輸電鐵塔SAR圖像檢測的先驗驅(qū)動恒虛警算法

劉曉偉，張雪峰，龔 浩，蘆晟陶，周贊東

（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）

合成孔徑雷達(dá)（Synthetic Aperture Radar，SAR）是一種主動式成像雷達(dá)，它能全天時全天候的對目標(biāo)進(jìn)行觀測，具有較高的分辨能力，遙感范圍廣且具有一定的穿透能力［1］.隨著遙感技術(shù)的不斷發(fā)展，SAR技術(shù)被廣泛地應(yīng)用于軍事和民用的多個領(lǐng)域.近年來，隨著SAR圖像數(shù)據(jù)的廣泛獲取并被普遍使用，SAR圖像的解譯技術(shù)成為研究的熱點.目標(biāo)檢測作為SAR圖像解譯中的關(guān)鍵技術(shù)環(huán)節(jié)也得到了蓬勃的發(fā)展.在SAR圖像的目標(biāo)檢測算法中，恒 虛 警 率 （Constant False Alarm Rate，CFAR）［2］目標(biāo)檢測算法因其具有恒定的虛警率和自適應(yīng)閾值等特點成為SAR圖像中目標(biāo)檢測領(lǐng)域研究最為廣泛的一類算法.

然而SAR圖像有著不可避免的嚴(yán)重的相干斑現(xiàn)象，相干斑現(xiàn)象的存在會增加SAR圖像解譯的困難，因此，對SAR圖像進(jìn)行預(yù)處理是SAR圖像解譯技術(shù)的重要前提［2］.現(xiàn)階段預(yù)處理方法主要有多視處理［3］、空域濾波［4－5］、小波變換處理［6］等等.然而這些預(yù)處理方法或多或少需要一些圖像的先驗信息或者對濾波參數(shù)有一定的要求，選擇不當(dāng)則會引起圖像信息的丟失，存在一定的難度［7］.

現(xiàn)代社會中，輸電線等電力設(shè)備的正常運轉(zhuǎn)不僅為人們的日常生活提供了最基本的能源保障，同時也使得交通、通訊、運輸?shù)日５纳鐣钚枨笥行虻剡M(jìn)行.目前，在利用遙感影像進(jìn)行輸電鐵塔的檢測識別方面，研究工作主要有美國MIT林肯實驗室的Novak［8］等人先對全極化SAR圖像進(jìn)行白化濾波，然后再檢測出輸電鐵塔；密西根大學(xué)輻射實驗室的Sarabandi［9］等人提出了一個統(tǒng)計極化檢測算子利用毫米波極化SAR圖像進(jìn)行電力線提取的算法.在國內(nèi)，吳曉東［10］等人采用多尺度分割技術(shù)，利用變化檢測的方法對電力塔進(jìn)行識別；劉艷［11］等人利用峰值檢測算法對輸電鐵塔目標(biāo)進(jìn)行識別，用TerraSAR－X數(shù)據(jù)進(jìn)行了對輸電鐵塔的形變實驗；Wen Yang［12］等人依據(jù)高分辨率極化SAR圖像建立了自動的輸電鐵塔點目標(biāo)識別模型，準(zhǔn)確地提取了農(nóng)田中的輸電線路矢量與走向；吳華［13］等人總結(jié)并分析了電力塔的結(jié)構(gòu)，采用了自相似的描述子對電力塔進(jìn)行檢測；劉亮［14］將電力塔的類別劃分為8種不同的形狀，并通過小波包理論分析不同類別的電力塔在形變情況下的特征，為電力塔目標(biāo)的識別提供重要的參考信息.

針對輸電線走廊的電力塔目標(biāo)，筆者利用SAR圖像目標(biāo)檢測算法對輸電線走廊的電力塔目標(biāo)進(jìn)行識別，從而對電力系統(tǒng)的運行狀況進(jìn)行監(jiān)測.但是由于電力線走廊周圍的地物類別比較復(fù)雜，存在嚴(yán)重的干擾，同時，由于SAR圖像自身成像的特點也具有嚴(yán)重的相干斑現(xiàn)象，使得在這種情況下采用CFAR的檢測方法會嚴(yán)重干擾最終的檢測性能.因此，筆者提出一種基于先驗驅(qū)動的CFAR目標(biāo)檢測算法（Priori－driven Constant False Alarm Rate，PDCFAR），首先通過背景雜波的壓縮感知（Compressive Sensing，CS）重建消除SAR圖像的相干斑現(xiàn)象，然后再用矩估計的方法進(jìn)行分布參數(shù)的估計并計算得出閾值，之后采用OS－CFAR的方法進(jìn)行檢測，當(dāng)獲得檢測結(jié)果后，以輸電線走廊的遙感特征為先驗信息對檢測結(jié)果進(jìn)行后處理濾波，消除虛警現(xiàn)象，最后通過實驗驗證該算法的有效性.

