基于空間特征的SAR圖像電塔識別研究

王菁晗, 翟 瑋, 尹欣欣, 張 璇, 張皓然

(1. 中國地震局蘭州地震研究所, 甘肅 蘭州 730000; 2. 中國地震局黃土地震工程重點(diǎn)實(shí)驗(yàn)室, 甘肅 蘭州 730000;3. 中國地震局蘭州巖土工程與地震研究所, 甘肅 蘭州 730000; 4. 甘肅省地震局, 甘肅 蘭州 730000)

0 引言

中國的西北部是風(fēng)力資源最為豐富的地區(qū)之一,風(fēng)力發(fā)電機(jī)是中國西北部能源供應(yīng)的重要支柱。根據(jù)統(tǒng)計(jì),該地區(qū)風(fēng)能資源占其陸地風(fēng)能資源總量的1/3[1]。地震導(dǎo)致的風(fēng)力發(fā)電機(jī)大面積損毀會對國民經(jīng)濟(jì)及災(zāi)區(qū)的供電和電網(wǎng)的穩(wěn)定造成巨大的影響,因此快速且精確地對其進(jìn)行識別,迅速獲取受災(zāi)地區(qū)有效信息非常重要[2-8]。Synthetic Aperture Radar(SAR)圖像具有全天時(shí)全天候工作等特點(diǎn)[9],在自然災(zāi)害研究中得到廣泛的應(yīng)用,是不可或缺的重要技術(shù)手段[10]。如何運(yùn)用震前SAR來快速提取電塔構(gòu)筑物具有重要的減災(zāi)應(yīng)用價(jià)值[11],此外,由于我國西北部地區(qū)地廣人稀,電力輸送皆依靠于處于無人區(qū)的電塔等設(shè)施,自然災(zāi)害發(fā)生后電塔的倒塌難以及時(shí)查看,而依靠傳統(tǒng)的人力等方式去獲取倒塌電塔的位置嚴(yán)重影響受災(zāi)區(qū)域的電力供應(yīng),因此如何快速獲取倒塌電塔所在的位置就顯得極為重要。

在SAR影像處理與分析中,充分利用空間上下文信息,可以有助于抑制斑點(diǎn)噪聲,提高變化檢測的精度[12-13]。在圖像的分割過程中,通過概率競爭網(wǎng)絡(luò),利用圖像像素間的空間關(guān)系能夠提高分割、檢測的準(zhǔn)確性[14]。Fan等[15]利用空間關(guān)系來細(xì)化光學(xué)和SAR圖像的初始匹配特征來對兩幅數(shù)據(jù)進(jìn)行匹配,也獲得了不錯的效果。而在目標(biāo)識別方面,Dellepiane等[16]利用經(jīng)典特征作為樣本均值和樣本方差,通過圖像的空間相關(guān)性提出了參數(shù)特征估計(jì)方法來對圖像進(jìn)行分類。Liu等[17]通過對油氣滲漏異常區(qū)與鹽堿化異常區(qū)的疊置聚焦分析,發(fā)現(xiàn)了二者之間的空間位置關(guān)系,并借此提高了油氣滲漏信息的識別準(zhǔn)確性。而在人工目標(biāo)檢測方面,傳統(tǒng)的恒虛警率(CFAR)算法計(jì)算簡單,性能穩(wěn)定,在目標(biāo)檢測中最為常用。但其也有著處理窗口的非自適應(yīng)以及檢測目標(biāo)種類、大小和結(jié)構(gòu)的多樣性等缺點(diǎn)。許多學(xué)者也因此提出了許多解決辦法,Li等[18]提出了一種改進(jìn)的CFAR算法,同時(shí)具有自適應(yīng)閾值和自適應(yīng)處理窗口。Jung等[19]、Sagliano等[20]及Song等[21]提出的雙步快速CFAR算法,減少了目標(biāo)形狀的畸變。但以上算法需要對整幅影像進(jìn)行遍歷,在遍歷較大或者大幅SAR圖像時(shí)需要消耗大量運(yùn)算資源,且花費(fèi)時(shí)間也較為漫長,因此很難做到實(shí)時(shí)的檢測,也不利于自然災(zāi)害發(fā)生后的快速獲取災(zāi)情信息。

