張 強(qiáng) 彭曉軍 許 超 明德烈

（1.火箭軍裝備研究院 北京 100094）（2.華中科技大學(xué)自動(dòng)化學(xué)院 武漢 430074）

SAR景象匹配適配性指標(biāo)體系構(gòu)建方法研究?

張 強(qiáng)1彭曉軍1許 超2明德烈2

（1.火箭軍裝備研究院 北京 100094）（2.華中科技大學(xué)自動(dòng)化學(xué)院 武漢 430074）

論文主要探討了如何構(gòu)建科學(xué)、合理的SAR圖像適配性指標(biāo)體系的過程。在適用于SAR圖像的圖像特征參數(shù)指標(biāo)體系構(gòu)建基礎(chǔ)之上，首先對(duì)各個(gè)圖像特征參數(shù)進(jìn)行單次獨(dú)立實(shí)驗(yàn)，驗(yàn)證其正確性以及對(duì)不同類型圖像的區(qū)分性；再對(duì)各個(gè)參數(shù)在大量訓(xùn)練集的基礎(chǔ)上進(jìn)行統(tǒng)計(jì)實(shí)驗(yàn)，分析其對(duì)正負(fù)樣本的區(qū)分性。提出了兩種圖像預(yù)處理的方法，極大地消除了訓(xùn)練集圖像之間、訓(xùn)練集圖像與使用集圖像之間，因?yàn)槌上癍h(huán)境、氣候、飛行器飛行模式、SAR極化方式等原因造成的圖像質(zhì)量差異，與此同時(shí)，還使得部分特征參數(shù)獲得了對(duì)圖像更好的描述能力。

SAR；景象匹配；適配性；指標(biāo)體系

1 引言

在當(dāng)今的慣性組合導(dǎo)航系統(tǒng)中，主要是通過進(jìn)行SAR圖像匹配來輔助定位的，想要定位結(jié)果具有較高的精度，除了要求圖像匹配算法應(yīng)具有優(yōu)越的性能以外，SAR圖像中目標(biāo)區(qū)域的適配性分析也同樣重要。強(qiáng)適配性的匹配區(qū)域是飛行器行進(jìn)過程中SAR所拍攝的實(shí)時(shí)圖象與預(yù)先準(zhǔn)備好的SAR基準(zhǔn)圖能夠成功匹配的保障。因此，什么樣的特征可以被用來衡量SAR圖像區(qū)域適配性的強(qiáng)弱，如何消除特征因SAR成像環(huán)境或者是圖像尺寸變化導(dǎo)致的不穩(wěn)定性，以及如何從SAR圖像的給定區(qū)域提取有價(jià)值的信息，便成為SAR圖像適配性分析的一個(gè)核心問題，本文主要圍繞如何構(gòu)建科學(xué)、高效的SAR圖像適配性分析指標(biāo)體系展開研究。

想要對(duì)SAR圖像匹配區(qū)域的適配性進(jìn)行準(zhǔn)確的描述，首要的問題是選取的圖像特征參數(shù)要具備穩(wěn)定性。而SAR圖像的適配性受到許多因素的影響，因此可以由多個(gè)基本的適配特征參數(shù)，合成得到一個(gè)穩(wěn)定的適配性分析指標(biāo)體系。每一個(gè)基本適配特征，必須可以從某一個(gè)角度反應(yīng)出SAR圖像的適配性，將之合成之后，整個(gè)適配性指標(biāo)體系應(yīng)能夠全面的表征SAR圖像的適配性能。對(duì)于特征選擇的問題，目前為止已經(jīng)進(jìn)行了較為廣泛的研究［1～2］。近些年來，引入現(xiàn)代搜索方法已經(jīng)成為了特征選擇研究的一個(gè)重要發(fā)展方向，利用計(jì)算機(jī)處理大規(guī)模數(shù)據(jù)的優(yōu)勢來完成高性能特征的合成［3～4］，該方式不僅解決了人工選擇特征時(shí)只能依靠經(jīng)驗(yàn)進(jìn)行選擇，缺乏效率、客觀性和全面性的問題，而且，即使不能夠全面地理解圖像中所包含的信息，依然能夠順利地對(duì)圖像進(jìn)行分析。Lin等通過對(duì)基于基本識(shí)別特征的表達(dá)式二叉樹進(jìn)行協(xié)進(jìn)化遺傳碼得到綜合特征［5］，將之進(jìn)行訓(xùn)練得到效率較高的貝葉斯分類器，最后用來對(duì)不同類型的車輛圖象進(jìn)行分類，其提出的方法在目標(biāo)檢測和識(shí)別領(lǐng)域中取得了較為顯著的成果。Yu等訓(xùn)練基于Ga?bor小波特征的SVM（支撐向量機(jī)），并以此對(duì)不同的面部表情進(jìn)行識(shí)別［6］。Manoranja等最先將特征篩選的過程分解成子集生成、評(píng)估、停止準(zhǔn)則和結(jié)果檢驗(yàn)四個(gè)過程［7］，該方法已成為特征篩選的基本標(biāo)準(zhǔn)。

