1 引 言

随着高分辨率SAR技术的发展，从高分辨率SAR图像中进行建筑物的自动检测在军用和民用等领域均得到了广泛的应用^{[1, 2, 3]}。由于SAR特有的成像机理，建筑物在SAR图像中具有非常独特的特征，因此不能直接利用其他类型图像的建筑物检测算法^{[4, 5, 6]}。SAR图像中建筑物的特征主要体现在：①与背景在灰度和纹理特征上存在显著差异；②存在高亮线条和黑色阴影等明显特征。因此，在利用单幅SAR图像进行建筑物检测时，高亮线条和黑色阴影常被作为建筑物存在的主要证据^{[7, 8, 9]}。

由于SAR图像本身受斑点噪声影响，并且特征提取容易受到目标周边的草地或树林等具有强反射回波地物的影响，造成特征提取的结果不完全可靠，从而导致建筑物检测的不确定性。因此，有效地提高建筑物检测所需的底层特征的准确性，降低背景地物的干扰，是提高SAR图像中建筑物检测准确性的重要问题。在进行特征提取前，确定建筑物可能存在的感兴趣区是一个较好的解决方案，能使建筑物检测的准确率和效率得到提高。如前所述，高分辨率SAR图像中，建筑物与其所处背景具有较大的差异，该差异可以用来提取建筑物的感兴趣区，文献^{[10, 11, 12, 13]}提出的视觉注意模型就是一种有效的方法，能直接定位场景中的视觉显著区域。

在特征提取的基础上，多数文献采用的方法是，利用高亮线条作出建筑物存在的假设，然后用阴影区域对假设进行验证。高亮线条的形状在不同成像条件下可能差异很大，呈现出非标准线条状的复杂形状，而且由于噪声和局部强散射等因素的影响，其灰度分布也并不均匀。阴影区域在背景较暗或建筑物密集的情况下也难以实现准确的分割。因此，需要对不同特征进行有效的融合，以减小某种特征提取不准确对建筑物检测结果的影响。

D-S证据理论是一种常用的特征融合算法。该理论由文献^{[14, 15]}提出和发展而成，是对Bayes理论的重要推广，它用信任区间代替概率，用集合表示事件，用Dempster组合规则代替Bayes公式更新信任函数。由于D-S证据理论能够很好地表达推理过程中的不确定性，推广形式简单，能有效地对多种证据信息进行综合，因而在特征提取、图像分割和目标检测中得到了广泛应用^{[16, 17, 18]}。

因此，本文将视觉注意模型和特征融合检测进行有效组合，采用视觉注意模型提取SAR图像中建筑物的感兴趣区域，并由此得到注意焦点，采用最大稳定极值区域(MSER)算法^[19]提取建筑物的阴影区域，采用边缘检测算法提取高亮长直线条，在建筑物成像模型的约束下，对注意焦点、高亮线条和阴影区域等底层特征进行基于D-S证据理论的特征融合，有效地综合应用各种特征进行目标检测的优点，实现对建筑物目标的检测。

本文算法是建立在SAR图像中建筑物成像特性分析的基础上的。图 1为SAR图像中建筑物成像特性原理图，可以看出，在高分辨率SAR图像中，建筑物具有以下特性：

(1) 二面角效应导致建筑物墙地线以高亮长直线条的形式出现，见图 1中b部分。

(2) 建筑物的遮挡导致被遮挡区域没有任何后向散射信号返回，在SAR图像中表现为黑色阴影区域，见图 1中e部分。

(3) 屋顶的平整程度与材质导致屋顶在SAR图像中以亮区域或暗区域出现，见图 1中d部分。

(4) 部分屋顶、墙壁和建筑物前地面的后向散射的叠加会产生叠掩现象，在SAR图像中以亮区域出现，见图 1中a+c+d部分。

图 1 SAR图像中建筑物成像特性[20] Fig. 1 Imaging characteristics of building in SAR images[20]

图选项

上述特性能为建筑物的存在提供有力的证据支持。坡顶建筑物同样具备类似于上述平顶建筑物的特征，即存在高亮线条、阴影区域和亮区域等。

本文算法流程如图 2所示，主要包括基于视觉注意模型的感兴趣区提取、底层特征提取以及基于D-S证据理论的特征融合检测3部分。

图 2 本文算法流程 Fig. 2 Flow chart of the proposed algorithm

图选项

本文提取了原始SAR图像的亮度、方向和局部熵特征，采用Itti模型进行高分辨率SAR图像中的视觉显著区域提取^{[10, 11, 12, 13]}。在此基础上，对生成的显著图进行自适应阈值分割，得到SAR图像中的视觉显著区域，以此作为底层特征提取的感兴趣区域。

