郭 倩，王海鵬，徐 豐

(復(fù)旦大學(xué) 電磁波信息科學(xué)教育部重點實驗室，上海 200433)

0 引言

合成孔徑雷達(SAR)是利用微波進行成像的主動傳感器，是一種能全天時、全天候工作的二維高分辨率成像雷達，具有穿透云和霧的能力，低頻段的SAR甚至能穿透植被和地表[1]。隨著SAR和圖像解譯技術(shù)的飛速發(fā)展，SAR極化方式越來越多，分辨率也不斷提高[2-3]。飛機是一類重要的檢測目標，在高分辨率遙感圖像中對其進行精確檢測具有重要意義。

傳統(tǒng)的SAR圖像目標檢測方法主要分為2類：1)傳統(tǒng)恒虛警率(CFAR)檢測算法。CA-CFAR(cell-average CFAR)[4]、SO-CFAR(smallest of CFAR)、GO-CFAR(greatest of CFAR)[5]、OS-CFAR(order-statistic CFAR)[6]、VI-CFAR(variability index CFAR)[7]等都是CFAR的衍生算法；2)多特征融合檢測算法。通過手動方式設(shè)計特征，如幾何結(jié)構(gòu)[8]、亮度分布等信息對待檢測目標進行提取。在對SAR圖像中飛機目標進行檢測時，因陸地雜波分布無規(guī)律，大量高亮散射點的存在對目標檢測造成很大干擾，故基于雜波建模與亮度信息提取目標的CFAR檢測算法并不適用。由于SAR圖像復(fù)雜的成像機制與散射條件的多變性，飛機目標成像呈特征多樣性，手動設(shè)計的特征難以適用于多種情況。

隨著卷積神經(jīng)網(wǎng)絡(luò)的興起，深度學(xué)習(xí)網(wǎng)絡(luò)在目標檢測領(lǐng)域表現(xiàn)優(yōu)越。針對高分辨率SAR圖像的陸地目標檢測技術(shù)，本文提出了一種邊緣檢測與卷積神經(jīng)網(wǎng)絡(luò)相結(jié)合的飛機目標檢測算法，實現(xiàn)了對星載SAR圖像中飛機目標端到端的檢測。

1 機場檢測

1.1 機場目標特征分析

現(xiàn)有的機場檢測方法主要分為2類：基于提取直線特征檢測機場和基于圖像分割檢測機場?；谔崛≈本€特征檢測機場主要是通過檢測跑道直線特征，如ZHANG等[9]通過機場沿跑道呈雙峰分布來檢測機場。基于圖像分割檢測機場時，常用的特征主要包括長寬比、形狀復(fù)雜度、灰度共生矩陣與Hu不變矩[10]。對于大場景SAR圖像中的機場目標，因目標所占面積較小，不易提取直線特征，故檢測結(jié)果較差。對于大場景下的SAR圖像，機場區(qū)域常呈現(xiàn)為較暗區(qū)域，基于圖像分割檢測機場的算法較穩(wěn)定，魯棒性好。對于大場景下SAR圖像中的機場檢測，本文提出了機場目標二次檢測算法。

1.2 機場目標粗檢測

本文采用“高分三號”衛(wèi)星SAR數(shù)據(jù)，原始圖像共8張，圖像大小約為7 000像素×7 500像素，分辨率為3 m×3 m。圖1為其中1幅圖像。