本文介紹創(chuàng)建一個(gè)科學(xué)的適配性指標(biāo)體系所需要考慮到的幾個(gè)重要條件。首先，要從穩(wěn)定性、唯一性、豐富性三個(gè)角度來全面地選擇足夠的特征參數(shù)；然后，提出兩種圖像預(yù)處理的方法，用以消除不同圖像之間因?yàn)槌上癍h(huán)境或是SAR極化方式不同而導(dǎo)致的差異，使得所選特征參數(shù)在不同圖像中具有可比性；最后，對(duì)所選擇的特征參數(shù)分別進(jìn)行獨(dú)立實(shí)驗(yàn)和統(tǒng)計(jì)實(shí)驗(yàn)，結(jié)合每一個(gè)參數(shù)的物理意義驗(yàn)證其準(zhǔn)確性、穩(wěn)定性以及其對(duì)正負(fù)樣本的區(qū)分性。本文根據(jù)大量的實(shí)驗(yàn)結(jié)果對(duì)傳統(tǒng)的圖像特征參數(shù)進(jìn)行了適當(dāng)?shù)膬?yōu)化，以保證其能夠良好地反應(yīng)圖像特性，并且給出優(yōu)化前后的對(duì)比結(jié)果。

2 SAR成像特征參數(shù)選取

在進(jìn)行匹配區(qū)的選擇時(shí)，應(yīng)當(dāng)選取信息豐富、景物特征穩(wěn)定并且景物特征獨(dú)特的區(qū)域作為匹配區(qū)。諸如瓶頸海面、湖面，或者是沙漠地帶，這類區(qū)域包含的信息量通常比較少，幾乎沒有典型的場景或目標(biāo)，辨識(shí)度較低，匹配概率也較低，所以該類地形通常無法正確匹配［8］。同樣，有些圖像區(qū)域中，即使存在一些可識(shí)別的目標(biāo)或者場景，但該目標(biāo)或場景易受到外界因素的影響，其特性會(huì)隨著季節(jié)或是拍攝角度而變化，則該類圖像區(qū)域雖然含有足夠的信息量，但景物特征不夠穩(wěn)定，也不能夠作為匹配區(qū)。景物特征要有獨(dú)特性是因?yàn)樵谝磺袌鼍爸?，包含足夠的信息量并且景物特征也十分穩(wěn)定，但同類型的景物數(shù)量較多，非常相似，在進(jìn)行匹配的時(shí)候由于過多的重復(fù)場景，就會(huì)存在多個(gè)潛在的匹配位置，進(jìn)而出現(xiàn)錯(cuò)誤匹配的情況［9］。

不論是豐富的信息量、穩(wěn)定的特征還是具有獨(dú)特性的景物，這些都是對(duì)SAR圖像的定性描述，那么在實(shí)際選擇匹配區(qū)時(shí)，必須要對(duì)圖像的各個(gè)特性有一個(gè)全面的、定量的描述，所以將對(duì)圖像的定性的描述與圖像特征參數(shù)的定量描述結(jié)合在一起，才能有效地分析SAR圖像的適配性［10～11］。本文列舉了兩類圖像特征指標(biāo)，分別是基于相關(guān)面描述的指標(biāo)與基于圖像統(tǒng)計(jì)特征的指標(biāo)，并對(duì)每項(xiàng)指標(biāo)自身的穩(wěn)健性以及與圖像可匹配性的關(guān)系進(jìn)行了詳細(xì)分析。

2.1 基于相關(guān)面描述的指標(biāo)

相關(guān)匹配算法描述的是實(shí)時(shí)圖和基準(zhǔn)圖各個(gè)位置的相似程度，而基于相關(guān)面描述的指標(biāo)，則是用于描述兩者之間的相似性大?。?2］。進(jìn)行匹配時(shí)，以實(shí)時(shí)圖為模板，逐像素掃描基準(zhǔn)圖，在每個(gè)像素點(diǎn)都通過匹配算法計(jì)算得到一個(gè)相關(guān)系數(shù)值，并將該值依次按順序排列成二維矩陣，就是所求的相關(guān)面。在傳統(tǒng)的互相關(guān)匹配算法中，將相關(guān)面最大值默認(rèn)為實(shí)時(shí)圖在基準(zhǔn)圖中的匹配位置。在相關(guān)面的基礎(chǔ)上，建立一系列的有關(guān)特征，來描述實(shí)時(shí)圖與基準(zhǔn)圖的相互作用結(jié)果。

計(jì)算得到的相關(guān)面通常不是一個(gè)平整的表面，而是呈現(xiàn)波動(dòng)起伏分布。一般而言，將一定鄰域范圍內(nèi)的相關(guān)系數(shù)最大值成為峰值，而所有峰值中的最大值稱為最高峰，其余的峰值均被稱為次高峰［13～14］。當(dāng)兩個(gè)相關(guān)峰的相關(guān)系數(shù)值越接近，則表明這兩個(gè)峰值所對(duì)應(yīng)的區(qū)域具有越高的相似程度，即容易產(chǎn)生誤匹配。尤其是實(shí)時(shí)圖由于成像環(huán)境和SAR極化方式等原因，具有較大的成像畸變，在這種情況下次高峰甚至?xí)虼宿D(zhuǎn)變成最高峰，直接導(dǎo)致錯(cuò)誤匹配。所以，越陡峭的尖峰就越容易取得高的匹配概率和匹配精度，而較為平緩的峰則有可能會(huì)產(chǎn)生失配的情況。

