从sar图像阴影中提取信息

基于SAR图像阴影的信息提取摘要在解释SAR图像时斑点噪声的存在带来相当大的挑战。尽管有非常高的分辨率，提供与现代SAR系统，但是以自动化和安全操作方式从SAR图像提取可靠的情报仍然面临着相当大的困难。就没有斑点和在成像中没有失真而言，阴影区域在SAR图像中是独一无二的。本文提出了一系列的工作，旨在利用SAR图像阴影中的信息。早期的工作着眼于阴影特性与目标特征相结合以得到单看图像。这可以提供更好的目标分类，并提出了一种可以估测城市建筑高度的方法。不管怎样，在多角度俯视图中，SAR图像阴影以被证明确实有效。单独使用阴影描述，在一系列SAR图像不同视角得出的信息被结合在一起，以提供对建筑规模非常可靠的明确的估计。另一个非凡的成功是，在SAR图像阴影中对于运动目标的检测。在SAR图像中运动目标的图像时模糊和扭曲的，这使得检测运动目标变得很困难，如果不是不可能。但是，目标阴影是不失真的。最初的结果及短时期的数据已经成功得复制，用于检测更大时间范围的目标。在所有这些情况下性能将会收到影响，即在杂波背景较弱，动态范围较窄或者不同物体阴影重叠的情况下。然而，本文突出了目标检测和城市场景分析定位的应用范围，在此应用范围，SAR阴影已经被证明能够提供一种很有效的从图像提取信息的方式。关键词：SAR阴影检测分类城市分析运动目标Ⅰ引言合成孔径雷达（SARs）是能够为在具有高地区覆盖率和全天候的特性的广袤区域范围的静态物体和地形提供极其精确的图像。SAR能在横向达到一个非常高的空间分辨率，远远超过了使用一个较小物理雷达可以达到的程度。SAR系统记录了雷达脉冲作为平台沿着它的飞行路径和进展过程综合沿轨道脉冲天线长度远比实际的物理天线的长度。本文实现一个更窄的光束宽度合成器，此合成器可以产生很好的横向分辨率。图1显示的是一个典型的SAR图像的例子。这幅图由奎奈蒂克公司的X波段SAR系统提供，此图是一副关于一块大约类似是汽车停车场的区域的SAR图像。这一单幅图像中特写的假彩色部分显示，这其中存在大量的汽车状物体。高分辨率提供了大量详细的场景，然而，车辆图像不承担相似的光学图像。有斑点噪声，这使得它难以描绘图像，因为哪怕是很小的视角的变化都可能在雷达回波是导致大的波动。图2从四个不同的角度对单一对象的SAR图像进行了比较，结果显示了在真实数据中观测到的信号波动程度。这样的从物体上返回的实际雷达信号波动给从被观测对象中提取信息提出了巨大的挑战。然而，在场景中的对象也产生SAR图像中的阴影。这是因为该对象遮挡了一块本应受到雷达波束持续覆盖的区域。从而在此阴影区域没有接受到波束的反射回波。阴影区域是没有斑点的，因此不表现那种波动，那种来自于对象的直接能量性反射波动。因此，阴影可以提供对观测对象更强有力的表征。阴影的这种鲜明特征所带来的好处，使得它们在利用雷达图像分析方面具有特别地吸引力。本文描述了一些最近的技术,已经发展到使用阴影SAR成像中提取信息。第用主动轮廓（统计蛇）模式识别技术在嘈杂的图像确定阴影边界这一方法将被讨论。第二种技术将描述阴影信息会怎样被应用于评估建筑物的规模。特别是，使用从多个方面的图像来获得更准确的估计通过三维活动轮廓方法将呈现。通过三维活动轮廓的方法，使用多个方面的图像来获得更准确的估计这一方式将被呈现。第三种技术将演示只依靠阴影信息，在一个时间序列的SAR图像中运动目标是如何被检测出的。事实上，移动目标本身是不可见的，因为他们的多普勒结合SAR图像的形成过程意味着它们不会出现在他们的图像中的正确位置。然而，他们的阴影仍然存在，可以检测和跟踪，从而提供了一个用于探测移动目标的手段。图1高分辨率SAR图像例子这项技术所描绘的都只是一些特定的例子，演示了如何利用SAR图像的阴影信息从事图像分析和解释。特别地，这种技术向我们突出地描述了这种获得于多重透视几何的优势。ⅡSARATR利用阴影特性基于特征分类的一个重要前提是给从背景杂波过程分离出目标和它可能的影子描述轮廓的过程。