一種基于極化圓周SAR圖像的陸上橋梁提取方法

譚向程 安道祥陳樂平 周智敏

(國防科技大學電子科學學院 長沙 410073)

1 引言

隨著高分辨率合成孔徑雷達(Synthetic Aperture Radar,SAR)技術的發展，基于SAR圖像的人造目標檢測與識別，一直是遙感領域內的研究熱點之一。橋梁作為重要的人造基礎設施，無論是對于國民經濟發展，還是軍事行動都具有重要作用。因此，開展基于SAR圖像的橋梁檢測一直是雷達圖像解譯的重要內容之一。

針對基于SAR圖像的橋梁提取問題，人們已經開展了很多研究，并提出了一些有效的檢測方法。例如，Han等人[1]通過對SAR圖像進行紋理分析，將橋梁下方的河流分割出來，然后利用橋梁的形狀，以及河流與橋梁的位置關系等先驗知識實現橋梁檢測。Luo等人[2]利用基于高斯馬爾可夫隨機場模型的支持向量機分類方法(Support Vector Machine of Gauss Markov Random Field model,GMRF-SVM)提取河流水體，然后基于提取出來的河流水體圖像，檢測橋梁主干。趙冠雄等人[3]通過改進的最大類間方差(Otsu)閾值分割方法與形態學處理提取河流，然后基于河流主干線，實現橋梁檢測。Zhang等人[4]提出了一種多尺度分解模型和區域分析相結合的河流提取方法，然后根據河流與橋梁的位置關系來檢測橋梁。劉春等人[5]首先基于水平集分割方法實現水陸分割，然后通過水域分支掃描和跟蹤提取狹窄的水域分支，最后通過確定水域之間近距離區域實現橋梁檢測。張永梅等人[6]利用多光譜圖像的顏色特征進行水陸分割，得到疑似橋梁區域，再分別提取全色和SAR圖像中的疑似橋梁區域的紋理特征和區域均值比特征，結合三者結果，得到橋梁識別結果。熊偉等人[7]基于SAR圖像局部區域灰度均值和方差二維特征模糊分割水體，進而利用橋梁的幾何特征先驗知識實現橋梁檢測。

由上述可知，現有基于SAR圖像的橋梁檢測主要是針對水上橋梁(如圖1所示)，且核心思想和采用的處理流程比較類似(如圖2所示)。可概括為：首先，基于河流水體的特殊散射特征(類似鏡面散射)，從SAR圖像中準確地提取出河流；然后，根據橋梁將河流截斷為兩部分的特點，同時結合橋梁的幾何結構特征，在河流的截斷處檢測定位橋梁。

圖1 水上橋梁Fig.1 Water bridges

圖2 基于SAR圖像的水上橋梁檢測流程圖Fig.2 The flow chart of water bridge detection based on SAR image

在現實生活中，除了水上橋梁外，人們還建造了大量的陸上橋梁(如圖3所示)，使無數天塹變通途，極大地方便了人們的出行。今天，陸上橋梁也已經成為重要的交通設施之一，并在國民經濟發展、軍事安全和人們日常生活中發揮著不可或缺的重要作用。

圖3 陸上橋梁Fig.3 Land bridges

那么如何基于SAR圖像實現陸上橋梁的準確檢測與定位，便成為一個需要深入研究的重要問題。然而，與水上橋梁不同，陸上橋梁的下方不再是河流，而是土壤、植被、砂礫等陸地背景。這種陸地背景的電磁散射特性與河流等水體完全不同，因此在SAR圖像上的表現特征也完全不同。

圖4(a)和圖4(b)分別給出了SAR圖像中的水上橋梁和陸上橋梁所在區域(圖4中的紅色圓圈標記)。對比兩幅圖像可發現如下差異：

圖4 水上橋梁和陸上橋梁的SAR圖像Fig.4 The water bridges and land bridges in SAR image

(1)在電磁波照射下，水體的電磁散射為鏡面反射，散射強度小，因此河流的SAR圖像灰度值很小，對應的區域偏“黑”，與周圍地物之間的差別明顯，易于提取；而陸上橋梁下方的陸地地物的電磁散射大多數為漫散射，產生的SAR圖像灰度值較大，對應的區域偏“亮”，與周圍地物之間的差別較小，不易提取。這種差異使得利用傳統的河流提取方法很難準確地提取出陸地背景。

