范慶輝 慕建君 項德良 宋文青

?

基于非平穩(wěn)性和極化相干系數(shù)比的PolSAR圖像建筑物檢測

范慶輝*①②慕建君①項德良③宋文青④

①(西安電子科技大學計算機學院 西安 710071)②(河南科技大學信息工程學院 洛陽 471023)③(國防科學技術大學電子科學與工程學院 長沙 410073)④(西安電子科技大學雷達信號處理國家重點實驗室西安710071)

為了提高全極化合成孔徑雷達(PolSAR)圖像中城區(qū)建筑物的檢測精度，該文提出一種基于人造目標散射非平穩(wěn)性和極化相干系數(shù)比的建筑物檢測新方法。該方法首先對PolSAR圖像進行濾波和方位向時頻分解，得到多個子孔徑圖像，然后結(jié)合方位向非平穩(wěn)性檢測和極化相干系數(shù)比來判斷某個像素是否為建筑物。該文通過引入一種新的極化相干系數(shù)比從而使獲取的建筑物檢測結(jié)果優(yōu)于傳統(tǒng)非平穩(wěn)性檢測方法，能夠有效去除具有布拉格散射的自然地物虛警從而提高檢測精度。星載和機載PolSAR數(shù)據(jù)實驗結(jié)果驗證了該方法的有效性。

極化合成孔徑雷達；建筑物檢測；子孔徑分解；極化相干系數(shù)比；非平穩(wěn)性檢測

1 引言

近年來，合成孔徑雷達(SAR)和極化SAR (PolSAR)圖像城區(qū)建筑物檢測作為雷達遙感影像解譯的一個重要應用得到越來越多學者的關注，其對城市規(guī)劃，自然災害監(jiān)測與評估有著重要作用。由于城區(qū)建筑物的極化散射特性與雷達照射方向密切相關，因此具有不同姿態(tài)方位角的建筑物在PolSAR圖像上會表現(xiàn)出明顯差異。對自然地物來說，其偶次散射很弱而表面散射和體散射很強。墻面垂直于雷達照射方向的建筑物由于能產(chǎn)生很強的偶次散射導致其容易與自然地物分開。如果建筑物墻面與雷達照射方向不垂直，其偶次散射減弱而體散射增強，這和植被在PolSAR圖像上的散射類型相似，因此兩種地物很難被區(qū)分。目前已有很多學者提出了針對PolSAR圖像城區(qū)建筑物的檢測方法。Lee等人[8]根據(jù)不同姿態(tài)方位角下建筑物的散射特性提出一種相位差建筑物檢測方法。Kajimoto等人[9]基于極化方位角、體散射功率和總散射功率等特征來檢測垂直和非垂直于雷達照射方向的兩種類型建筑物。

由于具有復雜幾何結(jié)構的建筑物在不同雷達照射角下會表現(xiàn)出不同的電磁散射特性，近年來基于子孔徑分解的方位向非平穩(wěn)目標檢測方法得到越來越多學者的關注，該方法可以有效提取目標在不同雷達照射角下的散射特征。Ferro-Famil等人[10]基于經(jīng)典的Wishart分布采用似然比假設檢驗來提取PolSAR圖像城區(qū)建筑物。為了進一步提高高分辨率PolSAR圖像建筑物檢測精度，Wu等人[2]采用Rician分布代替Wishart分布來進行方位向非平穩(wěn)目標檢測，在ESAR圖像建筑物檢測中效果明顯。盡管這些方法能深入挖掘建筑物散射信息從而提高檢測精度，但PolSAR圖像上存在一些散射非平穩(wěn)的自然地物，導致檢測結(jié)果存在很多虛警，因此如何提高該方法的適應性和精度仍然是一個值得研究的問題。

