楊凱陟，程英蕾

(空軍工程大學(xué)電訊工程學(xué)院，陜西西安710077)

SAR圖像中含有豐富的紋理信息，不同的目標(biāo)粗糙度呈現(xiàn)出不同的紋理特征。目前，僅靠圖像的灰度值對SAR圖像信息進(jìn)行提取精度較低。研究表明［1－4］，紋理輔助圖像的灰度會(huì)提高圖像信息提取的精度。為高精度地提取SAR圖像中的有用信息，有必要研究SAR圖像的紋理提取和選擇方法?；诨叶裙采仃嚨募y理特征提取方法，是一個(gè)經(jīng)典的統(tǒng)計(jì)分析方法，對紋理的細(xì)節(jié)性和隨機(jī)性描述較好，具有適應(yīng)性強(qiáng)的特點(diǎn)。但多數(shù)研究對此方法只是概括說明，并未對提取窗口的大小、特征量的組合以及步驟等具體的細(xì)節(jié)進(jìn)行深入分析和研究。文中提出了一種具體的基于灰度共生矩陣的SAR圖像紋理特征提取方法，分析得到了灰度共生矩陣的最佳窗口尺寸、位移向量以及紋理特征量。針對SAR圖像的仿真實(shí)驗(yàn)顯示具有較好的目標(biāo)描述效果。

1 基于灰度共生矩陣的紋理特征提取

1.1 圖像預(yù)處理

通常SAR圖像具有斑點(diǎn)噪聲，在對圖像進(jìn)行紋理特征提取之前通常先選擇合適的濾波算法，抑制圖像的斑點(diǎn)噪聲。綜合濾波效果和運(yùn)算量等因素，文中直接采用文獻(xiàn)［5］提出的自適應(yīng)中值濾波方法，其基本思想是中值濾波，且濾波窗口的大小根據(jù)圖像局部的灰度值進(jìn)行自適應(yīng)調(diào)整。

由于灰度共生矩陣的大小與圖像的灰度級相關(guān)，若圖像的灰度級多，那么對應(yīng)的灰度共生矩陣將為階相應(yīng)也高，這樣計(jì)算量太大。因此，在消噪的基礎(chǔ)上還需要對目標(biāo)圖像進(jìn)行灰度級壓縮處理［6］。

1.2 灰度共生矩陣及其特征量

灰度共生矩陣是建立在估計(jì)圖像的二階矩組合條件概率密度函數(shù)基礎(chǔ)上的，研究圖像中的兩個(gè)像素組合的灰度配置情況，是最具代表性的二階統(tǒng)計(jì)紋理特征計(jì)算方法［7］。

設(shè)d是一個(gè)位移向量(dr，dc)，其中，dr是行方向的位移;dc是列方向的位移;設(shè)I是灰度值的集合，灰度共生矩陣Cd定義如下

將共生矩陣的值規(guī)范到0和1之間，這樣可以將這些數(shù)值理解為概率。

在計(jì)算灰度共生矩陣的基礎(chǔ)上，可以通過計(jì)算各種參數(shù)來描述紋理特征，如下是幾種常用的紋理描述:

(1)角二階矩。

它是圖像灰度分布均勻性或平滑性的度量。當(dāng)Cd［i，j］中的數(shù)值分布較集中于主對角線附近時(shí)，說明從局部區(qū)域范圍內(nèi)觀察圖像的灰度分布是角均勻的，即圖像呈現(xiàn)較粗的紋理，相應(yīng)的角二階矩值較大，反之較小。

(2)熵。

熵給出一個(gè)圖像內(nèi)容隨機(jī)性的度量。當(dāng)Cd［i，j］中的數(shù)值均相等時(shí)，熵最大，反之，Cd［i，j］的數(shù)值之間差別很大時(shí)，熵較小。

(3)對比度。

對于粗紋理，Cd［i，j］的數(shù)值較集中于主對角線附近。因此，(i－j)的值較小，所以對比度也較小。相反，對于細(xì)紋理則相對具有較大的對比度。

(4)均勻性。

均勻性能刻畫局部區(qū)域的紋理特征，是區(qū)分不同目標(biāo)的重要度量。

(5)相關(guān)度。

j］。此統(tǒng)計(jì)量是用來描述Cd［i，j］中行(或列)元素之間相似程度的，是圖像灰度線性關(guān)系的度量。

(6)均值。

其中，I是圖像的灰度級數(shù)。

(7)方差。

1.3 紋理特征量選擇

根據(jù)灰度共生矩陣計(jì)算出的紋理特征描述眾多，Haralick等人曾提出14種［8］，如果將眾多特征描述量全部進(jìn)行實(shí)驗(yàn)，則運(yùn)算量非常大，時(shí)效性也差。文中首先針對SAR圖像特點(diǎn)和實(shí)際軍事應(yīng)用，結(jié)合具體軍事目標(biāo)的先驗(yàn)知識，分析并選取較好的特征量。

