高分辨SAR復(fù)雜場景中的人造目標(biāo)檢測

郭 睿 臧 博 張雙喜 周 峰 邢孟道

(西安電子科技大學(xué)雷達(dá)信號處理重點實驗室 西安 710071)

1 引言

合成孔徑雷達(dá)(SAR)在復(fù)雜環(huán)境下可以獲得監(jiān)視區(qū)域的高分辨率雷達(dá)圖像，在戰(zhàn)場偵察、民用搜救和地形測繪等方法具有重要的價值。在SAR圖像中，人造目標(biāo)大都具有強散射特性及固定形狀，對其進(jìn)行準(zhǔn)確檢測，在軍事方面和民用方面都有很大的應(yīng)用價值，可以提高SAR對目標(biāo)的監(jiān)視、識別、定位和描述能力等。但由于 SAR應(yīng)用環(huán)境存在噪聲、干擾等復(fù)雜的不利因素，致使目標(biāo)檢測虛警概率提高，算法魯棒性下降。其中，針對特定環(huán)境背景和特定目標(biāo)的檢測方法相繼被提出和實現(xiàn)[1-4]。這些目標(biāo)檢測技術(shù)從不同的角度對目標(biāo)進(jìn)行了有效的檢測。恒虛警(CFAR)[1]主要針對點目標(biāo)進(jìn)行檢測，因此被廣泛應(yīng)用于低分辨圖像中的目標(biāo)檢測；Hough變化[2]是提取圖像中直線的主要方法，主要被運用于道路，跑道，橋梁的檢測中；對于與周圍背景對比度較大的水上橋梁，多采用閾值方法[3]對其進(jìn)行識別檢測；雙門限最佳直方圖熵(KSW)法在對海面艦船檢測[4]中的效果也已被證實。

本文針對場景中地物自然環(huán)境復(fù)雜，存在大量的非人造目標(biāo)(即自然地物目標(biāo))的情況，提出了對其中的人造目標(biāo)進(jìn)行檢測的方法。本文提出的檢測算法基本思想是：在圖像預(yù)處理階段，根據(jù)圖像信息熵的不同，設(shè)計出一種圖像平滑方法—改進(jìn)的Lee濾波，該方法不僅可以有效地抑制圖像中的噪聲，而且可以較好的保持圖像的細(xì)節(jié)和鄰域特征；然后利用門限化的分割技術(shù)，粗略檢測出目標(biāo)；最后根據(jù)目標(biāo)的分形特征，采用方向梯度能量進(jìn)行特征提取，找出人造目標(biāo)和背景的形狀和尺寸特征，實現(xiàn)對人造目標(biāo)的準(zhǔn)確檢測。

2 圖像預(yù)處理

基于信息熵的改進(jìn)Lee濾波

由于SAR圖像中含有大量的噪聲，對后續(xù)的圖像檢測性能影響很大，通常都采用圖像平滑的方法進(jìn)行去噪處理。Lee濾波[5]方法是一種常用的低通濾波方法，但是常規(guī)的Lee方法在抑制噪聲的同時消除圖像的細(xì)節(jié)信息，為了在濾除隨機噪聲的同時又能很好地保持圖像的細(xì)節(jié)信息，本文提出了一種基于信息熵的改進(jìn)Lee濾波方法。

2.1 圖像平滑處理

從上述的分析中可以看出，進(jìn)行Lee濾波的關(guān)鍵技術(shù)在于對濾波參數(shù)b的估計，采用 Lee濾波中的窗口滑動方法，由于對中心像素的處理是采用窗口內(nèi)所有點進(jìn)行平均，因此，會將不同類型點信息混淆了，造成圖像細(xì)節(jié)的損失，使得鄰域特征的區(qū)別產(chǎn)生模糊。例如，當(dāng)中心像素與其滑窗內(nèi)的某一點特性不同，但進(jìn)行平均后，兩點的特性很可能就一致了，不利于對鄰域內(nèi)不同點之間特性的區(qū)分。為了能夠很好地改進(jìn)這一點，本文對Lee窗口滑動進(jìn)行改進(jìn)，來估計窗口中心像素的濾波參數(shù)b。