反射非對稱性是PolSAR圖像上建筑物的一個重要特征，也是用來區(qū)分建筑物與自然地物的重要依據(jù)。對自然地物有，而對人工目標則有[11]。在此理論基礎上，Ainsworth等人[11]將相干矩陣元素及對應轉(zhuǎn)置設為零，再將其與原始相干矩陣的圓極化相關系數(shù)做比值從而提出一種歸一化的圓極化相關系數(shù)。該方法用來判斷像素是否為非垂直于雷達照射方向建筑物。Xiao等人[12]通過旋轉(zhuǎn)極化相干矩陣方式使墻面非垂直于雷達照射方向的建筑物極化相干系數(shù)顯著增強，而自然地物的相干系數(shù)保持穩(wěn)定來提取城區(qū)建筑物。Xiang等人[4]在子孔徑分解的基礎上考慮方位向非平穩(wěn)性和人工目標反射非對稱性從而對PolSAR圖像人造目標進行檢測。這些應用表明，將反射非對稱性與基于子孔徑分解的非平穩(wěn)性檢測結(jié)合起來將有助于提高建筑物檢測精度。

本文在子孔徑分解基礎上，將非平穩(wěn)性檢測和極化相干系數(shù)比結(jié)合起來提出一種新的PolSAR圖像建筑物檢測方法。本文所提出的相干系數(shù)比充分考慮了人造目標反射非對稱性以及同極化和交叉極化通道間散射差異，因此能降低原始方位向非平穩(wěn)檢測算法的虛警率。星載PALSAR和機載ESAR數(shù)據(jù)實驗結(jié)果表明，本文方法能有效應用于城區(qū)建筑物檢測。

2 全極化PolSAR圖像子孔徑分解

Ferro-Famil等人在文獻[10]中指出，SAR在不同的雷達照射角下會收到不同多普勒頻率的目標回波，通過合成這些回波形成遙感影像，因此SAR圖像中任一像素點不只對應于單一的觀察視線，而是對應于一定范圍內(nèi)雷達觀察角的合成。由于方位向觀察角與多普勒頻率存在對應關系，因而可以將信號分為多個子孔徑數(shù)據(jù)集，這個集合中每一個子集只含有多普勒域的一部分，且對應于不同的方位向觀察角。方位向子孔徑分解可以用來分析和描述場景中目標各向異性散射的瞬時表現(xiàn)并將目標的極化散射機理變化體現(xiàn)出來[10]。

3 基于非平穩(wěn)性和極化相干系數(shù)比的PolSAR圖像建筑物檢測

3.1 PolSAR圖像方位向非平穩(wěn)性檢測

(2)

則極化散射相干矩陣可表示為

(5)

(7)

對式(7)展開并結(jié)合式(4)可得

在實際計算中可對式(8)取對數(shù)，由于式(8)結(jié)果服從卡方分布，通過設置虛警率可以得到對應閾值[10]。如果檢驗量小于給定閾值，就可以判斷該像素為具有非平穩(wěn)散射特性的建筑物。該方法雖然能檢測出大部分建筑物，但存在明顯虛警，因為具有布拉格散射的自然地物也具有散射非平穩(wěn)性。因此如何去除自然地物虛警以提高檢測精度仍然是一個重要問題。

3.2 極化相干系數(shù)比

已有研究表明，各個極化通道的相干系數(shù)對目標特性非常敏感。任意兩個極化通道其極化相干系數(shù)定義為[11]

(10)

結(jié)合式(2)和式(3)，式(10)可進一步表示為

其中分子為反射非對稱項，分母為偶次散射和體散射功率乘積的開方。其幅度可用來描述目標散射機理。對自然地物，由于，所以很小；對垂直雷達照射方向的建筑物，，因此不為零；對非垂直雷達照射方向建筑物，由于其體散射功率較大，因此也較小導致其目標區(qū)分能力并不明顯。將式(11)與同極化通道相干性系數(shù)結(jié)合起來可定義極化相干系數(shù)比為

(12)

