Print

发布时间: 2021-04-16
摘要点击次数:
全文下载次数:
DOI: 10.11834/jig.200021
2021 | Volume 26 | Number 4




    遥感图像处理    




  <<上一篇 




  下一篇>> 




LBP特征分类的极化SAR图像机场跑道检测
expand article info 韩萍, 万义爽, 刘亚芳, 韩宾宾
中国民航大学天津市智能信号与图像处理重点实验室, 天津 300300
收稿日期: 2020-02-16; 修回日期: 2020-04-28; 预印本日期: 2020-05-05
基金项目: 国家重点研发计划项目（2016YFB0502405）；中央高校基本科研业务费专项资金项目（3122019110）
作者简介: 韩萍, 1966年生, 女, 教授, 主要研究方向为图像处理与模式识别、SAR目标检测与识别。E-mail: hanpingcauc@163.com
万义爽, 男, 硕士研究生, 主要研究方向为极化SAR图像目标检测。E-mail: 1535027399@qq.com
刘亚芳, 女, 硕士研究生, 主要研究方向为极化SAR图像目标检测。E-mail: 2018021018@cauc.edu.cn
韩宾宾, 男, 助理实验师, 主要研究方向为雷达图像。E-mail: bbhan_11@126.com
中图法分类号: TP753
文献标识码: A
文章编号: 1006-8961(2021)04-0952-09

摘要

目的 在极化合成孔径雷达（synthetic aperture radar，SAR）图像中常用直线检测进行机场跑道的识别，但是河流、道路等与机场跑道具有相似直线的地物容易对检测结果造成干扰，出现检测目标难定位、目标模糊、多虚警等问题。为此，本文设计了一种利用目标散射特性结合局部二值模式（local binary patterns，LBP）特征分类的极化SAR图像机场跑道区域检测方法，采用LBP特征对极化SAR图像进行有监督的分类来提取真实的机场区域。方法 首先利用异化散射功率对极化SAR图像进行阈值分割，然后通过形态学处理得到疑似机场跑道区域，同时构建机场跑道和非机场跑道两类训练样本，并提取、统计样本的LBP特征，形成直方图，得到特征向量训练支持向量机（support vector machine，SVM）二分类器，其中SVM二分类器采用了径向基函数（radial basis function，RBF）核函数；接着对疑似机场跑道区域构建LBP特征，送入SVM二分类器中分类，对机场跑道进行检测识别，最终得到真实的机场跑道区域。结果 利用UAVSAR（uninhabited aerial vehicle synthetic aperture radar）系统采集的7幅极化SAR图像数据进行实验检测，并选取基于几何特征辨识跑道的两种算法进行对比，3种方法均有效检测出了7幅场景中的真实跑道，但是本文方法在7幅数据中总的虚警和漏警个数均为1，而两种对比算法中的虚警个数分别为2和11、漏警个数分别为8和1。结论 本文方法不仅能有效检测出机场跑道区域，且检测效果更好，计算量较小，虚警和漏警率低，效率更高。

关键词

极化合成孔径雷达(PolSAR)图像; 机场跑道检测; 局部二值模式(LBP)特征; 支持向量机(SVM)分类; 阈值分割

Airport runway detection based on LBP feature classification in PolSAR images
expand article info Han Ping, Wan Yishuang, Liu Yafang, Han Binbin
Tianjin Key Laboratory for Advanced Signal and Image Procession, Civil Aviation University of China, Tianjin 300300, China
Supported by: National Key Research and Development Program of China(2016YFB0502405)

