范庆辉 慕建君 项德良 宋文青



基于非平稳性和极化相干系数比的PolSAR图像建筑物检测

范庆辉*①②慕建君①项德良③宋文青④

①(西安电子科技大学计算机学院 西安 710071)②(河南科技大学信息工程学院 洛阳 471023)③(国防科学技术大学电子科学与工程学院 长沙 410073)④(西安电子科技大学雷达信号处理国家重点实验室西安710071)

为了提高全极化合成孔径雷达(PolSAR)图像中城区建筑物的检测精度，该文提出一种基于人造目标散射非平稳性和极化相干系数比的建筑物检测新方法。该方法首先对PolSAR图像进行滤波和方位向时频分解，得到多个子孔径图像，然后结合方位向非平稳性检测和极化相干系数比来判断某个像素是否为建筑物。该文通过引入一种新的极化相干系数比从而使获取的建筑物检测结果优于传统非平稳性检测方法，能够有效去除具有布拉格散射的自然地物虚警从而提高检测精度。星载和机载PolSAR数据实验结果验证了该方法的有效性。

极化合成孔径雷达；建筑物检测；子孔径分解；极化相干系数比；非平稳性检测

1 引言

近年来，合成孔径雷达(SAR)和极化SAR (PolSAR)图像城区建筑物检测作为雷达遥感影像解译的一个重要应用得到越来越多学者的关注，其对城市规划，自然灾害监测与评估有着重要作用。由于城区建筑物的极化散射特性与雷达照射方向密切相关，因此具有不同姿态方位角的建筑物在PolSAR图像上会表现出明显差异。对自然地物来说，其偶次散射很弱而表面散射和体散射很强。墙面垂直于雷达照射方向的建筑物由于能产生很强的偶次散射导致其容易与自然地物分开。如果建筑物墙面与雷达照射方向不垂直，其偶次散射减弱而体散射增强，这和植被在PolSAR图像上的散射类型相似，因此两种地物很难被区分。目前已有很多学者提出了针对PolSAR图像城区建筑物的检测方法。Lee等人[8]根据不同姿态方位角下建筑物的散射特性提出一种相位差建筑物检测方法。Kajimoto等人[9]基于极化方位角、体散射功率和总散射功率等特征来检测垂直和非垂直于雷达照射方向的两种类型建筑物。

由于具有复杂几何结构的建筑物在不同雷达照射角下会表现出不同的电磁散射特性，近年来基于子孔径分解的方位向非平稳目标检测方法得到越来越多学者的关注，该方法可以有效提取目标在不同雷达照射角下的散射特征。Ferro-Famil等人[10]基于经典的Wishart分布采用似然比假设检验来提取PolSAR图像城区建筑物。为了进一步提高高分辨率PolSAR图像建筑物检测精度，Wu等人[2]采用Rician分布代替Wishart分布来进行方位向非平稳目标检测，在ESAR图像建筑物检测中效果明显。尽管这些方法能深入挖掘建筑物散射信息从而提高检测精度，但PolSAR图像上存在一些散射非平稳的自然地物，导致检测结果存在很多虚警，因此如何提高该方法的适应性和精度仍然是一个值得研究的问题。

反射非对称性是PolSAR图像上建筑物的一个重要特征，也是用来区分建筑物与自然地物的重要依据。对自然地物有，而对人工目标则有[11]。在此理论基础上，Ainsworth等人[11]将相干矩阵元素及对应转置设为零，再将其与原始相干矩阵的圆极化相关系数做比值从而提出一种归一化的圆极化相关系数。该方法用来判断像素是否为非垂直于雷达照射方向建筑物。Xiao等人[12]通过旋转极化相干矩阵方式使墙面非垂直于雷达照射方向的建筑物极化相干系数显著增强，而自然地物的相干系数保持稳定来提取城区建筑物。Xiang等人[4]在子孔径分解的基础上考虑方位向非平稳性和人工目标反射非对称性从而对PolSAR图像人造目标进行检测。这些应用表明，将反射非对称性与基于子孔径分解的非平稳性检测结合起来将有助于提高建筑物检测精度。