3.3 檢測結(jié)果融合方法

方位向非平穩(wěn)檢測方法和極化相干系數(shù)比檢測方法都是針對建筑物進行檢測，因此如果將兩種檢測結(jié)果融合則能一方面去除自然地物虛警，另一方面也能進一步提高建筑物檢測精度。基于此，本文采用一種交叉融合和相似聚類的方法來對兩種檢測結(jié)果進行融合從而得到最終的建筑物檢測結(jié)果，該融合方法的主要思路是將兩種二值化檢測結(jié)果分別求交集，得到4種類別，分別為建筑物-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()，其中每一個類別中前者為基于方位向非平穩(wěn)檢測結(jié)果，后者為極化相干系數(shù)比檢測結(jié)果。由于和中的像素在兩種檢測結(jié)果中具有相同類別，因此具有較高置信度，該部分像素類別不再變化。分別計算,與和的距離，按照最小距離原則將和中像素類別分別更新為或者，類與類之間的距離可按式(13)計算[13]：

綜上所述，本文提出的建筑物檢測方法主要分為以下步驟：(1)將PolSAR圖像進行精致Lee濾波處理從而抑制相干斑噪聲；(2)對濾波后圖像進行方位向時頻分解從而得到子孔徑圖像。同時基于PolSAR圖像的相干矩陣和Sinclair矩陣計算極化相干系數(shù)比；(3)針對子孔徑圖像進行似然比檢測，對得到的似然比圖像進行閾值化()從而獲取方位向非平穩(wěn)性檢測結(jié)果；(4)在極化相干比結(jié)果中，如果，則標記為建筑物，否則標記為自然地物，得到極化相干比檢測結(jié)果；(5)將方位向非平穩(wěn)檢測和極化相干系數(shù)比檢測結(jié)果按照本文方法融合，對融合后結(jié)果采取形態(tài)學后處理從而得到最終的建筑物檢測結(jié)果。

4 實驗結(jié)果與分析

本文采取星載PALSAR和機載ESAR L波段數(shù)據(jù)來驗證所提出的建筑物檢測方法有效性，同時與傳統(tǒng)的方位向非平穩(wěn)性檢測算法[10]以及融合極化和紋理特征的建筑物檢測算法[6]進行比較，并進一步分析了融合方法在建筑物檢測中的有效性。

4.1 實驗數(shù)據(jù)介紹及參數(shù)討論

圖1為美國San Francisco地區(qū)PALSAR L波段數(shù)據(jù)Pauli圖和對應光學圖像，其方位向和距離向空間分辨率分別為3.54 m×9.36 m。圖1(a)為從Google Earth上獲取的光學圖像，該區(qū)域包含豐富的地物類型如森林、不同極化方位角的建筑物、水域、裸地等。圖1(b)為對應區(qū)域的Pauli圖像，圖像高和寬分別對應雷達的方位向和距離向。從圖1(b)中A和B兩個建筑區(qū)域可以看出，非垂直于雷達照射方向建筑物具有明顯的體散射效應，從而使得其與森林難以區(qū)分。圖2為德國Oberpfaffenhofen地區(qū)機載ESAR L波段數(shù)據(jù)Pauli圖和對應光學圖像，其方位向和距離向空間分辨率都為3 m。

圖1 San Francisco地區(qū)PALSAR L波段數(shù)據(jù)?????圖2 Oberpfaffenhofen地區(qū)ESAR L波段數(shù)據(jù)

4.2 PALSAR數(shù)據(jù)實驗結(jié)果與討論

圖3(a)給出了本文提出的極化相干系數(shù)比結(jié)果圖，從中可以看出建筑物與自然地物的區(qū)分性明顯，并且垂直與非垂直雷達照射方向的兩種建筑物也有著較明顯的區(qū)分。這是因為極化相干系數(shù)比不僅考慮了目標反射非對稱性，同時還考慮了同極化通道與交叉極化通道間的目標散射差異性。

