韓　萍, 叢潤民,2, 張在吉

(1. 中國民航大學智能信號與圖像處理天津市重點實驗室, 天津 300300;

2. 天津大學電子信息工程學院, 天津 300072)

?

基于極化狀態(tài)提取的極化SAR圖像變化檢測算法

韓萍1, 叢潤民1,2, 張在吉1

(1. 中國民航大學智能信號與圖像處理天津市重點實驗室, 天津 300300;

2. 天津大學電子信息工程學院, 天津 300072)

摘要：極化合成孔徑雷達(polarimetric synthetic aperture radar, PolSAR)圖像中同一目標在不同時相下的散射特性會因數(shù)據(jù)采集條件的變化而發(fā)生變化,從而影響變化檢測結果的正確性。針對這一問題,提出了一種基于極化狀態(tài)提取的極化SAR圖像變化檢測算法。首先利用不變樣本目標提取圖像的最優(yōu)極化狀態(tài),并將此極化狀態(tài)下的接收功率比值作為變化檢測特征量,最后利用雙閾值判別方法提取變化區(qū)域?qū)崿F(xiàn)變化檢測。利用美國UAVSAR系統(tǒng)采集的全極化SAR實測數(shù)據(jù)進行實驗,結果表明,本文算法能有效檢測出地物的變化情況,且檢測虛警少、輪廓清晰。

關鍵詞：極化合成孔徑雷達圖像; 變化檢測; 極化狀態(tài); 相干矩陣

0引言

合成孔徑雷達(synthetic aperture radar, SAR)圖像變化檢測是一種通過對采集于不同時間同一地點的兩幅SAR圖像進行比較分析,確定地物變化信息的圖像處理技術,加之SAR系統(tǒng)全天時、全天候的觀測特點而被廣泛應用于災情估計、城市規(guī)劃以及軍事打擊效果評估等眾多領域。近年來,極化合成孔徑雷達(polarimetric synthetic aperture radar,PolSAR)數(shù)據(jù)獲取途徑逐漸增多,其圖像所包含的信息量遠大于單極化SAR圖像,能夠更加完整準確地揭示目標的散射機理,為目標分解、分類以及檢測提供了有力的數(shù)據(jù)支持,也為變化檢測技術提供了一個新的研究方向。

經(jīng)過多年的發(fā)展,單極化SAR圖像的變化檢測技術已逐漸成熟,其新成果也不斷涌現(xiàn)[1-2],學科的交叉發(fā)展也使一些舊理論得到了新應用。如文獻[3]將聯(lián)合稀疏表示理論應用到SAR圖像變化檢測中,提高了算法的魯棒性。文獻[4]將熱學中的熱核理論引入變化檢測,通過提取熱核不變量來判斷目標區(qū)域變化與否,有效降低了矩陣的擾動性。與之相比,針對PolSAR圖像的變化檢測算法研究進展相對緩慢,其中比較典型的算法有:極化似然比變化檢測算法[5]、最優(yōu)極化理論變化檢測算法[6]等。文獻[5]在地物目標的極化協(xié)方差矩陣滿足Wishart分布的條件下,利用極化似然比檢驗模型構造描述兩時相對應地物目標差異程度的變化檢測特征量,以此實現(xiàn)變化檢測并獲得較好的檢測效果。但真實場景中的地物散射特性往往較為復雜,有時無法滿足該條件,這使得算法的通用性受到了限制;文獻[6]則通過最大化變化區(qū)域與不變區(qū)域的對比度來確定一組最優(yōu)極化狀態(tài),以提高變化檢測的正確率。除此之外,文獻[7-8]從構造極化狀態(tài)的角度出發(fā)實現(xiàn)了PolSAR圖像的變化檢測;文獻[9]利用二叉樹理論提取圖像均值區(qū)域,進而對不同時相的同一均值區(qū)域進行變化檢測;文獻[10]提出一種新的適用于變化檢測的極化距離測度,實測數(shù)據(jù)驗證了算法的有效性。

