涂尚坦,張久玲,鄒 飛,莊 磊

(1.上海衛(wèi)星工程研究所,上海 201109; 2.北京遙感信息研究所,北京 100192)

?

基于信息可視化技術(shù)的SAR圖像目視解譯方法研究

涂尚坦1,張久玲1,鄒 飛2,莊 磊1

(1.上海衛(wèi)星工程研究所,上海 201109; 2.北京遙感信息研究所,北京 100192)

為解決傳統(tǒng)合成孔徑雷達(dá)(SAR)圖像目視解譯的困難，對一種基于信息可視化技術(shù)的SAR圖像目視解譯方法進(jìn)行了研究?；诜蔷€性流形學(xué)習(xí)理論的維數(shù)約減技術(shù)，對原始單極化和多極化SAR圖像進(jìn)行特征提取和數(shù)據(jù)挖掘，通過基于極化數(shù)據(jù)變換的特征和基于極化目標(biāo)分解獲取SAR圖像本征特征，選擇利于用戶應(yīng)用的特征在彩色空間編碼重構(gòu)出SAR信息圖像提供給判讀員進(jìn)行解譯。給出了基于信息可視化技術(shù)的SAR圖像目視解譯框架。多種應(yīng)用結(jié)果表明：該法能挖掘并顯示出大量圖像中隱含的信息，產(chǎn)生的特征圖像較原始SAR圖像更符合人眼視覺，可有效解譯SAR圖像。

合成孔徑雷達(dá)； SAR圖像； 目視解譯； 特征提取； 信息可視化； 流形學(xué)習(xí)； 維數(shù)約減； 拉普拉斯特征映射

0 引言

SAR是自20世紀(jì)50年代起發(fā)展的一種主動式微波成像系統(tǒng)。作為一種對地觀測系統(tǒng)，SAR不受光照、氣候等自然條件的限制，能穿透一定厚度的遮蔽物，且具較高分辨率和較大觀測范圍的數(shù)據(jù)獲取能力，在自然環(huán)境保護(hù)、國土資源利用、自然災(zāi)害監(jiān)測、水文探測、城市規(guī)劃等民用領(lǐng)域，以及國家安全、軍事環(huán)境監(jiān)測、軍事偵察、電子對抗等國防領(lǐng)域中有十分重要的作用[1-2]。近年來，隨著機(jī)載和星載SAR系統(tǒng)的快速發(fā)展，SAR圖像信息應(yīng)用也隨之迅猛發(fā)展。單極化SAR圖像是在某一個(gè)特定極化方向上利用目標(biāo)的散射回波進(jìn)行成像，它只表征目標(biāo)散射的幅值特性，圖像表現(xiàn)形式為每像素對應(yīng)一個(gè)幅值。多極化SAR圖像通過多種極化方向的組合，根據(jù)不同極化通道的散射回波在幅值和相位上均存在差異的特性，獲得同時(shí)包含幅值和相位的目標(biāo)回波信息，從而揭示和描述目標(biāo)的極化散射機(jī)制，其圖像表現(xiàn)形式為每像素對應(yīng)一個(gè)極化散射矩陣。傳統(tǒng)的SAR圖像目視解譯針對單極化SAR圖像數(shù)據(jù)或多極化SAR圖像的每個(gè)極化通道圖像數(shù)據(jù)以灰度圖的形式顯示給圖像判讀員進(jìn)行解譯。由于SAR圖像是由電磁波的散射回波通過一定的成像方式形成的，與光學(xué)遙感圖像相比其可讀性較差，且回波中攜帶的大量信息在常規(guī)SAR圖像中是不可見的[3]?；谛畔⒖梢暬夹g(shù)的SAR圖像目視解譯，能挖掘并篩選出有利于用戶特定應(yīng)用的SAR圖像內(nèi)蘊(yùn)特征，而科學(xué)可視化的手段可將這些特征以更符合人眼視覺的角度呈現(xiàn)為特征圖像，因此與傳統(tǒng)SAR圖像相比更利于目視判讀和解譯。該方法可顯著豐富SAR圖像的觀測空間，能挖掘出圖像中隱含的大量信息并顯示給判讀員，是一種有效的SAR圖像目視解譯手段。為此，本文研究了一種基于信息可視化技術(shù)的SAR圖像目視解譯方法，通過對原始SAR圖像進(jìn)行特征提取和數(shù)據(jù)挖掘，獲取不同觀測空間的SAR圖像特征，進(jìn)而對特征進(jìn)行選擇和組合，并可視化顯示給判讀員進(jìn)行解譯。

