基于高分辨率SAR影像的高壓輸電線路桿塔檢測方法

劉 奕，吳兆鑫，徐梁剛，張雪峰

（1.貴州電網(wǎng)公司 輸電運(yùn)行檢修分公司，貴州 貴陽 550002；2.國網(wǎng)電力科學(xué)研究院 武漢南瑞有限責(zé)任公司，湖北 武漢 430074）

中國幅員遼闊，電網(wǎng)覆蓋面積廣，輸電線路傳輸距離長，經(jīng)過的地區(qū)地形、地質(zhì)、氣象等環(huán)境復(fù)雜，各種極端災(zāi)害天氣（覆冰、強(qiáng)風(fēng)等）或突發(fā)地質(zhì)災(zāi)害（泥石流、山洪、地震等）影響輸電線路的安全運(yùn)行［1］.

高壓輸電桿塔是電氣設(shè)施中最重要的基礎(chǔ)設(shè)施之一，其運(yùn)行狀態(tài)決定著整個電網(wǎng)的運(yùn)行穩(wěn)定和安全.傳統(tǒng)的人工巡檢、機(jī)器人巡線、直升機(jī)巡線、航空數(shù)字?jǐn)z影巡線和鐵塔上的各種傳感器等在線監(jiān)測裝置是目前電網(wǎng)安全狀態(tài)監(jiān)測的主要手段，存在監(jiān)測范圍小、在惡劣環(huán)境和大范圍災(zāi)害條件下工作受限等不足，為了保證這些骨干電網(wǎng)的安全和穩(wěn)定運(yùn)行，迫切需要研究和發(fā)展大范圍災(zāi)害天氣下電網(wǎng)廣域監(jiān)測技術(shù).

合成孔徑雷達(dá)（Synthetic Aperture Radar，SAR）是一種主動式的工作在微波波段的高分辨率相干成像雷達(dá)，是非常重要的遙感測量工具［2］.隨著合成孔徑雷達(dá)技術(shù)的發(fā)展，SAR圖像的分辨率有了大幅度的提高，所能提供的細(xì)節(jié)信息更加豐富，利用SAR圖像進(jìn)行廣域的電網(wǎng)輸電線路運(yùn)行狀態(tài)監(jiān)測也成為遙感應(yīng)用研究的一個新的領(lǐng)域［3-4］.

基于高分辨率SAR圖像的輸電桿塔的目標(biāo)檢測是實(shí)現(xiàn)高分辨率SAR圖像電網(wǎng)監(jiān)測基礎(chǔ)和關(guān)鍵的一步，檢測結(jié)果好壞直接影響后續(xù)電網(wǎng)運(yùn)行狀態(tài)監(jiān)測的準(zhǔn)確率.在對輸電桿塔的檢測識別方面，美國MIT林肯實(shí)驗(yàn)室的Novak等對全極化SAR圖像首先進(jìn)行極化白化濾波，然后檢測出輸電桿塔［5］.密西根大學(xué)輻射實(shí)驗(yàn)室的Sarabandi等提出了一個統(tǒng)計極化檢測算子利用毫米波極化SAR圖像進(jìn)行電力線的提取研究［6］.在中國，廖靜娟等從2003年淮河洪水淹沒區(qū)的機(jī)載SAR圖像中清晰分辨了輸電桿塔目標(biāo)與走向［7］.劉艷等基于 Harris算子，利用TerraSAR-X數(shù)據(jù)對輸電桿塔的形變進(jìn)行了分析［8］.Wen Yang等依據(jù)高分辨率極化SAR圖像建立了自動的輸電桿塔點(diǎn)目標(biāo)識別模型，準(zhǔn)確的提取了農(nóng)田中的輸電線路矢量與走向［9］.

在高分辨率SAR圖像中，輸電桿塔的目標(biāo)會表現(xiàn)出一定的輪廓信息，具備比較完整的形狀結(jié)構(gòu).傳統(tǒng)的基于恒虛警率（Constant False Alarm Rate，CFAR），更多地考慮目標(biāo)強(qiáng)度與背景目標(biāo)強(qiáng)度的差值比，并沒有考慮目標(biāo)形狀和輪廓信息，這不僅降低了檢測的有效性，還容易造成漏檢和虛警.同時，基于CFAR的目標(biāo)檢測算法采用的是逐點(diǎn)檢測的方式，檢測得到的目標(biāo)是一個個孤立的目標(biāo)點(diǎn)，忽略了目標(biāo)的整體性，增大了基于目標(biāo)整體的特征提取和分析的后處理的困難.自相似性特征是Shechtman在文獻(xiàn)［10］提出的對目標(biāo)形狀和輪廓進(jìn)行描述的特征.筆者利用自相似性特征，獲得輸電桿塔內(nèi)在的幾何結(jié)構(gòu)分布，通過輸電桿塔形狀和輪廓信息對其進(jìn)行檢測.