Abstract

Objective Straight or parallel lines are commonly used as a typical feature in airport runway detection and identification for polarimetric synthetic aperture radar (PolSAR) images. However, some ground targets, such as rivers and roads, have line features similar to airport runways. Thus, they are likely to interfere with detection results. That is, the line features used in detection may result in wrong detection, increasing the false alarm rate and resulting in other problems. To address this issue, this study designs a novel detection method that combines support vector machine (SVM) classification with local binary pattern (LBP) feature in airport runway detection. LBP feature describes the local texture information of an image. It is widely used in the fields of face recognition and target detection and classification. Compared with other features, LBP feature exhibits the beneficial characteristics of rotation invariance and grayscale invariance, making its use easy and effective in distinguishing among different ground objects. Method In this study, airport runway detection is performed on the basis of a classification method in which polarization characteristics are used to extract the region of interest (ROI) and LBP characteristics are used to train the SVM classifier. The proposed algorithm has two parts: the training and detection parts. In the training part, training samples are selected from the original PolSAR image data. We divide the training samples into two types. That is, the samples from the airport runway area are regarded as one type and the samples from the non-airport runway area, such as forests, roads, oceans, and buildings, are regarded as another type. After constructing the sample sets, the LBP operator is applied to these sets to obtain the LBP features. Then, LBP feature histograms are counted to a form feature vector that is sent to the SVM for training. In the testing part, the suspected airport runway area, referred to as the ROI, is first segmented from the image. Then, LBP features are extracted from the ROI and sent to the trained SVM classifier for classification to obtain the initial detection result. Further identification processing is required to generate the final detection result. In extracting the suspected airport runway area, the polarimetric scattering entropy and power value of PolSAR images are calculated separately to construct a new scattering feature, namely, the alienated scattering power. The alienated scattering value of the suspected airport runway area is less than the average alienated scattering power of the entire image. Thus, extraction of the suspected airport runway area is achieved through this characteristic by setting a threshold. In the detection part, the images are classified using LBP features and SVM. First, LBP features are extracted by sliding an n×n window in the power image of the ROI. Then, the extracted features are translated into histograms to generate feature vectors, which are sent to the trained SVM classifier for classification. The classification results are represented as a binary image in which the airport runway area is denoted as "1" and other areas are denoted as "0". In the final identification process of the airport runway area, the binary image is masked to obtain the mask map, and operation is performed between the mask map and the extracted suspected runway area. The number of changed pixels in the suspected runway area is calculated. If the number of changed pixels is less than 50% of the area, then the area is considered the final real airport runway area; otherwise, it is a non-airport runway area. Result PolSAR data collected by an uninhabited aerial vehicle SAR(UAVSAR) system are used to test the proposed method. The experimental results show that the method can detect airport runways with a complete structure and clear edges, and it has low false alarm and missed alarm rates. Conclusion Compared with existing methods, the method proposed in this study can more effectively detect airport runway areas and exhibits better detection effect and lower computation cost.

Key words

polarimetric SAR(PolSAR) image; airport runway detection; local binary patterns(LBP) feature; support vector machine(SVM) classification; threshold segmentation

0 引言

机场是国家航空的重要基础设施，承载着飞机起降、定位、维护等关键任务，在军事和经济中都具有非凡的战略作用。机场检测通常是对机场上的关键性建筑——机场跑道进行识别。

国内外的专家学者对机场跑道提出了很多有效的检测方法，如国外学者Budak等人(2016)提出了基于SIFT(scale-invariant feature transform)特征结合支持向量机的方法进行机场跑道检测；Ajith等人(2019)提出了基于跑道几何特性和颜色特性进行Hough变化提取跑道轮廓的方法检测机场; 国内学者艾淑芳等人(2017)提出基于高灰度特征的跑道检测算法；Xie等人(2019)提出了一种将Haar特征与球形神经网络相结合的方法来检测机场跑道的方法。但这些研究都集中在光学遥感领域，其研究方法基本分为两大类：基于跑道特征的有监督检测方法和基于图像分割的无监督检测方法(Aytekin等，2013；Liang等，2020)。前者常利用跑道的纹理、几何结构等特征结合分类器进行最终的检测；后者常用边缘检测等方法进行区域分割，然后利用跑道的几何特征进行最后的识别。光学遥感图像的机场检测容易受到天气和光照的影响，不能保证全天时、全天候实时检测。而合成孔径雷达(synthetic aperture radar, SAR)可以在不受这些外在条件干扰的情况下完成目标观测任务。

与合成孔径雷达中的单极化SAR系统相比，多极化SAR进行目标观测时能够提取更加完善的信息。因此，在环境监测、目标识别、地物分类等领域常利用多极化SAR图像进行实验研究。在机场跑道检测方面，利用多极化SAR图像已经开展了很多研究。Xiong等人(2012)、韩萍等人(2016)和乔寅骐等人(2016)的方法大多是直接对图像进行分类处理或阈值分割，然后利用结构特征完成跑道区域的识别处理，从而准确地提取目标区域；晋瑞锦等人(2014)采用模糊C均值结合K均值聚类的算法完成疑似跑道感兴趣区域(region of interest，ROI)的提取与辨识，然后获取机场跑道区域；Han等人(2016)利用基于Wishart分布的聚类算法和Freeman分解完成图像的分类、聚类，获取疑似跑道区域，然后对其区域进行识别，获取真实准确的目标；程争等人(2019)采用极化分解理论结合Wishart距离的鲁棒模糊聚类算法对PolSAR图像进行分类、提取感兴趣区域, 最终识别真实跑道位置。

