劉國(guó)良，黃愛(ài)民

1.國(guó)防科技大學(xué) 機(jī)電工程與自動(dòng)化學(xué)院，湖南 長(zhǎng)沙410073；2.哥廷根伯恩斯坦神經(jīng)科學(xué)研究中心，哥廷根37073

SAR波長(zhǎng)對(duì)遙感圖像統(tǒng)計(jì)特征的影響

劉國(guó)良1，2，黃愛(ài)民1

1.國(guó)防科技大學(xué) 機(jī)電工程與自動(dòng)化學(xué)院，湖南 長(zhǎng)沙410073；2.哥廷根伯恩斯坦神經(jīng)科學(xué)研究中心，哥廷根37073

傳感器參數(shù)不同會(huì)導(dǎo)致圖像灰度與表象特征不同，進(jìn)一步會(huì)影響到統(tǒng)計(jì)特征表達(dá)。因此有必要系統(tǒng)研究常用統(tǒng)計(jì)特征與傳感器參數(shù)之間的相關(guān)性，從而實(shí)現(xiàn)更加抗差的圖像處理與分析。研究目前常用的6種圖像統(tǒng)計(jì)特征，在合成孔徑雷達(dá)（SAR）波長(zhǎng)變化時(shí)（L波段、C波段和X波段）的抗差性。試驗(yàn)中，對(duì)抗差性能指標(biāo)作出定義，并對(duì)不同統(tǒng)計(jì)特征的抗差性做出了比較與分析。試驗(yàn)結(jié)果發(fā)現(xiàn)，不同統(tǒng)計(jì)特征對(duì)波長(zhǎng)變化的抗差性不同，同時(shí)圖像特征在不同地形時(shí)隨波長(zhǎng)變化的規(guī)律也不一致。

合成孔徑雷達(dá)；波長(zhǎng)；影像匹配；統(tǒng)計(jì)特征；抗差性；共性特征

1 引 言

現(xiàn)有的合成孔徑雷達(dá)（SAR）技術(shù)已經(jīng)能夠提供高分辨率的多波段、多極化、多視角圖像（如表1、表2所示）［1］，因此現(xiàn)階段更為迫切的問(wèn)題是要更深入地開(kāi)展SAR圖像分析技術(shù)研究，有效地利用已有的SAR圖像的理論基礎(chǔ)，滿足軍事和民用不同領(lǐng)域的需求，如遙感圖像辨識(shí)、影像匹配制導(dǎo)和可適配區(qū)域分析等。

表1 航載SAR成像系統(tǒng)波段極化參數(shù)Tab.1 The wavelength and polarization parameters of shuttle－borne SAR image system

表2 星載SAR成像系統(tǒng)波段極化參數(shù)Tab.2 The wavelength and polarization parameters of satellite－borne SAR image system

SAR圖像的特征與地物、波長(zhǎng)、極化方式、雷達(dá)波入射角等眾多因素相關(guān)［1］，因此只有進(jìn)行SAR圖像特征與雷達(dá)參數(shù)相關(guān)聯(lián)的變化規(guī)律研究，才能更深入地進(jìn)行SAR圖像分析，更有效地拓展SAR圖像應(yīng)用領(lǐng)域。如在利用合成孔徑雷達(dá)（SAR）進(jìn)行影像匹配制導(dǎo)中，不可避免不同源圖像的匹配問(wèn)題，通常星載和航載圖像作為基準(zhǔn)圖，機(jī)載、彈載圖像作為實(shí)時(shí)圖，這樣同一地區(qū)的基準(zhǔn)圖和實(shí)時(shí)圖因?yàn)槔走_(dá)參數(shù)的不同將出現(xiàn)較大的差異。為此美國(guó)和俄羅斯就著重建立了地物目標(biāo)特性數(shù)據(jù)庫(kù)，迅速發(fā)展了新型的雷達(dá)影像匹配制導(dǎo)技術(shù)［2］。而國(guó)內(nèi)由于缺少有效的對(duì)地觀測(cè)手段，一直沿襲可見(jiàn)光圖像的研究策略，對(duì)目標(biāo)特性變化研究不足，至今未取得突破性成果。顯而易見(jiàn)，建立SAR圖像特征與雷達(dá)參數(shù)之間的關(guān)系，是解決SAR圖像應(yīng)用的一個(gè)更有效的途徑。

