基于高分辨率SAR影像的高压输电线路杆塔检测方法

刘 奕，吴兆鑫，徐梁刚，张雪峰

（1.贵州电网公司 输电运行检修分公司，贵州 贵阳 550002；2.国网电力科学研究院 武汉南瑞有限责任公司，湖北 武汉 430074）

中国幅员辽阔，电网覆盖面积广，输电线路传输距离长，经过的地区地形、地质、气象等环境复杂，各种极端灾害天气（覆冰、强风等）或突发地质灾害（泥石流、山洪、地震等）影响输电线路的安全运行［1］.

高压输电杆塔是电气设施中最重要的基础设施之一，其运行状态决定着整个电网的运行稳定和安全.传统的人工巡检、机器人巡线、直升机巡线、航空数字摄影巡线和铁塔上的各种传感器等在线监测装置是目前电网安全状态监测的主要手段，存在监测范围小、在恶劣环境和大范围灾害条件下工作受限等不足，为了保证这些骨干电网的安全和稳定运行，迫切需要研究和发展大范围灾害天气下电网广域监测技术.

合成孔径雷达（Synthetic Aperture Radar，SAR）是一种主动式的工作在微波波段的高分辨率相干成像雷达，是非常重要的遥感测量工具［2］.随着合成孔径雷达技术的发展，SAR图像的分辨率有了大幅度的提高，所能提供的细节信息更加丰富，利用SAR图像进行广域的电网输电线路运行状态监测也成为遥感应用研究的一个新的领域［3-4］.

基于高分辨率SAR图像的输电杆塔的目标检测是实现高分辨率SAR图像电网监测基础和关键的一步，检测结果好坏直接影响后续电网运行状态监测的准确率.在对输电杆塔的检测识别方面，美国MIT林肯实验室的Novak等对全极化SAR图像首先进行极化白化滤波，然后检测出输电杆塔［5］.密西根大学辐射实验室的Sarabandi等提出了一个统计极化检测算子利用毫米波极化SAR图像进行电力线的提取研究［6］.在中国，廖静娟等从2003年淮河洪水淹没区的机载SAR图像中清晰分辨了输电杆塔目标与走向［7］.刘艳等基于 Harris算子，利用TerraSAR-X数据对输电杆塔的形变进行了分析［8］.Wen Yang等依据高分辨率极化SAR图像建立了自动的输电杆塔点目标识别模型，准确的提取了农田中的输电线路矢量与走向［9］.

在高分辨率SAR图像中，输电杆塔的目标会表现出一定的轮廓信息，具备比较完整的形状结构.传统的基于恒虚警率（Constant False Alarm Rate，CFAR），更多地考虑目标强度与背景目标强度的差值比，并没有考虑目标形状和轮廓信息，这不仅降低了检测的有效性，还容易造成漏检和虚警.同时，基于CFAR的目标检测算法采用的是逐点检测的方式，检测得到的目标是一个个孤立的目标点，忽略了目标的整体性，增大了基于目标整体的特征提取和分析的后处理的困难.自相似性特征是Shechtman在文献［10］提出的对目标形状和轮廓进行描述的特征.笔者利用自相似性特征，获得输电杆塔内在的几何结构分布，通过输电杆塔形状和轮廓信息对其进行检测.

同时，由于SAR图像固有的speckle斑点现象，使得SAR图像的散射强度不是很稳定，造成自相似性特征提取的不稳定.笔者通过引入SAR图像中能够很好的描述其统计特性的G0分布模型，在图像的分布模型参数空间中来求得稳定的自相似性特征.在获得相似性特征后，利用在目标分类中采用的BOW（bag-of-visual-words）框架，将待测的目标区域图像描述成一些区域的集合，每一个区域都用自相似特征加以描述，并将所有区域的特征向量进行量化.通过BOW框架学习得到特征向量的字典，并利用SVM分类器，通过滑动窗口进行分类检测.或者可以将子图像中获得的自相似特征与样本图像的自相似特征做整体匹配，当两特征的距离小于某一阈值时，可以认为该区域有目标存在.

1 自相似性特征的提取

有时候在图像中局部的亮度信息以相似的几何分布在其相邻的位置重复出现，也就是说这些图像自相似特征的局部内在分布是相似的.尽管产生这些自相似特征的模式在每一幅图像中有很大不同，但这些自相似性特征的内在分布是类似的（存在一定意义上的变形）.这些自相似特征能有效地通过局部自相似描述征表达出来.如图1所示，输电杆塔目标在图像中现出一定的轮廓信息和局部相似性.