1 單極化SAR圖像特征

在傳統(tǒng)單極化SAR目標(biāo)電磁波散射特性研究中，目標(biāo)的雷達(dá)散射截面(RCS)是一種使用最廣的特征量，它是一個(gè)描述目標(biāo)對電磁波散射效率的量，表征了目標(biāo)散射場與入射場間的幅值變換特性[4]。但RCS缺乏對目標(biāo)回波相位和極化特性的表征，一景單極化SAR圖像，其圖像數(shù)據(jù)為單一的幅值數(shù)據(jù)，它僅以目標(biāo)回波能量大小表征目標(biāo)的特性。但除本身的灰度信息外，一景圖像還包含了統(tǒng)計(jì)、紋理、形狀等能從不同觀測空間反映目標(biāo)特性的信息，因此提取出這些信息并經(jīng)過選擇和組合，用可視化的方法顯示成圖像，可使判讀員從不同的觀測空間對該景圖像進(jìn)行判讀和解譯。

常用的表征單極化SAR圖像特征有：

a)統(tǒng)計(jì)特征(直方圖、局部均值、局部方差、局部相對標(biāo)準(zhǔn)差、分布參數(shù)等)；

b)紋理特征(權(quán)秩填充比、灰度共生矩陣(GLCM)特征、Tamura特征、高斯馬爾可夫隨機(jī)場(GMRF)特征等)；

c)形狀特征及各種綜合特征(尺度不變轉(zhuǎn)換(SIFT)特征等)。

不同的特征從不同的角度反映了目標(biāo)特性，如局部均值反映了目標(biāo)的平均幅值，局部方差反映了目標(biāo)的內(nèi)部起伏，權(quán)秩填充比反映了目標(biāo)的邊緣細(xì)節(jié)信息，SIFT特征反映了目標(biāo)本身的形狀結(jié)構(gòu)信息。

2 多極化SAR圖像特征

極化SAR通過測量地面每個(gè)分辨單元內(nèi)的散射回波，并用其極化散射矩陣或Stokes矩陣進(jìn)行數(shù)據(jù)表征，將目標(biāo)散射的能量特性、相位特性和極化特性統(tǒng)一，相對完整地描述了雷達(dá)目標(biāo)的電磁散射特性。目標(biāo)的極化散射特性與其形狀結(jié)構(gòu)有本質(zhì)聯(lián)系，因此通過對目標(biāo)極化散射特性的分析和研究可獲得目標(biāo)介電常數(shù)、粗糙度、對稱性、取向等性質(zhì)，從而實(shí)現(xiàn)目標(biāo)的分類、檢測和識別等應(yīng)用[5-7]。為有效地從極化SAR圖像數(shù)據(jù)中提取出目標(biāo)的極化散射特性，除極化數(shù)據(jù)本身的表征(極化散射矩陣、Stokes矩陣等)外，還需通過采用對數(shù)據(jù)的變換和分解等途徑獲得更利于體現(xiàn)目標(biāo)本身性質(zhì)的極化表征，通常稱為極化特征。

因?qū)O化數(shù)據(jù)采用的變換和分解的方法不同，提取出的極化特征也復(fù)雜多樣。本文將常用的極化特征分為兩大類：一類是基于極化數(shù)據(jù)變換的極化特征；另一類是基于極化目標(biāo)分解的極化特征。其中：極化數(shù)據(jù)變換特征主要通過針對各通道的幅值、強(qiáng)度、相位以及之間的差值比例關(guān)系描述SAR圖像中的目標(biāo)，此類特征具較全面的統(tǒng)計(jì)特性；極化目標(biāo)分解特征主要通過對極化散射矩陣、極化協(xié)方差矩陣或極化相干矩陣從目標(biāo)的物理散射機(jī)制角度進(jìn)行分解而得到，該類特征能更清晰地反映不同目標(biāo)的不同物理散射機(jī)制。

