伦朝林中国科学技术大学 信息科学与技术学院



基于RPCA的SAR图像纹理特征去噪

伦朝林
中国科学技术大学 信息科学与技术学院

合成孔径雷达（SAR）图像具有丰富的纹理信息，这些纹理信息能反映地物空间结构关系。当前纹理特征被广泛应用于SAR图像分类和SAR图像分割中。受成像因素影响，直接采用从SAR图像中提取的纹理特征效果不够好。为避免传统先滤波再提取纹理特征的方法对纹理、边缘信息造成损失，提出了一种先提取SAR图像纹理特征，再利用Robust PCA方法对纹理特征去噪的新方法，最后采用Kmeans聚类方法检验RPCA处理后的纹理特征表达效果。实验结果表明该方法能将聚类正确率从82%提高到84%。

SAR 图像 灰度共生矩阵 Robust PCA Kmeans

SAR图像利用雷达发射并接收地物散射电磁回波成像。SAR图像全天时全天候的工作特点使得它在军事和民用上得到广泛的应用。随着SAR图像数据获取能力快速增强，数据量快速增大，依靠人工解译已经不能满足应用需要。因此，计算机辅助解译成为当前的研究热点。特征作为图像的抽象描述，是SAR图像自动解译中的分类、识别、检索的基础。SAR依赖地物的回波信号成像，而回波信号强度和相位随不同地物及其位置和空间结构差异而有显著 差别，这些差别引起图像灰度空间分布随地物信息差异而不同，因此SAR图像具有丰富的纹理信息。例如，三类不同类型区域具有明显的纹理差异。基于灰度共生矩阵（GLCM）的纹理特征是一种广泛使用且效果良好的SAR图像描述方式。使用GLCM对海冰进行描述和表征，在多类海冰纹理分类实验上取得了良好效果，此外，作者还对GLCM各个参数对其性能的影响进行了研究。U. Kandaswamy等人［6］研究SAR图像纹理分析效率问题，提出纹理特征估计分析方法（approximate textural features），提高了SAR图像纹理分析效率，文献［7］提取SAR图像纹理特征，并使用PCA方法对特征降维，提高了SAR图像分类的正确率。国内也有学者研究基于纹理特征和边缘特征融合改善SAR 图像分割效果的问题。文献［10］在城市地物分类中使用纹理特征，并探讨纹理特征对分类效果的影响。纹理特征已成为SAR图像分析的一种重要的方法。

目前基于纹理特征的SAR图像特征提取普遍面 临如何处理相干斑的影响问题。当前普遍采用的方法是在提取特征前对SAR图像先进行滤波处理，以抑制相干斑。但这个方式会在一定程度上对原图像的边缘和纹理造成损失，这是因为滤波操作大都采用滑动窗口的方式，在一个窗口区域内，基于均值和方差，使用不同准则来调整中心像素值，为某种程度上的平均，从而造成边缘以及细小的纹理结构损失。同时随着研究深入和技术发展，相干斑涉及图像统计分布且和具体场景相关而可能包含有用信息。采用滤波方式抑制相干斑可能会导致一些信息损失。因此本文提出先直接从SAR图像中提取纹理特征，然后采用RPCA（Robust Pr inciple Component Analysis）方法对特征进行处理以达到特征去噪的目的，然后再进行聚类分析。实验结果表明，使用RPCA处理后的纹理特征进行聚类分析， 聚类的准确率从82%提升到84%。

1　Robust PCA（RPCA）

RPCA是一种基于压缩感知［15］和稀疏表达理论的信号处理方法。它克服传统PCA只能恢复受到较小较稠密的高斯噪声干扰的矩阵，而能够较准确的恢复出受到幅度较大的非高斯噪音干扰的矩阵。现在已经广泛应用在可见光图像和视频的去噪及恢复领域。RPCA的核心思想是将受噪声干扰的矩阵在满足低秩和稀疏的优化准则下，分解成低秩矩阵A和稀疏矩阵E。

由于相近的或者相同的图像具有很强的相关性，从而构成低秩矩阵；而这些图像上的噪声因为具有随机性，因而相关度比较低，往往构成稀疏矩阵。那么经过RPCA处理后，受到噪声影响的图像能够正确恢复为低秩矩阵，从而达到原图像去噪的目的。文献［13］提出一种利用RPCA在多幅相同背景图像中提取前景目标的方法。将具有相同背景的图像，以像素为单位，按行拉直成一个向量，多幅图像拉成的向量构成D矩阵。通过优化目标函数（3），便能将D分解。同一类SAR目标图像往往并没有完全相同的纹理分布背景，因背景缺乏一致性导致切片不能对齐，从而不能构成低秩矩阵。同一场景的切片图像虽然纹理有相似的灰度分布，但在切割时，切片包含的具体场景可能差异较大，因此很难满足构成低秩矩阵的条件。但是从同一类物体提取的特征，理论上能够表达同一类场景或物体，因而这些特征相似或相同的结构，因而具有较强的相关性，从而可以构成低秩矩阵；而特征中的噪声，因为具有一定的随机性而相关性较低，从而构成稀疏矩阵。通过 RPCA处理，同类特征之间的结构将更相近。本文按照文献［13］的方法，将从原图像中提取的纹理特征按列排成一个矩阵D，并对它进行RPCA分解。分解得到低秩矩阵A和稀疏矩阵E。其中的低秩矩阵A部分是经过去噪后的特征部分。稀疏矩阵E部分则是 特征的噪声部分。

