基于SAR影像數據的多分辨率CFAR目標檢測算法及精度分析

侯 衛 李 勇

(中國人民解放軍61175部隊, 江蘇 南京 210049)

0 引言

極化合成孔徑雷達(polarimetric synthetic aperture radar, PolSAR)是通過復雜地物在四個極化通道下表現出的不同極化散射特性,來區分物體的結構組成等參數,并進而提取地物信息。極化目標檢測可以通過雜波和目標信號的極化信息差異提高檢測概率。在全極化雷達的回波信號中包含目標和雜波各自不同的極化信息,利用這種差異,能夠在一定的信噪比情況下提高檢測效率。

PolSAR目標檢測在農業、林業、水文地質、城市基本建設、火山、地震、考古以及軍事偵察等領域具有無法估量的作用。在合成孔徑雷達(synthetic aperture radar,SAR)目標檢測方面,在20世紀80年代Novak等[1]就已經提出使用極化白化濾波(PWF)和自適應PWF(APWF)算法得到濾波圖像和使用雙參數恒虛警率(two-parameter constant false alarm rate,2P-CFAR)檢測器來檢測目標的算法。在SAR圖像目標檢測算法中,恒虛警率(constant false alarm rate,CFAR)算法較為快速和準確。為了提高傳統CFAR算法的檢測效率,國內外學者進行了很多有益探索。Hou等人[2]提出了多層CFAR的檢測方法,該方法減少了孔洞和裂縫的出現,提高了檢測時效,但虛警率仍較高。Leng等人[3]提出了雙邊CFAR檢測算法,綜合考慮SAR圖像中艦船目標的空間分布特性,減小了相干斑噪聲和海雜波對檢測結果的影響。艾加秋等人[4]提出了復雜環境下改進的雙邊CFAR目標算法,通過將強度與空間域信息進行融合,提高了艦船的檢測效率。

人造目標的散射比自然地物更持久,所以在低分辨率情況下人造目標比自然地物更易探測[5]。本文使用基于小波變換和CFAR的多分辨率方法在均一背景下進行目標檢測。通過小波變化的方法降低圖像的分辨率,然后使用多分辨率CFAR目標檢測算法進行人造目標檢測,本文重點介紹多分辨率CFAR目標檢測算法的原理流程并進行相應的實驗分析。

1 多分辨率CFAR目標檢測算法

1.1 CFAR檢測原理

CFAR是在已知全局或局部背景統計模型的條件下,利用目標的對比度信息,自適應選取檢測閾值的檢測方法。對于單個像素I,設背景和目標分布的先驗概率為p(b)和p(t),概率密度函數為pb(I)=p(I/b)和pt(I)=p(I/t),b、t分別代表背景和目標,單個像素判決為目標的最大后驗概率或最小錯誤概率準則為[6-7]

(1)

對于實際SAR圖像,像素屬于目標的先驗概率遠小于屬于背景雜波的先驗概率,采用Neyman-Pearson準則,先限定一類錯誤率為常數而使另一類錯誤率最小的決策規則[8-9]。

門限T由給定的虛警率pfa確定,該方法要求知道背景和目標分布的概率密度函數。實際SAR圖像目標中相對于雜波所占的像素數目比很小,目標的概率密度函數很難獲得,設定當pb(I)>pb(T)時判定為背景像素,否則為目標像素。通過給定虛警概率可以計算檢測閾值T,如果能夠得到目標分布的概率密度函數就可得到相應的目標像素的檢測概率為[10-12]

(4)

在實際SAR圖像目標檢測中,目標背景雜波比較復雜,往往很難僅通過一個模型并計算一個閾值進行整幅圖像的檢測。使用滑動窗口的方式實現對所有像素的檢測,分別建立目標區、保護區和背景區,在目標區周圍建立保護區,防止目標像素被作為背景雜波參與雜波統計,保護區外面建立背景區,用來確定背景雜波的統計特性。

由于采用的統計模型不同,傳統的CFAR檢測方法有基于高斯分布的CFAR檢測、基于瑞利分布的CFAR檢測、基于韋布爾分布的CFAR檢測等。高斯分布是一種正態分布,形式比較簡單、運算較少、魯棒性好,可以用來統計局部區域計算量較大的雜波分布。瑞利分布模型是一種乘性噪聲模型,SAR圖像的同質區域中瑞利分布的建模效果較好,在特殊情況下,瑞利分布也是一種韋布爾分布。韋布爾分布是SAR圖像檢測中常用的一種分布,在背景較為復雜的情況下,擬合效果好。

1.2 多分辨率CFAR目標檢測方法

人造目標在低分辨率的情況下散射更持久,更容易探測,多分辨率CFAR方法是基于小波變換和CFAR的目標檢測方法,首先將目標影像進行分層,從而降低分辨率和數據量,使每一層的運行都有一個小的計算量,從而降低計算復雜度并提高計算效率。具體方法如下：