傳統(tǒng)的SAR圖像配準(zhǔn)的特征選擇，一般基于同源假設(shè)，不考慮傳感器參數(shù)對(duì)特征的影響［3－4］。這就造成某些配準(zhǔn)特征在同源圖像配準(zhǔn)時(shí)比較抗差，而在不同傳感器參數(shù)的SAR圖像配準(zhǔn)時(shí)卻表現(xiàn)不佳。近年來(lái)，遙感圖像特征選擇中開(kāi)始考慮傳感器參數(shù)對(duì)特征的影響，比如文獻(xiàn)［5］在SAR圖像目標(biāo)檢測(cè)中使用了方向性粗糙度特征，并使用該特征在X波段的MSTAR數(shù)據(jù)與Ka波段的ADTS數(shù)據(jù)上進(jìn)行了試驗(yàn)分析，驗(yàn)證了該特征在兩個(gè)波段圖像上的有效性。但是，試驗(yàn)中檢測(cè)的對(duì)象是人工嵌入的目標(biāo)，忽略了傳感器參數(shù)對(duì)目標(biāo)回波強(qiáng)度的影響。同時(shí)該特征在其他波段（如L、C和S等波段）SAR圖像中的性能還需要進(jìn)一步分析。

本文為系統(tǒng)研究不同雷達(dá)參數(shù)下SAR圖像的共性抗差特征，使用了一種單因素影響分析方法，即將多個(gè)可變參數(shù)隔離研究與分析。本文主要研究SAR傳感器參數(shù)中波長(zhǎng)對(duì)圖像統(tǒng)計(jì)特征的影響，分析了當(dāng)前常用的6類圖像統(tǒng)計(jì)特征在SAR波長(zhǎng)變化下的規(guī)律。通過(guò)試驗(yàn)分析，總結(jié)出對(duì)SAR波長(zhǎng)變化具有相對(duì)穩(wěn)健性的特征。本文的研究結(jié)果對(duì)不同源SAR影像匹配制導(dǎo)中共性特征的選擇，SAR圖像辨識(shí)中統(tǒng)計(jì)特征的選擇、波段的選擇，以及影像適配性分析中適配性指標(biāo)的設(shè)計(jì)具有重要的指導(dǎo)意義。

2 SAR圖像統(tǒng)計(jì)特征

SAR圖像的表象特征主要體現(xiàn)為紋理特征，特征的具體形態(tài)與波長(zhǎng)方式有關(guān)。參考光學(xué)圖像的統(tǒng)計(jì)分析方法，本文對(duì)SAR圖像進(jìn)行分析主要采用6大類特征：基于直方圖的統(tǒng)計(jì)特征、基于灰度差分的統(tǒng)計(jì)特征、基于共生矩陣的統(tǒng)計(jì)特征、基于視覺(jué)感知的Tamura特征、基于分形理論的分形特征和自相關(guān)函數(shù)等。

2.1 基于直方圖的統(tǒng)計(jì)特征

直方圖是圖像處理中應(yīng)用十分廣泛的統(tǒng)計(jì)方法。一幅數(shù)字圖像可以看做是一個(gè)二維隨機(jī)過(guò)程的一個(gè)樣本，可以用聯(lián)合概率分布來(lái)描述。通過(guò)測(cè)得的圖像各像素的幅度值，可以估計(jì)圖像的概率分布，形成圖像的直方圖特征［6］。直方圖的特征參數(shù)主要有均值、方差、熵、峰度、偏度以及邊緣密度等。

