1 引言
机场目标在军事和国民经济中具有极其重要的战略意义,其自动检测具有很重要的应用价值,而跑道是机场区域中最具有标志性的设施,可以通过跑道的检测实现对机场区域的识别。目前对于机场跑道的相关研究主要集中在光学遥感和合成孔径雷达(Synthetic Aperture Radar,SAR)领域[1]。与光学遥感系统相比,SAR成像系统不受天气,光照的影响,可以全天时,全天候的工作。
在光学遥感图像中,机场跑道检测最具有代表性的方法是利用图像的纹理特征来实现跑道的提取[2-3];而在极化SAR图像中,机场跑道检测的方法主要分为以下两类,一类是直接利用边缘检测等方法提取跑道的直线特征然后对直线及附近目标进行判定,确定机场区域,这类方法[3-5]由于极化SAR图像相干斑噪声的影响,检测直线的难度较大;另一类是如文献[6-8]所述:直接对图像进行分割,提取出感兴趣区域(Region of Interest,ROI),然后对ROI辨识,最终确定机场跑道。文献[6]中针对大场景机场跑道区域检测的问题,提出了模糊C均值聚类和Wishart距离[9]相结合的检测方法,取得了较好的检测结果,但是细节完整度不够,有虚警。文献[7]结合Freeman分解和Wishart分类器从图像中提取ROI,然后利用结构特征对ROI进行筛选,检测效果明显,但是计算效率低。以上检测方法虽然都取得了较好的检测效果。但是该类方法都是基于单个像素处理的,易受相干斑噪声的干扰,计算效率低,边缘细节完整度不高。
针对上述问题,本文提出了一种区域级的极化SAR图像机场跑道检测的方法。在提高计算效率的同时,也保持完整的图像细节。首先,利用SLIC分割算法将极化SAR图像分割成多个超像素区域;然后对每个超像素区域进行新三分量分解,得到对应的散射特征,利用这些散射特征对图像进行粗分类,利用改进的k值聚类结合差异度迭代的方法对图像精细分类,最后利用跑道的结构特征对ROI辨识,确定机场跑道区域的位置。利用美国UAVSAR(Uninhabited Aerial Vehicle SAR)系统收集的数据进行实验,实验结果表明:本文提出的算法能够在复杂场景下有效检测机场跑道区域,结构较完整,效果较好。
2 新三分量分解
Freeman分解[10]基于雷达散射回波的物理模型,利用实际典型地物散射模型来对目标散射进行分解,该分解将目标散射分解成表面散射,偶次散射和体散射的加权和。由此,Freeman分解可表示为
T=PsTs+PdTd+PνTν
(1)
Ts、Td、Tν分别表示表面散射、偶次散射和体散射的相干矩阵;Pν、Pd、Pν分别表示各散射机制对应的功率值,三者功率大小之和等于极化总功率,即:
Span=Ps+Pd+Pν
(2)
其中目标相干矩阵T是半正定的哈密特矩阵,表示如下:
(3)
式(3)中λi(i=1,2,3)为T矩阵分解后对应的三个特征值,U3表示其特征值对应的特征向量组成的酉矩阵。
传统的Freeman分解存在两个问题:(1)体散射估计过高;(2)出现散射功率为负数的情况。为了避免这两种情况,本文使用新三分量分解[11]克服上述问题。在进行Freeman分解前,先对矩阵T进行去定向处理[12],去定向之后使得能量更加集中于共极化通道,不会出现功率为负数的情况,同样抑制了体散射过高估计的问题,分解效果更优。新三分量分解过程如图1所示。
图1 新三分量分解流程图
Fig.1 New three-component decomposition flow chart
3 改进的k均值聚类
k均值聚类是一种简单的线性迭代聚类算法,它根据样本之间的相似性,将样本划分到不同的类别中,通常用欧氏距离来度量相似性。但是单一的欧氏距离度量只能简单地划分不同类别的样本,对于集中相同类别内的元素并不能起到很好的效果。因此借鉴流形距离公式,构造两点之间的度量方式来代替简单的欧式距离,通过将样本中两点之间的相似性放大,使得相同类别的样本点更加集中,改进的度量公式定义如下:
L(xi,xj)=eρdist(xi,xj)-1
(4)
L(xi,xj)表示两点之间的距离,其中dist(xi,xj)为xi与xj之间的欧氏距离, ρ为伸缩因子且ρ<1,用伸缩因子来调节两点间的欧式距离。
生成三组不同高斯分布的300个二维样本数据,第一组数据:均值为(0,0),协方差为(0.1,0.1);第二组数据:均值为(1.25,1.25),协方差为(0.1,0.1):第三组数据:均值为(-1.25,1.25),协方差为(0.1,0.1),三类数据合成一个不带标号的数据类,然后利用k均值和改进的k均值聚类方法对其进行聚类实验,其中ρ值是根据与评判聚类效果的轮廓系数S[13]之间的关系来进行选取,轮廓系数S的取值范围为[-1,1],越接近1则表明聚类效果越理想。在本文实验中从0到2之间以0.1为一个单位来选取ρ值,以最终轮廓系数S最接近1对应的ρ值为本文实验值。