首先根據(jù)式(5)計算圖像的信息熵：

式中pi為第i個灰度出現(xiàn)的概率。這里，根據(jù) SAR圖像信息熵的不同，將圖像中的像素點大致劃分為三類：高熵區(qū)(H＞0.9)，中熵區(qū)(0.5 ＜H≤ 0 .9)，低熵區(qū)(H≤0.5)。

進(jìn)行窗口滑動時，并不將窗口內(nèi)的所有像素都用來對圖像進(jìn)行估計，而是選擇窗口內(nèi)與中心像素熵類型一致的像素進(jìn)行估計。具體選擇方法如圖1所示(文中初始窗口大小為5×5)：

設(shè)中心像素(i,j)為Aij，窗口內(nèi)與Aij屬于同一熵區(qū)的像素集合為B，不同的集合為C。如果集合B中的元素個數(shù)M≥24時，就可以對中心像素進(jìn)行濾波參數(shù)b的估計；如果M＜24，在窗口中的同類像素集B就需要擴大，這時，對初始的5×5窗口進(jìn)行擴大，直到窗口內(nèi)同類像素集B的元素個數(shù)符合M≥ 2 4。

圖1 自適應(yīng)窗口示意圖

需要說明的是，在進(jìn)行自適應(yīng)滑窗處理時，窗口不能無限擴大，在這里規(guī)定一個最大步長step=4，即窗口邊界上的邊界點到中心像素的最大距離。當(dāng)step＞4時，就停止窗口的自適應(yīng)增長，進(jìn)行下一個像素點的濾波參數(shù)b的估計。

改進(jìn)的圖像濾波方法具體如下：(1)依照式(5)計算圖像的信息熵，將圖像分為3類區(qū)域：高熵區(qū)，中熵區(qū)，低熵區(qū)；(2)依照圖1所示的方法進(jìn)行自適應(yīng)窗口滑動，估計濾波參數(shù)b；(3)將(2)中得到的濾波參數(shù)b代入式(4)，得到未被噪聲污染的原圖像的估計值，即濾波后的圖像。

從上可以看出，由于進(jìn)行窗口濾波時選取的是位于同一熵區(qū)的像素點進(jìn)行估計，因此，在中心像素與鄰域像素不連續(xù)的情況下，有效地避免了鄰域特征的混淆和擴展，對于圖像輪廓等細(xì)節(jié)信息能夠得到更好的保持，為后續(xù)圖像中的目標(biāo)檢測提供了有利的條件。對圖像的平滑處理完成后，就可以采用門限技術(shù)對圖像進(jìn)行分割，其中噪聲對門限的影響被消除，分割結(jié)果更符合實際地物特征。

2.2 門限分割—雙門限最佳直方圖熵(KSW)法

對圖像進(jìn)行平滑處理后，采用Kapur等人提出的 KSW 方法對圖像進(jìn)行門限化分割，在高分辨復(fù)雜場景中粗略檢測出目標(biāo)。這種方法將信息論中Shannon熵概念用于圖像分割，測量圖像灰度直方圖圖的熵，由此找出最佳門限，其出發(fā)點是使圖像中目標(biāo)與背景分布的信息量最大。由于此方法已被廣泛應(yīng)用于海面艦船檢測[4]，這里不再對雙門限KSW的方法步驟進(jìn)行介紹。

3 圖像分形特征提取

經(jīng)過門限分割后得到的圖像，背景對人造目標(biāo)檢測的影響已大大減小。此時，對于圖中背景與目標(biāo)，其形狀與大小特征是不同的，因此根據(jù)分形特征[6]在多尺度圖像目標(biāo)檢測中的優(yōu)越性，采用方向梯度能量[7]特征提取分形特征，沿距離向(x方向)和方位向(y方向)兩個方向來描述 2維目標(biāo)總方向梯度能量，就可以完成對高分辨SAR圖像中人造目標(biāo)的分形(形狀與大小)特征的描述，完成對目標(biāo)的準(zhǔn)確檢測。