2.2 基于共生矩陣的統(tǒng)計(jì)特征

任何圖像都可以看做是三維空間中的一個(gè)曲面，直方圖是研究單個(gè)像素在這個(gè)三維空間中的統(tǒng)計(jì)分布規(guī)律，但不能很好地反映像素之間的灰度級(jí)空間相關(guān)性的規(guī)律。因此產(chǎn)生了以像素的灰度和位置為參數(shù)的分析方法，這就是基于灰度共生矩陣GLCM（gray level co－occurrence matrix）的計(jì)算紋理特征的方法［7－9］?；叶裙采仃囀顷P(guān)于兩個(gè)具有確定空間位置關(guān)系的灰度i與j在圖像中出現(xiàn)的聯(lián)合概率分布矩陣［10］?？臻g位置關(guān)系是指角度θ和距離d，對(duì)于每個(gè)確定的角度和距離可以得到一個(gè)共生矩陣，每個(gè)共生矩陣可以得到14個(gè)統(tǒng)計(jì)參數(shù)［7］。本論文試驗(yàn)采用其中的能量（或稱二階矩、一致性）、對(duì)比度（或稱慣性矩）、相關(guān)、熵、最大概率、方差、均值、相異性、逆差矩、逆差分等12個(gè)統(tǒng)計(jì)參數(shù)。試驗(yàn)中距離取值為d＝1，角度取值為θ＝0°、45°、90°、135°。由此共產(chǎn)生4個(gè)方向的共生矩陣，其中每個(gè)方向得到12個(gè)統(tǒng)計(jì)參數(shù)值，最后將4個(gè)方向的參數(shù)值作平均，就可以得到該圖像基于灰度共生矩陣的紋理特征。

2.3 基于灰度差分的特征參數(shù)［11］

圖像中一點(diǎn)（x，y）與它只有微小距離的點(diǎn)（x＋Δx，y＋Δy）灰度差分gΔ（x，y）＝g（x，y）－g（x＋Δx，y＋Δy），式中，g（x，y）為在圖像點(diǎn)（x，y）的灰度值。若圖像的灰度級(jí)為N，則灰度差分的所有可能取值共有2 N＋1級(jí)，而共生矩陣中灰度值所有可能組合有N2種，顯然灰度差分統(tǒng)計(jì)方法要比共生矩陣減少了工作量。令（x，y）在整個(gè)圖像中移動(dòng)，計(jì)算出取gΔ各個(gè)數(shù)值的個(gè)數(shù)，由此即可得到灰度差分直方圖。在灰度差分直方圖基礎(chǔ)上可以得到描述圖像紋理的參數(shù)：對(duì)比度、能量（角度方向二階矩）、熵和均值。試驗(yàn)取（Δx＝d，Δy＝0），（Δx＝d，Δy＝d），（Δx＝0，Δy＝d）和（Δx＝－d，Δy＝d），分表代表水平、45°、垂直和135°這4個(gè)方向。計(jì)算4個(gè)方向的灰度差分直方圖及其對(duì)應(yīng)的差分特征，然后將4個(gè)方向的特征值取平均，即得到基于灰度差分的紋理特征［12］。

2.4 基于Tamura紋理特征參數(shù)［10，13－14］

文獻(xiàn)［14］提出了與人類視覺(jué)感知特性有緊密關(guān)聯(lián)的幾個(gè)紋理特征，包括粗糙度、對(duì)比度和方向度等。根據(jù)心理學(xué)試驗(yàn)和計(jì)算機(jī)視覺(jué)試驗(yàn)，基于Tamura紋理特征對(duì)圖像紋理的分析結(jié)論與人類視覺(jué)感知有很強(qiáng)對(duì)應(yīng)性。本文采用的Tamura特征的計(jì)算方法與參數(shù)設(shè)置同文獻(xiàn)［10］。

2.5 空間自相關(guān)函數(shù)［11］

紋理的粗糙性可以用空間自相關(guān)函數(shù)作為測(cè)度，粗糙性大小與局部結(jié)構(gòu)的空間重復(fù)周期有關(guān)，周期大紋理粗，周期小紋理細(xì)，所以空間自相關(guān)函數(shù)可以用來(lái)說(shuō)明紋理測(cè)度變化的傾向。對(duì)于大小為n×n的二維圖像f，自相關(guān)函數(shù)可定義如下

式（1）對(duì)大小為（2w＋1）×（2w＋1）的圖像窗口內(nèi)每個(gè)像點(diǎn)與偏離值為ξ、η＝0，±1，…，±w的臨近像點(diǎn)之間進(jìn)行相關(guān)值計(jì)算。粗紋理對(duì)給定偏離值ξ、η時(shí)的相關(guān)性要比細(xì)紋理高，而方差一般用來(lái)表達(dá)這種空間相關(guān)性，所以可以用自相關(guān)函數(shù)值的方差作為紋理測(cè)度，即