本文算法借鑒文獻[7]中極化狀態(tài)構造的思想,利用兩時相圖像中對應的不變目標作為樣本,提取出使其散射特性更加相似的極化狀態(tài),以此來改善可能由于數(shù)據(jù)采集等原因?qū)е碌南嗤繕松⑸涮匦宰兓膯栴},算法可作為變化檢測預處理過程中的一步,以獲得更好的變化檢測結果。首先利用自動樣本目標選擇方法選取不變目標作為樣本,然后構造樣本目標的特征矢量,提取出使特征矢量相似性最大的極化狀態(tài)作為圖像的最優(yōu)極化狀態(tài),緊接著,以此極化狀態(tài)下的接收功率比值作為變化檢測特征量,并利用雙閾值判別法提取變化區(qū)域,實現(xiàn)變化檢測。最后利用美國UAVSAR系統(tǒng)在加利福尼亞州上空采集的農(nóng)田數(shù)據(jù)對算法進行驗證和分析。

1極化合成理論

1.1PolSAR數(shù)據(jù)表征

PolSAR數(shù)據(jù)有多種矩陣描述形式,如極化散射矩陣S、Stokes矩陣K、極化協(xié)方差矩陣C和極化相干矩陣T等,通常采用極化相干矩陣T來表征目標的變極化效應,其表達形式[11]如下:

其中,Tij是極化相干矩陣T的元素;上標*表示共軛運算;A0、B0、B、C、D、E、F、G、H是Huynen分解的9個參數(shù)。

由Huynen分解的9個參數(shù)所定義的單站后向散射體制下的Kennaugh矩陣K的表達形式[11]如下:

目標在不同極化狀態(tài)下的相干矩陣T是不同的,利用極化基變換公式[11]可以實現(xiàn)原始極化狀態(tài)下T矩陣到新極化狀態(tài)下T′矩陣的轉(zhuǎn)變,具體公式如下:

(1)

1.2極化合成

根據(jù)目標的散射矩陣可以計算在發(fā)射和接收天線任意極化組合下接收到的回波功率,這種技術叫做極化合成[12]。通過該技術,可以求得任意目標(已知其極化散射特性)的接收功率,其計算公式[12]如下:

(2)

2本文算法

在對同一地區(qū)進行多次數(shù)據(jù)采集時,變化的采集條件等因素,可能導致不同時相圖像中的同一地物目標表現(xiàn)出不同的散射特性,如果直接利用這些極化信息進行變化檢測將可能導致誤判。針對此問題,本文提出了一種基于極化狀態(tài)提取的變化檢測算法,旨在提取一種使兩時相對應目標極化散射特性更加相似的極化狀態(tài),并在此最優(yōu)極化狀態(tài)下實現(xiàn)變化檢測。算法主要包括4大部分:第1部分為預處理,主要對兩時相圖像進行配準、相干斑抑制和去取向等操作;第2部分利用不變樣本目標提取最優(yōu)極化狀態(tài),是本文算法的關鍵;第3部分為構造最優(yōu)極化狀態(tài)下的變化檢測特征量;第4部分進行雙閾值判別,提取變化區(qū)域。具體流程如圖1所示。

圖1　本文算法流程圖

本文算法的具體步驟如下:

步驟 1預處理。為了降低地物隨機取向以及相干斑噪聲對檢測結果的影響,對已配準的兩時相圖像分別進行去取向和相干斑抑制操作。

步驟 2自動選擇樣本目標。為了提取使兩時相對應目標極化特性更加相似的極化狀態(tài),需要選取兩時相圖像中的不變目標作為樣本,選取方法可分為人工選取和自動選取兩種。人工選取方法即人為選擇N個清晰、明顯的不變目標作為樣本,但該方法的人為主觀性較大,會導致樣本選取結果因人而異,使算法穩(wěn)定性下降,而且自動化程度較低。針對如上問題,本文提出了樣本目標的自動選取方法,步驟如下:

步驟 2.1計算兩時相極化SAR圖像對應目標的極化差異度。極化差異度反映了兩個目標的差異程度,數(shù)值越大,說明兩目標差異越大。其定義式[13]如下:

(3)

式中,TAij，TBij為兩時相對應目標的極化相干矩陣;PAij，PBij為兩時相對應目標的總功率;‖·‖F(xiàn)表示求矩陣的F范數(shù);角標i、j分別代表圖像的行列坐標。式(3)的前半部分是描述矩陣相關性的散射差異分量,后半部分是兩個目標的回波功率差異分量。

步驟 2.2選擇前N個極化差異度數(shù)值較小的目標作為不變樣本目標。

步驟 3選擇接收功率P、極化總功率span、Freeman散射熵Hf和各向異性參數(shù)Af作為特征量,分別對兩時相樣本目標構造特征矢量

式中,角標i=1,2,…,N;P是描述目標極化方位角和橢圓率角信息的接收功率(計算公式見式(2));span是描述目標強度信息的極化總功率;Hf和Af是描述目標散射特性差異的Freeman散射熵和各向異性參數(shù)[14-15],其定義如下:

(4)

(5)

式中,kAi和kBi分別為兩個目標的特征矢量;‖·‖2表示求向量的2范數(shù)。特征相似系數(shù)數(shù)值越大,說明兩個目標特性越相似。

步驟 6變化檢測。利用雙閾值判別方法對變化檢測特征量F進行判別,得到以“0”表示不變目標點、“1”表示變化目標點的二值化檢測結果F′,具體判別方法如下:

式中,Δx1，Δx2分別表示以1為中心左右兩邊的偏移量,那么兩個判別閾值可表示為T1=1-Δx1和T2=1+Δx2。需要說明的是,理論上,Fij=1時,說明兩時相對應目標無變化,但實際上,兩個目標的接收功率完全相同的可能性是極小的,因此可以認為以1為中心一定范圍內(nèi)的目標都是不變目標,故采用雙閾值判別。而且,由于變化檢測特征量數(shù)值不一定滿足均勻?qū)ΨQ分布,為了獲得更加準確的檢測結果,Δx1和Δx2的取值可以不相等。

3實驗結果與分析

3.1實驗數(shù)據(jù)簡介

本文利用美國UAVSAR系統(tǒng)采集的全極化SAR農(nóng)田數(shù)據(jù)對算法進行了實驗驗證,數(shù)據(jù)的相關參數(shù)如表1所示。借助GoogleEarth等工具查知,該地區(qū)為加利福尼亞州的大豆主產(chǎn)區(qū),5月中旬正是當?shù)氐霓r(nóng)忙時節(jié),故兩時相數(shù)據(jù)雖然僅相隔一天但也存在多處明顯變化(主要由農(nóng)作活動引起,如灌溉、播種以及耕作等)。實驗數(shù)據(jù)的Pauli分解圖如圖2所示,圖中標出了7處較為明顯的變化區(qū)域。

圖2　農(nóng)田數(shù)據(jù)的兩時相Pauli分解圖

3.2實驗結果

本文采用改進的去取向算法[16-17]和基于散射模型的相干斑抑制算法[18]對圖像進行預處理,樣本目標個數(shù)N取8。根據(jù)第2節(jié)流程圖求得的樣本目標坐標及最優(yōu)極化狀態(tài)如表2所示。經(jīng)實驗確定的雙閾值分別為T1=0.71和T2=2.24,檢測結果如圖3所示。為了便于比較分析,將極化似然比算法[5]的實驗結果示于圖4。本文算法以最優(yōu)極化狀態(tài)下的接收功率比值作為變化檢測特征量,它描述了兩時相對應目標的相似程度,數(shù)值越接近于1,目標為不變目標的可能性越大,反之,目標發(fā)生變化的可能性越大。而極化似然比算法的變化檢測特征量表征的是兩時相對應目標的差異程度,其數(shù)值越大,目標發(fā)生變化的可能性就越大,反之,目標變化的可能性越小。

表2　極化狀態(tài)提取統(tǒng)計表

圖3　本文算法實驗結果

圖4　極化似然比算法實驗結果

直觀比較圖3、圖4的實驗結果可以看出,兩種算法都可以檢測到圖2中標注的7處明顯變化的區(qū)域,但本文算法的虛警更少(見圖4中實線方框區(qū)域),且區(qū)域輪廓更加清晰、完整(見圖4中橢圓框區(qū)域)。但本文算法未檢測出圖4虛線方框中的區(qū)域,主要因為該區(qū)域變化可能由圖像采集噪聲引起,且兩時相功率較為接近,因此對功率比值判別特征不敏感,無法將其判為變化區(qū)域。從算法原理上講,極化似然比算法是在地物目標的極化協(xié)方差矩陣滿足Wishart分布的條件下得到的,但真實場景中的地物散射特性往往較為復雜,有時無法滿足該條件,這使得算法的通用性受到了限制,而本文算法并無此類約束限制條件。

除了主觀定性分析外,還可以利用漏警率、虛警率和總錯誤率[19]以及Kappa系數(shù)[20-21]等指標對實驗結果進行定量分析。通常情況下,真實的土地利用圖往往很難得到,故本文參照文獻[19]的方法,采用隨機采樣的方式選取了變化類型的2 331個無偏觀測樣本點和非變化類型的11 800個無偏觀測樣本點代替真實的土地利用圖進行精度評價,結果如表3所示。從表3可以看出,精度評價指標有效證實了主觀評價中虛警少的結論,而且本文算法的Kappa系數(shù)明顯高于極化似然比算法,一致性更好,更加驗證了算法的有效性與可靠性。