本文在子孔径分解基础上，将非平稳性检测和极化相干系数比结合起来提出一种新的PolSAR图像建筑物检测方法。本文所提出的相干系数比充分考虑了人造目标反射非对称性以及同极化和交叉极化通道间散射差异，因此能降低原始方位向非平稳检测算法的虚警率。星载PALSAR和机载ESAR数据实验结果表明，本文方法能有效应用于城区建筑物检测。

2 全极化PolSAR图像子孔径分解

Ferro-Famil等人在文献[10]中指出，SAR在不同的雷达照射角下会收到不同多普勒频率的目标回波，通过合成这些回波形成遥感影像，因此SAR图像中任一像素点不只对应于单一的观察视线，而是对应于一定范围内雷达观察角的合成。由于方位向观察角与多普勒频率存在对应关系，因而可以将信号分为多个子孔径数据集，这个集合中每一个子集只含有多普勒域的一部分，且对应于不同的方位向观察角。方位向子孔径分解可以用来分析和描述场景中目标各向异性散射的瞬时表现并将目标的极化散射机理变化体现出来[10]。

3 基于非平稳性和极化相干系数比的PolSAR图像建筑物检测

3.1 PolSAR图像方位向非平稳性检测

(2)

则极化散射相干矩阵可表示为

(5)

(7)

对式(7)展开并结合式(4)可得

在实际计算中可对式(8)取对数，由于式(8)结果服从卡方分布，通过设置虚警率可以得到对应阈值[10]。如果检验量小于给定阈值，就可以判断该像素为具有非平稳散射特性的建筑物。该方法虽然能检测出大部分建筑物，但存在明显虚警，因为具有布拉格散射的自然地物也具有散射非平稳性。因此如何去除自然地物虚警以提高检测精度仍然是一个重要问题。

3.2 极化相干系数比

已有研究表明，各个极化通道的相干系数对目标特性非常敏感。任意两个极化通道其极化相干系数定义为[11]

(10)

结合式(2)和式(3)，式(10)可进一步表示为

其中分子为反射非对称项，分母为偶次散射和体散射功率乘积的开方。其幅度可用来描述目标散射机理。对自然地物，由于，所以很小；对垂直雷达照射方向的建筑物，，因此不为零；对非垂直雷达照射方向建筑物，由于其体散射功率较大，因此也较小导致其目标区分能力并不明显。将式(11)与同极化通道相干性系数结合起来可定义极化相干系数比为

(12)

3.3 检测结果融合方法

方位向非平稳检测方法和极化相干系数比检测方法都是针对建筑物进行检测，因此如果将两种检测结果融合则能一方面去除自然地物虚警，另一方面也能进一步提高建筑物检测精度。基于此，本文采用一种交叉融合和相似聚类的方法来对两种检测结果进行融合从而得到最终的建筑物检测结果，该融合方法的主要思路是将两种二值化检测结果分别求交集，得到4种类别，分别为建筑物-建筑物()，建筑物-非建筑物()，非建筑物-建筑物()以及非建筑物-非建筑物()，其中每一个类别中前者为基于方位向非平稳检测结果，后者为极化相干系数比检测结果。由于和中的像素在两种检测结果中具有相同类别，因此具有较高置信度，该部分像素类别不再变化。分别计算,与和的距离，按照最小距离原则将和中像素类别分别更新为或者，类与类之间的距离可按式(13)计算[13]：

综上所述，本文提出的建筑物检测方法主要分为以下步骤：(1)将PolSAR图像进行精致Lee滤波处理从而抑制相干斑噪声；(2)对滤波后图像进行方位向时频分解从而得到子孔径图像。同时基于PolSAR图像的相干矩阵和Sinclair矩阵计算极化相干系数比；(3)针对子孔径图像进行似然比检测，对得到的似然比图像进行阈值化()从而获取方位向非平稳性检测结果；(4)在极化相干比结果中，如果，则标记为建筑物，否则标记为自然地物，得到极化相干比检测结果；(5)将方位向非平稳检测和极化相干系数比检测结果按照本文方法融合，对融合后结果采取形态学后处理从而得到最终的建筑物检测结果。

