1 引言
极化合成孔径雷达(Polarimetric Synthetic Aperture Radar, PolSAR)是一种先进的微波成像系统,是合成孔径雷达当前发展的重要方向之一。作为一种主动遥感系统,PolSAR能够全天时、全天候工作,并对地物目标具有一定的穿透性,在地理测量、目标检测、军事侦察等众多领域有着广泛的应用。
目标检测是PolSAR图像解译工作的一个重要研究方向,该方向比较经典的方法有极化白化滤波检测器(Polarimetric Whitening Filter, PWF)[1]、最优相对极化检测器(Optimal Polarimetric Contrast Enhancement, OPCE)[2]、极化匹配滤波检测器(Polarimetric Matched Filter, PMF)[3]等。上述方法对于目标的类型没有特殊的约束,可以用于一般性的目标检测[4],如河流、道路、建筑物、舰船等。具体到PolSAR图像中的人造目标检测问题,文献[4]将Riemann流形的概念与核方法结合应用于PolSAR图像舰船检测;文献[5]利用H/α分解和贝叶斯分类器在复杂场景下检测机场跑道;文献[6]使用多视极化白化滤波和CFAR方法进行舰船检测。专门针对PolSAR图像飞机目标检测的研究成果较少,文献[7]和文献[8]采用极化分解与CFAR相结合的方法进行飞机目标检测,虽然检测效果好,但是检测的目标场景比较小且不是很复杂。文献[9]使用极化交叉熵和Yamaguchi分解在复杂场景下进行飞机目标检测,但算法中需要人为设置的阈值较多。文献[10]利用飞机停留在停机坪/跑道区域这一先验知识先提取感兴趣区域(停机坪/跑道),再通过检测感兴趣区域中存在的空洞提取疑似飞机目标,最后使用阈值分割提取飞机。该方法检测漏警较少,运算速度快,但是该算法同样存在需要人为设置较多参数的问题。并且因为使用阈值分割提取飞机目标,对于不同场景可能需要改变判决阈值,算法的自适应性不高。
针对上述问题,本文算法充分利用地物目标的极化特征,通过分类的方法实现对复杂大场景中飞机目标的检测,实验结果证明本文算法不但可以有效检测出飞机目标,还降低了虚警率,提高了自适应性。
2 极化特征优化选取
2.1 典型地物极化特征
2.1.1 极化熵
极化熵通常用H表示,在PolSAR图像中用来度量地物散射成份的混乱程度,其定义为[11]
(1)
式中,
为极化相干矩阵T的特征值。H的取值范围为[0,1],取值越大,表明目标的散射随机性越强。
2.1.2 异化散射功率
定义异化散射功率如下
Dspan=span*2H
(2)
上式中,span=λ1+λ2+λ3,代表散射功率。在PolSAR图像中,散射功率相似的地物,其物理形态越复杂,即极化熵值越高,则异化散射功率值越大;反之则越小。利用Dspan可以更好的描述原PolSAR功率图像的地物散射特征。图1示出了某场景的功率和异化散射功率图及该场景对应的光学参考图。通过对比可以明显看出图(c)起到了更好的图像增强效果。
再如,由于“雷达阴影”(radar shadow)现象存在,在PolSAR图像中会存在暗区,这些暗区的散射功率较低。如果对功率图像采用阈值分割法提取地物目标时,容易出现分割不完整情况,图2给出了使用同一阈值分别基于功率图和异化散射功率图进行图像分割的结果,可以看出图(a)和图(b)中红框内区域缺失情况有明显改善。
图1 功率图和异化散射功率图对比
Fig.1 Contrast of power image and dissimilation
scattering power image
图2 分割结果
Fig.2 Segmentation result
2.1.3 Yamaguchi分解特征
Yamaguchi使用表面散射、偶次散射、体散射和螺旋散射四元模型[12],将地物分解为四种散射功率:
Ps=fs(1+|β|2)
Pd=fd(1+|α|2)
Pν=fν
Pc=fc
(3)
上式中Ps、Pd、Pν、Pc对应四种散射机制的功率, fs、fd、fν、fc分别对应四种散射机制的贡献,α是一个复数,|α|<1,β是实数,|β|<1,分别与广义的二面角散射矩阵[S]double和表面散射矩阵[S]surface有关[13]。
由于飞机的机身与地面、飞机尾翼处容易形成二面角结构,本文使用Yamaguchi分解中二面角散射机制的功率Pd构造特征量PDmax
PDmax=max(Pdi) i=1,2,...