(1)使用正交離散小波變換方法(如haar小波)對SAR影像進行變換[13-18],如果進行二層小波變換,變換之后的結果如圖1所示。圖中LL表示小波變換后圖像的低頻分量，HL、LH、HH分別表示小波變換后圖像的水平方向、垂直方向、對角線方向高頻分量。

圖1 小波變換圖

(3)對分辨率不同的兩幅影像A1和A2分別進行基于瑞利分布的CFAR檢測。給定虛警概率,可求出檢測閾值。在每一幅影像檢測的過程中,瑞利分布CFAR檢測要進行兩次,第一次通過一個高的虛警概率,以保證能把圖像中所有亮度高的點全部檢測出來,找到所有的感興趣區域,第二次使用一個低的虛警概率,對所有ROI鄰近像素進行檢測,確保所有的目標點都能夠檢測出來。影像A1和A2分別經過基于瑞利分布的CFAR檢測之后得到兩幅ROI影像。

(4)將兩幅ROI影像變換到相同的尺度,然后進行融合。融合過程中對兩幅ROI影像分別賦予不同的權重,由于人造目標在低分辨率的情況下散射越持久,所以分辨率低的ROI影像要賦予較大的權重。為了保證目標檢測率和降低虛警,在融合之前,可以分別對ROI影像進行聚類。目標聚類一般先采用密度濾波器去除孤立點或小區域,再采用形態學濾波器去除“斷裂”和“空心”等現象,最后使用尺寸濾波器進一步濾除虛警。進行目標像素聚類處理后,圖像中仍可能包含除目標以外的,由背景雜波引起的,部分面積較小或較大的區域,因此要對聚類后的區域進行面積剔除。處理步驟主要是先遍歷整幅圖像,對聚類后的每個標定區域,統計其亮像素的個數并作為該區域的面積。

(5)所有的ROI影像經過聚類和融合之后,將ROI影像對照原始影像進行ROI定界,使用更精確的基于Weibull或K分布的CFAR檢測方法對影像上的所有ROI進行檢測,對每一個ROI檢測而不是對整幅影像進行檢測可以大大降低計算量。

經過小波變換和兩次CFAR檢測之后,可以得到多分辨率CFAR目標檢測方法的最終結果。

2 實驗與結果分析

為驗證多分辨率CFAR目標檢測算法的有效性,采用C++語言完成傳統CFAR和多分辨率CFAR目標檢測算法的編寫。本文實驗所用的數據是山脈地區影像,都是機載P波段多極化SAR影像,檢測目標為電力塔目標,根據電磁波的振動方向，多極化SAR影像一般有四種極化方式：HH(水平發送水平接收)、HV(水平發送垂直接收)、VH(垂直發送水平接收)、VV(垂直發送垂直接收)，圖像大小為1 280像素×2 304像素,發射帶寬為100 MHz,距離采樣率為120 MHz,雷達距離分辨率為2.5 m。如圖2所示,影像中有9個目標,目標大小反映在圖像上大約在40像素×40像素,在圖像中位置顯示如圖2所示。

圖2 電力塔目標影像

分析過程首先使用傳統CFAR目標檢測算法,比較不同極化方式對檢測結果的影響,選出檢測效果最優的極化方式,通過實驗分析比較單極化和多極化影像多分辨率CFAR目標檢測的效果。

為了衡量檢測效果,采用四個指標來定量分析,虛警數、漏檢數、檢測概率Pd和品質因數FoM(Figures of Merit)。虛警數是指圖像中不是目標卻被檢測成目標的虛假目標個數。漏檢數是指圖像中沒有被正確檢測出的目標個數。圖像檢測的虛警數和漏檢數越小,檢測結果越好。

檢測概率定義為

(5)

品質因數FoM定義為

(6)

式中,Ntt表示正確檢測目標的個數;Ngt表示試驗中實際的目標個數;Nfa表示虛警目標個數;MF表示檢測概率與虛警概率的平衡關系,MF越大,效果越好。

2.1 極化方式對目標檢測結果的影響

本研究所用的影像數據為多極化影像數據,首先使用傳統的CFAR算法比較不同極化方式對檢測結果的影響,選出最適合的極化方式進行單極化數據的分析。選擇基于瑞利分布的CFAR算法進行檢測,各種極化方式的窗口大小設為：背景窗口大小為95,保護窗口大小為55,目標窗口大小為40,經過反復試驗對比發現,當選擇虛警概率為0.014時,四種極化方式的檢測效果最理想。由于該部分中目標較大,所以瑞利檢測之后要進行ROI聚類,先采用密度濾波器去除孤立點或小區域,以任意亮度值為1的像素為中心像素,設一滑動窗口,計算窗口中亮度值為1的像素個數,大于某一個閾值就認為中心像素是目標,此處設定的窗口大小為10×10,閾值設為25%,再采用形態學濾波器去除“斷裂”和“空心”等現象,最后使用尺寸濾波器進一步濾除虛警。最后得到檢測結果如圖3所示。