(2)水上橋梁與河流的位置關系非常明確，即水上橋梁將河流截斷為多個部分。因此，在準確提取出河流后，再檢測出截斷位置，即可定位橋梁位置。然而，對于陸上橋梁來說，由于陸地背景通常表現為不規則的區域，而橋梁又包含在陸地背景中，因此很難像水上橋梁檢測那樣，通過陸上橋梁和陸地背景的位置關系，來準確定位陸上橋梁，從而增加了陸上橋梁檢測、定位的復雜性和難度。

由上述分析可知，水上橋梁與陸上橋梁在SAR圖像中所表現出的特征差異很大。與水上橋梁相比，陸上橋梁的提取處理更加復雜，難度更大。我們曾嘗試采用圖2所示的水上橋梁檢測流程來提取陸上橋梁，發現難以獲得令人滿意的檢測結果。

從可查閱的文獻來看，目前已有基于SAR圖像的橋梁檢測方法幾乎都是針對水上橋梁，所給出的實測數據處理結果也都是水上橋梁，而基于SAR圖像的陸上橋梁檢測方法和相應的實測數據處理結果卻鮮有研究和報道。此外，現有的橋梁檢測幾乎都是基于傳統直線軌跡SAR(Linear Synthetic Aperture Radar,LSAR)，即雷達搭載平臺沿直線飛行軌跡對觀測目標進行SAR成像。由于飛行軌跡要始終保持直線狀態，因此雷達波束只能從某個固定角度照射觀測目標。換言之，LSAR無法獲取觀測目標的多角度散射特征。這種成像模式在水上橋梁檢測中雖然沒有影響，但卻不利于陸上橋梁的檢測。例如，當LSAR平臺飛行軌跡垂直于陸上橋梁時，雷達波束照射方向將與橋梁走向一致，則在獲取的LSAR圖像中，陸上橋梁將與兩端連接的道路融為一體，不易分辨和提取。

圓周SAR(Circular Synthetic Aperture Radar,CSAR)是近年新興起來的一種成像模式[8–14]。與LSAR相比，CSAR通過雷達搭載平臺繞觀測區域作圓周飛行，不但能夠獲得更高的圖像分辨率，其所獲取的觀測目標的全方位散射信息，還能夠有效提高復雜目標的檢測識別精度。例如，Luo等人[15]基于CSAR圖像通過改進ROEWA邊緣檢測算子，提高了道路檢測精度。李洋等人[16]基于CSAR提取目標的特征參數序列，提高了地物分類精度。Chen等人[17]基于CSAR三維成像，重構了普通車輛等的三維結構，提高了車輛目標的檢測識別精度。基于極化CSAR數據，Xue等人[18,19]分析了目標的散射特征隨方位向的變化情況，將地物目標分為各向異性和各向同性目標，然后通過Cloude分解提取地物目標的極化熵、平均散射角等散射特征，研究地物目標的散射類型進行分類，提高了地物目標的分類精度。

本文在已有橋梁檢測研究基礎上，提出了一種基于極化圓周SAR(CSAR)的陸上橋梁提取方法。與已有水上橋梁檢測思想不同，所提方法不再依賴于對橋梁下方背景(如河流)的提取，而是采用提取觀測目標的全方位極化散射特征，進而通過利用陸上橋梁與陸地背景間的全方位極化散射特征差異，來實現陸上橋梁的分離、檢測和定位，從而有效解決現有基于LSAR圖像能夠準確提取水上橋梁，卻不易提取陸上橋梁的問題。

