王菁晗, 翟 瑋, 尹欣欣, 張 璇, 張皓然

(1. 中國地震局蘭州地震研究所, 甘肅 蘭州 730000; 2. 中國地震局黃土地震工程重點實驗室, 甘肅 蘭州 730000;3. 中國地震局蘭州巖土工程與地震研究所, 甘肅 蘭州 730000; 4. 甘肅省地震局, 甘肅 蘭州 730000)

0 引言

中國的西北部是風力資源最為豐富的地區(qū)之一,風力發(fā)電機是中國西北部能源供應(yīng)的重要支柱。根據(jù)統(tǒng)計,該地區(qū)風能資源占其陸地風能資源總量的1/3[1]。地震導(dǎo)致的風力發(fā)電機大面積損毀會對國民經(jīng)濟及災(zāi)區(qū)的供電和電網(wǎng)的穩(wěn)定造成巨大的影響,因此快速且精確地對其進行識別,迅速獲取受災(zāi)地區(qū)有效信息非常重要[2-8]。Synthetic Aperture Radar(SAR)圖像具有全天時全天候工作等特點[9],在自然災(zāi)害研究中得到廣泛的應(yīng)用,是不可或缺的重要技術(shù)手段[10]。如何運用震前SAR來快速提取電塔構(gòu)筑物具有重要的減災(zāi)應(yīng)用價值[11],此外,由于我國西北部地區(qū)地廣人稀,電力輸送皆依靠于處于無人區(qū)的電塔等設(shè)施,自然災(zāi)害發(fā)生后電塔的倒塌難以及時查看,而依靠傳統(tǒng)的人力等方式去獲取倒塌電塔的位置嚴重影響受災(zāi)區(qū)域的電力供應(yīng),因此如何快速獲取倒塌電塔所在的位置就顯得極為重要。

在SAR影像處理與分析中,充分利用空間上下文信息,可以有助于抑制斑點噪聲,提高變化檢測的精度[12-13]。在圖像的分割過程中,通過概率競爭網(wǎng)絡(luò),利用圖像像素間的空間關(guān)系能夠提高分割、檢測的準確性[14]。Fan等[15]利用空間關(guān)系來細化光學(xué)和SAR圖像的初始匹配特征來對兩幅數(shù)據(jù)進行匹配,也獲得了不錯的效果。而在目標識別方面,Dellepiane等[16]利用經(jīng)典特征作為樣本均值和樣本方差,通過圖像的空間相關(guān)性提出了參數(shù)特征估計方法來對圖像進行分類。Liu等[17]通過對油氣滲漏異常區(qū)與鹽堿化異常區(qū)的疊置聚焦分析,發(fā)現(xiàn)了二者之間的空間位置關(guān)系,并借此提高了油氣滲漏信息的識別準確性。而在人工目標檢測方面,傳統(tǒng)的恒虛警率(CFAR)算法計算簡單,性能穩(wěn)定,在目標檢測中最為常用。但其也有著處理窗口的非自適應(yīng)以及檢測目標種類、大小和結(jié)構(gòu)的多樣性等缺點。許多學(xué)者也因此提出了許多解決辦法,Li等[18]提出了一種改進的CFAR算法,同時具有自適應(yīng)閾值和自適應(yīng)處理窗口。Jung等[19]、Sagliano等[20]及Song等[21]提出的雙步快速CFAR算法,減少了目標形狀的畸變。但以上算法需要對整幅影像進行遍歷,在遍歷較大或者大幅SAR圖像時需要消耗大量運算資源,且花費時間也較為漫長,因此很難做到實時的檢測,也不利于自然災(zāi)害發(fā)生后的快速獲取災(zāi)情信息。