图 3给出了采用视觉注意模型提取得到的感兴趣区。由图可知，采用视觉注意模型能够对自然场景中的建筑物目标区域进行粗略定位。

图 3 建筑物感兴趣区提取 Fig. 3 Extraction of building ROI

图选项

在分割得到的建筑物感兴趣区内，分别提取注意焦点、高亮线条和阴影区域，作为建筑物检测所需的底层视觉特征。

人们在观察一个场景时，总是有选择地将注意力集中在场景中的某些最具吸引力的内容上。在该过程中，引起人们注意的场景内容被称为注意焦点。在基于视觉注意模型获得的显著图(如图 3(b)所示)中，显著值较大的位置即为注意焦点。因此，本文采取以下方法进行SAR图像中注意焦点的确定。首先选择当前显著度值最大的位置作为当前的注意焦点，确定该注意焦点对应的显著区域，然后将该显著区域的显著度值赋为最小值，重复以上步骤，直到确定的注意焦点数目达到预设数目。由此可得到一组显著度值逐渐下降的注意焦点，即一组目标与背景差异较大的图像位置。

如前所述，建筑物的墙地线在SAR图像中表现为高亮长直线条，是建筑物存在的有力证据。并且，在局部区域内，建筑物的朝向比较一致，因此建筑物的高亮线条的方向也比较一致。本文采取以下方法进行高亮线条的提取：①运用Canny算子对原始灰度图像进行边缘提取，将边缘点连接成为边缘线段；②保留具有稳定曲率的边缘线段，根据线段斜率提取并保留局部区域内朝向一致的边缘；③计算边缘上所有像素点的平均灰度，保留平均灰度大于预设阈值的边缘，记录边缘端点、边缘像素的坐标、拟合直线的斜率与截距等；④如果保留的边缘的局部片段位于提取的显著区域内，则将整条边缘作为建筑物的墙地线证据保留。

SAR成像特性导致SAR图像中高大建筑物存在灰度值比较低而稳定的阴影区域，并且，在局部区域内，建筑物的朝向比较一致，因此建筑物的阴影朝向也比较一致。本文采取最大稳定极值区域(MSER)算法进行阴影区域的提取：①采用MSER算法检测出最小灰度MSERs；②对检测出的极值区域进行数学形态学处理，去除杂乱小区域，填补空洞等；③对极值区域进行标识，记录区域的面积、朝向、外接矩形参数等，如果极值区域的面积和其外接矩形面积之比(本文将此定义为矩形度)大于预设阈值，则认为该极值区域为矩形区域；④如果保留的矩形极小值区域与提取得到的显著区域存在部分重合，则将其作为建筑物阴影区域整体保留。

采用以上方法，对图 3(a)所示的原始SAR图像进行特征提取，得到的底层视觉特征如图 4所示。

图 4 提取得到的底层视觉特征 Fig. 4 Extracted low-level visual features

图选项

在提取得到SAR图像中与建筑物特性相关的底层特征的基础上，本文基于D-S证据理论的信息融合框架，在SAR图像中建筑物成像模型的约束下，通过对注意焦点、高亮线条和阴影区域进行特征融合，实现建筑物的检测。

在进行特征融合检测时，根据SAR图像中建筑物的成像特性，建立如下的知识规则：①每个注意焦点与其对应的高亮线条和阴影区域比较接近；②阴影区域均在高亮线条的同一侧；③高亮线条与阴影区域的外接矩形的某条边的长度比较接近。

在此知识规则的约束引导下，从每个注意焦点出发，搜索与之对应的高亮线条和阴影区域，主要通过设置距离阈值、方向阈值和长度差阈值实现。在此基础上，基于D-S证据理论建立如下的融合算法。以注意焦点、高亮线条和阴影区域为多证据体，将建筑物检测的辨识框架定义为Θ=h₀,h₁，分别表示建筑物和非建筑物。对于每种证据(即底层特征)，可分别定义该证据关于某种辨识的可信度{m₁(h₀),m₁(h₁)}、{m₂(h₀),m₂(h₁)}、{m₃(h₀),m₃(h₁)}。根据注意焦点对应的显著度值，计算该证据属于建筑物的可信度，显著度值越大，可信度相应越大。根据高亮线条上像素的平均Canny算子响应值和平均灰度值，计算该证据属于建筑物的可信度，Canny算子响应值越大，平均灰度值越大，可信度相应越大。根据阴影区域的矩形度和平均灰度值，计算该证据属于建筑物的可信度，矩形度越大，平均灰度越小，可信度相应越大。