具體分析如表1所示。

圖3 四種極化方式瑞利CFAR檢測結果

表1 四種極化方式瑞利CFAR檢測分析

從表1可以看出,雖然HH極化和VV極化的檢測結果虛警數要小于其他兩種方式,但是卻出現了漏檢,有一個目標沒有檢測出來,檢測概率只達到88.9%,所以這兩種極化方式的檢測結果是不理想的,比較HV和VH兩種極化方式,漏檢數都為0,檢測概率都是100%,但VH的虛警數要小于HV,再比較兩者的品質因數,VH極化的品質因數大于HV極化的品質因數,綜合考慮,認為VH極化方式的檢測效果最好。

2.2 單極化影像多分辨率CFAR目標檢測

對VH極化方式的電力塔影像進行多分辨率CFAR目標檢測,其中瑞利分布CFAR目標檢測影像A1的窗口大小設為背景窗口大小為33,保護窗口為27,目標窗口為16,影像A2的窗口大小設為背景窗口大小為19,保護窗口為15,目標窗口為9,在進行韋布爾CFAR環節虛警概率設為0.02,經過多分辨率CFAR目標檢測之后,得到結果影像如圖4所示。

圖4 電力塔單極化影像多分辨率CFAR目標檢測結果

從圖4可以看出,VH極化影像經過多分率CFAR目標檢測后,共檢測出目標數9個,未出現漏檢,虛警數有8個,品質因數為0.529,檢測效果明顯優于傳統CFAR目標檢測算法。

2.3 多極化影像多分辨率CFAR目標檢測

本研究使用極化白化濾波(PWF)方法對影像進行處理,主要是降低斑點噪聲和得到全極化影像,然后對多極化影像進行多分辨率CFAR目標檢測,所有的參數設置與上節中單極化數據進行多分辨率CFAR目標檢測時相同,最后得到的檢測結果如圖5所示。

圖5 全極化影像多分辨率CFAR目標檢測結果

極化影像經過PWF處理后合成為全極化影像,從圖中可以看出,使用多分率CFAR目標檢測,共檢測出目標數9個,未出現漏檢,虛警數有4個,品質因數為0.692,檢測效果是所有實驗中效果最好的。

2.4 實驗結果

本研究使用檢測目標數、漏檢數、虛警數、檢測概率、品質因數5個參數來衡量檢測效果的不同,傳統CFAR算法中選擇最優的極化方式參與分析比較。從表2可以看出,對于電力塔目標,多分辨率CFAR的檢測效果要優于傳統的CFAR,多極化影像的檢測效果要優于單極化的檢測效果。

表2 多極化影像多分辨率CFAR與傳統CFAR目標檢測結果比較

三種方法漏檢率都為0,傳統CFAR目標檢測算法的虛警數為10,單極化影像多分辨率CFAR目標檢測算法的虛警數為8,全極化影像CFAR目標檢測算法的虛警數為4,品質因數分別為0.474,0.529,0.692,綜合分析,全極化影像的檢測結果最好。這是因為經過PWF處理之后的全極化數據降低了斑點噪聲,并且綜合了三種極化方式的信息,其中所包含的信息更豐富,故其檢測效果更好。另外,在實驗分析的過程中,通過對檢測時間的記錄發現,在相同的處理器配置下,多分辨率CFAR目標檢測算法的檢測所用時間只為15 s,而基于瑞利分布的CFAR目標檢測算法所用時間為65 s,多分辨率CFAR目標檢測算法在計算時間上明顯要快很多。

3 結束語

本文利用機載多極化電力塔目標數據,對多極化和單極化數據進行分析,比較不同的四種極化方式中,VH極化方式的檢測效果最好。使用PWF合成多極化數據之后,多極化數據的檢測效果要優于單極化數據的檢測效果。并且通過對比分析,對于電力塔目標數據,從檢測效果看,多分辨率的檢測效果要明顯優于傳統方法,使用多分辨率CFAR目標檢測算法對多極化和單極化影像進行對比檢測分析時,發現多極化影像的檢測效果要好很多。未來在本研究的基礎上,將進一步研究高分辨率SAR圖像目標及雜波的統計特性和極化散射特性,綜合利用SAR數據的幅度、相位和極化等信息,對目標進行檢測,提高檢測的效率和可靠性。