基于sar圖像的橋梁目標自動檢測

基于sar圖像的橋梁目標自動檢測

使用全極化聯(lián)合孔（sar）來進行地面遙感，可以比使用普通單極化sar更多地獲取目標信息。因此，全極化sar可以更好地檢測和識別地殼的目標。在目標的檢測和識別問題中,目標特征提取是關(guān)鍵的一步。文中提出的目標間的相似性參數(shù)和文中提出的極化熵一樣都是表征目標本質(zhì)特征的極化特征量,在極化SAR用于目標檢測等方面有十分廣泛的應(yīng)用。河上橋梁目標是遙感圖像中典型地物目標,橋梁的自動識別在遙感的軍事應(yīng)用中具有十分重要的現(xiàn)實意義。近年來,文等先后對SAR圖像中的橋梁、道路等目標進行了檢測研究。但是對較窄的河面上的橋梁目標,直接利用這些方法的檢測效果都比較差。本文正是針對此類較短的橋梁目標進行檢測研究,綜合利用其目標的極化信息實現(xiàn)了對河上橋梁目標的自動檢測,取得了較好的效果。本文將極化熵、相似性參數(shù)等極化參數(shù)與后向散射系數(shù)相結(jié)合對極化SAR圖像進行處理,處理后的圖像在保證橋梁與水域的對比度的前提下弱化了其余干擾目標的對比強度,提高了后續(xù)橋梁檢測的檢測概率。利用該表達式對河流地區(qū)進行了分類實驗,對分類結(jié)果應(yīng)用圖形形態(tài)學(xué)方法處理后形成水域模板。在此基礎(chǔ)上將水域模板對敏感參數(shù)圖像覆蓋后,對河上橋梁目標進行了自動檢測。通過對PI-SAR型的雷達獲取的日本新瀉地區(qū)全極化數(shù)據(jù)進行驗證,表明與傳統(tǒng)功率圖進行自動檢測相比,利用敏感參數(shù)圖進行橋梁目標檢測,可獲得良好的檢測效果。1極化相關(guān)理論兩個目標之間的相似性參數(shù)被定義為散射矢量之間的特殊相關(guān)系數(shù)。目標的散射矩陣在水平-垂直(H-V)極化基下表示為S=[sΗΗsΗVsVΗsVV].(1)S=[sHHsVHsHVsVV].(1)根據(jù)Huynen的理論,可以從目標散射矩陣中求得目標的定向角ψ。將目標統(tǒng)一旋轉(zhuǎn)到0°定向角:S0=[J(-Ψ)]S[J(Ψ)]=[s0ΗΗs0ΗVs0VΗs0ΗΗ]?(2)其中J(Ψ)表示旋轉(zhuǎn)矩陣。在互易情況下,有s0HV=s0VH,因此目標的極化散射信息可以等價地被表示為復(fù)散射矢量k=1√2[s0ΗΗ+s0VV?s0ΗΗ-s0VV?2s0ΗV]Τ,在此基礎(chǔ)上,可以定義兩個散射矩陣S1和S2之間的相似性參數(shù)如下:r(S1?S2)=|(k1)Η(k2)|2∥k1∥22∥k2∥22.(3)其中:H表示矢量的共扼轉(zhuǎn)置,矢量k1和k2分別對應(yīng)S1和S2。符號‖‖22表示矢量元素的平方和。目標的相似性參數(shù)具有實際的物理意義,并且可以與現(xiàn)有的目標分解理論相符合。它可以獲得比普通散射矩陣分解更多的參數(shù),因此可以更加全面地了解目標的幾何散射特性。熵是描述自然界混亂程度的量,文首先將“熵”的概念引入到極化理論中,用于分析目標的散射特性。首先將散射矩陣3個獨立元素向量化為k=[sΗΗ?sVV?√2sΗV]Τ,由此得到極化相干矩陣定義為Τ=?kkΗ?=ν1(e1eΗ1)+ν2(e2eΗ2)+ν3(e3eΗ3)?(4)式中:〈〉表示取平均,νi,(i=1,2,3)是矩陣T的特征值,ei,(i=1,2,3)為相應(yīng)的特征向量。熵H定義為Η=-3∑i=1Ρilog3Ρi?(5)其中Ρi=νi3∑j=1νj.H的值位于0到1之間,它表征了散射極化的不一致性。熵值具有較明顯的物理意義:當H值很低時,散射體的去極化效應(yīng)較弱,散射體具有較明顯的極化特性。H=0表示散射體具有確定的極化特性,散射回波是完全極化波;反之,當H值較高時,散射體去極化性強,散射場沒有明顯的方向性。H=1表示散射體的方向性是雜亂無章的。2橋梁目標測試2.1極化組合方程在雷達遙感圖像中,河上橋梁有其自己的特征:1)橋梁是橫跨于水域之上,將水域分割成兩部分。從功率圖上來看,橋梁的后向散射比較強烈,而水面后向散射較小,二者一般形成較強列的對比。但是,遙感圖像中其余目標,如道路等與背景之間也存在較大反差,此類目標對橋梁檢測形成較大干擾;2)河流部分與水域相似性參數(shù)比較大,而其余目標包括橋梁與水域相似性參數(shù)較小。為了綜合利用上述極化信息,提高河流區(qū)域的分割程度,提出了一種尋找對河流區(qū)域敏感的參數(shù)組合表達式的方法。