2.1 基于極化數(shù)據(jù)變換特征

常用的基于極化數(shù)據(jù)變換的特征主要有以下7種。

a)后向散射系數(shù)：從各通道回波能量的角度反映不同目標(biāo)的散射特性。

b)極化總功率：從所有通道回波總能量的角度反映不同目標(biāo)的散射特性。

c)極化比：包括同極化比和交叉極化比，反映不同目標(biāo)對應(yīng)不同通道間強(qiáng)度比的差異。

d)相位差：包括同極化和交叉極化相位差，反映不同目標(biāo)對極化波散射時(shí)相位的影響。

e)相關(guān)系數(shù)：同極化相關(guān)系數(shù)反映了不同目標(biāo)HH，VV通道間的不同相關(guān)程度。

f)去極化比：反映了交叉極化通道與同極化通道間的功率比，對不同目標(biāo)該特征反映了不同的交叉極化分量與同極化分量的比例關(guān)系。

g)極化度：反映了極化波的極化程度。

由上述極化數(shù)據(jù)變換特征可知：不同的特征分別從目標(biāo)的總能量、各極化通道的能量、能量絕對值、能量比、能量相關(guān)性、通道相位差，以及極化程度等角度進(jìn)行表征，對這些特征分別觀察或有選擇性地組合觀察，就能得到不同觀測空間的結(jié)果。

2.2 基于極化目標(biāo)分解特征

極化目標(biāo)分解理論是為更好地解譯極化數(shù)據(jù)而發(fā)展的，它有助于利用極化散射矩陣解釋散射體的物理機(jī)理，促進(jìn)對極化信息的充分利用。根據(jù)目標(biāo)散射特性的變化與否，極化目標(biāo)分解方法大致可分為兩類：一類是針對目標(biāo)散射矩陣的分解，要求目標(biāo)的散射特征為確定或穩(wěn)態(tài)的，散射回波是相干的，稱為相干目標(biāo)分解；另一類是針對極化協(xié)方差矩陣、極化相干矩陣、Mueller矩陣或Stokes矩陣的分解，此時(shí)目標(biāo)散射可以是非確定或時(shí)變的，回波可以是非相干或部分相干的，稱為非相干目標(biāo)分解。

常用的相干目標(biāo)分解方法包括Pauli分解、SDH分解、Cameron分解和SSCM分解等。這類分解方法主要是基于極化散射矩陣的分解，應(yīng)用時(shí)，通常要求目標(biāo)的散射矩陣是確定不變或穩(wěn)態(tài)的，其要點(diǎn)是將任意散射矩陣表示成基本目標(biāo)的散射矩陣之和的形式，這些基本散射矩陣可與某種確定的散射機(jī)理聯(lián)系，

(1)

式中：Si為每個(gè)基本目標(biāo)的散射矩陣；SHH，SHV，SVH，SVV分別為目標(biāo)對H(或V)極化入射波散射為H(或V)極化散射回波的能力，且均為復(fù)數(shù)(即包含了散射幅值和相位)；ci為各基本目標(biāo)散射矩陣的權(quán)重。

但對自然界中復(fù)雜目標(biāo)或非確定性目標(biāo)，目標(biāo)散射特性呈現(xiàn)很強(qiáng)的變化性，復(fù)雜目標(biāo)對入射波的散射可視作一個(gè)隨機(jī)過程，對此類目標(biāo)散射特性的描述需采用統(tǒng)計(jì)的方法，常用集合平均的方法先獲得能表征目標(biāo)散射特性的極化協(xié)方差矩陣C、極化相干矩陣T等，再將其分解成基本目標(biāo)的二階描述子的加權(quán)組合，給出一種更容易的物理解釋

(2)

(3)

式中：Ci，Ti為表基本目標(biāo)的二階描述子；pi，qi為基本目標(biāo)二階描述子的權(quán)重；A=SHH+SVV；B=SHH-SVV；C=2SHV；符號〈 〉表示取圖像中以該元素為中心的鄰域窗口內(nèi)元素的均值，上標(biāo)*表示共軛。常用的非相干目標(biāo)分解方法有Huynen分解、Cloude分解、Freeman分解和Holm & Barnes分解等。

