雷达图外圈表示船只特征；雷达轴表示分类精度(范围为0~1)

Fig. 8 Ship classification results

下载: 全尺寸图片幻灯片

5 结论

本文利用53景GF-3和RADARSAT-2卫星影像, 以及AIS数据共同构建了1 962个高分辨率SAR船只样本集.基于HR4S开展了船只几何参数分析工作, 结果表明:RADARSAT-2提取的几何参数优于GF-3, 并且航向对船只几何提取影响较为显著.另外, 基于三种典型分类器, 联合31种船只特征开展了海上船只类型识别精度对比工作, 结果显示:GF-3船只分类精度均优于RADARSAT-2, 并且RF分类器表现更优.其中, RF分类器联合F₂₄={f₂, f₄, f₅}对GF-3船只分类最优精度达到了61.85%, RF分类器联合F₂₇={f₁, f₂, f₃, f₅}对RADARSAT-2船只分类最优精度达到了60.80%, 并且船只的特征组合分类精度优于单类特征.本文得到的初步结论为船只样本库的应用提供了参考.随着卫星资源的不断丰富, HR4S将会进一步扩充完善; 并且在大量不同类型船只数据支撑下, 将实现更高精度、更多类型船只的识别, 这也是对未来工作的挑战.

致谢: 感谢国家卫星海洋应用中心为本文提供的GF-3数据, 感谢博懋信(北京)科技有限公司提供的AIS数据, 感谢欧洲航天局提供的SNAP软件.

图 1 HR4S构建流程

Fig. 1 Flowchart of HR4S

下载: 全尺寸图片幻灯片

图 2 船只样本示意图(图中绿色圆点表示AIS信息)

Fig. 2 Diagram of ship samples (green dots represent AIS information)

下载: 全尺寸图片幻灯片

图 3 不同类型船只样本数量统计

Fig. 3 Statistics on the number of different types of ships

下载: 全尺寸图片幻灯片

图 4 HR4S船只分布图

Fig. 4 HR4S ship distribution maps

下载: 全尺寸图片幻灯片

图 5 SAR船只数据集统计

Fig. 5 Statistics of SAR ship dataset

下载: 全尺寸图片幻灯片

图 6 不同极化的船只真实长度与测量长度的对比

注：R表示拟合系数

Fig. 6 Comparison of the true length and measured lengthin different polarization

下载: 全尺寸图片幻灯片

图 7 不同航向的相对长度误差统计

Fig. 7 Relative length error statistics in different directions

下载: 全尺寸图片幻灯片

图 8 船只分类结果

注：雷达图外圈表示船只特征；雷达轴表示分类精度(范围为0~1)

Fig. 8 Ship classification results

下载: 全尺寸图片幻灯片

表 1 卫星数据

Tab. 1 Satellite data

卫星名称	工作模式	入射角/(°)	分辨率/m	极化方式	数据量
GF-3	超精细条带(UFS)	20~50	3	单极化(DH/DV)	2
	精细条带1(FSI)	19~50	5	双极化(HH+HV/VH+VV)	7
	全极化条带1(QPSI)	20~40	8	全极化(HH+HV+VH+VV)	18
	精细条带2(FSII)	19~50	10	双极化(HH+HV)	1
RADARSAT-2	多视精细宽幅(wide multilook fine)	29~50	5	单极化(HH)	5
RADARSAT-2	标准模式(standard)	20~49	25	可选单、双极化(VH+VV/VV)	20

下载: 导出CSV

表 2 不同极化方式的相对长度误差的均值μ和标准偏差σ

Tab. 2 Relative length error of different polarization modes

卫星名称	μ±σ
卫星名称	HH	VH	VV
GF-3	0.338 6±0.781 7	0.347 0±0.741 0	0.247 1±0.431 6
RADARSAT-2	0.073 5±0.205 3	0.164 4±0.253 2	0.140 6±0.179 0

下载: 导出CSV

表 3 不同航向对船只几何参数提取影响定量统计

Tab. 3 Statistics for the effect of heading on the extraction of ship geometric parameters