同時，由于SAR圖像固有的speckle斑點(diǎn)現(xiàn)象，使得SAR圖像的散射強(qiáng)度不是很穩(wěn)定，造成自相似性特征提取的不穩(wěn)定.筆者通過引入SAR圖像中能夠很好的描述其統(tǒng)計特性的G0分布模型，在圖像的分布模型參數(shù)空間中來求得穩(wěn)定的自相似性特征.在獲得相似性特征后，利用在目標(biāo)分類中采用的BOW（bag-of-visual-words）框架，將待測的目標(biāo)區(qū)域圖像描述成一些區(qū)域的集合，每一個區(qū)域都用自相似特征加以描述，并將所有區(qū)域的特征向量進(jìn)行量化.通過BOW框架學(xué)習(xí)得到特征向量的字典，并利用SVM分類器，通過滑動窗口進(jìn)行分類檢測.或者可以將子圖像中獲得的自相似特征與樣本圖像的自相似特征做整體匹配，當(dāng)兩特征的距離小于某一閾值時，可以認(rèn)為該區(qū)域有目標(biāo)存在.

1 自相似性特征的提取

有時候在圖像中局部的亮度信息以相似的幾何分布在其相鄰的位置重復(fù)出現(xiàn)，也就是說這些圖像自相似特征的局部內(nèi)在分布是相似的.盡管產(chǎn)生這些自相似特征的模式在每一幅圖像中有很大不同，但這些自相似性特征的內(nèi)在分布是類似的（存在一定意義上的變形）.這些自相似特征能有效地通過局部自相似描述征表達(dá)出來.如圖1所示，輸電桿塔目標(biāo)在圖像中現(xiàn)出一定的輪廓信息和局部相似性.

1.1 局部自相似特征的提取

由圖2可以看出，若直接求兩幅圖的相似度是很難的，二者在光度特性上有很大的不同，但是可以分別求出其自相似性特征，只要在相對應(yīng)的幾何位置上有相似的描述子值，則兩幅圖是匹配的［11］.

對于局部區(qū)域自適應(yīng)的提取自相似性特征的具體流程如下.

1）確定要計算的描述子點(diǎn)數(shù)，這些點(diǎn)是要計算的中心點(diǎn)q，然后將圖像分為很多小塊（pixels）.

2）以q點(diǎn)為中心的小塊和被以q為中心點(diǎn)、半徑為10個像素的區(qū)域包圍的小塊利用SSD得到距離平面.

3）距離平面歸一化，通過公式轉(zhuǎn)化為相關(guān)平面，即

其中，varnoise對應(yīng)于圖像因子的變化（顏色，光照），varauto（q）表示以q為中心的小塊與非常小的鄰域塊之間的最大變化.將得到的相關(guān)平面轉(zhuǎn)化為離散化的對數(shù)極坐標(biāo)表達(dá)（binned log-polar representation），如：選擇4個角度間隔、2個半徑間隔，分成8個bins.在bins中找到最大相關(guān)值，組成8維的局部自相似描述子（中心點(diǎn)在q），在第1步中計算了多少個點(diǎn)，就有多少個這樣的8維向量，全部合起來構(gòu)成一幅圖像的局部自相似描述子.最后，這些描述子被量化到0～1的范圍.

圖1 輸電桿塔目標(biāo)SAR和光學(xué)圖像Figure 1 SAR and optical images of power tower

圖2 在相對的幾何位置有相似的描述子值Figure 2 Similar descriptor at relative geometric position

1.2 高分辨率SAR圖像中輸電桿塔自相似性特征取

由于SAR圖像中固有的speckled斑點(diǎn)現(xiàn)象，直接基于SAR圖像強(qiáng)度的自相似性特征提取存在很大的不穩(wěn)定性.如圖3（b）所示，SAR圖像受speckled斑點(diǎn)影響強(qiáng)度跳變很大，雖然整體上能夠通過上、下文信息看到明顯的輪廓特征，但實(shí)際上在實(shí)驗(yàn)中并不能將其進(jìn)行準(zhǔn)確的表述.G0分布能夠很好地對高分辨率SAR圖像數(shù)據(jù)進(jìn)行擬合，這在傳統(tǒng)的CFAR目標(biāo)檢測已經(jīng)得到充分的驗(yàn)證，在該文中，考慮先用G0分布對SAR圖像中數(shù)據(jù)進(jìn)行擬合，在得到的參數(shù)域上，基于G0分布形狀參數(shù)強(qiáng)度值進(jìn)行自相似特征提取.強(qiáng)度形式的G0分布形式：