张喆等人(2019)利用差异度迭代的方法实现跑道的检测，这类方法存在的问题是在大场景的极化SAR图像中具有众多与跑道几何结构相似的地物如道路、河流等，这种情况会导致在最后的跑道检测中出现多虚警和多漏警，且该类算法的计算量相对较大，检测效率低。

针对上述方法存在的问题，本文采用异化散射功率对PolSAR图像进行阈值分割，获取疑似跑道区域，然后利用局部二值模式(local binary pattern，LBP)特征结合支持向量机(support vector machine，SVM)二分类器(Sujay等，2017)对疑似跑道区域进行分类处理，从而实现跑道区域的检测。

1 基础理论

1.1 异化散射功率

在极化SAR图像中，通常用极化散射熵和散射功率等物理量来描述地物的散射特性。实际地物中常常存在一些散射功率较低的区域，当目标的背景与目标散射特性相近时，难以提取目标区域。而利用极化熵和散射功率加权得到的异化散射功率可以对低散射功率的区域起到一定的增强作用，有利于目标的提取。异化散射功率定义(卢晓光等，2019)为

$ {D_{span}} = span \times 2H $ (1)

式中，$span={\mathit{\boldsymbol{T}}}_{11}+{\mathit{\boldsymbol{T}}}_{22}+{\mathit{\boldsymbol{T}}}_{33}$，表示极化SAR图像的散射功率，${\mathit{\boldsymbol{T}}}_{ij}$表示极化散射矩阵，$H$表示散射机制的混乱程度，具体为

$ H=-\sum\limits_{i=1}^{3} p_{i} \log _{3} p_{i} $ (2)

式中，$H$取值范围是[0, 1]，通常$H$值可以反映目标散射的随机性，$H$值越大，随机性越强。$p_{i}$表示每种散射机制出现的概率(韩萍等，2014)，具体为

$ p_{i}=\lambda_{i} / \sum\limits_{i=1}^{3} \lambda_{i} $ (3)

式中，$λ_{i}$表示相干矩阵${\mathit{\boldsymbol{T}}}$的特征值。

1.2 LBP特征

LBP是一种局部纹理特征的表征方法(Ojala等，1994)，能够有效反映图像的纹理特性。LBP算子是以待检测的像素点为圆心、邻域的像素点个数$R$为圆形区域的半径，在圆周上以一定的计算方式均匀地选取$P$个像素点，然后采取相应的度量方式来描述圆心像素点与圆周上选定的像素点间的对应关系。此时LBP算子取得的数值即LBP特征值，可以反映对应区域的纹理信息(Ojala等，2002)，如图 1所示。



图 1 LBP算子示意图(Ojala等，2002)
Fig. 1 Schematic diagram of LBP operator(Ojala et al., 2002)

LBP算子表示为

$ L B P\left(x_{\mathrm{c}}, y_{\mathrm{c}}\right)=\sum\limits_{k=1}^{P} S\left(i_{k}-i_{\mathrm{c}}\right) \times 2^{k-1} $ (4)

式中，$x_{\rm{c}}$、$y_{\rm{c}}$分别表示圆周中心对应的待检测像素点的横坐标、纵坐标，$i_{\rm{c}}$表示该待测像素点的灰度值，$k$表示圆周上第$k$个样本像素点，$i_{k}$表示圆周上选取的第$k$个像素的灰度值，$S$表示符号函数，具体为

$ S(x)=\left\{\begin{array}{ll} 1 & x \geqslant 0 \\ 0 & \text { 其他 } \end{array}\right. $ (5)

设需选取的像素点坐标为$(x_{k}, y_{k})$，则有

$ \begin{array}{*{20}{c}} {\left\{ \begin{array}{l} {x_k} = {x_{\rm{c}}} + R\cos \left({\frac{{2{\rm{ \mathit{ π} }}k}}{P}} \right)\\ {y_k} = {y_{\rm{c}}} - R\sin \left({\frac{{2{\rm{ \mathit{ π} }}k}}{P}} \right) \end{array} \right.}\\ {k = 1, 2, 3, 4, \cdots, P} \end{array} $ (6)