极化方式	μ±σ航向/(°)
极化方式	(45° 135°]	(135° 225°]	(225° 315°]	(315° 45°]
HH	0.221 3±0.506 0	0.500 4±0.741 3	0.156 4±0.393 3	0.419 8±0.746 0
HV	0.212 1±0.419 1	0.520 9±0.846 7	0.154 6±0.354 8	0.498 8±0.856 2
VH	0.272 6±0.557 7	0.492 1±0.628 3	0.166 5±0.409 0	0.357 4±0.702 1
VV	0.188 7±0.414 0	0.375 8±0.384 8	0.128 1±0.296 2	0.318 3±0.544 1

下载: 导出CSV

表 4 船只特征信息表

Tab. 4 Ship features

特征	组合
F₁	{f₁}
F₂	{f₂}
F₃	{f₃}
F₄	{f₄}
F₅	{f₅}
F₆	{f₁, f₂}
F₇	{f₁, f₃}
F₈	{f₁, f₄}
F₉	{f₁, f₅}
F₁₀	{f₂, f₃}
F₁₁	{f₂, f₄}
F₁₂	{f₂, f₅}
F₁₃	{f₃, f₄}
F₁₄	{f₃, f₅}
F₁₅	{f₄, f₅}
F₁₆	{f₁, f₂, f₃}
F₁₇	{f₁, f₂, f₄}
F₁₈	{f₁, f₂, f₅}
F₁₉	{f₁, f₃, f₄}
F₂₀	{f₁, f₃, f₅}
F₂₁	{f₁, f₄, f₅}
F₂₂	{f₂, f₃, f₄}
F₂₃	{f₂, f₃, f₅}
F₂₄	{f₂, f₄, f₅}
F₂₅	{f₃, f₄, f₅}
F₂₆	{f₁, f₂, f₃, f₄}
F₂₇	{f₁, f₂, f₃, f₅}
F₂₈	{f₁, f₂, f₄, f₅}
F₂₉	{f₁, f₃, f₄, f₅}
F₃₀	{f₂, f₃, f₄, f₅}
F₃₁	{f₁, f₂, f₃, f₄, f₅}

下载: 导出CSV

参考文献(15)