圖像中紋理粗糙性越大，則測(cè)度Tc就會(huì)越大。考慮到ξ或η取值為0時(shí)，該測(cè)度恒為0值，無(wú)法反映水平和垂直方向的紋理自相關(guān)性。本文進(jìn)一步修正該測(cè)度為

2.6 基于分形理論的分形特征［15］

灰度圖像的分形維數(shù)可以表示圖像灰度曲面起伏的復(fù)雜度，近年來(lái)成為一個(gè)重要的圖像表象特征。求解分形維數(shù)的方法很多，考慮到精確度與算法效率之間的權(quán)衡，本文采用文獻(xiàn)［15］基于DFBR場(chǎng)的改進(jìn)的毯覆蓋圖像分維數(shù)提取算法。

3 試驗(yàn)方法

3.1 圖像數(shù)據(jù)

試驗(yàn)數(shù)據(jù)采用美國(guó)（NASA）奮進(jìn)號(hào)航天飛機(jī)拍攝的SAR圖像。該飛機(jī)攜帶的合成孔徑雷達(dá)SIR－C／X－SAR有3個(gè)波段：L波段（24cm）、C波段（6cm）和X波段（3cm），4種極化方式HH、HV、VV和VH，可以根據(jù)科研需要拍攝多波段多極化的SAR圖像。試驗(yàn)中需要的SAR圖像見(jiàn)表3，每個(gè)地區(qū)均有3幅對(duì)應(yīng)不同波長(zhǎng)與極化方式組合的圖像，如New York地區(qū)，有3幅圖像分別對(duì)應(yīng)L－HH、L－HV和C－HV 3種波長(zhǎng)與極化組合。然后根據(jù)需要研究的地形和波長(zhǎng)方式，對(duì)各地區(qū)圖像內(nèi)的不同地形圖像進(jìn)行隨機(jī)采樣，城市采樣圖像大小為32像素×32像素，山地采樣圖像大小為64像素×64像素，海洋采樣圖像大小為64像素×64像素。對(duì)每種地形隨機(jī)采樣3幅子圖像。

表3 試驗(yàn)采用的SAR圖像（NASA）Tab.3 The SAR images used in experiment（NASA）

3.2 抗差性指標(biāo)

本試驗(yàn)采取單因素影響分析的方法，考慮到表3內(nèi)不同地區(qū)圖像采集時(shí)間不同，為了盡量減少其他因素的影響，抗差性指標(biāo)僅由同一地區(qū)、同一地形與同一時(shí)間拍攝的兩幅SAR圖像獲得。如在New York地區(qū)的山地地形，設(shè)抗差性指標(biāo)為H，分析波長(zhǎng)對(duì)某一統(tǒng)計(jì)特征W 的影響，僅需要分析L－HV和C－HV兩幅同一時(shí)刻同一極化方式獲得的圖像。然后計(jì)算這兩幅圖像對(duì)應(yīng)的W 特征，得到WL－HV和WC－HV。該統(tǒng)計(jì)特征對(duì)應(yīng)于波長(zhǎng)的抗差性指標(biāo)即可表達(dá)如下

3.3 參數(shù)歸一化

在研究某類參數(shù)受波長(zhǎng)影響的時(shí)候，往往涉及多個(gè)特征，如基于共生矩陣的統(tǒng)計(jì)參數(shù)就有12個(gè)，每個(gè)參數(shù)的取值范圍也不一樣，所以由原始參數(shù)值直接計(jì)算得到的各參數(shù)抗差性指標(biāo)之間沒(méi)有可比性。這就需要在計(jì)算抗差性指標(biāo)前對(duì)原始參數(shù)值進(jìn)行歸一化。高斯歸一化方法是一種在實(shí)際應(yīng)用中表現(xiàn)較好的歸一化方法，其優(yōu)點(diǎn)是部分超大或超小的元素值對(duì)整個(gè)歸一化后的元素值分布影響較小。假設(shè)共有m幅圖像n個(gè)特征，則高斯歸一化公式如下

