侯 卫 李 勇

(中国人民解放军61175部队, 江苏 南京 210049)

0 引言

极化合成孔径雷达(polarimetric synthetic aperture radar, PolSAR)是通过复杂地物在四个极化通道下表现出的不同极化散射特性,来区分物体的结构组成等参数,并进而提取地物信息。极化目标检测可以通过杂波和目标信号的极化信息差异提高检测概率。在全极化雷达的回波信号中包含目标和杂波各自不同的极化信息,利用这种差异,能够在一定的信噪比情况下提高检测效率。

PolSAR目标检测在农业、林业、水文地质、城市基本建设、火山、地震、考古以及军事侦察等领域具有无法估量的作用。在合成孔径雷达(synthetic aperture radar,SAR)目标检测方面,在20世纪80年代Novak等[1]就已经提出使用极化白化滤波(PWF)和自适应PWF(APWF)算法得到滤波图像和使用双参数恒虚警率(two-parameter constant false alarm rate,2P-CFAR)检测器来检测目标的算法。在SAR图像目标检测算法中,恒虚警率(constant false alarm rate,CFAR)算法较为快速和准确。为了提高传统CFAR算法的检测效率,国内外学者进行了很多有益探索。Hou等人[2]提出了多层CFAR的检测方法,该方法减少了孔洞和裂缝的出现,提高了检测时效,但虚警率仍较高。Leng等人[3]提出了双边CFAR检测算法,综合考虑SAR图像中舰船目标的空间分布特性,减小了相干斑噪声和海杂波对检测结果的影响。艾加秋等人[4]提出了复杂环境下改进的双边CFAR目标算法,通过将强度与空间域信息进行融合,提高了舰船的检测效率。

人造目标的散射比自然地物更持久,所以在低分辨率情况下人造目标比自然地物更易探测[5]。本文使用基于小波变换和CFAR的多分辨率方法在均一背景下进行目标检测。通过小波变化的方法降低图像的分辨率,然后使用多分辨率CFAR目标检测算法进行人造目标检测,本文重点介绍多分辨率CFAR目标检测算法的原理流程并进行相应的实验分析。

1 多分辨率CFAR目标检测算法

1.1 CFAR检测原理

CFAR是在已知全局或局部背景统计模型的条件下,利用目标的对比度信息,自适应选取检测阈值的检测方法。对于单个像素I,设背景和目标分布的先验概率为p(b)和p(t),概率密度函数为pb(I)=p(I/b)和pt(I)=p(I/t),b、t分别代表背景和目标,单个像素判决为目标的最大后验概率或最小错误概率准则为[6-7]

(1)

对于实际SAR图像,像素属于目标的先验概率远小于属于背景杂波的先验概率,采用Neyman-Pearson准则,先限定一类错误率为常数而使另一类错误率最小的决策规则[8-9]。

门限T由给定的虚警率pfa确定,该方法要求知道背景和目标分布的概率密度函数。实际SAR图像目标中相对于杂波所占的像素数目比很小,目标的概率密度函数很难获得,设定当pb(I)>pb(T)时判定为背景像素,否则为目标像素。通过给定虚警概率可以计算检测阈值T,如果能够得到目标分布的概率密度函数就可得到相应的目标像素的检测概率为[10-12]

(4)

在实际SAR图像目标检测中,目标背景杂波比较复杂,往往很难仅通过一个模型并计算一个阈值进行整幅图像的检测。使用滑动窗口的方式实现对所有像素的检测,分别建立目标区、保护区和背景区,在目标区周围建立保护区,防止目标像素被作为背景杂波参与杂波统计,保护区外面建立背景区,用来确定背景杂波的统计特性。

由于采用的统计模型不同,传统的CFAR检测方法有基于高斯分布的CFAR检测、基于瑞利分布的CFAR检测、基于韦布尔分布的CFAR检测等。高斯分布是一种正态分布,形式比较简单、运算较少、鲁棒性好,可以用来统计局部区域计算量较大的杂波分布。瑞利分布模型是一种乘性噪声模型,SAR图像的同质区域中瑞利分布的建模效果较好,在特殊情况下,瑞利分布也是一种韦布尔分布。韦布尔分布是SAR图像检测中常用的一种分布,在背景较为复杂的情况下,拟合效果好。

1.2 多分辨率CFAR目标检测方法

人造目标在低分辨率的情况下散射更持久,更容易探测,多分辨率CFAR方法是基于小波变换和CFAR的目标检测方法,首先将目标影像进行分层,从而降低分辨率和数据量,使每一层的运行都有一个小的计算量,从而降低计算复杂度并提高计算效率。具体方法如下：