1 CFAR目標(biāo)檢測算法

1.1 恒虛警率

目標(biāo)檢測過程是一個信號的二元假設(shè)判斷過程，它只有2種判決結(jié)果，即信號的有和無.相應(yīng)地，只有2種假設(shè)H0和H1，H1代表目標(biāo)信號存在的假設(shè)，H0代表無目標(biāo)信號存在的假設(shè)（只存在背景噪聲、雜波、干擾等），可以表示為

式中 r（t）為雷達(dá)接收回波；s（t）為目標(biāo)信號；n（t）代表噪聲、雜波等.

二元假設(shè)判斷會出現(xiàn)一種結(jié)果：初始假設(shè)H0為真，卻判斷H1為真的假設(shè).這種假設(shè)判斷稱為虛警，其概率為虛警概率.由于SAR圖像是根據(jù)雷達(dá)后向散射回波而成像，對于雷達(dá)信號而言，其檢測性能采用系統(tǒng)的檢測概率pd和pfa虛警概率來描述，pd越大，說明發(fā)現(xiàn)目標(biāo)的可能性就越大；同時希望虛警概率不超過允許值，以減少錯誤的判斷.

虛警就是在沒有目標(biāo)而僅有噪聲的前提下，通過假設(shè)檢驗卻判斷出目標(biāo)存在的事件，虛警概率即發(fā)生虛警事件的概率.CFAR檢測就是在給定虛警率條件下求解檢測概率的算法，它的基礎(chǔ)是提取檢測環(huán)境中各個隨機變量的統(tǒng)計模型，對于雷達(dá)信號而言就是從雜波模型中檢測出目標(biāo)模型的過程.

1.2 虛警概率及雜波分布確定

在確知恒定的高斯白噪聲中，對固定閾值檢測的研究，在過去的幾十年里已經(jīng)得到了很多非常有價值的結(jié)果，而對CFAR的研究只是在近30年才發(fā)展起來［15］.CFAR檢測方法是一種基于對比度的目標(biāo)檢測算法，它是在給定虛警率的條件下，結(jié)合背景雜波的統(tǒng)計特性，自適應(yīng)地求取檢測閾值，最后通過檢測閾值與目標(biāo)像素值的比較來檢測出可能的目標(biāo)區(qū)域.假設(shè)p（x）為SAR圖像雜波分布模型的概率密度函數(shù)，pfa為給定的虛警率，則自適應(yīng)檢測閾值Ic可以通過方程求解得到，即

Rohling［16］將目標(biāo)檢測的背景雜波情況分為典型的3種：

1）均勻雜波背景.參考窗中背景雜波采樣為同分布的情況.

2）雜波邊緣環(huán)境.特性不同的背景區(qū)域間的過渡區(qū)情況.

3）多目標(biāo)環(huán)境.2個或者2個以上的目標(biāo)在空間上相隔很近的情況.

隨著CFAR檢測技術(shù)的不斷發(fā)展，為了適應(yīng)不同的雜波條件和多目標(biāo)檢測的情況，可以將CFAR算法分為均值類和統(tǒng)計類兩大類方法，后續(xù)的CFAR算法都是由這兩大類方法發(fā)展而來的.

2 基于先驗驅(qū)動的CFAR的輸電線走廊檢測算法

2.1 CFAR檢測算法流程

CFAR算法：根據(jù)重建后的背景雜波像素估計背景雜波的分布參數(shù)，并結(jié)合給定的虛警率得到檢測閾值，最后根據(jù)檢測閾值得到目標(biāo)檢測的結(jié)果.主要包含3個關(guān)鍵步驟：

1）確定背景雜波的分布模型.選擇一個合適的背景雜波模型對SAR圖像的背景雜波進(jìn)行建模是關(guān)鍵的一步，在對真實的SAR圖像進(jìn)行目標(biāo)檢測時，要根據(jù)圖像的背景情況來選擇合適的背景雜波分布模型，也要考慮所選分布模型參數(shù)估計的難易程度.鑒于韋布爾（Weibull）分布在高分辨率、低入射角的情況下，能夠很好地描述一般的地物雜波，故筆者采用韋布爾分布.

