星載合成孔徑雷達圖像的飛機目標檢測

郭 倩，王海鵬，徐 豐

(復旦大學 電磁波信息科學教育部重點實驗室，上海 200433)

0 引言

合成孔徑雷達(SAR)是利用微波進行成像的主動傳感器，是一種能全天時、全天候工作的二維高分辨率成像雷達，具有穿透云和霧的能力，低頻段的SAR甚至能穿透植被和地表[1]。隨著SAR和圖像解譯技術的飛速發展，SAR極化方式越來越多，分辨率也不斷提高[2-3]。飛機是一類重要的檢測目標，在高分辨率遙感圖像中對其進行精確檢測具有重要意義。

傳統的SAR圖像目標檢測方法主要分為2類：1)傳統恒虛警率(CFAR)檢測算法。CA-CFAR(cell-average CFAR)[4]、SO-CFAR(smallest of CFAR)、GO-CFAR(greatest of CFAR)[5]、OS-CFAR(order-statistic CFAR)[6]、VI-CFAR(variability index CFAR)[7]等都是CFAR的衍生算法；2)多特征融合檢測算法。通過手動方式設計特征，如幾何結構[8]、亮度分布等信息對待檢測目標進行提取。在對SAR圖像中飛機目標進行檢測時，因陸地雜波分布無規律，大量高亮散射點的存在對目標檢測造成很大干擾，故基于雜波建模與亮度信息提取目標的CFAR檢測算法并不適用。由于SAR圖像復雜的成像機制與散射條件的多變性，飛機目標成像呈特征多樣性，手動設計的特征難以適用于多種情況。

隨著卷積神經網絡的興起，深度學習網絡在目標檢測領域表現優越。針對高分辨率SAR圖像的陸地目標檢測技術，本文提出了一種邊緣檢測與卷積神經網絡相結合的飛機目標檢測算法，實現了對星載SAR圖像中飛機目標端到端的檢測。

1 機場檢測

1.1 機場目標特征分析

現有的機場檢測方法主要分為2類：基于提取直線特征檢測機場和基于圖像分割檢測機場。基于提取直線特征檢測機場主要是通過檢測跑道直線特征，如ZHANG等[9]通過機場沿跑道呈雙峰分布來檢測機場。基于圖像分割檢測機場時，常用的特征主要包括長寬比、形狀復雜度、灰度共生矩陣與Hu不變矩[10]。對于大場景SAR圖像中的機場目標，因目標所占面積較小，不易提取直線特征，故檢測結果較差。對于大場景下的SAR圖像，機場區域常呈現為較暗區域，基于圖像分割檢測機場的算法較穩定，魯棒性好。對于大場景下SAR圖像中的機場檢測，本文提出了機場目標二次檢測算法。

1.2 機場目標粗檢測

本文采用“高分三號”衛星SAR數據，原始圖像共8張，圖像大小約為7 000像素×7 500像素，分辨率為3 m×3 m。圖1為其中1幅圖像。

圖1 “高分三號”SAR圖像示意Fig.1 GF-3 SAR image

因機場在SAR圖像中表現為大面積較暗區域，基于視覺注意力機制[11]，對大場景下SAR圖像中機場目標進行檢測應從檢測暗區域入手。為減小陸地區域雜波對目標檢測的影響，首先通過圖像均值濾波對圖像雜波與噪聲進行抑制，然后通過OTSU算法[12]確定全局閾值，對圖像進行二值化處理。對二值化圖像進行先膨脹后腐蝕操作，以減小背景雜波影響。對于面積排名前十的連通域，進行后續鑒別步驟。大場景SAR圖像中面積較大的連通域主要為圖2所示的4種情況：圖2(a)為機場連通域，受機場中建筑物影響，該連通域中孔洞面積較大，但形狀較為規則，通常呈方形或三角形；圖2(b)為大面積海洋區域，其連通域中孔洞較少，面積較大且形狀不固定，存在于圖像邊角；圖2(c)為SAR圖像中錯綜的道路與高亮建筑組成的連通區域，該連通域中也有較多孔洞，由于道路與建筑分布的多樣性，其形狀呈不規則分布；圖2(d)為大場景SAR圖像中的大型高亮建筑，其連通域中孔洞較少，但面積遠小于其他連通域。