本文結構安排如下：第2節介紹了基于圓周極化熵的疑似橋梁區域與陸地背景的分離方法；第3節給出了基于極化熵方差特征的虛假目標抑制方法；第4節闡述了基于橋梁幾何特征的橋梁定位方法，以及本文所提算法的處理流程；第5節給出了利用所提方法對某機載L波段極化CSAR實測數據的處理結果，以證明所提方法的有效性和實用性；第6節為本文總結和未來研究展望。圖5給出了本文提出的陸上橋梁提取方法結構框架。

圖5 基于極化CSAR數據的陸上橋梁提取結構圖Fig.5 Block diagram of land bridge extraction based on polarization CSAR data

2 基于圓周極化熵的疑似橋梁與陸地背景的分離

2.1 觀測目標的散射特征分析

眾所周知，在實際SAR成像中，觀測目標通常都具有不同的幾何結構特征，且這種特征具有方位向差異性，因此當電磁波從不同方向照射到觀測目標上時，接收到的回波信號將表現出不同的極化散射特征。

圖6給出了幾種不同地物目標的電磁散射特征示意圖。可發現，當雷達電磁波從不同角度觀測地物目標時，陸地背景將表現為漫反射或體散射(如圖6(a)所示)，房屋將表現為二次散射(如圖6(b)所示)。而對于橋梁來說，當雷達電磁波從B方向(即垂直于橋梁的走向)照射橋梁時，橋梁主要表現為二次散射，當雷達電磁波從A方向(即順著橋梁走向)照射橋梁時，橋梁則將表現為一次散射(鏡面散射)。由此可知，橋梁具有不同于其它地物的全方位電磁散射特征。

圖6 不同地物的電磁散射特征意圖Fig.6 Schematic diagram of electromagnetic scattering characteristics of different objects

然而，在傳統的極化LSAR(Polarization Linear SAR,Pol-LSAR)中，由于雷達搭載平臺沿直線軌跡飛行，觀測角度有限，因此只能獲取觀測目標在某個單一小角度內的極化散射特征，這種與電磁波照射角度相關的電磁散射特征差異性尚不明顯。與之相比較，CSAR的全方位成像模式，則能夠獲取觀測目標在0°～360°范圍內的全方位向上的極化散射特征。由于不同目標具有不同的全方位極化散射特征，因此利用這種差異，即可實現對不同目標的分辨識別。本文正是基于這種思想，提出了基于極化CSAR的陸上橋梁提取方法。

2.2 圓周極化熵(Circular Polarization Entropy,CPE)特征與背景分離

通常情況下，目標的極化散射矩陣參數能夠完整地描述目標在某個觀測角度上的后向電磁散射特征。極化散射矩陣表達式為

其中，h,v分別表示水平極化和垂直極化。

極化分解是研究目標散射特征的有效方法，而Cloude分解則是一種典型的極化分解方法[20]。其原理是對相干矩陣進行特征值分解，然后根據獲得的特征值，計算出極化熵等特征參數，其中極化熵則可用于衡量目標散射過程的復雜性。

假設觀測目標滿足散射互易性條件，則有Shv=Svh。基于Pauli基將散射矩陣變換成極化散射矢量，可得

其中，上標T表示矩陣轉置運算。

極化散射矢量對應的相干矩陣T為

其中，上標H表示矩陣共軛轉置運算，n為像素點的數量。為了減少斑點、噪聲等因素的影響，取中心像素點附近多個像素點的相干矩陣平均值作為真實的相干矩陣。

對相干矩陣T進行特征值分解，得

其中，U是特征向量uk構成的矩陣，Σ是特征值λk構成的對角陣。

在Cloude極化分解模型中，極化熵定義為

其中，H表示極化熵。

為了分析觀測目標在多個觀測角度下的散射性質，Xue等人[18]提出了多角度極化熵，用來描述觀測目標的散射特征在多個觀測角度下的復雜性。為了充分發揮出CSAR全方位成像的特點與優勢，我們結合多角度極化熵對傳統Cloude極化分解模型進行改進，使其能夠有效提取出觀測目標的全方位極化散射特征。

