基于视觉特征的SAR图像评估方法

肖舒文，李柏文，张 川，陈晓盼

(中国国防科技信息中心, 北京 100142)

·总体工程·

基于视觉特征的SAR图像评估方法

肖舒文，李柏文，张 川，陈晓盼

(中国国防科技信息中心, 北京 100142)

为了验证不同算法、模型、软件得到的仿真SAR图像的可靠性，文中提出一种基于专家视觉的SAR图像评估方法，从原始图像中提取视觉关注的目标亮度、轮廓和散射中心分布特征，利用极化映射积分得到差异度量指标，设计合成函数结合三种指标，获得可以准确反映SAR图像差异水平的评估结果。实例验证表明，该方法的性能明显优于现有方法，与专家视觉结果之间的平均误差仅为4.32%，两种结果曲线的相似性高达99.78%。

雷达目标特性；SAR图像；图像评估方法；视觉特征；极化映射

0 引 言

合成孔径雷达(SAR)具有探测距离远、穿透力强、全天候全天时观测等优点，已经广泛应用于军事、水文、遥感、地矿等领域[1]。由于实测SAR系统无法获取目标在任意操作条件下的SAR图像，SAR图像仿真成为重要的补充手段，对SAR系统设计、图像处理及目标识别等具有重要作用。目前，国内外学者已针对不同的应用，提出了多种SAR图像仿真算法，建立了各类目标仿真模型，积累了大量仿真SAR图像。为了验证这些算法、模型和图像的可靠性，推动它们在雷达相关领域的应用，必须对仿真SAR图像与参考图像(如实测图像或已验证的SAR图像等)进行比对，评估其一致性。

目前，雷达领域内的SAR图像评估通常采用基于图像或专家视觉的方法[2]。基于图像的方法主要沿用雷达散射截面(RCS)数据的评估指标，应用统计学中的均方误差[3]或相关系数[4]等方法对SAR图像进行比较。例如：文献[3]采用均方误差对比归一化SAR图像与参考图像之间的相似程度，比较不同相对辐射归一化方法对图像的矫正性能；文献[4]应用归一化交叉相关系数，比较坦克MSTAR实测和仿真图像的相似程度，评估典型地面车辆目标SAR图像仿真性能。这种采用统计学指标直接比较图像的方法可以反映SAR图像的整体差异水平，但具有鲁棒性，难以给出目标的具体差异，且差异无法溯源，不利于算法改进和模型修正。因此，当前的SAR图像评估仍多依赖于专家视觉，这种结合专家经验方法可靠性较高，但具有一定的主观性和不确定性，难以给出定量化结果。

由于现有方法均难以满足SAR图像评估的需求，本文设计了一种模拟专家视觉评估过程，并可由计算机自动实现的SAR图像评估方法：从SAR图像中提取专家视觉关注的目标亮度、轮廓和散射中心分布特征，利用极化映射积分将二维图像特征化为一维差异度量指标，设计合成函数综合三种指标，得到接近专家视觉的SAR图像评估结果。

1 现有方法对SAR图像的局限性分析

由于目前雷达领域缺乏权威的图像评估方法以及方法可靠性的评价手段，分析方法适用性的最有效方式即为与领域专家的视觉评估结果进行比较[5]。但是，由于SAR图像评估的专业性以及领域专家分布的分散性，大规模获取可信程度较高的专家调查结果一直比较困难。本文选取八组典型SAR图像设计调查问卷，涵盖国内外权威机构通过实测和仿真手段得到公开与未公开、相似程度各异的地海面目标SAR图像。其中，部分可公开的SAR图像如图1所示。调查对象共32人，包括雷达目标特性领域的资深从业人员27人(包括雷达目标特性知名专家、相关科研院所的技术骨干)以及从事雷达目标特性研究的博士生5人，其研究方向覆盖雷达目标特性建模、测量与应用三大主要领域。

图1 本文采用的SAR图像示例

本次调查采用国际上通用的验证评定量表(VRS)[6-7]，帮助专家使用共同的视觉度量尺度基准，从VRS中选择合适的定性解释(极好、很好、好、一般、差、很差)描述每组图像的相似程度。统计调查结果，获得专家结果的分布直方图。为了便于与现有方法验证结果比较，本文将专家结果直方图进行量化，获取每组数据相似程度的定量化结果。