圖2 連通域主要存在情況Fig.2 Main connected domains

給出以下4種鑒別算子，對連通域進行鑒別，提取機場區域。

1) 孔洞鑒別算子

(1)

式中：Sfilled為連通域孔洞填充后面積；Scon為連通域原面積。

2) 形狀鑒別算子

(2)

式中：Sbbox為連通域最小外接矩形框面積。

3) 面積鑒別算子

(3)

式中：Smax _con為該幅圖像中最大連通域面積。

4) 復合鑒別算子

k4=k2×k3

(4)

機場區域粗檢測算法如圖3所示。

3組機場目標粗檢測結果如圖4所示。圖中：上半部分為初始SAR圖像，下半部分為與其對應的機場目標粗檢測結果。

圖3 機場區域粗檢測算法流程Fig.3 Airport area rough detection algorithm

圖4 機場目標粗檢測示意圖Fig.4 Rough test results of airport targets

通過上述步驟，實現了對大場景SAR圖像中機場區域的粗檢測。機場區域精確分割算法同樣適用于小場景SAR圖像中的機場目標檢測。

1.3 機場區域精確分割

1.3.1 圖像預處理

由于SAR圖像特殊的成像機制和復雜的散射條件，其原始數據易受橫干涉條紋的影響。為消除這種影響，先對圖像進行濾波處理，在盡量保留圖像細節特征的前提下對目標圖像的橫干涉條紋進行抑制。目前常用的濾波方法主要包括均值濾波與高斯濾波[13]。高斯平滑濾波器對于抑制服從正態分布的噪聲非常有效。一維零均值高斯函數為

(5)

式中：ζ為高斯分布參數，決定了高斯函數的寬度。

均值濾波對于圖像整體起平滑模糊作用，橫干涉條紋并沒有去除，機場細節信息反而有所損失；高斯濾波主要對正態分布的噪聲有較好的抑制作用，但對橫干涉條紋的處理效果并不理想。本文給出了“替代濾波”算法，即先檢測橫條紋，再用圖像中橫條紋附近圖像值替代橫條紋處圖像值。這種濾波方法不但可保留機場細節信息，而且對橫條紋有較好的抑制作用。采用卷積核為3×3的均值濾波器、標準差為1的高斯濾波器和替代濾波器在給定的SAR圖像上進行濾波，效果對比如圖5所示。

圖5 3種濾波方法結果比較Fig.5 Comparison of 3 filtering methods

1.3.2 機場精確分割

對圖像進行濾波預處理后，對圖像進行機場精確分割，分割算法如圖6所示。

圖6 機場精確分割算法Fig.6 Airport accurate segmentation algorithm

3組機場目標檢測結果如圖7所示。圖中：上半部分為初始SAR圖像，下半部分為與其對應的機場目標精確分割結果圖。采用本文提出的機場粗檢測算法，可實現對大場景SAR圖像中機場目標的粗定位。同時，機場精確分割算法也適用于對粗定位后圖像，即小場景SAR圖像中機場目標的精確分割。

2 飛機檢測

2.1 飛機目標特征分析

因SAR圖像具有特殊的成像機制，且成像結果隨散射條件與地形方位角的變化而變化，故SAR圖像中飛機目標成像結果具有多樣性。飛機在高分辨率SAR圖像中易呈現為不連續的散射點，且由于受背景強散射點，如滑行道、儲油庫等的影響，采用傳統CFAR方法對SAR圖像中飛機目標的整體檢測效果很差，檢測結果除存在漏檢外，還包含大量虛警。傳統目標檢測方法常通過手動方式設計特征，目標特征提取能力不足且魯棒性差。圖8為SAR圖像中飛機目標示意圖。

圖7 機場目標精確分割結果Fig.7 Airport target accurate segmentation results

圖8 SAR圖像中飛機目標Fig.8 Aircraft target in SAR image

2.2 飛機目標檢測

隨著卷積神經網絡的興起，深度學習網絡在目標檢測領域的優勢也逐漸顯現。針對高分辨率SAR數據的陸地目標檢測技術，本文提出了一種基于Canny算子[14]的邊緣檢測與神經網絡相結合的飛機目標檢測算法，主要檢測思路如圖9所示。