本文研究區(qū)中,電塔的分布形式有序且規(guī)律,使得空間信息在這一類的地物識別中有較大優(yōu)勢。為了減弱具有相似散射強(qiáng)度的建筑物和地形高亮點(diǎn)等的影響,能夠?qū)Φ乇砩戏植加行虻碾娝M(jìn)行快速且高效的識別與提取,我們引入了空間關(guān)系的相關(guān)理論及技術(shù),提出了一種基于空間特征的推理方法。該方法利用快速雙參數(shù)恒虛警算法(FTP-CFAR),對稀疏且有序分布的電塔構(gòu)筑物進(jìn)行提取與識別,獲得電塔的空間信息,并對該信息進(jìn)行篩選與判別。然后根據(jù)篩選出來的空間信息進(jìn)行電塔分布的空間特征提取,獲取了電塔分布的空間特征量,通過該特征量對電塔進(jìn)行多種條件約束下的空間推理方法來獲取沒有被識別出來地物,以及刪除識別錯誤的地物。另外,為了驗(yàn)證該方法的準(zhǔn)確度和偏移量,我們除了使用常規(guī)的精度評價(jià)方法對本文方法與傳統(tǒng)方法的結(jié)果進(jìn)行對比以外,還提出了一種評價(jià)推理結(jié)果精確度的評價(jià)指數(shù)——誤距風(fēng)險(xiǎn),來評價(jià)本文方法推理出的電塔目標(biāo)的偏移量,并獲得了不錯的結(jié)果。

1 研究方法

一般情況下,電塔這一類孤立的構(gòu)筑物大多分布在人煙稀少的地區(qū),且分布得較為零散而有序,其周圍基本為草木、植被等背景地物,較為容易進(jìn)行識別。但是本文中的研究區(qū)處于荒漠,地表上分布著干涸的河床以及裸露的巖體等地形高亮地物,在單極化SAR影像中其與構(gòu)筑物的散射強(qiáng)度極為相似。且由于單極化SAR圖像并沒有和全極化SAR一樣包含多種地物信息,同樣灰度值所表示的像素并不能代表著同一種地物。因此急需要一種行之有效的方法來對這一類地物進(jìn)行識別,具體方法如下。

1.1 空間推理方法

空間推理方法的前提是獲取空間關(guān)系特征,而獲取空間關(guān)系特征的前提則是確定空間關(guān)系的起始點(diǎn)。有了起始點(diǎn),才能根據(jù)起始點(diǎn)來確定精確的空間關(guān)系,從而為后續(xù)的空間推理提供精確的依據(jù)。因此我們的空間推理方法步驟劃分為三步:確立起始點(diǎn)、確立空間關(guān)系以及空間推理。

1.1.1 檢索起始點(diǎn)的遍歷窗口設(shè)計(jì)

首先需要目視確定SAR圖像上地物分布的大致方向。通過對圖像中目標(biāo)像元的十六個方向進(jìn)行檢索,目標(biāo)像元為圖像中每個連通區(qū)域中灰度最大的像元。如果在某個方向上檢測到了非零像元,且該方向與地物的分布方向大致接近,則反方向進(jìn)行檢索,反向相同檢索距離下的像元如果為零值,則可判斷該像元為檢測的起始點(diǎn)。起始點(diǎn)遍歷窗口示意如圖1所示,其中,Sp1為非零點(diǎn)像元,Sp1+180°則是用于反向驗(yàn)證的像元。

1.1.2 確立空間關(guān)系

建立每一對的起始點(diǎn)與驗(yàn)證點(diǎn)之間的線性關(guān)系,通過空間關(guān)系獲得了空間的三項(xiàng)特征量,分別是偏移量Toffset、角度Tangle以及目標(biāo)間距Tdistance,這三項(xiàng)空間特征量決定著后續(xù)空間推理的約束。其具體公式如下:

(1)

