雷盼飛，蘇清賀，楊 桄

（中國人民解放軍空軍航空大學(xué)特種專業(yè)系，長春 130022）

1 引言

合成孔徑雷達（Synthetic Aperture Radar，SAR）作為一種先進的主動式微波遙感器，以其全天候、全天時的探測優(yōu)勢日益成為世界各國普遍重視的遙感探測技術(shù)。在軍事領(lǐng)域，主要用于陸戰(zhàn)場偵察、海洋監(jiān)測、偽裝識別以及發(fā)現(xiàn)假目標(biāo)等；在海洋監(jiān)測方面，SAR能夠根據(jù)艦船目標(biāo)自身的反射特性以及其尾跡等特征對海面上的艦船進行全天時全天候檢測、并通過SAR圖像提取艦船目標(biāo)的位置、航向、航速等特征，因此SAR成為當(dāng)今艦船檢測、監(jiān)視和定位的最有效手段之一。本文首先回顧了SAR圖像艦船目標(biāo)檢測領(lǐng)域近20年的重要研究成果，而后對目前常用的檢測算法進行了分析比較，并指出各算法的優(yōu)勢與缺陷，最后對該技術(shù)領(lǐng)域的發(fā)展趨勢做出展望。

2 歷史與現(xiàn)狀

2.1 起源與發(fā)展

自從1978年美國通過Sea SAT-1首次觀測到艦船目標(biāo)及其尾跡以來，利用SAR圖像進行艦船檢測逐漸成為海洋監(jiān)測的一個重要技術(shù)手段。1986年挪威國防研究院（NDRE）與歐空局（ESA）將SEASAT圖像作為實驗數(shù)據(jù)，對艦船和艦船尾跡進行了檢測研究［1］；英國科學(xué)家Murphy利用SAR圖像上艦船尾跡特征對艦船目標(biāo)進行檢測研究［2］；1988年，挪威科學(xué)家Eldhuset深入研究了在SAR圖像上進行艦船檢測的方法技術(shù)［3］；挪威科學(xué)家Skoelv等人發(fā)表了艦船尾跡成像的模擬研究［1］；英國科學(xué)家Hendry等人在“SAR圖像自動線性檢測”文章中也進行了SEASAT的拖網(wǎng)漁船船隊的尾跡檢測［4］。這些早期的研究工作為后續(xù)的SAR圖像艦船目標(biāo)檢測研究提供了理論支持和技術(shù)積累。

20世 紀(jì) 90年 代ERS－1/2、SIR－C/X－SAR 和Radarsat-1的升空為艦船檢測的的科學(xué)研究工作提供了大量的實驗數(shù)據(jù)，同時恒虛警率（CFAR）算法的引入也為SAR圖像艦船檢測提供了更為先進的技術(shù)手段，極大推動了SAR艦船檢測的發(fā)展。1996年挪威Eldhuset使用CFAR檢測技術(shù)對ERS－1圖像進行艦船目標(biāo)檢測［5］，取得了較好效果；2000年加拿大的Jiang等人針對Radrsat圖像上的艦船目標(biāo)提出了一種基于PNN模型的CFAR檢測方法）［6］，檢測效果較好；自CFAR檢測方法提出以來，針對其檢測速度、檢測性能等各個方面的提高問題，不斷改進的基于CFAR的SAR圖像艦船檢測算法大量涌現(xiàn)，例如針對雙參數(shù)CFAR檢測器中的高斯分布模型不能準(zhǔn)確描述呈長拖尾的分布特征的海洋雜波這一缺點，提出了基于K—分布模型的檢測算法［20-23］，其檢測精度得到了提高；針對檢測速度慢等問題，提出了基于局部窗口的檢測方法［20］；隨著圖像分辨率的提高，針對高分辨的SAR圖像，發(fā)展了OTSU雙閾值方法和KSW雙閾值方法［7］。此外在利用其它特征方面陸續(xù)發(fā)展了基于擴展分型特征的檢測算法［8］，利用多分辨率的檢測算法［9］以及結(jié)合各種數(shù)學(xué)工具的檢測算法。這些算法雖然只是SAR圖像艦船目標(biāo)檢測相關(guān)文獻的一部分，但是它們?nèi)匀徽故境隽薙AR圖像艦船目標(biāo)檢測研究的巨大進展，同時也昭示了該領(lǐng)域研究仍有巨大的發(fā)展?jié)摿Α?/p>