2）分布參數(shù)估計.對于雜波數(shù)據(jù)，利用矩估計的方法對分布參數(shù)進(jìn)行估計.

式中 韋布爾分布的各階矩為E（xn）＝bnΓ（1＋n/c），a0，a1，a2采用多項式曲線擬合的方式進(jìn)行求解，最后根據(jù)式（3）～（5）得到形狀參數(shù)c和尺度參數(shù)b.

3）閾值估計.韋布爾分布的閾值估計根據(jù)公式進(jìn)行，即

式中 pfa為給定的虛警率，式（2）中已被描述.

2.2 基于壓縮感知的背景重建

對于SAR圖像，因其成像存在嚴(yán)重的相干斑現(xiàn)象，而相干斑現(xiàn)象的存在會使目標(biāo)信息提取不準(zhǔn)確，嚴(yán)重影響目標(biāo)檢測的性能，故為了提高SAR圖像目標(biāo)檢測的性能，筆者利用壓縮感知理論對參考窗口內(nèi)的像素進(jìn)行壓縮感知重建，提高SAR圖像的信噪比，從而提高目標(biāo)檢測的性能.利用壓縮感知對圖像的背景像素進(jìn)行壓縮感知重建的主要步驟：

1）將參考窗口中用于估計背景雜波分布參數(shù)的雜波像素按順序形成一個一維的向量a（表示背景窗內(nèi)所有的雜波像素）.

2）用觀測矩陣Φ對代表背景雜波像素的一維向量a進(jìn)行低維空間的投影，得到壓縮感知觀測值向量y，y＝Φx.該文所采用的觀測矩陣為高斯隨機矩陣.

3）選擇一種重建算法對背景雜波像素進(jìn)行重建，即利用

所示的最小1－范數(shù)的優(yōu)化問題完成背景雜波像素的重建，其中，Θ為信號x在正交基Ψ 下的變換系數(shù)向量.

采用壓縮感知方法，使得信號各個分量描述具有最大的不相關(guān)性，既保證了目標(biāo)的主要信息得到表達(dá)，同時正交的處理方式又消除了相干斑的影響.該文采用的重建算法為基追蹤（BP）算法.

2.3 輸電線走廊的先驗特征

輸電線路走廊是沿著架空電力線路自然形成的符合技術(shù)規(guī)格的通道空間.在遙感場景下輸電線走廊主要特點：

1）從電力塔的設(shè)計上來看，由于電力塔都是由金屬材料構(gòu)成，在SAR圖像下具有很強的散射回波，因此在SAR圖像上表現(xiàn)為明顯的亮點.

2）由于地理位置的關(guān)系，同時為了節(jié)省建造成本，在一定地理空間區(qū)域內(nèi)，電力塔之間的連線一般為直線.

3）考慮到設(shè)計的合理性，一般相鄰2座電力塔之間的距離在一定范圍內(nèi)保持不變.

因此，根據(jù)分析可知，對于輸電線走廊而言，一旦確定了1座電力塔的位置，那么在其一定范圍內(nèi)不會再出現(xiàn)第2座電力塔，從檢測結(jié)果上來講，在確知的檢測結(jié)果周圍應(yīng)該表現(xiàn)為一系列的暗點，這就反應(yīng)了遙感場景下輸電線走廊電力塔的分布特征.