图2 ρ值与轮廓系数S关系图
Fig.2 ρ Value and contour coefficient S relationship diagram
由图2可以看出,本文实验中ρ选取值为0.8,k均值聚类效果最优,结果如图3、图4所示,从上图3与图4的对比中可以明显地看到经过改进的k均值聚类,相同类别之间样本数据更加集中,聚类效果更好。
图3 k均值聚类
Fig.3 k mean clustering
图4 改进的k均值聚类
Fig.4 Improved k mean clustering
4 差异度
在雷达极化中,通常采用一个相干特征T来表征目标的极化效应,且该矩阵包含了目标的全部极化信息,该矩阵表达形式如下:
T=tr(T)×Tunit=span×Tunit
(5)
式(5)中目标特性分为功率特性和散射特性两大类。为了定义两类目标差异度,这里首先将归一化相干矩阵矢量化为
m=[T11 T12 T13 T21 T22 T23 T33]
(6)
式中Tij为极化相干矩阵Tunit中元素。则若已知两类目标的散射矢量mi和mj,那么对应的两类目标差异度可定义为:
(7)
式中a,b是权重系数,且a,b满足a+b=1,H表示共轭转置,||·||2 是对应矩阵的范数,span是两类目标对应的功率。式(7)中前一部分是功率差异,后一部分是散射差异,权值系数a和b决定了两种差异类型对于整体差异度的贡献大小,通过调整权值系数可以达到图像极化散射特性和功率特性的合理分配,有利于最终的分类。
5 本文算法
首先对PolSAR数据进行预处理,利用极化散射熵和新三分量分解后的散射特征将图像初始分为十类,经过聚类和差异度迭代后,提取疑似跑道区域,然后对疑似跑道区域进行去噪、辨识,得到最终的机场跑道区域,具体算法流程图如图5所示。
5.1 图像预处理
使用SLIC[14](简单线性迭代聚类)的方法对极化SAR图像进行分割,生成超像素,将每一个超像素区域内像素点的相干矩阵求取均值,用来表征对应的超像素。
5.2 初始分类
对图像进行超像素处理后,根据新三分量分解的方法对5.1节中生成的超像素进行分解,计算求得三种散射功率值:表面散射功率Ps,偶次散射功率Pd,体散射功率Pν,通过式(8)计算表征极化散射程度的极化散射熵H,就可以对图像进行分类了。
图5 机场跑道区域检测算法流程图
Fig.5 Flow chart of airport runway area detection algorithm
(8)
(9)
其中λi(i=1,2,3)为式(3)中相干矩阵T分解后的三个特征值,H∈[0,1]。
首先将极化散射熵H分为低、中、高熵三部分,低熵部分为单一散射机制,可分为三类;中熵部分是主要的两种散射机制进行组合;高熵部分的像素点近似随机散射,没有细分的必要,单独分为一类。具体分类过程如下所示:
步骤 1 首先根据极化散射熵H的大小将图像分为三大类:低熵部分(H<0.5),中熵(0.5<H<0.9),高熵部分(H>0.9)。
步骤 2 结合新三分量分解的三种散射功率将步骤1中的三大类细分为10类,分类细则如表1所示,并且为每一类分别赋给1,2,3,…,10的标签得到初始分类结果。
5.3 精细分类
上述的初始分类是对极化SAR图像做了粗分类,为了得到细节完整度更好的分类图像,还需进一步精细分类。首先利用改进的k均值聚类对初始分类的图像进行处理,使分好的各个类别中的超像素区域更加集中,为基于散射和功率特性的分类提供稳定的条件,具体步骤如下所示:
表1 分类细则
Tab.1 Detailed rules for classification
类别号判决条件散射类别类别号判决条件散射类别1H<0.5,Ps>Pd,Pν低熵-表面散射60.5
步骤 1 计算初始分类中每一类别的类中心
(10)
式(10)中Ni为第i类超像素个数,kij为第i类超像素相干矩阵之和,ki为第i类平均相干矩阵,即定为该类的类中心。
步骤 2 利用式(4)计算待分类超像素与各个类别中心的距离,将该像素定为与其距离最短的那一类。
步骤 3 判断是否满足终止条件:是,退出;否则,令d=d+1,返回到步骤1。
终止条件为:(1)改变的类别超像素个数小于某个预设值;(2)达到了预设的迭代次数。
经过改进的k均值聚类后,利用差异度对聚类后的数据进行迭代处理,流程图如图6所示。
图6 差异度迭代流程图
Fig.6 Flow chart of difference degree iteration
步骤 4 计算每一类别的平均功率spani,根据k聚类后的每一类类别中心ki,指定为该类的中心。
步骤 5 根据公式(7)计算超像素与各个类中心的差异度值,将该像素指定为差异度最小的那一类。
步骤 6 判断是否满足终止条件:是,退出;否则继续迭代处理。