Dempster组合规则如下所示

点击浏览公式

对于辨识得到的建筑物目标，以阴影区域的下边缘和高亮线条组成的四边形的外接矩形作为建筑物存在的标识，并对存在相互包围的外接矩形或顶点非常接近的外接矩形进行合并处理，将其作为同一个建筑物目标。

采用以上方法，对图 4所得的底层特征进行特征融合检测，检测结果如图 5所示。

图 5 特征融合检测结果 Fig. 5 Detection result by feature fusion

图选项

为定量评估本文算法的性能，本节对算法的目标级检测率进行评估。本文算法的检测对象为具有一定面积、有阴影和高亮线条存在的矩形建筑物。参考数据通过人工判读和手工标识获得，评估结果由查全率和查准率给出，如果一个建筑物目标2/3以上的像素被检测为目标的像素，则认为该目标被检测到。

本文算法在特征提取与融合部分设置了部分阈值，例如边缘线段的平均灰度、阴影区域的矩形度、特征之间的距离阈值、方向阈值和长度差阈值等。由于特征融合阶段可以有效地去除虚警，上述阈值的选取对最终检测结果的影响较小，因此其设定范围均比较宽松，在整个测试集上保持不变。注意焦点个数的选取对检测结果具有较大的影响，选取太大则增加运算量，选取太小则可能漏掉目标，本文的做法是：根据图像分辨率、建筑物的大致尺寸、建筑物的密集程度等先验知识进行选取，数值偏大，以不发生漏检为该参数设定的主要原则。

采用本文算法对12张包含建筑物目标的高分辨率SAR图像进行了建筑物检测试验，其空间分辨率为1m，包含建筑物目标162个。在该测试数据集上的查全率和查准率分别为92.6%和96.7%，表明本文算法具有理想的检测效果，在降低虚警率方面具有明显优势。

限于篇幅，本文给出了3组比较有代表性的试验。试验1为图 3所示试验，具体过程与最终结果均已在前文中给出，从图 5所示的试验结果看来，本文算法检测得到的建筑物与实际情况比较吻合，能够检测出明显可辨的矩形建筑物。试验2如图 6所示。图中左上角有一处矩形目标，尽管存在注意焦点(具有明显的亮度和纹理特征)，但因为同时缺乏高亮线条和阴影证据的支持，未能作为建筑物检测出来。检测结果表明，本文算法基本上能够检测出目视比较清楚的建筑物，尽管建筑物的轮廓不一定很精准，但能够标识出建筑物的存在，满足大部分应用场合的需要。

图 6 建筑物检测试验2 Fig. 6 Building detection experiment 2

图选项

试验3给出了本文算法与文献^[1]提出的基于标记控制分水岭变换的建筑物检测算法的比较结果。文献^[1]算法采用变差函数纹理特征对建筑物区域进行分类检测，然后在建筑物区域进行独立建筑物的检测，检测结果如图 7(d)所示。可以看出，由于场景左下角区域未能作为建筑物区域检测出来，导致该区域内两个较为明显的建筑物发生漏检。本文算法提取得到的显著区域(图 7(b))比较准确，左下角区域内的两个建筑物具有阴影和高亮线条的显著特征，因此被正确检测出来。采用本文算法，场景其他区域内的建筑物也得到了正确的检测，但个别建筑物的定位准确度不如文献^[1]算法。

图 7 建筑物检测试验3 Fig. 7 Building detection experiment 3

图选项

从高分辨率SAR图像中进行建筑物检测时，检测效果受特征提取准确性的影响较大。本文因此提出了一种多特征融合检测算法。该算法充分利用SAR图像中建筑物目标与背景存在较大差异的特点，采用视觉注意模型进行建筑物的感兴趣区分割，提取注意焦点、高亮线条和阴影区域作为底层特征，在SAR图像中建筑物成像模型的约束下，通过D-S证据理论的特征融合实现建筑物目标的检测。试验结果表明，本文算法具有较高的检测精度，在降低虚警率方面具有明显优势。

但是，本文算法具有一定的适用范围，待检测的建筑物需具有以下特点：①高亮长直线条为本文算法所使用的主要特征之一，因此建筑物轮廓必须为矩形或矩形的组合，以保证能够提取出反映建筑物结构的高亮线条；②阴影为本文算法所使用的主要特征之一，因此建筑物需要有阴影区域存在。未来研究中将致力于多种形状的建筑物的检测，使算法具有更好的适应性。