1、西安电子科技大学 本科生优秀毕业设计论文集 11基于模型的 SAR 图像桥梁目标识别计算机科学与技术专业 裴得利指 导 教 师 权义宁摘 要 本文根据桥梁的模型和支持向量机实现对 SAR 图像中桥梁目标的检测和识别。首先利用自适应阈值的分割方法和数学形态学方法提取较完整的河流区域，在此基础上，根据桥梁模型在河流区域搜索疑似桥梁。将符合桥梁特征的疑似桥梁提取纹理特征，送入训练好的支持向量机进行最终辨识并将标记出最终结果和给出相应的信息。实验结果表明本算法可以准确的检测出 SAR 图像中的桥梁并给出相应信息，具有良好的实时性和准确率。关键词 SAR 图像 图像分割 目标检测 支持向量机 桥梁识别A
2、bstract Based on the model of the bridge and support vector machine (SVM), this paper proposes a bridge detection and recognition method in SAR (Synthetic Aperture Radar) image. After that, river contour is obtained using self adapting segment threshold and mathematics morphology method, within whic
3、h may-be-bridge targets will be searched for. Finally, based on the bridge model, the target that matches the bridge feature will be extracted for texture feature, and this feature will be sent into the trained SVM to make a final decision, obtaining the final result and corresponding information, s
4、uch as position, angle and size. The test result shows that the method proposed can detect and recognize bridges in SAR image and give corresponding information with high accuracy rate and good real-time performance.Key Words SAR image segment detection SVM bridge recognition一、引言合成针孔雷达（Synthetic Ape
5、rture Radar ,SAR ）具有分辨率高，全天时、全天候工作的特点，与可见光、红外传感器比较具有独特的优势和无法替代的作用，被广泛应用于工农业生产、科研和军事等领域。特别是在军事领域，广泛应用于全天候、全天时侦察，动目标显示，雷达成像，实时信息处理等。另一方面，桥梁是典型的人造地物目标，SAR 图像中桥梁目标的自动识别在军事可以用于作战指挥、火力打击和打击效果评估等，具有非常重要的意义。由于 SAR 图像成像机理的特殊以及斑点噪声的影响，普通光学图像的图像处理和目标识别的经典算法直接应用于 SAR 图像效果并不一定理想。国内外对于 SAR 图像中桥梁的识别已经做了很多工作，大都基于桥梁
6、建于河流这一先验知识基础上。总体来说，这些方法可以分为以下三类：第一类利用河流的灰度特征直接进行阈值分割，然后通过形态学滤波方法细化河流轮本科生优秀毕业设计论文集 西安电子科技大学 2廓，在此基础上利用桥梁的灰度特征或者梯度特征进行搜索最终确定桥梁 2,3,6,7。第二类是利用多特征形成特征向量再用模糊聚类或者支持向量机分割水域，然后利用在这个区域内辨识桥梁目标 1,5。第三类是基于 SAR 图像和光学图像的融合 2,9,10。利用两种图像中提供的信息相互补充，综合两者的结果识别目标。在前人工作基础上提出本文的桥梁识别方法，同样基于桥梁在河流等水域之上这一先验知识，主要有预处理、水体分割、桥梁