式中，$R$表示以待测像素点为圆心的圆周半径，大小为选取的像素点与圆心像素点间隔的像素数目。

LBP特征常应用于图像分类。将一幅图像均分成尺寸相同的检测区域，然后利用LBP算子对每个检测区域进行运算，获取LBP特征并统计其特征的直方图(Hoang，2018)，最后将多个检测区域的统计直方图组合起来描述该图像。在一幅图像中，LBP特征的提取步骤如下：

1) 检测区域块分为$n×n$的子区域cell，取圆周半径为$R$；

2) 对于cell中的每个像素，利用式(6)取得以该点为圆心的圆周上$P$个样本像素点的坐标，然后利用式(4)计算该像素点的LBP特征值；

3) 统计LBP特征直方图，LBP特征值的$N$个取值区间为直方图的横坐标，纵坐标是该cell中属于该取值区间对应的LBP值像素点的数目之和，每个直方图的横、纵坐标组成一个$N$维向量；

4) 组合检测区域中的所有$N$维向量，最后利用这些向量来描述检测图像的纹理特征。

利用LBP特征对图像进行分类时，需将图像划分成多个检测区域。由于需要检测的图像不一定能均等地分成合适大小的图像块，通常对图像进行扩充，或者取离等分值最近的整数(张敦凤等，2019)进行均分，这样利用LBP算子计算LBP特征值时，容易造成LBP特征提取不准确或者图像部分区域的纹理信息丢失。因此，本文利用滑块的方法，以一定的步长来获取均匀的检测区域，不仅能够准确地计算对应图像区域的LBP特征值，而且能完整地提取检测区域的纹理信息，增强图像分类的准确度，取得了更好的分类效果。

2 本文算法

本文采用阈值分割结合有监督的目标识别方法来实现PolSAR图像的跑道检测。机场跑道的纹理特征在PolSAR图像中表现得相对规则，呈现直线条，能与其他纹理特征相对杂乱的周围环境区分开来(Liang等, 2020)。因此，本文对图像提取疑似机场跑道区域后，利用表征纹理特性的LBP特征结合SVM的方法对ROI区域进行跑道辨识(Yan等，2019)，算法流程如图 2所示。



图 2 本文算法流程图
Fig. 2 Flow chart of our algorithm

2.1 训练过程

首先构建训练样本库，对PolSAR图像人工选取机场区域如停机坪等地物为一类，称为跑道区域；其他如建筑物、道路等为一类，称为非跑道区域。将跑道区域类别标记为1，作为正样本；非跑道区域标记为0，视为负样本；然后利用LBP算子对每一个图像样本块进行计算，提取LBP特征，形成特征向量。以特征向量作为输入对象，训练SVM，生成二分类器。其中SVM二分类器选择径向基函数(radial basis function, RBF)，其表达式为

$ k\left(k_{i}, k_{j}\right)=\exp \left(-\frac{\left\|k_{i}-k_{j}\right\|^{2}}{2 \delta^{2}}\right) $ (7)

式中，$k_{i}$, $k_{j}$分别表示不同类别的样本，$δ$为核函数的宽度参数。向量选择样本的影响参数$Gamma$为

$ G a m m a=\frac{1}{2 \delta^{2}} $ (8)

2.2 检测过程

2.2.1 提取ROI

在PolSAR图像中，机场跑道属于低功率中低熵的一类地物，与海洋、河流、道路、桥梁等具有相似物理特性的地物较难区分。本文利用异化散射功率增强图像，增大具有相似物理特性地物之间的差异性，然后利用机场的散射阈值$th_{1}$将疑似机场跑道区域与其他类别地物区分开来，得到感兴趣的区域ROI，即

$ R O I=\left\{\begin{array}{ll} 1 & D_{s p a n}<t h_{1} \\ 0 & \text { 其他 } \end{array}\right. $ (9)

式中，阈值$t{h_1} = \overline {{D_{span}}} \times \phi, \overline {{D_{span}}} $是对PolSAR图像的异化散射功率求平均值，$ϕ$为权重系数。在图像中，机场跑道的$D_{span}$值低于平均异化散射功率，其他地物对应的$D_{span}$值高于机场跑道。因此，为了减少干扰，将疑似机场跑道提取出来，通过加权系数降低阈值，取值范围为$0<ϕ≤1$，结合实验分析和经验，$ϕ$通常取值为0.1(卢晓光等，2019)。提取ROI的后续步骤如下：