文中選擇美國加利福尼亞州中國湖空軍基地的SAR圖像進(jìn)行實(shí)驗(yàn)，如圖1所示，圖像大小為522×446，重點(diǎn)關(guān)注草坪周圍的機(jī)場跑道。跑道一般是由水泥混凝土或?yàn)r青筑成，其特點(diǎn)是連續(xù)、各向同性、均勻且較光滑，在SAR圖像中的灰度值較小;而草坪相對粗糙，均勻性較差，在SAR圖像中略亮。由上分析，選取描述平滑性好的ASM、描述隨機(jī)性強(qiáng)的ENT、描述紋理粗細(xì)程度高的CON、描述灰度線性關(guān)系的COR和均勻性HOM作為區(qū)分跑道與草坪的特征量更合理。

圖1 研究區(qū)SAR圖像

1.4 紋理特征的提取

在提取SAR圖像特征前，采用自適應(yīng)中值濾波算法對其進(jìn)行噪聲抑制處理，中值濾波器最大窗口大小為7×7，濾波結(jié)果如圖2所示。之后，將圖像的灰度級由原來的128級壓縮至64級，以減少后期特征提取的計(jì)算量。

圖2 噪聲抑制后的SAR圖像

由于共生矩陣Cd［i，j］的值與所選取的位移向量(dr，dc)有較大關(guān)系，并且在同一幅圖像上，不同的目標(biāo)其紋理尺度可能不相同，而且根據(jù)同一灰度共生矩陣計(jì)算出的各紋理特征統(tǒng)計(jì)量之間，具有很強(qiáng)的相關(guān)性。因此，利用基于灰度共生矩陣的紋理特征輔助SAR圖像分類，合適的位移向量、尺寸的窗口，以及紋理特征選擇，是影響分類精度的重要因素。本文針對圖像中的典型的軍事目標(biāo)，詳細(xì)分析位移向量、窗口尺寸以及紋理特征組合對分類影響，在進(jìn)行大量仿真實(shí)驗(yàn)的基礎(chǔ)上獲取了最佳選則。

2 實(shí)驗(yàn)結(jié)果分析

2.1 SAR圖像特征提取與選擇方法

本例所研究的SAR圖像中，機(jī)場跑道是主要軍事目標(biāo)。目的是通過選擇合適的位移向量、合適尺寸窗口以及紋理特征，將跑道與背景更好得區(qū)分開來。按照前述步驟的具體分析和實(shí)驗(yàn)過程如下:

(1)在經(jīng)過預(yù)處理的圖像中，分別在跑道和背景中隨機(jī)選取數(shù)個(gè)子圖像塊，作為研究樣本。如圖2所示，在背景區(qū)b1，b2，b3，b4以及跑道區(qū)m1，m2，m3，m4，m5，m6，m7，m8等處分別選取大小為92×88，42×87，55×71，65×33，14×34，28×19，18×20，18×31，15×16，13×26，14×16，20×13的子圖像塊。

(2)設(shè)定窗口大小范圍為3×3到13×13，位移向量(dr，dc)∈{0，1，2，3，4，5}×{0，1，2，3，4，5}，分別計(jì)算各樣本在每個(gè)窗口大小和位移向量下的ASM值。

(3)將背景區(qū)和跑道區(qū)樣本的ASM值進(jìn)行統(tǒng)計(jì)，計(jì)算出兩區(qū)域ASM的平均值之差。

(4)選取兩區(qū)域ASM平均值之差最大的一組，分別做出背景區(qū)和跑道區(qū)ASM的統(tǒng)計(jì)直方圖，觀察直方圖的分布狀況。如果兩部分的直方圖沒有重疊或重疊部分極少，那么ASM可作為此圖像的一種紋理特征描述量，并且在此時(shí)的窗口大小和位移向量下效果最佳;如果兩部分的直方圖有較大重疊，說明根據(jù)ASM不能很好地區(qū)分出跑道和背景，那么ASM就不能作為此圖像的紋理特征描述量。

(5)采用同樣的方法，分析ENT、CON、COR和HOM，并進(jìn)行計(jì)算。

2.2 實(shí)驗(yàn)結(jié)果

按上述分析，用Matlab進(jìn)行仿真實(shí)驗(yàn)，得到如下結(jié)果:

(1)在窗口尺寸為3×3，位移向量為時(shí)，兩組樣本的ASM平均值之差最大為0.05。統(tǒng)計(jì)直方圖如圖3所示，兩組直方圖有重疊部分，但重疊部分?jǐn)?shù)量極少，對區(qū)分兩組樣本影響不大，所以，ASM可作為此圖像的一種紋理特征描述量。

