基于极化状态提取的极化SAR图像变化检测算法

韩　萍, 丛润民,2, 张在吉

(1. 中国民航大学智能信号与图像处理天津市重点实验室, 天津 300300;

2. 天津大学电子信息工程学院, 天津 300072)



基于极化状态提取的极化SAR图像变化检测算法

韩萍1, 丛润民1,2, 张在吉1

(1. 中国民航大学智能信号与图像处理天津市重点实验室, 天津 300300;

2. 天津大学电子信息工程学院, 天津 300072)

摘要：极化合成孔径雷达(polarimetric synthetic aperture radar, PolSAR)图像中同一目标在不同时相下的散射特性会因数据采集条件的变化而发生变化,从而影响变化检测结果的正确性。针对这一问题,提出了一种基于极化状态提取的极化SAR图像变化检测算法。首先利用不变样本目标提取图像的最优极化状态,并将此极化状态下的接收功率比值作为变化检测特征量,最后利用双阈值判别方法提取变化区域实现变化检测。利用美国UAVSAR系统采集的全极化SAR实测数据进行实验,结果表明,本文算法能有效检测出地物的变化情况,且检测虚警少、轮廓清晰。

关键词：极化合成孔径雷达图像; 变化检测; 极化状态; 相干矩阵

0引言

合成孔径雷达(synthetic aperture radar, SAR)图像变化检测是一种通过对采集于不同时间同一地点的两幅SAR图像进行比较分析,确定地物变化信息的图像处理技术,加之SAR系统全天时、全天候的观测特点而被广泛应用于灾情估计、城市规划以及军事打击效果评估等众多领域。近年来,极化合成孔径雷达(polarimetric synthetic aperture radar,PolSAR)数据获取途径逐渐增多,其图像所包含的信息量远大于单极化SAR图像,能够更加完整准确地揭示目标的散射机理,为目标分解、分类以及检测提供了有力的数据支持,也为变化检测技术提供了一个新的研究方向。

经过多年的发展,单极化SAR图像的变化检测技术已逐渐成熟,其新成果也不断涌现[1-2],学科的交叉发展也使一些旧理论得到了新应用。如文献[3]将联合稀疏表示理论应用到SAR图像变化检测中,提高了算法的鲁棒性。文献[4]将热学中的热核理论引入变化检测,通过提取热核不变量来判断目标区域变化与否,有效降低了矩阵的扰动性。与之相比,针对PolSAR图像的变化检测算法研究进展相对缓慢,其中比较典型的算法有:极化似然比变化检测算法[5]、最优极化理论变化检测算法[6]等。文献[5]在地物目标的极化协方差矩阵满足Wishart分布的条件下,利用极化似然比检验模型构造描述两时相对应地物目标差异程度的变化检测特征量,以此实现变化检测并获得较好的检测效果。但真实场景中的地物散射特性往往较为复杂,有时无法满足该条件,这使得算法的通用性受到了限制;文献[6]则通过最大化变化区域与不变区域的对比度来确定一组最优极化状态,以提高变化检测的正确率。除此之外,文献[7-8]从构造极化状态的角度出发实现了PolSAR图像的变化检测;文献[9]利用二叉树理论提取图像均值区域,进而对不同时相的同一均值区域进行变化检测;文献[10]提出一种新的适用于变化检测的极化距离测度,实测数据验证了算法的有效性。

本文算法借鉴文献[7]中极化状态构造的思想,利用两时相图像中对应的不变目标作为样本,提取出使其散射特性更加相似的极化状态,以此来改善可能由于数据采集等原因导致的相同目标散射特性变化的问题,算法可作为变化检测预处理过程中的一步,以获得更好的变化检测结果。首先利用自动样本目标选择方法选取不变目标作为样本,然后构造样本目标的特征矢量,提取出使特征矢量相似性最大的极化状态作为图像的最优极化状态,紧接着,以此极化状态下的接收功率比值作为变化检测特征量,并利用双阈值判别法提取变化区域,实现变化检测。最后利用美国UAVSAR系统在加利福尼亚州上空采集的农田数据对算法进行验证和分析。

1极化合成理论

1.1PolSAR数据表征

PolSAR数据有多种矩阵描述形式,如极化散射矩阵S、Stokes矩阵K、极化协方差矩阵C和极化相干矩阵T等,通常采用极化相干矩阵T来表征目标的变极化效应,其表达形式[11]如下:

其中,Tij是极化相干矩阵T的元素;上标*表示共轭运算;A0、B0、B、C、D、E、F、G、H是Huynen分解的9个参数。

由Huynen分解的9个参数所定义的单站后向散射体制下的Kennaugh矩阵K的表达形式[11]如下:

