基于变化检测的机场毁伤评估算法

牛鹏辉， 李卫华， 李小春

(空军工程大学电讯工程学院，西安 710077)

0 引言

自20世纪60年代至今，海湾战争、科索沃战争结束后，毁伤评估越来越受重视，成为一个方兴未艾的研究领域。以美国为首的少数发达国家从人工发展到机器和人工相结合的阶段，利用图像分析对目标毁伤效果进行评估的技术已经远远领先于其他国家，并有着相对成熟的评估系统，往往在军事打击后几小时内就可以完成毁伤评估，效率上提高了很多。随着遥感技术及微电子技术的发展，此类方法大大方便了作战决策过程。国内在利用遥感图像进行毁伤评估方面的研究起步比较晚，致使研究结果与实际应用还有比较大的差距，这有技术方面的原因，也有图像数据缺乏等因素，但是与之相关的一些工作正在逐步开展和前进。毁伤评估是一个庞大的系统工程，需要多学科长期的集体努力才能完成，所需信息主要有两大类:一是满足评估的信息来源;二是毁伤效果评估标准。从美军经验可知，采用多时相遥感图像的变化检测技术是进行毁伤效果评估的一种客观而有效的方法，可以提高毁伤效果评估的准确性和实时性［1］。

由于军事涉密性，国内外很少直接有关于机场毁伤评估方面的文献，对于毁伤评估的算法大多是基于图像分析的。文献［2-6］对机场和跑道目标的毁伤评估进行了研究，绝大多数是基于毁伤面积一个指标来评估跑道的毁伤程度，通过最小起飞距离给出跑道功能和封锁的准则，同时个别人也通过建立目标打击前后特征的变化率对飞机目标的毁伤程度进行了分析;文献［7-8］建立机场在毁伤条件下的作战效能量化评估模型，避免了以往就打击机场问题仅考虑单一因素的弊端，通过对各个子目标的易损性及保障功能结构逻辑的分析，以子目标保障能力指数为表征从而完成整个机场目标的毁伤评估。虽然这些学者在毁伤评估方面的研究取得了一定的成果，但绝大部分的评估在毁伤特征指标的选择和提取、准则的判定等方面缺乏一些通用性和实效性，在应用于任何背景、任何分辨率下的机场的毁伤评估中仍需要进一步的探索和完善。

本文针对机场的特点，提出了一种基于遥感图像变化检测的机场毁伤效果评估算法，算法分为4个关键步骤，重点在特征选取和评估准则方面进行深入研究，建立了特征向量“相似度”和评估准则，通过对目标打击前后特征变化的分析，实现了对机场目标毁伤效果的自动评估。

1 机场系统的组成

机场作为组织保障飞机活动的具体场所，已经成为空中作战和军事训练活动的重要依托。一般情况下，它由主战系统和保障系统组成。主战系统是指完成作战任务的飞机;保障系统则指为飞机完成作战任务提供支持与保障的单元，主要包括飞行场地、后勤保障、指挥设施和防护设施［9］，具体如表1所示。

表1 机场系统的组成Table 1 Composition of the airport system

分析目标系统功能结构可知，一般存在串联、并联或串并联混合型的结构类型，子目标受损都会对目标整体功能产生影响。因此，机场系统中的子系统都可能成为打击的具体对象。鉴于完整的机场遥感图像缺乏，本文只针对图像中飞机及建筑物目标进行基于变化检测的毁伤评估分析和研究。

2 毁伤评估算法

2.1 算法描述

毁伤效果评估要以特征信息的提取为核心，所以，合理有效的评估方法要尽量选择能反映目标特性的特征，并对图像进行适当的处理以利于目标特征的提取;然后分析对比所提取的特征，并在此基础上结合一定的评估规则说明目标的毁伤程度。根据上述分析，本文提出一种基于遥感图像变化检测的机场毁伤效果评估算法，如图1所示，主要包括图像预处理、兴趣区域划定、毁伤特征提取、分级评估4个模块。