式中，fi，j代表第i個(gè)圖像的第j個(gè)特征；fNi，j代表歸一化后的特征；μj和σj分別對(duì)應(yīng)第j個(gè)特征的均值和方差。式（5）可以保證歸一化后的特征值落在區(qū)間［－1，1］的概率可達(dá)到99%。試驗(yàn)中，對(duì)區(qū)間外的值設(shè)為－1或1，以保證所有fNi，j值均在區(qū)間［－1，1］內(nèi)。

4 試驗(yàn)分析

波長(zhǎng)主要通過(guò)兩個(gè)方面來(lái)影響回波信號(hào)，一是影響地面的有效粗糙度；二是影響地物的復(fù)介電常數(shù)。有效粗糙度主要影響地物目標(biāo)對(duì)電磁波的散射方向分布，進(jìn)一步影響回波能量；復(fù)介電常數(shù)則影響到地物目標(biāo)反射能力以及電磁波穿透能力的大?。?］?；夭◤?qiáng)度σo與雷達(dá)波長(zhǎng)之間的關(guān)系在各種試驗(yàn)中的結(jié)果并不完全一致，部分原因是環(huán)境因素的影響。但大多數(shù)的試驗(yàn)表明σo隨雷達(dá)波長(zhǎng)減小而增大［16］。根據(jù)上面的分析，在同一極化方式下，不同波段對(duì)同一地物目標(biāo)成像自然導(dǎo)致回波強(qiáng)度不同，進(jìn)而圖像的灰度以及紋理也有了很大改變。

本試驗(yàn)主要研究了L、C和X 3個(gè)波段的影響下，各統(tǒng)計(jì)參數(shù)在城市，山地和海洋地形中抗差性指標(biāo)的對(duì)比。3種地形的試驗(yàn)結(jié)果分別如圖1、圖2和圖3所示，其中分圖（a）～（b）的縱坐標(biāo)H是參數(shù)歸一化后的抗差性能指標(biāo)值。分圖（e）的縱坐標(biāo)H1和H2分別表示分形特征和自相關(guān)系數(shù)的抗差性能指標(biāo)值。分圖（a）的橫坐標(biāo)G1至G12分別表示共生矩陣的12個(gè)特征參數(shù)：能量、對(duì)比度、相關(guān)、熵、最大概率、方差、均值、相異性、逆差矩、逆差分、聚類漸變和聚類突變。分圖（b）的橫坐標(biāo)C1至C4分別表示灰度差分的4個(gè)特征參數(shù)：對(duì)比度、均值、能量和熵。分圖（c）的橫坐標(biāo)T1至T3分別表示Tamura的3個(gè)特征參數(shù)：粗糙度、對(duì)比度和方向度。分圖（d）的橫坐標(biāo)Z1至Z7分別表示直方圖的7個(gè)特征參數(shù)：均值、方差、熵、能量、峰度、偏度和邊緣密度。分圖（e）的橫坐標(biāo)表示試驗(yàn)對(duì)應(yīng)的圖像，共30幅。

首先是城市地形，本文采用表3中包含城市地形特征的P－45621、P－46219、P－46348、P－46685、P－46722、P－47480、P－46297、P－44903、P－46709和P－46966，共10幅圖像。基于共生矩陣的統(tǒng)計(jì)參數(shù)對(duì)波長(zhǎng)的抗差性同樣保持著較好的規(guī)律性，其中的對(duì)比度、相異性和熵值是較為抗差的統(tǒng)計(jì)參數(shù)，抗差性指標(biāo)H分別在0.033、0.058和0.035以下；基于Tamura的對(duì)比度參數(shù)是相對(duì)其他兩個(gè)較為抗差的參數(shù)，最大H值在0.1左右；基于灰度差分和直方圖的統(tǒng)計(jì)特征沒(méi)有多大的規(guī)律性，灰度差分的4個(gè)參數(shù)H值基本都在0.04以下，直方圖的參數(shù)中方差、熵和能量是抗差性相對(duì)較好的參數(shù)，抗差性指標(biāo)H在0.16以下；分形維和自相關(guān)函數(shù)的抗差性指標(biāo)除去個(gè)別奇異點(diǎn)基本上沒(méi)有多大的差異，最大H基本在0.2左右。

