brats数据集图像分割_比SSDD更大的SAR图像船舶检测数据集

深度学习模型的训练依赖大量的数据。针对SAR图像船舶检测中的数据问题，中国科学院空天信息研究院王超研究员带领的团队（王原原博士），构建了多源、多模式的SAR船舶切片数据集，并基于此数据集评估分析了不同对象检测模型的算法。在该数据集上训练的模型，可实现自动快速海上船舶检测，特别地，针对我国高分3号可以在无需海陆分割、无需区分成像模式自动实现船舶的快速检测。该数据集已发布于

CAESAR-Radi/SAR-Ship-Dataset​github.com

原始SAR图像介绍

共采用102景高分三号和108景Sentinel-1 SAR图像构建高分辨率SAR船舶目标样本深度学习库。目前该深度学习样本库中包含43819船舶切片。高分三号的成像模式是Strip-Map (UFS)、Fine Strip-Map 1 (FSI)、Full Polarization 1 (QPSI)、Full Polarization 2(QPSII)和Fine Strip-Map 2 (FSII)。这5种成像模型的分辨率分别是3m、5m、8m、25m和10m。Sentinel-1的成像模式是条带模式（S3和S6）和宽幅成像模式。SAR图像的覆盖范围如图1所示。其中，图1（a）表示高分三号的覆盖范围；图1（b）表示Sentinel S3条带模式的覆盖范围；图1（c）表示Sentinel S6条带模式的覆盖范围。特别地，高分三号数据覆盖的范围主要是我国的港口和亚洲的若干港口；Sentinel-1 S3覆盖的范围是巴西圣保罗港口附近；Sentinel-1 S6覆盖的范围是美国休斯顿港口。考虑到Sentinel-1图像的重访周期是12天，我们分别展示一景条带S3和条带S6的覆盖范围。这些SAR图像的信息包括成像模式、分辨率、带宽、入射角、极化方式和图像数量。用于构建样本库的SAR图像是多源、多模式的。

图 1 高分三号和Sentinel-1 IW（a）、Sentinel-1 S3条带（b）和S6条带（c）图像的覆盖范围。

样本数据库构建

船舶切片的构建步骤如图2所示。首先所有的SAR图辐射定标为sigma0值（度量像素强度的归一化值）。其次，从SAR图像中截取距离向和方位向的像素数大于800的包含船舶的子区域。然后，这些候选子区域将通过滑窗的方式得到256 256 像素的船舶切片。为了丰富船舶背景，滑窗时相邻的两个切片（沿距离向和方位向）有50%的重复。部分船舶切片如图3所示。

为了标记船舶的位置，这些船舶切片将被转化成灰度图像，最终这些切片将由SAR专家在工具LabelImg下标注。构建的这个数据集类似PASCAL VOC 数据集，每个船舶切片有一个对应的XML，标记了船舶的位置、切片中包含对象的类型和船舶切片的大小，分别如图4中的红框、绿框和青色框所示。最后将按照70%、20%和10%的比例将整个数据集划分为训练集、验证集和测试集。

因为AIS信息不可获得，数据集的船舶是由SAR专家标记的。我们相信这个数据集可以像光学中ImageNet一样促进基于深度学习的检测模型发展。更进一步，对于这个数据集的校正也会跟进。如果可能，AIS信息将会添加进来。

图 2 构建数据库的步骤

图 3 部分船舶切片实例

图 4 船舶切片的标注信息。红框、绿框和青色框分别表示船舶在切中的位置、对象的类别和切片的大小。

船舶在切片上的特点分析

和光学图像上的对象相比较，SAR图像中船舶的尺寸很小，因此，切片上的船舶在经过多次卷积神经网络的下采样之后可能变成一个像素点，失去了船舶的特点，从而令船舶难以区分。当背景中存在和船舶具有类似的后向散射系数的对象时会造成虚警。基于以上两点，将船舶切片图像检测船舶性能的影响因素分为两点，即尺度和复杂背景。

有三个因素影响船舶尺寸。第一，相同船舶在不同分辨率的SAR图像中具有不同的尺寸。第二，在给定分辨率的SAR图像中，不同尺寸的船舶具有不同的尺度。第三，入射角会导致船舶尺寸变化。具体地，由于船体和海洋等对雷达回波的散射是二次散射，船舶在SAR图像上显示为传感亮斑。由于入射角的关系，地物在SAR图像上会产生几何畸变，包括透视压缩、叠掩和阴影，分别如图5中红色、品红色和蓝色所示。几何畸变会对船舶检测造成巨大的困难。包围船舶的边框的相对大小用来衡量船舶的相对大小，如图6所示。这里 和是包围船舶的像素数， 和是船舶切片的长和宽的像素数（256）。从图6中可以明确看到，船舶在切片中的占比是相对很小的（绝大多数小于0.2）。考虑到船舶尺寸越大，包含船舶的边框在SAR图像上的像素数目就越多，因此，边框的面积（边框的像素数目）能够反映船舶的尺寸。基于以上的基础，在这里我们将它用于衡量船舶的大小。整个数据集包含船舶的边框的面积如图7所示，可以看出面积大小不等，这也从侧面反映了船舶的多尺度特点。