为了分析现有图像评估方法的适用性，本文选取目前常用的均方误差和相关系数，以及由RCS数据验证方法衍生的Kolmogorov-Smirnov(K-S)分布、互信息量以及二维特征选择验证(2D-FSV)方法[8]对上述专家调查中的图像进行评估，并与专家定量化结果进行对比。结果表明，现有方法应用于SAR图像时均存在局限性，主要体现在以下两点：(1)现有方法没有考虑SAR图像间的空间相关性，例如K-S分布仅考虑图像像素的数值分布;(2)现有方法没有结合SAR图像本身的特点，例如均方误差、相关系数等方法过于鲁棒，未结合SAR图像背景占比高、轮廓易受噪声影响等特点。因此，受限于方法的评估原理，现有的图像评估方法均难以适用于SAR图像。

2 面向SAR图像的视觉特征评估方法

根据现有方法的局限性分析，适用于SAR图像的评估方法必须在完整保留图像之间的空间相关性的同时，准确把握SAR图像的自身特点。同时，为了模拟专家的视觉评估，还应当对专家重点关注的SAR图像特征进行分析。通过专家调查和相关文献调研，结合SAR图像目标识别的轮廓、阴影等常用特征，本文确定了专家视觉评估中的三个主要关注点：目标亮度、轮廓及散射中心分布。上述特征均与目标结构的电磁散射机理紧密相关，能够准确反映目标在尺寸、结构、材料等方面的差异。

基于上述分析，本文提出的SAR图像评估方法的流程如图2所示。(1)依据SAR图像的特点，通过频域分解、分水岭算法和阈值分割等手段，从SAR图像中提取目标亮度、轮廓及散射中心分布三种图像特征；(2)在确保空间相关性的情况下，利用极化映射积分将二维图像特征化为便于比较的一维差异度量指标；(3)根据专家视觉的评估习惯，设计函数合成三种度量指标，获得接近专家视觉的SAR图像评估结果。下面以图1b)为例，说明本文方法的具体步骤。

图2 本文方法的评估流程

2.1 图像视觉特征的提取

2.1.1 目标亮度特征提取

目标亮度是对图像中目标相似程度的整体感知。本文采用频域分解的方法，将SAR图像能量归一化、基于灰度配准后变换到频域，提取图像的直流及部分低频分量：直流频点表征亮度的大小，低频分量则代表亮度的整体分布。参照IEEE1597.1标准的能量截断方式，本方法提取以频域图像中心为圆心、以4个频点为半径。用于比较的原始图像以及从中提取的亮度特征图像如图3和图4所示。

图3 原始图像

图4 目标亮度特征图像

2.1.2 目标轮廓特征提取

目标轮廓是判定图像中目标相似程度的重要依据。本文选取数字图像处理中常用的分水岭算法(Watershed Method)对SAR图像进行分割。分水岭算法是一种基于数学形态学的分割方法，其基本思想是利用具有一定形态的结构元素，通过膨胀、腐蚀等形态学滤波手段提取图像中的感兴趣区域，具有与原始图像吻合度高、定位准确、计算速度快的特点。利用分水岭算法从图3中提取的目标轮廓图像如图5所示。

图5 目标轮廓特征图像

2.1.3 目标散射中心分布特征提取

目标散射中心表征目标强散射结构的位置和散射强度信息，是SAR图像评估的核心指标。由于散射中心的亮度通常很大，因此本文采用阈值分割的方法，首先读取图像中的最大亮度值，去掉低于此亮度50%的所有像素，此时可将目标的背景及亮度较暗的部分去除，如图6所示；然后计算剩余所有非0像素的均值，再将低于均值的所有像素点滤除，即去除所有的弱散射点；最终得到的目标散射中心分布如图7所示。

2.2 特征差异度量指标的生成

2.2.1 极化映射

极化映射(PM)是SAR图像目标识别中常用的方法，可以在保留有效识别信息的同时剔除冗余信息，提高目标识别的准确率，缩减运行时间和占用内存[9-10]。极化映射的示意图如图8所示[11]。

设SAR图像矩阵的直角坐标为(xk,yk)，映射到极坐标为(rm,θn)，两者之间的对应关系如式(1)所示。其中，(xc,yc)为目标重心，Nr、Nθ为从目标重心沿r向和θ向的采样点数，Δr和Δθ为沿r向和θ向的采样间隔。为了展现目标以其重心为圆心的全角度差异，本文取Nr=50，Nθ=360。Rmin为最小采样圆半径，一般设为0，Rmax为目标边缘各点到目标重心的最大值。

(1)

其中

rm=Rmin+(m-1)Δr,

θn=(n-1)Δθ,

按照式(2)对极化映射图像沿r向积分，并根据r向采样点数Nr作归一化处理，可得到极化映射积分曲线Iθ。

(2)