首先，我們提取相關(guān)面特征參數(shù)的初衷，即為表征實(shí)時(shí)圖在基準(zhǔn)圖中對(duì)應(yīng)子圖的特性，以及它們之間的相互作用關(guān)系。然而，傳統(tǒng)的相關(guān)面參數(shù)都是基于相關(guān)面最高峰的，即相關(guān)面參數(shù)所反映的是實(shí)時(shí)圖在基準(zhǔn)圖中匹配位置的特性，而不一定是實(shí)時(shí)圖的實(shí)際位置。顯然，這與我們提取相關(guān)面特征參數(shù)的初衷不符，本文對(duì)所有傳統(tǒng)的相關(guān)面特征參數(shù)進(jìn)行了修改，使其能更好地適用于SAR圖像適配性分析指標(biāo)體系。

2.2 基于圖像統(tǒng)計(jì)特征的指標(biāo)

區(qū)別于相關(guān)面的特征，圖像統(tǒng)計(jì)特征主要表征的是圖像自身的特性，主要是圖像所包含的信息的豐富程度。通常來說，一幅圖像所包含的信息量越豐富，該圖像內(nèi)就存在越多的顯著的景物，意味著圖像比較易于匹配成功［15～16］。但在實(shí)際的圖像匹配過程中，并不完全是這樣，如果圖像中的景物繁多且較為相似，則有可能無法正確匹配；盡管如此，圖像統(tǒng)計(jì)特征依然是表征一幅圖像是否可匹配的重要衡量指標(biāo)，在此列出幾個(gè)使用到的圖像統(tǒng)計(jì)特征。

1）紋理頻譜參數(shù)

紋理頻譜特征主要是表征圖像中的地形在空間的分布，低頻段主要是粗紋理，高頻段主要是細(xì)紋理。本文中，在極坐標(biāo)下，用不同半徑對(duì)圓域進(jìn)行積分求取其能量的強(qiáng)度，再將之除以總能量，得到某一頻段能量所占的比例大小，用以反映圖像中粗細(xì)紋理的豐富程度。

假設(shè) f(x，y)表示原始圖像中坐標(biāo)為(x，y)點(diǎn)的像素值大小，F(xiàn)(x，y)為其傅里葉變換，令：

定義頻域內(nèi)的環(huán)形統(tǒng)計(jì)量為

定義紋理能量比特征為

極半徑 ρ取ω 2、ω 4、ω 8、ω 16，得到4個(gè)統(tǒng)計(jì)量，并且細(xì)紋理豐富的圖像區(qū)域，其值下降速度較快，而粗紋理豐富的圖像區(qū)域，則下降速度較慢。在本文中，將4個(gè)帶寬的紋理頻譜參數(shù)值分開作為獨(dú)立特征表征圖像特性。

2）灰度方差

圖像灰度方差是一個(gè)較為簡單，但應(yīng)用廣泛，且能夠有效反應(yīng)圖像包含信息量大小的圖像特征參數(shù)。它所表達(dá)的意義是整個(gè)圖像中每一個(gè)像素點(diǎn)的灰度值偏離圖像整體平均值的程度，能夠反映出圖像灰度變化的起伏。

若一幅圖像中顯著的景物較少，地形變化平緩，則其具有較小的灰度方差；反之，若一幅圖像中包含豐富多樣的景物，則其通常具有較大的灰度方差?；叶确讲畹挠?jì)算公式為

其中，X(i，j)表示圖像中坐標(biāo)為(i，j)處點(diǎn)的灰度值大小，E(i，j)表示整個(gè)圖像的灰度平均值，m、n則分別表示圖像的行和列數(shù)。

3）累加梯度值

累加梯度值即為整幅目標(biāo)圖像中每個(gè)像素點(diǎn)的梯度值的累加和，它能夠反映圖像中存在邊緣的多少及圖像中灰度變化情況，也是一個(gè)反映圖像包含信息量的特征參數(shù)。梯度值反映的是圖像邊緣是否較突出，即圖像的輪廓是否較顯著。若一塊圖像區(qū)域內(nèi)，存在較為顯著的邊緣輪廓，則其具有較大的梯度值；對(duì)于邊緣平滑的區(qū)域，其梯度值相對(duì)較??；對(duì)于灰度級(jí)為常數(shù)的區(qū)域，其梯度值為0。累加梯度值的計(jì)算方法為

令Gx和Gy分別表示圖像沿x方向和 y方向的梯度：

由式（7）～（8）得，圖像 f(x，y)在點(diǎn) (x，y)處的梯度值為

最后把圖像中的所有像素點(diǎn)的梯度值相加，即得到了所求的累加梯度值：

4）梯度方向熵

在本文中采用梯度方向熵這個(gè)參數(shù)來度量圖像特征的穩(wěn)定性。首先求得目標(biāo)圖像的梯度方向圖，然后在每個(gè)像素點(diǎn)周圍一定范圍的鄰域內(nèi)，對(duì)其進(jìn)行梯度方向直方圖統(tǒng)計(jì)，再根據(jù)方向梯度直方圖計(jì)算出梯度方向熵。這樣每個(gè)點(diǎn)就都有了一個(gè)熵值，得到熵圖，最后取熵圖強(qiáng)度前30%像素的均值作為目標(biāo)區(qū)域的熵值量度。