式中:(x1,y1)為起始點(diǎn)的坐標(biāo),(x2,y2)為驗(yàn)證點(diǎn)的坐標(biāo)。由于電塔的有序分布,Tdistance基本為固定的值。而Toffset與Tangle則根據(jù)起始點(diǎn)與驗(yàn)證點(diǎn)獲得,進(jìn)行多次實(shí)驗(yàn)來確定其大致的數(shù)值。如果某一偏移量與角度多次出現(xiàn),則表示電塔的分布形式不止一種,我們便將其作為備選值,在后續(xù)的空間推理過程中將其帶入。

在得到上述空間的三項(xiàng)特征量以及確立初步的空間關(guān)系后,依據(jù)得到的空間三項(xiàng)特征量進(jìn)行后續(xù)目標(biāo)點(diǎn)的識別與空間關(guān)系的驗(yàn)證。如果沒有異常,則將該空間三項(xiàng)特征量作為后續(xù)空間推理的依據(jù),否則終止后續(xù)點(diǎn)的識別。

1.1.3 空間關(guān)系的實(shí)現(xiàn)

為了豐富空間推理方法應(yīng)對各種分布情況的能力,我們對空間推理方法進(jìn)行了多種條件下的約束推理,分別為:兩點(diǎn)間的推理、鄰近約束推理、起始點(diǎn)的推理以及結(jié)束點(diǎn)的推理四種。

兩點(diǎn)間的空缺推理是針對某一線性序列中,兩目標(biāo)物間的距離長度與Tdistance相差較遠(yuǎn)而設(shè)置的條件,該條件表示這兩目標(biāo)物之間應(yīng)有一個或者多個目標(biāo)存在。那么它的條件公式為:

ifp×Tdistance≤Edistance≤q×Tdistance,p∈Q

(2)

式中:p與q為大小兩個整數(shù)閾值;Q代表缺失的目標(biāo)集合;Edistance則表示的異常的間距大小。

鄰近約束推理則是為了防止因?yàn)榈匦蔚挠绊憣?dǎo)致目標(biāo)地物在某一區(qū)域的分布數(shù)目異常而設(shè)置的條件推理。該條件推理以其相鄰的序列為依據(jù)及約束。其主要原理是某一序列的分布數(shù)目取決于該列臨近的序列,距離該序列越近的序列有著較高的影響權(quán)重,而鄰近的序列權(quán)重越高則表示該列的數(shù)目與其數(shù)目更為接近。

(3)

式中:Pnum為數(shù)目異常的序列數(shù)目;Plnum與Prnum分別為Pnum的左右臨近的序列數(shù)目,Plnum-1與Prnum+1分別為Plnum的左鄰與Prnum右鄰序列數(shù)目;w、u和v分別為差異的數(shù)目以及權(quán)重,通過多次實(shí)驗(yàn)獲得合理的值。

起始點(diǎn)的推理以及結(jié)尾點(diǎn)的推理這兩個條件約束其目的是為了補(bǔ)充在預(yù)處理過程中遺失的起始點(diǎn)與終止點(diǎn)。這兩種條件推理是基于鄰近約束推理所得到的序列數(shù)目作為條件進(jìn)行推理的,然后通過統(tǒng)計(jì)分析并總結(jié)缺失序列的空間三參數(shù)來進(jìn)行推理。其基本公式如下:

(4)

式中:Spx與Spy為所求的起始點(diǎn)或結(jié)尾點(diǎn)的位置坐標(biāo);Spx1與Spy1為起始點(diǎn)與結(jié)尾點(diǎn)異常序列的起始點(diǎn)與結(jié)尾點(diǎn)的坐標(biāo)。

1.2 快速雙參數(shù)CFAR算法

傳統(tǒng)的雙參數(shù)CFAR檢測算法需要對整幅影像進(jìn)行遍歷,在遍歷較大或者大幅SAR圖像時(shí)需要消耗大量運(yùn)算資源,且花費(fèi)時(shí)間也較長,因此很難做到實(shí)時(shí)的檢測,也不利于自然災(zāi)害發(fā)生后快速獲取災(zāi)情信息。因此我們采用艾加秋等[22]及Ji等[23]提出的一種快速雙參數(shù)CFAR算法,該算法通過兩級全局濾波以及區(qū)域二值圖的局部雙參數(shù)CFAR算法來實(shí)現(xiàn)快速的圖像目標(biāo)檢測。其流程圖2所示。