2.2 國內(nèi)外研究概況

鑒于SAR圖像在艦船目標(biāo)檢測中的獨特優(yōu)勢，近年來該領(lǐng)域的研究受到各個國家的廣泛關(guān)注，各國都投入大量資金用于開發(fā)SAR圖像艦船目標(biāo)檢測系統(tǒng)。目前，國內(nèi)外很多研究機構(gòu)都在SAR圖像艦船目標(biāo)檢測領(lǐng)域做了相應(yīng)研究，部分國家已經(jīng)建立了相對完整的SAR艦船目標(biāo)檢測系統(tǒng)，如加拿大的海洋監(jiān)視工作站（Ocean Monitoring Workstation，OMW）系統(tǒng)［10］，美國阿拉斯加SAR演示驗證（AKDEMO）系統(tǒng)［11］，歐盟聯(lián)合研究中心（JRC）的VDS系統(tǒng)［12］，英國Qinetiq的MAST系統(tǒng)［13］，挪威FFI的Eldhuse［3］以及挪威Kongsberg的MeosView［14］，法國Kerguelen的CLS［15］和BOOST艦船遙感檢測系統(tǒng)［16］，此外，澳大利亞、意大利的研究機構(gòu)也在這一領(lǐng)域做了大量的研究工作，建立了相應(yīng)的SAR艦船目標(biāo)檢測系統(tǒng)。就發(fā)展水平來看，加拿大遙感中心和挪威國防研究中心的檢測系統(tǒng)在國際上處于比較領(lǐng)先的地位。這些SAR圖像艦船檢測系統(tǒng)主要包括以下幾個步驟：（1）陸地隔離；（2）艦船目標(biāo)檢測；（3）艦船目標(biāo)聚類；（4）去除虛警；（5）目標(biāo)參數(shù)提?。唬?）尾跡探測；（7）利用尾跡進行艦船速度估算；（8）結(jié)果輸出。在檢測中常用的特征有艦船的灰度、面積、形狀以及艦船尾跡，檢測算法主要有雙參數(shù)CFAR、基于K-分布的CFAR方法等。

近年來，國內(nèi)的很多研究機構(gòu)在SAR圖像艦船目標(biāo)檢測方面也開展了相關(guān)研究，中國科學(xué)院電子所微波成像國家重點實驗室、國防科學(xué)技術(shù)大學(xué)衛(wèi)星信息處理與應(yīng)用實驗室以及武漢大學(xué)等均在該領(lǐng)域做了大量工作，但目前國內(nèi)的SAR圖像艦船檢測大多還處于實驗、驗證階段，還沒有形成實時化的艦船檢測系統(tǒng)。

3 檢測算法

艦船目標(biāo)檢測是整個檢測流程的重點和核心，其主要思想是利用艦船目標(biāo)和背景海域在SAR圖像上所表現(xiàn)的特征差異，設(shè)置一個關(guān)于該特征的閾值進行檢測。根據(jù)所依據(jù)特征的不同也就出現(xiàn)了各種不同的檢測算法，本文主要對目前主要常用的檢測算法進行總結(jié)分析：（1）基于灰度的艦船檢測算法；（2）基于多分辨率的艦船檢測算法；（3）基于極化分解的艦船檢測算法；（4）其它檢測算法，本文按次予以闡述。

3.1 基于灰度的艦船檢測算法

金屬制成的艦船目標(biāo)，由于其具有較強的后向散射回波，在SAR圖像上表現(xiàn)為具有和背景海平面相比較大的灰度差異，因此通過設(shè)置灰度閾值來進行檢測自然成為基于灰度的艦船檢測算法的主要思想。

恒虛警率（Constant False Alarm Rate，CFAR）是目前SAR圖像目標(biāo)檢測領(lǐng)域研究最為廣泛、最為深入和最為實用的一類方法。前文所述的已有的SAR圖像艦船目標(biāo)檢測系統(tǒng)中，大部分都采用了CFAR方法。如圖1所示，CFAR方法是利用目標(biāo)的灰度對比度信息，在海洋雜波統(tǒng)計模型（即海洋雜波的概率密度函數(shù)）已知的條件下，自適應(yīng)地選取檢測閾值。該算法的關(guān)鍵問題在于所選擇的雜波模型，使用不同的雜波模型將得到具有不同形式和檢測效果的CFAR檢測器。