4 实验结果与分析

本文采取星载PALSAR和机载ESAR L波段数据来验证所提出的建筑物检测方法有效性，同时与传统的方位向非平稳性检测算法[10]以及融合极化和纹理特征的建筑物检测算法[6]进行比较，并进一步分析了融合方法在建筑物检测中的有效性。

4.1 实验数据介绍及参数讨论

图1为美国San Francisco地区PALSAR L波段数据Pauli图和对应光学图像，其方位向和距离向空间分辨率分别为3.54 m×9.36 m。图1(a)为从Google Earth上获取的光学图像，该区域包含丰富的地物类型如森林、不同极化方位角的建筑物、水域、裸地等。图1(b)为对应区域的Pauli图像，图像高和宽分别对应雷达的方位向和距离向。从图1(b)中A和B两个建筑区域可以看出，非垂直于雷达照射方向建筑物具有明显的体散射效应，从而使得其与森林难以区分。图2为德国Oberpfaffenhofen地区机载ESAR L波段数据Pauli图和对应光学图像，其方位向和距离向空间分辨率都为3 m。

图1 San Francisco地区PALSAR L波段数据     图2 Oberpfaffenhofen地区ESAR L波段数据

4.2 PALSAR数据实验结果与讨论

图3(a)给出了本文提出的极化相干系数比结果图，从中可以看出建筑物与自然地物的区分性明显，并且垂直与非垂直雷达照射方向的两种建筑物也有着较明显的区分。这是因为极化相干系数比不仅考虑了目标反射非对称性，同时还考虑了同极化通道与交叉极化通道间的目标散射差异性。

从图3(a)中选择垂直雷达照射方向建筑区(A)、非垂直雷达照射方向建筑区(B)、森林(C)以及水域(D)并将其相干系数比分布显示在图3(b)中，可以看出建筑区和森林的相干系数比直方图区分十分明显。因此可以从PolSAR图像中选择一定量的训练样本来分析极化相干系数比的平均值从而根据这些统计值来确定检测阈值。此外还可以根据极化相干系数比的直方图分布来自动搜索局部极小值点作为检测阈值，本文即采用这种直方图局部搜索的方式来自动确定建筑物和森林的判别阈值。

图4(a)-图4(d)分别给出了原始方位向非平稳性检测结果[10]、极化相干系数比检测结果、本文方法融合检测结果以及文献[6]的融合检测结果。从图4 可以看出，原始方位向非平稳检测和本文提出的极化相干系数比都能检测出大部分建筑物，但在图4(a)中，一些具有布拉格散射的自然地物也呈现了较强的非平稳性，导致该方法得到的检测结果中自然地物虚警比较高。图4(b)中极化相干系数比检测能去除绝大部分自然地物虚警，如图中圆圈区域所示，同时该方法还能增强大部分建筑物的检测结果，这是由于建筑物具有较强的反射非对称性使得其极化相干比值较高从而能与森林等区分开来。然而该结果中仍然存在一些非垂直雷达照射方向建筑物无法被检测出，如方框区域所示。从图4(c)可看出，经过融合，一方面两种方法的建筑物检测结果得到增强，垂直和非垂直雷达照射方向建筑物都能被检测出来，如方框区域所示；另一方面该融合结果几乎能去除所有的自然地物虚警，这说明本文提出的极化相干比能有效去除自然地物虚警，同时将非平稳性检测和极化相干比检测融合起来有助于提高建筑物检测精度。在图4(d)中，基于极化和纹理特征的建筑物融合检测结果能得到大部分建筑物，但仍然存在少量森林虚警，影响了总体检测精度。

图3 极化相干比结果图(PALSAR数据)

图4 不同方法建筑物检测结果(PALSAR数据)

为了定量评估不同建筑物检测算法，以图1(a)为地面真实类别图，我们选择103530个像素作为测试样本来计算原始方位向非平稳检测方法[10]、本文方法以及文献[6]方法这3 种检测算法的精度。测试样本中53821个像素为建筑物，49709个像素为自然地物。表1为不同检测结果的精度对比，可以看出，相较于原始方位向非平稳检测以及文献[6]方法，本文提出的极化相干比检测将建筑物判断为自然地物的概率明显降低，同时本文融合方法能有效结合两种方法的检测结果从而进一步提高建筑物检测精度。

