一种典型人造目标极化SAR检测及鉴别方法

朱 厦，康利鸿，王海鹏

(1.北京市遥感信息研究所，北京 100192；2.复旦大学 电磁波信息科学重点实验室，上海 200433)

0 引言

SAR自问世以来已经被广泛应用于地球科学、气候变化研究、环境和地球系统监测、海洋资源利用等领域，具有极高的应用价值[1-3]。SAR成像时受系统固有特性的影响，使得其对目标的方位角十分敏感，方位角的变化将会导致差异很大的目标图像；由于特殊的相干成像机理，SAR图像存在特有的斑点噪声[4-5]，因此SAR图像与光学图像在视觉效果上差异很大。近年来，SAR分辨率越来越高，传感器模式增多，工作波段和极化方式越来越多元化，使得SAR图像中信息爆炸性增长，人工判读的工作量超出了人工迅速做出判断的极限[6-7]，人工判读带来的主观和理解上的错误就难以避免。因此，SAR自动目标识别技术的研究显得尤为重要[8-9]。为了能够更好地适应各种复杂的地物环境，增强在真实环境下的目标探测及对雷达获取信息的处理能力，目前世界各国都越来越重视SAR自动目标识别技术的研究[10-12]。极化合成孔径雷达采用矢量测量的方法来探测散射电磁波的极化信息，利用2个通道发射和接收不同极化方式下的电磁波，能够获得4组完备的数据[6-7]，从而获得更加丰富的、关于散射过程的信息。极化合成孔径雷达从电磁波的极化散射机理研究地物的物理特性，其通道之间的相对相位信息可以定量反映目标特性的差异。

SAR自动目标识别可以表述为在没有人工直接干预的情况下，计算机在较短时间内从海量的SAR图像中自动检测出类似目标的区域，并识别出目标的种类[13]。由于SAR一次观测得到的对应场景一般比较大，SAR自动目标识别通常采用分层处理机制。首先从较大的SAR原始数据中提取出可能包含目标的小区域；接着进一步处理这些感兴趣的区域，去除掉不可能是目标的区域；最后仅对剩下的感兴趣的区域进行更大计算量的复杂处理，从而实现对目标的分类、识别。典型的自动目标识别框架包含检测、鉴别和分类3个阶段。检测阶段从原始SAR图像中提取出感兴趣的区域[14]，恒虚警率检测器是最常用的检测器[15-16]；鉴别阶段将会对感兴趣的区域进行处理，利用一系列不同的特征训练鉴别器实现目标与杂波的二元分类[17]，从而去除只包含自然杂波虚警的感兴趣区域；分类阶段去除掉剩下的感兴趣区域中非目标的人造虚警，给出目标的种类、姿态和位置等信息。

本文主要研究基于极化SAR数据的陆地环境下典型人造目标自动检测与鉴别算法。和海洋环境不同，一般的CFAR算法应用在陆地环境下往往产生较高的虚警率，因此本文提出采用目标的极化特征进行目标鉴别的方法，实验结果表明该方法能有效降低陆地环境下目标检测的虚警率。

1 极化SAR目标检测与鉴别算法

1.1 基于广义Gamma分布的目标检测算法

基于背景杂波统计特性的恒虚警率方法其最重要的任务是建立一个能够精确描述像素点强度分布的模型。SAR图像杂波的统计特性主要受到两方面因素的影响：一是雷达设备自身参数，包括分辨率、成像模式、入射角和极化方式等；二是环境背景和目标参数，包括风向、风速、雨区和强散射体泄漏的旁瓣等，另外估计窗口的尺寸对杂波的统计特性也有很大的影响。在Gamma分布的基础上，广义Gamma分布模型被认为具有更强的SAR图像杂波分布拟合能力[18-21]，实验表明广义Gamma分布能够更好地实现对SAR图像的统计建模。

广义Gamma分布(Generalized Gamma Distribution，GΓD)是1962年E.W.Stacy提出一种三参数的统计分布，它是两参数Gamma分布的推广。许多常用的SAR图像杂波统计分布，如指数分布、Gamma分布、对数正态分布(Log-Normal Distribution)、Weibull分布、Rayleigh分布和Nakagami分布，都是GΓD的特例[18]。因为GΓD具有对各种常见的SAR图像杂波统计分布模型的概括性，所以GΓD非常适合复杂背景下SAR图像杂波的统计建模。

GΓD的概率密度函数为：

x>0，

(1)

式中，β，λ，ν均大于0；β为尺度参数；λ为形状参数；ν为能量参数；Γ(·)为Gamma函数。

GΓD的累积分布函数为：

(2)

对于给定的背景杂波样本，需要一种高效精准的GΓD分布函数参数估计方法。最大似然估计(Maximum Likelihood，ML)是最常用的分布参数的估计方法之一，其基本思想是：分布参数的估计值应使观测样本出现的概率最大。假设有N个服从GΓD的观测样本{Xi|i=1，2，…，N}，一般可以认为样本的分布互相独立，所以似然函数写为：

(3)

对数似然函数为：

l(X1，X2，…，XN；β，λ，ν)= ln{L(X1，X2，…，XN；β，λ，ν)}=

(4)