3 SAR圖像信息可視化

基于信息可視化技術(shù)的SAR圖像目視解譯，采用面向特征的SAR圖像信息可視化技術(shù)，針對多源SAR圖像(單極化與多極化)從微波散射物理模型、圖像數(shù)據(jù)和目標(biāo)及場景特征進(jìn)行特征提取，通過特征選擇和維數(shù)約減等進(jìn)行數(shù)據(jù)挖掘獲取用戶感興趣的信息成分，對用科學(xué)可視化方式(特征歸一化及權(quán)重調(diào)整、直方圖均衡、顏色空間彩色編碼方案等)重構(gòu)出SAR信息圖像并顯示給判讀員進(jìn)行目視解譯?；谛畔⒖梢暬夹g(shù)的SAR圖像目視解譯框架如圖1所示。其中：首先針對原始SAR圖像通過特征變換和分解提取出各種特征信息，獲得相應(yīng)的SAR原始特征集，如單極化SAR圖像的統(tǒng)計(jì)特征、紋理特征，多極化SAR圖像的極化數(shù)據(jù)變換特征、極化目標(biāo)分解特征等；其次針對SAR原始特征集，根據(jù)具體的應(yīng)用需求選擇合適的特征，組成SAR有效特征集，如SAR圖像目標(biāo)檢索應(yīng)用中適合待檢索目標(biāo)的特征、SAR圖像地物覆蓋分類應(yīng)用中利于區(qū)分地物的特征等；再次對SAR有效特征集采用合適的可視化方式進(jìn)行合成獲得SAR信息圖像，如采用RGB，YCbCr等顏色空間彩色編碼方案；最后判讀員根據(jù)SAR信息圖像進(jìn)行目視判讀，實(shí)現(xiàn)對SAR圖像的目視解譯。

圖1 基于信息可視化技術(shù)的SAR圖像目視解譯框架Fig.1 Framework of SAR image visual interpretation based on information visualization

在SAR圖像信息可視化過程中，通過特征選擇和維數(shù)約減處理挖掘出用戶感興趣的特征是一項(xiàng)關(guān)鍵步驟。對單極化SAR圖像，單一像素點(diǎn)僅包含目標(biāo)的散射回波能量信息，而對多極化SAR圖像，每個(gè)像素點(diǎn)對應(yīng)一個(gè)極化散射矩陣，從中可提取出大量的極化散射特征(如各極化通道的幅值、相位，Cloude分解得到的散射熵、平均散射角，Huynen分解中的目標(biāo)對稱性因子、局部曲率差、目標(biāo)螺旋性等)。此外，對單極化或多極化SAR圖像，以每個(gè)像素點(diǎn)的鄰域作為一個(gè)特征提取對象，均能提取出如均值、方差等幅值特征，灰度共生矩陣等紋理特征，形狀直方圖等形狀特征。綜上可見，從SAR圖像中能提取出大量的原始特征，這些特征構(gòu)成一高維的觀測特征空間。為去除掉特征間的冗余性，保留特征間利于鑒別的信息，可用特征選擇和維數(shù)約減的方法進(jìn)行特征降維。

以提取SAR圖像地物覆蓋分類應(yīng)用中利于區(qū)分地物的特征為例，可用非線性流形學(xué)習(xí)理論中基于拉普拉斯特征映射的維數(shù)約減技術(shù)，其最優(yōu)化準(zhǔn)則是在原始高維特征空間中較近的點(diǎn)，在降至低維本征特征空間中仍較近[8-10]。根據(jù)該準(zhǔn)則，可在降維的同時(shí)保持相鄰特征的局部緊聚特性，對不同類別的特征具天然的聚類效果，因此能獲得利于區(qū)分地物的低維本征特征。拉普拉斯特征映射的維數(shù)約減效果如圖2所示。