1) 对ROI二值图中的连通域进行标记处理，获取独立的连通域。

2) 计算每个独立连通域的极化散射熵$H$，若单个连通域中的低熵($H$＜0.5)像素点的个数占比大于$50%$时，则该连通域为疑似机场区域$ROI_{\rm{1}}$，否则将该连通域剔除。具体过程为

$ V=\frac{d_{H_{l}}}{d_{t}} $ (10)

$ R O I_{1}=\left\{\begin{array}{ll} 1 & V>0.5 \\ 0 & \text { 其他 } \end{array}\right. $ (11)

式中，$V$为低熵占比，$d_{t}$表示独立连通域中像素点的数目，${d_{{H_l}}}$表示独立连通域中低熵像素点的数目。

2.2.2 疑似跑道区域辨识

由算法流程图(图 2)可知，将得到的独立$ROI_{\rm{1}}$二值图作为辨识目标的输入对象，找到独立$ROI_{\rm{1}}$对应区域的功率图像，在功率图像上通过选择一定的步长$s$进行滑块处理，提取设定大小的功率图像块。利用LBP算子对每一个图像块进行计算，得到LBP特征值，同时完成特征值的统计，形成直方图，得到对应的特征向量。将特征向量送入分类器中进行检测，然后将检测的结果进行标注得到掩膜二值图。最后将掩膜二值图与截取的独立$ROI_{\rm{1}}$二值图进行“与操作”，得到变动的像素点个数，计算像素点变化比率。如果变化比率小于阈值比率$γ$，则为跑道区域，否则为非跑道区域。

3 实验结果与分析

为了评估本文检测算法的性能，选择美国UAVSAR(uninhabited aerial vehicle synthetic aperture radar)系统采集的PolSAR数据对本文算法进行验证，算法中利用异化散射功率对图像进行阈值分割，筛选出包含跑道的目标区域，然后利用能够区分机场与非机场的典型特征LBP结合SVM分类器进行训练，将目标区域进行分类、识别，得到最终的真实机场跑道，计算效率高，显示效果良好。本文最后选用基于粗糙模糊C-均值(rough fuzzy C-means, RFCM)算法的PolSAR图像机场跑道区域检测方法(算法1)(程争等，2019)和基于非监督分类的PolSAR图像自动跑道检测方法(算法2)(Han等，2016)与本文方法进行实验对比分析。

图 3为从美国旧金山地区PolSAR图像训练样本中选取的Pauli图，图像空间分辨率是4.9 m × 7.2 m，包含1 650 × 820个像素。训练样本分为正样本(跑道类)和负样本(非跑道类)，正样本和负样本的像素点数目分别为3 200和6 400。



图 3 旧金山地区PolSAR图像训练样本中选取的Pauli图
Fig. 3 Pauli image of San Francisco used to select training samples

实验参数设置为：阈值$ϕ$ = 0.1，LBP算子半径$R$=1，圆周样本像素点$P$= 8，LBP特征提取中每个检测区域块像素个数为$4×16×16$，检测窗口滑动的步长距离$s=16$，子区域cell像素数目为$16×16$，阈值比率$γ=50%$，核函数中Gamma参数结合实验分析选取，本文选取$γ$ = 10，SVM模型中目标函数的惩罚因子$c$ = 1。实验图像数据的空间分辨率是7.2 m × 7.2 m。

实验1数据是使用UAVSAR系统在美国佛罗里达州彭萨科拉NAS/Forrest谢尔曼机场地区采集的L波段PolSAR图像，图中地物区域包含机场、公路、河流、海洋、农田、城区等，大小为2 000×2 001像素，图 4(a)(b)(c)分别是谢尔曼机场跑道的Pauli图、光学图和从Pauli图中提取的LBP特征图。从图 4(c)可以看出，机场跑道区域的LBP特征相对明显，能区分开机场跑道与其他地物。



图 4 彭萨科拉NAS/Forrest谢尔曼机场分布图
Fig. 4 Distribution map of Pensacola NAS/Forrest Sherman field airport((a) Pauli image; (b) optical image; (c) LBP feature image)