圖1 “高分三號”SAR圖像示意Fig.1 GF-3 SAR image

因機場在SAR圖像中表現(xiàn)為大面積較暗區(qū)域，基于視覺注意力機制[11]，對大場景下SAR圖像中機場目標進行檢測應(yīng)從檢測暗區(qū)域入手。為減小陸地區(qū)域雜波對目標檢測的影響，首先通過圖像均值濾波對圖像雜波與噪聲進行抑制，然后通過OTSU算法[12]確定全局閾值，對圖像進行二值化處理。對二值化圖像進行先膨脹后腐蝕操作，以減小背景雜波影響。對于面積排名前十的連通域，進行后續(xù)鑒別步驟。大場景SAR圖像中面積較大的連通域主要為圖2所示的4種情況：圖2(a)為機場連通域，受機場中建筑物影響，該連通域中孔洞面積較大，但形狀較為規(guī)則，通常呈方形或三角形；圖2(b)為大面積海洋區(qū)域，其連通域中孔洞較少，面積較大且形狀不固定，存在于圖像邊角；圖2(c)為SAR圖像中錯綜的道路與高亮建筑組成的連通區(qū)域，該連通域中也有較多孔洞，由于道路與建筑分布的多樣性，其形狀呈不規(guī)則分布；圖2(d)為大場景SAR圖像中的大型高亮建筑，其連通域中孔洞較少，但面積遠小于其他連通域。

圖2 連通域主要存在情況Fig.2 Main connected domains

給出以下4種鑒別算子，對連通域進行鑒別，提取機場區(qū)域。

1) 孔洞鑒別算子

(1)

式中：Sfilled為連通域孔洞填充后面積；Scon為連通域原面積。

2) 形狀鑒別算子

(2)

式中：Sbbox為連通域最小外接矩形框面積。

3) 面積鑒別算子

(3)

式中：Smax _con為該幅圖像中最大連通域面積。

4) 復(fù)合鑒別算子

k4=k2×k3

(4)

機場區(qū)域粗檢測算法如圖3所示。

3組機場目標粗檢測結(jié)果如圖4所示。圖中：上半部分為初始SAR圖像，下半部分為與其對應(yīng)的機場目標粗檢測結(jié)果。

圖3 機場區(qū)域粗檢測算法流程Fig.3 Airport area rough detection algorithm

圖4 機場目標粗檢測示意圖Fig.4 Rough test results of airport targets

通過上述步驟，實現(xiàn)了對大場景SAR圖像中機場區(qū)域的粗檢測。機場區(qū)域精確分割算法同樣適用于小場景SAR圖像中的機場目標檢測。

1.3 機場區(qū)域精確分割

1.3.1 圖像預(yù)處理

由于SAR圖像特殊的成像機制和復(fù)雜的散射條件，其原始數(shù)據(jù)易受橫干涉條紋的影響。為消除這種影響，先對圖像進行濾波處理，在盡量保留圖像細節(jié)特征的前提下對目標圖像的橫干涉條紋進行抑制。目前常用的濾波方法主要包括均值濾波與高斯濾波[13]。高斯平滑濾波器對于抑制服從正態(tài)分布的噪聲非常有效。一維零均值高斯函數(shù)為

(5)

式中：ζ為高斯分布參數(shù)，決定了高斯函數(shù)的寬度。

均值濾波對于圖像整體起平滑模糊作用，橫干涉條紋并沒有去除，機場細節(jié)信息反而有所損失；高斯濾波主要對正態(tài)分布的噪聲有較好的抑制作用，但對橫干涉條紋的處理效果并不理想。本文給出了“替代濾波”算法，即先檢測橫條紋，再用圖像中橫條紋附近圖像值替代橫條紋處圖像值。這種濾波方法不但可保留機場細節(jié)信息，而且對橫條紋有較好的抑制作用。采用卷積核為3×3的均值濾波器、標準差為1的高斯濾波器和替代濾波器在給定的SAR圖像上進行濾波，效果對比如圖5所示。

圖5 3種濾波方法結(jié)果比較Fig.5 Comparison of 3 filtering methods

1.3.2 機場精確分割

對圖像進行濾波預(yù)處理后，對圖像進行機場精確分割，分割算法如圖6所示。

圖6 機場精確分割算法Fig.6 Airport accurate segmentation algorithm

3組機場目標檢測結(jié)果如圖7所示。圖中：上半部分為初始SAR圖像，下半部分為與其對應(yīng)的機場目標精確分割結(jié)果圖。采用本文提出的機場粗檢測算法，可實現(xiàn)對大場景SAR圖像中機場目標的粗定位。同時，機場精確分割算法也適用于對粗定位后圖像，即小場景SAR圖像中機場目標的精確分割。

