基于視覺特征的SAR圖像評估方法

肖舒文，李柏文，張 川，陳曉盼

(中國國防科技信息中心, 北京 100142)

·總體工程·

基于視覺特征的SAR圖像評估方法

肖舒文，李柏文，張 川，陳曉盼

(中國國防科技信息中心, 北京 100142)

為了驗證不同算法、模型、軟件得到的仿真SAR圖像的可靠性，文中提出一種基于專家視覺的SAR圖像評估方法，從原始圖像中提取視覺關注的目標亮度、輪廓和散射中心分布特征，利用極化映射積分得到差異度量指標，設計合成函數結合三種指標，獲得可以準確反映SAR圖像差異水平的評估結果。實例驗證表明，該方法的性能明顯優于現有方法，與專家視覺結果之間的平均誤差僅為4.32%，兩種結果曲線的相似性高達99.78%。

雷達目標特性；SAR圖像；圖像評估方法；視覺特征；極化映射

0 引 言

合成孔徑雷達(SAR)具有探測距離遠、穿透力強、全天候全天時觀測等優點，已經廣泛應用于軍事、水文、遙感、地礦等領域[1]。由于實測SAR系統無法獲取目標在任意操作條件下的SAR圖像，SAR圖像仿真成為重要的補充手段，對SAR系統設計、圖像處理及目標識別等具有重要作用。目前，國內外學者已針對不同的應用，提出了多種SAR圖像仿真算法，建立了各類目標仿真模型，積累了大量仿真SAR圖像。為了驗證這些算法、模型和圖像的可靠性，推動它們在雷達相關領域的應用，必須對仿真SAR圖像與參考圖像(如實測圖像或已驗證的SAR圖像等)進行比對，評估其一致性。

目前，雷達領域內的SAR圖像評估通常采用基于圖像或專家視覺的方法[2]?；趫D像的方法主要沿用雷達散射截面(RCS)數據的評估指標，應用統計學中的均方誤差[3]或相關系數[4]等方法對SAR圖像進行比較。例如：文獻[3]采用均方誤差對比歸一化SAR圖像與參考圖像之間的相似程度，比較不同相對輻射歸一化方法對圖像的矯正性能；文獻[4]應用歸一化交叉相關系數，比較坦克MSTAR實測和仿真圖像的相似程度，評估典型地面車輛目標SAR圖像仿真性能。這種采用統計學指標直接比較圖像的方法可以反映SAR圖像的整體差異水平，但具有魯棒性，難以給出目標的具體差異，且差異無法溯源，不利于算法改進和模型修正。因此，當前的SAR圖像評估仍多依賴于專家視覺，這種結合專家經驗方法可靠性較高，但具有一定的主觀性和不確定性，難以給出定量化結果。

由于現有方法均難以滿足SAR圖像評估的需求，本文設計了一種模擬專家視覺評估過程，并可由計算機自動實現的SAR圖像評估方法：從SAR圖像中提取專家視覺關注的目標亮度、輪廓和散射中心分布特征，利用極化映射積分將二維圖像特征化為一維差異度量指標，設計合成函數綜合三種指標，得到接近專家視覺的SAR圖像評估結果。

1 現有方法對SAR圖像的局限性分析

由于目前雷達領域缺乏權威的圖像評估方法以及方法可靠性的評價手段，分析方法適用性的最有效方式即為與領域專家的視覺評估結果進行比較[5]。但是，由于SAR圖像評估的專業性以及領域專家分布的分散性，大規模獲取可信程度較高的專家調查結果一直比較困難。本文選取八組典型SAR圖像設計調查問卷，涵蓋國內外權威機構通過實測和仿真手段得到公開與未公開、相似程度各異的地海面目標SAR圖像。其中，部分可公開的SAR圖像如圖1所示。調查對象共32人，包括雷達目標特性領域的資深從業人員27人(包括雷達目標特性知名專家、相關科研院所的技術骨干)以及從事雷達目標特性研究的博士生5人，其研究方向覆蓋雷達目標特性建模、測量與應用三大主要領域。

圖1 本文采用的SAR圖像示例

本次調查采用國際上通用的驗證評定量表(VRS)[6-7]，幫助專家使用共同的視覺度量尺度基準，從VRS中選擇合適的定性解釋(極好、很好、好、一般、差、很差)描述每組圖像的相似程度。統計調查結果，獲得專家結果的分布直方圖。為了便于與現有方法驗證結果比較，本文將專家結果直方圖進行量化，獲取每組數據相似程度的定量化結果。