目前，應(yīng)用較多的是基于高斯分布的雙參數(shù)CFAR檢測方法和基于K分布的CFAR檢測方法。

圖1 CFAR檢測流程Fig.1 Detection Process of CFAR

（1）雙參數(shù)CFAR檢測

雙參數(shù)CFAR檢測是林肯實驗室假設(shè)背景雜波服從高斯分布而推導(dǎo)出來的經(jīng)典檢測算法，該算法采用滑動的局部窗口，能夠控制背景雜波變化情況下的虛警概率，因此可以適應(yīng)局部雜波的變化。通常需要3個滑動窗口：目標(biāo)窗口、保護窗口、背景窗口。通過計算背景窗口中的所有像素的均值和方差得到該局部窗口的門限從而將目標(biāo)窗口中高于該門限的部分判為艦船，一般用于中低分辨率SAR圖像的艦船檢測。

挪威Eldhuset最早使用該算法對于ERS－1圖像進行目標(biāo)檢測［3］；美國Cassent等人使用此方法對于50米分辨率的SIR－C數(shù)據(jù)進行艦船檢測［17］； 美國Wakerman等人用該算法對50米和100米分辨率的RADARSAT ScanSAR圖像進檢測研究［18］。由于傳統(tǒng)雙參數(shù)CFAR檢測算法實現(xiàn)步驟比較繁瑣，檢測效率低，對于距離很近的艦船容易出現(xiàn)漏檢，因此艾加秋、齊向陽、禹衛(wèi)東［19］等人對雙參數(shù)CFAR檢測進行了改進，通過設(shè)置一個滑動的背景窗口和目標(biāo)窗口，并將背景窗口中的艦船部分去除而對剩余部分進行統(tǒng)計得到雜波均值和方差，結(jié)構(gòu)得到了簡化，在實際應(yīng)用中取得了很好的檢測效果，其檢測效率高于傳統(tǒng)雙參數(shù)CFAR檢測算法，有很好的實用價值。

（2）基于K－分布的CFAR算法

由于大多數(shù)情況下，海洋雜波呈現(xiàn)出一種長拖尾形狀的分布特征，而雙參數(shù)CFAR算法的高斯分布模型不能準(zhǔn)確描述這樣的海洋雜波，近年來提出的K—分布模型由于能夠精確的描述海洋雜波而被廣泛接受，該方法首先估計出背景K-分布模型中的參數(shù)，然后根據(jù)給定的虛警概率，通過求解虛警概率方程來求出檢測閾值，進而通過判決準(zhǔn)則檢測艦船。

加拿大海洋監(jiān)測系統(tǒng)（OMW）［10］運用該方法作為OMW的艦船監(jiān)測算法，該方法在檢測Radarsat圖像中的艦船目標(biāo)時具有較好的檢測性能，但是K分布并不能適用于所有的SAR圖像，因此OMW在對某些不滿足K分布的SAR數(shù)據(jù)進行檢測時，其檢測性能較差，尤其對背景局部變化復(fù)雜的海面SAR圖像適應(yīng)能力較差。鑒于此問題，種勁松［20］等人對該算法進行了改進，提出了一種基于局部窗口的K-分布CFAR算法，利用局部窗口對每個圖像像素進行檢測，滑動的背景窗口采用K-分布模型計算目標(biāo)檢測閾值，此法對海平面非均勻且局域性強的SAR圖像艦船檢測實驗中取得了較好效果，但在艦船檢測過程中，其統(tǒng)計的海雜波中常常會混有艦船部分，統(tǒng)計的參數(shù)并不是實際的真實值，對于距離很近的艦船會出現(xiàn)漏檢，因此艾加秋［21］等人針對這一問題提出了一種改進的基于局部窗口的K-分布CFAR算法，該方法取目標(biāo)窗口和背景窗口，通過把泄露到背景窗口中的艦船部分去除，對背景窗口中剩余部分進行統(tǒng)計得到雜波分布概率，并通過給定的虛警率來檢測艦船，相對于K-分布CFAR檢測算法和基于局部窗口的K-分布CFAR檢測算法，該算法能夠適應(yīng)雜波的局部變化，對距離很近的艦船不會產(chǎn)生漏檢，適用于近海岸的艦船目標(biāo)檢測。李曉瑋［22］等人將小波分解與基于K分布的CFAR檢測方法相結(jié)合提出了一種基于小波分解的K-分布SAR圖像艦船檢測，并通過對SIR-C C波段SAR圖像艦船檢測實驗證明該方法能夠在復(fù)雜相干斑和海雜波背景中大幅增強艦船目標(biāo)，并且有效保證了檢測結(jié)果的準(zhǔn)確性?；贙分布的CFAR檢測算法相對于基于其它分布的檢測算法來說，檢測性能比較好，但是其運算也相對復(fù)雜，算法效率比較低，很難滿足檢測系統(tǒng)的實時性要求，因此發(fā)展快速的K-分布CFAR檢測算法將會是未來的一個發(fā)展方向，邢相薇［23］設(shè)計了一種基于兩級CFAR級聯(lián)的快速檢測算法，相對于傳統(tǒng)檢測算法，其檢測效率有了較大提高，但其檢測性能相應(yīng)有所下降，因此如何緩解檢測性能與檢測效率之間的矛盾也是以后需要研究的熱點問題。