在2維目標(biāo)總方向梯度能量中，復(fù)數(shù)的模是 2維目標(biāo)的梯度總能量，代表物體尺寸的聚類特征。輻角是梯度總能量的方向，代表物體的形狀特征。同時可以看出：當(dāng)物體尺寸小于測量半步長，則方向梯度總能量為零；若物體尺寸等于或大于測量步長時，方向梯度總能量達(dá)到最大值并保持不變。由這些性質(zhì)可以看出，利用方向梯度能量進(jìn)行分形特征的提取，可以檢測和識別不同的目標(biāo)。

4 目標(biāo)檢測流程

對于高分辨 SAR復(fù)雜場景中的人造目標(biāo)進(jìn)行檢測步驟如下：

(1)計算原始圖像的信息熵，將圖像劃分為3類熵區(qū)域(高熵區(qū)、中熵區(qū)和低熵區(qū))；

(2)采用自適應(yīng)窗口滑動方法，按圖1所示方法對圖像中每一像素點的濾波參數(shù)b進(jìn)行估計；

(3)將濾波參數(shù)估計值b代入式(4)，經(jīng)計算得到濾波后的圖像。完成圖像處理的同時，對細(xì)節(jié)和鄰域特征進(jìn)行了有效的保持；

(4)計算平滑后的圖像信息熵；

(5)采用雙門限KSW方法，尋找最佳門限，對高分辨圖像進(jìn)行門限化分割，實現(xiàn)高分辨SAR人造目標(biāo)的粗略檢測；

(6)分別計算沿距離向(x方向)和方位向(y方向)的方向梯度總能量；

(7)計算2維目標(biāo)的方向梯度總能量，提取模值；

(8)從步驟(7)中得到的模值信息，對圖像中目標(biāo)的大小和形狀進(jìn)行描述，得到準(zhǔn)確的檢測結(jié)果。

需要說明的是，在步驟(6)中，隨著步長設(shè)置的不同，步驟(7)中提取得到的模值信息也不相同，通過不同步長的選取，可以獲得人造目標(biāo)的分形特征的不同描述。

結(jié)合 1，2節(jié)的原理分析，具體的高分辨 SAR復(fù)雜背景下的人造目標(biāo)檢測流程圖如圖2所示：

圖2 高分辨SAR復(fù)雜場景下的目標(biāo)檢測算法流程

5 實驗結(jié)果與分析

本文采用分辨率為0.3 m的高分辨SAR圖像進(jìn)行實驗和分析。圖3中圖像大小為1500×3500，從圖 3(a)中可以看到，原始圖像中存在大量的噪聲，會對后續(xù)的圖像的處理帶來不便。本實驗是要將圖像中的A、B兩座高壓線塔檢測提取出來。

首先對圖3(a)進(jìn)行平滑處理，采用改進(jìn)Lee濾波方法得到的平滑結(jié)果如圖 3(b)所示，可以看到圖中的噪聲明顯減少，圖像的邊緣細(xì)節(jié)等特征也都得到了很好的保持，通過計算，圖像的方差均值比(s/m)從0.7975減小到了0.5244，無論圖像域還是統(tǒng)計數(shù)值域，都證明了本文采用的改進(jìn)Lee濾波方法是有效的。

圖3(c)為直接采用KSW算法檢測后的結(jié)果，可以看到此時對應(yīng)A、B兩座高壓線塔的位置被檢測出來了。不同于高分辨的艦船檢測(其背景為海面，散射強度比艦船弱很多，目標(biāo)的信雜噪比很高)，在進(jìn)行地面人造目標(biāo)檢測時，周圍復(fù)雜的地物場景對人造目標(biāo)檢測有很強的干擾和混淆，尤其是在高分辨情況下，目標(biāo)所在場景中會存在很多強散射的物體。因此，在檢測到高壓線塔的同時，圖 3(c)中還存在散布的一些強散射點，大大降低了目標(biāo)檢測概率，因此需要進(jìn)行更進(jìn)一步的準(zhǔn)確檢測。