式中I為像素的強(qiáng)度值；N為等效視數(shù)；需要估計的參數(shù)α和γ分別為形狀參數(shù)和尺度參數(shù).

基于γ參數(shù)空間，提取輸電桿塔的目標(biāo)的自相似性特征.如圖3（c）所示，可以看到在參數(shù)空間，輸電桿塔成像目標(biāo)的輪廓和形狀特征更加明顯，并且其強(qiáng)度變化比較平滑，噪聲干擾較小，便于提取穩(wěn)定的自相似性特征.

圖3 高分辨率SAR圖像中輸電桿塔強(qiáng)度示意Figure 3 Intensity maps of power tower in high resolution SAR image

2 基于自相似特征輸電桿塔檢測

輸電桿塔目標(biāo)作為一種明顯的有對稱結(jié)構(gòu)的剛性目標(biāo)，在高分辨率SAR圖像中呈現(xiàn)明顯的形狀和輪廓特性.該文中，通過自相似性特征來描述輸電桿塔的輪廓信息.而SAR圖中固有的speckle斑點(diǎn)現(xiàn)象使得圖像的灰度值很不穩(wěn)定，直接提取相似性特征噪聲干擾很大.考慮用能夠很好擬合高分辨率復(fù)雜場景中數(shù)據(jù)的G0分布模型，通過對G0分布模型的參數(shù)估計，并在圖像的參數(shù)空間進(jìn)行自相似性特征提取.這樣，能夠提取出穩(wěn)定的描述輸電桿塔的目標(biāo)形狀和輪廓的自相似性特征.同時，考慮到全局自相似特征對存儲要求很高，計算復(fù)雜度也很高，該文采用局部自相似特征來進(jìn)行輸電桿塔檢測.具體的算法流程如圖4所示.

圖4 自相似特征目標(biāo)檢測流程Figure 4 Flowchart of power tower detection using self-similarity feature

1）對輸電桿塔樣本圖像和待檢測的圖像利用

2.2節(jié)中提到的G0分布模型求得分布參數(shù)圖像.利用G0分布能夠很好地對高分辨率SAR圖像數(shù)據(jù)進(jìn)行擬合，通過對擬合的數(shù)據(jù)進(jìn)行參數(shù)分析，獲得對目標(biāo)及其周圍區(qū)域的參數(shù)強(qiáng)度的穩(wěn)定描述，便于自相似性特征的提取.

2）從分布參數(shù)圖像的參數(shù)空間進(jìn)行局部自相似性特征的提取，獲得自相似性描述子.通過自相似性描述子來表述輸電桿塔目標(biāo)的相似性特征和輪廓信息.

3）把測試圖像和樣本圖像獲得的自相似性描述子，分別放入BOW框架進(jìn)行特征的聚合和重新表述，再用SVM分類器進(jìn)行分類檢測，判斷出是否為輸電桿塔目標(biāo).或者，將子圖像中獲得的自相似特征與樣本圖像的自相似特征做整體匹配，當(dāng)兩特征的距離小于某一閾值時，可以認(rèn)為該區(qū)域?yàn)槟繕?biāo)區(qū)域.

4）在整幅測試圖像中，對得到的檢測結(jié)果進(jìn)行后處理，獲得最后的檢測結(jié)果.