目标在不同极化状态下的相干矩阵T是不同的,利用极化基变换公式[11]可以实现原始极化状态下T矩阵到新极化状态下T′矩阵的转变,具体公式如下:

(1)

1.2极化合成

根据目标的散射矩阵可以计算在发射和接收天线任意极化组合下接收到的回波功率,这种技术叫做极化合成[12]。通过该技术,可以求得任意目标(已知其极化散射特性)的接收功率,其计算公式[12]如下:

(2)

2本文算法

在对同一地区进行多次数据采集时,变化的采集条件等因素,可能导致不同时相图像中的同一地物目标表现出不同的散射特性,如果直接利用这些极化信息进行变化检测将可能导致误判。针对此问题,本文提出了一种基于极化状态提取的变化检测算法,旨在提取一种使两时相对应目标极化散射特性更加相似的极化状态,并在此最优极化状态下实现变化检测。算法主要包括4大部分:第1部分为预处理,主要对两时相图像进行配准、相干斑抑制和去取向等操作;第2部分利用不变样本目标提取最优极化状态,是本文算法的关键;第3部分为构造最优极化状态下的变化检测特征量;第4部分进行双阈值判别,提取变化区域。具体流程如图1所示。

图1　本文算法流程图

本文算法的具体步骤如下:

步骤 1预处理。为了降低地物随机取向以及相干斑噪声对检测结果的影响,对已配准的两时相图像分别进行去取向和相干斑抑制操作。

步骤 2自动选择样本目标。为了提取使两时相对应目标极化特性更加相似的极化状态,需要选取两时相图像中的不变目标作为样本,选取方法可分为人工选取和自动选取两种。人工选取方法即人为选择N个清晰、明显的不变目标作为样本,但该方法的人为主观性较大,会导致样本选取结果因人而异,使算法稳定性下降,而且自动化程度较低。针对如上问题,本文提出了样本目标的自动选取方法,步骤如下:

步骤 2.1计算两时相极化SAR图像对应目标的极化差异度。极化差异度反映了两个目标的差异程度,数值越大,说明两目标差异越大。其定义式[13]如下:

(3)

式中,TAij，TBij为两时相对应目标的极化相干矩阵;PAij，PBij为两时相对应目标的总功率;‖·‖F表示求矩阵的F范数;角标i、j分别代表图像的行列坐标。式(3)的前半部分是描述矩阵相关性的散射差异分量,后半部分是两个目标的回波功率差异分量。

步骤 2.2选择前N个极化差异度数值较小的目标作为不变样本目标。

步骤 3选择接收功率P、极化总功率span、Freeman散射熵Hf和各向异性参数Af作为特征量,分别对两时相样本目标构造特征矢量

式中,角标i=1,2,…,N;P是描述目标极化方位角和椭圆率角信息的接收功率(计算公式见式(2));span是描述目标强度信息的极化总功率;Hf和Af是描述目标散射特性差异的Freeman散射熵和各向异性参数[14-15],其定义如下:

(4)

(5)

式中,kAi和kBi分别为两个目标的特征矢量;‖·‖2表示求向量的2范数。特征相似系数数值越大,说明两个目标特性越相似。

步骤 6变化检测。利用双阈值判别方法对变化检测特征量F进行判别,得到以“0”表示不变目标点、“1”表示变化目标点的二值化检测结果F′,具体判别方法如下:

式中,Δx1，Δx2分别表示以1为中心左右两边的偏移量,那么两个判别阈值可表示为T1=1-Δx1和T2=1+Δx2。需要说明的是,理论上,Fij=1时,说明两时相对应目标无变化,但实际上,两个目标的接收功率完全相同的可能性是极小的,因此可以认为以1为中心一定范围内的目标都是不变目标,故采用双阈值判别。而且,由于变化检测特征量数值不一定满足均匀对称分布,为了获得更加准确的检测结果,Δx1和Δx2的取值可以不相等。

3实验结果与分析

3.1实验数据简介

本文利用美国UAVSAR系统采集的全极化SAR农田数据对算法进行了实验验证,数据的相关参数如表1所示。借助GoogleEarth等工具查知,该地区为加利福尼亚州的大豆主产区,5月中旬正是当地的农忙时节,故两时相数据虽然仅相隔一天但也存在多处明显变化(主要由农作活动引起,如灌溉、播种以及耕作等)。实验数据的Pauli分解图如图2所示,图中标出了7处较为明显的变化区域。