輸電線走廊電力塔分布如圖1所示，圖中畫出了2座電力塔，不同的線型對應(yīng)不同的空間區(qū)域.A區(qū)表示電力塔的中心位置，B區(qū)表示臨近電力塔中心的位置，由于電力塔目標(biāo)在SAR圖上表現(xiàn)為一個小型區(qū)域的亮點，因此這2個區(qū)域也應(yīng)該是一系列的亮點.C區(qū)表示遠(yuǎn)離電力塔中心的區(qū)域，根據(jù)實際電力塔的分布可以得知這個區(qū)域應(yīng)該為一系列的暗點；D區(qū)表示2座電力塔之間的區(qū)域，由于相鄰的電力塔之間不會有其他的電力塔分布，因此它們之間的區(qū)域也應(yīng)該為一系列的暗點.這種空間的鄰域關(guān)系反應(yīng)了輸電線走廊的分布信息，當(dāng)檢測到電力塔目標(biāo)，即A區(qū)取值為1時，其臨近位置取值為1，遠(yuǎn)離電力塔的位置取值為0，2座電力塔之間的區(qū)域取值為0.采用這種輸電線走廊鄰域先驗的后處理方法可以消除遠(yuǎn)離電力塔位置和電力塔之間位置的虛警現(xiàn)象，對檢測結(jié)果進(jìn)行優(yōu)化.

圖1 輸電線走廊的遙感特征Figure 1 Remote sensing feature of power line corridors

2.4 基于先驗驅(qū)動的恒虛警檢測算法

根據(jù)分析，可以總結(jié)出基于先驗驅(qū)動的恒虛警輸電線走廊電力塔目標(biāo)檢測算法，如圖2所示.通過壓縮感知方法對背景雜波的分布進(jìn)行建模，再采用矩估計方法進(jìn)行參數(shù)估計，最后估計出閾值參數(shù)，采用CFAR的方法進(jìn)行檢測.獲得檢測結(jié)果之后，利用輸電線走廊的遙感特征為先驗進(jìn)行后處理，將噪聲引起的虛警現(xiàn)象進(jìn)行抑制，從而輸出最終的檢測結(jié)果.

圖2 基于先驗驅(qū)動的恒虛警檢測算法Figure 2 Framework of priori－driven CFAR algorithm

3 實驗結(jié)果及分析

1）實驗數(shù)據(jù).

實驗中采用2組實驗數(shù)據(jù)，均為條帶狀湖北恩施地區(qū)3m分辨率的TerraSAR－X圖像數(shù)據(jù)，圖像大小（像素）分別為282×781和223×857的區(qū)域，每幅圖像中都有2條輸電線走廊，分別有10和12座電力塔.

2）實驗方法.

2幅圖都采用基于點目標(biāo)的CFAR算法，常用的CFAR算法為均值類CFAR和統(tǒng)計類CFAR.由于統(tǒng)計類CFAR在多目標(biāo)檢測條線下具有較好的測性能，因此在實驗過程中，采用基于統(tǒng)計類的OS－CFRA算法.此外還設(shè)計2組對比試驗：①采用壓縮感知重建的CFAR；②該文提出的基于先驗驅(qū)動的恒虛警算法.該文算法不僅采用壓縮感知技術(shù)對雜波進(jìn)行重建，同時采用輸電線走廊的先驗信息進(jìn)行后處理濾波，消除噪聲產(chǎn)生的虛警現(xiàn)象.

3）實驗結(jié)果及分析.

3m分辨率的SAR場景如圖3所示，電力塔表現(xiàn)為在同一條直線上的若干個較為明顯的亮點.為了準(zhǔn)確地識別不同方法的檢測結(jié)果，在檢測結(jié)果圖上采用白色的邊框表示檢測出的電力塔，而其他未采用白色邊框表示的亮點區(qū)域則是虛警，暗區(qū)則表示未檢測出電力塔目標(biāo)的區(qū)域.結(jié)合表1的統(tǒng)計可以看出：圖3（a）表示測試所采用的2組圖像數(shù)據(jù)，其中用白色矩形框標(biāo)注出電力塔目標(biāo)的位置.圖3（b）表示采用OS－CFAR的檢測結(jié)果，從圖中可以明顯地看出，OS－CFAR方法的結(jié)果只包含少量的亮點，因此噪聲引起的虛警現(xiàn)象難以表現(xiàn)出來，但是能檢測出部分電力塔目標(biāo)，并且每座電力塔僅有少量的亮點被顯現(xiàn)出來.圖3（c）采用壓縮感知重建方法，由于消除了相干斑現(xiàn)象的影響，可以檢測出大量的目標(biāo)亮點，但是引起了嚴(yán)重的虛警現(xiàn)象，導(dǎo)致檢測結(jié)果不佳.圖3（d）采用該文提出的基于先驗驅(qū)動的CFAR算法，該算法首先采用CS技術(shù)對雜波進(jìn)行重建，使得大量的目標(biāo)被檢測出來，然后通過電力線走廊的先驗信息，使得檢測結(jié)果中的虛警點被抑制，提高了檢測的準(zhǔn)確度.從表1中也不難發(fā)現(xiàn)基于先驗驅(qū)動的恒虛警算法明顯優(yōu)于另外的2種方法.