3.2 基于多分辨率的艦船檢測算法

1998年Gagnon［24］提出了一種基于多分辨率的的艦船檢測算法，即基于小波分解的檢測算法（如圖2所示），該類算法利用目標(biāo)和雜波的多分辨率特征差異進行檢測，其假設(shè)前提是：艦船目標(biāo)和海洋雜波的散射特性在不同分辨率尺度上是不同的，并且艦船目標(biāo)的散射較雜波更為持久。由于該算法具有多尺度分析的能力，因此尤其適合于高分辨率的圖像。

Gagnon指出該算法可以實現(xiàn)在算法復(fù)雜度和低虛警率之間的良好折中，因此與其它傳統(tǒng)門限檢測方法相比是一種較為實用的艦船檢測算法。近幾年，各國學(xué)者對該算法進行不斷改進，如Tellot［25］提出的一種改進的多分辨率檢測算法，并通過對仿真和實際的SAR圖像進行目標(biāo)檢測，得到了較好的檢測結(jié)果，陳德元［26］等根據(jù)小波變換和Teager能量算子（TEO）的局部特性，提出的一種基于TWE的艦船檢測新算法，并通過檢測實驗表明此算法在艦船檢測數(shù)和虛警數(shù)性能指標(biāo)上均優(yōu)于傳統(tǒng)檢測算法。

圖2 基于小波分解的艦船檢測流程Fig.2 Process of The Ship Detection Method of Sar Images Based on Wavelets

3.3 基于極化分解的方法

近幾年投入使用的SAR系統(tǒng)如TerraSAR、Radarsat.2等都具有獲取多通道極化數(shù)據(jù)的能力，各通道間的極化信息增強了艦船目標(biāo)和海雜波之間的對比度，使得艦船檢測的虛警率得到較大幅度的降低，因此利用此特征發(fā)展了基于極化分解的艦船檢測方法。

Touzi［27］利用極化熵對Convair-580 SAR圖像中的艦船目標(biāo)進行了檢測；英國的Ringrose［28］等將用該算法對SIR-C SAR數(shù)據(jù)進行了檢測，效果較好。陳曦等人［29］總結(jié)了在極化SAR圖像中進行艦船檢測的四種常見技術(shù)：（1）極化通道融合；（2）極化統(tǒng)計分布；（3）極化目標(biāo)分解；（4）極化時頻分析。近年成功發(fā)射的多顆商業(yè)星載極化SAR系統(tǒng)，如日本的ALOSPALSAR（2006），意大利的Cosmo－Skymed（2007），德國的TerraSAR－X（2007），加拿大的Radarsat－2（2007）等，大大拓展了極化SAR數(shù)據(jù)源，方便了國內(nèi)外研究學(xué)者獲取足夠的數(shù)據(jù)用于新理論、新方法的研究，為利用極化信息進行艦船檢測帶來了機遇和挑戰(zhàn)。