图1 毁伤评估算法流程图Fig.1 Flow chart of damage assessment algorithm

2.2 图像预处理

在遥感图像获取的过程中，造成数据量测误差的因素很多，例如光学系统的像差，遥感器的不稳定，平台飞行姿态的变化，大气条件和海上杂波的干扰等因素都会影响遥感图像的质量［10］。因此，为抑制不需要的图像特征或者增强某些对于后续处理重要的图像特征，必须首先对图像进行预处理，将图像转变为一种更适合于人或机器分析的形式。针对变化检测前后遥感图像的特点，本文采用直方图规定化的方法来增强图像局部的对比度，同时有效抑制了大气条件影响等因素导致的背景差异，如图2所示。

图2 直方图规定化前、后图像比较Fig.2 Comparison between the original and normalized image

2.3 兴趣区域划定

遥感图像是在很高的视场上获得的，覆盖地域很大，在对其进行变化检测时，突出兴趣区域变化信息的提取，有助于提高算法处理的效率和精度。本文根据机场跑道具有明显的直线特征，采用具有统计性质的霍夫(Hough)变换［11］来提取机场区域。该变换把图像数据空间的一个点映射为Hough参数空间的正弦曲线，依据变换域中各个位置的统计量来进行该种类型的曲线的检测，避免了噪声和曲线间断产生的影响，从而实现了对机场跑道的准确提取。如图3b所示，利用Hough变换将机场跑道的线状特征检测出来，然后利用边缘直线段的坐标提取出机场区域，抑制掉过多的背景信息，如图3c所示。

图3 兴趣区域划定Fig.3 Demarcation of regions of interest

2.4 毁伤特征提取

变化检测是通过分析同一地理位置多时相遥感图像，观察并判断一个对象其状态有无发生变化的有效方法［12］。在打击前图像上进行机场区域的划定后，与已配准的打击后图像进行区域方位映射，得到打击后的机场区域在图像中的大致方位信息，然后采用灰度变化检测方法，对打击前后的机场区域图像进行变化检测，得到毁伤的候选区域，利用变化检测参数指标对打击目标的图像特征进行描述，实现毁伤信息的有效提取。

为了对候选区域内打击后目标的毁伤信息进行识别，本文利用常用的几何和纹理特征变化表征毁伤信息［13］。因此，从特征准确提取的需要出发，先对候选的区域进行两个处理［14］:第一个是利用目标的先验知识建立一个与目标大小类似的矩形模板，采用空间二维匹配滤波方法在图像上使模板沿距离和方位向滑动，或者围绕其质心转动，直到模板所含的能量最大，矩形的位置和方向代表了人造目标的位置和方向，从而方便纹理特征的提取;另一个处理是利用形态学图像处理，如具有不同内核的侵蚀、扩散处理、边沿检测等，找出与目标形状类似的区域，确定目标的几何形状、在方位向和距离向的分布范围等，方便几何特征的提取。

几何特征是一种反映图像中目标外观几何大小的视觉特征。正常情况下，人造目标可以看成是由许多线性体构成，呈现某种偏正态分布，遭到毁伤后，这种分布形式会发生变化，并且不同类别、不同破坏程度的线性体分布图像会呈现有规律的变化，反映在图像上变化的特征有粗糙比、紧凑比、面积比、周长比、长短轴比、周长等参数［15］。上述特征具体描述如下。

粗糙比:

紧凑比:

面积比:

周长比:

长短轴比:

其中:Lmajor为测得目标的最长主轴;Lminor为测得目标的最短轴;Pper为目标的周长;Aar为目标的面积;和为用一个凸多边形来近似目标时的周长和面积。

纹理特征是一种反映图像中同质现象的视觉特征，体现了目标表面共有的属性，包含了结构组织排列的重要信息以及与周围环境的联系。图像上的纹理绝大部分属于随机性，主要利用统计纹理分类方法进行处理，为充分利用灰度空间信息，本文采取基于灰度共生矩阵的纹理统计量表示图像的特征信息，Haralick［16］曾经提出14种灰度共生矩阵计算出来的统计量，但是经过分析，对于本文遥感图像来说以下4种统计量描述纹理特征的效果更明显。