在船舶的背景中，诸如建筑、岛礁或者港口等地物因具有和船舶具有类似的后向散射系数，容易被检测为虚警。因此在传统的船舶检测中，海陆分割是不可缺少的一部分。这种方法的不足之处在于海陆分割限制了船舶检测的速度，因此不能有效开展自动的、端到端的船舶检测。为了解决这一问题，数据集中包含了复杂背景中的船舶。除此之外，海况也可能影响图像船舶检测的精度。特别地，当海面比较平静时，海面的雷达回波是单次散射机制。反之，海面可能是体散射，削弱SAR图中的海面和船舶的对比度，不利于船舶检测。船舶的sigma0值和入射角和极化方式有关。入射角主要影响船舶在SAR图像的几何形状，会产生透视压缩、叠掩和阴影分别如图5中红色、品红色和蓝色所示。

图 5 SAR图像的几何形变和入射角之间的关系

图 6 数据集中包围船舶的边框的相对大小的分布

图 7 整个样本数据集包含船舶边框的面积分布

和SSDD数据集的比较

SSDD数据集是由（Li 等，2017a）构建的SAR图像船舶检测的数据集。该数据集的SAR图像是RadarSat-2、TerraSAR-X和Sentinel-1。数据由含2456船舶的1160船舶切片。其图像的分辨率既包括高分辨率和中低分辨率图像。图像的尺寸不固定，即船舶的切片的长和宽是不定的。与之对比，构建的船舶数据集的优点在于：

• 包含的船舶切片（43819）和船舶数目（59535）远远多于SSDD。一方面，可以在无需数据增广的条件下训练模型的参数，开展船舶检测；另一方面大量的数据令我们能够针对SAR图像中的船舶特点构建针对船舶的对象检测模型。
• 所有船舶的切片的尺寸是固定的，长和宽都是256像素。近年来，深度学习中的对象检测模型基本上是借助经典的卷积神经网络结构，例如VGG、ResNet和GooLeNet，这些网络的最初输入图像的尺寸基本都在224-256之间。我们构建的数据能够很好地契合模型的输入的尺寸。
• 原始SAR图像的信息更加丰富，分辨率、入射角、极化方式、成像模式都有很大的不同，如表1所示。这些信息将为基于深度学习的多模式SAR图像船舶检测提供良好的条件。

参考文献

1. Yuanyuan Wang，Chao Wang，Hong Zhang，Combining a single shot multibox detector with transfer learning for ship detection using sentinel-1 SAR images，Remote Sensing Letters 9(8):780-788 DOI: 10.1080/2150704X.2018.1475770
2. Yuanyuan Wang ，Chao Wang ,Hong Zhang , Ship Classification in High-Resolution SAR Images using Deep Learning of Small Datasets, Sensors 2018, 18(9), 2929; https://doi.org/10.3390/s18092929
3. Yuanyuan Wang ，Chao Wang ,Hong Zhang ,Yingbo Dong and Sisi Wei，Automatic Ship Detection Based on RetinaNet Using Multi-Resolution Gaofen-3 Imagery remote Sensing, 2019, 11(5), 531; https://doi.org/10.3390/rs11050531
4. Yuanyuan Wang ，Chao Wang ,Hong Zhang ,Yingbo Dong and Sisi Wei，A SAR Dataset of Ship Detection for Deep Learning under Complex Backgrounds， Remote Sensing, 2019, 11(7), 765; https://doi.org/10.3390/rs11070765
5. Ouchi, K. , Tamaki, S. , Yaguchi, H. , & Iehara, M. Ship detection based on coherence images derived from cross correlation of multilook sar images. IEEE Geoscience and Remote Sensing Letters, 2004,1(3), 184-187. DOI: 10.1109/LGRS.2004.827462
6. OLIVER C, QUEGAN S. Understanding Synthetic Aperture Radar Images. SciTech Publ., 2004.
7. Moreira A , Prats-Iraola P , Younis M , et al. A Tutorial on Synthetic Aperture Radar. IEEE Geoscience and Remote Sensing Magazine, 2013, 1(1):6-43. DOI: 10.1109/MGRS.2013.2248301
8. K. Ouchi, S. Tamaki, H. Yaguchi and M. Iehara, "Ship detection based on coherence images derived from cross correlation of multilook SAR images," in IEEE Geoscience and Remote Sensing Letters, vol. 1, no. 3, pp. 184-187, July 2004. DOI: 10.1109/LGRS.2004.827462
9. Björn Tings, Bentes, C. , Velotto, D. , & Voinov, S. Modelling ship detectability depending on terrasar-x-derived metocean parameters. CEAS Space Journal. 2018. DOI: 10.1007/s12567-018-0222-8.
10. Li J , Qu C , Shao J . Ship detection in SAR images based on an improved faster R-CNN 2017 SAR in Big Data Era: Models, Methods and Applications (BIGSARDATA). IEEE, 2017. DOI: 10.1109/BIGSARDATA.2017.8124934.
11. 贺治华, 段佳, 芦达. 雷达海面目标识别技术研究进展. 科技导报, 2017(20):63-70. DOI: CNKI:SUN:KJDB.0.2017-20-013.
12. 王兆成, 李璐, 杜兰, et al. 基于单极化SAR图像的舰船目标检测与分类方法. 科技导报, 2017(20):88-95. DOI：CNKI:SUN:KJDB.0.2017-20-016.
13. 王子玮. 多模式星载SAR图像船舶检测与分类方法研究. 北京,中国: 中国科学院大学, 2016.