基于改進(jìn)FCM的極化SAR圖像機(jī)場跑道區(qū)域檢測

王海松 鄭成學(xué) 趙洪鵬 郭子赫 程爭

摘? 要：該文提出了一種基于改進(jìn)FCM的極化SAR圖像機(jī)場跑道區(qū)域檢測方法。針對(duì)傳統(tǒng)FCM算法對(duì)噪聲敏感、未考慮相鄰像素間的關(guān)聯(lián)的問題，該文引入Wishart距離替代歐式距離，并用鄰域像素信息對(duì)原始隸屬度函數(shù)進(jìn)行加權(quán)，提高了算法的分類性能。接著根據(jù)跑道區(qū)域的弱散射特性從模糊聚類結(jié)果中提取感興趣區(qū)域。最后利用跑道的結(jié)構(gòu)特征對(duì)感興趣區(qū)域進(jìn)行辨識(shí)。實(shí)驗(yàn)結(jié)果表明，該文算法能夠有效檢測出機(jī)場跑道區(qū)域，結(jié)構(gòu)較完整。

關(guān)鍵詞：FCM? 極化SAR? 跑道區(qū)域檢測? 結(jié)構(gòu)特征? Wishart距離

中圖分類號(hào)：TN957? ? ? ? ? ? ? ? ? ? ? ? ? 文獻(xiàn)標(biāo)識(shí)碼：A? ? ? ? ? ? ? ? ? ? 文章編號(hào)：1672-3791（2020）09（c）-0011-03

Abstract： An improved FCM-based airport runway area detection method for polarimetric SAR image is proposed in this paper. Aiming at the problem that the traditional FCM algorithm is sensitive to noise and does not consider the correlation between adjacent pixels， Wishart distance is introduced to replace euclidean distance， and the original membership function is weighted with neighborhood pixel information， both of which can improve the classification performance of the algorithm. Then the regions of interest are extracted from the fuzzy clustering results according to the weak scattering characteristics of the runway region. Finally， the region of interest is identified by utilizing the structural features of runway. The experiment results show that the algorithm can effectively detect the airport runway area with complete structure.

Key Words： FCM; Polarimetric SAR; Runway area detection; Structure characteristics; Wishart distance

極化合成孔徑雷達(dá)（Polarimetric synthetic aperture radar， PolSAR）因其全天時(shí)、全天候的工作特性，以及可提供豐富的極化信息，在目標(biāo)檢測、地物探測、環(huán)境監(jiān)測、變化檢測等領(lǐng)域得到了廣泛應(yīng)用。機(jī)場是一項(xiàng)重要的軍用和民用基礎(chǔ)設(shè)施，其自動(dòng)檢測研究具有重要的應(yīng)用價(jià)值，受到了廣泛關(guān)注。目前機(jī)場檢測方法可以大致分為兩類：基于直線特征檢測的方法和基于圖像分類的檢測方法。但極化SAR圖像中存在強(qiáng)烈的相干斑噪聲，增加了直線特征提取的難度，使得前者的性能不甚理想[1-2]。后者先對(duì)圖像進(jìn)行分類，再提取感興趣區(qū)域，最后利用機(jī)場跑道的結(jié)構(gòu)特征對(duì)感興趣區(qū)域進(jìn)行辨識(shí)，確定機(jī)場跑道區(qū)域的位置。這種方法適用于復(fù)雜場景情形下機(jī)場跑道檢測。傳統(tǒng)的分類方法采用Wishart分類器對(duì)極化圖像分類，這種方式認(rèn)為像素只能隸屬于某一指定的類中。受成像分辨率的限制，圖像中的單一像素可能是多種地物的混合，硬性的劃分會(huì)導(dǎo)致像素的誤分類，進(jìn)而影響機(jī)場跑道檢測算法的性能。針對(duì)這個(gè)問題，該文擬采用改進(jìn)的模糊C均值（Fuzzy C-Means，F(xiàn)CM）算法先對(duì)原始極化圖像分類，以提高算法后續(xù)檢測的性能。

1? 算法描述

1.1 改進(jìn)的FCM算法

FCM算法具有簡單、易計(jì)算的特點(diǎn)，且不需要先驗(yàn)信息，在極化遙感圖像處理領(lǐng)域中得到了廣泛的應(yīng)用[3]。由于傳統(tǒng)的FCM算法未考慮像素的鄰域信息，其對(duì)含噪聲嚴(yán)重的圖像進(jìn)行分類時(shí)，結(jié)果不甚理想。并且傳統(tǒng)的FCM算法采用歐氏距離作為像素與類中心的非相似性測度，學(xué)者們研究表明歐式距離并不適用于極化SAR數(shù)據(jù)。針對(duì)以上問題，該文對(duì)FCM算法進(jìn)行了兩點(diǎn)改進(jìn)：首先是根據(jù)極化SAR數(shù)據(jù)服從復(fù)Wishart分布的特性，采用Wishart距離替代歐式距離;其次是根據(jù)像素與其鄰域像素具有相關(guān)性的特點(diǎn)，引入像素的鄰域信息到目標(biāo)函數(shù)中，提高算法對(duì)噪聲的魯棒性。