表3　精度評價

4結論

本文從極化狀態(tài)入手,提出了一種基于極化狀態(tài)提取的PolSAR圖像變化檢測算法。對于極化狀態(tài)的提取方法,本文以使兩時相不變目標的散射特性更加相似為原則,通過多個自動選取的不變樣本目標提取出具有典型意義的PolSAR圖像最優(yōu)極化狀態(tài)。在此最優(yōu)極化狀態(tài)下,將接收功率比值作為變化檢測特征量,然后利用雙閾值判別方法實現(xiàn)變化區(qū)域提取。實測農(nóng)田數(shù)據(jù)也驗證了本文方法的有效性。但利用接收功率比值法構造檢測特征量相對簡單,可能會導致對功率變化不敏感的變化區(qū)域無法檢測出來,今后還需進一步研究改進。

參考文獻：

[1] Liu Y, Kou W D, Mu C H. Change detection for SAR images based on fuzzy clustering using multilevel thresholding[J].JournalofXidianUniversity(NaturalScienceEdition),2013,40(6):13-18.(劉逸,寇衛(wèi)東,慕彩紅.結合多閾值法的模糊聚類用于SAR圖像變化檢測[J].西安電子科技大學學報(自然科學版),2013,40(6):13-18.)

[2] Wang F, Wu Y, Zhang Q, et al. Unsupervised change detection on SAR images using triplet Markov field model[J].IEEETrans.onGeoscienceandRemoteSensing,2013,10(4):697-701.

[3] Li W, Chen J Y, Yang P, et al. Multitemporal SAR images change detection based on joint sparse representation of pair dictionaries[C]∥Proc.oftheIEEEGeoscienceandRemoteSensingSymposium(IGARSS), 2012: 6165-6168.

[4] Luo W, Lin W, Wen J H. Change detection based on region heat kernel invariants for SAR image[J].JournalofAstronautics, 2011, 32(11): 2410-2416. (羅灣, 林偉, 溫金環(huán). 基于區(qū)域熱核不變量的SAR圖像變化檢測[J].宇航學報, 2011, 32(11): 2410-2416.)

[5] Conradsen K, Nielsen A A, Schou J, et al. A test statistic in the complex Wishart distribution and its application to change detection in polarimetric SAR data[J].IEEETrans.onGeoscienceandRemoteSensing, 2003, 41(1): 4-19.

[6] Hao H M, Zhang Y H. The application of optimal polarization theory in polarimetric SAR change detection[C]∥Proc.oftheInternationalConferenceonMultimediaTechnology(ICMT), 2010: 1-3.

[7] Qong M. Polarization state conformation and its application to change detection in polarimetric SAR data[J].IEEETrans.onGeoscienceandRemoteSensing, 2004, 1(4): 304-308.

[8] Qong M. Coherence optimization using the polarization state conformation in polInSAR[J].IEEETrans.onGeoscienceandRemoteSensing, 2005, 2(3): 301-305.

[9] Alonso-Gonzalez A, Lopez-Martinez C. PolSAR time series temporal change detection and analysis with binary partition trees[C]∥Proc.oftheIEEEGeoscienceandRemoteSensingSymposium(IGARSS), 2013: 2321-2324.

[10] Zhang Y H, Zhang X F, Fu J, et al. A SAR change detection method based on polarimetric distance measure[J].ActaGeodaeticaetCartographicaSinica,2014,43(2):143-149.(張永紅,張現(xiàn)峰,付姣,等.一種基于極化距離測度的SAR變化檢測方法[J].測繪學報,2014,43(2):143-149.)

[11] Lee J S, Pottier E.Polarimetricradarimaging:frombasicstoapplications[M].Florida: CRC Press, 2009: 66-85.

[12] Wang C, Zhang H, Chen X, et al.FullpolarimetricSARimageprocessing[M].Beijing:Science Press,2008.(王超,張紅,陳曦,等.全極化合成孔徑雷達圖像處理[M].北京:科學出版社,2008.)

[13] Wang W G, Wang J, Mao S Y. Classification of polarimetric SAR images based on difference degree[J].JournalofElectronics&InformationTechnology,2006,28(11):2007-2010.(王文光,王俊,毛士藝.一種基于差異度的極化SAR圖像迭代分類方法[J].電子與信息學報,2006,28(11):2007-2010.)