本文所提的極化CSAR 處理思想為：首先，將360°全孔徑的極化CSAR數據劃分成I個子孔徑(每個子孔徑對應于不同的方位角)；然后，對每個子孔徑的相干矩陣進行特征值分解，提取每個子孔徑的極化散射特征值。每個子孔徑極化熵反映了觀測目標在對應子孔徑方向上的后向極化散射特征，在改進的Cloude極化分解模型中，我們提取觀測目標的圓周極化熵(CPE)特征，即

其中，HCPE表示圓周極化熵，表示第i個 子孔徑的極化散射特征向量，I表示子孔徑數量。

本文所提取的CP E是極化熵在SAR圓周成像模式下的擴展。傳統極化熵描述了目標散射過程的不確定性，而CPE除包含這種不確定性外，還包含了觀測目標極化散射特征的方位向差異性。每個子孔徑對應于不同的方位角范圍，觀測目標在某個子孔徑下的極化散射特征，實際上是觀測目標在該方位角范圍內極化散射特征的平均。當全孔徑的極化CSAR數據劃分的子孔徑數量越多時，每個子孔徑對應的方位角范圍越小，單個子孔徑下目標的極化散射特征越接近該方向的真實值，CPE對目標極化散射特征的方位向差異描述越細膩。

當CPE值較低時，表示觀測目標的散射過程具有較高的確定性，或者觀測目標在某些觀測角度下的后向散射特征與在其它觀測角度下的后向散射特征有明顯區別，則可以判斷該目標為各向異性目標；反之，當CPE值較高時，表示觀測目標的散射過程具有較高的不確定性，且觀測目標在不同觀測角度下的后向散射特征相似，則可判斷該目標為各向同性目標。與Xue等人提出的多角度極化熵相比，CPE描述的是目標在360°全方位向上的散射特性，而多角度極化熵描述的是目標在幾個方向上的散射特征，CPE對目標散射特性的描述更加全面。

由于橋梁、建筑、雕塑等疑似橋梁目標具有特定的形狀，散射過程具有較高的確定性，后向散射特征與觀測角度相關，屬于各向異性目標，因此其CPE值較小。相比之下，裸土、植被等陸地背景，散射過程具有非常高的不確定性，且后向散射特征不隨觀測角度變化，屬于各向同性目標，因此CPE值較高。基于這種差異我們便可實現疑似橋梁目標與裸土、植被等陸地背景的分離，得到疑似橋梁目標。分離規則如下：

其中，(x,y)表示像素點的坐標，γ表示閾值。

閾值的確定是實現疑似橋梁目標與陸地背景分離非常關鍵的問題。在不同的成像條件下，目標與背景的CPE不同，閾值也有所不同。為了滿足自動分割要求，本文采用Otsu分割方法確定閾值，該閾值可以根據不同的CPE灰度圖自動選擇。

為了比較現有的橋梁檢測方法應用于陸上橋梁檢測和本文所提陸上橋梁檢測方法的性能差異，我們分別采用傳統水上橋梁檢測方法和本文所提陸上橋梁檢測方法對同一地區的陸上橋梁進行提取處理。圖7(b)給出了利用趙冠雄等人在文獻[3]提出的水上橋梁檢測方法，所獲得的橋梁下方的背景提取結果。可發現，由于陸上橋梁的背景不是河流，是陸地，而陸地的灰度、形狀結構與河流有本質的區別，所以利用文獻[3]的方法無法像水體提取那樣，準確地提取出橋梁下的陸地背景，且陸地背景不會被橋梁分割成兩部分。因此，無法繼續應用水上橋梁檢測的后續處理步驟(如圖2所示)進一步提取出陸上橋梁。此外，基于灰度圖像的陸地背景提取結果中，橋梁目標的信息不夠完整。因此，如果在此基礎上直接檢測橋梁，會導致橋梁檢測出現非常大的誤差。