圖9 檢測流程示意圖Fig.9 Detection process diagram of aircraft targets

為減小機場區域雜波對目標檢測的影響，首先，通過替代濾波對圖像雜波與噪聲進行抑制。其次，采用Canny算子對圖像邊緣進行提取。然后，對邊緣提取后的圖像進行膨脹與腐蝕操作，并對邊緣虛警進行剔除，實現目標粗分割。通過飛機占機場面積比算子確定可疑目標在高分辨率SAR圖像中的位置范圍，提取包含目標與虛警的邊界框。通過對邊界框的處理進行飛機部件的組合，確定飛機整體目標的可能位置。接下來，采用基于GoogLeNet[15]的神經網絡對可疑目標進行識別。最后，利用改進后的非極大值抑制算法、長寬比鑒別算子與面積鑒別算子，提取得到飛機目標的感聽趣區域(ROI)。

2.2.1 目標粗定位

在SAR圖像中，飛機目標邊緣是其重要的屬性信息。鑒于實際SAR圖像中陸地區域存在許多背景雜波，圖像的邊緣往往是各種類型的邊緣和它們模糊化后結果的組合，且實際圖像信號存在噪聲。噪聲和邊緣都屬于高頻信號，很難用頻帶做取舍。通過圖像邊緣檢測可大幅減少數據量，剔除可被認為是不相關的信息，保留圖像重要的結構屬性。因此，本文采用邊緣檢測對陸地可疑目標進行粗定位。

邊緣檢測的基本方法有很多，如Roberts Cross算子[16]、Prewitt算子[16]、Sobel算子[17]、Canny算子等。Robert算子定位比較精確，但因不包括平滑，故對于噪聲比較敏感。Prewitt算子和Sobel算子都是一階的微分算子，其對于混合多復雜噪聲的圖像處理效果不理想。Canny邊緣檢測算子在一階微分算子的基礎上，增加了非極大值抑制和雙閾值2項改進：利用非極大值抑制算法不僅可有效抑制多響應邊緣，還可提高邊緣的定位精度；利用雙閾值可有效減小邊緣的漏檢率。因此，本文采用Canny算子對機場檢測后的SAR圖像進行邊緣提取，其主要步驟和原理如下。

1) 用高斯濾波器平滑圖像

(6)

令g(x,y)為平滑后的圖像，用h(x,y,σ)對圖像f(x,y)進行平滑，可表示為

g(x,y)=h(x,y,σ)*f(x,y)

(7)

式中：*代表卷積。

2) 用一階偏導的有限差分計算梯度的幅值和方向

利用一階有限差分近似式來計算x與y偏導數的2個陣列fx′(x,y)與fy′(x,y)，即

fx′(x,y)≈Gx=

f(x+1,y+1)-f(x,y+1)]

(8)

fy′(x,y)≈Gy=

f(x+1,y+1)-f(x+1,y)]

(9)

幅值和方位角可用直角坐標到極坐標的坐標轉化公式來計算，即

(10)

(11)

式中：M[x,y]反映了圖像的邊緣強度；θ[x,y]反映了邊緣的方向。使M[x,y]取得局部最大值的方向角θ[x,y]反映了邊緣的方向。

3) 對梯度幅值進行非極大值抑制

僅得到全局的梯度并不足以確定邊緣，因此，為確定邊緣，必須保留局部梯度最大的點，抑制非極大值。在Canny算法中，非極大值抑制是進行邊緣檢測的重要步驟，通俗意義上是指尋找像素點(邊緣)局部最大值，將非極大值點所對應的灰度值設置為0，從而剔除大部分非邊緣的點。

4) 用雙閾值算法檢測和連接邊緣

設置2個閾值t1和t2，兩者關系為t1=0.4t2。先將梯度值小于t1的像素的灰度值設為0，得到圖像1；再將梯度值小于t2的像素的灰度值設為0，得到圖像2。以圖像2為基礎，以圖像1為補充，連接圖像的邊緣。

