> ## Content Index
> Fetch the complete content index at: https://www.hubwiz.com/blog/llms.txt
> Use this file to discover other available public pages before exploring further.

# 基于SAR的海上船舶检测
- URL: https://www.hubwiz.com/blog/ship-detection-in-the-sea-based-on-sar/
- Published: 2026-09-08T15:01:31.000Z
- Updated: 2026-09-08T15:01:31.000Z
- Description: SAR是一种主动的地球观测系统，它发射微波脉冲并记录后向散射回波。与标准光学相机不同，SAR可以在白天或黑夜，以及穿过云层、雨、雾或烟雾创建高分辨率图像。
- Author: admin
- Tags: DATA SCIENCE, #Import 2026-10-14 14:41

西太平洋最近的紧张局势重新引起了人们对海上航线和海上交通的关注。AIS——目前用于监测海上船舶最广泛的系统——完全依赖于自愿广播。这意味着当你想要发现故意关闭应答器的"暗船"，或者当船舶发生事故时，合作共享就会失败。

这就是卫星图像发挥作用的地方——即使它们不愿意分享位置，也可以从上方追踪船舶。《纽约时报》的一项[调查](https://www.nytimes.com/2019/07/16/world/asia/north-korea-luxury-goods-sanctions.html?ref=hubwiz.com)追踪了豪华梅赛德斯汽车从德国到朝鲜的海上航行。AIS应答器在整个旅程的多个点被关闭，调查不得不依靠卫星图像来填补空白。

他们使用高分辨率光学图像追踪单个船舶；但是，如果你在长时间内监测大面积区域的大量船舶，这很快就会变得昂贵。这就是SAR进入画面的原因。

## 1、引言

SAR是一种主动的地球观测系统，它发射微波脉冲并记录后向散射回波。与标准光学相机不同，SAR可以在白天或黑夜，以及穿过云层、雨、雾或烟雾创建高分辨率图像。

我们的主要任务是在感兴趣的区域检测船舶并找出它们的位置。如果船舶（我们的*目标*）位于空旷区域，这将很容易。我们可以简单地对接收到的回波应用固定阈值，并从中过滤目标。然而，在实际情况下，目标总是出现在杂乱的背景中。这种杂波也会随时间和位置变化——它是非平稳的。

> 因此，我们需要一种*自适应*技术，根据局部杂波情况以*可变*阈值检测目标（船舶）。

另请注意，我们建模的是杂波而不是船舶，因为船舶的雷达截面根据尺寸和材料而变化很大，但海洋的统计数据是可处理的。

## 2、双参数CFAR

CFAR就是这样一种算法——它根据局部统计数据自动检测船舶。

用户指定一个局部窗口大小作为**目标框**（假定包含船舶）、一个**缓冲区**或**保护窗口**大小（包含目标窗口）、以及一个**背景窗口**大小（包含保护窗口，因此也包含目标框）。这组局部窗口在图像中移动，每次移动一个像素。对于窗口的每次放置，计算目标框内的平均像素值**μ\_t**，以及背景窗口内但不在保护窗口内的像素值的平均值和标准差**μ\_b**和**σ\_b**。然后计算检测统计量d：

![None](https://www.hubwiz.com/blog/content/images/2026/09/1-1DfsBkWWq79kKCNnC63phw.png)

> 检测统计量本质上测量了背景标准差有多少单位将目标框中的均值与背景框中的均值分开。

![None](https://www.hubwiz.com/blog/content/images/2026/09/1-tiKvu_kJq8rMi5C9YdUg5Q.jpeg.png)

最后，对d应用阈值T₀：如果d > T₀，则在目标框内检测到船舶；如果d < T₀，则未检测到船舶。这被称为***恒虚警率***\_(CFAR)\_算法，因为即使局部统计数据发生变化，背景杂波产生大于阈值(T₀)的d值的概率在整个图像中也是恒定的。然而，这仅在分布的形状完全由其位置和尺度决定时才成立，如高斯分布或指数分布。对于其他分布，如伽马分布或K分布，其中有一个额外的形状参数无法通过任何位置/尺度归一化消除，恒定PFA的概念无法成功。

现在，当数据已经足够多视处理（对许多独立样本取平均）时，高斯分布是SAR中的合理模型，因为随着视数增加，中心极限定理将强度分布推向高斯分布。SNAP的双参数CFAR采用这种高斯假设，并使用erf公式将期望的虚警概率(PFA)转换为数值阈值。

![None](https://www.hubwiz.com/blog/content/images/2026/09/1-o67X0hU78BvZ0TzlICYKZw.png)

## 3、失效之处：海岸线问题

![None](https://www.hubwiz.com/blog/content/images/2026/09/1-uoFM12-VWfImqXJTauKsfQ.png)

有了理论基础，让我们来测试一下。我在霍尔木兹海峡本身尝试了——创建一个围绕海峡的AOI。我使用的是欧洲航天局2026年4月23日的Sentinel-1图像；这是在西太平洋危机期间。为了遮蔽陆地，我使用了从[Natural Earth Data](https://www.naturalearthdata.com/downloads/10m-physical-vectors/10m-coastline/?ref=hubwiz.com)下载的矢量海岸线，并在QGIS中进行了轻微编辑——这是为了在霍尔木兹海峡锯齿状海岸线周围获得更好的精度。这是完整的参数集：

请注意，最小和最大目标尺寸分别为30米和600米——它们代表了预期的目标尺寸范围。我设置的PFA指数是11，这意味着

```
PFA = 10^-11 = 1/100000000000

```

我告诉函数的是，对于任何像素，如果我正确估计了局部背景，它纯粹偶然超过阈值的机会是千亿分之一——这大约相当于比局部背景均值高6.7个标准差。相当严格的阈值！SNAP使用其局部背景统计数据为每个像素重新计算阈值，始终针对相同的PFA。

但是等等！结果显示海峡中有916艘船。数量相当大——而且大多数都紧贴海岸线！微调参数甚至降低PFA都没有太大帮助，所以我不会详细介绍该调整。相反，它表明该算法在开放水域是成功的，但在沿岸高估了。

如果我们仔细观察统计分布，我们就能明白原因——正态分布的假设在海岸沿线严重失效。***冲浪水在这里与陆地剧烈相遇，不仅以非平稳方式而且以非均匀方式激增海洋杂波，没有任何数量的平滑化能够消除***——真实的分布比高斯曲线允许的尾部重得多。

然而，这并没有使该方法变得无用。双参数CFAR仍然在开放水域快速、廉价的初步筛选中占有一席之地——它在那里完全做到了我要求的。真正的测试始终是海岸线、港口、狭窄的咽喉要道，那里隐藏最容易，而这种方法最弱。到达那里意味着将其与其他方法配对——可能是OS-CFAR，或者AIS交叉引用，或者只是在多次通过中观察同一片水域，而不是信任一次。

目前，我很高兴找到了这个版本的确切极限——这通常比干净的结果更有用。显然还有更多值得探索的地方。

---

*原文链接：*[SAR — Ship Detection in the Sea and Maritime Traffic](https://medium.com/earth-observation-today/sar-ship-detection-in-the-sea-and-maritime-traffic-d9b3211c1923?ref=hubwiz.com)

*汇智网翻译整理，转载请标明出处*