圖2 快速雙參數(shù)CFAR算法流程圖Fig.2 Flow chart of fast two-parameter CFAR algorithm

綜上所述,本研究主要分為三個部分:(1)圖像的預(yù)處理;(2)對預(yù)處理后的圖像中的電塔建立空間關(guān)系模型;(3)在多條件約束和五個參數(shù)的組合下應(yīng)用空間推理方法。單極化SAR圖像中的非目標(biāo)物體和目標(biāo)物體的灰度特征非常相似,這可能導(dǎo)致錯誤的識別結(jié)果。鑒于上述問題,我們設(shè)計(jì)了一個完整的研究流程,如圖3所示。

圖3 基于空間特征量的空間推理方法流程圖Fig.3 Flow chart of the spatial reasoning method based on spatial feature quantities

2 實(shí)驗(yàn)

2.1 實(shí)驗(yàn)數(shù)據(jù)及研究區(qū)域

本文的研究區(qū)域?yàn)楦拭C省西北部的干旱區(qū)荒漠,使用的是ALOS-2衛(wèi)星數(shù)據(jù)。衛(wèi)星具體參數(shù)如表1所列。

表1 ALOS-2衛(wèi)星參數(shù)

研究區(qū)域內(nèi)分布了數(shù)以百計(jì)的風(fēng)力發(fā)電機(jī)、數(shù)以千計(jì)的配套設(shè)施以及干涸的河床、裸露的巖體等地物。我們選取了約25 km2的區(qū)域來進(jìn)行研究。研究區(qū)位置示意圖如圖4所示。

圖4 研究區(qū)位置示意圖Fig.4 Location of the study area

2.2 實(shí)驗(yàn)步驟

研究范圍內(nèi)雖然背景地物大部分為單一的荒漠,但是其中也分布著風(fēng)力發(fā)電機(jī)、電塔和電廠等建筑物以及裸露的巖體、干涸的河流等地形高亮點(diǎn)地物,如果僅僅采取FTP-CFAR算法來處理,提取與識別的結(jié)果中必然會混有大量的非目標(biāo)點(diǎn),導(dǎo)致目標(biāo)物識別精度較低,因此針對上述問題,如何將空間推理運(yùn)用到有序分布的構(gòu)筑物識別中去,并精確地將目標(biāo)地物與地形高亮點(diǎn)區(qū)分開來,極大地提高目標(biāo)識別的精度是本次實(shí)驗(yàn)的重點(diǎn)。

2.2.1 快速雙參數(shù)CFAR處理

FTP-CFAR算法處理結(jié)果如圖5所示?？梢钥吹?從原數(shù)據(jù)到結(jié)果數(shù)據(jù),建筑物的高亮區(qū)域被打散,而電塔則較為完整地被保留下來。此外,還有一些地形高亮點(diǎn)與電塔相互交叉的分布在一起,難以區(qū)分，所以我們對FTP-CFAR算法的窗口進(jìn)行了限制，以便其將大塊的地物除去。

圖5 快速雙參數(shù)CFAR算法處理結(jié)果Fig.5 Processing results using the fast two-parameter CFAR algorithm

2.2.2 空間推理處理

(1) 起始點(diǎn)的確立

建立空間關(guān)系是要首先確立一個遍歷的方向,我們從圖像的中間向四周遍歷,通過方法中起始點(diǎn)的遍歷窗口確定遍歷的起始點(diǎn)。起始點(diǎn)遍歷結(jié)果如圖6 (a)所示;FTP-CFAR算法的結(jié)果會導(dǎo)致有些電塔與地形高亮點(diǎn)相混淆,每一個序列會出現(xiàn)兩個或者多個極度相近的點(diǎn),如圖6 (b)所示。這會嚴(yán)重干擾目標(biāo)識別的精度以及后續(xù)的空間推理。