從圖3(a)中選擇垂直雷達照射方向建筑區(qū)(A)、非垂直雷達照射方向建筑區(qū)(B)、森林(C)以及水域(D)并將其相干系數(shù)比分布顯示在圖3(b)中，可以看出建筑區(qū)和森林的相干系數(shù)比直方圖區(qū)分十分明顯。因此可以從PolSAR圖像中選擇一定量的訓練樣本來分析極化相干系數(shù)比的平均值從而根據(jù)這些統(tǒng)計值來確定檢測閾值。此外還可以根據(jù)極化相干系數(shù)比的直方圖分布來自動搜索局部極小值點作為檢測閾值，本文即采用這種直方圖局部搜索的方式來自動確定建筑物和森林的判別閾值。

圖4(a)-圖4(d)分別給出了原始方位向非平穩(wěn)性檢測結(jié)果[10]、極化相干系數(shù)比檢測結(jié)果、本文方法融合檢測結(jié)果以及文獻[6]的融合檢測結(jié)果。從圖4 可以看出，原始方位向非平穩(wěn)檢測和本文提出的極化相干系數(shù)比都能檢測出大部分建筑物，但在圖4(a)中，一些具有布拉格散射的自然地物也呈現(xiàn)了較強的非平穩(wěn)性，導致該方法得到的檢測結(jié)果中自然地物虛警比較高。圖4(b)中極化相干系數(shù)比檢測能去除絕大部分自然地物虛警，如圖中圓圈區(qū)域所示，同時該方法還能增強大部分建筑物的檢測結(jié)果，這是由于建筑物具有較強的反射非對稱性使得其極化相干比值較高從而能與森林等區(qū)分開來。然而該結(jié)果中仍然存在一些非垂直雷達照射方向建筑物無法被檢測出，如方框區(qū)域所示。從圖4(c)可看出，經(jīng)過融合，一方面兩種方法的建筑物檢測結(jié)果得到增強，垂直和非垂直雷達照射方向建筑物都能被檢測出來，如方框區(qū)域所示；另一方面該融合結(jié)果幾乎能去除所有的自然地物虛警，這說明本文提出的極化相干比能有效去除自然地物虛警，同時將非平穩(wěn)性檢測和極化相干比檢測融合起來有助于提高建筑物檢測精度。在圖4(d)中，基于極化和紋理特征的建筑物融合檢測結(jié)果能得到大部分建筑物，但仍然存在少量森林虛警，影響了總體檢測精度。

圖3 極化相干比結(jié)果圖(PALSAR數(shù)據(jù))

圖4 不同方法建筑物檢測結(jié)果(PALSAR數(shù)據(jù))

為了定量評估不同建筑物檢測算法，以圖1(a)為地面真實類別圖，我們選擇103530個像素作為測試樣本來計算原始方位向非平穩(wěn)檢測方法[10]、本文方法以及文獻[6]方法這3 種檢測算法的精度。測試樣本中53821個像素為建筑物，49709個像素為自然地物。表1為不同檢測結(jié)果的精度對比，可以看出，相較于原始方位向非平穩(wěn)檢測以及文獻[6]方法，本文提出的極化相干比檢測將建筑物判斷為自然地物的概率明顯降低，同時本文融合方法能有效結(jié)合兩種方法的檢測結(jié)果從而進一步提高建筑物檢測精度。

表1 不同方法建筑物檢測精度對比(PALSAR數(shù)據(jù))

檢測方法建筑物(%)自然地物(%)總體精度(%)Kappa系數(shù) 方位向非平穩(wěn)檢測76.362.569.40.388 極化相干比檢測82.790.186.40.728 本文方法融合檢測86.492.389.30.787 文獻[6]融合檢測80.578.579.50.591