对比度(即惯性矩，局部图像变化的总量，反映了图像的清晰度和纹理的沟纹深浅)。

能量(即角二阶矩，图像灰度一致性的度量)。

熵(图像具有的信息量的度量，是测量灰度级分布随机性的特征参数，表征了图像中纹理的复杂程度)。

相关(即逆差矩，图像局部灰度均匀性的度量)。

其中:i，j为灰度，Pθ，d(i，j)为相对频率，描述具有灰度级i，j的两个像素，在方向θ上间隔距离为d，以多大频率出现在窗口;μx，μy分别表示共生矩阵在列方向和行方向上的均值;σx，σy分别表示共生矩阵在列方向和行方向上的方差。

2.5 分级评估

毁伤评估是在比较火力打击前后目标有关特征参量变化程度的基础上，进一步量化并确定目标的毁伤程度。需要解决的问题就是两组特征向量的关系，常用基于集合距离的判断方法，如Hamming距离、欧氏距离、内外距离等，但这些不带权值的距离计算方法精度并不高，所做出的评估准确度不高，因为各个参数的取值范围变化很大，参数的绝对变化量不能反映其相对变化量。因此，本文先利用模糊集中的相似关系建立一个关于整体的特征向量“相似度”，然后基于特征向量内各个特征所代表的物理意义不同，会导致参数之间取值范围变大的原因，分别对几何和纹理两组特征向量里同类特征进行归一化处理，采用文献［17］中特征向量的“二次距离”对目标毁伤情况进行评估。

第1级评估 依据几何特征二次距离进行评估。如果二次距离较大，相似度较小，则可判断目标受到毁伤，引起了外形上的变化，但不能判断毁伤的程度和具体部位。如果外形发生了很大变化，可认为目标受到严重毁伤。

第2级评估 根据几何和纹理特征二次距离进行评估。如果两个特征二次距离都较小，相似度较大，则可判断目标未受到毁伤;如果几何特征二次距离较小，而纹理特征二次距离较大，相似度适中，则可判断目标受到轻度毁伤，虽然外形维持原貌，但内部结构受损较严重;如果两个特征二次距离都较大，相似度较小，则可判断目标受到严重毁伤。

第3级评估 在确认目标受毁伤的情况下，根据目标的具体形状把目标分为不同部分，分别计算不同部分的二次距离，则对毁伤严重的目标，还可根据不同部分的二次距离判断目标受毁的具体部位。

由此可知，第1级评估是针对目标几何特征进行分析的，可立刻判断目标是否受到毁伤;第2级评估是针对目标几何和纹理特征进行分析的，不仅可以明确目标是否受到毁伤，而且可以更好地判断目标的毁伤程度;第3级评估是在判断目标毁伤程度的基础上，确定毁伤的具体部位。

3 仿真结果与分析

根据上述毁伤评估算法，本节使用某机场的遥感影像进行了仿真，采用的原始图像如图2a所示，大小为512×512像素。因为缺乏真实的毁伤机场遥感图像，本文通过仿真对原图像中的一个飞机目标和建筑物目标进行一定程度的毁伤，得到了毁伤后的机场遥感图像。

首先，对原始图像进行预处理和兴趣区域划定，增强了图像对比度，同时抑制掉了过多的背景干扰，利于兴趣区域变化信息的提取，如图2b和图3c所示;其次，采用图像差值法对打击前后的机场区域图像进行变化检测，得到了毁伤的候选区域，如图4c所示;然后对打击前后的图像进行空间二维滤波方法和形态学处理，分别提取并归一化目标的几何特征和纹理特征，计算打击前后目标整体的特征向量相似度，几何、纹理特征二次距离，结果如表2所示。