圖6 起始點(diǎn)遍歷結(jié)果Fig.6 Traversal results for starting points

(2) 空間關(guān)系的確立

二維空間中線性分布是最基本的分布形式,同時(shí)也是我們研究區(qū)內(nèi)電塔的分布形式。其最基本的參數(shù)為斜率與偏移量。因此本研究中我們提出了角度Tangle、偏移量Toffset以及距離Tdistance三種空間特征量來進(jìn)行電塔的識別。初始的識別結(jié)果如圖7所示。

圖7 第二點(diǎn)的遍歷結(jié)果Fig.7 Traversal results for the second point

為了使結(jié)果更加易懂,我們將起始點(diǎn)設(shè)置為o形,第二個點(diǎn)設(shè)置為*形。經(jīng)過實(shí)驗(yàn)計(jì)算,圖像上方電塔的Tangle范圍為45°到50°;圖像右側(cè)電塔的Tangle范圍為-68°到-70°以及-75°到-80°;圖像下方電塔的Tangle范圍為0°到3°,電塔之間的距離Tdistance在18至20個像素之間。

根據(jù)上一步得到的線性識別結(jié)果,我們可以對剩余的線性分布的點(diǎn)進(jìn)行后續(xù)的識別,三項(xiàng)空間特征量的約束足夠?qū)﹄娝姆植歼M(jìn)行檢索。電塔的最終檢測得到的結(jié)果如圖8(a)所示?？梢钥吹?大部分線性分布良好的構(gòu)筑物都被完好的檢測了出來,但是還有一些異常點(diǎn),由于三個特征量的不滿足,導(dǎo)致檢索停止,如圖8(b)。

圖8 電塔識別結(jié)果及異常Fig.8 Tower identification results and anomalies

有了上述的線性檢測結(jié)果,便能在二維空間中建立每一條線性分布線性的方程,然后將剩余的點(diǎn)代入到每個方程中去驗(yàn)證,并設(shè)置閾值來限定誤差。誤差越小則表示該點(diǎn)越有幾率屬于該線性。我們便可以將該點(diǎn)接入到線性中去,從而完成整條線性的識別。實(shí)驗(yàn)中我們將誤差規(guī)定在5個像素以內(nèi),得到的結(jié)果如圖9 (a)圖所示。我們可以看到,其檢索結(jié)果基本準(zhǔn)確。此外,由于受到誤差的限制,如圖9 (b)圖所示,與目標(biāo)構(gòu)筑物相互混雜在一起的地形高亮點(diǎn)被剔除出去,沒有被當(dāng)作目標(biāo)物而標(biāo)識出來。

圖9 電塔的后續(xù)檢測結(jié)果Fig.9 Subsequent test results of electric tower

(3) 空間推理實(shí)現(xiàn)

經(jīng)過上述步驟,我們已經(jīng)獲取了每一條線性分布目標(biāo)物的二維空間線性,也獲取到了每條線性的各項(xiàng)二維空間特征量。對那些沒有被FTP-CFAR算法檢測出來的目標(biāo)物進(jìn)行空間推理。由于后續(xù)的步驟在方法中我們已經(jīng)進(jìn)行了詳細(xì)的闡述,因此,在該部分我們只將推理的結(jié)果展示出來,結(jié)果如圖10所示。

圖10 電塔的推理結(jié)果Fig.10 Reasoning results of electric tower

2.3 實(shí)驗(yàn)分析

為了驗(yàn)證空間推理對于有序分布構(gòu)筑物的推理精度,我們對空間推理的結(jié)果進(jìn)行了兩種精度估計(jì),一種為推理結(jié)果與實(shí)際目標(biāo)點(diǎn)的數(shù)目差距精度,我們稱之為誤分率;另一種為推理正確的結(jié)果點(diǎn)坐標(biāo)與實(shí)際目標(biāo)點(diǎn)坐標(biāo)之間的距離差距,我們稱之為誤距風(fēng)險(xiǎn)。