其具體計(jì)算方法分為4步：

（1）計(jì)算梯度的大小和方向

對(duì)目標(biāo)圖像分別在水平和垂直方向上應(yīng)用一維離散微分模板。接著使用卷積核[-1，0，1]，[-1，0，1]T對(duì)圖像進(jìn)行卷積運(yùn)算，得到水平方向梯度 Gx(x，y)和垂直方向梯度 Gy(x，y)，則像素點(diǎn)(x，y)處的梯度幅值和梯度方向分別為

（2）統(tǒng)計(jì)梯度方向直方圖

把0～360°的梯度方向平均劃分為n個(gè)區(qū)間；接著對(duì)每個(gè)單元格中的每一像素點(diǎn)，采用加權(quán)投票的方法對(duì)其進(jìn)行直方圖統(tǒng)計(jì)，并由此得到一個(gè)對(duì)應(yīng)的n維特征向量。即每一個(gè)像素點(diǎn)投向?qū)?yīng)的方向區(qū)間時(shí)是帶有權(quán)重的，而其權(quán)重值是根據(jù)該點(diǎn)的梯度幅度大小計(jì)算出來的。

（3）計(jì)算梯度方向熵

分別統(tǒng)計(jì)圖像塊梯度方向直方圖中每個(gè)方向的概率pi，則由此得到每個(gè)圖像塊的梯度方向熵為

然后，將每個(gè)方向的梯度方向熵求和得到最終的梯度方向熵：

（4）量化梯度方向熵

根據(jù)梯度方向熵的定義和計(jì)算方式，結(jié)合熵的定義可知，當(dāng)一幅圖內(nèi)，存在分布較為平均的各個(gè)方向的梯度時(shí)，梯度方向熵會(huì)取得較大值，而當(dāng)一幅圖像中的梯度主要分布在一兩個(gè)方向時(shí)，梯度方向熵會(huì)取得較小值。

由熵的定義可知，當(dāng)每個(gè)方向的梯度出現(xiàn)概率都相等的情況下，熵取得最大值：

在實(shí)際計(jì)算的過程中，由于很少出現(xiàn)熵值很小的情況，大部分時(shí)候熵的值都離最大值很近。為了增加特征描述的區(qū)分性，并便于輸出目標(biāo)區(qū)域的熵的強(qiáng)度圖進(jìn)行分析，將梯度方向熵量化值命名為GDE，用如下公式量化：

GDE取值范圍是［0，255］，且當(dāng)GDE值大時(shí)，代表對(duì)應(yīng)的熵值小，反之，GDE值小，代表熵值大。

對(duì)熵值強(qiáng)度圖（GDE）圖進(jìn)行統(tǒng)計(jì)，對(duì)GDE圖中像素點(diǎn)進(jìn)行由大到小排序，將排序結(jié)果中占總像素?cái)?shù)的前30%的點(diǎn)進(jìn)行加權(quán)，即形成最終目標(biāo)區(qū)域的GDE值：

其中，w和h分別是目標(biāo)區(qū)域的寬和高。

根據(jù)梯度方向熵的定義和計(jì)算方式，結(jié)合熵的定義可知，當(dāng)一幅圖內(nèi)，存在分布較為平均的各個(gè)方向的梯度時(shí)，梯度方向熵會(huì)取得較大值，而當(dāng)一幅圖像中的梯度主要分布在一兩個(gè)方向時(shí)，梯度方向熵會(huì)取得較小值。在實(shí)際圖像匹配過程中，小輪廓的景物在實(shí)時(shí)圖成像時(shí)由于畸變會(huì)產(chǎn)生較大的變化，不宜匹配，尤其具有大量相似小輪廓景物的圖像，通常會(huì)匹配失敗，該類圖像對(duì)應(yīng)較大的梯度方向熵；而圖像內(nèi)部小輪廓景物較少并且具有大尺度輪廓的圖像，通常能夠成功匹配，該類圖像的梯度方向熵通常較小。

3 SAR成像預(yù)處理

3.1 基準(zhǔn)圖預(yù)處理

在實(shí)際的使用過程中，訓(xùn)練集中的基準(zhǔn)圖往往不止一幅，所以訓(xùn)練集的基準(zhǔn)圖中可能存在圖像質(zhì)量參差不齊的情況，除此之外，使用集中的保障數(shù)據(jù)可能也和訓(xùn)練集存在較大的差異。如果放任這些圖像差異不管，一方面是所提取的圖像特征參數(shù)值分布在不同質(zhì)量的圖像之間沒有可比性，另一方面，所生成的適配性分析準(zhǔn)則也不可能很好地適用于各種圖像。所以，在進(jìn)行圖像特征參數(shù)的提取之前，最重要的一件事情，是對(duì)基準(zhǔn)圖圖像進(jìn)行必要的預(yù)處理，使不同質(zhì)量的基準(zhǔn)圖具有可比性，即讓適配性分析指標(biāo)體系能夠在同一個(gè)水平下對(duì)不同圖像的特性進(jìn)行描述。

