摆摆歌
由于合成孔径雷达(Synthetic Aperture Radar，SAR)图像中存在乘性噪声导致大量相干斑，给目标检测工作带来了很大困难，许多学者对此课题进行了大量深入的研究，并取得了许多很有价值的成果．水上桥梁(文中所有的待检测桥梁目标均为水上桥梁，简称桥梁)是一类重要的交通设施，也是交通运输的关键枢纽之一，SAR图像中桥梁目标的检测在军事领域有着重要的应用，一直是研究的热点．文献[3]提出了一种利用规则化各向异性热扩散方程分割的桥梁检测算法，它构造了一个新的各向异性热扩散函数，得到一个新的规则化扩散模型，对图像初始分割进行平滑，得到河流的精确分割结果，能够精确地检测出SAR图像桥梁目标．文献[4]提出了一种基于高分辨率SAR图像的桥梁自动提取算法．该算法首先提取河流主干与河流边界的交点，确定桥梁的搜索区域和粗略位置；然后提取出桥梁边界集合，拟合出桥梁的边界直线；最后提取出桥梁目标．文献[5]提出一种高分辨率SAR图像水上桥梁目标检测方法．该方法首先模糊分割SAR图像；再通过水体轮廓搜索潜在桥梁感兴趣区域点，并进行直线拟合；最后采用双参恒虚警检测、识别和定位桥梁．文献[6]提出了一种基于腐蚀和膨胀运算的SAR图像桥梁目标检测方法，它也是先分割出河流的主轮廓，再通过去除边界线检测出桥梁的位置，并在桥梁位置附近分割出桥梁区域．文献[7]提出了一种通过组合多尺度分解和区域分析的桥梁提取和识别的算法，它先通过使用多尺度子带信息提取水域的轮廓，再根据水与桥梁的知识进行桥梁检测和识别．另外，文献[8-9]也进行了大量的研究，并提出了各自的算法，均取得了不错的检测效果． 前面所述的各种算法均没有对水域进行自动识别，无论是河道主干的提取还是河道边界的提取均仅依赖于水域的低灰度特征．虽然在SAR图像中由于水面存在镜面反射，导致雷达的后向散射回波很少，在图像中显示为灰度值较低的暗区域，但由于高大建筑物也会因遮挡雷达波而形成许多阴影地带，甚至部分柏油路面在SAR图像中也同样显示为灰度值较低的暗区域，因此仅从灰度特征难以判断低灰度暗区域是否为水域．而现有桥梁的检测算法基本上都依赖于河道的提取，对于非水域的暗区域则通过人工识别剔除．针对这一问题，笔者提出了一种新颖的基于场景语义的桥梁检测算法．该算法首先综合运用灰度与尺度两种特征，能够自动识别出可能存在桥梁目标的大片水域与陆地，然后提取图像有较强抗噪性的基本素描(Primal Sketch)特征，再根据桥梁的几何特征和水陆场景语义关系计算出高隶属度的桥梁目标．对比实验证明，文中算法具有检测率高和漏检率低的特点．
1 场景识别
cti论坛
不同的目标与周围环境之间存在着不同的依赖关系．桥梁也不可能孤立存在，必然与周围的水陆环境存在着一定的关联关系．作为水陆运输的枢纽，桥梁必须跨越水域连接陆地，这就决定了桥梁目标对水域和陆地的依赖关系，这种依赖关系就是桥梁与水域、陆地的场景语义关联．利用目标与环境之间存在的场景语义关联关系，可快速准确地搜索和检测出感兴趣的目标[10-11]．因此，在目标检测之前需要先进行场景识别．场景识别最基本的要求是区分出陆地和水域．陆地因为有房屋、树木、道路和车辆等多种目标覆盖不易直接检测，而水域则相对容易检测．水域经常出现在SAR图像中，河流和海面的提取也是目前许多学者研究的课题[12]．虽然水域、阴影和道路等多种区域都可能显示为暗区域，但它们之间还是有一定区别的．建筑物的阴影区域与江河湖海的水域相比尺度会小很多，而道路在侧视SAR图像中一般显示为窄窄的暗线，尺度也很小．虽然不同的水域面积大小不一，但如果搜索的只是桥梁这种大尺度目标，则会发现它们只会存在于大片的水域之中，现实世界中小面积的水域是完全没必要架桥的．因此识别与桥梁相关的大片水域需要综合考虑灰度值和面积两个因素．据此，可定义大片水域的隶属度函数为