2　实验与分析

2.1纹理特征

为了说明RPCA处理后图像的纹理表达能力有所增强，本文提取切片图像的GLCM纹理特征，并（1）对处理前后的特征向量均值、方差进行对比分析，（2）使用Kmeans的聚类方法检查纹理特征聚类效果，以说明RPCA对纹理特征去噪效果。灰度共生矩阵（GLCM）利用统计特定空间分布的灰度点对方式来提取图像的纹理特征。矩阵中每一个单元的取值按照（4）式确定。由该矩阵可以计算出多个特征量。Haralick等人提出了14个特征量，但是根据研究5个特征量可以表达纹理特征。这5个特征量分别 是：对比度，相关，能量，均匀度，熵。

实际应用中，常统计0°，45°，90°，135°四个 方向的灰度共生矩阵，每个矩阵提取这5个特征量。 实验数据采用一幅TerraSAR-X分辨率为1米的智利铜 矿区SAR图像。从图像中分别截取三类不同区域地物的切片，然后将每一类地物切片分别切割成大小为200x200的实验用切片图像。每一类随机挑选出200幅，共600幅图像作数据集。

并提取基于灰度共生矩阵的4个方向上的5个纹 理特征量：对比度，相关，能量，均匀度，熵。将每个纹理特征作为D矩阵的一列，执行RPCA 算法对D进行分解。取出低秩矩阵部分A，该部分即为去噪后的特征。经归一化后，每一幅切片图像被一个20维向量所描述。经RPCA处理后，三类切片特征向量的方差均变小。这表明，经过RPCA处理后，不同类别的纹理特征均值基本保持不变而同一类别的纹理特征的每一维方差都变小，从而说明优化之后再提取的纹理特征区分性有所提升。

2.2Kmeans聚类

为了进一步检验RPCA处理后图像纹理特征的区分能力，我们对样本图像的纹理特征经RPCA处理前后的聚类情况进行了实验比较。我们采用Kmeans 方式对所有样本进行聚类。Kmeans是一种常用的聚类方法。实验衡量指标采用了聚类中常用的指标对聚类效果进行衡量。经过RPCA处理后的特征进行聚类，各个指标都有所提升。说明经过图像的纹理特征区分能力有所增强。这一结果进一步说明对纹理特征采用RPCA进行去噪是有利于特征表达的。

3　结语

基于灰度共生矩阵的纹理特征是表征SAR图像的一种重要方法，在SAR图像分割、分类中有着重要的应用。本文提出在提取GLCM纹理特征后，利用RPCA对纹理特征进行去噪，进而提高GLCM特征的表征能力。并在TerraSAR-X数据上的实验结果验证了本文方法的有效性。同时也注意到，实验还有改进的地方，可以尝试多特征结合方式以改善聚类效果。

在此感谢DLR提供Ter raSAR-X实验数据。

［1］Haralick R M， Shanmug K， Dinstein I. Texture features for image classification ［J］. IEEE Transactions on Systems Man Cybernet， 1973， 3 （6）：610-621.

［2］Clausi David A. Comparison and fusion of Cooccurrence，Gabor， and MRF texture features for classification of SAR sea ice imagery ［J］. Atmos.Oceans， 2001， 39 （3）：183-194.

［3］Clausi David A， Yue B. Comparing cooccurrence probabilities and markov random fields for texture analysis［J］. IEEE Trans. Geosci. Remote Sens， 2004， 42（1）：215-228.

［4］Chamundeeswari Vijaya V， Singh D， Singh K. An Analys is of Tex ture Measures in PCA Based Unsuper vised Classification of SAR Images［J］. IEEE Geoscience and Remote Sensing Let ters 2009， 6 （2）：214-218.

［5］Soh Leen-Kiat， Tsatsoulis C. Texture Analysis of SAR Sea Ice Imagery Using Gray LevelCo-Occurrence Matr ices［J］. CSE Journal Ar tic les. 1999， 37 （2）：780-795.

［6］Kandaswamy Umasankar， Ad jeroh D A， Lee M C. Ef f icient Texture Analysis of SAR Imagery［J］ IEEE t ransactions on geoscience and remote sensing， 2005， 43 （9）：2075-2083.

［7］Mandeep Singh， GunjitK. SAR Image Classi ficat ion Using PCA and Texture Analysis［C］. CCIS， 2011， 147：435-439

［8］刘健，程英蕾，孙纪达.基于GLCM特征的改进FCM的SAR图像分割方法［J］.计算机工程与设计，2012，33（9）：3502-3506.