终止条件:达到了预设的迭代次数。
5.4 疑似跑道区域提取及筛选
在5.3节中将图像分为了十大类,根据相关文献[7]和[8]可知,疑似跑道区域是属于中,低熵表面散射这两种类别,其对应的散射功率span较低。因此,从精细分类中疑似跑道的提取基于以下三个条件。
(1)中,低熵表面散射。
(2)低散射功率。计算分类后的每个类别的平均散射功率,提取平均功率最小的那一类作为疑似跑道区域。
(3)提取满足(1)和(2)两类条件的区域,即为疑似跑道区域。
5.5 形态学去噪
在跑道区域辨识前,根据通用的民用机场跑道标准,结合实验数据,设置形态学滤波阈值Th0,一般情况下,跑道的区域为:长度范围在900～4000 m,宽度范围在18～100 m,剔除5.4节中像素点个数低于Th0的孤立小区域得到最后的疑似跑道区域二值图, 如式(11)所示,
(11)
5.6 疑似跑道区域辨识
机场跑道的形状是一个相对较标准的矩形结构,根据跑道的结构特征的特点对各个疑似跑道区域进一步辨识,最终确定真实跑道区域,流程图如图7所示。
图7 疑似跑道区域辨识流程图
Fig.7 Flow chart of suspected runway area identification
跑道辨识具体步骤如下:
步骤 1 将5.5节得到的二值图进行连通域标记,分别计算出对应的每个连通区域的最小外接矩阵,然后根据矩阵尺寸和对应坐标位置对二值图进行裁剪,得到各个独立的疑似跑道区域。
步骤 2 计算每个独立小区域的拓扑特征[15]E的欧拉数,平行对数[15]Dis,对比度[15]D,然后利用阈值来判定是否符合机场跑道区域,符合则为真实跑道,不符合,则剔除。
检测完毕。
6 实验结果及分析
为了评估本文检测算法的性能,我们通过美国UAVSAR系统采集的全极化实测数据对本文算法进行了实验验证,并与文献[6]方法进行了对比,在此选择两组具有代表性的实验结果进行分析。
实验参数设置:形态学处理阈值为Th0=450;欧拉数E、对比度D、平行线对数Dis的阈值分别为0、10、0.4。实验运行环境为:Dell OPTIPLEX 3010,I5处理器,Windows 7操作系统,4G内存。
实验数据
实验1的数据是美国UAVSAR系统在半月湾地区采集的L波段4视全极化SAR图像,图像大小为701像素×501像素,空间分辨率为7.2 m×4.9 m(距离向×方位向),图中覆盖的区域包含机场、公路、河流、农田、城区、海洋等,如图8 所示。
图8 美国半月湾地区机场分布图
Fig.8 Scenes of Half moon airport
图9 半月湾机场场景实验结果图 Fig.9 Results of Half moon airport scenes
图9(a)是H结合新三分量分解的初始分类图,其中将地物简单的分为了十大类,跟实际光学图对比,可以看出不同类别地物基本上是区分开的,图9(b)是H结合Freeman分解得到的分类图,图中用白色椭圆圈标出的部分是靠近海洋和机场跑道区域的其他小面积地物,在图9(a)分成了两类,而在图9(b)中全都被分为了一类,没有跟机场和海洋等区域很好的区分开来,因此说明了新三分量分解应用在初始分类上比Freeman分解效果要好。图9(c)为利用SLIC方法对Pauli图像进行分割得到的超像素图,超像素大小的设置对分类会产生影响,像素点过多会造成图像细节完整性不够,过少不能减少计算量,多次试验后, 设定超像素大小为100,图9(d)是利用改进的k均值聚类结合差异度迭代对初始分类图进行精分类的最终分类图,一共将地物分为了十类,其中海洋部分与跑道是属于同一类,在散射机制上都表现为中、低熵表面散射。在图中可以很明显的看出机场跑道的细致轮廓,其中跑道边缘与附近的地物很清晰的区分开来了,而且边缘信息保持完整,图9(e)中为疑似机场区域,利用跑道类地物的弱回波特性和散射机制类别提取出来的,并且通过形态学处理剔除了孤立小区域的像素点,减少虚警。图9( f )是本算法的最终检测结果图,图中只有机场跑道区域部分被完整的保留下来了,其他河流,公路等跟跑道具有相似结构特征的地物被去除了。图9(h)为检测出来的机场跑道的放大图,与图8(a)中的实际光学图像做配对,可以看出本算法检测的机场跑道,结构完整,没有虚警,细节保持良好。
对比文献[6]中检测算法结果图9(g)和图9(i),两种都能有效的检测出真实的机场跑道区域,但是文献[6]中的真实机场跑道有部分缺失,图9(h)上标有红圈的地方在实物中也是属于机场跑道区域的。在算法检测时间上,本文利用了SLIC生成超像素,降低了算法的计算量,本图检测耗时时间是358.9 s,而文献[6]检测耗时2064.4 s,因此,通过对比说明本文算法比文献[6]算法更优。