一旦目标和它的影子已经划定,那么目标特征是可以衡量的,例如,形状属性和像素统计数据。这些特性将被用于区分目标。一个活跃的轮廓过程(称为统计蛇)是用来估计目标轮廓[2]。标准的主动轮廓技术是基于轮廓，并使用像素的梯度在图像中分离的目标和杂波；不幸的是，在SAR图像斑点呈现梯度法无效。相反，一个区域的轮廓的方法[3]使用，采用噪声统计像素分离的目标和阴影的背景杂波，并且已被证明是非常有效的。活动轮廓或“蛇”由点连接在一起，形成一个多边形的节点。这条蛇是最开始只在大约一个目标探测和节点随机移动。如果此举引起分界改善，那么它会被保存，否则将被丢弃，节点搬回到其先前的立场。当没有更多的改进可以通过任何节点的进一步动作获得，进程将被终止。图2同一汽车目标四个不同角度的SAR图像蛇的成功取决于是否划分是比以前更好，以及它如何能够确定。优化过程中使用了两个形成鲜明对照的措施。一个是蛇措施只适用于蛇的形状，目的是为了最大限度地减少蛇的外围。第二个是一个数据衡量,这种模型的分布区域内部和外部的轮廓是负面的指数(斑)分布和发现的最大似然边界的位置。阴影的计算是采用一种类似于目标计算的方法。这是不允许的跨越目标的，它不使用任何像素内的目标蛇的可能性计算。根据最初开始沿发射方向的目标蛇以及给蛇形状造成偏差的权重因子，所以它更可能是长而且细的。阴影蛇也是有约束的，此约束为阴影像素的平均值必须小于回地面像素的平均值。一个典型的例子，所得结果与蛇描述如图3所示,两个目标和阴影区域已经成功地划定。划定过程中采用超过360度范围内收集的9种不同的车辆高分辨率机载SAR图像。分别使用360幅和110幅测试机组测试每个目标。通过使用支撑向量机并和基于多变量高斯型极大似然分类比较后得到分类性能。随着目标像素统计SVM的目标和阴影形状特征使用了54.8％，仅好于通过ML分类获得的51.8%的正确分类。阴影区可以使得通过分类获得的特性数目增多。需要进一步努力，以建立功能，将更好地描述目标属性，并且因而提高分类性能的最佳选择。Ⅲ建筑规模的获取城市的SAR图像包含了非常高程度的复杂性，这是由于存在多种不同风格类型的建筑和基础设施。建筑物的高度和宽度测量将可能被用于描绘辨别建筑物图3sar目标切片图像（左边）及标记出目标和阴影区域的轮廓图像类型。从建筑[4]雷达阴影的大小，可以得到这样的测量数据。图4显示了蛇划定建筑物的结果，从黑暗的阴影区域（蓝色轮廓）分离出明亮的建设区域（红色轮廓）。这使得在一副单一图像中，依据SAR图像阴影的高度和宽度来估计建筑物规模成为可能。然而，这样的估计是有争议的。在涉及到不同屋顶类型的情况时，这种估计会导致多种可能结果。结合从不同的方面角度得到的测量，可以帮助解决这些含糊之处，并提供对建筑规模更确切的估计。随着斜视成像技术的发展，使通过单次扫描获得一定数量的多角度图像变为可能。这就给出了如图4的结果。即使平台只在0度，90度，180度和270度有四个独立的支架，但几乎可以获得任意角度的对于描绘建筑大小的估计。并且阴影的长度估计会更与建筑物长度吻合。这就再次强调了阴影在本质上比研究对象的SAR图像更值得信赖。图4分离出(红色)建设和(蓝色)阴影区域的图像建筑的蛇描述代替独立的执行自主的界定每个图像，一个更为健壮的方法是用来执行关于所有可用的图像的同步界定。该技术同时包括多个有效轮廓的演变，并且最先在最大的程度上发展去解决描述多个目标距离的问题。当描绘多个目标的时候，为了限制合理的自由度的数量，模型控制轮廓的的概念被介绍了，在这里模型改变了蛇的模型。被称为多个假说描述的一个新技术被发展了，轮廓能够同时在许多国家被发展。这在收敛时间和描述精度上导致了相当大的改进。对于城市问题，城市规模所决定的简单的线框模型改变了建筑。众议院模型用于预测在所有嵌入的图像和控制活动的轮廓,这描绘出了图像序列。该算法不断调整房子的参数,直到有效的轮廓达到最佳的图像描述。