表1 不同方法建筑物检测精度对比(PALSAR数据)

检测方法建筑物(%)自然地物(%)总体精度(%)Kappa系数 方位向非平稳检测76.362.569.40.388 极化相干比检测82.790.186.40.728 本文方法融合检测86.492.389.30.787 文献[6]融合检测80.578.579.50.591

4.3 ESAR数据实验结果与讨论

图5(a)和图5(b)为针对ESAR数据的极化相干系数比及其阈值化后的建筑物检测结果，图5(c)为原始方位向非平稳检测结果，图5(d)为文献[6]融合检测结果。对比3种检测结果可以看出，极化相干系数比去除了绝大部分自然地物虚警，同时还能较好地保持道路、孤立建筑物以及人工建造的复杂场地，如图5(b)中椭圆区域所示。原始的方位向非平稳检测和文献[6]中的融合检测虽然能检测到大部分建筑物，但存在很多森林虚警，影响了建筑物检测精度。

图6给出了本文方法针对ESAR数据的建筑物检测结果，其中图6(a)为极化相干系数比检测与原始方位向非平稳检测的融合结果，可以看出该结果一方面增强了建筑物的检测概率，另一方面又去除了自然地物虚警，验证了本文融合方法的有效性。图6(b)为检测结果叠加显示在Pauli图上，可以看出，几乎所有的建筑物、道路以及城区其他人工目标都能被检测出来。和前面PALSAR数据实验结果类似，表2为ESAR数据不同检测结果的精度对比，可以看出，相较于原始方位向非平稳检测和文献[6]的融合检测，本文提出的极化相干比检测总体精度分别高出18%和8%左右，而融合检测在此基础上又能进一步将建筑物检测精度提高6%左右，Kappa系数达到0.7。通过上述星载和机载PolSAR数据实验结果表明，本文方法能很好地对城区建筑物进行检测。

5 结束语

从极化SAR图像中提取建筑物对极化SAR图像解译有着非常重要的意义，同时也是SAR图像城区遥感的研究重点之一。本文重点分析了极化SAR图像建筑物的反射非对称性及其在同极化以及交叉极化通道间的散射差异，进一步提出了极化相干系数比以用于增强建筑物与自然地物的区分能力。同时将极化相干系数比与方位向非平稳性检测算法结合以提高PolSAR图像建筑物检测精度。实验结果证明，本文方法较原始方位向非平稳建筑物检测算法精度明显提升，能有效应用于星载和机载PolSAR图像城区建筑物检测。

图5 不同方法建筑物检测结果(ESAR数据)

图6 本文方法建筑物融合检测结果(ESAR数据)

表2 不同方法建筑物检测精度对比(ESAR数据)

检测方法建筑物(%)自然地物(%)总体精度(%)Kappa系数 方位向非平稳检测70.252.361.20.225 极化相干比检测79.480.179.70.595 本文方法融合检测83.586.785.10.702 文献[6]融合检测75.667.571.50.431

参考文献

[1] 刘燕, 谭维贤, 林赟, 等. 基于圆迹 SAR 的建筑物轮廓信息提取[J]. 电子与信息学报, 2015, 37(4): 946-952. doi:10.11999/JEIT140717.

LIU Yan, TAN Weixian, LIN Yun,.An approach of the outlines extraction of building footprints from the circular SAR data[J].&, 2015, 37(4): 946-952. doi:10.11999/ JEIT140717.

[2] WU Wenjun, GUO Huadong, and LI Xinwu. Man-made target detection in urban areas based on a new azimuth stationarity extraction method[J]., 2013, 6(3): 1138-1146. doi:10.1109/JSTARS.2013.2243700.

[3] XIANG Deliang, TANG Tao, HU Canbin,.Built-up area extraction from PolSAR imagery with model-based decomposition and polarimetric coherence[J]., 2016, 8(8): 685. doi:10.3390/rs8080685.

[4] XIANG Deliang, TANG Tao, BAN Yifang,.Man-made target detection from polarimetric SAR data via nonstationarity and asymmetry[J]., 2016, 9(4): 1459-1469. doi:10.1109/JSTARS.2016.2520518.