為了分析現有圖像評估方法的適用性，本文選取目前常用的均方誤差和相關系數，以及由RCS數據驗證方法衍生的Kolmogorov-Smirnov(K-S)分布、互信息量以及二維特征選擇驗證(2D-FSV)方法[8]對上述專家調查中的圖像進行評估，并與專家定量化結果進行對比。結果表明，現有方法應用于SAR圖像時均存在局限性，主要體現在以下兩點：(1)現有方法沒有考慮SAR圖像間的空間相關性，例如K-S分布僅考慮圖像像素的數值分布;(2)現有方法沒有結合SAR圖像本身的特點，例如均方誤差、相關系數等方法過于魯棒，未結合SAR圖像背景占比高、輪廓易受噪聲影響等特點。因此，受限于方法的評估原理，現有的圖像評估方法均難以適用于SAR圖像。

2 面向SAR圖像的視覺特征評估方法

根據現有方法的局限性分析，適用于SAR圖像的評估方法必須在完整保留圖像之間的空間相關性的同時，準確把握SAR圖像的自身特點。同時，為了模擬專家的視覺評估，還應當對專家重點關注的SAR圖像特征進行分析。通過專家調查和相關文獻調研，結合SAR圖像目標識別的輪廓、陰影等常用特征，本文確定了專家視覺評估中的三個主要關注點：目標亮度、輪廓及散射中心分布。上述特征均與目標結構的電磁散射機理緊密相關，能夠準確反映目標在尺寸、結構、材料等方面的差異。

基于上述分析，本文提出的SAR圖像評估方法的流程如圖2所示。(1)依據SAR圖像的特點，通過頻域分解、分水嶺算法和閾值分割等手段，從SAR圖像中提取目標亮度、輪廓及散射中心分布三種圖像特征；(2)在確?？臻g相關性的情況下，利用極化映射積分將二維圖像特征化為便于比較的一維差異度量指標；(3)根據專家視覺的評估習慣，設計函數合成三種度量指標，獲得接近專家視覺的SAR圖像評估結果。下面以圖1b)為例，說明本文方法的具體步驟。

圖2 本文方法的評估流程

2.1 圖像視覺特征的提取

2.1.1 目標亮度特征提取

目標亮度是對圖像中目標相似程度的整體感知。本文采用頻域分解的方法，將SAR圖像能量歸一化、基于灰度配準后變換到頻域，提取圖像的直流及部分低頻分量：直流頻點表征亮度的大小，低頻分量則代表亮度的整體分布。參照IEEE1597.1標準的能量截斷方式，本方法提取以頻域圖像中心為圓心、以4個頻點為半徑。用于比較的原始圖像以及從中提取的亮度特征圖像如圖3和圖4所示。

圖3 原始圖像

圖4 目標亮度特征圖像

2.1.2 目標輪廓特征提取

目標輪廓是判定圖像中目標相似程度的重要依據。本文選取數字圖像處理中常用的分水嶺算法(Watershed Method)對SAR圖像進行分割。分水嶺算法是一種基于數學形態學的分割方法，其基本思想是利用具有一定形態的結構元素，通過膨脹、腐蝕等形態學濾波手段提取圖像中的感興趣區域，具有與原始圖像吻合度高、定位準確、計算速度快的特點。利用分水嶺算法從圖3中提取的目標輪廓圖像如圖5所示。

圖5 目標輪廓特征圖像

2.1.3 目標散射中心分布特征提取

目標散射中心表征目標強散射結構的位置和散射強度信息，是SAR圖像評估的核心指標。由于散射中心的亮度通常很大，因此本文采用閾值分割的方法，首先讀取圖像中的最大亮度值，去掉低于此亮度50%的所有像素，此時可將目標的背景及亮度較暗的部分去除，如圖6所示；然后計算剩余所有非0像素的均值，再將低于均值的所有像素點濾除，即去除所有的弱散射點；最終得到的目標散射中心分布如圖7所示。

2.2 特征差異度量指標的生成

2.2.1 極化映射

極化映射(PM)是SAR圖像目標識別中常用的方法，可以在保留有效識別信息的同時剔除冗余信息，提高目標識別的準確率，縮減運行時間和占用內存[9-10]。極化映射的示意圖如圖8所示[11]。

設SAR圖像矩陣的直角坐標為(xk,yk)，映射到極坐標為(rm,θn)，兩者之間的對應關系如式(1)所示。其中，(xc,yc)為目標重心，Nr、Nθ為從目標重心沿r向和θ向的采樣點數，Δr和Δθ為沿r向和θ向的采樣間隔。為了展現目標以其重心為圓心的全角度差異，本文取Nr=50，Nθ=360。Rmin為最小采樣圓半徑，一般設為0，Rmax為目標邊緣各點到目標重心的最大值。

(1)