3.4 其他檢測方法

除了上述幾種應(yīng)用比較廣泛的方法之外，研究者們還發(fā)展了其他的SAR圖像艦船目標(biāo)檢測方法。Benelli［30］和Argenti等［31］提出了一種基于模糊決策的檢測算法，其對艦船目標(biāo)的檢測使用區(qū)域生長技術(shù)，而模糊決策理論則用于剔除虛警。李長軍［32］等人采用模糊推理技術(shù)對RADARSAT圖像進行了艦船檢測試驗，其效果較好。Kaplan［33］提出了一種基于擴展分形特征（EF）的目標(biāo)檢測算法，該算法通過計算圖像點位置上多尺度的Hurst指數(shù)以量化在不同尺度下圖像表征出來的紋理粗糙程度，由圖像的紋理粗糙程度的度量來檢測目標(biāo)的存在與否，從實驗結(jié)果來看，該算法的檢測性能較好。此外還有田巳睿等人［34］提出的基于引力場增強的檢測方法，孫鶴泉等人提出的基于MPP方法的SAR艦船檢測，以及其它通過檢測尾跡［35-40］來間接檢測艦船的技術(shù)都具有一定的代表性。

上述各種檢測技術(shù)中，基于灰度的CFAR檢測算法結(jié)構(gòu)簡單，易于實現(xiàn)能夠較好地控制檢測率和虛警率，所以在SAR圖像艦船目標(biāo)檢測中應(yīng)用最為廣泛；基于小波分解的算法利用了目標(biāo)和背景的多分辨率特征差異，算法的虛警率較低，但對圖像分辨率要求較高；基于極化分解的方法則利用了圖像的極化和，能夠有效地減少檢測的虛警，一般主要應(yīng)用于多通道極化圖像。

4 發(fā)展趨勢

在實際應(yīng)用過程中，由于SAR海洋圖像中陸地、海島、風(fēng)暴等自然地物及艦船目標(biāo)本身的影響，造成SAR圖像艦船目標(biāo)檢測過程中存在一定的困難。如陸地、風(fēng)暴等產(chǎn)生大量虛警，艦船太小或艦船之間距離太近產(chǎn)生漏警等。同時，現(xiàn)有的檢測算法經(jīng)過近幾年發(fā)展雖然檢測精度有了很大的提高，但由于其運算復(fù)雜，檢測速度慢，因而不能滿足實際的SAR圖像艦船目標(biāo)檢測系統(tǒng)對檢測算法的實時性要求。因此綜合來講，目前SAR圖像艦船目標(biāo)檢測算法需要進一步研究的問題有：

（1）雜波統(tǒng)計模型研究。以現(xiàn)有的統(tǒng)計分布模型來看，無論是經(jīng)驗還是非經(jīng)驗的，在理論和應(yīng)用上都存在一定的局限性，所以對于具體的應(yīng)用要具體的分析最優(yōu)的擬合分布。因此對雜波統(tǒng)計模型更深入的研究，從而得到一種通用的雜波模型，是雜波統(tǒng)計模型的一個研究方向。

（2）適應(yīng)性檢測算法的研究?，F(xiàn)有的許多算法幾乎都要對圖像的每一個像素進行檢測判別，很難實現(xiàn)海量SAR圖像遙感數(shù)據(jù)的實時處理，而且目前存在的SAR圖像艦船檢測算法只是在某一種或幾種特定情況下檢測性能良好，在實際應(yīng)用中，海洋環(huán)境千變?nèi)f化，如何融合不同的檢測算法，使檢測算法適應(yīng)不同的海況，這也是需要進一步研究的問題。

（3）基于多特征的檢測算法研究。由于一個特征只能反映目標(biāo)或雜波的一方面信息，因此多個特征的聯(lián)合應(yīng)用理論上更能準(zhǔn)確地檢測出目標(biāo)。選取合適的圖像特征以及設(shè)置相應(yīng)的融合原則將是基于多特征的檢測算法的主要研究問題。

（4）快速檢測算法的研究。為保證戰(zhàn)場情報時效性的要求，研究快速的檢測算法已成為進一步需要研究的熱點了，同時如何提高檢測率的同時保證檢測性能也是這一方面需要注意的問題。