实验2:实验数据是美国UAVSAR系统在Gulf Goast地区采集的L波段4视全极化SAR图像,图像大小为800×1000像素,空间分辨率为7.2 m×4.9 m(距离向×方位向),图中包含机场、城区、草地、河流、森林、道路等区域,如图10所示。
图10 Gulf Goast地区机场分布图
Fig.10 Scenes of Gulf Goast airport
图11 Gulf Goast机场场景实验结果图
Fig.11 Results of Gulf Goast airport scenes
实验2中的图11(d)是本文算法中利用改进的k均值聚类和差异度分类的方法进行多次迭代后生成的最终分类结果图,可以很清晰地看到机场跑道的具体轮廓,而且在边缘细节上保持良好,可见精分类效果很好,与文献[6]比较,两种方法都能完整的检测出机场跑道,结果完整,但是文献[6]中最终的检测结果出现了虚警,如图11(g)所示,检测时间为5367.691 s,本文算法没有虚警,而且检测时间为850.326 s,因此,本文算法速度快,检测更准确,表2为实际检测结果统计表。
表2 实验数据检测统计结果
Tab.2 Detection results of experimental data
场景算法时间/s虚警/个漏警/个HalfMoon本文358.900文献[6]2064.401GulfGoast本文850.32600文献[6]5367.69110
7 结论
本文针对极化SAR图像机场跑道区域的检测问题,提出了一种基于改进k均值结合差异度迭代的区域级检测方法。在UAVSAR实验数据上的检测数据表明,该方法能够有效的检测出机场跑道区域,且细节完整度保持良好,运算效率高,无需先验知识,自适应性强。但是前期分类效果的好坏很大程度上影响后期检测效果,因此需要进一步研究对前期SAR图像分类更加有效的极化特征。
[1] 周晓光, 匡纲要, 万建伟. 极化SAR图像分类综述[J]. 信号处理, 2008(5): 806- 812.
Zhou X G, Kuang G Y, Wan J W. A Review of Polarimetric SAR Image Classification[J]. Signal Processing, 2008(5): 806- 812.(in Chinese)
[2] Aytekin O, Zongur U, Halici U. Texture-based airport runway detection[J]. IEEE Geoscience and Remote Sensing Letters, 2013, 10(3): 471- 475.
[3] Gupta P, Agrawal A. Airport detection in high-resolution panchromatic satellite images[J]. J Inst Eng(India), 2007, 88(5): 3-9.
[4] Xiong W, Zhong J, Zhou Y. Automatic recognition of airfield runways based on Radon transform and hypothesis testing in SAR images[C]∥Millimeter Waves, 2012: 462- 465.
[5] Ümit Budak, Hal
c U, 
engür A, et al. Efficient Airport Detection Using Line Segment Detector and Fisher Vector Representation[J]. IEEE Geoscience & Remote Sensing Letters, 2016, 13(8): 1079-1083.
[6] 晋瑞锦, 周伟, 杨健. 大场景下的极化SAR机场检测[J]. 清华大学学报：自然科学版, 2014(12): 1588-1593.
Jin R J, Zhou W, Yang J. Airport automatic detection in large-scale polarimetric SAR images[J]. J Tsinghua Univ:Sci&Technol, 2014(12): 1588-1593.(in Chinese)
[7] Han P, Cheng Z, Chang L. Automatic Runway Detection Based On Unsupervised Classification In PolSAR Image[C]∥2016 Integrated Communications Navigation and Surveillance(ICNS), 2016: 6E3-1- 6E3- 8.