7、检测和桥梁识别几个步骤实现。水体分割过程中采用自适应阈值分割和形态学方法提高了算法的适应性，桥梁检测阶段利用桥梁模型消除大部分虚警，使得后面更复杂的运算只对那些最有可能为桥梁的目标进行，提高算法的效率，最后的识别阶段，引入支持向量机以增加桥梁识别的准确率，取得了较好的效果。二、预处理SAR 图像的一个突出的特点就是存在一种典型乘性噪声，称为“相干斑”(Speckle) 噪声，这种噪声是分布目标所固有的，它的存在，掩盖了图像的精细结构，严重降低了图像的质量，为目标识别和图像解释造成困难。因此平滑图像并抑制噪声的预处理是一个不可缺少的过程。目前典型的 SAR 图像滤波方法有 Lee 滤波、 Fro
8、st 滤波、Kuan 滤波和 Gamma MAP 滤波等，通过实验比较，本文选择 Gamma MAP 滤波对 SAR 图像进行去噪处理。基于乘性噪声模型，假定地面后向散射系数呈高斯分布，Kuan 等人提出最大后验概率算法（Maximum a Posteriori Probability, MAP） 。在此基础上，Lopes 等人用更符合实际情况的 分布模型取代高斯分布，即假设地面目标雷达散射特性和相干斑都服从 分布（因此 简称 Gamma MAP 滤波算法） 13-15。由 Bayes 准则知道式(2-1)(|)*(|)PIR其中 是基于实测强度 I 的条件后验概率分布， 是受到污染的强度概率
9、()PRI |PIR分布函数， 是先验的概率分布函数，斑点滤波可以看成是在已知观测强度 I 求期望反射强度的最大后验概率（MAP）估计问题。至于 ，与 无关，所以大多情况下不用考()I虑。于是有式(2-2)()|PRI如果知道 和 就可以求出 。一般的，可以认为高分辨率的 SAR 图(|PI()I像 RCS 服从 Gamma 分布式(2-3)1()exp()v其中 v 为阶参数， 为 RCS 的均值R对于单通道单极化 L 视 SAR 数据， 可表示为：|PIR西安电子科技大学 本科生优秀毕业设计论文集 33式(2-4)1(|)exp()LIIPIRR由式 2-2、2-3 和 2-4 可得式(2
10、-5)11(|)()exp()LvIII对上式两边取对数并且对 R 求导，并令表达式为零，得：式(2-6)22()4()vIttvLvItt其中阶参数 v 为： 21()LsI上述方法处理后，可以消除相干斑噪声，为图像中目标的检测和识别提供了良好的基础。三、桥梁的检测根据桥梁建立在河流这一先验知识，桥梁的识别，首先涉及到河流的分割，将河流区域定为感兴趣区域。在得到完整河流区域的基础上，我们首先建立桥梁模型，在河流区域根据桥梁特征搜索疑似目标。在前期桥梁的检测过程中，利用 AdaBoost 的思想，逐步利用桥梁特征，将明显不是桥梁的目标去掉，减少虚警数目，使更为复杂的计算只对那些最有可能成为桥梁
11、的目标进行，这样大大减少搜索范围，提高系统速度，同时有效的减少虚警。1桥梁模型从直观上讲，桥梁有很多特征，但是并不是所有特征都可以用于识别，也没有必要。从桥梁的众多特征中选取适于公式或数值表达的特征，建立一个桥梁的模型，用于桥梁的检测和识别。本文选取特征如下：1）横跨河流等水域。这是本文算法的基础，基于这样的假设，所以我们根据水域的特征先将河流分割出来，然后河流区域可能存在的桥梁。2）桥梁有较强的散射系数，具有高亮度值。桥梁是由钢铁和水泥构成的人工目标，呈现为高灰度值的白色特征 2。3）具有一定长宽比的矩形区域。桥梁的长宽比根据实际情况，应当在一个合理区间之内，据此可以排除在此之外的虚假目标。
12、4）具有一定面积。根据图像的不同分辨率，换算之后在图像中桥梁的轮廓的面积也应当在某一区间之内，依此可以去掉面积过大或者过小的虚假目标。5）桥梁两侧为河流，故两侧同等大小矩形区域具有低亮度值。由于桥梁横跨河流，所以在平行河流方向上灰度变换较大，但是由于相干斑噪声的影响，变化区域较大，不适本科生优秀毕业设计论文集 西安电子科技大学 4于直接利用梯度搜索。但是如图 3.1 所示，可以在桥梁轮廓外接核的两侧再求同等大小的矩形区域，根据两侧矩形灰度和分别与桥梁外接核灰度和的比值，可以消除部分虚警。图 3.1 桥梁轮廓外借核及其相邻的矩形2河流的分割本文采用根据图像直方图确定阈值的自适应阈值分割方法，克服
