基于sar图像的桥梁目标自动检测

基于sar图像的桥梁目标自动检测

使用全极化联合孔（sar）来进行地面遥感，可以比使用普通单极化sar更多地获取目标信息。因此，全极化sar可以更好地检测和识别地壳的目标。在目标的检测和识别问题中,目标特征提取是关键的一步。文中提出的目标间的相似性参数和文中提出的极化熵一样都是表征目标本质特征的极化特征量,在极化SAR用于目标检测等方面有十分广泛的应用。河上桥梁目标是遥感图像中典型地物目标,桥梁的自动识别在遥感的军事应用中具有十分重要的现实意义。近年来,文等先后对SAR图像中的桥梁、道路等目标进行了检测研究。但是对较窄的河面上的桥梁目标,直接利用这些方法的检测效果都比较差。本文正是针对此类较短的桥梁目标进行检测研究,综合利用其目标的极化信息实现了对河上桥梁目标的自动检测,取得了较好的效果。本文将极化熵、相似性参数等极化参数与后向散射系数相结合对极化SAR图像进行处理,处理后的图像在保证桥梁与水域的对比度的前提下弱化了其余干扰目标的对比强度,提高了后续桥梁检测的检测概率。利用该表达式对河流地区进行了分类实验,对分类结果应用图形形态学方法处理后形成水域模板。在此基础上将水域模板对敏感参数图像覆盖后,对河上桥梁目标进行了自动检测。通过对PI-SAR型的雷达获取的日本新泻地区全极化数据进行验证,表明与传统功率图进行自动检测相比,利用敏感参数图进行桥梁目标检测,可获得良好的检测效果。1极化相关理论两个目标之间的相似性参数被定义为散射矢量之间的特殊相关系数。目标的散射矩阵在水平-垂直(H-V)极化基下表示为S=[sΗΗsΗVsVΗsVV].(1)S=[sHHsVHsHVsVV].(1)根据Huynen的理论,可以从目标散射矩阵中求得目标的定向角ψ。将目标统一旋转到0°定向角:S0=[J(-Ψ)]S[J(Ψ)]=[s0ΗΗs0ΗVs0VΗs0ΗΗ]‚(2)其中J(Ψ)表示旋转矩阵。在互易情况下,有s0HV=s0VH,因此目标的极化散射信息可以等价地被表示为复散射矢量k=1√2[s0ΗΗ+s0VV‚s0ΗΗ-s0VV‚2s0ΗV]Τ,在此基础上,可以定义两个散射矩阵S1和S2之间的相似性参数如下:r(S1‚S2)=|(k1)Η(k2)|2∥k1∥22∥k2∥22.(3)其中:H表示矢量的共扼转置,矢量k1和k2分别对应S1和S2。符号‖‖22表示矢量元素的平方和。目标的相似性参数具有实际的物理意义,并且可以与现有的目标分解理论相符合。它可以获得比普通散射矩阵分解更多的参数,因此可以更加全面地了解目标的几何散射特性。熵是描述自然界混乱程度的量,文首先将“熵”的概念引入到极化理论中,用于分析目标的散射特性。首先将散射矩阵3个独立元素向量化为k=[sΗΗ‚sVV‚√2sΗV]Τ,由此得到极化相干矩阵定义为Τ=〈kkΗ〉=ν1(e1eΗ1)+ν2(e2eΗ2)+ν3(e3eΗ3)‚(4)式中:〈〉表示取平均,νi,(i=1,2,3)是矩阵T的特征值,ei,(i=1,2,3)为相应的特征向量。熵H定义为Η=-3∑i=1Ρilog3Ρi‚(5)其中Ρi=νi3∑j=1νj.H的值位于0到1之间,它表征了散射极化的不一致性。熵值具有较明显的物理意义:当H值很低时,散射体的去极化效应较弱,散射体具有较明显的极化特性。H=0表示散射体具有确定的极化特性,散射回波是完全极化波;反之,当H值较高时,散射体去极化性强,散射场没有明显的方向性。H=1表示散射体的方向性是杂乱无章的。2桥梁目标测试2.1极化组合方程在雷达遥感图像中,河上桥梁有其自己的特征:1)桥梁是横跨于水域之上,将水域分割成两部分。从功率图上来看,桥梁的后向散射比较强烈,而水面后向散射较小,二者一般形成较强列的对比。但是,遥感图像中其余目标,如道路等与背景之间也存在较大反差,此类目标对桥梁检测形成较大干扰;2)河流部分与水域相似性参数比较大,而其余目标包括桥梁与水域相似性参数较小。