令f=C1ξ1+C2ξ2+C3ξ3=CΤξ?(6)其中:C=[C1,C2,C3]T,ξ=[ξ1,ξ2,ξ3]T,ξi,(i=1,2,3)為前面所述的目標散射矩陣總功率、熵、相似性參數(shù)等極化參數(shù),Ci,(i=1,2,3)是相應(yīng)的系數(shù)。水域地區(qū)表達式f的值用fw表示,在SAR圖像中選取其他地區(qū),比如居民區(qū)等的f值分別用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)很顯然,滿足(ξξΤ)x=λ(m∑j=1ξjξΤj)x中的對應(yīng)于最大特征值的特征向量就是所求的C,它能使水域地區(qū)的參數(shù)值得到明顯的加強,同時,其他地方的參數(shù)值明顯減弱。因而可用于水域地區(qū)的提取。2.2roa測深段的特征分析對河流區(qū)域利用敏感參數(shù)進行河流區(qū)域提取之后,可以將橋梁的自動檢測限制在河流區(qū)域上進行。這樣可以大大減小檢測區(qū)域面積,有效減少虛警。水域初始分割后是不包括河上橋梁的,為了在待檢測區(qū)域中包括河上橋梁,即使整個水域成為連通區(qū)域,采用圖形形態(tài)學(xué)的算法對河流區(qū)域進行處理。最終使河流區(qū)域成為連通的水域。然后在灰度圖像上用Sobel算子進行邊緣提取以標示出橋梁。最后,采用線性特征提取的方法在模板覆蓋內(nèi)的區(qū)域內(nèi)進行橋梁檢測?？梢詮臉蛄簷z測的過程中充分說明利用河流區(qū)域敏感參數(shù)進行橋梁檢測的優(yōu)勢。使用邊緣比(RoA)檢測方法對功率圖和f值圖進行了線段檢測。對于圖中任意給定像素,可以確定一個以該像素為中心具有某個方向的區(qū)域。如圖1所示:將該區(qū)域表示為A,它的兩個相鄰區(qū)域表示為BL和BR,中間區(qū)域和兩旁區(qū)域的長度設(shè)為2c,寬度分別2a和b。因此,可以計算圖中3個區(qū)域A、BL和BR的平均值μ1、μ2和μ3。實際實驗中,模板各區(qū)域尺寸對檢測效果有很大影響。選取合適的a、b、c的值以取得最佳效果。下面就可以應(yīng)用RoA選取Ri=min(μ1μ2?μ1μ3)進行線段檢測。對于同一個像素,旋轉(zhuǎn)此模板至不同的方向,對于不同模板檢測結(jié)果,求得不同方向Ri的最大值R,即R=maxi=1,?,k{Ri},如果R>T,就認為該像素屬于某一條局部線段。在應(yīng)用RoA檢測出的線段后,并不能僅僅將其作為橋梁判別的基礎(chǔ)。這是因為在RoA圖像上仍有許多其余線性特征被檢測出來。這些干擾的線性特征包括:1)模板覆蓋的邊緣交接處的線性特征。2)原河流區(qū)域內(nèi)f值梯度圖上非橋梁線性特征。對于第一種干擾特征,可以在敏感參數(shù)f值梯度圖上用閾值去除。而對于第二種線性干擾特征,就要在RoA檢測后判斷其是否為橋梁,考慮到河上橋梁的實際先驗知識,可以知道,橋梁邊緣與覆蓋模板邊緣的差異在于:一方面,橋梁輪廓線兩側(cè)應(yīng)至少有一側(cè)為水域,且兩側(cè)BR、BL區(qū)域均不會進入模板覆蓋掉的非水域部分,其功率都不會太小,應(yīng)大于某一門限TS,即min(μ2,μ3)>TS;同時,所覆蓋模板的邊緣線的一側(cè)區(qū)域,即BR、BL其中之一的功率均值較低,即min(μ2,μ3)<TS。利用以上方法可最終將橋梁目標提取出來。所用實驗數(shù)據(jù)為2001年日本機載全極化合成孔徑雷達PI-SAR所測得的日本新瀉地區(qū)L波段(1.27GHz)全極化機載SAR圖像。全極化方式地面分辨力為3m,功率圖示如圖2所示,圖中白色方框為水面取樣區(qū)域。最后,將利用后向敏感參數(shù)進行橋梁檢測并與在功率圖上進行橋梁檢測進行了對比,如圖3和圖4?？梢钥闯?在f值圖上作線段檢測獲得了比功率圖上好得多的結(jié)果。功率圖上大量干擾在f值圖上已不存在。這說明我們提出的方法在河上橋梁檢測中有良好的效果。而且河流區(qū)域模板的引入使得原圖上城區(qū)部分大量類似橋梁干擾目標已經(jīng)被河流區(qū)域模板覆蓋掉,只有河流上兩座橋梁明顯顯現(xiàn)出來,同時有效抑制了其余地區(qū)的雜波干擾。3比度對橋橋提取的影響采用本文所述方法對遙感圖像進行處理,利用河流敏感參數(shù)對河流區(qū)域進行提取,在