13、固定阈值的缺点，同时算法简单易于实现。根据高分辨 SAR 图像中河流区域的特点，河流区域灰度较低且在图中面积较大，对于灰度直方图中的第一个波峰，文献6提出， TM 图像直方图的第一个波谷出的值即为河流区域分割的阈值，以此分割河流和陆地，并通过形态学滤波的方法消除高亮度的桥梁造成的河流区域的不连通。文献2对该方法进行了改进并应用到 SAR 图像中，除用文献6中方法确定一个水体分割阈值外，利用桥梁的高亮度特性还确定了一个桥梁分割阈值，分割后由于包含了桥梁区域所以实现了水体的基本连通，最后用计数滤波器消除某些过渡区域的点。1）自适应阈值分割本文结合两种文献的方法，对其进行了改进，提出根据灰度直方图确
14、定水体分割阈值，同时根据桥梁的高亮度确定一个桥梁分割阈值，最后用形态学方法进行滤波得到完整河流区域。具体步骤如下：（1）对原始图像数据进行直方图统计,分为 256 级灰度，如图 3.2（左）；（2）对直方图进行平滑,消除局部抖动可能带来的误差，具体做法是将相邻的两级相加平均 ， 。同时直方图的精度变为原来的一半，()*)(21)/hiihi0,127i如图 3.2（右）。（3）对平滑后的直方图作一阶差分 h ( z ) =h( z + 1) - h( z) ,从左至右检测一阶直方图中第一个由负到正的阶跃点,即为对应的波谷点,检测到的极小值点对应的灰度值即为要找的阈值 。rT（4）通过实验确定桥
15、梁分割阈值为 ， 。*25bTu0.7（5）对原始图像 f ( x , y) 进行分割，分割规则如下：ifrxob目 标 区西安电子科技大学 本科生优秀毕业设计论文集 55elsx背 景 区图 3.2 原始灰度直方图（左）及平滑后（右）2）河流轮廓的细化将分割之后图像二值化显示，分割效果如图 3.4（左）所示，虽然将高亮度的桥梁包括在内，部分消除了对河流的不连通的影响，但是同时也使部分陆地上的高亮度区域落入目标区，形成很多噪声孔，因此通过中值滤波消除。由于桥梁两侧与水域的过渡区域亮度较低，仍有部分落在背景区域，造成河流区域的不连通，通过形态学的闭合运算，可用消除桥梁的影响，使河流区域完全连通，
16、同时使陆地一些不能为滤波去掉的小孔填充。虽然闭合运算在消除部分噪声孔的同时，也使得部分噪声孔连通成为更大的噪声区域，但这些可以通过后面的处理来消除。经过以上两步，河流轮廓已基本显现，同时还有一些相对较大面积的噪声区域，这些区域或是由于本身面积较大或是通过闭合运算将若干噪声孔连通起来形成较大面积，不能通过中值滤波和闭合运算将其填充，但是相对于连通的河流区域面积来说又较小，因此通过设置面积下限，将面积小于下限的区域去掉，效果如图 3.4（右） 。为增强本文方法的适应性，面积下限的设置不宜设置为绝对数值，故在本文中将根据经验将面积下限设置为整幅图像大小的 1/200。图 3.3 包含桥梁的 SAR
17、图像本科生优秀毕业设计论文集 西安电子科技大学 6图 3.4 自适应阈值分割后的河流区域（左） 形态学滤波之后的河流区域（右）3桥梁的检测经过河流区域的分割，将存在桥梁的范围大大缩小，在此基础上根据桥梁模型中的高亮度、长宽比等简单特征在河流区域上搜索与之符合目标，称之为疑似桥梁，然后利用桥梁两侧同为低亮度河流特征，计算两侧与桥梁区域亮度比，进一步消除部分虚警。1）制作掩模矩阵为减少搜索区域，将搜索限定在感兴趣地河流区域（图 3.4 所示） ，将河流轮廓图像转换成二进制掩模矩阵 ，规则如下：QW为河流区域 (,)1xyif(,)Qxyels(,)0Wxy将掩模矩阵 与原图像相乘得到只包含河流区域
18、的目标图像 。D2）初步搜索在目标图像 中根据桥梁的高亮度特征以及长宽比特征进行搜索，由于目前得到的区D域为河流区域，故可以适当降低搜索的阈值，以少量增加虚警为代价，可以有效地减少因某些桥梁低亮度造成的漏警。另一方面在利用长宽比特征时，由于我们得到目标的外接核与桥梁本身实际尺寸之间有一定误差，故我们适当放宽标准，只是消除部分虚警。我们将目标图像 进行二值化，方法是设置阈值 ，如果 则令0.5*2T(,)DxyT，否则 。在二值化的图像中寻找各个轮廓的面积大于 Area/5000(,)25Dxy(,)Dxy同时其轮廓的外界核长宽比在0.5，0.05 或2，20 区间的目标，其中：。Areaimg