其次是山地地形，本文采用表3中包含城市地形特征的P－45621、P－46219、P－46348、P－46685、P－46722、P－47480、P－46297、P－44903、P－46709和P－46966，共10幅圖像?；诠采仃嚨膶?duì)比度和相異性仍然是12個(gè)統(tǒng)計(jì)參數(shù)中較抗差的量，熵值不再抗差；對(duì)比度仍然是Tamura統(tǒng)計(jì)參數(shù)中較為抗差的量，最大H值在0.15左右；基于統(tǒng)計(jì)差分的統(tǒng)計(jì)參數(shù)H值依然沒(méi)有什么規(guī)律，但最大的H值依然在0.05左右；方差和偏度是直方圖參數(shù)中較抗差的量，最大H值在0.12左右；分形維數(shù)在此表現(xiàn)了相對(duì)自相關(guān)函數(shù)較抗差的特征，分形維數(shù)的最大H值在0.2左右，而自相關(guān)函數(shù)在山地地形中卻達(dá)到了0.4。

圖1 SAR波長(zhǎng)對(duì)城市圖像統(tǒng)計(jì)特征抗差性的影響Fig.1 The robust of statistical feature against the wavelength for city terrain

圖2 SAR波長(zhǎng)對(duì)山地圖像統(tǒng)計(jì)特征抗差性的影響Fig.2 The robust of statistical feature against the wavelength for hill terrain

圖3 SAR波長(zhǎng)對(duì)海洋圖像統(tǒng)計(jì)特征抗差性的影響Fig.3 The robust of statistical feature against the wavelength for sea terrain

最后是海洋地形，本文采用表3中包含城市地形特征的P－46255、P－46219、P－46348、P－46685、P－46722、P－47480、P－46297、P－46293、P－46709和P－46966，共10幅圖像?；诠采仃嚨奶卣髦?，對(duì)比度和相異性較抗差，同時(shí)逆差矩和逆差分也表現(xiàn)了與對(duì)比度和相異性同樣的抗差性，最大H值在0.026左右；Tamura 3個(gè)參數(shù)中最抗差的是對(duì)比度，最大H值在0.058左右；基于灰度差分的4個(gè)參數(shù)規(guī)律性有很大不同，H值均保持了較低的變化范圍，最大H值在0.027左右，其中較為抗差的是能量參數(shù)，最大H在0.005；基于直方圖的統(tǒng)計(jì)參數(shù)中，較抗差的參數(shù)是方差和峰度，最大H值分別在0.096和0.077左右。分形維數(shù)保持了較好的抗差性，最大H值在0.07左右；自相關(guān)函數(shù)的起伏波動(dòng)較大，最大H值已經(jīng)逼近0.5。

通過(guò)分析6類統(tǒng)計(jì)參數(shù)在波長(zhǎng)單因素變化下的抗差性，可以初步得到如下結(jié)論：

（1）基于共生矩陣的對(duì)比度和相異性參數(shù)在3類地形中均有良好的抗差性。熵值在城市地形具有較好抗差性；逆差矩和逆差分在海洋地形表現(xiàn)出較好的抗差性。

（2）基于Tamura的統(tǒng)計(jì)參數(shù)中，對(duì)比度是對(duì)波長(zhǎng)最抗差的參數(shù)，但抗差性指標(biāo)值相對(duì)其他類統(tǒng)計(jì)特征比較大。

（3）基于灰度差分的4個(gè)統(tǒng)計(jì)參數(shù)受波長(zhǎng)影響比較顯著，但抗差性指標(biāo)變化范圍卻很小，說(shuō)明基于灰度差分的4個(gè)指標(biāo)均有較好的抗差性。

（4）基于直方圖的7個(gè)統(tǒng)計(jì)參數(shù)中，方差是3類地形中均具有較好抗差性的參數(shù)，熵和能量在城市地形較抗差；偏度在山地地形較抗差；峰度在海洋地形較抗差。