[14] Lang F K, Yang J, Zhao L L, et al. Polarmetric SAR data classification with Freeman entropy and anisotropy analysis[J].ActaGeodaeticaetCartographicaSinica, 2012, 41(4): 556-562.(郎豐鎧,楊杰,趙伶俐,等.基于Freeman散射熵和各向異性度的極化SAR影像分類算法研究[J].測繪學報,2012,41(4):556-562.)

[15] Wang S, Liu K, Pei J J, et al. Unsupervised classification of fully polarimetric SAR images based on scattering power entropy and copolarized ratio[J].IEEETrans.onGeoscienceandRemoteSensing, 2013, 10(3): 622-626.

[16] An W T, Cui Y, Yang J. Three-component model-based decomposition for polarimetric SAR data[J].IEEETrans.onGeoscienceandRemoteSensing, 2010, 48(6): 2732-2739.

[17] Lee J S, Ainsworth T L. The effect of orientation angle compensation on coherency matrix and polarimetric target decompositions[J].IEEETrans.onGeoscienceandRemoteSensing, 2011, 49(1): 53-57.

[18] Lee J S, Grunes M R, Schuler D L, et al. Scattering-model-based speckle filtering of polarimetric SAR data[J].IEEETrans.onGeoscienceandRemoteSensing,2006,44(1):176-187.

[19] Hao H M, Zhang Y H, Shi H Y, et al. Application of test statistic method in fully polarimtric SAR change detection[J].JournalofRemoteSensing,2012,16(3):529-530.(郝洪美,張永紅,石海燕,等.統(tǒng)計假設檢驗方法在全極化SAR變化檢測中的應用[J].遙感學報,2012,16(3):529-530.)

[20] Lucas I F J, Frans J M. Accuracy assessment of satellite derived land-cover data: a review[J].PhotogrammetricEngineering&RemoteSensing, 1994, 60(4): 410-432.

[21] Hao H M. Study on change detection technology based on polarimtric SAR data[D].Liaoning:Liaoning Technical University,2010.(郝洪美.基于極化SAR影像的地物變化檢測技術研究[D].遼寧:遼寧工程技術大學, 2010.)

韓萍(1966-),女,教授,博士,主要研究方向為圖像處理與模式識別、SAR目標檢測與識別。

E-mail:hanpingcauc@163.com

叢潤民(1989-),男,博士研究生,主要研究方向為極化SAR圖像處理、3D圖像處理。

E-mail:crmcauc@163.com

張在吉(1989-),女,碩士研究生,主要研究方向為極化SAR圖像處理。

E-mail:cheeraji@163.com

網(wǎng)絡優(yōu)先出版地址：http://www.cnki.net/kcms/detail/11.2422.TN.20141208.1054.004.html

Change detection algorithm of polarimetric SAR image

based on polarization state extracting

HAN Ping1, CONG Run-min1,2, ZHANG Zai-ji1

(1.TianjinKeyLabforAdvancedSignalProcessing,CivilAviationUniversityofChina,Tianjin300300,China;

2.SchoolofElectronicInformationEngineering,TianjinUniversity,Tianjin300072,China)

Abstract:In polarimetric synthetic aperture radar (PolSAR) images with two different phases, the same target may appear different scattering characters due to the changed data acquisition conditions, which will have an influence on the correctness of change detection. In order to overcome this problem, a new change detection algorithm based on polarization state extracting is proposed. First, invariant targets are used to extract the optimal polarization state of the image, then received power ratio is calculated as the feature of change detection under this state. Finally, the dual-threshold segmentation method is used to achieve change detection. Fully polarimetric SAR data collected by U.S. UAVSAR system is adopted to test and verify the new approach. Experimental results show that the novel method can obtain a good change detection result with low false alarm rate and clear contour.

Keywords:polarimetric synthetic aperture radar (PolSAR) image; change detection; polarization state; coherence matrix

作者簡介：

中圖分類號：TP 753

文獻標志碼：A

DOI:10.3969/j.issn.1001-506X.2015.07.10

基金項目：國家自然科學基金重點項目(61231017)；中央高?；究蒲袠I(yè)務費專項資金(3122014C004)；中國民航大學科研基金(2012KYE03)資助課題

收稿日期：2014-06-20；修回日期：2014-11-01；網(wǎng)絡優(yōu)先出版日期：2014-12-08。