2 飛機檢測

2.1 飛機目標特征分析

因SAR圖像具有特殊的成像機制，且成像結(jié)果隨散射條件與地形方位角的變化而變化，故SAR圖像中飛機目標成像結(jié)果具有多樣性。飛機在高分辨率SAR圖像中易呈現(xiàn)為不連續(xù)的散射點，且由于受背景強散射點，如滑行道、儲油庫等的影響，采用傳統(tǒng)CFAR方法對SAR圖像中飛機目標的整體檢測效果很差，檢測結(jié)果除存在漏檢外，還包含大量虛警。傳統(tǒng)目標檢測方法常通過手動方式設(shè)計特征，目標特征提取能力不足且魯棒性差。圖8為SAR圖像中飛機目標示意圖。

圖7 機場目標精確分割結(jié)果Fig.7 Airport target accurate segmentation results

圖8 SAR圖像中飛機目標Fig.8 Aircraft target in SAR image

2.2 飛機目標檢測

隨著卷積神經(jīng)網(wǎng)絡(luò)的興起，深度學(xué)習(xí)網(wǎng)絡(luò)在目標檢測領(lǐng)域的優(yōu)勢也逐漸顯現(xiàn)。針對高分辨率SAR數(shù)據(jù)的陸地目標檢測技術(shù)，本文提出了一種基于Canny算子[14]的邊緣檢測與神經(jīng)網(wǎng)絡(luò)相結(jié)合的飛機目標檢測算法，主要檢測思路如圖9所示。

圖9 檢測流程示意圖Fig.9 Detection process diagram of aircraft targets

為減小機場區(qū)域雜波對目標檢測的影響，首先，通過替代濾波對圖像雜波與噪聲進行抑制。其次，采用Canny算子對圖像邊緣進行提取。然后，對邊緣提取后的圖像進行膨脹與腐蝕操作，并對邊緣虛警進行剔除，實現(xiàn)目標粗分割。通過飛機占機場面積比算子確定可疑目標在高分辨率SAR圖像中的位置范圍，提取包含目標與虛警的邊界框。通過對邊界框的處理進行飛機部件的組合，確定飛機整體目標的可能位置。接下來，采用基于GoogLeNet[15]的神經(jīng)網(wǎng)絡(luò)對可疑目標進行識別。最后，利用改進后的非極大值抑制算法、長寬比鑒別算子與面積鑒別算子，提取得到飛機目標的感聽趣區(qū)域(ROI)。

2.2.1 目標粗定位

在SAR圖像中，飛機目標邊緣是其重要的屬性信息。鑒于實際SAR圖像中陸地區(qū)域存在許多背景雜波，圖像的邊緣往往是各種類型的邊緣和它們模糊化后結(jié)果的組合，且實際圖像信號存在噪聲。噪聲和邊緣都屬于高頻信號，很難用頻帶做取舍。通過圖像邊緣檢測可大幅減少數(shù)據(jù)量，剔除可被認為是不相關(guān)的信息，保留圖像重要的結(jié)構(gòu)屬性。因此，本文采用邊緣檢測對陸地可疑目標進行粗定位。

邊緣檢測的基本方法有很多，如Roberts Cross算子[16]、Prewitt算子[16]、Sobel算子[17]、Canny算子等。Robert算子定位比較精確，但因不包括平滑，故對于噪聲比較敏感。Prewitt算子和Sobel算子都是一階的微分算子，其對于混合多復(fù)雜噪聲的圖像處理效果不理想。Canny邊緣檢測算子在一階微分算子的基礎(chǔ)上，增加了非極大值抑制和雙閾值2項改進：利用非極大值抑制算法不僅可有效抑制多響應(yīng)邊緣，還可提高邊緣的定位精度；利用雙閾值可有效減小邊緣的漏檢率。因此，本文采用Canny算子對機場檢測后的SAR圖像進行邊緣提取，其主要步驟和原理如下。