（5）分形維數(shù)在山地和海洋地形均表現(xiàn)了較好的抗差性，在城市地形中抗差性指標(biāo)有一定起伏；自相關(guān)函數(shù)在城市地形表現(xiàn)比山地和海洋要出色。

（6）在以上6類統(tǒng)計(jì)特征中，基于共生矩陣的抗差性指標(biāo)分布具有相對(duì)其他5類統(tǒng)計(jì)特征較好的規(guī)律性；雖然基于灰度差分的4個(gè)參數(shù)之間的抗差性沒(méi)有多少規(guī)律可循，但整體抗差性指標(biāo)值很低，可見(jiàn)該方法分析的紋理特征對(duì)傳感器參數(shù)較不敏感。

5 結(jié) 論

本文詳細(xì)分析了6類常用統(tǒng)計(jì)特征在SAR波長(zhǎng)影響下的變化規(guī)律，并結(jié)合不同地貌特征，力求尋找到對(duì)SAR波長(zhǎng)變化以及不同地貌特征相對(duì)比較抗差的共性特征。但是從試驗(yàn)中可以分析得出，SAR波長(zhǎng)對(duì)所選用的統(tǒng)計(jì)特征均有不同程度的影響，同時(shí)地形因素也導(dǎo)致其變化規(guī)律不同，建議對(duì)不同波段SAR圖像特征匹配時(shí)，需要融合各參數(shù)來(lái)提高匹配的準(zhǔn)確性和抗差性，其中基于共生矩陣的各參數(shù)之間抗差性指標(biāo)分布較為規(guī)律，而基于灰度差分的特征參數(shù)抗差性普遍較好，綜合兩類參數(shù)的優(yōu)點(diǎn)用來(lái)描述SAR圖像特征是今后研究的重要方面。另外，今后的工作還需要對(duì)其他傳感器參數(shù)進(jìn)行單因素試驗(yàn)分析，為不同源圖像配準(zhǔn)以及圖像辨識(shí)提供更可靠、更抗差的特征［17］。

［1］ SHU Ning.Principles of Microwave Remote Sensing［M］.Wuhan：Wuhan University Press，2001.（舒寧.微波遙感原理［M］.武漢：武漢出版社，2001.）

［2］ CURLANDER J，MCDONOUGH R.Synthetic Aperture Radar System and Signal Processing［M］.New York：Wiley Press，1991.

［3］ YUAN Wei.Research on the SAR Image Registration Based on Structural Information［D］.Changsha：National University of Defense Technology，2009.（袁偉.基于結(jié)構(gòu)信息的SAR圖像配準(zhǔn)方法研究［D］.長(zhǎng)沙：國(guó)防科技大學(xué)，2009.）

［4］ SOLBERG A H S.JAIN A K.Texture Fusion and Feature Selection Applied to SAR Imagery［J］.IEEE Transactions on Geoscience and Remote Sensing，1997，35（2）：475－479.

［5］ HU Fengming，F(xiàn)AN Xuehua，YANG Ruliang，et al.Study of Target Detection of SAR Image Using Directional Roughness Feature［J］.Acta Geodaetica et Cartographica Sinica，2009，38（3）：229－235.（胡風(fēng)明，范學(xué)花，楊汝良，等.利用方向性粗糙度特征對(duì)SAR圖像目標(biāo)檢測(cè)的研究［J］.測(cè)繪學(xué)報(bào)，2009，38（3）：229－235.）

［6］ SHEN Tingzhi，F(xiàn)ANG Ziwen.Digital Image Processing and Pattern Recognition［M］.Beijing：Beijing Institute of Technology Press，1998.（沈庭芝，方子文.數(shù)字圖像處理及模式識(shí)別［M］.北京：北京理工大學(xué)出版社，1998.）

［7］ SHARMA M，SINGH S.Evaluation of Texture Methods for Image Analysis［C］∥Proceedings of the Seventh Australian and New Zealand Intelligent Information Systems Conference.Perth：IEEE，2001：117－121.

［8］ HARALICK R，SHANMUGAM K，DINSTEIN I.Textural Features for Image Classification［J］.IEEE Transactions on System，Man and Cybernetics，1973，3（6）：610－621.

