中国指挥与控制学会会刊 
合成孔径雷达(Synthetic Aperture Radar,SAR)是一种特殊的雷达系统。它的特点是利用雷达信号的相干性将自身随平台运动过程中发射并接收的多个周期信号综合形成一个虚拟的大孔径天线阵列,从而获得高分辨率的SAR图像,此时雷达方位分辨率与成像距离无关[1]。与光学成像系统不同,SAR成像系统工作在微波甚至毫米波频段,具有很强的穿透能力,可以透过云雨雾甚至植被等遮挡因素探测到隐藏或者伪装的目标,不易受光照和气候的影响,适合于大范围遥感探测和全天时全天候目标监视的工作场景,在军事和民用领域都有着广阔的应用前景[2]。
SAR图像目标检测是无人机载SAR系统开展目标持续跟踪监视的前提条件,是SAR图像解译研究的热点方向之一,受到国内外学者的持续关注[3⇓-5]。由于待检测的目标通常为舰船、车辆、飞机等由金属材质制造而成,且具有特殊结构特征的物体,它们对雷达波都具有很强的后向散射效应,因此,传统的SAR图像目标检测方法主要从回波能量强弱的角度来区分目标和背景噪声及杂波,例如恒虚警率(Constant False Alarm Rate,CFAR)法及其衍生算法[6⇓-8]。随着无人机载SAR系统性能的不断提升,所获得的SAR图像分辨率也越来越高。在高分辨率SAR图像中,目标的结构特征变得更为清晰,细节更为丰富。然而,SAR图像分辨率的提高也带来了一些新的问题,例如,高分辨率SAR图像的像素点数量增多,而传统目标检测算法大多是基于像素单元进行目标检测操作的,检测效率很低,难以满足系统对目标检测的实时性要求[9];高分辨率SAR图像中同一个目标的强散射点数量增多,传统目标检测算法容易将强散射点检测为新的目标,导致目标出现分裂和空洞,难以满足系统对目标检测的连通性要求[10];高分辨率SAR图像中相干斑噪声更为严重,杂波分布特性更为复杂,导致传统目标检测算法性能下降,难以满足系统对目标检测的虚警率要求[11]。这些问题给无人机载高分辨率SAR图像目标检测算法设计带来了新的挑战。
为此,学者们将目光转向计算机视觉图像处理领域中取得巨大成功的深度学习网络和目标检测模型,包括深度卷积神经网络、残差网络、YOLO(You Only Look Once)和Faster-RCNN(Faster-Region Convolutional Neural Networks)等[12⇓⇓-15]。然而,当前高分辨率SAR图像目标检测领域可查询到的公开数据集比较有限,缺少有效的样本数据作为学习网络训练的支撑,容易导致学习到的网络出现过拟合现象。此外,这些学习类算法对平台的计算能力要求比较高,难以在空间和资源都比较有限的无人机载SAR成像系统上发挥其潜在的性能优势。
近年来,学者们将按照图像像素特征相似性原则对图像进行局部分割和聚类的过程称为超像素分割,将超像素分割得到的具有相似特征(如纹理、灰度以及颜色等)的局部相邻像素点聚类称为图像的超像素单元。由于图像进行超像素分割后可以用超像素单元来表示,这在很大程度上减少了图像中的冗余信息,有助于提高后续图像处理环节的效率和准确性,因此,该方法在光学图像和SAR图像处理领域都得到了学者们的关注,且已经取得了许多研究成果[16⇓-18]。简单线性迭代聚类(Simplified Linear Iterative Clustering,SLIC)算法是其中一种经典的超像素分割算法。该方法采用局部迭代聚类方法可以很好地实现自然图像(3通道)的超像素分割,具有算法简单,计算速度快,分割效果好等特点,被广泛应用于光学图像目标检测和识别领域[19-20]。但是,高分辨率SAR图像属于灰度图,仅有一个通道图像数据,图像尺寸较大,且存在固有的相干斑噪声和目标内部非均匀起伏问题,直接采用SLIC对其进行超像素分割处理不仅计算效率低还难以获得令人满意的目标分割结果。