由于受到天氣、季節(jié)、SAR極化方式不同等因素的影響，即使是同源圖像，也可能存在極大的差別。不論是圖像的整體亮度、對(duì)比度還是相干斑噪聲的大小，都有極大的差別，如果直接對(duì)差異較大的圖像進(jìn)行圖像特征的提取，那么獲得的參數(shù)值將會(huì)完全沒有可比性。

此處針對(duì)以上問題，對(duì)不同SAR圖像進(jìn)行預(yù)處理來減弱甚至消除圖像之間的差異。首先對(duì)圖像進(jìn)行對(duì)比度拉伸，拉伸前和拉伸后的SAR圖像如圖1所示。

對(duì)比對(duì)比度拉伸前后的SAR圖像，首先可以看到對(duì)比度拉伸之后的海面區(qū)域和陸地區(qū)域差異更佳顯著，海面區(qū)域本身含有的一部分噪聲在拉伸之后受到了抑制，陸地區(qū)域的邊緣被增強(qiáng)，但同時(shí)圖像中的許多相干斑噪聲被極大的加強(qiáng)了，這也會(huì)影響圖像的質(zhì)量。并且，在進(jìn)行對(duì)比度拉伸之后，該圖像在視覺上已經(jīng)和訓(xùn)練集圖像具有可比性。

圖1 對(duì)比度拉伸前后的SAR圖像

在進(jìn)行了對(duì)比度拉伸之后，雖然解決了對(duì)比度問題，但也隨之帶來了新的問題，就是部分噪聲被對(duì)比度拉伸加強(qiáng)了，這些噪聲會(huì)對(duì)提取的特征參數(shù)值噪聲產(chǎn)生不良影響，降低適配性準(zhǔn)則的準(zhǔn)確性。在本文中，解決噪聲的方法是對(duì)圖像進(jìn)行高斯濾波，經(jīng)過高斯濾波后的SAR圖像如圖2所示。

圖2 高斯濾波后的SAR圖像

由圖2可以看到，對(duì)比度拉伸后的圖像進(jìn)行了高斯濾波之后，大尺度輪廓和長直線條并沒有受到影響，而大量的噪點(diǎn)被濾除了。同時(shí)，在圖像匹配中，細(xì)小輪廓是容易發(fā)生變化的，而大尺度輪廓才適于匹配，在經(jīng)過高斯濾波后的SAR圖像中，諸如房屋密集區(qū)的大量細(xì)小輪廓和邊緣也被濾除，這對(duì)后續(xù)的特征參數(shù)提取是有利的。

3.2 實(shí)時(shí)圖預(yù)處理

此處針對(duì)進(jìn)行相關(guān)面參數(shù)計(jì)算的實(shí)時(shí)圖，是使用集中的實(shí)時(shí)圖，該實(shí)時(shí)圖由基準(zhǔn)圖截取，故其在進(jìn)行特定的實(shí)時(shí)圖預(yù)處理之前，已經(jīng)經(jīng)過了全圖的對(duì)比度拉伸以及高斯濾波。但僅僅經(jīng)過對(duì)比度拉伸和高斯濾波，是不夠的，因?yàn)橛稍瓐D截取的子圖，在進(jìn)行相關(guān)面匹配計(jì)算時(shí)，其匹配概率達(dá)到100%，并且相關(guān)面質(zhì)量極佳，相關(guān)面只有單一尖峰；而訓(xùn)練集中，由于實(shí)時(shí)圖是SAR實(shí)時(shí)拍攝，受到諸多因素影響，其圖像質(zhì)量較低，計(jì)算得到的相關(guān)面也較差，可能存在許多干擾尖峰或是重復(fù)模式。所以，為了讓使用集圖像所計(jì)算出的相關(guān)面參數(shù)與訓(xùn)練集具有可比性，就需要在進(jìn)行相關(guān)面計(jì)算之前，對(duì)實(shí)時(shí)圖進(jìn)行一些處理。

所用的基準(zhǔn)圖都是經(jīng)過預(yù)處理的，不存在幾何和旋轉(zhuǎn)失真，而所用到的實(shí)時(shí)圖是經(jīng)過幾何校正的，但圖像中可能會(huì)包含一部分無效區(qū)。對(duì)比基準(zhǔn)圖和實(shí)時(shí)圖，首先是兩者存在較大的亮度差異，并且由于SAR的成像特性，即使是基準(zhǔn)圖和實(shí)時(shí)圖對(duì)應(yīng)的子圖，其兩者在細(xì)節(jié)紋理上仍然有較大的差異，真正能夠?qū)D像匹配起到積極作用的主要還是圖像中的大尺度區(qū)域、輪廓等特征。其中，沿湖、海地區(qū)，具有清晰公路的地區(qū)可以想見是較容易匹配成功的，但對(duì)于不包含顯著特征的山區(qū)，其本身高程起伏較大，所形成的實(shí)時(shí)圖陰影和疊掩非常嚴(yán)重，造成實(shí)時(shí)圖產(chǎn)生很大的畸變，故而匹配成功率很低。