［9］ BARALDI A，PARMIGGIANI F.An Investigation of the Textural Characteristics Associated with Gray Level Cooccurrence Matrix Statistical Parameters［J］.IEEE Transactions on Geoscience and Remoter Sensing，1995，33（2）：293－304.

［10］ JIANG Renbo.Research and System Implementation on Content－based Image Retrieval（CBIR）［D］.Wuhan：Wuhan University，2004.（蔣仁波.基于內(nèi)容的圖像檢索技術(shù)研究與系統(tǒng)實(shí)現(xiàn)［D］.武漢：武漢大學(xué)，2004.）

［11］ RUAN Qiuqi.Digital Image Processing［M］.Beijing：Electronics Industry Press，2001.（阮秋琦.數(shù)字圖像處理學(xué)［M］.北京：電子工業(yè)出版社，2001.）

［12］ CHEN Aimin.Content－based Image Retrieval Technology and Its Application in Medicine［D］.Yangzhou：Yangzhou University，2004.（陳愛(ài)民.基于內(nèi)容的圖像檢索技術(shù)及其在醫(yī)學(xué)中的應(yīng)用［D］.揚(yáng)州：揚(yáng)州大學(xué)，2004.）

［13］ WU Jun.Content－based Image Retrieval Technology and Its Application in Remote Sensing Images［D］.Beijing：Graduate University of Chinese Academy of Sciences，2001.（吳均.基于內(nèi)容的圖像檢索技術(shù)及其在遙感圖像中的應(yīng)用研究［D］.北京：中國(guó)科學(xué)院研究生院，2001.）

［14］ TAMURA H，MORI S，YAMAWAKI T.Textural Features Corresponding to Visual Perception［J］.IEEE Transactions on Systems，Man and Cybernetics，1978，8（6）：460－473.

［15］ ZHANG Tao.Fractal Features Based Scene Navigability Analysis［D］.Changsha：National University of Defense Technology，2006.（張濤.基于分形特征的景象適配性分析［D］.長(zhǎng)沙：國(guó)防科技大學(xué)，2006.）

［16］ LONG M W.Radar Reflectivity of Land and Sea［M］.London：Artech House Press，2001.

［17］ LIU Guoliang.Analysis of Influence Factors and Simulation Research on SAR Image［D］.Changsha：National University of Defense Technology，2007.（劉國(guó)良.SAR圖像影響因素分析與圖像仿真［D］.長(zhǎng)沙：國(guó)防科技大學(xué)，2007.）

The Effect of SAR Wavelength on Remote Sensing Image Statistical Features

LIU Guoliang1，2，HUANG Aimin1
1.College of Mechatronics Engineering and Automation，National University of Defense Technology，Changsha 410073，China；2.Bernstein Center for Computational Neuroscience Goettingen，Goettingen 37073，Germany

In order to achieve more robust image processing and analysis，it’s necessary to investigate the correlations between the statistical features used in the state of the art and the sensor parameters.The research is on the robustness of six kinds of statistical features against the wavelength（L band，C band and X band）of the synthetic aperture radar（SAR）.First the measurement of robustness of statistical features is defined，and then the comparison and analysis are presented in our experiment.In addition，the experiment also shows that statistical features of different terrains have different change while wavelength changes.

synthetic aperture radar（SAR）；wavelength；image matching；statistical feature；robustness；common characteristic

LIU Guoliang（1983—），male，PhD candidate，majors in image processing and pattern recognition.

LIU Guoliang，HUANG Aimin.The Effect of SAR Wavelength on Remote Sensing Image Statistical Features［J］.Acta Geodaetica et Cartographica Sinica，2012，41（1）：87－92.（劉國(guó)良，黃愛(ài)民.SAR波長(zhǎng)對(duì)遙感圖像統(tǒng)計(jì)特征的影響［J］.測(cè)繪學(xué)報(bào)，2012，41（1）：87－92.）

P237；TP751

A

1001－1595（2012）01－0087－06

叢樹(shù)平）

2011－02－21

2011－04－18

劉國(guó)良（1983—），男，博士生，研究方向?yàn)閳D像處理和模式識(shí)別。

E－mail：guoliang.liu＠hotmail.com