其中

rm=Rmin+(m-1)Δr,

θn=(n-1)Δθ,

按照式(2)對極化映射圖像沿r向積分，并根據r向采樣點數Nr作歸一化處理，可得到極化映射積分曲線Iθ。

(2)

2.2.2 亮度和輪廓度量指標的生成

按極化映射的方法對圖4、圖5的目標亮度和輪廓特征圖像進行極化映射，得到如圖9所示的圖像。依據式(2)積分得到表征目標亮度和輪廓的極化映射積分曲線I1、I2以及O1、O2，如圖10所示。最終，可以由式(3)、式(4)得到圖像的亮度和輪廓差異的歸一化度量指標DI和DO，表征圖像以其重心為軸的360°全方位差異，如圖11所示。其中，Nθ為極化映射時沿θ向的采樣點數。

圖9 目標亮度和輪廓的極化映射

圖10 亮度和輪廓的積分曲線

圖11 歸一化亮度和輪廓差異度量指標

(3)

(4)

2.2.3 散射中心分布度量指標的生成

為了保留散射中心之間的相對位置關系，將散射中心分布的二維圖像相減后，直接極化映射積分得到差異度量指標曲線。由于不同目標的強散射中心分布面積大小往往不同，為了使度量結果不受面積差異的影響，應當在積分之前進行歸一化。設圖7中兩幅圖像的像素矩陣分別為S1和S2，按式(5)相減后得到散射中心分布差異圖像diS。統計diS中不為0的像素點數NS，由式(6)計算得到歸一化差異diS1(其中m和n分別為像素矩陣的行列數)，如圖12a)所示，進而極化映射得到圖12b)。最終，根據公式(7)積分得到散射中心分布的差異度量指標DS，如圖13所示。

diS=|S1-S2|

(5)

(6)

(7)

圖12 目標散射中心分布差異

圖13 歸一化散射中心分布差異度量指標

2.3 差異度量指標的合成

在SAR圖像評估的過程中，專家對三種視覺特征的關注程度有所不同：專家通常對目標亮度不太關心，僅在兩幅圖像亮度差異極大時才會引起關注；而輪廓和散射中心分布則是專家非常關注的部分，兩者都吻合時專家評價最高，僅兩者之一吻合時專家評價也相對較好。因此，在SAR圖像評估中，通常將輪廓和散射中心認為是主要因子，亮度僅作為輔助因子。設定合成函數時，將亮度DI設為對結果影響較小的加性因子，而輪廓DO和散射中心分布DS則設為影響較大的乘性因子

(8)

其中，由于DO和DS的均值通常在0.1左右，為了便于指數參數的調整，將其均乘以10調整到1附近。DO和DS作為乘性因子，分別做b和c次乘方后，與系數為a的加性因子DI相加，再通過開根號、乘以系數A1等方式與視覺匹配，得到評估結果S。此外，由于本方法結果均集中在0～1之間，而專家視覺的統計定量范圍則為0～3.2，為了便于比較，利用式(9)將S映射到0～3.2之間。

Y=0.1×25S

(9)

經過多次試驗與視覺匹配，得到最佳匹配參數為A1=0.618，a=0.88，b=1，c=1.25。

3 實例驗證

為了驗證本文提出的SAR圖像評估方法的有效性，以專家調查結果為評價基準，利用本文方法和現有方法同時對專家調查中的8組圖像進行驗證，其結果如表1所示。

表1 專家、本文和現有方法的評估結果統計

由于各種方法計算結果的值域不同(如均方誤差的結果區間為0～1，而專家評估則為0～∞)，直接比較方法的數值結果沒有意義。因此，本文采用排序比較的方法，通過比較圖像評估方法與專家結果間的排序差度量方法性能(例如圖像組II在專家調查結果中排第2位，均方誤差結果中排第4位，則排序差為-2)，如表2所示。其中，第1列為圖像序號，其余列為8組圖像采用該列第1行所示方法得到的數值結果排序。由表2可得，均方誤差和相關系數的排序總差值分別為10和8， K-S分布、互信息量以及2D-FSV方法的總差值則分別達到18、16、16。而本文提出的方法則與專家結果排序完全一致，驗證了方法的良好性能。

表2 方法排序以及與專家評估的排序差

圖14給出本文方法與專家調查結果的數值曲線圖(兩者的值域相同)，兩條曲線在數值和趨勢上都十分接近，曲線相關系數高達99.78%，數值平均差異僅為4.32%?？梢缘贸鼋Y論，本文方法的性能十分優異，不僅在排序上與專家結果完全吻合，在數值上也與專家結果非常接近。