然后，圖3包含了兩種飛行模式下的兩個(gè)實(shí)時(shí)圖基準(zhǔn)圖計(jì)算后得到的相關(guān)面。

圖3 實(shí)際SAR匹配相關(guān)面

結(jié)合圖3可以得知，由于SAR實(shí)時(shí)圖形成時(shí)受運(yùn)載平臺(tái)運(yùn)動(dòng)方式、天氣季節(jié)、SAR本身極化方式等因素的影響，會(huì)有大幅度的畸變，導(dǎo)致實(shí)時(shí)圖與基準(zhǔn)圖進(jìn)行互相關(guān)匹配后得到的相關(guān)面并不能夠像理想相關(guān)面那樣得到一個(gè)突出的尖峰，而是以平頂峰的形式出現(xiàn)，并且其相關(guān)面峰值絕對(duì)值通常要遠(yuǎn)小于1。

而使用過程中則有所不同。由于在進(jìn)行相關(guān)面特征參數(shù)提取時(shí)，本文方法為：根據(jù)實(shí)時(shí)圖的真實(shí)位置，在基準(zhǔn)圖對(duì)應(yīng)坐標(biāo)點(diǎn)，截取與實(shí)時(shí)圖相同大小的子圖，并將所截取的圖像與基準(zhǔn)圖進(jìn)行匹配。由于采用的圖像匹配算法為互相關(guān)匹配算法，其本質(zhì)是進(jìn)行灰度互相關(guān)系數(shù)的計(jì)算，所以不論截取的子圖是否包含顯著的景物特征，其計(jì)算得到的相關(guān)面都是一個(gè)尖峰。在此選取一張顯然不能匹配成功的子圖與其對(duì)應(yīng)相關(guān)面如圖4所示。

圖4 海面圖以及對(duì)應(yīng)相關(guān)面

由圖4可以看出，如果在進(jìn)行特征參數(shù)提取的時(shí)候僅僅是截取參考圖的子圖進(jìn)行互相關(guān)匹配的話，其相關(guān)面與圖3的實(shí)時(shí)圖相關(guān)面完全沒有可比性，那么提取的所有相關(guān)面參數(shù)都沒有意義，無法對(duì)適配性分析起到任何作用。所以在本文中，預(yù)先對(duì)參考圖中截取的子圖進(jìn)行添加傅里葉噪聲、旋轉(zhuǎn)以及圖像壓縮5%的處理，處理過后的海面圖及其對(duì)應(yīng)相關(guān)面如圖5所示。

圖5 處理后的海面圖及其對(duì)應(yīng)相關(guān)面

由圖5可以看出，該圖像的相關(guān)面出現(xiàn)較多的峰，已經(jīng)無法正確匹配。并且可以看出經(jīng)過處理后的圖像所計(jì)算出的相關(guān)面，與實(shí)時(shí)圖計(jì)算出的相關(guān)面已經(jīng)具有可比性，并且能夠在一定程度上反應(yīng)該圖像在整個(gè)基準(zhǔn)圖中的唯一性。

4 適配性指標(biāo)參數(shù)篩選

不論是基于相關(guān)面的圖像參數(shù)還是圖像統(tǒng)計(jì)特征參數(shù)，都有其適用的范圍，也有各自的局限性，將某一個(gè)圖像特征應(yīng)用于SAR適配性分析之前，需要先對(duì)其進(jìn)行測試和分析，確保其能夠正確地反應(yīng)圖像特性，能夠?qū)m配性分析產(chǎn)生積極的影響。本文分別對(duì)各個(gè)圖像特征參數(shù)進(jìn)行了單次實(shí)驗(yàn)和統(tǒng)計(jì)實(shí)驗(yàn)，單次實(shí)驗(yàn)采用差異顯著的不同圖像進(jìn)行相關(guān)特征的提取，驗(yàn)證特征參數(shù)的穩(wěn)定性和對(duì)圖像特征的表征能力；統(tǒng)計(jì)實(shí)驗(yàn)則是用涵蓋面豐富的圖像集合，對(duì)圖像特征參數(shù)進(jìn)行大量統(tǒng)計(jì)實(shí)驗(yàn)，根據(jù)實(shí)驗(yàn)結(jié)果分析特征參數(shù)與SAR圖像適配性的關(guān)系。

5 實(shí)驗(yàn)分析與結(jié)論

一個(gè)科學(xué)、穩(wěn)健的適配性指標(biāo)體系，需要能夠適應(yīng)不同類型的數(shù)據(jù)源或是多種數(shù)據(jù)源的集合。訓(xùn)練數(shù)據(jù)集中通常包含有多種豐富的地形地貌，加入適配性分析指標(biāo)體系的特征參數(shù)需要在面對(duì)不同性質(zhì)的圖像時(shí)，能夠表現(xiàn)出應(yīng)有的參數(shù)變化特性。同時(shí)，由于訓(xùn)練集中可能存在尺寸不同情況，所以一個(gè)合格的圖像特征參數(shù)需要能夠抗尺度。本文中，將會(huì)針對(duì)每一個(gè)特征參數(shù)物理意義所表現(xiàn)的圖像特性，進(jìn)行不同的實(shí)驗(yàn)，驗(yàn)證特征參數(shù)的穩(wěn)定性以及對(duì)圖像特性的表現(xiàn)能力。

