2. 洛阳电子装备试验中心, 洛阳 471000
2. Luoyang Electronic Equipment Test Center, Luoyang 471000, China
合成孔径雷达(synthetic aperture radar,SAR)是一种高分辨率的微波成像遥感设备,相对于光学成像遥感设备,具有全天时、全天候、远距离高分辨成像的能力,在侦察监视、地形测绘和灾害评估等领域应用广泛。近年来,由于海上安全、水上交通管制和渔业监测等需要,SAR舰船检测受到越来越多的关注。
对于单极化SAR舰船检测,目前主要采用恒虚警率(constant false alarm rate,CFAR)检测器。不同的CFAR检测器采用不同的参数化杂波模型如Gamma分布、 Weibull分布、 K分布、 G0分布和主混合Gauss分布[1, 2, 3, 4, 5]等,也可采用Parzen窗法等非参数化的方法对海杂波进行建模[6]。CFAR检测器的主要缺点有2个:1) CFAR检测效果与采用的杂波模型密切相关,如果样本与杂波模型存在差异,则检测性能就会下降,然而目前尚无标准的杂波模型可供选择; 2) CFAR检测器需要采用滑动窗计算统计量,但当有多个目标且目标间距小、目标尺寸差异大时,滑动窗的结构和大小难以与目标尺寸相适应,则目标样本极易混入杂波样本,使得计算的统计量数值偏大,造成目标检测不完整和弱目标的丢失。
针对上述问题,本文借鉴鲁棒主成分分析(robust principle component analysis,RPCA)[7]的概念,将其应用于舰船检测。本文方法不依赖任何杂波模型和检测量,而是利用SAR图像的内在属性即海面的低秩属性和舰船目标的稀疏属性,借助本文推导的噪声中低秩稀疏矩阵恢复的增量Lagrange乘子(augmented Lagrange multiplier,ALM)算法,将SAR图像分解为低秩图像、噪声图像(两者之和对应海面)和稀疏图像(对应舰船)的和,从而一次性实现目标检测和杂波抑制。通过仿真实验和实测数据处理,验证了本文方法的有效性。
1 鲁棒主成分分析文[7]指出,在相当宽松的条件下,RPCA能以很高的概率从观测数据矩阵M中准确恢复低秩矩阵L和稀疏矩阵S。在实际应用中,M还常常受到噪声的影响,使得L和S分别是近似低秩和近似稀疏的。于是,文[8]提出了噪声下的RPCA问题,即求解以下凸优化问题:
$\begin{array}{l} \mathop {\min }\limits_{L,s} {\left\| L \right\|_*} + \lambda {\left\| S \right\|_1},\\ {\rm{s}}{\rm{.t}}{\rm{.}}\;\;M = L + S + N,\\ {\left\| N \right\|_F} \le \delta . \end{array}$ | (1) |
其中: M,L,S,N∈Rm×n,N为服从独立同分布的噪声,‖L‖*表示L的核范数,‖S‖1表示S的1范数,‖N‖F表示N的Frobenius范数。一般设
$\lambda = 1/\sqrt {\max \left( {m,n} \right)} $ | (2) |
用于舰船检测的单极化SAR图像的典型特征是海面回波较弱,舰船回波较强,且舰船稀疏分布于海面。从整体上看,海面具有较好的一致性即低秩属性突出,而舰船目标具有明显的稀疏属性。然而实际上海面回波呈随机变化,表现为海杂波,使得海面仅具有近似低秩属性,而舰船目标具有近似的稀疏属性。SAR图像的这种内在属性使得可以采用RPCA进行舰船目标检测。
文[8]指出可以采用加速近似梯度(accelerated proximal gradient,APG)法求解式(1),但未给出具体的计算过程。本文提出使用ALM算法求解式(1)。需注意的是,这与文[9]中采用ALM算法求解不考虑噪声的RPCA问题是不同的。
2 增量Lagrange乘子算法首先,将式(1)表示的含有不等式约束的优化问题转化为无约束优化问题:
$\mathop {\min }\limits_{L,s} \mu {\left\| L \right\|_*} + \lambda \mu {\left\| S \right\|_1} + \frac{1}{2}\left\| {M - L - S} \right\|_F^2$ | (3) |
其中μ是与噪声标准差σ相关的量[10],一般设
$\mu = \left( {\sqrt m + \sqrt n } \right)\sigma $ | (4) |
而后将式(3)转化为增量Lagrange函数形式[11]:
$\mathop {\min }\limits_{X,Z} f\left( X \right) + g\left( Z \right) + \left\langle {Y,X - Z} \right\rangle + \frac{\rho }{2}\left\| {X - Z} \right\|_F^2$
其中:f(X)=μ(‖LX‖*+λ‖SX‖1),X=LX,SX; g(Z)= $\frac{1}{2}$ ‖M-LZ-SZ‖F2,Z=LZ,SZ,Y=YL,YS为Lagrange乘子,ρ为松弛参数。