图5绘制成为成像轴承的功能的建筑长度(红色)子的长度(黑色)的估计（a）（b）图6房子模型（a）线框模型（b）相容于模式的建筑形式图6a展示了适用于房子的简单的线框模型。虽然该模型很简单，能适应各种不同的建筑，见图6b。在这里适合于一个露台的房屋,一个单一的房子和公寓的显示。这房子是由一组多边形描述的，这些多边形本身是由一系列顶点描述的。这个描述可以方便地进行扩展,以适用更为复杂结构的模型。在确定带有一个序列图像的最佳匹配模型，分析表明它足以一起使用建筑的阴影和忽略实际的建筑回报。阴影的计算包括三个阶段。首先，使用雷达照明向量每个房子的顶点都会被投射到地平面，第二阶段由一系列投影点的凸包的计算构成。两个维度的一系列点的凸包是包含所有点的最小凸多边形，而且在使用“包装”算法时是使用的。在最后阶段，房子的根基从凸包中被移除去确保房子的自身雷达阴影区排除阴影。结果是一个包含一系列阴影点的地平面上的多边形。图7给出了来源于被一系列的SAR图像与不同光照角度覆盖的模型的计算。图8显示了市区划定的工具，它包含了整个算法的截图。左边是线框表示的房子和所有的内部控制。左下角包含一个电流房子参数表。右边的窗口包含了被房屋阴影覆盖的SAR图像。最终的房屋CAD模型的优化后生产出来的界定过程应该严格匹配大厦的形状,并引起了图像中返回。该算法进行了测试使用一个城市的场景真实SAR数据，并提供合理准确的估计，这些估计是在68％至115％范围内对实际建筑尺寸估计。图7sar图像上房子的覆盖阴影Ⅳ使用阴影方法对运动目标进行检测SAR图像序列中运动目标的检测是另一个例子证明阴影特别有用。移动目标的SAR图像是模糊不清楚的和散焦的，并且相较于目标本身的正确位置是有偏离的。这也使得他们难以由其直接的能源回波中检测而出。图9a显示的是一些正在通过矿道的目标的SAR图像。所有目标都是不可见的。但是仔细观察可以发现有一些拉长的阴影，这阴影沿轨道向下延伸，并且大致出现在其预期的位置。因此，尽管目标图像是有位移偏离并且有些扭曲，但阴影仍然在真正的目标位置。这些来自一个单一的图像的阴影检测容易引起比较高几率的误报。这些阴影区域不能和物体的图像协同定位。这些物体通常是一些静态物体而且它们很容易和一些大小相近的低反射簇区域产生混淆。然而，在一个序列的SAR图像上目标阴影是紧紧跟踪观测对象的动作，与此同时杂波区域依旧保持不变。一系列斜视模式成像处理单通获得焦点图像，动画电影的效果显然是肉眼可见。创建这样的电影可以使得运动目标相当精准地找到各自的运动阴影。这种电影有时也被称为是“视频SAR”。视频SAR的创建来源于不同的图像，或者可以是由不同传感器信息综合得到。然而，对于运动目标检测而言，图像需要在目标位置重叠足够多次才能确保形成轨道。检测过程自动化通过一种新的阴影变化检测技术实现的。这种技术可以在背景分布将目标阴影识别为异常值。背景是通过一系列SAR图像得出，这些SAR图像又是由一些对齐的时间平均图像得来。每一张SAR图片都要除以相应的参考背景图像。这个比率图像强调了图像中这一部分，该部分转换成多重面图8城区轮廓的屏幕截图工具貌同时抑制场景的静态元素。应用在比例图像中的标准SAR预筛选方法可以提供绘图侦测，通过轨道滤波后，这种绘图侦测用来显示活动目标的有效轨道。图9b显示的是在原始SAR图像的基础上进行阴影检测后的输出，未绘图检测部分（红点和绿线部分）和轨道输出部分（蓝十字部分）。对总共16张聚束式SAR图片进行处理，可以检测到移动目标源，并对其进行精确定位。基于SAR阴影技术不仅仅局限于检测类似基于多普勒技术只能在雷达径向范围内移动的目标。由于这种技术是不依赖于目标的直接能量返还，它还可能非常有效的检测可能出现的隐藏目标。基于比例图片的变检测过程不总是用来描绘目标阴影的完整程度（比如，在图9b中被检测的两个目标的实际阴影程度远长于如图中检测到的绿色线阴影长度）。一种基于活动轮廓的描述处理方法相较于过去常常使用的城市描绘对可用运动目标阴影（a）（b）图9包含运动目标的sar图像（a）和被阴影检测