分別選取海面、沿海、城區(qū)和山區(qū)四類地區(qū)共8幅圖像，選取相關(guān)面主峰值、重復(fù)模式、梯度方向熵等3個(gè)圖像特征參數(shù)的實(shí)驗(yàn)對(duì)比。所選取的圖像如表1所示。

表1 不同區(qū)域的SAR圖像

5.1 相關(guān)面主峰值

在實(shí)際使用中，每一幅實(shí)時(shí)圖的真實(shí)位置，是由人工標(biāo)定的，所以必然會(huì)存在一定的誤差，但是在相關(guān)面中，幾個(gè)像素值的誤差，可能就會(huì)從一個(gè)尖峰的頂部轉(zhuǎn)移到一個(gè)峰的底部，在數(shù)值上會(huì)有非常大的變化。所以本文中，在真實(shí)位置鄰域內(nèi)尋找局部極值作為真實(shí)位置的峰值。各圖像的相關(guān)面主峰值計(jì)算如表2所示。

表2 相關(guān)面主峰值

首先對(duì)比圖4和圖5，可以看出同一幅圖在進(jìn)行處理之前和處理之后進(jìn)行相關(guān)面計(jì)算會(huì)有很大的差別，直接截取子圖進(jìn)行匹配，其相關(guān)面峰值為1，是為完全匹配，但當(dāng)圖像經(jīng)過處理之后相關(guān)面峰值為0.0125。結(jié)合該參數(shù)的物理意義，可以看出，該值越高表明圖像越適于匹配，而該值越低，則說明圖像越不易匹配成功。

然后對(duì)比表1中的四類圖像，以常識(shí)來說，顯然海面和山區(qū)是不可匹配區(qū)域，沿海地區(qū)屬于含有大尺度輪廓的區(qū)域，可以匹配，而內(nèi)陸地區(qū)的適配性具體要視該圖像內(nèi)的景物特征而定。由表2中的計(jì)算結(jié)果可以看出，海面和山區(qū)的主峰值要明顯小于沿海和具有清晰輪廓的城區(qū)，其結(jié)果符合參數(shù)的物理意義。以上實(shí)驗(yàn)及分析，驗(yàn)證了相關(guān)面峰值這個(gè)特征參數(shù)的穩(wěn)健性以及對(duì)圖像適配性的描述能力。

5.2 重復(fù)模式

將表1中的四類圖像進(jìn)行實(shí)驗(yàn)對(duì)比。其重復(fù)模式計(jì)算結(jié)果如表3所示。

表3 重復(fù)模式

根據(jù)重復(fù)模式計(jì)算結(jié)果可以得知：首先，沿海和城區(qū)的第一幅圖像重復(fù)模式為0，意味著計(jì)算出的整個(gè)相關(guān)面沒有可以干擾匹配的點(diǎn)，能夠成功匹配，表明其具有良好的適配性。而海面區(qū)域和山區(qū)在實(shí)際使用中顯然無法正確匹配，其計(jì)算得到的相關(guān)面中有大量的峰值干擾匹配結(jié)果。沿海和城區(qū)的第二幅圖，其重復(fù)模式不為0，但并不像海面和山區(qū)那么高，所以單獨(dú)考慮重復(fù)模式一個(gè)參數(shù)的情況下，其適配性能介于完全不可匹配與能正確匹配之間。

5.3 梯度方向熵

將表1中的四類圖像進(jìn)行實(shí)驗(yàn)對(duì)比。其對(duì)應(yīng)的熵圖以及熵值如表4所示。

表4 梯度方向熵

首先觀察海面圖像的熵圖，由于海面圖像中并沒有任何的長直輪廓，故其熵圖幾乎是純黑的，再看海面圖像的熵值，相比于其他三類圖像都要低的多，表明該參數(shù)在海面這種不具有長直輪廓的區(qū)域和包含有長直輪廓區(qū)域具有較強(qiáng)的區(qū)分性。沿海圖像中是具有長直輪廓區(qū)域的，將原圖和熵圖對(duì)比可知，熵圖中亮度最大的位置與原圖中的長直輪廓區(qū)域完全吻合，并且沿海地區(qū)的熵值相對(duì)而言是比較高的。城區(qū)圖像不論是熵圖還是熵值，都存在較大區(qū)別，可以看到城區(qū)第二幅圖中并沒有十分顯著的長直輪廓，而第一幅圖中在熵圖高亮部分是存在顯著長直輪廓的，且第一幅圖的熵值也遠(yuǎn)大于第二幅圖，這說明熵圖很好地表現(xiàn)出了兩幅圖像的差別，另外其熵值也存在較大的差別。最后是山區(qū)圖像，山區(qū)圖像中具有較多的山脈輪廓，這些輪廓可以在熵圖中看到，因?yàn)榇嬖诤芏嗟纳矫}輪廓，所以山區(qū)圖像的熵值通常比較高，這與該參數(shù)的物理意義相符合。

