基于改进FCM的极化SAR图像机场跑道区域检测
来源:用户上传
作者:王海松 郑成学 赵洪鹏 郭子赫 程争
摘 要：该文提出了一种基于改进FCM的极化SAR图像机场跑道区域检测方法。针对传统FCM算法对噪声敏感、未考虑相邻像素间的关联的问题，该文引入Wishart距离替代欧式距离，并用邻域像素信息对原始隶属度函数进行加权，提高了算法的分类性能。接着根据跑道区域的弱散射特性从模糊聚类结果中提取感兴趣区域。最后利用跑道的结构特征对感兴趣区域进行辨识。实验结果表明，该文算法能够有效检测出机场跑道区域，结构较完整。
关键词：FCM 极化SAR 跑道区域检测 结构特征 Wishart距离
中图分类号：TN957 文献标识码：A 文章编号：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
极化合成孔径雷达（Polarimetric synthetic aperture radar， PolSAR）因其全天时、全天候的工作特性，以及可提供丰富的极化信息，在目标检测、地物探测、环境监测、变化检测等领域得到了广泛应用。机场是一项重要的军用和民用基础设施，其自动检测研究具有重要的应用价值，受到了广泛关注。目前机场检测方法可以大致分为两类：基于直線特征检测的方法和基于图像分类的检测方法。但极化SAR图像中存在强烈的相干斑噪声，增加了直线特征提取的难度，使得前者的性能不甚理想[1-2]。后者先对图像进行分类，再提取感兴趣区域，最后利用机场跑道的结构特征对感兴趣区域进行辨识，确定机场跑道区域的位置。这种方法适用于复杂场景情形下机场跑道检测。传统的分类方法采用Wishart分类器对极化图像分类，这种方式认为像素只能隶属于某一指定的类中。受成像分辨率的限制，图像中的单一像素可能是多种地物的混合，硬性的划分会导致像素的误分类，进而影响机场跑道检测算法的性能。针对这个问题，该文拟采用改进的模糊C均值（Fuzzy C-Means，FCM）算法先对原始极化图像分类，以提高算法后续检测的性能。
1 算法描述
1.1 改进的FCM算法
FCM算法具有简单、易计算的特点，且不需要先验信息，在极化遥感图像处理领域中得到了广泛的应用[3]。由于传统的FCM算法未考虑像素的邻域信息，其对含噪声严重的图像进行分类时，结果不甚理想。并且传统的FCM算法采用欧氏距离作为像素与类中心的非相似性测度，学者们研究表明欧式距离并不适用于极化SAR数据。针对以上问题，该文对FCM算法进行了两点改进：首先是根据极化SAR数据服从复Wishart分布的特性，采用Wishart距离替代欧式距离;其次是根据像素与其邻域像素具有相关性的特点，引入像素的邻域信息到目标函数中，提高算法对噪声的鲁棒性。
1.2 感兴趣区域提取
研究表明，机场跑道区域具有弱散射随机特性，其在图像中呈暗色。因此该文在利用改进的FCM对原始极化SAR图像迭代聚类结束后，根据分类结果，计算各类的平均功率。然后找出最小功率对应的类别标签，将该类中的像素作为感兴趣区域。由于河流、道路、海洋等与机场跑道区域的散射特性相似，因此提取的感兴趣区域中包含一些干扰目标，需要进一步辨识。
1.3 感兴趣区域辨识 在整个机场区域中，跑道具有稳定且典型的特征。因此该文采用跑道的结构特征[5]，如长宽、直线特征，对感兴趣区域进行辨识，确定机场跑道区域的位置。
2 实验结果与讨论
为了验证该文算法的性能，采用了真实的极化SAR数据进行实验。实验数据由美国UAVSAR系统在Gulfcoast地区采集的，图像分辨率为7.2m×4.9m（距离向×方位向），大小为800×1000，如图1（a）所示。实验结果如图1（b）～（d）所示。从图1（b）中可以看出，经过改进的FCM算法对极化SAR图像聚类后，机场跑道区域与周围地物大致可以区分出来。图1（c）是感兴趣区域的提取结果，从图中可以看出，提取的机场跑道区域结构比较完整。但是图中包含了河流、道路等与机场散射特性相似的干扰目标，需要进一步辨识。采用机场跑道的结构特征对感兴趣区域进行辨识，结果中只保留了机场跑道区域，干扰目标被筛选剔除了，如图1（d）所示。整个检测流程耗时113.27s，检测速度较快。
3 结语
该文采用Wishart距离替代欧氏距离，并引入像素的邻域信息改进了传统的FCM算法，提高了算法对极化SAR图像的分类性能。接着根据机场跑道的散射特性提取感兴趣区域，并用跑道的结构特征对感兴趣区域进行筛选，确定了跑道区域的最终位置。对UAVSAR系统采集的数据进行实验，结果验证了算法检测的有效性。
参考文献
[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，韩萍，韩绍程.基于RFCM的PolSAR图像机场跑道区域检测方法[J].中国民航大学学报，2019，37（5）：30-34.
[6] 卢晓光，蔺泽山，韩萍，等.自适应无监督分类的PolSAR图像机场跑道区域快速检测[J].遥感学报，2019，23（6）：1186-1193.
转载注明来源:https://www.xzbu.com/8/view-15360885.htm