圖7(c)給出了采用本文方法獲得的陸上橋梁與陸地背景的分離結果。首先，計算該場景的CPE；然后，基于Otsu分割方法確定陸上橋梁與陸地背景的分離閾值為0.6118；最后，根據CPE結果中大于該閾值的像素點為陸地背景，小于該閾值的像素點為疑似橋梁區域，實現陸上橋梁與陸地背景的分離。可發現，本文方法能夠有效實現陸上橋梁與陸地背景的分離，且橋梁信息保持完好。盡管分離后的結果中含有大量非橋梁的虛假目標，但可通過采取其它方法進行有效抑制(請見本文第3節)，最終實現對陸上橋梁的準確提取。

3 基于極化熵方差特征和幾何形狀的虛假目標抑制

現實生活中，除橋梁外，房屋、橋梁鄰近區域內的建筑等人造目標，都具有特定的結構、形狀和朝向。這些目標的散射過程也具有較高的確定性，或者這些目標在某些觀測角度下的后向散射特征與在其它觀測角度下的后向散射特征明顯不同，這導致它們的CPE也較低。因此，在疑似橋梁目標與陸地背景的分離結果中，會包含很多虛假目標。為準確定位橋梁位置，需要有效抑制虛假目標，確定包含橋梁的區域。

橋梁的散射方位向差異特征和橋梁的結構尺寸特征與其它虛假目標有較為明顯的區別，而利用這種差異即可抑制非橋梁的虛假目標。

3.1 基于極化熵方差特征的虛假目標抑制

圖8(a)為某觀測場景的光學圖像，其中紅色橢圓標記的地物為一座陸上橋梁，黃色圓圈標記的地物為房屋。圖8(b)為雷達電波觀測方向與橋梁走向平行時(即圖8(a)中的藍色箭頭方向)，觀測場景的極化熵圖像。圖8(c)為雷達電波觀測方向與橋梁走向垂直時(即圖8(a)中的綠色箭頭方向)，觀測場景的極化熵圖像。在兩幅極化熵圖像中，像素點亮暗程度表示極化熵大小，對應關系如圖8(b)和圖8(c)所示。

對比圖8(b)和圖8(c)可發現，當雷達電波觀測方向與橋梁走向平行時，橋梁的極化熵較高，而房屋的極化熵較低；當觀測方向與橋梁走向垂直時，橋梁和房屋的極化熵都比較低。由此可知，當雷達電波觀測方向發生變化時，橋梁的極化熵變化較大，而房屋的極化熵變化較小。這是因為當觀測目標表現為表面散射時，目標的散射過程不確定性較高，導致極化熵較高；當觀測目標表現為二次散射時，目標的散射過程確定性較高，導致極化熵較低。在實際情況中，橋梁兩端(短邊)通常與道路相連接，而橋梁兩側(長邊)則懸空或是架于橋柱之上。因此，當雷達電波觀測方向與橋梁走向平行時，橋梁散射特征與其兩端連接的道路散射特征非常相近，此時橋梁主要表現為表面散射，橋梁的極化熵較高；當雷達電波觀測方向與橋梁走向垂直時，橋梁主要表現為二次散射，此時橋梁的極化熵較低。

圖8 觀測場景的光學圖像和不同觀測方向下獲得的極化熵圖像Fig.8 The optical image of the observation scene and the polarization entropy image obtained under different observation directions

由上述可知，當雷達電波觀測方向發生變化時，橋梁表現出的散射特征也將發生變化。相應地，橋梁極化熵也將發生較大變化。與橋梁相比，房屋都是孤立存在，房屋的四周都為典型的二面角特征。當雷達電波觀測方向發生變化時，房屋均表現為二次散射，因此房屋在不同觀測方向下的極化熵變化較小。利用橋梁和房屋在雷達電波不同觀測方向的極化熵差異，即可分辨出橋梁和房屋，進而對房屋等虛假目標進行有效抑制。