圖2 拉普拉斯特征映射的維數(shù)約減效果Fig.2 Effect of Laplacian eigenmaps

在特征的科學(xué)可視化處理中，常選用最能代表應(yīng)用目的的前三維本征特征進(jìn)行顏色空間的彩色編碼。常用的方法是將各維特征歸一化為0～255灰度級，分別將三維歸一化后的特征加以權(quán)值作為RGB顏色空間中的三個(gè)通道值，或YCbCr顏色空間中的三個(gè)通道值，從而得到由三維本征特征組成的SAR特征圖像進(jìn)行目視解譯和判讀。

4 應(yīng)用方案及結(jié)果分析

本文分別針對單極化SAR和多極化SAR圖像采用信息可視化技術(shù)進(jìn)行SAR信息圖像合成和顯示，以闡述本文的基于信息可視化技術(shù)的SAR圖像目視解譯方法的實(shí)用性。

圖3 原始單極化SAR圖像和均值-方差-方差均值圖像Fig.3 Original single-pol SAR image and image based on mean-var-var/mean

采用均值-方差-方差均值比的三維特征在RGB顏色空間中可視化的SAR信息圖像如圖3所示。由圖3可知：原始只有1個(gè)通道的單極化數(shù)據(jù)在可視化時(shí)只能體現(xiàn)為灰度圖，其圖像細(xì)節(jié)信息和對比度均不適合人眼視覺；由單極化SAR圖像中提取出的統(tǒng)計(jì)特征組合進(jìn)行可視化后的圖像，能顯著增強(qiáng)圖像的對比度，同時(shí)使不同類別的目標(biāo)(如城區(qū)中的建筑和綠地等)有不同的色彩，明顯方便了用戶對SAR圖像的目視解譯。

采用權(quán)秩填充比特征的灰度模式的可視化SAR信息圖像如圖4所示。由圖4可知：由于權(quán)秩填充比是典型的紋理特征，該維特征的可視化結(jié)果能突顯出原始SAR圖像中的紋理、邊緣細(xì)節(jié)信息，符合人眼視覺的觀察。

圖4 原始單極化SAR圖像與紋理特征信息圖像Fig.4 Original single-pol SAR image and image based on textural features

采用均值-權(quán)秩填充比-方差的三維特征組合可視化SAR信息圖像如圖5所示。由圖5可知：該組合可視化處理有明顯的目視分類效果，不同類型目標(biāo)用不同顏色區(qū)分(圖中建筑為紫色，水體為綠色，綠地為黃色)，不同類型目標(biāo)間的邊緣清晰，可視化獲得的SAR信息圖像成為一個(gè)天然的分類圖像。

圖5 原始單極化SAR圖像與均值-權(quán)秩填充比-方差Fig.5 Original single-pol SAR image and image based on mean-rank filling ratio-var

采用Pauli分解的特征組合可視化SAR信息圖像如圖6所示。由圖6可知：與用HH-HV-VV原始多極化圖像數(shù)據(jù)合成的圖像相比，在基于極化目標(biāo)分解的Pauli特征下可視化后某些特殊目標(biāo)(圖中紅圈所示的目標(biāo))更能突顯出，便于用戶對目標(biāo)的尋找和觀察。

圖6 原始多極化SAR圖像和Pauli分解特征組合圖像Fig.6 Original PolSAR image and image based on Pauil decomposion

5 結(jié)束語

針對傳統(tǒng)SAR圖像目視解譯困難的問題，本文提出了一種基于信息可視化技術(shù)的SAR圖像目視解譯方法。該方法通過對原始SAR圖像進(jìn)行特征提取和數(shù)據(jù)挖掘，獲取不同觀測空間的SAR圖像特征，進(jìn)行特征選擇和組合，并通過科學(xué)可視化顯示給判讀員進(jìn)行解譯。對單極化和多極化SAR圖像中的應(yīng)用證明，該方法能挖掘并顯示出圖像中隱含的大量信息，如采用均值-方差-方差均值比的三維特征在RGB顏色空間中可視化的SAR信息圖像能顯著增強(qiáng)圖像的對比度，不同類別目標(biāo)由不同色彩顯示；采用權(quán)秩填充比特征的灰度模式的可視化SAR信息圖像能突顯出原始SAR圖像中的紋理、邊緣細(xì)節(jié)信息；采用均值-權(quán)秩填充比-方差的三維特征組合可視化SAR信息圖像可獲得明顯的目視分類效果，不同類型的目標(biāo)用不同的顏色區(qū)分，且不同類型目標(biāo)間的邊緣清晰；與用HH-HV-VV原始多極化圖像數(shù)據(jù)合成的圖像相比，采用Pauli分解的特征組合可視化SAR信息圖像更能突顯出可視化后某些特殊目標(biāo)，便于用戶對目標(biāo)的尋找和觀察。本文方法可作為一種有效的SAR圖像目視解譯手段。后續(xù)研究可包括理論研究和工程實(shí)現(xiàn)兩方面，其中：在理論研究中，研究適于不同目標(biāo)的不同特征及特征組合，以及有效的特征選擇和數(shù)據(jù)挖掘方法；在工程實(shí)現(xiàn)中，開發(fā)一套包含SAR圖像特征提取、特征選擇、可視化顯示等功能于一體的SAR圖像目視解譯平臺，為用戶提供一個(gè)有效的目視解譯工具。