5 總結(jié)與展望

本文對國內(nèi)外各文獻中的SAR圖像艦船檢測技術(shù)做了一個總體的回顧，并對目前的主要檢測技術(shù)進行了總結(jié)，以對我軍的海洋監(jiān)測尤其是艦船檢測工作提供一點幫助和啟發(fā)。SAR圖像的目標(biāo)特性使得利用SAR圖像進行艦船檢測已成為未來艦船檢測的主要技術(shù)，同時隨著高分辨率，極化SAR圖像以及更為先進的檢測算法的出現(xiàn)，都為該領(lǐng)域的快速發(fā)展帶來了機遇，不斷推進我國實時化的艦船檢測以及海洋監(jiān)測系統(tǒng)的研究和建立。

［1］Skoelv A.Simulation of SAR Imaging of Ship Wakes ［A］.Proceedingsof IGARSS′88.Edinburgh， Scotland： IGARSS，13-16 Sept，1988：851-854.

［2］Murphy L M.Linear Feature Detection and Enhancement in Noisy Images via The Radon Transform ［J］.Pattern Recognition Letters，1986，4（4）： 279-284.

［3］Eldhuset K.Automatic Ship and Ship Wake Detection in Spaceborne SAR Images from CoastalRegions ［A］. Proceedings of IGARSS’88.Edinburgh，Scotland：IGARSS， 13-16 ，1988：1529-1533.

［4］Hendry A.Automated Linear Feature Detection and Its Application to Curve Location in Synthetic Aperture Radar Imagery ［A］.Proceedings of IGARSS’88 ［C］.Edinburgh， Scotland： IGARSS， 13-16 Sept，1988：1521-1524.

［5］Eldhuset K.An Automated Ship and Ship Wake Detection System for Spaceborne SAR Images in Coastal Regions［J］. IEEE Trans， Geosci.&Remote Sensing，1996，34（4）：1010- 1019.

［6］Q.Jiang.Automatic Detection for Ship Target in SAR Imagery Using PNN-Model［J］.Canadian Journal of Remote Sensing，2000，26（4）：297-305.

［7］種勁松.合成孔徑圖像艦船目標(biāo)檢測方法與應(yīng)用研究［D］. 長沙：中國科學(xué)院研究生院，2002.

［8］匡綱要，高貴，蔣詠梅.合成孔徑雷達目標(biāo)檢測理論、算法 及應(yīng)用［M］.長沙：國防科學(xué)技術(shù)大學(xué)出版社，2007.

［9］L.Gagnon， H.Oppenheim， P.Valin.R&d Activities in Airborne Sar Image Processing Analysis at Lockheed Martin Canada［C］.Proceeding of SPIE，349l：998-1003

［10］M.D.Henschel， M.T.Rey， J.W.M.Campbell.Comparison of Probability Statistics for Automated Ship Detection in SAR Imagery.In Proceedings of SPIE，volume 3491， 2004：986-991.

［11］M.T.Rey，J.Campbell，and D.Petrovic.A Comparison of Ocean Clutter Distribution Estimators for CFAR-based Ship Detection in RADARSAT Imagery.Report No.1340， Defense Research Establishment Ottawa，Canada， December 2006：31.

［12］William G.Pichel， Pablo Clemente-Colon.NOAA Coast Watch SAR Applications and Demonstration ［J］.Johns Hopkins APL Technical Digest，2000，21（1）.

［13］Greidanus H， Lemoine G， Kourti N.Satellite Ship Detection for Fishery Control ［A］.NURC International Symposium Remote Sensing Applications to Support NATO Expeditionary Operations.Lerici.Italy，2005.

［14］Greidanus H.Findings of the DECLIMS Project-Detection and Classification of Marine Traffic from Space ［A］. SEASAR 2006.Italy，2006.

［15］Marcel L，Jean-Pierre C.Update on Kerguelen Station Operations ［R］.The Fourth Meeting of the DECLIMS Project.Toulouse，F(xiàn)rance，2005.

［16］Vincent K，Guillaume H.Surveillance of Coastal and Marine Offshore Areas using Satellite Imagery［R］.The Fifth Meeting of the DECLIMS Project.Farnborough，UK， 2005.

［17］David C.SAR Ship Detection using New Conditional Contrast Box Filter［J］.SPIE Conference on Algrithms for SAR Imagry V.Washington： SPIE Vol.3721，1999.274- 284.

［18］Wakerman C.Automatic Ship Detection of Ships in RADARSAT SAR Imagery［J］.Canadian Journal of Remote Sensing，2001，27（5）：371-378.