(4)
式中,i代表目标内部第i个像素,max表示取最大值运算。
螺旋体散射成分一般出现在含有复杂形状或人造目标的区域,飞机属于人造目标,因此利用Yamaguchi分解中螺旋体散射机制的功率Pc构造特征量PCmax
PCmax=max(Pci) i=1,2,...
(5)
式中i,max的含义同上。
2.1.4 散射相似性特征
在单站条件下,确定性目标的Pauli基分解可将目标散射分解为三种典型散射机制的相干叠加:奇次散射、偶次散射和体散射,其中奇次散射机制表征平坦表面的单次散射,其Pauli基矢量
偶次散射机制代表二面角结构散射,其Pauli基矢量
体散射机制代表复杂的冠状结构散射,其Pauli基矢量
通常利用目标与典型散射体之间的相似性来反映目标的散射类型,目标与典型散射体的散射相似性计算公式如下[15]:
(6)
式中T代表目标的相干矩阵,kP代表某种典型散射体的Pauli基矢量,Tr(·)为对矩阵求迹,上标H表示对矢量求共轭转置。
文献[16]利用散射相似性和已知的先验信息构造特征量Metric,用于增强舰船目标的散射特性并抑制杂波干扰,而本文基于文献[16]构造的特征量和已知的飞机目标相关先验知识,利用散射相似性构造新的特征量Metric′和Metrici用于增强飞机的散射特性:
(7)
(8)
式中,max表示取最大值运算,r1、r2、r3分别为目标与三种典型散射体的散射相似性。λi为相干矩阵T的特征值。
2.2 优化特征选取
使用有监督方法进行分类时,并非特征维数越高,检测效果越好,这是因为分类器的效果与特征维数之间并不是线性关系,当输入特征维数过多时,甚至会出现分类器性能下降的情况,因此需要对特征进行筛选,提取最优特征子集。
穷举法[17]通过遍历初始特征集中所有特征组合,获得效果最好的特征子集,但对于含特征数目较多的初始特征集,穷举法工作量巨大,耗时较长。因此本文首先遵循Filter特征选择方法[18]从初始特征集中提取效果较好的特征。然后对提取的特征集使用穷举法,得到该特征集的最优特征子集。该方法可以在降低工作量的同时获得相对最优的特征子集。
3 本文算法
本文利用有监督的方法进行飞机目标检测,算法分为线下训练分类器和飞机目标检测两个部分,具体算法流程图如图3所示,线下训练部分首先使用2.2节优化特征提取方法提取最优特征子集,将其作为输入特征训练分类器模型,将训练完成的模型用于飞机目标检测。飞机目标检测部分先从PolSAR图像中提取疑似飞机目标,再提取疑似目标的特征输入分类器,得到最终检测结果。
3.1 分类器训练
本文分类器采用SVM(Support Vector Machine, SVM)分类器,以便更好地解决小样本分类问题。训练过程如下:
步骤 1 构建训练和测试样本库。样本库中,60架正样本(飞机)从五幅UAVSAR系统采集的PolSAR图像中人工提取;455个负样本(干扰物)从一幅地物丰富的PolSAR图像中人工提取。为了避免正负样本数目不平衡所造成的过拟合现象,随机抽取样本库中30架飞机、60个干扰目标作为训练集,剩余样本作为测试集。
步骤 2 优化特征提取。按照2.1节介绍的典型地物极化特征计算样本特征14个并作为初始特征训练分类器,如表1所示。选用RBF径向基核函数,利用交叉验证法训练SVM模型,并用测试集测试分类性能,提取出分类性能好的特征,如图4所示。从图4中可以看出在14个特征中分类能力较好特征的有8个:1、5、7、8、9、10、12、13。
图3 算法总流程图
Fig.3 Flowchart of the proposed algorithm
表1 初始特征集
Tab.1 Primary feature set
序号1234567891011121314特征spanr1r2r3H齄1齄2齄3PDmaxPCmaxMetric′Metric1Metric2Metric3
图4 单特征分类准确率
Fig.4 The rate of accuracy for classification of Single feature
不同特征携带的信息常常具有一定的冗余,利用Filter特征选择方法滤除一部分包含冗余信息的特征。采用相关性度量作为特征冗余度的评价准则,相关性可以使用特征之间的相关系数进行度量[19]。表2是8个分类效果较好的特征之间的相关系数统计。
根据图4和表2统计的结果,从8个分类能力较好的特征中去除span和Metric2,对剩下的六个特征使用穷举法筛选。采用不同特征子集作为样本特征训练SVM模型,用测试集测试模型的分类准确率,统计结果如图5所示。最终筛选出的最优特征子集为H、PDmax、PCmax、Metric1,将最优特征子集训练的分类器模型应用于飞机目标检测。