為衡量圓周觀測情況下，不同觀測目標散射特征的方位向差異，本文提取觀測目標的極化熵方差特征，即

其中，DH表示極化熵方差，Hi表示第i個子孔徑的極化熵，表示極化熵在I個子孔徑上的平均值。DH描述的是在不同子孔徑下的觀測目標極化熵的變化方差。DH值越大，表示目標的散射特征沿方位向的變化越大(如方形、多邊形等目標)；反之，DH值越小，表示目標的散射特征沿方位向的變化越小(如圓形、球形等目標)。

以DH值為特征矢量，利用K-mean分類方法，將疑似橋梁目標分為兩類：DH值較大的目標和DH值較小的目標。根據前文分析可知，通常尺寸較大的疑似橋梁目標都是人造目標。在人造目標中，橋梁由于特殊幾何結構，具有較大的DH值，其它目標的DH值較小。因此，通過判斷觀測目標的DH值，即可抑制房屋等大尺寸虛假目標。在此基礎上，再通過觀測目標的結構尺寸特征，進一步抑制小尺寸虛假目標。

3.2 基于橋梁幾何結構特征的小尺寸虛假目標抑制

除散射方位向差異特征不同外，橋梁與其它地物在幾何形狀特征方面也存在較大差別。主要表現在：絕大多數陸上橋梁近似為長方形，尺寸較大，且長邊與短邊的尺寸相差也較大；與之相比較，其它地物尺寸相對較小，且長邊與短邊的尺寸相差也較小。

因此，通過對地物在360°方向上進行投影，可提取地物的結構尺寸特征。

令yi=fi(α)表示第i個疑似橋梁目標，在α方向上的投影長度，則有

其中，α表示投影方向。

基于上式，可以提取出所有疑似橋梁目標的幾何結構特征參數，即

其中，PW表示第i個疑似橋梁目標的寬度，PL表示第i個疑似橋梁目標的長度，PR表示第i個疑似橋梁目標的寬度與長度之比，αi-spindle表示目標主軸方向。

以觀測目標的幾何尺寸參數為特征矢量，利用K-mean分類方法，將剩余的疑似橋梁目標同樣分為兩類：大尺寸目標和小尺寸目標，并選大尺寸目標作為提取的陸上橋梁。

綜合上述分析，本文所提方法在實現疑似橋梁目標與陸地背景的分離之后，首先根據極化熵方差特征(DH)有效抑制房屋等大尺寸虛假目標；然后根據目標幾何尺寸特征進一步抑制小尺寸虛假目標，最終提取出橋梁目標。

4 基于直線特征提取的橋梁定位

陸上橋梁通常包含橋梁和橋頭鄰近的地物，其長度和寬度比橋梁實際的長度和寬度都要大。因此要實現陸上橋梁的提取，還需要根據橋梁的幾何特征定位橋梁，待檢測的橋梁目標應是同時滿足以下條件的兩條平行直線段：

(1)它們基本上是平行的；

(2)直線段的長度Lb滿足Lb≥PL/2；

(3)這兩條直線段之間的距離Wb滿足Wb≥PW/2。

基于直線特征提取的陸上橋梁定位的具體處理流程如下：

步驟1 邊緣檢測。先對橋梁區域進行基于Canny算子的邊緣檢測。

步驟2 直線參數提取。對邊緣檢測結果進行基于Hough變換的直線檢測并獲取檢測結果的斜率和截距。

步驟3 遍歷搜索。對Hough變換得到的直線段的斜率和截距進行統計，篩選得到斜率與主軸方向差距較小的直線段集合，以這個集合中斜率和截距的最小值和最大值為范圍，進行遍歷搜索，選擇與橋梁區域邊緣重合率最高的直線，用以定位橋梁。

圖9給出了本文所提基于極化圓周SAR圖像陸上橋梁提取方法的處理流程圖。

圖9 基于極化CSAR數據的陸上橋梁提取處理流程圖Fig.9 The flow chart of land bridges extraction based on polarized CSAR data