本文研究區(qū)中,電塔的分布形式有序且規(guī)律,使得空間信息在這一類的地物識別中有較大優(yōu)勢。為了減弱具有相似散射強度的建筑物和地形高亮點等的影響,能夠?qū)Φ乇砩戏植加行虻碾娝M行快速且高效的識別與提取,我們引入了空間關(guān)系的相關(guān)理論及技術(shù),提出了一種基于空間特征的推理方法。該方法利用快速雙參數(shù)恒虛警算法(FTP-CFAR),對稀疏且有序分布的電塔構(gòu)筑物進行提取與識別,獲得電塔的空間信息,并對該信息進行篩選與判別。然后根據(jù)篩選出來的空間信息進行電塔分布的空間特征提取,獲取了電塔分布的空間特征量,通過該特征量對電塔進行多種條件約束下的空間推理方法來獲取沒有被識別出來地物,以及刪除識別錯誤的地物。另外,為了驗證該方法的準確度和偏移量,我們除了使用常規(guī)的精度評價方法對本文方法與傳統(tǒng)方法的結(jié)果進行對比以外,還提出了一種評價推理結(jié)果精確度的評價指數(shù)——誤距風險,來評價本文方法推理出的電塔目標的偏移量,并獲得了不錯的結(jié)果。

1 研究方法

一般情況下,電塔這一類孤立的構(gòu)筑物大多分布在人煙稀少的地區(qū),且分布得較為零散而有序,其周圍基本為草木、植被等背景地物,較為容易進行識別。但是本文中的研究區(qū)處于荒漠,地表上分布著干涸的河床以及裸露的巖體等地形高亮地物,在單極化SAR影像中其與構(gòu)筑物的散射強度極為相似。且由于單極化SAR圖像并沒有和全極化SAR一樣包含多種地物信息,同樣灰度值所表示的像素并不能代表著同一種地物。因此急需要一種行之有效的方法來對這一類地物進行識別,具體方法如下。

1.1 空間推理方法

空間推理方法的前提是獲取空間關(guān)系特征,而獲取空間關(guān)系特征的前提則是確定空間關(guān)系的起始點。有了起始點,才能根據(jù)起始點來確定精確的空間關(guān)系,從而為后續(xù)的空間推理提供精確的依據(jù)。因此我們的空間推理方法步驟劃分為三步:確立起始點、確立空間關(guān)系以及空間推理。

1.1.1 檢索起始點的遍歷窗口設(shè)計

首先需要目視確定SAR圖像上地物分布的大致方向。通過對圖像中目標像元的十六個方向進行檢索,目標像元為圖像中每個連通區(qū)域中灰度最大的像元。如果在某個方向上檢測到了非零像元,且該方向與地物的分布方向大致接近,則反方向進行檢索,反向相同檢索距離下的像元如果為零值,則可判斷該像元為檢測的起始點。起始點遍歷窗口示意如圖1所示,其中,Sp1為非零點像元,Sp1+180°則是用于反向驗證的像元。

1.1.2 確立空間關(guān)系

建立每一對的起始點與驗證點之間的線性關(guān)系,通過空間關(guān)系獲得了空間的三項特征量,分別是偏移量Toffset、角度Tangle以及目標間距Tdistance,這三項空間特征量決定著后續(xù)空間推理的約束。其具體公式如下:

(1)

式中:(x1,y1)為起始點的坐標,(x2,y2)為驗證點的坐標。由于電塔的有序分布,Tdistance基本為固定的值。而Toffset與Tangle則根據(jù)起始點與驗證點獲得,進行多次實驗來確定其大致的數(shù)值。如果某一偏移量與角度多次出現(xiàn),則表示電塔的分布形式不止一種,我們便將其作為備選值,在后續(xù)的空間推理過程中將其帶入。

在得到上述空間的三項特征量以及確立初步的空間關(guān)系后,依據(jù)得到的空間三項特征量進行后續(xù)目標點的識別與空間關(guān)系的驗證。如果沒有異常,則將該空間三項特征量作為后續(xù)空間推理的依據(jù),否則終止后續(xù)點的識別。

1.1.3 空間關(guān)系的實現(xiàn)

為了豐富空間推理方法應(yīng)對各種分布情況的能力,我們對空間推理方法進行了多種條件下的約束推理,分別為:兩點間的推理、鄰近約束推理、起始點的推理以及結(jié)束點的推理四種。