1) 用高斯濾波器平滑圖像

(6)

令g(x,y)為平滑后的圖像，用h(x,y,σ)對圖像f(x,y)進行平滑，可表示為

g(x,y)=h(x,y,σ)*f(x,y)

(7)

式中：*代表卷積。

2) 用一階偏導(dǎo)的有限差分計算梯度的幅值和方向

利用一階有限差分近似式來計算x與y偏導(dǎo)數(shù)的2個陣列fx′(x,y)與fy′(x,y)，即

fx′(x,y)≈Gx=

f(x+1,y+1)-f(x,y+1)]

(8)

fy′(x,y)≈Gy=

f(x+1,y+1)-f(x+1,y)]

(9)

幅值和方位角可用直角坐標到極坐標的坐標轉(zhuǎn)化公式來計算，即

(10)

(11)

式中：M[x,y]反映了圖像的邊緣強度；θ[x,y]反映了邊緣的方向。使M[x,y]取得局部最大值的方向角θ[x,y]反映了邊緣的方向。

3) 對梯度幅值進行非極大值抑制

僅得到全局的梯度并不足以確定邊緣，因此，為確定邊緣，必須保留局部梯度最大的點，抑制非極大值。在Canny算法中，非極大值抑制是進行邊緣檢測的重要步驟，通俗意義上是指尋找像素點(邊緣)局部最大值，將非極大值點所對應(yīng)的灰度值設(shè)置為0，從而剔除大部分非邊緣的點。

4) 用雙閾值算法檢測和連接邊緣

設(shè)置2個閾值t1和t2，兩者關(guān)系為t1=0.4t2。先將梯度值小于t1的像素的灰度值設(shè)為0，得到圖像1；再將梯度值小于t2的像素的灰度值設(shè)為0，得到圖像2。以圖像2為基礎(chǔ)，以圖像1為補充，連接圖像的邊緣。

2.2.1.1 邊緣檢測結(jié)果

基于SAR圖像機場檢測結(jié)果，采用Canny算子進行邊緣提取，結(jié)果如圖10所示。

圖10 目標檢測結(jié)果Fig.10 Target detection results

圖中，機場可疑目標粗分割結(jié)果去除了機場邊緣信息，飛機目標更為清晰，但包含了大量陸地雜波，且飛機目標被分成許多小塊。

2.2.1.2 邊界框處理

目標粗分割使得飛機目標更為清晰，且去除了大量背景雜波的影響，飛機目標基本為一個連通域。由于SAR圖像特殊的成像機制和散射條件的多變性，機翼、機頭、機尾等一些飛機部件成像為獨立的高亮散射點。相對于其余虛警邊界框，該邊界框與機身相距很近，故通過最優(yōu)距離匹配算法可將飛機部件與機身進行合并。通過最優(yōu)距離匹配算法進行小邊界框合并后，邊界框處理結(jié)果如圖11所示。

2.2.2 二分類卷積神經(jīng)網(wǎng)絡(luò)

算法使用的數(shù)據(jù)集是TerraSAR-X衛(wèi)星數(shù)據(jù)，原數(shù)據(jù)集中共包含10幅圖像，大小約為6 000像素×10 000像素，分辨率為1.5 m×1.5 m。對該數(shù)據(jù)中的飛機目標進行人工標注，并通過灰度調(diào)整、平移、旋轉(zhuǎn)等操作進行數(shù)據(jù)增強，同時從該TerraSAR-X數(shù)據(jù)中隨機切取背景圖像作為背景切片。該數(shù)據(jù)集共包含468張飛機目標切片與1 309張背景切片。按4∶1的比例將數(shù)據(jù)集分為訓(xùn)練集與測試集。部分訓(xùn)練集切片如圖12所示。