2.2.2 亮度和轮廓度量指标的生成

按极化映射的方法对图4、图5的目标亮度和轮廓特征图像进行极化映射，得到如图9所示的图像。依据式(2)积分得到表征目标亮度和轮廓的极化映射积分曲线I1、I2以及O1、O2，如图10所示。最终，可以由式(3)、式(4)得到图像的亮度和轮廓差异的归一化度量指标DI和DO，表征图像以其重心为轴的360°全方位差异，如图11所示。其中，Nθ为极化映射时沿θ向的采样点数。

图9 目标亮度和轮廓的极化映射

图10 亮度和轮廓的积分曲线

图11 归一化亮度和轮廓差异度量指标

(3)

(4)

2.2.3 散射中心分布度量指标的生成

为了保留散射中心之间的相对位置关系，将散射中心分布的二维图像相减后，直接极化映射积分得到差异度量指标曲线。由于不同目标的强散射中心分布面积大小往往不同，为了使度量结果不受面积差异的影响，应当在积分之前进行归一化。设图7中两幅图像的像素矩阵分别为S1和S2，按式(5)相减后得到散射中心分布差异图像diS。统计diS中不为0的像素点数NS，由式(6)计算得到归一化差异diS1(其中m和n分别为像素矩阵的行列数)，如图12a)所示，进而极化映射得到图12b)。最终，根据公式(7)积分得到散射中心分布的差异度量指标DS，如图13所示。

diS=|S1-S2|

(5)

(6)

(7)

图12 目标散射中心分布差异

图13 归一化散射中心分布差异度量指标

2.3 差异度量指标的合成

在SAR图像评估的过程中，专家对三种视觉特征的关注程度有所不同：专家通常对目标亮度不太关心，仅在两幅图像亮度差异极大时才会引起关注；而轮廓和散射中心分布则是专家非常关注的部分，两者都吻合时专家评价最高，仅两者之一吻合时专家评价也相对较好。因此，在SAR图像评估中，通常将轮廓和散射中心认为是主要因子，亮度仅作为辅助因子。设定合成函数时，将亮度DI设为对结果影响较小的加性因子，而轮廓DO和散射中心分布DS则设为影响较大的乘性因子

(8)

其中，由于DO和DS的均值通常在0.1左右，为了便于指数参数的调整，将其均乘以10调整到1附近。DO和DS作为乘性因子，分别做b和c次乘方后，与系数为a的加性因子DI相加，再通过开根号、乘以系数A1等方式与视觉匹配，得到评估结果S。此外，由于本方法结果均集中在0～1之间，而专家视觉的统计定量范围则为0～3.2，为了便于比较，利用式(9)将S映射到0～3.2之间。

Y=0.1×25S

(9)

经过多次试验与视觉匹配，得到最佳匹配参数为A1=0.618，a=0.88，b=1，c=1.25。

3 实例验证

为了验证本文提出的SAR图像评估方法的有效性，以专家调查结果为评价基准，利用本文方法和现有方法同时对专家调查中的8组图像进行验证，其结果如表1所示。

表1 专家、本文和现有方法的评估结果统计

由于各种方法计算结果的值域不同(如均方误差的结果区间为0～1，而专家评估则为0～∞)，直接比较方法的数值结果没有意义。因此，本文采用排序比较的方法，通过比较图像评估方法与专家结果间的排序差度量方法性能(例如图像组II在专家调查结果中排第2位，均方误差结果中排第4位，则排序差为-2)，如表2所示。其中，第1列为图像序号，其余列为8组图像采用该列第1行所示方法得到的数值结果排序。由表2可得，均方误差和相关系数的排序总差值分别为10和8， K-S分布、互信息量以及2D-FSV方法的总差值则分别达到18、16、16。而本文提出的方法则与专家结果排序完全一致，验证了方法的良好性能。

表2 方法排序以及与专家评估的排序差

图14给出本文方法与专家调查结果的数值曲线图(两者的值域相同)，两条曲线在数值和趋势上都十分接近，曲线相关系数高达99.78%，数值平均差异仅为4.32%。可以得出结论，本文方法的性能十分优异，不仅在排序上与专家结果完全吻合，在数值上也与专家结果非常接近。