1.2 感興趣區(qū)域提取

研究表明，機(jī)場跑道區(qū)域具有弱散射隨機(jī)特性，其在圖像中呈暗色。因此該文在利用改進(jìn)的FCM對(duì)原始極化SAR圖像迭代聚類結(jié)束后，根據(jù)分類結(jié)果，計(jì)算各類的平均功率。然后找出最小功率對(duì)應(yīng)的類別標(biāo)簽，將該類中的像素作為感興趣區(qū)域。由于河流、道路、海洋等與機(jī)場跑道區(qū)域的散射特性相似，因此提取的感興趣區(qū)域中包含一些干擾目標(biāo)，需要進(jìn)一步辨識(shí)。

1.3 感興趣區(qū)域辨識(shí)

在整個(gè)機(jī)場區(qū)域中，跑道具有穩(wěn)定且典型的特征。因此該文采用跑道的結(jié)構(gòu)特征[5]，如長寬、直線特征，對(duì)感興趣區(qū)域進(jìn)行辨識(shí)，確定機(jī)場跑道區(qū)域的位置。

2? 實(shí)驗(yàn)結(jié)果與討論

為了驗(yàn)證該文算法的性能，采用了真實(shí)的極化SAR數(shù)據(jù)進(jìn)行實(shí)驗(yàn)。實(shí)驗(yàn)數(shù)據(jù)由美國UAVSAR系統(tǒng)在Gulfcoast地區(qū)采集的，圖像分辨率為7.2m×4.9m（距離向×方位向），大小為800×1000，如圖1（a）所示。實(shí)驗(yàn)結(jié)果如圖1（b）～（d）所示。從圖1（b）中可以看出，經(jīng)過改進(jìn)的FCM算法對(duì)極化SAR圖像聚類后，機(jī)場跑道區(qū)域與周圍地物大致可以區(qū)分出來。圖1（c）是感興趣區(qū)域的提取結(jié)果，從圖中可以看出，提取的機(jī)場跑道區(qū)域結(jié)構(gòu)比較完整。但是圖中包含了河流、道路等與機(jī)場散射特性相似的干擾目標(biāo)，需要進(jìn)一步辨識(shí)。采用機(jī)場跑道的結(jié)構(gòu)特征對(duì)感興趣區(qū)域進(jìn)行辨識(shí)，結(jié)果中只保留了機(jī)場跑道區(qū)域，干擾目標(biāo)被篩選剔除了，如圖1（d）所示。整個(gè)檢測流程耗時(shí)113.27s，檢測速度較快。

3? 結(jié)語

該文采用Wishart距離替代歐氏距離，并引入像素的鄰域信息改進(jìn)了傳統(tǒng)的FCM算法，提高了算法對(duì)極化SAR圖像的分類性能。接著根據(jù)機(jī)場跑道的散射特性提取感興趣區(qū)域，并用跑道的結(jié)構(gòu)特征對(duì)感興趣區(qū)域進(jìn)行篩選，確定了跑道區(qū)域的最終位置。對(duì)UAVSAR系統(tǒng)采集的數(shù)據(jù)進(jìn)行實(shí)驗(yàn)，結(jié)果驗(yàn)證了算法檢測的有效性。

參考文獻(xiàn)

[1] Nengyuan LIU， Zongyong CUI， Zongjie CAO， et al. Airport Detection in Large-scale SAR Images via Line Segment Grouping and Saliency Analysis[J]. IEEE Geoscience and Remote Sensing Letters， 2018，15（3）：434-438.

[2] Wentao LV， Kaiyan DAI， Long WU， et al. Runway Detection in SAR Images Based on Fusion Sparse Representation and Semantic Spatial Matching[J]. IEEE Access，2018（6）：27984-27992.

[3] Zheng CHENG， Ping HAN， Binbin HAN， etal. Classification of Polarimetric SAR Image based on Improved Fuzzy Clustering[C]//2019 Asia-Pacific Signal and Information Processing Association Annual Summit and Conference （APSIPA ASC）.2019：584-589.

[4] Licheng Jiao， Fang Liu. Wishart Deep Stacking Network for Fast POLSAR Image Classification[J]. IEEE Transactions on Image Processing， 2016，25（7）：3273-3286.

[5] 程爭，韓萍，韓紹程.基于RFCM的PolSAR圖像機(jī)場跑道區(qū)域檢測方法[J].中國民航大學(xué)學(xué)報(bào)，2019，37（5）：30-34.

[6] 盧曉光，藺澤山，韓萍，等.自適應(yīng)無監(jiān)督分類的PolSAR圖像機(jī)場跑道區(qū)域快速檢測[J].遙感學(xué)報(bào)，2019，23（6）：1186-1193.