圖12 數(shù)據(jù)集示意圖Fig.12 Datasets of aircraft and background

從圖中可清楚看到，飛機目標切片中包含各種形態(tài)的飛機目標，背景切片則呈現(xiàn)了多種背景形式。

2.2.2.1 網(wǎng)絡(luò)結(jié)構(gòu)

鑒于GoogLeNet的優(yōu)越表現(xiàn)，將其用于本數(shù)據(jù)集飛機目標二分類識別?；跀?shù)據(jù)樣本，對原網(wǎng)絡(luò)結(jié)構(gòu)做出如下修改：移除網(wǎng)絡(luò)最后的全連接層、Softmax層和分類輸出層，設(shè)置全連接層輸出為飛機目標和背景2類，接入Softmax層和分類輸出層。

2.2.2.2 目標識別結(jié)果

利用訓(xùn)練好的網(wǎng)絡(luò)對圖11(b)待識別邊界框中的目標進行識別，因不同圖像樣本中目標灰度差別較大，故采用多灰度識別，即將提取出來的可疑目標框以0.05步長對圖像灰度進行調(diào)整，共以5個灰度送入目標識別網(wǎng)絡(luò)。其識別結(jié)果如圖13所示。

圖13 飛機目標識別結(jié)果Fig.13 Aircraft target recognition results

2.3 識別結(jié)果分析

通過基于Canny算子的邊緣檢測算法，可有效去除邊緣虛警，減小后續(xù)步驟計算量；通過最優(yōu)距離匹配算法，對大小邊界框進行匹配，可對因復(fù)雜散射機制而成像為獨立亮斑的飛機部件與機身進行組合，完善飛機目標，同時有效去除獨立虛警目標；通過基于GoogLeNet的飛機目標二分類卷積神經(jīng)網(wǎng)絡(luò)的識別，可對高分辨率SAR圖像中的可疑目標進行鑒別，有效剔除陸地區(qū)域較大虛警目標。對飛機目標檢測結(jié)果(見圖13)的分析表明：該方法對SAR圖像中飛機目標的檢測率達到100%，虛警率為7.7%。

3 結(jié)束語

本文針對大場景下SAR圖像中的機場檢測問題，給出了機場粗檢測算法與小場景中機場目標精確分割算法。針對機場中的飛機目標，提出了一種基于Canny算子的邊緣檢測與卷積神經(jīng)網(wǎng)絡(luò)結(jié)合的飛機目標檢測算法。在飛機目標檢測前，采用機場粗檢測算法與精確分割算法將圖像縮小至機場區(qū)域。為減小橫干涉條紋的影響，采用替代濾波算法對圖像雜波進行抑制。首先基于Canny算子對機場中的目標進行邊緣提取等處理，確定可疑目標在機場中的位置范圍。然后采用基于GoogLeNet的卷積神經(jīng)網(wǎng)絡(luò)對可疑目標進行識別。最后利用“高分三號”衛(wèi)星圖像對大場景下機場檢測算法進行驗證，利用TerraSAR-X衛(wèi)星數(shù)據(jù)對飛機目標檢測算法進行驗證。分析表明：該方法對SAR圖像中飛機目標的檢測率達到100%，虛警率為7.7%，具有較好的檢測效果。

本文針對星載SAR圖像中機場與飛機目標檢測進行了較為深入的探究，取得了較好的研究成果，也提供了一些新的思路。但目標檢測結(jié)果依賴于待識別目標框的提取結(jié)果，若候選目標框提取不夠精確，仍會有部分虛警產(chǎn)生。為提高算法精度和識別效率，后續(xù)可考慮將飛機目標物理散射機制與神經(jīng)網(wǎng)絡(luò)相結(jié)合，以期提高算法魯棒性。