(1)使用正交离散小波变换方法(如haar小波)对SAR影像进行变换[13-18],如果进行二层小波变换,变换之后的结果如图1所示。图中LL表示小波变换后图像的低频分量，HL、LH、HH分别表示小波变换后图像的水平方向、垂直方向、对角线方向高频分量。

图1 小波变换图

(3)对分辨率不同的两幅影像A1和A2分别进行基于瑞利分布的CFAR检测。给定虚警概率,可求出检测阈值。在每一幅影像检测的过程中,瑞利分布CFAR检测要进行两次,第一次通过一个高的虚警概率,以保证能把图像中所有亮度高的点全部检测出来,找到所有的感兴趣区域,第二次使用一个低的虚警概率,对所有ROI邻近像素进行检测,确保所有的目标点都能够检测出来。影像A1和A2分别经过基于瑞利分布的CFAR检测之后得到两幅ROI影像。

(4)将两幅ROI影像变换到相同的尺度,然后进行融合。融合过程中对两幅ROI影像分别赋予不同的权重,由于人造目标在低分辨率的情况下散射越持久,所以分辨率低的ROI影像要赋予较大的权重。为了保证目标检测率和降低虚警,在融合之前,可以分别对ROI影像进行聚类。目标聚类一般先采用密度滤波器去除孤立点或小区域,再采用形态学滤波器去除“断裂”和“空心”等现象,最后使用尺寸滤波器进一步滤除虚警。进行目标像素聚类处理后,图像中仍可能包含除目标以外的,由背景杂波引起的,部分面积较小或较大的区域,因此要对聚类后的区域进行面积剔除。处理步骤主要是先遍历整幅图像,对聚类后的每个标定区域,统计其亮像素的个数并作为该区域的面积。

(5)所有的ROI影像经过聚类和融合之后,将ROI影像对照原始影像进行ROI定界,使用更精确的基于Weibull或K分布的CFAR检测方法对影像上的所有ROI进行检测,对每一个ROI检测而不是对整幅影像进行检测可以大大降低计算量。

经过小波变换和两次CFAR检测之后,可以得到多分辨率CFAR目标检测方法的最终结果。

2 实验与结果分析

为验证多分辨率CFAR目标检测算法的有效性,采用C++语言完成传统CFAR和多分辨率CFAR目标检测算法的编写。本文实验所用的数据是山脉地区影像,都是机载P波段多极化SAR影像,检测目标为电力塔目标,根据电磁波的振动方向，多极化SAR影像一般有四种极化方式：HH(水平发送水平接收)、HV(水平发送垂直接收)、VH(垂直发送水平接收)、VV(垂直发送垂直接收)，图像大小为1 280像素×2 304像素,发射带宽为100 MHz,距离采样率为120 MHz,雷达距离分辨率为2.5 m。如图2所示,影像中有9个目标,目标大小反映在图像上大约在40像素×40像素,在图像中位置显示如图2所示。

图2 电力塔目标影像

分析过程首先使用传统CFAR目标检测算法,比较不同极化方式对检测结果的影响,选出检测效果最优的极化方式,通过实验分析比较单极化和多极化影像多分辨率CFAR目标检测的效果。

为了衡量检测效果,采用四个指标来定量分析,虚警数、漏检数、检测概率Pd和品质因数FoM(Figures of Merit)。虚警数是指图像中不是目标却被检测成目标的虚假目标个数。漏检数是指图像中没有被正确检测出的目标个数。图像检测的虚警数和漏检数越小,检测结果越好。

检测概率定义为

(5)

品质因数FoM定义为

(6)

式中,Ntt表示正确检测目标的个数;Ngt表示试验中实际的目标个数;Nfa表示虚警目标个数;MF表示检测概率与虚警概率的平衡关系,MF越大,效果越好。

2.1 极化方式对目标检测结果的影响

本研究所用的影像数据为多极化影像数据,首先使用传统的CFAR算法比较不同极化方式对检测结果的影响,选出最适合的极化方式进行单极化数据的分析。选择基于瑞利分布的CFAR算法进行检测,各种极化方式的窗口大小设为：背景窗口大小为95,保护窗口大小为55,目标窗口大小为40,经过反复试验对比发现,当选择虚警概率为0.014时,四种极化方式的检测效果最理想。由于该部分中目标较大,所以瑞利检测之后要进行ROI聚类,先采用密度滤波器去除孤立点或小区域,以任意亮度值为1的像素为中心像素,设一滑动窗口,计算窗口中亮度值为1的像素个数,大于某一个阈值就认为中心像素是目标,此处设定的窗口大小为10×10,阈值设为25%,再采用形态学滤波器去除“断裂”和“空心”等现象,最后使用尺寸滤波器进一步滤除虚警。最后得到检测结果如图3所示。