下面交替求解X和Z的最优解。在第(k+1)次迭代中,首先固定Z和Y,求解X的最优解,即
${X_{k + 1}} = \mathop {\min }\limits_X f\left( X \right) + \left\langle {{Y_k},X} \right\rangle + \frac{\rho }{2}\left\| {X - {Z_k}} \right\|_F^2$
其等价形式为
$\begin{array}{l} \left[\begin{array}{l} {L_{{X_{k + 1}}}}\\ {S_{{X_{k + 1}}}} \end{array} \right] = \\ \left[\begin{array}{l} \mathop {\min }\limits_{{L_X}} \left( {\mu {{\left\| {{L_X}} \right\|}_*}} \right) + \frac{\rho }{2}\left\| {{L_X} - {L_{{Z_k}}} + {Y_{{L_k}}}/\rho } \right\|_F^2\\ \mathop {\min }\limits_{{S_X}} \left( {\lambda \mu {{\left\| {{S_X}} \right\|}_1}} \right) + \frac{\rho }{2}\left\| {{S_X} - {S_{{Z_k}}} + {Y_{{S_k}}}/\rho } \right\|_F^2 \end{array} \right] \end{array}$ | (5) |
式(5)的求解可采用软阈值算法[12],即
$\left[\begin{array}{l} {L_{{X_{k + 1}}}}\\ {S_{{X_{k + 1}}}} \end{array} \right] = \left[\begin{array}{l} {D_{\mu /\rho }}\left( {{L_{{Z_k}}} - {Y_{{L_k}}}/\rho } \right)\\ {S_{\lambda \mu /\rho }}\left( {{S_{{Z_k}}} - {Y_{{S_k}}}/\rho } \right) \end{array} \right]$ | (6) |
其中Dμ/ρ(LZk-YLk/ρ)=USμ/ρ(Σ)VT,U、 Σ和V和分别为(LZk-YLk/ρ)的左奇异向量矩阵、奇异值矩阵和右奇异向量矩阵。Sτ(t)=sgn(t)max(t-τ,0),τ为门限。
而后固定Xk+1和Yk,计算Zk+1,即
${Z_{k + 1}} = \mathop {\min }\limits_Z g\left( Z \right) - \left\langle {{Y_k},Z} \right\rangle + \frac{\rho }{2}\left\| {{X_{k + 1}} - Z} \right\|_F^2$
易得
$\left[\begin{array}{l} {L_{{Z_{k + 1}}}}\\ {S_{{Z_{k + 1}}}} \end{array} \right] = \left[\begin{array}{l} \frac{1}{{1 + \rho }}\left( {{Y_{{L_k}}} + \rho {L_{{X_{k + 1}}}} + M - {S_{{Z_k}}}} \right)\\ \frac{1}{{1 + \rho }}\left( {{Y_{{S_k}}} + \rho {S_{{X_{k + 1}}}} + M - {L_{{Z_{k + 1}}}}} \right) \end{array} \right]$ | (7) |
最后,更新Y:
$\left\{ \begin{array}{l} {Y_{{L_{k + 1}}}} = {Y_{{L_k}}} + \rho \left( {{L_{{X_{k + 1}}}} - {L_{{Z_{k + 1}}}}} \right),\\ {Y_{{S_{k + 1}}}} = {Y_{{S_k}}} + \rho \left( {{S_{{X_{k + 1}}}} - {S_{{Z_{k + 1}}}}} \right) \end{array} \right.$ | (8) |
迭代终止条件为
$\frac{{{{\left\| {\left( {{L_{{X_{k + 1}}}},{S_{{X_{k + 1}}}}} \right) - \left( {{L_{{X_k}}},{S_{{X_k}}}} \right)} \right\|}_F}}}{{{{\left\| {\left( {{L_{{X_k}}},{S_{{X_k}}}} \right)} \right\|}_F}}} < \varepsilon $ | (9) |
其中ε为很小的值,本文取10-7。
总结式(1)求解的ALM算法步骤为:
1) 输入数据矩阵M,参数λ、 μ和ρ,并初始化LX0、 LZ0、 YL0和YS0为0;
2) 若不满足式(9)则继续,否则转步骤6;