圖14 本文方法與專家評估結果對比

4 結束語

隨著SAR圖像仿真的廣泛應用， SAR圖像的一致性評估也得到了業內的普遍關注。鑒于公認評估方法的缺乏，本文首先通過雷達目標特性領域專家調查，獲取用于方法有效性的評價基準，進而分析現有方法的局限性。隨后，本文提出基于視覺特征的SAR圖像評估方法，分別采用頻域分解、分水嶺算法和閾值分割的方法提取圖像中的目標亮度、輪廓和散射中心分布特征，利用極化映射積分將二維圖像特征化為一維差異度量指標，結合專家視覺設計合成函數將三種指標結合，最終得到全面反映圖像差異的評估結果。最后，以專家視覺結果為基準對本文方法進行實例驗證，并與現有方法進行對比，驗證了本文方法對SAR圖像評估的有效性。

[1] 吳良斌. SAR圖像處理與目標識別[M]. 北京: 航空工業出版社, 2013. WU Liangbin. SAR image processing and target recognition[M]. Beijing: Aviation Industry Press, 2013.

[2] 胡利平, 董純柱, 邢笑宇,等. SAR圖像目標和陰影徑向積分特征評估[J]. 電波科學學報, 2014, 29(2): 254-259. HU Liping, DONG Chunzhu, XING Xiaoyu, et al. An evaluation method of SAR images based on radial integral features of target and shadow[J]. Chinese Journal of Radio Science, 2014 ,29(2): 254-259.

[3] LO C P, YANG X. Relative radiometric normalization performance for change detection from multi-date satellite images[J]. Photogrammetric Engineering & Remote Sensing, 2000, 66(8): 967-980.

[4] 王 晨, 王軍鋒. 一種艦船目標SAR圖像的仿真方案[J]. 信息技術, 2007(8): 130-132. WANG Chen, WANG Junfeng. A scheme for simulating SAR inrages of ships[J]. Information Technology, 2007(8): 130-132.

[5] 張 剛. 電磁仿真結果可信度FSV評估方法的關鍵問題研究[D]. 哈爾濱: 哈爾濱工業大學, 2014. ZHANG Gang. Research on key issues of FSV method used for credibility assessment of electromagnetic simulation result[D]. Harbin: Harbin Institute of Technology, 2014.

[6] IEEE Electromagnetic Compatibility Society. IEEE standard for validation of computational electromagnetics computer modeling and simulations[S]. IEEE STD 1597.1-2008. New York: IEEE Standards Assoclation, 2008.

[7] IEEE Electromagnetic Compatibility Society. IEEE recommended practice for validation of computational electromagnetics computer modeling and simulations[S]. IEEE Std. 1597.2-2010. New York：IEEE Standards Assoclation，2011.

[8] ORLANDI A, ANTONINI G, POLISINI C, et al. Progress in the development of a 2D Feature Selective Validation (FSV) method[C]// IEEE International Symposium on Electromagnetic Compatibility. [S.l.]: IEEE Press, 2008:1-6.

[9] 胡利平. 合成孔徑雷達圖像目標識別技術研究[D]. 西安: 西安電子科技大學, 2009. HU Liping. Study on SAR image target recognition[D]. Xi′an: Xidian University, 2009.

[10] KIM D H, SEO D K, KIM H T. Efficient classification of ISAR images[J]. IEEE Transactions on Antennas & Propagation, 2005, 53(5):1611-1621.

[11] PARK J, KIM K. Modified polar mapping classifier for SAR automatic target recognition[J]. IEEE Transactions on Aerospace and Electronic Systems, 2014, 50(2): 1092-1107.

肖舒文 女，1991年生，碩士研究生。研究方向為電磁仿真數據驗證技術。

李柏文 男，1985年生，博士。研究方向為仿真模型驗證。

張 川 男，1990年生，碩士研究生。研究方向為電磁建模。

陳曉盼 女，1962年生，研究員。研究方向為科學數據置信度。

A SAR Image Validation Method Based on Visual Features

XIAO Shuwen，LI Bowen，ZHANG Chuan，CHEN Xiaopan

(China Defense Science and Technology Information Center, Beijing 100142, China)

In order to validate the reliability of SAR simulation images from different algorithm, model and software, SAR image validation method is proposed based on experts' opinion. Firstly, the target's brightness, outline and distribution of scattering centers are extracted from original image. Secondly, these three features are transformed into metrics by polar mapping integral. Finally, the composite function is designed to get the accurate validation results. Experimental results show that the mean difference between this method and the experts' opinion is only 4.32%, and the correlation of two results' curves is up to 99.78%.

radar signature; SAR image; image validation method; visual features；polar mapping

10.16592/ j.cnki.1004-7859.2016.04.003

肖舒文 Email：xiaosw18@163.com

2015-11-13

2016-01-23

N958

A

1004-7859(2016)04-0015-05