[8] 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 P, Xu J S. Runways Detection in ComPlex Scenes of Polarimetric Synthetic Aperture Radar Image[J]. Journal of Signal Processing, 2013, 29(9): 1220-1226.(in Chinese)
[9] 韩萍, 季静敏, 石庆研. 散射模型与Wishart分类相结合的极化SAR图像分类[J]. 信号处理, 2015, 31(11): 1497-1503.
Han P, Ji J M, Shi Q Y. Classification of Polarimetric SAR Images With Scattering Model and Wishart Classifier[J]. Journal of Signal Processing, 2015, 31(11): 1497-1503.(in Chinese)
[10] Freeman A, Durden S L. A three-component scattering model to describe polarimetric SAR data[J]. IEEE Transactions on Geoscience and Remote Sensing, 1998, 36(3): 963-973.
[11] An W T, Cui Y, Yang J. Three-component model-based decomposition for polarimetric SAR data[J]. IEEE Transactions on Geoscience and Remote Sensing, 2010, 48(6): 2732-2739.
[12] 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].[博士学位论文]. 北京: 清华大学, 2010.
An W T. Dissertation The Polarimetric Decomposition and Scattering Characteristic Extraction of Polarimetric SAR[D].[the degree of Doctor]. Beijing: Tsinghua University, 2010.(in Chinese)
[13] 舒浩浩, 陈盛双, 李石君. 基于最优K均值的时空动态背景模型[J]. 小型微型计算机系统, 2019, 40(2): 413- 419.
Shu H H, Chen S S, Li S J, Spatiotemporal Dynamic Background Model Based on Optimal K-means Clustering[J]. Journal of Chinese Computer Systems, 2019,40(2): 413- 419.(in Chinese)
[14] Achanta R, Shaji A, Smith K, et al. SLIC superpixels compared to state-of-the-art superpixel methods[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2012, 34(11): 2274-2282.
[15] 韩萍, 常玲, 程争, 等. 基于h/q分解和贝叶斯迭代分类的跑道检测算法[J]. 系统工程与电子技术, 2016, 38(9): 2048-2054.
Han P, Chang L, Cheng Z, et al. Runways detection based on h/q decomposition and iterative Bayesian classification[J]. Systems Engineering and Electronics, 2016, 38(9): 2048-2054.(in Chinese)
[16] Kou Z, Shi Z, Liu L. Airport Detection Based on Line Segment Detector[C]∥International Conference on Computer Vision in Remote Sensing, 2013: 72-77.
[17] Maurya H, Chauhan A, Panigrahi R K. A fast alternative to three-and four-component scattering models for polarimetric SAR image decomposition[J]. Remote Sensing Letters, 2017, 8(8): 781-790.
[18] 邢相薇, 计科峰, 孙即祥. 基于目标分解和加权SVM分类的极化SAR图像舰船检测[J]. 信号处理, 2011, 27(9): 1440-1445.
Xing X W, Ji K F, Sun J X. Ship Detection in Polarimetric SAR lmagery Based on Target Decomposition and Weighted SVM Classifier[J]. Signal Processing, 2011, 27(9): 1440-1445.(in Chinese)
[19] Liu N, Cui Z, Cao Z, et al. Airport Detection in Large-Scale SAR Images via Line Segment Grouping and Saliency Analysis[J]. IEEE Geoscience & Remote Sensing Letters, 2018, 15(3): 434- 438.
[20] Lv W, Dai K, Wu L, et al. Runway Detection in SAR Images Based on Fusion Sparse Representation and Semantic Spatial Matching[J]. IEEE Access, 2018: 1-9.
[21] Lee J S, Pottier E. Polarimetric Radar Imaging: From Basics to Applications[M]. Florida: CRC Press, 2009: 60-153.
[22] Jiao L, Liu F. Wishart Deep Stacking Network for Fast POLSAR Image Classification[J]. IEEE Transactions on Image Processing A Publication of the IEEE Signal Processing Society, 2016, 25(7): 3273-3286.
[23] 韩萍, 徐建飒, 赵爱军. 基于多级分类的 PolSAR 图像机场跑道检测[J]. 系统工程与电子技术, 2014(5): 866- 871.
Han P, Xu J S, Zhao A J. PolSAR image runways detection based on multi-stage classification[J]. Systems Engineering and Electronics, 2014(5): 866- 871.(in Chinese)
[24] 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.