兩點間的空缺推理是針對某一線性序列中,兩目標物間的距離長度與Tdistance相差較遠而設(shè)置的條件,該條件表示這兩目標物之間應(yīng)有一個或者多個目標存在。那么它的條件公式為:

ifp×Tdistance≤Edistance≤q×Tdistance,p∈Q

(2)

式中:p與q為大小兩個整數(shù)閾值;Q代表缺失的目標集合;Edistance則表示的異常的間距大小。

鄰近約束推理則是為了防止因為地形的影響導(dǎo)致目標地物在某一區(qū)域的分布數(shù)目異常而設(shè)置的條件推理。該條件推理以其相鄰的序列為依據(jù)及約束。其主要原理是某一序列的分布數(shù)目取決于該列臨近的序列,距離該序列越近的序列有著較高的影響權(quán)重,而鄰近的序列權(quán)重越高則表示該列的數(shù)目與其數(shù)目更為接近。

(3)

式中:Pnum為數(shù)目異常的序列數(shù)目;Plnum與Prnum分別為Pnum的左右臨近的序列數(shù)目,Plnum-1與Prnum+1分別為Plnum的左鄰與Prnum右鄰序列數(shù)目;w、u和v分別為差異的數(shù)目以及權(quán)重,通過多次實驗獲得合理的值。

起始點的推理以及結(jié)尾點的推理這兩個條件約束其目的是為了補充在預(yù)處理過程中遺失的起始點與終止點。這兩種條件推理是基于鄰近約束推理所得到的序列數(shù)目作為條件進行推理的,然后通過統(tǒng)計分析并總結(jié)缺失序列的空間三參數(shù)來進行推理。其基本公式如下:

(4)

式中:Spx與Spy為所求的起始點或結(jié)尾點的位置坐標;Spx1與Spy1為起始點與結(jié)尾點異常序列的起始點與結(jié)尾點的坐標。

1.2 快速雙參數(shù)CFAR算法

傳統(tǒng)的雙參數(shù)CFAR檢測算法需要對整幅影像進行遍歷,在遍歷較大或者大幅SAR圖像時需要消耗大量運算資源,且花費時間也較長,因此很難做到實時的檢測,也不利于自然災(zāi)害發(fā)生后快速獲取災(zāi)情信息。因此我們采用艾加秋等[22]及Ji等[23]提出的一種快速雙參數(shù)CFAR算法,該算法通過兩級全局濾波以及區(qū)域二值圖的局部雙參數(shù)CFAR算法來實現(xiàn)快速的圖像目標檢測。其流程圖2所示。

圖2 快速雙參數(shù)CFAR算法流程圖Fig.2 Flow chart of fast two-parameter CFAR algorithm

綜上所述,本研究主要分為三個部分:(1)圖像的預(yù)處理;(2)對預(yù)處理后的圖像中的電塔建立空間關(guān)系模型;(3)在多條件約束和五個參數(shù)的組合下應(yīng)用空間推理方法。單極化SAR圖像中的非目標物體和目標物體的灰度特征非常相似,這可能導(dǎo)致錯誤的識別結(jié)果。鑒于上述問題,我們設(shè)計了一個完整的研究流程,如圖3所示。

圖3 基于空間特征量的空間推理方法流程圖Fig.3 Flow chart of the spatial reasoning method based on spatial feature quantities

2 實驗

2.1 實驗數(shù)據(jù)及研究區(qū)域

本文的研究區(qū)域為甘肅省西北部的干旱區(qū)荒漠,使用的是ALOS-2衛(wèi)星數(shù)據(jù)。衛(wèi)星具體參數(shù)如表1所列。

表1 ALOS-2衛(wèi)星參數(shù)

研究區(qū)域內(nèi)分布了數(shù)以百計的風力發(fā)電機、數(shù)以千計的配套設(shè)施以及干涸的河床、裸露的巖體等地物。我們選取了約25 km2的區(qū)域來進行研究。研究區(qū)位置示意圖如圖4所示。