图2　农田数据的两时相Pauli分解图

3.2实验结果

本文采用改进的去取向算法[16-17]和基于散射模型的相干斑抑制算法[18]对图像进行预处理,样本目标个数N取8。根据第2节流程图求得的样本目标坐标及最优极化状态如表2所示。经实验确定的双阈值分别为T1=0.71和T2=2.24,检测结果如图3所示。为了便于比较分析,将极化似然比算法[5]的实验结果示于图4。本文算法以最优极化状态下的接收功率比值作为变化检测特征量,它描述了两时相对应目标的相似程度,数值越接近于1,目标为不变目标的可能性越大,反之,目标发生变化的可能性越大。而极化似然比算法的变化检测特征量表征的是两时相对应目标的差异程度,其数值越大,目标发生变化的可能性就越大,反之,目标变化的可能性越小。

表2　极化状态提取统计表

图3　本文算法实验结果

图4　极化似然比算法实验结果

直观比较图3、图4的实验结果可以看出,两种算法都可以检测到图2中标注的7处明显变化的区域,但本文算法的虚警更少(见图4中实线方框区域),且区域轮廓更加清晰、完整(见图4中椭圆框区域)。但本文算法未检测出图4虚线方框中的区域,主要因为该区域变化可能由图像采集噪声引起,且两时相功率较为接近,因此对功率比值判别特征不敏感,无法将其判为变化区域。从算法原理上讲,极化似然比算法是在地物目标的极化协方差矩阵满足Wishart分布的条件下得到的,但真实场景中的地物散射特性往往较为复杂,有时无法满足该条件,这使得算法的通用性受到了限制,而本文算法并无此类约束限制条件。

除了主观定性分析外,还可以利用漏警率、虚警率和总错误率[19]以及Kappa系数[20-21]等指标对实验结果进行定量分析。通常情况下,真实的土地利用图往往很难得到,故本文参照文献[19]的方法,采用随机采样的方式选取了变化类型的2 331个无偏观测样本点和非变化类型的11 800个无偏观测样本点代替真实的土地利用图进行精度评价,结果如表3所示。从表3可以看出,精度评价指标有效证实了主观评价中虚警少的结论,而且本文算法的Kappa系数明显高于极化似然比算法,一致性更好,更加验证了算法的有效性与可靠性。

表3　精度评价

4结论

本文从极化状态入手,提出了一种基于极化状态提取的PolSAR图像变化检测算法。对于极化状态的提取方法,本文以使两时相不变目标的散射特性更加相似为原则,通过多个自动选取的不变样本目标提取出具有典型意义的PolSAR图像最优极化状态。在此最优极化状态下,将接收功率比值作为变化检测特征量,然后利用双阈值判别方法实现变化区域提取。实测农田数据也验证了本文方法的有效性。但利用接收功率比值法构造检测特征量相对简单,可能会导致对功率变化不敏感的变化区域无法检测出来,今后还需进一步研究改进。

参考文献：

[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.(刘逸,寇卫东,慕彩红.结合多阈值法的模糊聚类用于SAR图像变化检测[J].西安电子科技大学学报(自然科学版),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. (罗湾, 林伟, 温金环. 基于区域热核不变量的SAR图像变化检测[J].宇航学报, 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.(张永红,张现峰,付姣,等.一种基于极化距离测度的SAR变化检测方法[J].测绘学报,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,张红,陈曦,等.全极化合成孔径雷达图像处理[M].北京:科学出版社,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,毛士艺.一种基于差异度的极化SAR图像迭代分类方法[J].电子与信息学报,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.(郎丰铠,杨杰,赵伶俐,等.基于Freeman散射熵和各向异性度的极化SAR影像分类算法研究[J].测绘学报,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,张永红,石海燕,等.统计假设检验方法在全极化SAR变化检测中的应用[J].遥感学报,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.基于极化SAR影像的地物变化检测技术研究[D].辽宁:辽宁工程技术大学, 2010.)

韩萍(1966-),女,教授,博士,主要研究方向为图像处理与模式识别、SAR目标检测与识别。

E-mail:hanpingcauc@163.com

丛润民(1989-),男,博士研究生,主要研究方向为极化SAR图像处理、3D图像处理。

E-mail:crmcauc@163.com

张在吉(1989-),女,硕士研究生,主要研究方向为极化SAR图像处理。

E-mail:cheeraji@163.com

网络优先出版地址：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

作者简介：

中图分类号：TP 753

文献标志码：A

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

基金项目：国家自然科学基金重点项目(61231017)；中央高校基本科研业务费专项资金(3122014C004)；中国民航大学科研基金(2012KYE03)资助课题

收稿日期：2014-06-20；修回日期：2014-11-01；网络优先出版日期：2014-12-08。