圖3 電力線走廊檢測結(jié)果Figure 3 Detection results of power line corridors

表1 檢測結(jié)果比較Table 1 Comparison the three detecting methods%

4 結(jié)語

筆者提出基于先驗驅(qū)動的恒虛警輸電鐵塔檢測算法通過壓縮感知過程對背景雜波進(jìn)行重建，有效地消除了相干斑現(xiàn)象的影響，并采用輸電線走廊的先驗特征進(jìn)行后處理濾波，抑制了虛警現(xiàn)象.在高分辨率TERRASAR－X SAR圖像輸電鐵塔的檢測應(yīng)用達(dá)到了很好的效果.

［1］劉曉偉，孟巖，龔浩，等.基于多特征融合的SAR圖像輸電線走廊變化檢測［J］.電力科學(xué)與技術(shù)學(xué)報，2012，27（4）：57－63.LIU Xiao－wei，MENG Yan，GONG Hao，et al.Multiple features fusion for SAR image power line corridor changing detection［J］.Journal of Power Science and Technology.2012，27（4）：57－63.

［2］M di Bisceglie，Galdi C.CFAR detection of extended objects in high－resolution SAR images［J］.IEEE Transations Geosci，Remote Sens，2005，43（4）：833－843.

［3］Curlander John C，McDonough Robert N.Synthetic aperture radar－systems and signal Processing［M］.New York：John Wiley and Sons，Inc.，1991.

［4］Lee J S.Digital image enhancement and noise filtering by use of local statistics［J］.IEEE Transations Pattern Analysis and Machine Intelligence，1980，2（2）：165－168.

［5］Kuan D T，Sawchuk A A，Strand T C，et al.Adaptive noise smoothing filter for images with signal－dependent noise［J］.IEEE Transations Pattern Analysis and Machine Intelligence，1985，7（2）：165－177.

［6］Donoho D L，Iohnstone I M.Adapting to unknown smoothness via wavelet shirk［J］.Journal of the American Statistical Assoc，1995，90（432）：1 200－1 224.

［7］Tsaig Y，Donoho D L.Extensions of compressed sensing［J］.Signal Processing，2006，86（3）：549－571.

［8］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.

［9］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.

［10］吳曉東，李瑛，劉曉偉，等.基于多尺度聯(lián)合分割的SAR圖像電力線走廊變化檢測［J］.電力科學(xué)與技術(shù)學(xué)報，2012，27（4）：51－56.WU Xiao－dong，LI Ying，LIU Xiao－wei，et al.SAR image power line corridor changing detection based on multiple－scale joint segmentation［J］.Journal of Power Science and Technology，2012，27（4）：51－56.

［11］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.

［12］Yang W，Xu G，Chen J Y ，et al.Power transmission towers extraction in polarimetric SAR imagery based on genetic algorithm［C］.ICIC’06，Lecture Notes in Control and Information Science，Kunming，China，2006.

［13］吳華，郭貞，楊國田，等.基于全局自相似描述子的電塔檢測［J］.華中科技大學(xué)學(xué)報：自然科學(xué)版，2011，39（S2）：437－440.WU Hua，GUO Zhen，YANG Guo－tian，et al.Power tower detection using global self－similarity descriptor［J］.Journal of Huazhong University of Science and Technology：Nature Science，2009，39（S2）：437－440.

［14］劉亮.基于小波包能量理論的在役輸電塔結(jié)構(gòu)損傷檢測技術(shù)研究［D］.遼寧：遼寧工程技術(shù)大學(xué)，2008.

［15］何友，關(guān)鍵，彭應(yīng)寧，等.雷達(dá)自動檢測與恒虛警處理［M］.北京：清華大學(xué)出版社，1999.

［16］Rohling H.Radar CFAR thresholding in clutter and multiple target situations［J］.IEEE Transations on AES，1983，19（3）：608－621.