4.3 ESAR數(shù)據(jù)實驗結(jié)果與討論

圖5(a)和圖5(b)為針對ESAR數(shù)據(jù)的極化相干系數(shù)比及其閾值化后的建筑物檢測結(jié)果，圖5(c)為原始方位向非平穩(wěn)檢測結(jié)果，圖5(d)為文獻[6]融合檢測結(jié)果。對比3種檢測結(jié)果可以看出，極化相干系數(shù)比去除了絕大部分自然地物虛警，同時還能較好地保持道路、孤立建筑物以及人工建造的復雜場地，如圖5(b)中橢圓區(qū)域所示。原始的方位向非平穩(wěn)檢測和文獻[6]中的融合檢測雖然能檢測到大部分建筑物，但存在很多森林虛警，影響了建筑物檢測精度。

圖6給出了本文方法針對ESAR數(shù)據(jù)的建筑物檢測結(jié)果，其中圖6(a)為極化相干系數(shù)比檢測與原始方位向非平穩(wěn)檢測的融合結(jié)果，可以看出該結(jié)果一方面增強了建筑物的檢測概率，另一方面又去除了自然地物虛警，驗證了本文融合方法的有效性。圖6(b)為檢測結(jié)果疊加顯示在Pauli圖上，可以看出，幾乎所有的建筑物、道路以及城區(qū)其他人工目標都能被檢測出來。和前面PALSAR數(shù)據(jù)實驗結(jié)果類似，表2為ESAR數(shù)據(jù)不同檢測結(jié)果的精度對比，可以看出，相較于原始方位向非平穩(wěn)檢測和文獻[6]的融合檢測，本文提出的極化相干比檢測總體精度分別高出18%和8%左右，而融合檢測在此基礎上又能進一步將建筑物檢測精度提高6%左右，Kappa系數(shù)達到0.7。通過上述星載和機載PolSAR數(shù)據(jù)實驗結(jié)果表明，本文方法能很好地對城區(qū)建筑物進行檢測。

5 結(jié)束語

從極化SAR圖像中提取建筑物對極化SAR圖像解譯有著非常重要的意義，同時也是SAR圖像城區(qū)遙感的研究重點之一。本文重點分析了極化SAR圖像建筑物的反射非對稱性及其在同極化以及交叉極化通道間的散射差異，進一步提出了極化相干系數(shù)比以用于增強建筑物與自然地物的區(qū)分能力。同時將極化相干系數(shù)比與方位向非平穩(wěn)性檢測算法結(jié)合以提高PolSAR圖像建筑物檢測精度。實驗結(jié)果證明，本文方法較原始方位向非平穩(wěn)建筑物檢測算法精度明顯提升，能有效應用于星載和機載PolSAR圖像城區(qū)建筑物檢測。

圖5 不同方法建筑物檢測結(jié)果(ESAR數(shù)據(jù))

圖6 本文方法建筑物融合檢測結(jié)果(ESAR數(shù)據(jù))

表2 不同方法建筑物檢測精度對比(ESAR數(shù)據(jù))

檢測方法建筑物(%)自然地物(%)總體精度(%)Kappa系數(shù) 方位向非平穩(wěn)檢測70.252.361.20.225 極化相干比檢測79.480.179.70.595 本文方法融合檢測83.586.785.10.702 文獻[6]融合檢測75.667.571.50.431

參考文獻

[1] 劉燕, 譚維賢, 林赟, 等. 基于圓跡 SAR 的建筑物輪廓信息提取[J]. 電子與信息學報, 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.

范慶輝：男，1978年生，博士生，研究方向為PolSAR圖像處理、雷達目標識別等.

慕建君： 男，1965年生，教授，博士生導師，研究方向為存儲編碼、計算機網(wǎng)絡、圖像處理等.

項德良： 男，1989年生，博士，研究方向為SAR和PolSAR圖像處理、目標檢測識別等.

宋文青： 男，1988年生，博士生，研究方向為雷達目標識別、統(tǒng)計信號處理、統(tǒng)計機器學習.

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

范慶輝 haustfanqh@126.com

國家自然科學基金(61271004, 61471286, 61501504)

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