[1] 袁孝康. 星載合成孔徑雷達(dá)導(dǎo)論[M]. 北京: 國防工業(yè)出版社, 2003.

[2] 焦李成, 張向榮. 智能SAR圖像處理與解譯[M]. 北京: 科學(xué)出版社, 2008.

[3] MATRE H. 合成孔徑雷達(dá)圖像處理[M]. 孫洪, 譯. 北京: 電子工業(yè)出版社, 2005.

[4] 保錚, 邢孟道, 王彤. 雷達(dá)成像技術(shù)[M]. 北京:

電子工業(yè)出版社, 2005.

[5] 王超, 張紅. 全極化合成孔徑雷達(dá)圖像處理[M]. 北京: 科學(xué)出版社, 2008.

[6] 戴博偉. 多極化合成孔徑雷達(dá)系統(tǒng)與極化信息處理研究[D]. 北京: 中科院電子所, 2000.

[7] LEE J S, POTTIER E. Polarimetric radar imaging: from basics to applications[M]. Boca Raton: CRC Press, 2009.

[8] SEUNG H, LEE D. The manifold ways of perception[J]. Science, 290(2000): 2268-2269.

[9] VAN DER MAATEN L J P, POSTMA E O, VAN DEN HERIK H J. Dimensionality reduction: a com parative review[R]. Tilburg University, TiCC-TR 2009-005, 2009.

[10] BELKIN M, NIYOGI P. Laplacian eigenmaps and spectral techniques for embedding and clustering[C]// In Advances in Neural Information Processing Systems. Cambridge: [s. n.], 2002: 14, 585-591.

Visual Interpretation Study for SAR Images Based on Information Visualization

TU Shang-tan1, ZHANG Jiu-ling1, ZOU Fei2, ZHUANG Lei1

(1. Shanghai Institute of Satellite Engineering, Shanghai 201109, China; 2. Beijing Institute of Remote Sensing Information, Beijing 100192, China)

To solve the difficulty problem in traditional synthetic aperture radar (SAR) image visual interpretation, a visual interpretation method for SAR images based on information visualization was studied in this paper. The feature extraction and data mining had been carried out on original SAR images using dimensionality reduction technology based on nonlinear manifold learning theory. The SAR image intrinsic features which were beneficial for application were obtained through the features based on polarimetric data transfer and polarimetric target decomposition. The intrinsic features could be normalized in color space, and visualized to interpreters for visual interpretation. The framework of SAR image visual interpretation based on information visualization was given out. The various application results showed that this method could utilize large amount of information hidden in original SAR images. The intrinsic feature images were better for human vision and effective to visual interpretation for SAR images.

Synthetic aperture radar; SAR image; Visual interpretation; Feature extraction; Information visualization; Manifold learning; Dimensionnality reduction; Laplacian eigenmaps

1006-1630(2016)04-0081-07

2016-05-30；

2016-07-04

國家自然科學(xué)基金資助(41501414)

涂尚坦(1985—)，男，博士，主要研究方向?yàn)樾禽dSAR載荷系統(tǒng)設(shè)計(jì)、SAR圖像解譯與處理、機(jī)器學(xué)習(xí)與人工智能。

P237； TN958

A

10.19328/j.cnki.1006-1630.2016.04.014