φ(x,y)=1-x exp(-yμ1) ,(1)
其中，x为区域内像素的平均灰度值，y为区域内的总像素数，μ1为用以调节灰度值和面积两个要因所占比例的参数．
2 Primal Sketch特征提取
任何一幅SAR图像的内容都可以分为突变部分和匀质部分．其中突变部分包含了目标的边缘、位置和轮廓等关键信息，而匀质部分包含了目标的大量细节信息和噪声信息．在计算视觉理论提出后，文献[13]将计算视觉理论应用于图像处理，提出了图像的Primal Sketch特征．Primal Sketch特征只保留了目标的边界和位置等结构信息，由斑点和线段构成图像的一种稀疏表示．而Primal Sketch特征对于SAR 图像的相干斑噪声不敏感，相较于其他的去噪方法可更好地保留目标的边缘和位置特征．按照文献[13]的算法，提取SAR图像的Primal Sketch特征需要先产生一组由多尺度的点模型和多方向多尺度的线段模型组成的滤波器字典，拉普拉斯滤波器和高斯差分滤波器生成可用公式表示为
袁大炳
十字军
图1 Sketch滤波器与标记符号
滤波器字典如图1(a)所示．用该字典中的基元作为检测器去匹配SAR图像中的点目标、线目标或其他目标的边沿，在匹配成功的对应位置以点或线段等Sketch符号的形式标记出来，如图1(b)所示．这些点和线段组成SAR图像的Primal Sketch特征．与其他特征相比，采用块匹配提取的Primal Sketch特征抗噪性更强．Primal Sketch特征忽略了目标边界中参差不齐的细节信息，将其简化成有向线段，提取出目标边界的方向信息，有助于后续的目标检测．
3 桥梁检测
在提取SAR图像的Primal Sketch特征之后，由于较宽桥梁的Primal Sketch特征是一对紧邻的近似平行线段，较窄桥梁的Primal Sketch特征是一条较长的线段，使得SAR图像中桥梁的检测变得更加简单高效．根据桥梁、陆地和水域之间存在的场景语义关系，可定义桥梁
为两端连接陆地，两侧邻接水域的细长目标．桥梁的隶属度函数可定义为
ψ(x,y)=exp(-θ) exp(l-μ腾飞担保公司2)2μ2 ,(4)
其中，(x，y)代表两条近似平行线的中心点坐标，θ为两条近似平行线的夹角，l为两条近似平行线中较短的线段长度，μ2为调节参数．
www.902008由于桥梁必定邻接于水域，根据陆地和水域的识别结果仅需沿水域周围搜索紧邻的Primal Sketch特征，出两侧都是水域的线段或成对出现的平行线段即可得到候选目标，根据式(4)计算它们的隶属度值，选择高隶属度的目标作为检测结果输出．
4 实验结果分析
为了验证语义SAR图像目标检测算法的效果，这里采用华盛顿地区的SAR图像进行试验，如图2所示．首先对SAR图像按滤波器字典进行匹配，保留匹配度最高的基元．如果它的匹配度超过阈值，则认为它属于图像的突变部分，用相对应的符号在相同的坐标位置进行标记；若匹配度低于阈值，则认为它属于图像的匀质部分，直接忽略掉．由此可以获得SAR图像的Primal Sketch特征图，如图3所示．