采用方向梯度能量進(jìn)行分形特征的提取時，設(shè)置測量步長遠(yuǎn)小于圖像中目標(biāo)的大小時，得到的方向能量梯度的模如圖3(d)所示，可以看到，此時圖3(c)中粗略檢測到的所有目標(biāo)，它們的輪廓在圖3(d)中都通過分形特征被描述出來。當(dāng)改變測量步長，使得測量步長大于圖像中目標(biāo)的大小時，得到的方向能量梯度的模如圖 3(e)所示，可以看到，此時圖中只存在A、B兩座高壓線塔的信息，但是它們的形狀與圖3(c)和3(d)相比，不是很完整。這是因為當(dāng)物體尺寸小于測量半步長，則方向梯度總能量為零；若物體尺寸等于或大于測量步長時，方向梯度總能量達(dá)到最大值并保持不變。

結(jié)合圖3(d)和3(e)，高分辨SAR圖像中的人造目標(biāo)，其形狀和大小，都可以被較好的描述出來，完成了在復(fù)雜場景中的準(zhǔn)確檢測，為后續(xù)的識別處理等奠定了基礎(chǔ)。

圖3 實驗結(jié)果

6 結(jié)論

本文通過完整的圖像處理過程，對復(fù)雜地物背景下高分辨 SAR圖像中存在的人造目標(biāo)進(jìn)行了準(zhǔn)確的識別。首先，本文充分利用圖像熵信息，對已有的Lee濾波算法進(jìn)行改進(jìn)，使得圖像得到平滑的同時，細(xì)節(jié)和鄰域特征等信息都得到了很好的保持，這種方法也可以在其它的圖像平滑處理中借鑒和使用，具有一定的推廣性；其次，本文采用方向能量梯度進(jìn)行分形特征的提取，通過改變測量尺寸，對目標(biāo)的形狀和大小都進(jìn)行了較好的描述，實現(xiàn)對高分辨復(fù)雜地物場景中人造目標(biāo)的準(zhǔn)確檢測。實測的高分辨 SAR圖像處理結(jié)果驗證了本文算法的有效性，該目標(biāo)檢測算法對實際的工程應(yīng)用具有一定的理論參考性。

[1] Conte E, De Maio A, and Ricci G. CFAR detection of distributed targets in non-Gaussian disturbance[J].IEEE Transactions on Aerospace and Electronic Systems, 2002,38(2): 612-621.

[2] 賈承麗，周曉光，計科峰，匡綱要. 復(fù)雜SAR場景中機場跑道的提取. 信號處理, 2007, 23(3): 374-378.Jia Cheng-li, Zhou Xiao-guang, Ji Ke-feng, and Kuang Gang-yao. Extraction of runways in complex synthetic aperture radar images.Signal Processing, 2007, 23(3):374-378.

[3] 戴光照， 張榮. 高分辨率 SAR圖像中的橋梁識別方法研究.遙感學(xué)報, 2007, 11(2): 177-184.Dai Guang-zhao and Zhang Rong. A study of bridge recognition in high resolution SAR images.Journal of Remote Sensing, 2007, 11(2): 177-184.

[4] 種勁松，朱敏慧. 高分辨率合成孔徑雷達(dá)圖像艦船檢測方法.測試技術(shù)學(xué)報. 2003, 17(1): 15-18.Chong Jin-song and Zhu Min-hui. Ship detection method of high-resolution SAR imagery.Journal of Test and Measurement Technology, 2003, 17(1): 15-18.

[5] Lee J S. A simple speckle smoothing algorithm for synthetic aperture radar images.IEEE Transation on System, Man,and Cybernetics, 1983, 13(1): 85-89.

[6] Duda R O. Pattern Recognition and Image Processing[M].Chichester, Horwood Publishing, 1998: 266-306.

[7] 謝明，李文博，羅代升. SAR圖像目標(biāo)的方向梯度能量分形特征研究. 光電工程, 2008, 35(4): 84-90.Xie Ming, Li Wen-bo, and Luo Dai-sheng. Directed gradient power fractal features of SAR image objects.Opto-Electronic Engineering, 2008, 35(4): 84-90.