为了综合利用上述极化信息,提高河流区域的分割程度,提出了一种寻找对河流区域敏感的参数组合表达式的方法。令f=C1ξ1+C2ξ2+C3ξ3=CΤξ‚(6)其中:C=[C1,C2,C3]T,ξ=[ξ1,ξ2,ξ3]T,ξi,(i=1,2,3)为前面所述的目标散射矩阵总功率、熵、相似性参数等极化参数,Ci,(i=1,2,3)是相应的系数。水域地区表达式f的值用fw表示,在SAR图像中选取其他地区,比如居民区等的f值分别用f1,f2,…,fm表示,由此可求得如下比值F=f2wm∑j=1f2j=C(ξξΤ)CΤC(m∑j=1ξjξΤj)CΤ.(7)很显然,满足(ξξΤ)x=λ(m∑j=1ξjξΤj)x中的对应于最大特征值的特征向量就是所求的C,它能使水域地区的参数值得到明显的加强,同时,其他地方的参数值明显减弱。因而可用于水域地区的提取。2.2roa测深段的特征分析对河流区域利用敏感参数进行河流区域提取之后,可以将桥梁的自动检测限制在河流区域上进行。这样可以大大减小检测区域面积,有效减少虚警。水域初始分割后是不包括河上桥梁的,为了在待检测区域中包括河上桥梁,即使整个水域成为连通区域,采用图形形态学的算法对河流区域进行处理。最终使河流区域成为连通的水域。然后在灰度图像上用Sobel算子进行边缘提取以标示出桥梁。最后,采用线性特征提取的方法在模板覆盖内的区域内进行桥梁检测。可以从桥梁检测的过程中充分说明利用河流区域敏感参数进行桥梁检测的优势。使用边缘比(RoA)检测方法对功率图和f值图进行了线段检测。对于图中任意给定像素,可以确定一个以该像素为中心具有某个方向的区域。如图1所示:将该区域表示为A,它的两个相邻区域表示为BL和BR,中间区域和两旁区域的长度设为2c,宽度分别2a和b。因此,可以计算图中3个区域A、BL和BR的平均值μ1、μ2和μ3。实际实验中,模板各区域尺寸对检测效果有很大影响。选取合适的a、b、c的值以取得最佳效果。下面就可以应用RoA选取Ri=min(μ1μ2‚μ1μ3)进行线段检测。对于同一个像素,旋转此模板至不同的方向,对于不同模板检测结果,求得不同方向Ri的最大值R,即R=maxi=1,⋯,k{Ri},如果R>T,就认为该像素属于某一条局部线段。在应用RoA检测出的线段后,并不能仅仅将其作为桥梁判别的基础。这是因为在RoA图像上仍有许多其余线性特征被检测出来。这些干扰的线性特征包括:1)模板覆盖的边缘交接处的线性特征。2)原河流区域内f值梯度图上非桥梁线性特征。对于第一种干扰特征,可以在敏感参数f值梯度图上用阈值去除。而对于第二种线性干扰特征,就要在RoA检测后判断其是否为桥梁,考虑到河上桥梁的实际先验知识,可以知道,桥梁边缘与覆盖模板边缘的差异在于:一方面,桥梁轮廓线两侧应至少有一侧为水域,且两侧BR、BL区域均不会进入模板覆盖掉的非水域部分,其功率都不会太小,应大于某一门限TS,即min(μ2,μ3)>TS;同时,所覆盖模板的边缘线的一侧区域,即BR、BL其中之一的功率均值较低,即min(μ2,μ3)<TS。利用以上方法可最终将桥梁目标提取出来。所用实验数据为2001年日本机载全极化合成孔径雷达PI-SAR所测得的日本新泻地区L波段(1.27GHz)全极化机载SAR图像。全极化方式地面分辨力为3m,功率图示如图2所示,图中白色方框为水面取样区域。最后,将利用后向敏感参数进行桥梁检测并与在功率图上进行桥梁检测进行了对比,如图3和图4。可以看出,在f值图上作线段检测获得了比功率图上好得多的结果。功率图上大量干扰在f值图上已不存在。这说明我们提出的方法在河上桥梁检测中有良好的效果。而且河流区域模板的引入使得原图上城区部分大量类似桥梁干扰目标已经被河流区域模板覆盖掉,只有河流上两座桥梁明显显现出来,同时有效抑制了其余地区的杂波干扰。3比度对桥桥提取的影响采用本文所述方法对遥感图像进行处理,利用河流敏感参数对河流区域进行提取,在