对数似然函数对β，λ，ν三个参数的偏导数可分别求得：

(5)

式中，ψ(·)为Digamma函数，表示Gamma函数的导数，定义为：

(6)

让对数似然函数对β，λ，ν三参数的偏导数都为0，联立3个等式就能得到β，λ，ν三参数的估计值。但这3个方程都是非线性方程，一般采用迭代的方法进行数值求解。直接对这一非线性方程组求解很容易陷入不合理的局部最小值。考虑到Gamma分布是GΓD在ν=1时的特殊情况，所以首先估计出对应Gamma分布的参数，即限制ν=1时先求解另外2个参数，此时得到的解是在(β，λ，ν)三维解空间内ν=1平面上的最小值。然后以这个点为初始值进行迭代求解GΓD的3个参数优化问题，实验表明该方法可以得到稳定合理的GΓD参数。

1.2 基于极化特征的目标鉴别算法

对地面目标，因为环境比较复杂，包括建筑物等人造目标，从SAR图像中检测典型目标就比较困难，因此提出结合目标图像空域特征和极化域特征的联合检测识别方法，如图1和图2所示。

图1 构建主要散射机制的空间域距离特征图

图2 构建主要散射机制的极化域距离特征图

首先将POLSAR图像中目标的主要散射机制提取出来，然后以这些散射机制项为节点，计算两两之间的距离，构建一张图。在图像空间域上，任意2个节点的距离可以简单地表示为欧式距离，由此建立的空域距离图即直接表征了目标像的几何形状。同时在极化特征域上，任意2个节点的距离则由Cameron极化度量表征[22-25]，由此建立的极化特征域距离图表征了该目标的极化散射特性。采用图的相似性度量即可实现特定目标的检测和识别。

本文提出的鉴别准则有2个：

① 根据Cameron分解结果，车辆和飞机等人造目标包含螺旋体散射；

② 利用待鉴别目标与已知目标散射特征分别的Kullback-Leibler(K-L)距离来进行鉴别。

另外一个准则是通过计算Kullback-Leibler(K-L)距离与目标散射特征分布进行匹配。假设目标散射特征的概率分布集合为{f1，f2，…，f9}，待鉴别目标的散射特征概率分布为g，则已知目标与待鉴别目标散射特征分别的K-L距离定义为：

(7)

2 实验结果

2.1 数据描述

实验所用数据为机载全极化SAR数据。该数据Pauli伪彩色显示如图3所示，该区域大部分区域为农田和树林，其中有一些人造目标和建筑物。

图3 机载全极化SAR数据Pauli伪彩色图

2.2 目标检测与鉴别结果

用基于广义Gamma分布的CFAR检测算法对整幅图像进行检测，如图4所示，可以看出图中有很多虚警目标。由于CFAR算法本质上是基于图像强度进行检测，因此高亮的点都会被认为是目标，如场景中房屋、桥梁等建筑物。图4(a)为检测结果，图4(b)为检测结果在原图中的位置。如图右侧局部放大图所示，建筑物也被作为目标检测出来，所以检测结果有很高的虚警率，需要考虑用目标的极化特征进行鉴别。

图4 基于广义Gamma算法的检测结果

根据对极化SAR数据进行Cameron分解，车辆等目标的极化特征中包含螺旋体散射，利用目标是否包含螺旋体散射进行鉴别，结果如图5所示。其中图5(a)中目标为不包含螺旋体散射的虚警。图5(b)中目标表示包含螺旋体散射目标，可以看出，通过本步鉴别，目标检测的虚警率能显著降低。

图5 基于螺旋体散射特征的鉴别结果

在此基础上，又对上述结果进行基于K-L距离的鉴别，取K-L距离阈值为0.2，基于螺旋体散射与K-L距离鉴别的结果如图6所示。鉴别结果表明，人造目标可以有效的保留，虚警目标被剔除。

图6 基于螺旋体散射与K-L距离鉴别的结果

在此基础上，比较极化鉴别前后的虚警率，实验结果如表1所示。可以看出仅仅用CFAR算法，目标的检测概率是100%，但有很高的虚警率(≥30%)，如果用螺旋体散射特征进行鉴别，目标的虚警在3 m分辨率情况下降低到6.25%。如果用K-L距离鉴别，对应的虚警率降低到18.75%。如果将螺旋散射特征与K-L距离结合，则虚警率可降低到0%，极大地提高了目标检测性能。

表1 人造目标检测与鉴别的定量分析指标表 (%)

注：H参数：Helix鉴别；KL距离：Kullback-Leibler(K-L)距离。

3 结束语

针对复杂陆地环境下典型人造目标识别需求，提出了一种基于广义Gamma分布的目标检测算法，并结合典型人造目标极化特征，提出了基于螺旋体散射及K-L距离的目标鉴别算法。基于机载全极化数据，验证了检测算法对地面目标有100%的检测率，但同时虚警率较高；通过利用目标的极化特征信息，本文提出的目标鉴别算法，可以将虚警率从≥30%降低到0%，使得该算法的实用性得到极大的提高。实验结果表明，该方法可以应用于复杂陆地环境下地面车辆等典型人造目标极化SAR图像检测，提升极化SAR目标检测性能。