3.2 飞机目标检测
算法具体步骤如下:
步骤 1 预处理。对PolSAR图像进行滤波[20]和去定向[21],以减弱PolSAR图像固有的相干斑噪声,削弱像素点随机分布的定向角的影响。
步骤 2 提取疑似飞机目标,本步骤流程图如图6所示。
表2 特征相关系数
Tab.2 The correlation coefficient of feature
序号1578910121311-0.58370.62910.30340.89170.25700.76560.757951-0.11450.2560-0.51910.0854-0.5504-0.3032710.35620.48040.20740.24840.7580810.16220.61640.26230.4116910.05610.69970.62701010.18980.24551210.7402131
图5 特征子集分类准确率
Fig.5 The rate of accuracy for classification of feature subsets
图6 提取疑似飞机目标流程图
Fig.6 Flowchart of suspected aircraft object extraction
(1)提取备选目标。备选目标为包含飞机在内的一些目标。飞机目标具有二面角结构,散射功率较高,且极化熵属于中高熵,其异化散射功率值较高,因此采用阈值法,提取异化散射功率高的像素点作为备选目标点,
(9)
其中,
表示图像平均功率,Dspan由公式(2)计算。
飞机在PolSAR图像中表现为大小在一定区间的像素块,因此提取ROI1中像素数目在[ε,η]区间的像素块作为备选目标,ε是像素点数目下限,η是像素点数目上限,具体操作如下:
(10)
Ai是ROI1中第i个连通域的像素点个数。
(2)提取感兴趣区域(停机坪/跑道)。由于飞机通常位于停机坪/跑道区域,可提取该区域对备选目标做筛选提取疑似飞机目标。停机坪/跑道区域属于表面散射,异化散射功率较低,故同样采用阈值法粗提取出该区域,即:
(11)
式中,阈值
是图像Dspan的平均值;φ为权重系数,考虑到图像中停机坪/跑道所占区域偏小时,其他地物(山林、城区等)较多,
值会高于停机坪/跑道的Dspan值,故以作为参考值,通过系数加权降低阈值,减少干扰,通常取0<φ<1。
在PolSAR图像中,通常停机坪/跑道区域检测最大的干扰就是水域,两者同属低功率表面散射。停机坪/跑道区域的大部分区域属于中熵表面散射,而L波段电磁波照射下的水体属于低熵散射[22]。因此分别计算ROI2中连通域低熵点和中高熵点的个数,如果该连通域的中高熵点数目比低熵点数目多,则该连通域保留,否则滤除,得到区域ROI3。
在ROI3中包含许多小连通域,例如地面的停车场等。根据先验信息得知停机坪/跑道区域通常是占有一定面积的,在PolSAR图像中表现为连通区域包含的像素点数较多,因此可以使用面积筛选出ROI区域。结合PolSAR图像成像参数可以估计停机坪/跑道区域在图像中连通域的最小像素点个数a,a取值参考文献[10]。将像素点个数大于a的连通域作为疑似停机坪/跑道ROI,如式(12)所示:
(12)
Areai表示ROI3中第i个连通域像素点个数。
(3)从备选目标中筛选疑似飞机目标。飞机通常位于停机坪/跑道区域,因此可以构造如图7所示窗口,提取步骤2(1)得到的备选目标的背景区域,筛选出疑似飞机目标。根据经验设计过渡带为两个像素宽,背景区域为三个像素宽。若备选目标的背景区域点总数为S,备选目标的背景区域中属于ROI区域的点个数为M,则可得到比值R=M/S。当R达到一定值,则认为该备选目标是疑似飞机目标。
(13)
计算样本库中飞机目标的R值并对其进行统计,统计得到最小值为1/3,因此选取阈值β的值为1/3。
图7 目标周围环境检测窗
Fig.7 The detection window of target surrounding
步骤 3 提取特征。对疑似飞机目标提取特征H、PDmax、PCmax、Metric1组成特征向量。
步骤 4 将特征向量输入SVM分类器对疑似飞机目标进行判别。
4 实验结果及分析
4.1 实验数据介绍
图8 Kona International Airport场景
Fig.8 The scenes of Kona International Airport