圖4 研究區(qū)位置示意圖Fig.4 Location of the study area

2.2 實驗步驟

研究范圍內(nèi)雖然背景地物大部分為單一的荒漠,但是其中也分布著風力發(fā)電機、電塔和電廠等建筑物以及裸露的巖體、干涸的河流等地形高亮點地物,如果僅僅采取FTP-CFAR算法來處理,提取與識別的結(jié)果中必然會混有大量的非目標點,導(dǎo)致目標物識別精度較低,因此針對上述問題,如何將空間推理運用到有序分布的構(gòu)筑物識別中去,并精確地將目標地物與地形高亮點區(qū)分開來,極大地提高目標識別的精度是本次實驗的重點。

2.2.1 快速雙參數(shù)CFAR處理

FTP-CFAR算法處理結(jié)果如圖5所示?？梢钥吹?從原數(shù)據(jù)到結(jié)果數(shù)據(jù),建筑物的高亮區(qū)域被打散,而電塔則較為完整地被保留下來。此外,還有一些地形高亮點與電塔相互交叉的分布在一起,難以區(qū)分，所以我們對FTP-CFAR算法的窗口進行了限制，以便其將大塊的地物除去。

圖5 快速雙參數(shù)CFAR算法處理結(jié)果Fig.5 Processing results using the fast two-parameter CFAR algorithm

2.2.2 空間推理處理

(1) 起始點的確立

建立空間關(guān)系是要首先確立一個遍歷的方向,我們從圖像的中間向四周遍歷,通過方法中起始點的遍歷窗口確定遍歷的起始點。起始點遍歷結(jié)果如圖6 (a)所示;FTP-CFAR算法的結(jié)果會導(dǎo)致有些電塔與地形高亮點相混淆,每一個序列會出現(xiàn)兩個或者多個極度相近的點,如圖6 (b)所示。這會嚴重干擾目標識別的精度以及后續(xù)的空間推理。

圖6 起始點遍歷結(jié)果Fig.6 Traversal results for starting points

(2) 空間關(guān)系的確立

二維空間中線性分布是最基本的分布形式,同時也是我們研究區(qū)內(nèi)電塔的分布形式。其最基本的參數(shù)為斜率與偏移量。因此本研究中我們提出了角度Tangle、偏移量Toffset以及距離Tdistance三種空間特征量來進行電塔的識別。初始的識別結(jié)果如圖7所示。

圖7 第二點的遍歷結(jié)果Fig.7 Traversal results for the second point

為了使結(jié)果更加易懂,我們將起始點設(shè)置為o形,第二個點設(shè)置為*形。經(jīng)過實驗計算,圖像上方電塔的Tangle范圍為45°到50°;圖像右側(cè)電塔的Tangle范圍為-68°到-70°以及-75°到-80°;圖像下方電塔的Tangle范圍為0°到3°,電塔之間的距離Tdistance在18至20個像素之間。

根據(jù)上一步得到的線性識別結(jié)果,我們可以對剩余的線性分布的點進行后續(xù)的識別,三項空間特征量的約束足夠?qū)﹄娝姆植歼M行檢索。電塔的最終檢測得到的結(jié)果如圖8(a)所示?？梢钥吹?大部分線性分布良好的構(gòu)筑物都被完好的檢測了出來,但是還有一些異常點,由于三個特征量的不滿足,導(dǎo)致檢索停止,如圖8(b)。

圖8 電塔識別結(jié)果及異常Fig.8 Tower identification results and anomalies

有了上述的線性檢測結(jié)果,便能在二維空間中建立每一條線性分布線性的方程,然后將剩余的點代入到每個方程中去驗證,并設(shè)置閾值來限定誤差。誤差越小則表示該點越有幾率屬于該線性。我們便可以將該點接入到線性中去,從而完成整條線性的識別。實驗中我們將誤差規(guī)定在5個像素以內(nèi),得到的結(jié)果如圖9 (a)圖所示。我們可以看到,其檢索結(jié)果基本準確。此外,由于受到誤差的限制,如圖9 (b)圖所示,與目標構(gòu)筑物相互混雜在一起的地形高亮點被剔除出去,沒有被當作目標物而標識出來。

圖9 電塔的后續(xù)檢測結(jié)果Fig.9 Subsequent test results of electric tower

(3) 空間推理實現(xiàn)