5 實驗結果

為了驗證本文所提方法的正確性、有效性和實用性，我們開展了基于某機載L波段全極化CSAR實測圖像數據的陸上橋梁提取處理，圖像分辨率約為1m。圖10給出了該觀測場景的光學圖像以及不同極化方式下的CSAR 圖像。在極化CSAR實測數據成像中，本文將360°的完整圓周孔徑劃分成25個子孔徑數據。每個子孔徑包含Shh,Shv,Svv3幅圖像。

5.1 基于圓周極化熵(CPE)的疑似橋梁區域與陸地背景的分離

為了讓實測數據處理結果的展示更加清晰，我們將該場景地區1和地區2(如圖10(a)所示)的橋梁提取結果分別進行展示。首先，計算該場景兩個地區的圓周極化熵(CPE)；其次，采用Otsu閾值分割方法確定閾值；然后，以閾值為依據，對CPE結果進行疑似橋梁區域與陸地背景的分離。

圖10 觀測場景的光學圖像與極化CSAR圖像Fig.10 Optical image and polarized CSAR images of the observation scenes

表1給出了利用Otsu分割方法確定的地區1和地區2疑似橋梁區域與陸地背景的分離閾值，大于該閾值的像素點確定為陸地背景，小于該閾值的像素點確定為疑似橋梁區域。圖11給出了地區1的光學圖像、CPE結果和疑似橋梁目標提取結果。圖12給出了地區2的光學圖像、CPE結果和疑似橋梁目標提取結果。其中目標A和目標E都是陸上橋梁；目標B、目標C和目標D為其它典型的各向異性目標。表2給出了橋梁和陸地背景的CPE均值，證明了橋梁的CPE比陸地背景的CPE低，并且兩者具有明顯差異，可以基于CPE實現橋梁和陸地背景的分離。觀察圖11(c)和圖12(c)可發現：包括橋梁在內的很多各向異性目標都成功地從陸地背景中分離出來。

表1 疑似橋梁區域與陸地背景的分離閾值Tab.1 The separation threshold between possible bridge region and land background

表2 橋梁和陸地背景的CPE均值Tab.2 The CPE mean value of land bridge and its background

疑似橋梁目標與陸地背景的分離結果表明：根據CPE能將橋梁等各向異性目標從陸地背景中分離出來。

5.2 基于極化熵方差特征和結構尺寸特征的虛假目標抑制

為提高算法效率，先利用形態學濾波將面積非常小的目標去掉。然后采用本文第3節描述的方法，抑制虛假目標，提取橋梁目標。首先，以DH值為特征矢量，利用K-mean分類方法，將疑似橋梁目標分為兩類；然后，以幾何形狀參數為特征矢量，利用K-mean分類方法，將DH值大的疑似橋梁目標分為大尺寸和小尺寸兩類目標，并選擇尺寸大的目標作為提取的橋梁目標。

圖13給出了圖11(a)和圖12(a)中幾種典型的疑似橋梁目標的極化熵方差特征參數。實測數據處理結果表明：橋梁(目標A和目標E)的DH值較大，而一些尺寸較大的人造目標如房屋(圖11中的目標C)的DH值較小。以DH為特征矢量，利用K-mean將疑似橋梁目標分成兩類，能夠將橋梁與其它尺寸較大的人造目標分開，從而抑制虛假目標。

圖11 地區1的光學圖像、CPE結果和疑似橋梁目標Fig.11 Area1:Optical images,CPE result and possible bridge targets

圖12 地區2的光學圖像、CPE結果和疑似橋梁目標Fig.12 Area2:Optical images,CPE result and possible bridge targets

圖13 不同疑似橋梁目標(如圖11(a)所示)的DH值Fig.13 The DH values of different possible bridge targets(As shown in Fig.11(a))