实验一数据:该实验数据是UAVSAR系统Kona International Airport场景数据,如图8所示。图像尺寸为1601*1601像素,距离分辨率5.0 m,方位分辨率为7.2 m。图(a)是该地区光学参考图像,图(b)是该场景的Pauli分解图和包含飞机的区域放大图,场景中包含15架飞机,在放大图中用圆圈标记,图(c)用方框标注被抽作训练样本的4架飞机目标,并示出了对应的光学参考图。
实验二数据:本组数据是UAVSAR系统采集的Kaneohe Bay航空港数据,如图9所示。场景尺寸906*1401,成像参数同实验一,场景复杂度较高。图(a)是该区域光学参考图像,图(b)是该场景的Pauli分解图,图中对存在飞机的区域进行局部放大,并在放大图中圈出飞机,共28架飞机,图(c)用方框圈出参与训练的飞机,共14架,并示出了对应的光学参考图。
图9 Kaneohe Bay机场场景
Fig.9 The scenes of Kaneohe Bay Airport
4.2 实验结果
图10是实验一的实验结果。实验中阈值设置如下:ε=3,η=20,φ=0.1。图(a)是备选目标,包含飞机、舰船、小型建筑物等多个疑似目标;图(b)是检测出的ROI区域;图(c)是疑似飞机目标;图(d)是检测结果,对存在飞机目标的区域进行局部放大,其中15架飞机目标均检测出;图(e)是对比算法检测结果,并对其进行局部放大,漏警用圆圈标注,虚警用方框圈出。
图11是实验二的检测结果,实验中阈值设置同实验一。图(a)是备选目标,由于该场景面积较大,并且存在大面积城区,所以提取的备选目标数目较多。图(b)是检测的ROI区域,图(c)是提取的疑似飞机目标,图(d)是检测结果及其局部放大图,场景中28架飞机目标均被检测出,虚警用白色矩形标记。图(e)是文献[10]检测结果及其局部放大图,漏警已用白色圆圈标记。
图10 Kona International Airport机场场景实验结果
Fig.10 The results of Kona International Airport scenes
图11 Kaneohe Bay机场场景实验结果
Fig.11 The results of Kaneohe Bay Airport scenes
两组实验数据检测结果统计如下表3所示,其中Nrt为实际存在目标数,Ndt为检测结果中正确检测目标数,Nfa为虚警数,Nma表示漏警数,品质因子FoM的计算公式如下:
(14)
表3 实验数据检测结果统计
Tab.3 Detection results of experimental data
实验算法NrtNdtNfaNmaFoM实验一本文1515001文献[10]1513120.813实验二本文2828400.875文献[10]2826920.703
从表3可以看出本文算法在实验二中产生了4个虚警,其中1号虚警是直升机旁的建筑物造成;2号虚警在停车场位置,由停车场上多部汽车与建筑物造成;3号和4号虚警由跑道附近的建筑物与军用设备产生。
本文算法的虚警和漏警数量都比文献[10]要少。检测结果较好的原因有两点:(1)本文算法是有监督目标检测算法,对于飞机目标的特点能够较好的学习;(2)本文构造的异化散射功率能够明显分离机场区域和海洋区域,可以避免海面上的舰船等干扰物的影响。
5 结论
本文给出一种复杂场景下的PolSAR图像飞机目标检测算法,利用异化散射功率提取疑似飞机目标,进一步选择多个优化特征经SVM对疑似飞机目标进行判别,检测出飞机目标。采用UAVSAR系统采集的实测数据对算法的有效性进行了验证,结果表明本方法检测结果虚警和漏警数目均较少。并且本文人为设置的阈值较文献[10]要少,方法的自适应性有所提高。本方法仍有一些缺点,在处理不同系统采集的数据时参数φ需要人为设置,未能完全自适应地处理来自不同系统的数据,选取的特征并不能完全区分飞机与干扰物。解决这些缺点是下一步研究的重点方向。
[1] Novak L M, Burl M C. Optimal Speckle Reduction in PolSAR Imagery and Its Effect on Target Detection[C]∥SPIE in the proceeding of Millimeter Wave and Synthetic Aperture Radar, Orlando, USA, 1989, 110: 84-115.
[2] Yang J, Yamaguchi Y, Boerner W M, et al. Numerical Methods for Solving the Optimal Problem of Contrast Enhancement[J]. IEEE Trans Geosci Remote Sens, 2000, 38(2): 965-971.