經(jīng)過上述步驟,我們已經(jīng)獲取了每一條線性分布目標物的二維空間線性,也獲取到了每條線性的各項二維空間特征量。對那些沒有被FTP-CFAR算法檢測出來的目標物進行空間推理。由于后續(xù)的步驟在方法中我們已經(jīng)進行了詳細的闡述,因此,在該部分我們只將推理的結(jié)果展示出來,結(jié)果如圖10所示。

圖10 電塔的推理結(jié)果Fig.10 Reasoning results of electric tower

2.3 實驗分析

為了驗證空間推理對于有序分布構(gòu)筑物的推理精度,我們對空間推理的結(jié)果進行了兩種精度估計,一種為推理結(jié)果與實際目標點的數(shù)目差距精度,我們稱之為誤分率;另一種為推理正確的結(jié)果點坐標與實際目標點坐標之間的距離差距,我們稱之為誤距風險。

2.3.1 誤分率

在本研究中我們?yōu)榭臻g推理方法所推理的數(shù)目結(jié)果精度提出了一種精度評價方法,其公式為:

(5)

式中:Ec為誤分率,它為常規(guī)方法的正誤分率與負誤分率之和;Cp代表兩種方法多識別出來的電塔的數(shù)目,它并不存在于原始的目標點之中;Cm代表兩種方法沒有被識別出來的電塔的數(shù)目,存在于原始的目標點之中。C為目標點的實際數(shù)目。其具體數(shù)目如表2所列。

表2 誤分率對比

我們可以看到,電塔的空間推理方法結(jié)果的誤分率是非常低的。

2.3.2 誤距風險

我們提出誤距風險這一評價標準是為了評估空間推理方法所推理得到的結(jié)果與實際地物的偏差。它的風險大小取決于推理結(jié)果與實際目標點的坐標之間的距離。其公式如式(6)及結(jié)果如表3所列。

(6)

式中:RNDDP、DDR、CRN分別代表距離偏差像素數(shù)的范圍、距離偏差風險和推理得到的電塔數(shù);(xp,yp)和(xo,yo)表示地物的實際坐標和推理結(jié)果坐標。

通過表3可以看到,在空間推理的誤距風險幾率中,低風險率基本在80%以上。這意味著,空間推理得到的結(jié)果坐標與實際坐標的偏差不大,基本能夠獲得地物的精準地理空間信息,符合我們的實驗預(yù)期。

表3 誤距風險

3 結(jié)論及下一步工作設(shè)想

在實驗過程中發(fā)現(xiàn),單純的空間推理以及多條件推理下的結(jié)果具有高度依賴空間信息的特征,也就是說,預(yù)處理過程中獲得的空間信息越準確其推理得到的結(jié)果則更精確。本次實驗利用傳統(tǒng)方法對SAR圖像進行初步識別,然后借助空間關(guān)系、空間特征以及空間推理方法來實現(xiàn)有序分布的孤立構(gòu)筑物的提取與推理。實驗結(jié)果表明,采用本研究中的方法對有序分布的點目標物的識別與推理有著良好的精度。因此,本文中的方法為幫助SAR圖像中有序分布的孤立構(gòu)筑物識別提供了一種有效的解決方法,同時也為震后快速的震害識別及震害評估提供了基礎(chǔ)。

需要說明的是,如果兩種地物的圖像特征比較相近,預(yù)處理中會將兩種地物都提取出來,造成后續(xù)的空間信息的誤判,導(dǎo)致其推理出來的目標點與遠點距離有大的差別,從而在誤距風險中出現(xiàn)高風險率;此外,實驗中采用的FTP-CFAR算法對點狀目標的識別與提取還有不少缺陷,還需要改進方法;另外,在電塔的目標識別中,空間約束推理保證了線性排列及數(shù)目,但是缺乏地形或環(huán)境影響,導(dǎo)致點數(shù)目過多的現(xiàn)象。因此,今后的工作重點是如何改進預(yù)處理方法,使空間信息的特征提取更為準確,如何令空間推理具有智能型,以適用于不同地形地貌環(huán)境。