图 5是采用算法1、算法2和本文方法对谢尔曼机场场景的实验结果。与该场景的实际光学图像(图 4(b))对比，3种方法都提取出了真实机场跑道。但是从3种方法实验结果局部放大图可以看出，算法1有部分跑道区域缺失；算法2的跑道区域(图 5(f)中矩形框线为跑道的部分区域)结构不清晰，细节模糊，有虚警；而本文算法的整个机场跑道结构完整，边缘细节保持良好，没有虚警。



图 5 彭萨科拉NAS/Forrest谢尔曼机场场景实验结果
Fig. 5 Experimental results of Pensacola NAS/Forrest Sherman field airport scene((a) ROI image; (b) result of algorithm 1;(c) result of algorithm 2;(d) result of ours; (e) local enlarged image of result of algorithm 1;(f) local enlarged image of result of algorithm 2;(g) enlarged image of ours)

在算法的复杂度检测方面，本文方法提取机场ROI利用的是区域分割方法，不需要对整幅图像进行分类迭代处理，减少了算法的数据计算量，而且检测效果较好。

实验2数据是使用UAVSAR系统在美国休斯敦乔治·布什国际机场(IAH)地区采集的L波段4视PolSAR图像，大小为1 529 × 1 116像素，其他实验参数同实验1。图 6(a)—(c)分别是IAH机场跑道的Pauli图、光学图、Pauli图中提取的LBP特征图。实验2的实验场景属于多跑道机场，场景较为复杂。从图 6(a)可以看出，在整个机场区域中，右边的跑道受多条道路的干扰较为严重。



图 6 休斯敦乔治·布什国际机场分布图
Fig. 6 Distribution map of Houston George Bush Intercontinental Airport (IAH)
((a) Pauli image; (b) optical image; (c) LBP feature image)

图 7是采用算法1、算法2和本文方法对IAH机场的实验结果。可以看出，在算法1检测结果的局部放大图(图 7(e))中，有多处漏警，属于机场的多处跑道未能检测出来。在算法2检测结果的局部放大图(图 7(f))中，整个机场结构提取了出来，但跑道区域的结构不清晰。而本文算法在干扰噪声较为严重的情况下能够相对完整地检测出多个跑道区域，而且虚警少，漏警少，跑道结构较为清晰。



图 7 IAH场景实验结果
Fig. 7 Experiment results of IAH sence((a) ROI image; (b) result of algorithm 1;(c) result of algorithm 2;(d) result of ours; (e) local enlarged image of result of algorithm 1; (f) local enlarged image of result of algorithm 2; (g) enlarged image of ours)

表 1是采用7幅场景图像数据对算法1、算法2和本文算法进行实验验证的对比结果。实际场景包含河流、道路等与机场跑道结构相似的地物较多。可以看出，算法1的漏警较多，算法2的虚警较多，这两种方法的计算量相对较大，耗时长。而本文方法虚警少，漏警少，算法时间短，具有更好的适用性和实时性。

表 1 3种算法实验结果对比
Table 1 Comparison of experimental results of three algorithms

下载CSV
场景 图像大小/像素 算法1(程争等，2019) 算法2(Han等，2016) 本文
时间/s 虚警/个 漏警/个 时间/s 虚警/个 漏警/个 时间/s 虚警/个 漏警/个
Big Island 1 700×2 501 3 957 0 1 5 681 1 0 419 0 0
Big Island Hi 2 000×2 000 3 671 0 0 5 469 0 1 392 0 0
Pensacola NAS Forrest Sherman Field Airport 2 000×2 001 3 649 0 1 5 473 0 0 392 0 0
Gulf Coast 2 000×2 000 3 618 1 0 5 464 0 0 401 0 0
Houston George Bush Intercontinental Airport 1 116×1 529 1 109 0 4 2 704 3 0 172 0 1
Metropolitan Oakland International Airport 568×771 317 1 1 591 4 0 69 0 0
San Andreas Fault CA (1) 1 500×3 000 4 572 0 1 6 309 3 0 467 1 1

4 结论

传统方法提取机场跑道时，常常利用平行线、标准机场跑道长宽比等几何结构特征进行辨识，这些方法容易造成虚警、漏警，而且在复杂的大场景下，算法计算量大。为此，本文提出了一种基于极化散射特征和LBP特征的极化SAR图像机场跑道检测方法，具有如下特点：