[3] Novak L M, Burl M C. Studies of Target Detection Algorithms that Use Polarimetric Radar Data[J].IEEE Transactions on Aerospace and Electronic Systems, 1989, 25(2): 150-165.
[4] 高伟, 殷君君, 杨健. 基于Riemann核Fisher准则的极化SAR图像人造目标检测[J]. 清华大学学报: 自然科学版, 2016, 56(9): 920-924.
Gao Wei, Yin Junjun, Yang Jian. Man-made Target Detection in Polarimetric SAR Images Using the Riemannian Kernel Fisher criterion[J]. Journal of Tsinghua University: Science and Technology, 2016, 56(9): 920-924.(in Chinese)
[5] 韩萍, 徐建飒. 复杂场景下的极化SAR图像机场跑道检测[J]. 信号处理, 2013, 29(9): 1220-1226.
Han Ping, Xu Jiansa. Runways Detection in Complex Scenes of Polarimetric Synthetic Aperture Radar Image[J]. Journal of Signal Processing, 2013, 29(9): 1220-1226.(in Chinese)
[6] 张嘉峰, 朱博, 张鹏, 等. Wishart分布情形下极化SAR图像目标CFAR检测解析方法[J]. 电子学报, 2018, 46(2): 433- 439.
Zhang Jiafeng, Zhu Bo, Zhang Peng, et al. Polarimetric SAR Imagery Target CFAR Detection Analytical Algorithm with Wishart Distribution[J]. Acta Electronica Sinica, 2018, 46(2): 433- 439.(in Chinese)
[7] Han P, Ge P, Wu R B. Crashed Plane Detection Based on the Fusion of CFAR Detection and Polarimetric Decomposition[C]∥Proc. of the IEEE CIE International Conference on Radar. Chengdu, 2011: 744-747.
[8] Han P, Zhang X S, Ge P. Crashed Airplane Detection Based on Feature Fusion in PolSAR Image[C]∥Proc. of the 11th IEEE International Conference on Signal Processing. Beijing, 2012: 2003-2006.
[9] 韩萍, 陈丽丽. 基于极化交叉熵和Yamaguchi分解的飞机目标检测方法[J]. 信号处理, 2017, 33(3): 389-396.
Han Ping, Chen Lili. Airplane Detection Algorithm of Polarimetric SAR Image Based on Polarimetric Cross Entropy and Yamaguchi Decomposition[J]. Journal of Signal Processing, 2017, 33(3): 389-396.(in Chinese)
[10] Han P, Han B B, Shi Q Y, et al. Aircraft Detection Based on Eigen Decomposition and Scattering Similarity for PolSAR Image[C]∥2018 IEEE/AIAA 37th Digital Avionics Systems Conference(DASC), London, United Kingdom, 2018: 1- 6.