为解决上述问题,本文提出一种无人机载高分辨SAR图像目标快速检测方法。该方法首先利用具有很强边缘保护能力的双边滤波器对高分辨率SAR图像中存在的相干斑噪声和目标内部非均匀起伏进行滤波处理;然后,对整幅高分辨率SAR图像进行一次大尺度SLIC超像素分割操作;紧接着,对分割得到的超像素单元逐个进行粗糙度分析处理,并对其中被判断为粗糙的超像素单元再进行一次小尺度SLIC超像素分割操作;最后,对二次分割所得的结果中存在过分割的超像素单元进行合并处理,从而得到高分辨率SAR图像的目标检测结果。
1 SAR图像预处理
相干斑是SAR系统固有的一种特殊的噪声现象,是由于散射体回波在成像处理过程中相干叠加而出现的与目标特征相似的斑点。它的存在严重降低了图像质量,对高分辨率SAR图像的解译和进一步开发应用造成了很大影响。因此,如何有效地抑制SAR图像中的相干斑噪声一直是SAR图像处理领域中的热点问题,已经逐渐成为目标检测、分类和识别等算法重要的预处理步骤。
双边滤波器是一种空域滤波和值域滤波相结合的非线性滤波算法,是图像预处理的常用方法,既能达到平滑图像的目的,又很好地保持了图像的边缘纹理信息,在图像处理领域有着广泛应用。相比于其他滤波方法,包括均值滤波、中值滤波、Sigma滤波等,双边滤波器能更好地抑制SAR图像的相干斑噪声[21]。因此,本文采用双边滤波器作为高分辨率SAR图像的预处理手段,其过程可表示为:
$\begin{array}{l} Y(m)=\frac{1}{Z(m)} \int_{-\infty}^{\infty} X(n) W_{D}(m, n) W_{R}(X(m), X(n)) \mathrm{d} n \\ Z(m)=\int_{-\infty}^{\infty} W_{D}(m, n) W_{R}(X(m), X(n)) \mathrm{d} n \\ W_{D}(m, n)=\exp \left(-\frac{|m-n|^{2}}{2 \sigma_{D}^{2}}\right) \\ W_{R}(X(m), X(n))=\exp \left(-\frac{|X(m)-X(n)|^{2}}{2 \sigma_{R}^{2}}\right) \end{array}$
式中,Y(·)为输出SAR图像,X(·)为输入SAR图像,m表示当前像素点,n为m的相邻像素点,Z(m)为归一化系数,WD(m,n)为像素点m和n空间几何距离,WR(X(m),X(n))为像素点m和n灰度值的相似程度, 和 分别为距离方差和灰度值相似度方差。
2 SAR图像超像素分割
正常情况下,经预处理后的SAR图像便可以逐个像素进行目标检测工作了。然而,高分辨率SAR图像尺寸比较大,像素点非常多,仍按照逐个像素进行目标检测的策略必然会导致检测算法的效率降低,且增加系统的虚警率。因此,本文采用SLIC法对高分辨率SAR图像进行超像素分割,减少图像中的冗余信息,以提高目标检测的效率和准确性。
SLIC超像素分割方法的主要步骤如下:
1)初始化种子点
与K-means聚类不同,SLIC初始的种子点是均匀分布的,只需要知道种子点的数量即可,即首先确定超像素单元数即种子点数K,然后按大小一致原则,将图像等间隔划分成均匀的栅格,间隔为S= ,其中,N为SAR图像像素点总数,划分后种子点位于栅格的中心。
2)更新种子点位置
以初始种子点为中心,计算其3×3邻域内所有像素点的梯度值,将当前种子点的位置更新到这些梯度值中最小的位置。这是为了避免初始种子点选在图像不同类别目标的边缘位置或者噪声点上。
3)计算相似度距离
以种子点为中心,按2S×2S大小选取搜索区域而非整幅图像,如图1 所示,计算该搜索区域内所有像素点与种子点的相似度距离:
P(i,j)= Dgray(i,j)=Y(i)-Y(j)Dspace(i,j)=
式中,P(i,j)表示搜索区域内第i个像素点到第j个种子点的相似度值,Dgray(i,j)和Dspace(i,j)分别为它们对应的灰度距离和几何距离,m为超像素单元的紧密度系数,(xi,yi)和(xj,yj)表示像素点i和种子点j在图像中的横向和纵向坐标位置。
