高分辨SAR复杂场景中的人造目标检测

郭 睿 臧 博 张双喜 周 峰 邢孟道

(西安电子科技大学雷达信号处理重点实验室 西安 710071)

1 引言

合成孔径雷达(SAR)在复杂环境下可以获得监视区域的高分辨率雷达图像，在战场侦察、民用搜救和地形测绘等方法具有重要的价值。在SAR图像中，人造目标大都具有强散射特性及固定形状，对其进行准确检测，在军事方面和民用方面都有很大的应用价值，可以提高SAR对目标的监视、识别、定位和描述能力等。但由于 SAR应用环境存在噪声、干扰等复杂的不利因素，致使目标检测虚警概率提高，算法鲁棒性下降。其中，针对特定环境背景和特定目标的检测方法相继被提出和实现[1-4]。这些目标检测技术从不同的角度对目标进行了有效的检测。恒虚警(CFAR)[1]主要针对点目标进行检测，因此被广泛应用于低分辨图像中的目标检测；Hough变化[2]是提取图像中直线的主要方法，主要被运用于道路，跑道，桥梁的检测中；对于与周围背景对比度较大的水上桥梁，多采用阈值方法[3]对其进行识别检测；双门限最佳直方图熵(KSW)法在对海面舰船检测[4]中的效果也已被证实。

本文针对场景中地物自然环境复杂，存在大量的非人造目标(即自然地物目标)的情况，提出了对其中的人造目标进行检测的方法。本文提出的检测算法基本思想是：在图像预处理阶段，根据图像信息熵的不同，设计出一种图像平滑方法—改进的Lee滤波，该方法不仅可以有效地抑制图像中的噪声，而且可以较好的保持图像的细节和邻域特征；然后利用门限化的分割技术，粗略检测出目标；最后根据目标的分形特征，采用方向梯度能量进行特征提取，找出人造目标和背景的形状和尺寸特征，实现对人造目标的准确检测。

2 图像预处理

基于信息熵的改进Lee滤波

由于SAR图像中含有大量的噪声，对后续的图像检测性能影响很大，通常都采用图像平滑的方法进行去噪处理。Lee滤波[5]方法是一种常用的低通滤波方法，但是常规的Lee方法在抑制噪声的同时消除图像的细节信息，为了在滤除随机噪声的同时又能很好地保持图像的细节信息，本文提出了一种基于信息熵的改进Lee滤波方法。

2.1 图像平滑处理

从上述的分析中可以看出，进行Lee滤波的关键技术在于对滤波参数b的估计，采用 Lee滤波中的窗口滑动方法，由于对中心像素的处理是采用窗口内所有点进行平均，因此，会将不同类型点信息混淆了，造成图像细节的损失，使得邻域特征的区别产生模糊。例如，当中心像素与其滑窗内的某一点特性不同，但进行平均后，两点的特性很可能就一致了，不利于对邻域内不同点之间特性的区分。为了能够很好地改进这一点，本文对Lee窗口滑动进行改进，来估计窗口中心像素的滤波参数b。

首先根据式(5)计算图像的信息熵：

式中pi为第i个灰度出现的概率。这里，根据 SAR图像信息熵的不同，将图像中的像素点大致划分为三类：高熵区(H＞0.9)，中熵区(0.5 ＜H≤ 0 .9)，低熵区(H≤0.5)。

进行窗口滑动时，并不将窗口内的所有像素都用来对图像进行估计，而是选择窗口内与中心像素熵类型一致的像素进行估计。具体选择方法如图1所示(文中初始窗口大小为5×5)：

设中心像素(i,j)为Aij，窗口内与Aij属于同一熵区的像素集合为B，不同的集合为C。如果集合B中的元素个数M≥24时，就可以对中心像素进行滤波参数b的估计；如果M＜24，在窗口中的同类像素集B就需要扩大，这时，对初始的5×5窗口进行扩大，直到窗口内同类像素集B的元素个数符合M≥ 2 4。

图1 自适应窗口示意图

需要说明的是，在进行自适应滑窗处理时，窗口不能无限扩大，在这里规定一个最大步长step=4，即窗口边界上的边界点到中心像素的最大距离。当step＞4时，就停止窗口的自适应增长，进行下一个像素点的滤波参数b的估计。