19、widthgeiht以看到图中除包含全部桥梁之外，还有较多的陆地的虚假目标，需要进一步根据模型特点进行消除。3）消除部分虚警根据桥梁两侧为河流等低亮度区域的特征，在每个疑似桥梁的外接核两侧求紧邻的相同大小的外接核并分别计算其灰度之和，利用它们与疑似桥梁外接核的灰度和之比，设置一个阈值，这样可以消除部分陆地区域的虚警具体步骤如下：设疑似桥梁外接核内的灰度和为 ，两侧紧邻的同等大小的矩_CSum西安电子科技大学 本科生优秀毕业设计论文集 77形的灰度和为 和 ,则符合如下条件之一者即为虚警：_RSumL 0.9/1.C /0_/0.15RSuLm或条件说明，两侧灰度和桥梁灰度接近，则有可能为陆地区
20、域；条件说明疑似桥梁两侧灰度差异很大，则有可能为河岸的虚警，即一侧为河流，一侧为陆地，方向并非与河流垂直，而是与河流平行。符合任意一条即可认为是虚警，可除去。但是由于外接核并非完全与桥梁轮廓相同，同时桥梁两侧还有可能紧邻的高亮度的物体（如紧邻桥梁或噪声） ，故该阈值条件设置比较宽松，经过以上辨别仍有可能虚警存在，但数目已大大降低。图 3.5 根据灰度特征消除部分虚警后的结果四、桥梁的识别在前期检测过程中，疑似桥梁目标已被检测出来，但是其中仍包含少量虚假目标，我们引入支持向量机对疑似桥梁进行最终的辨识。1支持向量机 11SVM 算法的基本思想是构造一个两类问题的最优分类函数, 使两类尽量无错误地
21、分开, 并使两类间的间隔最大。用拉格朗日法求解这个二次规划问题, 解中只有少部分拉格朗日乘子不为零, 对应的样本为支持向量, 通过对支持向量进行训练, 使对它们的分类等价于对整个数据集的分类。决策函数式(4-1)1()sgn(,)sgn(,)liidxwxbyxc式中：l 为样本数目， 为输入特征向量， 为权值12,T 1,2Tnw向量，b 为偏置值, 是符号函数， 为决策超平面。 时, 将 xs()y()0d()dx判决为正类, 否则判决为负类。分类间隔为 ，要实现分类间隔的最大化, 则要求/本科生优秀毕业设计论文集 西安电子科技大学 8最小, 即要求 最小。用拉格朗日法求解此优化问题, 则
22、权值向量ww可以实现分类间隔最大的最优超平面, 式中 ， 为*1liyx12,Tn 0i拉格朗日乘子。最后利用式（7）求出 b。以上就是用支持向量机实现线性可分分类问题的思想。对于线性不可分问题, 利用核函数理论将低维空间的线性不可分转化为高位空间的线性可分，用内积核函数 代替内积 , 再用与线性可分问题相同的思想进行分12(,)Kxijx类。本算法的核函数选用 RBF 核函数式(4-2)i, ep2i对于多类问题，例如 类，则采用一对一的方法分解为 个两类问题进行分q(1)/2q类。首先将训练集纹理的特征向量送入支持向量机进行训练，然后再用训练好的支持向量机实现测试集纹理特征向量的分类。2特
23、征选择特征的选取对于支持向量机的分类性能有至关重要的作用。在本文中我们选取纹理特征作为特征向量训练支持向量机。首先将原图像灰度级压缩为 32 级以减少计算量，然后计算图像的灰度共生矩阵，并在灰度共生矩阵的基础上定义能量 、熵 、对比度 和MWCE均匀性 四个纹理描述符，同时选择 16 个位置算子为(0, 2)，(2, 0), (2, 2), (2, -2), (0, 6), (6, HW0), (6, 6), (6, -6), (0, 10), (10, 0), (10, 0), (10, -10), (15, 6), (6, 15), (20,10), (10,20)12。分别在这16 个方
24、向计算四个纹理参数，然后求四个纹理参数的均值和方差，以此作为特征向量的 8 个分量，按照 CMEHWW、 、 、 、 、 、 、Libsvm 要求的形式组织数据。3支持向量机的训练本文中所使用的支持向量机来自于 Libsvm，训练所使用的总样本 179 个，其中桥梁73，非桥梁 106，利用 Libsvm 中的 Subset 函数随机的分割为两部分：一部分包含桥梁 37，非桥梁 52 用于训练，剩余部分用于测试。SVM 类型为 C-SVM,核函数类型为 RBF，而惩罚因子 C 和 gamma 则通过对训练样本进行 grid search 确定，如图 4.1 所示，得 ，8192C。03125利