具体分析如表1所示。

图3 四种极化方式瑞利CFAR检测结果

表1 四种极化方式瑞利CFAR检测分析

从表1可以看出,虽然HH极化和VV极化的检测结果虚警数要小于其他两种方式,但是却出现了漏检,有一个目标没有检测出来,检测概率只达到88.9%,所以这两种极化方式的检测结果是不理想的,比较HV和VH两种极化方式,漏检数都为0,检测概率都是100%,但VH的虚警数要小于HV,再比较两者的品质因数,VH极化的品质因数大于HV极化的品质因数,综合考虑,认为VH极化方式的检测效果最好。

2.2 单极化影像多分辨率CFAR目标检测

对VH极化方式的电力塔影像进行多分辨率CFAR目标检测,其中瑞利分布CFAR目标检测影像A1的窗口大小设为背景窗口大小为33,保护窗口为27,目标窗口为16,影像A2的窗口大小设为背景窗口大小为19,保护窗口为15,目标窗口为9,在进行韦布尔CFAR环节虚警概率设为0.02,经过多分辨率CFAR目标检测之后,得到结果影像如图4所示。

图4 电力塔单极化影像多分辨率CFAR目标检测结果

从图4可以看出,VH极化影像经过多分率CFAR目标检测后,共检测出目标数9个,未出现漏检,虚警数有8个,品质因数为0.529,检测效果明显优于传统CFAR目标检测算法。

2.3 多极化影像多分辨率CFAR目标检测

本研究使用极化白化滤波(PWF)方法对影像进行处理,主要是降低斑点噪声和得到全极化影像,然后对多极化影像进行多分辨率CFAR目标检测,所有的参数设置与上节中单极化数据进行多分辨率CFAR目标检测时相同,最后得到的检测结果如图5所示。

图5 全极化影像多分辨率CFAR目标检测结果

极化影像经过PWF处理后合成为全极化影像,从图中可以看出,使用多分率CFAR目标检测,共检测出目标数9个,未出现漏检,虚警数有4个,品质因数为0.692,检测效果是所有实验中效果最好的。

2.4 实验结果

本研究使用检测目标数、漏检数、虚警数、检测概率、品质因数5个参数来衡量检测效果的不同,传统CFAR算法中选择最优的极化方式参与分析比较。从表2可以看出,对于电力塔目标,多分辨率CFAR的检测效果要优于传统的CFAR,多极化影像的检测效果要优于单极化的检测效果。

表2 多极化影像多分辨率CFAR与传统CFAR目标检测结果比较

三种方法漏检率都为0,传统CFAR目标检测算法的虚警数为10,单极化影像多分辨率CFAR目标检测算法的虚警数为8,全极化影像CFAR目标检测算法的虚警数为4,品质因数分别为0.474,0.529,0.692,综合分析,全极化影像的检测结果最好。这是因为经过PWF处理之后的全极化数据降低了斑点噪声,并且综合了三种极化方式的信息,其中所包含的信息更丰富,故其检测效果更好。另外,在实验分析的过程中,通过对检测时间的记录发现,在相同的处理器配置下,多分辨率CFAR目标检测算法的检测所用时间只为15 s,而基于瑞利分布的CFAR目标检测算法所用时间为65 s,多分辨率CFAR目标检测算法在计算时间上明显要快很多。

3 结束语

本文利用机载多极化电力塔目标数据,对多极化和单极化数据进行分析,比较不同的四种极化方式中,VH极化方式的检测效果最好。使用PWF合成多极化数据之后,多极化数据的检测效果要优于单极化数据的检测效果。并且通过对比分析,对于电力塔目标数据,从检测效果看,多分辨率的检测效果要明显优于传统方法,使用多分辨率CFAR目标检测算法对多极化和单极化影像进行对比检测分析时,发现多极化影像的检测效果要好很多。未来在本研究的基础上,将进一步研究高分辨率SAR图像目标及杂波的统计特性和极化散射特性,综合利用SAR数据的幅度、相位和极化等信息,对目标进行检测,提高检测的效率和可靠性。