改进的图像滤波方法具体如下：(1)依照式(5)计算图像的信息熵，将图像分为3类区域：高熵区，中熵区，低熵区；(2)依照图1所示的方法进行自适应窗口滑动，估计滤波参数b；(3)将(2)中得到的滤波参数b代入式(4)，得到未被噪声污染的原图像的估计值，即滤波后的图像。

从上可以看出，由于进行窗口滤波时选取的是位于同一熵区的像素点进行估计，因此，在中心像素与邻域像素不连续的情况下，有效地避免了邻域特征的混淆和扩展，对于图像轮廓等细节信息能够得到更好的保持，为后续图像中的目标检测提供了有利的条件。对图像的平滑处理完成后，就可以采用门限技术对图像进行分割，其中噪声对门限的影响被消除，分割结果更符合实际地物特征。

2.2 门限分割—双门限最佳直方图熵(KSW)法

对图像进行平滑处理后，采用Kapur等人提出的 KSW 方法对图像进行门限化分割，在高分辨复杂场景中粗略检测出目标。这种方法将信息论中Shannon熵概念用于图像分割，测量图像灰度直方图图的熵，由此找出最佳门限，其出发点是使图像中目标与背景分布的信息量最大。由于此方法已被广泛应用于海面舰船检测[4]，这里不再对双门限KSW的方法步骤进行介绍。

3 图像分形特征提取

经过门限分割后得到的图像，背景对人造目标检测的影响已大大减小。此时，对于图中背景与目标，其形状与大小特征是不同的，因此根据分形特征[6]在多尺度图像目标检测中的优越性，采用方向梯度能量[7]特征提取分形特征，沿距离向(x方向)和方位向(y方向)两个方向来描述 2维目标总方向梯度能量，就可以完成对高分辨SAR图像中人造目标的分形(形状与大小)特征的描述，完成对目标的准确检测。

在2维目标总方向梯度能量中，复数的模是 2维目标的梯度总能量，代表物体尺寸的聚类特征。辐角是梯度总能量的方向，代表物体的形状特征。同时可以看出：当物体尺寸小于测量半步长，则方向梯度总能量为零；若物体尺寸等于或大于测量步长时，方向梯度总能量达到最大值并保持不变。由这些性质可以看出，利用方向梯度能量进行分形特征的提取，可以检测和识别不同的目标。

4 目标检测流程

对于高分辨 SAR复杂场景中的人造目标进行检测步骤如下：

(1)计算原始图像的信息熵，将图像划分为3类熵区域(高熵区、中熵区和低熵区)；

(2)采用自适应窗口滑动方法，按图1所示方法对图像中每一像素点的滤波参数b进行估计；

(3)将滤波参数估计值b代入式(4)，经计算得到滤波后的图像。完成图像处理的同时，对细节和邻域特征进行了有效的保持；

(4)计算平滑后的图像信息熵；

(5)采用双门限KSW方法，寻找最佳门限，对高分辨图像进行门限化分割，实现高分辨SAR人造目标的粗略检测；

(6)分别计算沿距离向(x方向)和方位向(y方向)的方向梯度总能量；

(7)计算2维目标的方向梯度总能量，提取模值；

(8)从步骤(7)中得到的模值信息，对图像中目标的大小和形状进行描述，得到准确的检测结果。

需要说明的是，在步骤(6)中，随着步长设置的不同，步骤(7)中提取得到的模值信息也不相同，通过不同步长的选取，可以获得人造目标的分形特征的不同描述。

结合 1，2节的原理分析，具体的高分辨 SAR复杂背景下的人造目标检测流程图如图2所示：

图2 高分辨SAR复杂场景下的目标检测算法流程

5 实验结果与分析

本文采用分辨率为0.3 m的高分辨SAR图像进行实验和分析。图3中图像大小为1500×3500，从图 3(a)中可以看到，原始图像中存在大量的噪声，会对后续的图像的处理带来不便。本实验是要将图像中的A、B两座高压线塔检测提取出来。

首先对图3(a)进行平滑处理，采用改进Lee滤波方法得到的平滑结果如图 3(b)所示，可以看到图中的噪声明显减少，图像的边缘细节等特征也都得到了很好的保持，通过计算，图像的方差均值比(s/m)从0.7975减小到了0.5244，无论图像域还是统计数值域，都证明了本文采用的改进Lee滤波方法是有效的。

