基于随机森林的极化SAR图像机场跑道检测

发布时间：2020-03-25 22:50

【摘要】：机场承载着飞机起降、维护等关键任务,是重要的民用和军用设施。跑道是机场的核心设施,对机场跑道的自动检测广泛应用于军事打击、灾害救援、飞机导航等实际问题。合成孔径雷达(Synthetic Aperture Radar,SAR)是一种主动式成像雷达系统,具有全天时、全天候、强透射性、远距离成像等特点。极化合成孔径雷达(Polarimetric Synthetic Aperture Radar,PolSAR)通过不同的极化收发组合,反映地物目标的极化散射特性。与单极化SAR相比,全极化SAR具有更多的收发模式,可以获取更全面的地物极化信息,进而更好地表征地物的极化特征。因此,PolSAR图像机场跑道检测具有十分广阔的应用前景。本文以美国UAVSAR系统采集的全极化SAR数据为基础,展开了PolSAR图像机场跑道检测问题的研究,具体工作如下:分类是PolSAR图像解译的重要环节,可利用图像分类提取疑似跑道区域,即感兴趣区域(Region Of Interest,ROI)。为了减少分类类别数,同时保证检测准确率,给出一种基于随机森林的机场跑道检测算法。首先在PolSAR图像中人工选取部分像素点作为训练样本;然后计算样本的极化特征,并利用快速相关滤波器(Fast Correlation-Based Filter,FCBF)对极化特征进行优化选择,去掉弱相关和冗余的极化参数,得到优化的极化特征组合;再利用随机森林分类器对图像做二分类,直接提取ROI;最后根据跑道的平行线及结构特征对ROI进行判别,得到最终的检测结果。平行线特征是机场跑道检测的常用特征,但是道路、河流、桥梁等类似地物容易对检测结果造成干扰,因此,给出一种不依赖于平行线特征的疑似跑道区域判别方法。首先在每个独立的ROI区域对应的功率图像上滑窗检测,利用方向梯度直方图(Histogram of Oriented Gradient,HOG)特征描述子提取检测窗口的特征,并利用支持向量机(Support Vector Machine,SVM)对检测窗口进行二分类,生成该区域掩膜二值图像,再将掩膜图像与原ROI二值图做与操作,并以原ROI二值图为基准,计算像素点变动比率,通过变动比率的大小完成对ROI的判别。论文对上述方法进行了实验验证,实验结果显示,得到的跑道区域结构清晰,轮廓完整,验证了本文方法的有效性,且本文提出的疑似跑道区域判别方法大幅降低了检测虚警率。
【图文】：

示意图,拓扑特征,机场跑道,示意图

就可进一步判别机场跑道区域的位置于某些道路、河流区域同样具有平行线特征似，所以平行线及尺寸特征无法排除上述区错联通的，且常包裹着部分草地或裸地区域OI 二值图中呈一个个黑色孔洞状，图 4-2 是截整个跑道为白色的像素构成一个连通区域，其洞 1、孔洞 2、孔洞 3 等。通过欧拉数E表征如下：值图中白色连通区域数，H 表示黑色孔洞数，而对于道路、河流等区域则相对较大，因此路、河流等区域。

示意图,训练样本,示意图,像素点

中国民航大学硕士学位论文4.5.3 实验结果及分析本章采用美国UAVSAR系统采集的全极化SAR数据进行实验，并与文献[42]算法进行对比。（1）训练样本选取及特征选择实验选取美国 UAVSAR 系统采集于 Hayward Fault 地区的 L 波段全极化数据，，经过 4 视处理，图像方位向和距离向分辨率分别是 4.9m 和 7.2m，图像大小为 1650 像素*820 像素。选取跑道、海洋、森林、城市、草地共 5 类地物构成像素点样本集，共 6400 个像素点，其中正样本（即跑道区域）1600 个像素点，负样本（即海洋、森林、城市、草地共 4800 个像素点。图 4-5 为训练样本选取示意图。
【学位授予单位】：中国民航大学
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：V35;E91;TN957.52

【相似文献】