1) 充分利用了目标地物的散射特性。首先对图像提取极化散射特征，然后根据已有的特征参数构造新的特征，提取疑似跑道区域ROI，提高了图像识别的准确率。

2) 利用了新的LBP特征构建方法。在提取LBP特征的过程中，通过滑块的方法对图像进行处理，得到检测区域，完整获取了图像的纹理信息，准确提取了图像的LBP特征，增强了图像的分类效果。

3) 利用了一种新的疑似目标区域辨识方法。SVM是一种典型的小样本二分类器，由于跑道区域训练样本有限，本文采用SVM分类器结合LBP特征对疑似目标区域进行判别，不仅减少了其他相似地物对检测结果的影响，而且无需采用Hough变换，提高了算法的检测效率，减少了虚警个数。

实验结果表明，本文算法能够得到结构完整、轮廓清晰的检测结果，且大幅降低了算法耗时，提高了计算效率。但对ROI阈值选取的自适应性还需要进一步研究，以确保ROI提取的完整性。

参考文献

  • Aytekin Ö, Zöngür U, Halici U. 2013. Texture-based airport runway detection. IEEE Geoscience and Remote Sensing Letters, 10(3): 471-475 [DOI:10.1109/LGRS.2012.2210189]
  • Ajith B, Adlinge S D, Dinesh S, Rajeev U P and Padmakumar. 2019. Robust method to detect and track the runway during aircraft landing using colour segmentation and runway features//Proceedings of the 3rd International Conference on Trends in Electronics and Informatics (ICOEI). Tirunelveli, Inida: IEEE, 751-757[DOI: 10.1109/ICOEI.2019.8862529]
  • Budak Ü, Halici U, Şengür A, Karabatak M, Xiao Y. 2016. Efficient airport detection using line segment detector and fisher vector representation. IEEE Geoscience and Remote Sensing Letters, 13(8): 1079-1083 [DOI:10.1109/LGRS.2016.2565706]
  • Ai S F, Yan J H, Li D L. 2017. Airport runway detection algorithm in remote sensing image. Electronics Optics & Control, 24(2): 43-46 (艾淑芳, 闫钧华, 李大雷. 2017. 遥感图像中的机场跑道检测算法. 电光与控制, 24(2): 43-46) [DOI:10.3969/j.issn.1671-637X.2017.02.009]
  • Xie K, Chen J and Yang M. 2019. Research on a method of airport runway detection algorithm//Proceedings of the 4th IEEE International Conference on Image, Vision and Computing (ICIVC). Xiamen, China: IEEE, 587-591[DOI: 10.1109/ICIVC47709.2019.8981276]
  • Chen Z, Han P, Han S C. 2019. Airport runway area detection for PolSAR image based on robust fuzzy C-means clustering. Journal of Civil Aviation University of China, 37(5): 30-34 (程争, 韩萍, 韩绍程. 2019. 基于RFCM的PolSAR图像机场跑道区域检测方法. 中国民航大学学报, 37(5): 30-34)
  • Liang W, Zhou Z L, Chen X Y, Sheng X L and Ye X D. 2020. Research on airport runway FOD detection algorithm based on texture segmentation//Proceedings of the 4th IEEE Information Technology, Networking, Electronic and Automation Control Conference (ITNEC). Chongqing, China: IEEE: #341797728[DOI: 10.1109/ITNEC48623.2020.9085150]
  • Han P, Chang L, Cheng Z. 2016. Runways detection based on h/q decomposition and iterative Bayesian classification. Systems Engineering and Electronics, 38(9): 2048-2054 (韩萍, 常玲, 程争. 2016. 基于h/q分解和贝叶斯迭代分类的跑道检测算法. 系统工程与电子技术, 38(9): 2048-2054) [DOI:10.3969/j.issn.1001-506X.2016.09.12]
  • Han P, Cheng Z and Chang L. 2016. Automatic runway detection based on unsupervised classification in polsar image//Proceedings of 2016 Integrated Communications Navigation and Surveillance (ICNS). Herndon, USA: IEEE: 6E3-1-6E3-8[DOI: 10.1109/ICNSURV.2016.7486365]
  • Han P, Xu J S, Zhao A J. 2014. PolSAR image runways detection based on multi-stage classifition. Systems Engineering and Electronics, 36(5): 866-871 (韩萍, 徐建飒, 赵爱军. 2014. 基于多级分类的PolSAR图像机场跑道检测. 系统工程与电子技术, 36(5): 866-871) [DOI:10.3969/j.issn.1001-506X.2014.05.09]