图14 本文方法与专家评估结果对比

4 结束语

随着SAR图像仿真的广泛应用， SAR图像的一致性评估也得到了业内的普遍关注。鉴于公认评估方法的缺乏，本文首先通过雷达目标特性领域专家调查，获取用于方法有效性的评价基准，进而分析现有方法的局限性。随后，本文提出基于视觉特征的SAR图像评估方法，分别采用频域分解、分水岭算法和阈值分割的方法提取图像中的目标亮度、轮廓和散射中心分布特征，利用极化映射积分将二维图像特征化为一维差异度量指标，结合专家视觉设计合成函数将三种指标结合，最终得到全面反映图像差异的评估结果。最后，以专家视觉结果为基准对本文方法进行实例验证，并与现有方法进行对比，验证了本文方法对SAR图像评估的有效性。

[1] 吴良斌. SAR图像处理与目标识别[M]. 北京: 航空工业出版社, 2013. WU Liangbin. SAR image processing and target recognition[M]. Beijing: Aviation Industry Press, 2013.

[2] 胡利平, 董纯柱, 邢笑宇,等. SAR图像目标和阴影径向积分特征评估[J]. 电波科学学报, 2014, 29(2): 254-259. HU Liping, DONG Chunzhu, XING Xiaoyu, et al. An evaluation method of SAR images based on radial integral features of target and shadow[J]. Chinese Journal of Radio Science, 2014 ,29(2): 254-259.

[3] LO C P, YANG X. Relative radiometric normalization performance for change detection from multi-date satellite images[J]. Photogrammetric Engineering & Remote Sensing, 2000, 66(8): 967-980.

[4] 王 晨, 王军锋. 一种舰船目标SAR图像的仿真方案[J]. 信息技术, 2007(8): 130-132. WANG Chen, WANG Junfeng. A scheme for simulating SAR inrages of ships[J]. Information Technology, 2007(8): 130-132.

[5] 张 刚. 电磁仿真结果可信度FSV评估方法的关键问题研究[D]. 哈尔滨: 哈尔滨工业大学, 2014. ZHANG Gang. Research on key issues of FSV method used for credibility assessment of electromagnetic simulation result[D]. Harbin: Harbin Institute of Technology, 2014.

[6] IEEE Electromagnetic Compatibility Society. IEEE standard for validation of computational electromagnetics computer modeling and simulations[S]. IEEE STD 1597.1-2008. New York: IEEE Standards Assoclation, 2008.

[7] IEEE Electromagnetic Compatibility Society. IEEE recommended practice for validation of computational electromagnetics computer modeling and simulations[S]. IEEE Std. 1597.2-2010. New York：IEEE Standards Assoclation，2011.

[8] ORLANDI A, ANTONINI G, POLISINI C, et al. Progress in the development of a 2D Feature Selective Validation (FSV) method[C]// IEEE International Symposium on Electromagnetic Compatibility. [S.l.]: IEEE Press, 2008:1-6.

[9] 胡利平. 合成孔径雷达图像目标识别技术研究[D]. 西安: 西安电子科技大学, 2009. HU Liping. Study on SAR image target recognition[D]. Xi′an: Xidian University, 2009.

[10] KIM D H, SEO D K, KIM H T. Efficient classification of ISAR images[J]. IEEE Transactions on Antennas & Propagation, 2005, 53(5):1611-1621.

[11] PARK J, KIM K. Modified polar mapping classifier for SAR automatic target recognition[J]. IEEE Transactions on Aerospace and Electronic Systems, 2014, 50(2): 1092-1107.

肖舒文 女，1991年生，硕士研究生。研究方向为电磁仿真数据验证技术。

李柏文 男，1985年生，博士。研究方向为仿真模型验证。

张 川 男，1990年生，硕士研究生。研究方向为电磁建模。

陈晓盼 女，1962年生，研究员。研究方向为科学数据置信度。

A SAR Image Validation Method Based on Visual Features

XIAO Shuwen，LI Bowen，ZHANG Chuan，CHEN Xiaopan

(China Defense Science and Technology Information Center, Beijing 100142, China)

In order to validate the reliability of SAR simulation images from different algorithm, model and software, SAR image validation method is proposed based on experts' opinion. Firstly, the target's brightness, outline and distribution of scattering centers are extracted from original image. Secondly, these three features are transformed into metrics by polar mapping integral. Finally, the composite function is designed to get the accurate validation results. Experimental results show that the mean difference between this method and the experts' opinion is only 4.32%, and the correlation of two results' curves is up to 99.78%.

radar signature; SAR image; image validation method; visual features；polar mapping

10.16592/ j.cnki.1004-7859.2016.04.003

肖舒文 Email：xiaosw18@163.com

2015-11-13

2016-01-23

N958

A

1004-7859(2016)04-0015-05