从表2中可以看出，飞机的几何特征二次距离较小，为 0.3332，纹理特征二次距离较大，为 0.5772，特征向量相似度为0.6242，符合第2级评估规则，故可以说明飞机目标受到轻度毁伤，外形变化不大，但内部结构变化较大;建筑物的几何特征二次距离较大，为0.8290，纹理特征二次距离较小，为 0.3638，特征向量相似度为0.3102，符合第1级评估规则，外形变化很大，故可以直接说明建筑物目标受到严重毁伤。从实验可以看出算法自动评估的结果与目视结果基本一致，可见本文人工处理得到毁伤后的图像是合理的，所提出的毁伤效果评估算法是切实可行的，如果在具有真实图像的条件下会获得更好的验证。

图4 毁伤评估结果Fig.4 Experiment results of damage assessment

表2 目标毁伤评估表Table 2 Damage assessment of target

4 结束语

本文提出了一种基于遥感图像变化检测的机场毁伤效果评估算法，对算法的各模块进行了详细的说明，并进行了仿真，仿真结果表明该算法可以对目标毁伤程度进行有效评估。

从上述工作可以看出算法的关键是目标毁伤特征的提取和评估规则的建立，本文在对遥感图像进行变化检测的基础上，引入了空间二维匹配滤波和形态学处理，以便对目标特征能够进行准确的提取，同时，建立了目标整体的特征向量“相似度”，几何、纹理特征“二次距离”，制定了分级评估规则。尽管本文采用一定的仿真手段得到了比较好的效果，但对实际复杂目标的复杂图像而言，为了使算法更加完善而合理，应该结合目标的具体模型以及更多的非图像信息对目标的毁伤程度进行更准确的评估。

［1］SSU H Y,ANUJ S,RAMAN K M.Automatic battle damage assessment based on laser radar imagery［J］.SPIE,1999,3707:210-221.

［2］范瑞彬.遥感图像中机场识别与毁伤分析研究［D］.南京:南京理工大学，2004.

［3］杨茂龙，夏德深.跑道毁伤识别中的变化检测研究［J］.遥感技术与应用，2005，20(5):474-477.

［4］高士英，刘彦，黄风雷.子母弹对机场跑道毁伤评估的计算模拟研究［J］.弹箭与制导学报，2008，28(6):132-134.

［5］郜鹏飞.机场目标毁伤评估算法研究及半物理仿真系统设计［D］.上海:上海交通大学，2009.

［6］于天超.基于多尺度融合的遥感图像变化检测及其毁伤评估应用［D］.成都:电子科技大学，2010.

［7］范阳涛，杨萍，世文学，等.基于毁伤的机场作战效能评估［J］.四川兵工学报，2008，30(10):93-95.

［8］颜洁，刘建坡，唐伟广.基于遥感图像变化检测的毁伤效果分析［J］.信号与信息处理，2010，40(10):30-32.

［9］WU Huiqin,LING Xudong.Assessment model of airport target based on grey relational analysis and AHP method［C］//IEEE 2ed International Conference,Chonqing:2010:237-340.

［10］RADKE R J,ANDRA S,KOFAHI O,et al.Image change detection algorithms:A systematic survey［J］.IEEE Transactions on Image Processing,2005,14(3):294-307.

［11］GUIL N,VILLALBA J,ZAPATA E L.A fast hough transform for segment detection［J］.IEEE Transaction on Image Processing,1995,4(11):1541.

［12］李小春，陈鲸.一种变化检测的新算法［J］.宇航学报，2005，26(3):334-338.

［13］袁海礼，宋建庄，薛文通，等.利用灰度和纹理特征的SAR图像分类研究［J］.电光与控制，2007，14(4):58-62.

［14］付文宪，李少洪，洪文.基于高分辨率SAR图像的打击效果评估［J］.电子学报，2003，31(9):1290-1294.

［15］ANDR G，CHIROIU L，MERING C，et al.Building destruction and damage assessment after earthquake using high resolution optical sensor［C］//IGARSS'03 Proceedings，2003:2398-2400.

［16］HARALICK R M,SHANMUGAM K，DINSTEIN I.Texture features for image classification［J］.IEEE Trans System Man Cybernet,1973,3(6):610-621.

［17］KREITHEN D E，HALVERSEN S D.A discrimination algorithm and the effect of resolution［C］//IEEE National Radar Conference London:IEEE NRC,1993:128-133.