  • Jin R J, Zhou W, Yang J. 2014. Airport automatic detection in large-scale polarimetric SAR images. Journal of Tsinghua University (Science and Technology), 54(12): 1588-1593 (晋瑞锦, 周伟, 杨健. 2014. 大场景下的极化SAR机场检测. 清华大学学报(自然科学版), 54(12): 1588-1593)
  • Lu X G, Zhou B, Han P, Han B B. 2019. Aircraft detection based on multi-feature classification for PolSAR image. Journal of Signal Processing, 35(4): 563-573 (卢晓光, 周波, 韩萍, 韩宾宾. 2019. 多特征分类的PolSAR图像飞机目标检测. 信号处理, 35(4): 563-573) [DOI:10.16798/j.issn.1003-0530.2019.04.006]
  • Ojala T, Pietikainen M and Harwood D. 1994. Performance evaluation of texture measures with classification based on Kullback discrimination of distributions//Proceedings of the 12th International Conference on Pattern Recognition. Jerusalem, Israel: IEEE: 582-585[DOI: 10.1109/ICPR.1994.576366]
  • Ojala T, Pietikainen M, Maenpaa T. 2002. Multiresolution gray-scale and rotation invariant texture classification with local binary patterns. IEEE Transactions on Pattern Analysis and Machine Intelligence, 24(7): 971-987 [DOI:10.1109/tpami.2002.1017623]
  • Qiao Y Q, Xiao J H, Huang Y H, Yin K Y. 2016. Extraction algorithm for airport region in spaceborne SAR imagery based on improved randomised hough transform. Electronic Measurement Technology, 39(2): 56-60 (乔寅骐, 肖健华, 黄银和, 尹奎英. 2016. 基于改进RHT的SAR图像机场区域提取算法. 电子测量技术, 39(2): 56-60) [DOI:10.3969/j.issn.1002-7300.2016.02.013]
  • Xiong W, Zhong J J and Zhou Y. 2012. Automatic recognition of airfield runways based on Radon transform and hypothesis testing in SAR images//Proceedings of the 5th Global Symposium on Millimeter-Waves. Harbin, China: IEEE: 462-465[DOI: 10.1109/GSMM.2012.6314098]
  • Zhang D F, Gao N H, Wang H, Feng X H, Huo J W, Zhang J. 2019. Face recognition algorithm based on block LBP fusion feature and SVM. Transducer and Microsystem Technologies, 38(5): 154-156, 160 (张敦凤, 高宁化, 王姮, 冯兴华, 霍建文, 张静. 2019. 基于分块LBP融合特征和SVM的人脸识别算法. 传感器与微系统, 38(5): 154-156, 160) [DOI:10.13873/J.1000-9787(2019)05-0154-03]
  • Zhang Z, Wan Y S, Han P, Cheng Z. 2019. Airport runways detection algorithm based on difference degree iteration in PolSAR image. Journal of Signal Processing, 35(6): 1041-1050
  • 张喆, 万义爽, 韩萍, 程争. 2019. 基于差异度迭代的极化SAR图像机场跑道检测算法. 信号处理, 35(6): 1041-1050 [DOI:10.16798/j.issn.1003-0530.2019.06.015]
  • Sujay S N, Reddy H S M and Ravi J. 2017. Face recognition using extended LBP features and multilevel SVM classifier//Proceedings of International Conference on Electrical, Electronics, Communication, Computer, and Optimization Techniques (ICEECCOT). Mysuru, India, 1-4[DOI: 10.1109/ICEECCOT.2017.8284596]
  • Hoang V T. 2018. Unsupervised LBP histogram selection for color texture classification via sparse representation//Proceedings of 2018 IEEE International Conference on Information Communication and Signal Processing (ICICSP). Singapore, Singapore: IEEE, 79-84[DOI: 10.1109/ICICSP.2018.8549724]
  • Yan Y S, Shuai C and Liang G. 2019. Feature extraction method based on improved linear LBP operator//Proceedings of the 3rd IEEE Information Technology, Networking, Electronic and Automation Control Conference (ITNEC). Chengdu, China: IEEE, 1536-1540[DOI: 10.1109/ITNEC.2019.8729320]