3) 按照式(6)计算LXk+1和SXk+1;
4) 按照式(7)计算和LZk+1和SZk+1;
5) 按照式(8)计算Yk+1;
6) 输出结果:L=LXk, S=SXk。
3 增量Lagrange乘子算法的性能分析为验证本文提出的ALM算法用于噪声中低秩、稀疏矩阵恢复的有效性,采用仿真数据进行验证。
仿真数据的产生采用文[8]给出的方法:设噪声服从独立同分布N(0,σ2); 秩为r的矩阵L=UVT,U∈Rm×r、 V∈Rn×r,且U和V的元素均服从独立同分布N(0,σL2),本文设 $\sigma _L^2 = 10\sigma /\sqrt {\max \left( {m,n} \right)} $ 。S的元素服从二项分布,以概率PS取0,以概率(1-PS)取非零值,且数值在[-a,a]上均匀分布,a取5。PS为S的稀疏程度,即S中非零元数占元素总数的比例。
L和S的恢复误差度量分别为
$\begin{array}{l} {\rm{erro}}{{\rm{r}}_L} = {\left\| {\hat L - L} \right\|_F}/{\left\| L \right\|_F},\\ {\rm{erro}}{{\rm{r}}_S} = {\left\| {\hat S - S} \right\|_F}/{\left\| S \right\|_F} \end{array}$
其中 ${\hat L}$ 和 ${\hat S}$ 分别为恢复的低秩矩阵和稀疏矩阵。
本文仿真中令m=n。设m=200, r=100,PS=0.2,结果见图1,可见ALM算法的恢复误差随噪声增强而逐渐增大。设m=200,r=10,σ=0.1,结果见图2,可见ALM算法的恢复误差随PS增大而逐渐增大。设m=200,PS=0.2,σ=0.1,结果见图3,可见ALM算法的恢复误差随的秩增大而逐渐增大。设r=10,PS=0.2,σ=0.1,结果见图4,可见ALM算法的恢复精度随矩阵尺寸增大而逐渐减小。由图1—4可见,S的恢复误差大于L的,并且当噪声强度较大且稀疏程度或秩较大时,恢复误差较大,难以得到理想的恢复结果。
4 舰船检测数据处理与效果分析基于RPCA的舰船检测流程为:
1) 输入SAR幅度/强度图像;
2) 按照式(2)设置参数λ; 选取部分海面区域估计噪声标准差σ,并按照式(4)设置参数μ; 设置收敛条件中的ε=10-7; 松弛参数ρ可调节,本文试验中取1.5可得到较理想的效果;
3) 采用ALM算法对图像进行RPCA处理;
4) RPCA得到的稀疏图像为舰船检测结果。
采用X波段TerraSAR于2010年5月6日获取的英吉利湾的HH极化数据来验证算法的有效性。图5为幅度图像,图像尺寸为400(距离向)×600(方位向)像素,距离向像素间隔和方位向像素间隔均约为5 m。图5中左侧存在一条由岸边强散射物引起的干扰亮带。
采用ALM算法对图5对应的强度图像进行处理,噪声标准差估计值σ=0.11,λ=0.048,μ=3.81。得到的低秩图像、稀疏图像(对应舰船)和噪声图像分别如图6、 7和8所示。
由图6可见,SAR图像中海面整体具有一定的低秩属性,并且干扰亮带被视为低秩成分。图7为从强度图像中直接分离出来的稀疏成分,其中98%的像素点为0,舰船目标形状完整。虽然仍有数量很少的虚警点和干扰亮带残留的少许能量,但虚警目标能量很弱,通过常规后续处理很容易消除。由图8可见,海杂波被视为噪声成功地分离出来,虽然残留部分舰船目标能量,但能量较弱,不影响舰船目标的检测。
为进一步验证ALM算法的有效性,采用经典的平均单元CFAR(cell averaging CFAR,CA-CFAR)检测器[13]和均方误差恒虚警(mean square error CFAR,MSE-CFAR)检测器[6]对图5对应的强度图像进行处理。这2种检测器采用的检测窗大小均为11×11像素,目标区大小为1×1像素,过渡带大小为9×9像素,虚警率设为0.002。MSE-CFAR检测器采用5成分对数正态分布拟合MSE统计量的分布。CA-CFAR检测器和MSE-CFAR检测器的检测结果分别如图9和10所示。
由图9—10可见,CA-CFAR检测器检测效果不太理想,存在大量的虚警点,并且舰船外形不完整。MSE-CFAR检测器检测效果远好于CA-CFAR检测器的检测效果,但会将大部分的干扰亮带检测为目标,同时也存在其他虚警点。相比ALM算法结果,CA-CFAR检测的部分舰船目标的外形不够完整。
通过上述方法的比较,可以看到,ALM算法很好地利用了用于舰船检测的SAR图像内在的低秩属性与稀疏属性,避免了杂波模型的选择与滑动窗的使用。正是在舰船检测应用场景下,对符合SAR图像本质先验信息的利用,使得ALM算法取得了更为优异的检测效果。
5 结 论本文提出的基于RPCA的舰船检测方法性能稳定,计算处理简单,不依赖任何杂波模型与统计量,可应用于单极化SAR幅度图像、强度图像,以及经过任何不改变图像低秩稀疏结构的处理后的图像。实测数据处理实验中与CA-CFAR检测器和MSE-CFAR检测器的检测性能对比,表明本文方法具有更优的检测性能。本文提出的ALM算法性能可靠,完全可以应用于噪声中低秩、稀疏图像的恢复。下一步,该算法将被扩展到极化SAR图像中的舰船目标检测应用。