[5] AZMEDROUB B, OUARZEDDINE M, and SOUISSI B. Extraction of urban areas from polarimetric SAR imagery[J]., 2016, 9(6): 1-9. doi:10.1109/JSTARS.2016.2527242.

[6] ZHAI Wei, SHEN Huanfeng, HUANG Chunlin,.Fusion of polarimetric and texture information for urban building extraction from fully polarimetric SAR imagery[J]., 2016, 7(1): 31-40. doi:10.1080/2150704X. 2015.1101179.

[7] XIANG Deliang, BAN Yifang, and SU Yi. Model-based decomposition with cross scattering for polarimetric SAR urban areas[J]., 2015, 12(12): 2496-2500. doi:10.1109/LGRS.2015.2487450.

[8] LEE KY, OH Y, and KIM Y. Phase-difference of urban area in polarimetric SAR images[J]., 2012, 48(21): 1367-1368. doi:10.1049/el.2012.1698.

[9] KAJIMOTO M and SUSAKI J. Urban-area extraction from polarimetric SAR images using polarization orientation angle[J]., 2013, 10(2): 337-341. doi:10.1109/LGRS.2012.2207085.

[10] FERRO-FAMIL L, REIGBER A, POTTIER E,.Scene characterization using subaperture polarimetric SAR data[J]., 2003, 41(10): 2264-2276. doi:10.1109/TGRS.2003.817188.

[11] AINSWORTH T L, SCHULER D L, and LEE J S. Polarimetric SAR characterization of man-made structures in urban areas using normalized circular-pol correlation coefficients[J]., 2008, 112(6): 2876-2885. doi:10.1016/j.rse.2008.02.005.

[12] XIAO Shunping, CHEN Siwei, CHANG Yuliang,.Polarimetric coherence optimization and its application for manmade target extraction in PolSAR data[J]., 2015, E97-C(6): 566-574. doi:10.1587/transele.E97.C.566.

[13] CAO Fang, HONG Wen, WU Yirong,.An unsupervised segmentation with an adaptive number of clusters using the SPAN/H//A space and the complex wishart clustering for fully polarimetric SAR data analysis[J]., 2007, 45(11): 3454-3467. doi:10.1109/TGRS.2007.907601.

范庆辉：男，1978年生，博士生，研究方向为PolSAR图像处理、雷达目标识别等.

慕建君： 男，1965年生，教授，博士生导师，研究方向为存储编码、计算机网络、图像处理等.

项德良： 男，1989年生，博士，研究方向为SAR和PolSAR图像处理、目标检测识别等.

宋文青： 男，1988年生，博士生，研究方向为雷达目标识别、统计信号处理、统计机器学习.

Built-up Area Detection from PolSAR Images Based on Nonstationarity and Polarization Coherency Coefficient Ratio

FAN Qinghui①②MU Jianjun①XIANG Deliang③SONG Wenqing④

①(,,’710071,)②(,,471023,)③(,,410073,)④(,,’710071,)

To improve the detection accuracy of urban built-up areas from Polarimetric Synthetic Aperture Radar (PolSAR) images, this paper proposes a new built-up area detection method based on nonstationarity and polarization coherency coefficient ratio. Firstly, the PolSAR image is filtered and decomposed into several sub-aperture images along the azimuth direction. Then nonstationarity detection and polarization coherency coefficient ratio are combined to determine the class label of pixels. On the basis of the traditional nonstationarity detection method, this paper introduces a new polarization coherency coefficient ratio to remove the false alarms of natural areas and to improve the overall detection accuracy. Experimental results using spaceborne and airborne PolSAR data demonstrate the effectiveness of the proposed method.

Polarimetric SAR (PolSAR); Built-up area detection; Sub-aperture decomposition; Polarization coherency coefficient ratio; Nonstationarity detection

TN958

A

1009-5896(2016)12-3238-07

10.11999/JEIT161000

2016-09-30；改回日期：2016-11-09；

2016-12-02

范庆辉 haustfanqh@126.com

国家自然科学基金(61271004, 61471286, 61501504)

The National Natural Science Foundation of China (61271004, 61471286, 61501504)