圖14和圖15分別給出地區1和地區2的虛假目標抑制處理結果。以地區1為例，圖14(b)給出了基于極化熵方差特征的分類結果，疑似橋梁目標被分成DH值較大的目標(圖14(b)中黃色目標)和DH值較小的目標(圖14(b)中紫紅色目標)，圖14(c)給出了去掉DH值小的虛假目標后的結果。處理結果表明：根據DH值差異能有效抑制房屋等大尺寸虛假目標。圖14(d)給出了基于幾何結構尺寸的分類結果，圖14(e)給出了抑制小尺寸虛假目標后的結果。處理結果表明：根據幾何結構尺寸差異能有效抑制小尺寸虛假目標。

圖14 地區1抑制虛假目標的處理結果Fig.14 Processing result of removing false targets in area1

圖15 地區2抑制虛假目標的處理結果Fig.15 Processing result of removing false targets in area2

上述實測數據處理結果表明：根據橋梁散射特征的方位向差異和幾何結構特征能有效去除虛假目標，從而準確地提取出陸上橋梁目標。

5.3 基于橋梁幾何特征的橋梁定位與提取

對上述橋梁目標提取結果進行邊緣檢測和直線檢測處理，統計線段集的斜率和截距范圍。以統計的斜率和截距為范圍，進行遍歷搜索，選擇與橋梁邊緣重合率最高的直線，作為橋梁定位結果。

表3分別給出了地區1和地區2的橋梁兩邊所在直線的參數值。

表3 橋梁邊緣所在直線參數Tab.3 Straight line parameters at the edge of the bridges

圖16和圖17分別給出了地區1和地區2的陸上橋梁提取結果和對應的光學圖像。圖16(c)和圖17(c)分別為將地區1和地區2陸上橋梁提取結果疊加在SAR圖像上的效果圖。由圖16和圖17可知，這兩座陸上橋梁都被準確地檢測出來，表明本文所提陸上橋梁檢測方法的有效性和實用性。

圖16 地區1光學圖像和橋梁提取結果Fig.16 Optical image and the result of bridge extraction in area1

圖17 地區2光學圖像和橋梁提取結果Fig.17 Optical image and the result of bridge extraction in area2

6 結論

本文提出了一種基于極化CSAR圖像的陸上橋梁檢測方法。首先，分析了陸上橋梁在全方位向上的散射特征，進而利用不同地物的圓周極化熵差別，實現陸上橋梁與橋梁下陸地背景的分離；其次，根據橋梁和其它地物的極化熵方差特征差異和橋梁的幾何形狀尺寸特征，有效抑制非橋梁的虛假目標；最后，針對橋梁目標幾何特點，通過采用遍歷搜索方法，實現橋梁的準確定位。機載L波段極化CSAR實測數據處理結果表明：本文所提方法能夠準確地提取陸上橋梁，且具有良好的有效性和實用性。

與已有依賴于水體提取的水上橋梁檢測方法相比，本文所提方法利用了極化CSAR全方位成像特點，直接提取橋梁區域，不再依賴于橋下背景的提取，進而避開了傳統“若要提取橋梁，需先提取水體”的操作，因此具有更加廣泛的適用性。盡管本文所給方法是針對陸上橋梁提出來的，但不難發現，所提方法同樣適用于水上橋梁的提取處理。

如今，人們建造的陸上橋梁越來越多，且與水上橋梁相比，陸上橋梁的樣式豐富，且風格迥異，而不同樣式的陸上橋梁的檢測難度也不盡相同。由于所獲得的實測數據有限，本文只給出了常規直線陸上橋梁的提取方法及處理結果，所以本文所提方法的適用范圍為郊區的直線型高架橋。當把本文所提方法應用于城區高架橋、城區道路上的立交橋等情況更加復雜的陸上橋梁提取時，提取效果還有待驗證。未來研究中，我們將努力獲取更多的實測數據，同時把所提方法應用于其它更加復雜樣式(如曲線)陸上橋梁的提取處理，并針對發現的問題，做進一步的改進與完善，最終實現所有陸上橋梁的高精度提取。

致謝在此衷心感謝提供機載CSAR實測數據的中國電子科技集團第三十八研究所，以及對本文修改提出寶貴意見的審稿專家和編輯同志。