圖3 統(tǒng)計(jì)直方圖

(2)在窗口尺寸為13×13，位移向量為時(shí)，兩組樣本的CON平均之差值最大，為22.93。統(tǒng)計(jì)直方圖如圖4所示。兩組樣本的統(tǒng)計(jì)直方圖幾乎全部重疊，故根據(jù)CON不能區(qū)分出跑道和背景，CON不能作為此圖像的紋理特征描述量。本實(shí)驗(yàn)的最優(yōu)窗口尺寸達(dá)到了設(shè)定的上限，如果窗口尺寸范圍更大，效果可能會(huì)好。但由于在所選的SAR圖像中，跑道中最窄區(qū)域的寬度只有13個(gè)像素，所以窗口尺寸的上限只能到13×13。

圖4 統(tǒng)計(jì)直方圖

(3)在窗口尺寸為5×5，位移向量為時(shí)，兩組樣本的COR平均值之差最大，為1.57。同樣，直方圖有極少量重疊，但不足以影響對目標(biāo)的區(qū)分，可以將COR作為此圖像的一種紋理特征描述量。

圖5 統(tǒng)計(jì)直方圖

(4)在窗口尺寸為13×13，位移向量為時(shí)，兩組樣本的ENT平均值之差最大，為0.41。統(tǒng)計(jì)直方圖如圖6所示。兩組樣本的ENT的統(tǒng)計(jì)直方圖沒有重疊部分，所以ENT可作為此圖像的一種紋理特征描述量。

圖6 統(tǒng)計(jì)直方圖

(5)在窗口尺寸為3×3，位移向量為(1，0)時(shí)，兩組樣本的HOM平均值之差最大為0.14。統(tǒng)計(jì)直方圖如圖7所示。兩組樣本的HOM統(tǒng)計(jì)直方圖基本全部重疊，故根據(jù)HOM不能區(qū)分出跑道和背景，HOM不能作為此圖像的紋理特征描述量。

圖7 統(tǒng)計(jì)直方圖

3 結(jié)束語

基于灰度共生矩陣的圖像紋理特征提取方法，是SAR圖像紋理特征提取的有效方法，也是影響SAR圖像分類精度的重要因素［10－12］。根據(jù)不同的目標(biāo)紋理尺度，可選擇適當(dāng)尺寸的窗口和位移向量計(jì)算灰度共生矩陣。文中研究了紋理特征篩選和窗口尺寸以及位移向量選擇的問題，在不同的窗口尺寸和位移向量下，樣本紋理特征的分布及其平均值的相差程度。通過對機(jī)場跑道和草坪背景這兩種典型目標(biāo)的紋理特征選擇與分類實(shí)驗(yàn)，得到有效地區(qū)分這兩個(gè)目標(biāo)的3種紋理特征，取得了較好的效果。

［1］ 解洪勝，張虹，徐秀．SVM和DT－CWT的紋理圖像分類方法研究［J］．中國礦業(yè)大學(xué)學(xué)報(bào)，2007，36(6):773－778．

［2］ 張劍清，佘瓊，潘勵(lì)．基于LBP/C紋理的遙感影像居民地變化檢測［J］．武漢大學(xué)學(xué)報(bào):信息科學(xué)版，2008，33(1):7－11．

［3］ 陳志鵬，鄧鵬．紋理特征在SAR圖像變化檢測中的應(yīng)用［J］．遙感技術(shù)與應(yīng)用，2002，17(3):162－166．

［4］ 方圣輝，朱武．輔以紋理特征的SAR圖像分類研究［J］．測繪通報(bào)，2001(10):94－97．

［5］ RAFAEL C G，RICHARD E W，STEVEN L E．Digital image processing using Matlab［M］．阮秋琦，譯．北京:電子工業(yè)出版社，2009．

［6］ 李海權(quán)，胡召玲，孫陟文，等．基于紋理的SAR圖像居民地信息提取［J］．遙感應(yīng)用，2008，96(4):56－79．

［7］ 胡召玲．多源多時(shí)相衛(wèi)星遙感圖像數(shù)據(jù)融合與應(yīng)用研究［M］．徐州:中國礦業(yè)大學(xué)出版社，2006．

［8］ 宋建社，鄭永安，袁禮海．合成孔徑雷達(dá)圖像理解與應(yīng)用［M］．北京:科學(xué)出版社，2008．

［9］ 鄭揚(yáng)，俞能海．基于共生矩陣的SAR圖像村莊識別方法［J］．計(jì)算機(jī)仿真，2008，25(3):206－209．

［10］ ESLAMI R，RADHA H．Wavelet－based contourlet transform and its ap plication to image coding［C］．Singapore:Proc of IEEE International Conference on Image Processing，2004．

［11］ DO M N，VETTERLI M．Contourlet:a directional multiresolution image representation［C］．Singapore:IEEE ICIP，2002．

［12］ 李虞，劉軍．高分辨率SAR圖像機(jī)動(dòng)目標(biāo)紋理特征提取與分析［J］．電子信息學(xué)報(bào)，2008，30(12):2809－2812．