6 結(jié)語

本文主要探討了如何構(gòu)建科學(xué)、合理的SAR圖像適配性指標(biāo)體系的過程。在適用于SAR圖像的圖像特征參數(shù)指標(biāo)體系構(gòu)建基礎(chǔ)之上，首先對(duì)各個(gè)圖像特征參數(shù)進(jìn)行單次獨(dú)立實(shí)驗(yàn)，驗(yàn)證其正確性以及對(duì)不同類型圖像的區(qū)分性；再對(duì)各個(gè)參數(shù)在大量訓(xùn)練集的基礎(chǔ)上進(jìn)行統(tǒng)計(jì)實(shí)驗(yàn)，分析其對(duì)正負(fù)樣本的區(qū)分性。提出了兩種圖像預(yù)處理的方法，極大地消除了訓(xùn)練集圖像之間、訓(xùn)練集圖像與使用集圖像之間，因?yàn)槌上癍h(huán)境、氣候、飛行器飛行模式、SAR極化方式等原因造成的圖像質(zhì)量差異，與此同時(shí)，還使得部分特征參數(shù)獲得了對(duì)圖像更好的描述能力。

［1］Krawiec K，Bhanu B.Visual Learning by Evolutionary and Coevolutionary Feature Synthesis［J］.IEEE Transactions on Evolutionary Computation，2007，11（5）：635-650.

［2］Krawiec K，Bhanu B.Visual Learning by Coevolutionary Feature Synthesis［J］.IEEE Transactions on Systems，Man，And Cybernetics—PART B：Cybernetics，2005，35（3）：409-425.

［3］Stanhope S A，Daida J M.Genetic Programming for Auto?matic Target Classification and Recognition in Synthetic Aperture Radar Imagery［C］//In Proceedings of Evolution?ary Programming Conference，1998：735-744.

［4］Bhanu B，Lin Y.Genetic Algorithm Based Feature Selec?tion for Target Detection in SAR Images［J］.Image Vision and Computation，2003，21（7）：591-608.

［5］Lin Y Q，Bhanu B.Evolutionary Feature Synthesis for Ob?ject Recognition［J］.IEEE Transactions on Systems，Man and Cybernetics，Part C：Applications and Reviews，2005，35（2）：156-171.

［6］Yu J G，Bhanu B.Evolutionary Feature Synthesis for Fa?cial Expression Recognition［J］.Pattern Recognition Let?ters，2006，27：1289-1298.

［7］Dash M，Liu H.Feature Selection for Classification［J］.In?telligent Data Analysis，1997，1（3）：131-156.

［8］Ralph J F，Sims S W.Scene-referenced object localization［J］.Proceeding SPIE，2004，5428（1）：20-25.

［9］Lisa Goottesfeld.Survey of Image registration techniques［J］.Computing Surveys，1992，24（4）：320-328.

［10］Meth R，Chellappa R.Stability and sensitivity of topo?graphic features for SAR target characterization［C］//Pro?ceedings of IEEE International Conference on Image Pro?cessing，1997，3：464-467.

［11］Sharma M，Singh S.Evaluation of texture methods for im?age analysis［C］//Proceedings of 7th Australian and New Zealand Intelligent Information Systems Conference，2001：117-121.

［12］W Wan，J Ventura.Segmentation of Planar Curves into Straight-Line Segments and Elliptical Arcs［J］.Graphi?cal Models&Image Processing，1997，59（6）：484-494.

［13］Witten I.H.，F(xiàn)rank E.，Data Mining：Practical machine learning tools and techniques［M］.Morgan Kaufmann，2005.

［14］毛國軍，段立娟.數(shù)據(jù)挖掘原理與算法［M］.北京：清華大學(xué)出版社，2005.MAO Guojun，DUAN Lijuan.Principles and algorithms of data mining［M］.Beijing：tsinghua university press，2005.

［15］朱玉全，楊鶴標(biāo)，孫蕾.數(shù)據(jù)挖掘原理與算法［M］.南京：東南大學(xué)出版社，2006.ZHU Yuquan，YANG Hebiao，SUN Lei.Principles and algorithms of data mining［M］.Nanjing：Southeast Uni?versity press，2006.

［16］Goethals B.Memory issues in frequent itemset ming［C］//Proc of ACM Symposium on Applied Computing.New York，NY：ACM，2004：530-534.

Research on Index System Construction Method of SAR Image Suitability

ZHANG Qiang1PENG Xiaojun1XU Chao2MING Delie2
（1.Equipment Academy of The Rocket，Beijing 100094）（2.School of Automation，Huazhong University of Science and Technology，Wuhan 430074）

This paper mainly discusses how to construct a scientific and reasonable SAR image adaptation index system.First?ly，based on the construction of the index system of image characteristic parameters for SAR images，single independent experi?ments are carried out for each image feature parameter.These experiments verify the correctness and differentiation of different types of images.Then，the statistical experiments are carried out on the basis of a large number of training sets.These experiments analyze the distinction between positive and negative samples.Two methods of image preprocessing are proposed.The image quality differ?ences between the training set images，the training set images and the set images are greatly eliminated，such as imaging environ?ment，climate，flight modes，and SAR polarization modes.At the same time，some feature parameters are also given better image description ability.

SAR，image matching，adaptation，index system

Class Number TP274；TN713

TP274；TN713

10.3969/j.issn.1672-9722.2017.12.020

2017年6月7日，

2017年7月18日

國家自然科學(xué)基金項(xiàng)目（編號(hào)：61273241）資助。

張強(qiáng)，男，碩士，研究方向：導(dǎo)航與制導(dǎo)。