[11] 折小强, 雷斌. 一种基于极化熵的极化SAR海岸线提取方法[J]. 国外电子测量技术, 2017, 36(8): 76- 82.
She Xiaoqiang, Lei Bin. New Polarimetric Entropy Based Coastline Extraction Method for PolSAR Images[J]. Foreign Electronic Measurement Technology, 2017, 36(8): 76- 82.(in Chinese)
[12] Yamaguchi Y, Moriyama T, Ishido M, et al. Four Component Scattering Model for Polarimetric SAR Image Decomposition[J]. IEEE Transactions on Geoscience and Remote Sensing, 2005, 43(8): 1699-1706.
[13] Freeman A, Durden S L. A Three-Component Scattering Model for Polarimetric SAR Data[J].IEEE Transactions on Geoscience and Remote Sensing, 1998, 36(3): 963-973.
[14] 匡纲要, 陈强, 蒋咏梅. 极化合成孔径雷达基础理论及其应用[M]. 长沙: 国防科技大学出版社, 2011: 136-137.
Kuang Gangyao, Chen Qiang, Jiang Yongmei. Polarimetric Synthetic Aperture Radar Basic Principles and its Applications[M]. Changsha: Publishing House of National University of Defense Technology, 2011: 136-137.(in Chinese)
[15] An W T, Zhang W J, Yang J, et al. Similarity between Two Targets and its Application to Polarimetric Target Detection for Sea Area[C]∥Progress in Electromagnetics Research Symposium.USA:Cambridge, 2008: 515-520.
[16] Xi Y Y, Zhang X, Lai Q, et al. A New PolSAR Ship Detection Metric Fused by Polarimetric Similarity and the Third Eigenvalue of the Coherency Matrix[C]∥Geoscience and Remote Sensing Symposium. IEEE, 2016: 112-115.
[17] 王娟, 慈林林, 姚康泽. 特征选择方法综述[J]. 计算机工程与科学, 2005(12): 72-75.
Wang Juan, Ci Linlin, Yao Kangze. A Survey of Feature Selection[J].Computer Engineering & Science, 2005(12): 72-75.(in Chinese)
[18] 姚旭, 王晓丹, 张玉玺, 等. 特征选择方法综述[J]. 控制与决策, 2012, 27(2): 161-166.
Yao Xu, Wang Xiaodan, Zhang Yuxi, et al. Summary of Feature Selection Algorithms[J]. Control and Decision, 2012, 27(2): 161-166.(in Chinese)
[19] 熊伟, 徐永力, 姚力波, 等. 基于SVM的高分辨率SAR图像舰船目标检测算法[J]. 遥感技术与应用, 2018, 33(1): 119-127.
Xiong Wei, Xu Yongli, Yao Libo, et al. A New Ship Target Detection Algorithm Based on SVM in High Resolution SAR Images[J]. Remote Sensing Technology and Application, 2018, 33(1): 119-127.(in Chinese)
[20] 韩萍, 韩宾宾. 基于典型散射差异指数的PolSAR图像Lee滤波[J]. 系统工程与电子技术, 2018(2): 287-294.
Han Ping, Han Binbin. Lee filter of PolSAR Image Based on Typical Scattering Difference Index[J]. Systems Engineering and Electronics, 2018(2): 287-294.(in Chinese)
[21] 安文韬. 基于极化SAR的目标极化分解与散射特征提取研究[D]. 北京: 清华大学, 2010.
An Wentao. The Polarimetric Decomposition and Scattering Characteristic Extraction of Polarimetric SAR[D]. Beijing: Tsinghua University, 2010.(in Chinese)
[22] 李仲森, 鲍狄埃. 极化雷达成像基础与应用[M]. 北京: 电子工业出版社, 2013: 179-181.
Jong-Sen Lee, Eric Pottier. Polarimetric Radar Imaging: From Basics to Applications[M].Beijing: Publishing House of Electronics Industry, 2013: 179-181.(in Chinese)