25、用 Grid Search 确定训练参数后，用样本对支持向量机进行训练，训练结果为：迭代次数#iter=3835 ，支持向量 nSV=17,边界支持向量 nBSV=1。利用此次训练的模型对测试样本进行预测，所得准确率为 Accuracy=911111%(82/90)。五、实验结果本文最终在 Microsoft 的 Visual Studio 2005 及 Intel 的 OpenCV 环境下完成系统的开发和集成，而支持向量机部分则利用 Libsvm 所提供的核心函数。西安电子科技大学 本科生优秀毕业设计论文集 99以疑似桥梁的中心取 128*128 的图像，计算其纹理特征向量，送入已训练好的支
26、持向量机进行最终辨识并将结果在图中标记出来，结果如图 5.1 所示。同时根据图中桥梁的标号，可以查看桥梁的坐标、长宽、角度等信息。系统界面如图 5.2 所示。图 4.1 使用 Grid Search 确定参数 C 和 六、总结与展望本文根据 SAR 图像的成像特点以及桥梁先验知识建立桥梁模型，利用该模型和支持向量机实现了 SAR 图像中桥梁目标的检测与识别，实验结果表明该方法在高分辨率的 SAR 图像中具有识别率高，实时性强的良好性能。本文最终在 Microsoft 的 Visual Studio 2005 及Intel 的 OpenCV 环境下完成系统的开发和集成，实现一个交互性、可演示的系
27、统界面。本文方法虽然取的较好的效果，但仍有很大改进和提升的空间，下一步研究的方向如下所列：1. 别算法以桥梁建立在水体上的先验知识为基础,对于公路、干枯河流等地理环境中的桥梁识别还有待于进一步研究。2. 作为判断条件,对某些情况下由于桥梁结构、雷达波入射方向等因素造成的桥梁灰度值明显降低,对本算法的准确性会有一定的影响。3. 本文中选用桥梁目标及其周围的纹理特征作为特征向量训练 SVM,虽然取得了较高的识别率，但还有一定的提升空间，如何选取更为有效的特征向量进行训练时是值得进一步探索的问题。本科生优秀毕业设计论文集 西安电子科技大学 10图 5.1 SAR 图像中桥梁辨识结果图 5.2 系统界
28、面参考文献1张利利，张艳宁. SAR 图像中水域的检测和分割2戴光照，张荣.高分辨率 SAR 图像中的桥梁识别方法研究. 遥感学报J. 2007, 11(2).1771843侯彪,刘芳,焦李成.高分辨 SAR 图像中桥梁目标的自动分割. 激光与红外J .2004，34(1).46494程辉，于秋则等. 基于小波支持向量机分割的 SAR 图像桥梁目标检测.华中科技大学学报J. 2006, 34(4).52555于大洋，周露等. 基于极化合成孔径雷达数据的桥梁检测. 清华大学学报 J,2005, 45(7).8888916吴皓，刘政凯，张荣. TM 图像中桥梁目标识别方法的研究.遥感学报 J. 2
29、003, 7(6).4784847聂垣, 赵荣椿, 张艳宁.一种从航空图片中自动检测桥梁的方法.西北工业大学学报 J.2003，21(5).5996028王运锋，汤志伟，王建国等.SAR 图像中桥梁的识别方法研究.系统工程与电子技术J. 2001，23(6).76789Houzelle S, Giraudon G. Data Fusion Using Spot and SAR Images for Bridge and Urban Area Extraction A. Geoscience and Remote Sensing Symposium, 1991. IGARSS91. Remote
30、 Sensing: Global Monitoring for Earth Management ,InternationalC . Volume 3, 36 June 1991.10Wu F, Wang C, Zhang H. Recognition of Bridge by Integrating Satellite SAR and Optical ImageryA. Geoscience and Remote Sensing Symposium 2005. IGARSS 05. Proceedings. 2005 IEEE InternationalC. Volume 6, 2529 July 2005.11尚燕，练秋生.应用 Gabor 小波和支持向量机的纹理分类.电视技术J.2006,27(9).1416,1712灰度共生矩阵特征分类效果 http:/ /10/25/1844066.aspx