4)更新像素点标签和相似度距离
若当前像素点计算得到的相似度距离P(i,j)小于之前相似度距离的最小值Pmin(i,j),则认为该像素点与种子点相似,将其标签更新为当前种子点的标签j,并更新相对应的相似度距离Pmin(i,j)=P(i,j);反之则保留像素点原有的标签和相似度距离。
重复上述两个步骤,直至所有种子点位置不再发生变化或者达到所设定的最大迭代次数为止。
3 SAR图像超像素合并
由于SLIC是一种过分割处理方法,即经超像素分割后,SAR图像中原本是单个连通的目标有可能被划分成若干个超像素单元,因此,需要对分割后的超像素单元进行合并处理。
SAR图像相邻超像素单元合并过程如图2 所示。图中,A和B表示两个相邻的超像素单元,L表示两个相邻单元的边界线。
本文定义相邻超像素单元之间的不相似度(或者相异度)为[22]:
G(wA,wB)= mk= Y(wk(i))
式中,wk表示第k个超像素单元内像素点的集合,mk表示第k个超像素单元内像素点的平均灰度值,Y(wk(i))表示第k个超像素单元内第i个像素点的灰度值, 为第k个超像素单元内像素点的数量。若经超像素分割后SAR图像得到Kslic(Kslic≤K)个超像素单元,则wk应满足如下条件:
wk={li=k,1≤k≤Kslic,i∈Y} wk=Ywi∩wj=ø,∀i≠j
式中,li表示第i个像素点的标签。
在得到相邻超像素单元之间的不相似度值G后,将其与预先设定的阈值Gth进行比较,若小于阈值则认为相邻单元是相似的,属于同一类别,应该去掉轮廓线L,将超像素单元B内像素点的标签修改为A,实现相邻超像素单元合并,否则认为两者不属于同一类别,保留超像素单元B的标签。
本文中SAR图像超像素合并过程可以用二元假设判决表示为
LB=
式中,LB表示超像素单元B的标签信息。
4 本文方法
SAR图像超像素合并可以解决目标过分割问题,但解决不了目标欠分割问题,即分割结果中出现多种类别的目标被划分到同一个超像素单元的现象。欠分割问题一般是可以通过增加SLIC初始化超像素单元数来解决的,但是直接对高分辨率SAR图像进行全局精细分割不仅会造成巨大的运算量,还会将原本已经出现过分割的目标区域和背景区域进一步分裂,增加超像素合并处理环节的难度。如果我们在对高分辨率SAR图像进行SLIC超像素分割后,能对其中存在欠分割问题的超像素单元进行有效甄别,就可以有针对性地进行局部精细分割,避免因全局精细分割引起的上述问题,达到将多类目标从同一超像素单元中进一步分离开来的目的。因此,本文提出一种基于多尺度图像分割的无人机载高分辨率SAR图像目标快速检测方法,即先采用对高分辨率SAR图像进行一次大尺度SLIC超像素分割,再对分割得到的超像素单元进行粗糙度判断,最后,仅需对其中小部分被判断为粗糙的超像素单元再进行一次小尺度SLIC超像素分割,即可获得接近于全局小尺度SLIC超像素分割的效果,从而达到提高目标检测算法效率的目的。
4.1 SAR图像超像素粗糙度分析
为了能够有针对性地对SAR图像进行多尺度SLIC超像素分割处理,提高目标检测算法效率,本文采用的超像素单元粗糙度定义为[23]
Hk=
式中,Hk表示第k个超像素单元的粗糙度,LCVk和GCV分别表示第k个超像素单元的局部方差系数和全局方差系数,其值为:
LCVk= GCV=
式中, 和μk分别为第k个超像素单元的方差和均值, 和μn分别为整幅图像的方差和均值。
当粗糙度Hk等于1时,表示超像素单元是粗糙的,其中存在欠分割问题,需要进行局部精细分割处理,否则认为超像素单元是平坦的,不需要进行局部精细分割处理。
4.2 算法流程
针对无人机载SAR成像系统空间和资源均比较有限的问题,本文提出的快速高分辨率SAR图像目标检测算法的处理流程如图3 所示。
