峰值能量比在SAR图像目标鉴别中的应用研究
2017-03-28，，，
，， ，
(中国电子科学研究院，北京 100041)
0 引 言
SAR图像目标鉴别的主要任务是保留目标区域的同时，尽可能剔除目标检测后存在的大量杂波虚警，以减少后续目标分类或识别的代价。SAR成像体制下，目标和杂波虚警散射特征的差异使两者呈现出不同的特征[1-6]。因此，基于特征选取是实现SAR图像目标鉴别的一条重要途径。目前SAR图像鉴别领域使用的几十个特征，大部分是由林肯实验室、美国陆军实验室、卡耐基梅隆大学、马里兰大学等机构提出[1]。
峰值能量比(Peak Power Ratio，PPR)便是其中之一，该特征反映了目标区域中像素点强度值的分布情况，即：杂波图像的强度值分布相对比较均匀，而目标图像的强度值集中分布在强度值最大的几个点上。因而由目标图像计算得出的峰值能量比要大于自然杂波图像的计算结果。
PPR定义如下：计算目标区域中k个最亮像素的强度值之和占图像中所有像素点强度值总和的百分比。
依此，可以利用图像峰值能量比的这一特性去掉那些只含自然杂波的ROI。通过训练数据设定一个合适的阈值T，则PPR鉴别算子的判定方法为:
峰值能量比在SAR 目标鉴别中应用广泛，是常用的鉴别算子之一，计算简单，物理意义清晰。不过关于PPR的专门讨论并不多见，现有资料大多直接给出一个经验数值。但是这些经验数据是在什么情形下得出的，适合于什么情形均没有给出明确的解释。至于如何使用PPR算子以及它的失效风险更是没有提及。针对这些问题，通过对现有实测SAR图像数据进行分析比较，对PPR的参数选择进行定性、定量的分析，给出一些参数选择的指导性建议。在此基础上，提出一种PPR迭代使用策略，并通过实测的样本数据进行仿真验证。
1 多类样本的“峰值能量比”比较研究
1.1 样本采集
在某型雷达获得的多幅实测SAR图像中，按照1500×1200像素大小在原图中截取水泥地、草地、疑似目标、城市建筑、农田、林地6类图像切片。其中采集到水泥地、草地、疑似目标、城市建筑图像各29幅，农田、林地图像各6幅。后续将根据切片采集数量不同分为两类进行计算。6类SAR图像切片示例如图1所示。
图1 不同地物目标SAR图像切片
1.2 样本计算
针对(a)-(f)六类切片，分别按照最亮像素占全图像素比例的75%、50%、40%、30%计算相应的PPR值。六类切片的PPR均值计算结果见表1。
表1 不同比例像素PPR计算结果均值
综合各地物目标PPR计算结果和表1的PPR均值，可以得出以下结论：
(1)水泥地和草地的PPR均值不论采用哪种比例去计算，均可以和其他四类明显区分开来；
(2)水泥地均比草地的PPR均值高0.02左右，也可以区分开；
(3)农田类背景只有当最亮元素比例低于40%才可以和其他三类背景区分开(疑似目标、城市建筑、林地)；
(4)疑似目标、城市建筑、林地在表中所示的比例下区分有一定的难度。
1.3 比较分析
1.3.1 不同比例PPR计算分析
根据各地物目标PPR计算结果得出上述(1)-(4)的结论，只能说明PPR算子的一个方面。因此，我们选取(a)-(d)四类切片，分别按照最亮像素占全图比例的75%、50%、40%、30%计算的PPR值进行进一步的比较分析。4种地物目标不同比例下的PPR计算结果如图2。
图2 四种地貌不同比例最亮像素PPR结果比较
图2显示的是4类采集样本在不同比例下的比较结果图。图2显然可以印证结论(1)和(2)的正确性。但是如何将疑似目标和城市建筑区分开？那个比例可以更可靠地区分水泥地和草地？仅用图2的分析还是不够的。
如前所述，含有人工目标的图像能量往往集中在少数一些峰值点中。考虑到我们此次采集的城市建筑主要是楼群，具有整齐均匀的几何规律性，因此，图像能量分布较均衡。基于此，我们分析，随着最亮像素比例的减少，疑似目标和城市建筑区分度会随之提高。为了进一步区分疑似目标和城市建筑，采用最亮像素占全图比例为10%进行试验，试验结果如图3所示。
图3 疑似目标和城市建筑PPR结果比较
从图3中可以看出，城市建筑的PPR值较为稳定基本落在0.4-0.5之间。而疑似目标的PPR则分别落在0.47-0.55和0.35-0.45两段区域内。对疑似目标的图像切片进行分析后，发现落在0.47-0.55区域的疑似目标面积相对较大，而落在0.35-0.45区域的疑似目标面积明显变小。由此，可以在使用PPR算子之前，先使用面积算子筛选一次，再逐类使用PPR算子，这样可以使得PPR算子的区分度显著提高。
由于缺乏实测数据，针对(e)-(f)的两类切片采集的较少，因此，单独对这两类进行计算，仍然按照图中亮度最高的75%、50%、40%、30%计算相应的PPR值，计算结果如图4所示。
图4 四种地貌不同比例PPR结果比较