图3(c)为直接采用KSW算法检测后的结果，可以看到此时对应A、B两座高压线塔的位置被检测出来了。不同于高分辨的舰船检测(其背景为海面，散射强度比舰船弱很多，目标的信杂噪比很高)，在进行地面人造目标检测时，周围复杂的地物场景对人造目标检测有很强的干扰和混淆，尤其是在高分辨情况下，目标所在场景中会存在很多强散射的物体。因此，在检测到高压线塔的同时，图 3(c)中还存在散布的一些强散射点，大大降低了目标检测概率，因此需要进行更进一步的准确检测。

采用方向梯度能量进行分形特征的提取时，设置测量步长远小于图像中目标的大小时，得到的方向能量梯度的模如图3(d)所示，可以看到，此时图3(c)中粗略检测到的所有目标，它们的轮廓在图3(d)中都通过分形特征被描述出来。当改变测量步长，使得测量步长大于图像中目标的大小时，得到的方向能量梯度的模如图 3(e)所示，可以看到，此时图中只存在A、B两座高压线塔的信息，但是它们的形状与图3(c)和3(d)相比，不是很完整。这是因为当物体尺寸小于测量半步长，则方向梯度总能量为零；若物体尺寸等于或大于测量步长时，方向梯度总能量达到最大值并保持不变。

结合图3(d)和3(e)，高分辨SAR图像中的人造目标，其形状和大小，都可以被较好的描述出来，完成了在复杂场景中的准确检测，为后续的识别处理等奠定了基础。

图3 实验结果

6 结论

本文通过完整的图像处理过程，对复杂地物背景下高分辨 SAR图像中存在的人造目标进行了准确的识别。首先，本文充分利用图像熵信息，对已有的Lee滤波算法进行改进，使得图像得到平滑的同时，细节和邻域特征等信息都得到了很好的保持，这种方法也可以在其它的图像平滑处理中借鉴和使用，具有一定的推广性；其次，本文采用方向能量梯度进行分形特征的提取，通过改变测量尺寸，对目标的形状和大小都进行了较好的描述，实现对高分辨复杂地物场景中人造目标的准确检测。实测的高分辨 SAR图像处理结果验证了本文算法的有效性，该目标检测算法对实际的工程应用具有一定的理论参考性。

[1] Conte E, De Maio A, and Ricci G. CFAR detection of distributed targets in non-Gaussian disturbance[J].IEEE Transactions on Aerospace and Electronic Systems, 2002,38(2): 612-621.

[2] 贾承丽，周晓光，计科峰，匡纲要. 复杂SAR场景中机场跑道的提取. 信号处理, 2007, 23(3): 374-378.Jia Cheng-li, Zhou Xiao-guang, Ji Ke-feng, and Kuang Gang-yao. Extraction of runways in complex synthetic aperture radar images.Signal Processing, 2007, 23(3):374-378.

[3] 戴光照， 张荣. 高分辨率 SAR图像中的桥梁识别方法研究.遥感学报, 2007, 11(2): 177-184.Dai Guang-zhao and Zhang Rong. A study of bridge recognition in high resolution SAR images.Journal of Remote Sensing, 2007, 11(2): 177-184.

[4] 种劲松，朱敏慧. 高分辨率合成孔径雷达图像舰船检测方法.测试技术学报. 2003, 17(1): 15-18.Chong Jin-song and Zhu Min-hui. Ship detection method of high-resolution SAR imagery.Journal of Test and Measurement Technology, 2003, 17(1): 15-18.

[5] Lee J S. A simple speckle smoothing algorithm for synthetic aperture radar images.IEEE Transation on System, Man,and Cybernetics, 1983, 13(1): 85-89.

[6] Duda R O. Pattern Recognition and Image Processing[M].Chichester, Horwood Publishing, 1998: 266-306.

[7] 谢明，李文博，罗代升. SAR图像目标的方向梯度能量分形特征研究. 光电工程, 2008, 35(4): 84-90.Xie Ming, Li Wen-bo, and Luo Dai-sheng. Directed gradient power fractal features of SAR image objects.Opto-Electronic Engineering, 2008, 35(4): 84-90.