2.2.1.1 邊緣檢測結果

基于SAR圖像機場檢測結果，采用Canny算子進行邊緣提取，結果如圖10所示。

圖10 目標檢測結果Fig.10 Target detection results

圖中，機場可疑目標粗分割結果去除了機場邊緣信息，飛機目標更為清晰，但包含了大量陸地雜波，且飛機目標被分成許多小塊。

2.2.1.2 邊界框處理

目標粗分割使得飛機目標更為清晰，且去除了大量背景雜波的影響，飛機目標基本為一個連通域。由于SAR圖像特殊的成像機制和散射條件的多變性，機翼、機頭、機尾等一些飛機部件成像為獨立的高亮散射點。相對于其余虛警邊界框，該邊界框與機身相距很近，故通過最優距離匹配算法可將飛機部件與機身進行合并。通過最優距離匹配算法進行小邊界框合并后，邊界框處理結果如圖11所示。

2.2.2 二分類卷積神經網絡

算法使用的數據集是TerraSAR-X衛星數據，原數據集中共包含10幅圖像，大小約為6 000像素×10 000像素，分辨率為1.5 m×1.5 m。對該數據中的飛機目標進行人工標注，并通過灰度調整、平移、旋轉等操作進行數據增強，同時從該TerraSAR-X數據中隨機切取背景圖像作為背景切片。該數據集共包含468張飛機目標切片與1 309張背景切片。按4∶1的比例將數據集分為訓練集與測試集。部分訓練集切片如圖12所示。

圖12 數據集示意圖Fig.12 Datasets of aircraft and background

從圖中可清楚看到，飛機目標切片中包含各種形態的飛機目標，背景切片則呈現了多種背景形式。

2.2.2.1 網絡結構

鑒于GoogLeNet的優越表現，將其用于本數據集飛機目標二分類識別。基于數據樣本，對原網絡結構做出如下修改：移除網絡最后的全連接層、Softmax層和分類輸出層，設置全連接層輸出為飛機目標和背景2類，接入Softmax層和分類輸出層。

2.2.2.2 目標識別結果

利用訓練好的網絡對圖11(b)待識別邊界框中的目標進行識別，因不同圖像樣本中目標灰度差別較大，故采用多灰度識別，即將提取出來的可疑目標框以0.05步長對圖像灰度進行調整，共以5個灰度送入目標識別網絡。其識別結果如圖13所示。

圖13 飛機目標識別結果Fig.13 Aircraft target recognition results

2.3 識別結果分析

通過基于Canny算子的邊緣檢測算法，可有效去除邊緣虛警，減小后續步驟計算量；通過最優距離匹配算法，對大小邊界框進行匹配，可對因復雜散射機制而成像為獨立亮斑的飛機部件與機身進行組合，完善飛機目標，同時有效去除獨立虛警目標；通過基于GoogLeNet的飛機目標二分類卷積神經網絡的識別，可對高分辨率SAR圖像中的可疑目標進行鑒別，有效剔除陸地區域較大虛警目標。對飛機目標檢測結果(見圖13)的分析表明：該方法對SAR圖像中飛機目標的檢測率達到100%，虛警率為7.7%。

3 結束語

本文針對大場景下SAR圖像中的機場檢測問題，給出了機場粗檢測算法與小場景中機場目標精確分割算法。針對機場中的飛機目標，提出了一種基于Canny算子的邊緣檢測與卷積神經網絡結合的飛機目標檢測算法。在飛機目標檢測前，采用機場粗檢測算法與精確分割算法將圖像縮小至機場區域。為減小橫干涉條紋的影響，采用替代濾波算法對圖像雜波進行抑制。首先基于Canny算子對機場中的目標進行邊緣提取等處理，確定可疑目標在機場中的位置范圍。然后采用基于GoogLeNet的卷積神經網絡對可疑目標進行識別。最后利用“高分三號”衛星圖像對大場景下機場檢測算法進行驗證，利用TerraSAR-X衛星數據對飛機目標檢測算法進行驗證。分析表明：該方法對SAR圖像中飛機目標的檢測率達到100%，虛警率為7.7%，具有較好的檢測效果。

本文針對星載SAR圖像中機場與飛機目標檢測進行了較為深入的探究，取得了較好的研究成果，也提供了一些新的思路。但目標檢測結果依賴于待識別目標框的提取結果，若候選目標框提取不夠精確，仍會有部分虛警產生。為提高算法精度和識別效率，后續可考慮將飛機目標物理散射機制與神經網絡相結合，以期提高算法魯棒性。