本文算法流程主要包括:1)对无人机载高分辨率SAR图像进行双边滤波处理以抑制斑点噪声;2)对双边滤波后的图像进行一次大尺度SLIC超像素分割操作;3)对得到的超像素单元逐个进行粗糙度分析处理,判断其中是否存在欠分割问题,若是,则需要再进行一次小尺度SLIC超像素分割操作,否则,保留原有的分割结果;4)对两次SLIC超像素分割操作所得的结果进行过分割判别,若是,则相邻超像素单元进行合并处理,否则,保留原有的分割结果;5)对超像素分割与合并处理得到的超像素单元进行特征分析;6)通过目标鉴别方法得到目标检测结果。
5 实验结果及分析
为了说明本文方法的有效性,本文采用文献[10]中公开的高分辨率SAR舰船检测数据集进行该方法的性能验证。图4a )为该数据集中一幅典型的高分辨率SAR图像的部分场景(1 040×1 600),场景比较简单,主要包含低海况下的海面(黑色区域)和不同类型的船只(高亮区域)。与此同时,该数据集还给出了所有SAR图像中的舰船目标的信息,包括每个目标的类别名称以及目标框的位置,而且这些目标信息都是经过专业判读人员确认后给出的,比较可信,对于目标检测算法的性能验证有非常好的参考价值。经判断,该图中包含8个舰船目标,各目标的位置信息已用矩形框标出,如图4b )所示。
经过第一次SLIC超像素分割(种子点数设为50)后,该图像得到662个超像素单元,结果如图5a )所示。显然,经大尺度SLIC超像素分割后,目标区域附近的超像素单元大多呈不规则形状,这是由于目标散射强度分布的不均匀所导致的聚类效果,同时我们也能发现,大尺度图像分割得到的目标区域与实际目标存在较大区别,包含较多的非目标区域,也就是欠分割现象。由粗糙度分析方法可知,图中仅有21个超像素单元存在欠分割问题,因此,只需要对这部分超像素单元进行小尺度SLIC超像素分割(种子点数设为5)处理即可,结果如图5b )所示。
此时,图5b )中经过两种不同尺度的图像分割后,存在疑似目标的区域得到了比较充分的分割,有助于提高高分辨率SAR图像目标提取的准确性,同时由于采用了选择性的二次图像分割处理,使得本文方法的计算效率得到了很大提升。
根据提取到的目标区域,可以对检出的目标进行标注,结果如图7 所示。为了与人工标注的结果作对比,图中还对提取到的目标做一个编号排序。经本文方法处理后,图中总共提取到9个舰船目标,其中,前8个目标的提取结果和人工标注的结果一致,最后一个目标是人工标注过程中未被发现的,但经过对图像进行局部放大(图中虚线矩形框部分)仔细分析,如图7 所示,我们觉得它也应该是一个典型的船只目标,只是相比于图中其他目标来说吨位过小导致电磁散射强度和所占图像区域都较小,不容易通过人工鉴别的方式发现而已。这说明本文方法除了能准确提取出高分辨率SAR图像中明显的目标区域,达到快速目标检测的目的,还可以发现一些采用人工标注容易忽视的小型目标,提高了目标检测的准确率。
为了进一步比较本文方法与人工方法提取目标区域的准确度,我们定义目标占空比指标为
目标占空比=
式中,分子部分的目标轮廓均采用本文方法提取得到的目标轮廓,分母部分的目标矩形框则分别取两种方法实际得到目标矩形框区域。显然,当目标轮廓正好与目标矩形框重合时,目标占空比为1;当目标轮廓大小一定时,目标矩形框越大,目标占空比越小,说明提取目标区域的准确度越差。
6 结束语
本文针对无人机平台空间资源有限的问题以及高分辨率SAR图像的特点,提出了一种基于多尺度图像分割的无人机载高分辨率SAR图像目标快速检测方法。该方法将粗糙度作为大尺度SLIC超像素分割结果是否存在欠分割问题的判断依据,并对存在欠分割问题的超像素单元再一次进行小尺度SLIC超像素分割,再对多尺度SLIC超像素分割结果中存在过分割问题的超像素单元进行合并处理,从而完成了目标轮廓区域的完整提取及位置信息的准确标注,达到快速准确检测目标的目的。这既避免了因全局图像小尺度分割产生的计算量问题,又实现了对高分辨率SAR图像目标的有效分割。与传统方法相比,本文方法有效缩短了高分辨率SAR图像目标的检测时间,对小目标也有很好的检测能力,且提取的目标区域准确度更高,更有利于无人机载SAR系统的工程应用。