2.3.1 誤分率

在本研究中我們?yōu)榭臻g推理方法所推理的數(shù)目結(jié)果精度提出了一種精度評價(jià)方法,其公式為:

(5)

式中:Ec為誤分率,它為常規(guī)方法的正誤分率與負(fù)誤分率之和;Cp代表兩種方法多識別出來的電塔的數(shù)目,它并不存在于原始的目標(biāo)點(diǎn)之中;Cm代表兩種方法沒有被識別出來的電塔的數(shù)目,存在于原始的目標(biāo)點(diǎn)之中。C為目標(biāo)點(diǎn)的實(shí)際數(shù)目。其具體數(shù)目如表2所列。

表2 誤分率對比

我們可以看到,電塔的空間推理方法結(jié)果的誤分率是非常低的。

2.3.2 誤距風(fēng)險(xiǎn)

我們提出誤距風(fēng)險(xiǎn)這一評價(jià)標(biāo)準(zhǔn)是為了評估空間推理方法所推理得到的結(jié)果與實(shí)際地物的偏差。它的風(fēng)險(xiǎn)大小取決于推理結(jié)果與實(shí)際目標(biāo)點(diǎn)的坐標(biāo)之間的距離。其公式如式(6)及結(jié)果如表3所列。

(6)

式中:RNDDP、DDR、CRN分別代表距離偏差像素?cái)?shù)的范圍、距離偏差風(fēng)險(xiǎn)和推理得到的電塔數(shù);(xp,yp)和(xo,yo)表示地物的實(shí)際坐標(biāo)和推理結(jié)果坐標(biāo)。

通過表3可以看到,在空間推理的誤距風(fēng)險(xiǎn)幾率中,低風(fēng)險(xiǎn)率基本在80%以上。這意味著,空間推理得到的結(jié)果坐標(biāo)與實(shí)際坐標(biāo)的偏差不大,基本能夠獲得地物的精準(zhǔn)地理空間信息,符合我們的實(shí)驗(yàn)預(yù)期。

表3 誤距風(fēng)險(xiǎn)

3 結(jié)論及下一步工作設(shè)想

在實(shí)驗(yàn)過程中發(fā)現(xiàn),單純的空間推理以及多條件推理下的結(jié)果具有高度依賴空間信息的特征,也就是說,預(yù)處理過程中獲得的空間信息越準(zhǔn)確其推理得到的結(jié)果則更精確。本次實(shí)驗(yàn)利用傳統(tǒng)方法對SAR圖像進(jìn)行初步識別,然后借助空間關(guān)系、空間特征以及空間推理方法來實(shí)現(xiàn)有序分布的孤立構(gòu)筑物的提取與推理。實(shí)驗(yàn)結(jié)果表明,采用本研究中的方法對有序分布的點(diǎn)目標(biāo)物的識別與推理有著良好的精度。因此,本文中的方法為幫助SAR圖像中有序分布的孤立構(gòu)筑物識別提供了一種有效的解決方法,同時(shí)也為震后快速的震害識別及震害評估提供了基礎(chǔ)。

需要說明的是,如果兩種地物的圖像特征比較相近,預(yù)處理中會將兩種地物都提取出來,造成后續(xù)的空間信息的誤判,導(dǎo)致其推理出來的目標(biāo)點(diǎn)與遠(yuǎn)點(diǎn)距離有大的差別,從而在誤距風(fēng)險(xiǎn)中出現(xiàn)高風(fēng)險(xiǎn)率;此外,實(shí)驗(yàn)中采用的FTP-CFAR算法對點(diǎn)狀目標(biāo)的識別與提取還有不少缺陷,還需要改進(jìn)方法;另外,在電塔的目標(biāo)識別中,空間約束推理保證了線性排列及數(shù)目,但是缺乏地形或環(huán)境影響,導(dǎo)致點(diǎn)數(shù)目過多的現(xiàn)象。因此,今后的工作重點(diǎn)是如何改進(jìn)預(yù)處理方法,使空間信息的特征提取更為準(zhǔn)確,如何令空間推理具有智能型,以適用于不同地形地貌環(huán)境。