1.1 局部自相似特征的提取

由图2可以看出，若直接求两幅图的相似度是很难的，二者在光度特性上有很大的不同，但是可以分别求出其自相似性特征，只要在相对应的几何位置上有相似的描述子值，则两幅图是匹配的［11］.

对于局部区域自适应的提取自相似性特征的具体流程如下.

1）确定要计算的描述子点数，这些点是要计算的中心点q，然后将图像分为很多小块（pixels）.

2）以q点为中心的小块和被以q为中心点、半径为10个像素的区域包围的小块利用SSD得到距离平面.

3）距离平面归一化，通过公式转化为相关平面，即

其中，varnoise对应于图像因子的变化（颜色，光照），varauto（q）表示以q为中心的小块与非常小的邻域块之间的最大变化.将得到的相关平面转化为离散化的对数极坐标表达（binned log-polar representation），如：选择4个角度间隔、2个半径间隔，分成8个bins.在bins中找到最大相关值，组成8维的局部自相似描述子（中心点在q），在第1步中计算了多少个点，就有多少个这样的8维向量，全部合起来构成一幅图像的局部自相似描述子.最后，这些描述子被量化到0～1的范围.

图1 输电杆塔目标SAR和光学图像Figure 1 SAR and optical images of power tower

图2 在相对的几何位置有相似的描述子值Figure 2 Similar descriptor at relative geometric position

1.2 高分辨率SAR图像中输电杆塔自相似性特征取

由于SAR图像中固有的speckled斑点现象，直接基于SAR图像强度的自相似性特征提取存在很大的不稳定性.如图3（b）所示，SAR图像受speckled斑点影响强度跳变很大，虽然整体上能够通过上、下文信息看到明显的轮廓特征，但实际上在实验中并不能将其进行准确的表述.G0分布能够很好地对高分辨率SAR图像数据进行拟合，这在传统的CFAR目标检测已经得到充分的验证，在该文中，考虑先用G0分布对SAR图像中数据进行拟合，在得到的参数域上，基于G0分布形状参数强度值进行自相似特征提取.强度形式的G0分布形式：

式中I为像素的强度值；N为等效视数；需要估计的参数α和γ分别为形状参数和尺度参数.

基于γ参数空间，提取输电杆塔的目标的自相似性特征.如图3（c）所示，可以看到在参数空间，输电杆塔成像目标的轮廓和形状特征更加明显，并且其强度变化比较平滑，噪声干扰较小，便于提取稳定的自相似性特征.

图3 高分辨率SAR图像中输电杆塔强度示意Figure 3 Intensity maps of power tower in high resolution SAR image

2 基于自相似特征输电杆塔检测

输电杆塔目标作为一种明显的有对称结构的刚性目标，在高分辨率SAR图像中呈现明显的形状和轮廓特性.该文中，通过自相似性特征来描述输电杆塔的轮廓信息.而SAR图中固有的speckle斑点现象使得图像的灰度值很不稳定，直接提取相似性特征噪声干扰很大.考虑用能够很好拟合高分辨率复杂场景中数据的G0分布模型，通过对G0分布模型的参数估计，并在图像的参数空间进行自相似性特征提取.这样，能够提取出稳定的描述输电杆塔的目标形状和轮廓的自相似性特征.同时，考虑到全局自相似特征对存储要求很高，计算复杂度也很高，该文采用局部自相似特征来进行输电杆塔检测.具体的算法流程如图4所示.

图4 自相似特征目标检测流程Figure 4 Flowchart of power tower detection using self-similarity feature

1）对输电杆塔样本图像和待检测的图像利用

2.2节中提到的G0分布模型求得分布参数图像.利用G0分布能够很好地对高分辨率SAR图像数据进行拟合，通过对拟合的数据进行参数分析，获得对目标及其周围区域的参数强度的稳定描述，便于自相似性特征的提取.

2）从分布参数图像的参数空间进行局部自相似性特征的提取，获得自相似性描述子.通过自相似性描述子来表述输电杆塔目标的相似性特征和轮廓信息.

3）把测试图像和样本图像获得的自相似性描述子，分别放入BOW框架进行特征的聚合和重新表述，再用SVM分类器进行分类检测，判断出是否为输电杆塔目标.或者，将子图像中获得的自相似特征与样本图像的自相似特征做整体匹配，当两特征的距离小于某一阈值时，可以认为该区域为目标区域.