图4显示，农田和林地在最亮元素低于40%后，且比例逐渐降低时区分能力明显增强，这种趋势和图3显示的结果是一致的。对比图1的SAR采样切片，也可以说明这一情况。
1.3.2 不同比例PPR计算耗时比较分析
针对(a)-(f)四类切片，分别按照图中亮度最高的75%、50%、40%、30%计算相应的PPR值，六类切片的PPR计算平均耗时如表2。
采用本文所选样本计算比例75%时，耗时13毫秒上下；比例50%时，计算耗时10毫秒上下；比例40%时，在9毫秒上下；比例30%时，在7毫秒上下。从计算结果可以看出，计算耗时仅与最亮像素选择的比例相关，且随着比例增高计算耗时延长，而与计算的背景无关。
表2 不同比例PPR计算耗时平均值(单位：ms)
2 “峰值能量比”迭代使用测试
根据上面的计算和比较分析，本文提出一种峰值能量比的迭代使用方法。该方法基本思想是，首先采用运用一次峰值能量比将能量较低的自然背景类杂波和能量较高的含疑似目标、城市建筑、林地、农田等分开，然后再分别对这两类再用一次峰值能量比，继续细分。如此反复多次运用，直至不再能区分。
2.1 测试条件及参数设置
按照2.1节论述的办法，采集水泥地、草地、疑似目标、城市建筑、农田、林地6类图像切片各3张，作为测试样本，对本节提出的策略进行验证。将18张切片按随机顺序放置，分别按照50% 、10%、5%的比例去计算，相应的判决阈值取0.8、0.5和0.3(这些取值数据根据前面对训练样本的比较分析获取)。最后求取疑似目标切片的个数。具体计算结果如下(为了结果展示更加明晰，输出结果时，按照切片类别做了排序)。
2.2 测试步骤及结果
测试试验中PPR计算过程如下：
(1)首先采用分析得到的经验数据50%和0.8对所有的切片进行计算，PPR大于0.8的均认为可能包含目标，PPR 小于0.8的被认为是自然地物杂波剔除；
(2)对步骤(1)中PPR大于0.8的切片计算，这次采用10%和0.5，结果只有一个切片的PPR大于0.5，除此之外其他的PPR区分度也不太好，因此需要进行第三次PPR计算；
(3)采用5%和0.3对步骤(1)中PPR大于0.8的切片计算，结果发现有2组(6个)切片的PPR值大于0.3，因此，这6个切片被认定为疑似目标。
表3 测试试验结果
测试结果表明，通过多次迭代使用PPR计算后，疑似目标较单次使用PPR减少了50%。在此基础上，后期结合使用其他鉴别算子，疑似目标切片的鉴别准确度会进一步提高。
3 结 语
在试验中我们取目标区域中最亮75%、50%、40%、30%，甚至有个别90%、10%个像素中包含的能量与目标区域总能量的比值为PPR。测试了大量的不同地物目标区域，以50% 为例，数据表明大部分自然杂波区域的PPR集中在0.7到0.8之间，同样的设置下含有目标及人造杂波区域其PPT值基本在0.8-0.9。通过本文的计算和分析，得出一些PPR使用和参数选择的指导性建议，具体如下：
(1)PPR需要逐次分类使用，首次使用PPR先将自然背景和人造背景区分开，再次使用PPR区分不同自然背景和不同人造背景；
(2)结合其他算子使用PPR，如：可以在使用面积算子的基础上再使用PPR；
(3)综合考虑计算耗时和区分度，区分自然背景和人造背景时，最亮像素比例选50%，阈值选0.8较为合适；
(4)逐次使用PPR时，自然背景选择比例向高调，人造背景选择比例向低调；
(5)在某些强能量背景环境下(林地、城市建筑、包含人造目标的区域等)PPR区分度不太好，要谨慎使用。
值得指出的是：由于我们采集到的SAR图像切片数量有限，种类也不够丰富，且试验条件单一，得出的结论有一定的局限性。
[1] 高贵. SAR图像目标ROI自动获取技术研究[D]. 长沙：国防科学技术大学, 2007.
[2] 刘长清，陈博等. 基于仿真SAR和SVM分类器的目标识别技术研究[J] . 中国电子科学研究院学报，2016，11(3)：257-262.
[3] Dudgeon D E, et al. An overview of automatic target recognition [J].The Lincoln Laboratory Journal, 1993,6(1):2-10.
[4] Dudgeon D E, et al. Discriminating Targets from Clutter. The Lincoln Laboratory Journal, 1993,6(1):25-51.
[5] Novak L M, et al. The automatic target-recognition system in SAIP [J]. The Lincoln Laboratory Journal,1997, 10(2): 187-202.
[6] 李禹. SAR图像机动目标检测和鉴别技术研究[D]. 长沙：国防科学技术大学，2007.