[1]	VELOTTO D, NUNZIATA F, MIGLIACCIO M, et al. Dual-polarimetric TerraSAR-X SAR data for target at sea observation[J]. IEEE geoscience & remote sensing letters, 2013, 10(5):1114-1118. http://www.wanfangdata.com.cn/details/detail.do?_type=perio&id=7e41c22170e36351f51a3341b0a3914f
[2]	VELOTTO D, BENTES C, TINGS B, et al. First Comparison of sentinel-1 and TerraSAR-X data in the framework of maritime targets detection:South Italy case[J]. IEEE journal of oceanic engineering, 2016, 41(4):993-1006. doi: 10.1109/JOE.2016.2520216
[3]	SCHWEGMANN C P, KLEYNHANS W, SALMON B P. Synthetic aperture radar ship detection using haar-like features[J]. IEEE geoscience & remote sensing letters, 2017, 14(2):154-158. http://cn.bing.com/academic/profile?id=9720105de1bdb6e2ae6c9cce568a8b49&encoded=0&v=paper_preview&mkt=zh-cn
[4]	刘泽宇, 柳彬, 郭炜炜, 等.高分三号NSC模式SAR图像舰船目标检测初探[J].雷达学报, 2017, 6(5):45-54. http://d.old.wanfangdata.com.cn/Periodical/ldxb201705004 LIU Z Y, LIU B, GUO W W, et al. Ship detection in GF-3 NSC mode SAR image[J]. Journal of radars, 2017, 6(5):45-54.(in Chinese) http://d.old.wanfangdata.com.cn/Periodical/ldxb201705004
[5]	李健伟, 曲长文, 彭书娟, 等.基于卷积神经网络的SAR图像舰船目标检测[J].系统工程与电子技术, 2018, 40(9):62-68. http://d.old.wanfangdata.com.cn/Periodical/xtgcydzjs201809009 LI J W, QU C W, PENG S J, et al. Ship detection in SAR image based on convolution neural network[J]. Systems engineering and electronics, 2018, 40(9):62-68.(in Chinese) http://d.old.wanfangdata.com.cn/Periodical/xtgcydzjs201809009
[6]	GOUAILLIER V, GAGNON L. Ship silhouette recognition using principal components analysis[J]. Proceedings of SPIE, 1997, 3164(1):59-69.
[7]	MARGARIT G, MALLORQUI J J, RIUS J M, et al. On the usage of GRECOSAR, an orbital polarimetric SAR simulator of complex targets, to vessel classification studies[J]. IEEE transactions on geoscience and remote sensing, 2006, 44(12):3517-3526. doi: 10.1109/TGRS.2006.881120
[8]	MA M Y, CHEN J, LIU W, etal. Ship classification and detection based on CNN using GF-3 SAR images[J]. Remote sensing, 2018, 10(12):2043-2064. doi: 10.3390/rs10122043
[9]	YANG Y, NEWSAM S. Bag-of-visual-words and spatial extensions for land-use classification[C]//18th ACM SIGSPATIAL International Symposium on Advances in Geographic Information Systems. San Jose, November 3-5, 2010: 270-279. https://faculty.ucmerced.edu/snewsam/papers/Yang_ACMGIS10_BagOfVisualWords.pdf
[10]	ISPRS 2D semantic labeling contest[EB/OL].[2019-04-30].http://www2.isprs.org/commissions/comm3/wg4/semantic-labeling.html.
[11]	GREEN R O, EASTWOOD M L, SARTURE C M, et al. Imaging spectroscopy and the airborne visible/infrared imaging spectrometer (AVIRIS)[J]. Remote sensing of environment, 1998, 65(3):227-248. doi: 10.1016/S0034-4257(98)00064-9
[12]	Western North America interferometric synthetic aperture radar consortium.[EB/OL].[2019-04-30].https://www.unavco.org/data/imaging/sar/sar.html.
[13]	HUANG L Q, LIU B, LI B Y, et al. OpenSARship:a dataset dedicated to sentinel-1 ship interpretation[J]. IEEE journal of selected topics in applied earth observations & remote sensing, 2017(99):1-14. http://cn.bing.com/academic/profile?id=c079d6f7b83f78b7f2d91a8ecef63ddb&encoded=0&v=paper_preview&mkt=zh-cn
[14]	CHEN W T, JI K F, XING X W, et al. Ship recognition in high resolution SAR imagery based on feature selection[C]//International Conference on Computer Vision in Remote Sensing (CVRS), 2012: 301-305. https://ieeexplore.ieee.org/document/6421279
[15]	MARGARIT G, TABASCO A.Ship classification in single-pol SAR images based on fuzzy logic[J]. IEEE transactions on geoscience and remote sensing, 2011, 49(8):3129-3138. doi: 10.1109/TGRS.2011.2112371

施引文献(6)

期刊类型引用(4)

1.	雷禹，冷祥光，孙忠镇，计科峰. 宽幅SAR海上大型运动舰船目标数据集构建及识别性能分析. 雷达学报. 2022(03): 347-362 . 百度学术
2.	Xiyue HOU，Wei AO，Qian SONG，Jian LAI，Haipeng WANG，Feng XU. FUSAR-Ship:building a high-resolution SAR-AIS matchup dataset of Gaofen-3 for ship detection and recognition. Science China(Information Sciences). 2020(04): 40-58 . 必应学术
3.	黄晓涛，陈乐平，范崇祎，安道祥，李悦丽，周智敏. 低频叶簇穿透雷达成像技术. 电波科学学报. 2020(04): 469-485 . 本站查看
4.	孙忠镇，熊博莅，冷祥光，计科峰. 基于精细分割的SAR图像舰船目标几何结构特征提取. 电波科学学报. 2020(04): 585-593 . 本站查看

其他类型引用(2)

资源附件(0)

图(8) / 表(4)

计量

文章访问数: 473
HTML全文浏览量: 196
PDF下载量: 58
被引次数: 6

引言
1 HR4S构建
1.1 SAR数据获取与预处理
1.2 SAR与AIS数据匹配
1.3 船只样本提取
2 HR4S特性分析
3 船只几何参数分析
3.1 极化
3.2 航向
4 HR4S类型识别性能分析
5 结论

最新公告

高分辨率SAR船只样本集构建与特征分析

通信作者:
包萌 E-mail:baomeng@fio.org.cn

计量

Construction and feature analysis of high resolution SAR ship sample set