［19］艾加秋，齊向陽，禹衛(wèi)東.改進的SAR圖像雙參數(shù)CFAR艦 船檢測算法［J］.電子與信息學(xué)報，2009，31（12）：2882- 2884.

［20］種勁松，朱敏慧.SAR圖像艦船及其尾跡檢測研究綜述 ［J］.電子學(xué)報，2003，31（9）：1356-1360.

［21］艾加秋，齊向陽.一種基于局部K-分布的新的SAR圖像艦 船檢測算法［J］.中國科學(xué)院研究生院學(xué)報.2010，27（1）： 36-42.

［22］陳德元，凃國防.一種基于小波變換的SAR圖像艦船檢測 的新算法［J］.電子與信息學(xué)報.2007，29（4）：856-858.

［23］邢相薇.SAR圖像艦船檢測方法研究［D］.長沙：國防科學(xué) 技術(shù)大學(xué)，2009.

［24］Gagnon L， Oppenheim H， Valin P.R&D Activities in SAR Image Processing/Analysis at Lockheed Martin Canad ［A］.In Proceeding of SPIE［C］.1998， 3491：998-1003.

［25］M.Tello.A Novel Algorithm for Ship Detection in SAR Imagery Based on The Wavelet Transform.IEEE GRS. Letters，2005，2（2）：201-205.

［26］李曉瑋.基于小波分解的K-分布SAR圖像艦船檢測［J］. 測試技術(shù)學(xué)報.2007，21（4）：351-354.

［27］Touzi R， Charbonneau F， Hawkins R K，et al.Ship-sea Contrast Optimisation when Using Polarimetric SARs［A］. In IEEE 2001 International Geoscience and Remote Sensing Symposium （IGARSS'01）［C］.2001，1：426-428.［28］Ringrose R， Harris N.Ship Detection Using Polarimetric SAR Data［R］.In CEOS SAR Workshop 2001，1999.

［29］陳曦，吳濤，阮祥偉.極化SAR海面船只檢測技術(shù)的研究 進展［J］.遙感技術(shù)與應(yīng)用.2009，24（6）：842-844.

［30］K.Ouchi，S.Tamaki，H.Yaguchi，et a1.Ship Detection Based on Coherence Images Derived from Cross Correlation of Multilook Sar Images IGARSS’03 2004.1（3）：1 84-1 87.

［31］G.Benelli， A.Garzelli， A.Mecocci.Complete Processing System That uses Fuzzy Logic for Ship Detection in Sat Images ［J］.IEE Proceedings：Radar Sonar&Navigation， 1994.141（4）：181-186.

［32］李長軍.基于模糊理論的SAR［J］.計算機應(yīng)用，2005，25 （8）：1955-1957.

［33］L.M.Kaplan.Improved SAR TargetDetection via Extended Fractal Features.IEEETrans.On AES.2001，37 （2）.

［34］田巳睿，王超.星載SAR艦船檢測技術(shù)及其在海洋漁業(yè)監(jiān) 測中的應(yīng)用［J］.遙感技術(shù)與應(yīng)用，2007，22（4）：504-506.

［35］蔣定定，許兆林，李開端.基于Radon變換的SAR圖像船跡 檢測研究［J］.海洋測繪，2004，24（2）.

［36］鄒煥新，匡綱要，郁文賢.一種從SAR海洋圖像中檢測艦 船航跡的算法［J］.現(xiàn)代雷達，2004，26（1）.

［37］鄭鍵，鄒煥新.SAR海洋圖像艦船尾跡檢測和定位方法 ［J］.系統(tǒng)工程與電子技術(shù)，2006，28（4）.

［38］陳振林，鄒煥新，周石琳，王國宏.SAR圖像艦船尾跡檢測 及其真假判別方法［J］.現(xiàn)代雷達，2010，32（1）.

［39］種勁松，朱敏慧.基于歸一化灰度Hough變換的SAR圖像 艦船尾跡檢測算法［J］.中國圖象圖形學(xué)報，2004，9（2）.

［40］李杭彩，方景龍，王曉飛.基于Hough變換的SAR圖像艦船 尾跡檢測方法［J］.杭州電子科技大學(xué)學(xué)報，2009，29（1）.