4）在整幅测试图像中，对得到的检测结果进行后处理，获得最后的检测结果.

3 实验结果与分析

为了验证算法的有效性，笔者利用X波段机载多极化SAR数据进行相关实验.测试数据大小为1 400像素×2 300像素，图像分布率为0.5m×0.5m.图像中共有6个输电杆塔目标，图像Pauli基分解的伪彩图如图5（a）所示，图中输电杆塔的目标区域用矩形框标记出.从图3（c）中可以看出，在G0分布的参数空间，输电杆塔的目标区域表现出更加明显的形状和轮廓信息，能够通过自相似描述子表现其形状和轮廓特征.在图5（b）中，可以看到通过自相似性特征能够很好地完成对输电杆塔的检测分类，6个输电杆塔的目标都被完整地检测出来.在左上角有一个虚警目标，是由于其亮斑形状和输电杆塔的目标形状相似，所以造成了虚警.该虚警可以进一步根据输电杆塔网络的先验知识（呈线状排列）加以剔除，从而获得更为满意的检测结果，如图5（c）所示.

图5 机载SAR数据检测实验结果Figure 5 Experimental results on airborne SAR image

4 结语

在高分辨率SAR图像中，笔者利用输电杆塔目标表现出的局部相似性和轮廓特征，通过G0分布参数模型和自相似性描述子，对输电杆塔目标进行了检测分类.通过G0分布参数模型对SAR数据的拟合，很好地得到了参数空间的输电杆塔强度图像，从而得到稳定的自相似性特征，并且通过BOW框架和SVM分类器对输电杆塔目标进行了检测分类.在机载SAR数据上的实验结果表明了该文方法的有效性.

［1］刘艳，刘经南，李陶，等.利用高分辨率SAR卫星监测灾害条件下电网铁塔形变［J］.武汉大学学报：信息科学版，2009，34（11）：1 354-1 358.

LIU Yan，LIU Jing-nan，LI Tao，et al.Monitoring damage of state grid transmission tower in bad weather by high-resolution SAR SATEllites［J］.Geomatics and Information Science of Wuhan University，2009，34（11）：1 354-1 358.

［2］Xiaohua Zhang，Hongfeng Li，Licheng Jiao.A change detection algorithm based on object feature for SAR image［C］.2nd Asian-Pacific Conference on Synthetic Aperture Radar（APSAR），Xi'an，China，2009.

［3］Maurizio D B，Carmela G.CFAR detection of extended objects in high-resolution SAR images ［J］.IEEE Transations Geosci Remote Sensing，2005，43（4）：833-843.

［4］Liu Yan.Transmission line and tower monitoring technology based on high resolution SAR images［D］.Wuhan：Wuhan University，2009.

［5］Novak L M，Halversen S D，Owirka G J.Effects of polarization and resolution on the performance of a SAR ATR system［J］.The Lincoln Laboratory Journal，1995，8（1）：49-67.

［6］Sarabandi K，Park M.Extraction of power line maps from millimeter-wave polarimetric SAR images［J］.IEEE Transations on Antennas and Propagation，2000，48（12）：1 802-1 809.

［7］Liao J J，Shao Y，Wang，S X.Monitoring for 2003Huai River Flood in China using multisource SAR data［C］.Proceedings of IGARSS 2004，Alaska，USA，2004.

［8］刘艳，胡毅，王力农，等.高分辨率SAR卫星监测特高压输电杆塔形变［J］.高电压技术，2009，35（9）：2 076-2 080.

LIU Yan，HU Yi，WANG Li-nong，et al.Surveillance for 1 000kV transmission tower deformation using highresolution SAR satellite［J］.High Voltage Engineering，2009，35（9）：2 076-2 080.

［9］Yang W，Xu G，Chen J Y，et al.Power transmission towers extraction in polarimetric SAR imagery based on genetic algorithm［J］.ICIC’06，Lecture Notes in Control and Information Science，2006，43（5）：410-420.

［10］Shechtman E，Irani M.Matching local self-similarities across images and videos［C］.Proceedings CVPR’07，Singapore，2007.

［11］Thomas D，Vittorio F.Global and efficient self-similarity for object classification and detection［C］.Proceedings CVPR’10，San Francisco，USA，2010.