3 實(shí)驗(yàn)結(jié)果與分析

為了驗(yàn)證算法的有效性，筆者利用X波段機(jī)載多極化SAR數(shù)據(jù)進(jìn)行相關(guān)實(shí)驗(yàn).測試數(shù)據(jù)大小為1 400像素×2 300像素，圖像分布率為0.5m×0.5m.圖像中共有6個輸電桿塔目標(biāo)，圖像Pauli基分解的偽彩圖如圖5（a）所示，圖中輸電桿塔的目標(biāo)區(qū)域用矩形框標(biāo)記出.從圖3（c）中可以看出，在G0分布的參數(shù)空間，輸電桿塔的目標(biāo)區(qū)域表現(xiàn)出更加明顯的形狀和輪廓信息，能夠通過自相似描述子表現(xiàn)其形狀和輪廓特征.在圖5（b）中，可以看到通過自相似性特征能夠很好地完成對輸電桿塔的檢測分類，6個輸電桿塔的目標(biāo)都被完整地檢測出來.在左上角有一個虛警目標(biāo)，是由于其亮斑形狀和輸電桿塔的目標(biāo)形狀相似，所以造成了虛警.該虛警可以進(jìn)一步根據(jù)輸電桿塔網(wǎng)絡(luò)的先驗(yàn)知識（呈線狀排列）加以剔除，從而獲得更為滿意的檢測結(jié)果，如圖5（c）所示.

圖5 機(jī)載SAR數(shù)據(jù)檢測實(shí)驗(yàn)結(jié)果Figure 5 Experimental results on airborne SAR image

4 結(jié)語

在高分辨率SAR圖像中，筆者利用輸電桿塔目標(biāo)表現(xiàn)出的局部相似性和輪廓特征，通過G0分布參數(shù)模型和自相似性描述子，對輸電桿塔目標(biāo)進(jìn)行了檢測分類.通過G0分布參數(shù)模型對SAR數(shù)據(jù)的擬合，很好地得到了參數(shù)空間的輸電桿塔強(qiáng)度圖像，從而得到穩(wěn)定的自相似性特征，并且通過BOW框架和SVM分類器對輸電桿塔目標(biāo)進(jìn)行了檢測分類.在機(jī)載SAR數(shù)據(jù)上的實(shí)驗(yàn)結(jié)果表明了該文方法的有效性.

［1］劉艷，劉經(jīng)南，李陶，等.利用高分辨率SAR衛(wèi)星監(jiān)測災(zāi)害條件下電網(wǎng)鐵塔形變［J］.武漢大學(xué)學(xué)報：信息科學(xué)版，2009，34（11）：1 354-1 358.

LIU Yan，LIU Jing-nan，LI Tao，et al.Monitoring damage of state grid transmission tower in bad weather by high-resolution SAR SATEllites［J］.Geomatics and Information Science of Wuhan University，2009，34（11）：1 354-1 358.

［2］Xiaohua Zhang，Hongfeng Li，Licheng Jiao.A change detection algorithm based on object feature for SAR image［C］.2nd Asian-Pacific Conference on Synthetic Aperture Radar（APSAR），Xi'an，China，2009.

［3］Maurizio D B，Carmela G.CFAR detection of extended objects in high-resolution SAR images ［J］.IEEE Transations Geosci Remote Sensing，2005，43（4）：833-843.

［4］Liu Yan.Transmission line and tower monitoring technology based on high resolution SAR images［D］.Wuhan：Wuhan University，2009.

［5］Novak L M，Halversen S D，Owirka G J.Effects of polarization and resolution on the performance of a SAR ATR system［J］.The Lincoln Laboratory Journal，1995，8（1）：49-67.

［6］Sarabandi K，Park M.Extraction of power line maps from millimeter-wave polarimetric SAR images［J］.IEEE Transations on Antennas and Propagation，2000，48（12）：1 802-1 809.

［7］Liao J J，Shao Y，Wang，S X.Monitoring for 2003Huai River Flood in China using multisource SAR data［C］.Proceedings of IGARSS 2004，Alaska，USA，2004.

［8］劉艷，胡毅，王力農(nóng)，等.高分辨率SAR衛(wèi)星監(jiān)測特高壓輸電桿塔形變［J］.高電壓技術(shù)，2009，35（9）：2 076-2 080.

LIU Yan，HU Yi，WANG Li-nong，et al.Surveillance for 1 000kV transmission tower deformation using highresolution SAR satellite［J］.High Voltage Engineering，2009，35（9）：2 076-2 080.

［9］Yang W，Xu G，Chen J Y，et al.Power transmission towers extraction in polarimetric SAR imagery based on genetic algorithm［J］.ICIC’06，Lecture Notes in Control and Information Science，2006，43（5）：410-420.

［10］Shechtman E，Irani M.Matching local self-similarities across images and videos［C］.Proceedings CVPR’07，Singapore，2007.

［11］Thomas D，Vittorio F.Global and efficient self-similarity for object classification and detection［C］.Proceedings CVPR’10，San Francisco，USA，2010.