[1] | Goldstein G B. False-alarm regulation in Log-Normal and Weibull clutter [J]. IEEE Transactions on Aerospace and Electronic Systems, 1973, 9(1): 84-92. |
[2] | 艾加秋, 齐向阳. 一种基于局部K分布的新的SAR图像舰船检测算法[J]. 中国科学院研究生院学报, 2010, 27(1): 36-42. AI Jiaqiu, QI Xiangyang. A novel ship detection method in SAR images based on local K distribution [J]. Journal of the Graduate School of the Chinese Academy of Sciences, 2010, 27(1): 36-42. (in Chinese) |
[3] | Frery A C, Müller H J, Yanasse C C F, et al. A model for extremely heterogeneous clutter [J]. IEEE Transactions on Geoscience and Remote Sensing, 1997, 35(3): 648-659. |
[4] | Blacknell D. Target detection in correlated SAR clutter [J]. IEE Proceedings of Radar, Sonar and Navigation, 2000, 147(1): 9-16. |
[5] | Moser G, Zerubia J, Serpico S B. Dictionary-based stochastic expectation-maximization for SAR amplitude probability density function estimation [J]. IEEE Transactions on Geoscience and Remote Sensing, 2006, 44(1): 188-200. |
[6] | CUI Yi, YANG Jian, ZHANG Xinzheng. New CFAR target detector for SAR images based on kernel density estimation and mean square error distance [J]. Systems Engineering and Electronics, 2012, 23(1): 40-46. |
[7] | Candès E J, LI Xiaodong, MA Yi, et al. Robust principal component analysis[J]. Journal of the ACM, 2011, 58(3): 1-34. |
[8] | ZHOU Zihan, LI Xiaodong, Wright J, et al. Stable principal component pursuit [C]// 2010 IEEE International Symposium on Information Theory Proceedings. Austin, TX, USA: IEEE, 2010: 1518-1522. |
[9] | ZHOU Chenlin, CHEN Minming, MA Yi. The Augmented Lagrange Multiplier Method for Exact Recovery of Corrupted Low-Rank Matrices, Technical Report UILU-ENG-09-2215 [R]. Champaign, IL, USA: UIUC, 2009. |
[10] | Candès E J, Plan Y. Matrix completion with noise [J]. Proceedings of the IEEE, 2010, 98(6): 925-936. |
[11] | Bertsekas P D. Nonlinear Programming [M]. Belmont: Athena Scientic Publishing, 1999. |
[12] | CAI Jianfeng, Candès E J, ZUO Weishen. A singular value thresholding algorithm for matrix completion [J]. SIAM J OPTIM, 2010, 20(4): 1956-1982. |
[13] | Oliver C, Quegan S. Understanding Synthetic Aperture Radar Images [M]. Raleigh, NC, USA: SciTech Publishing, 2004. |