CN101571594A - 基于曲线波变换的sar目标识别方法 - Google Patents

Abstract

本发明公开了一种基于曲线波变换的SAR目标识别方法，它涉及图像处理和目标识别技术领域。主要解决现有SAR目标识别方法识别率低和数据量大的问题。其实现过程为：平滑中值滤波；非线性归一化；窗口滤波后再进行阈值分割；曲线波变换提取低频子带信息以及阈值分割；形态学处理形成精细特征区域；依次进行平滑滤波、非线性归一化、窗口滤波以及曲线波变换提取图像低频子带信息，构成粗糙特征区域；将精细和粗糙特征相结合作为最终目标特征向量训练支撑矢量分类器；利用该训练好的分类器对SAR目标进行识别。本发明具有降低数据量和提高识别率的优点，可用于对SAR地面目标类别的检测。

Description

基于曲线波变换的SAR目标识别方法

技术领域

本发明属于图像处理技术领域，涉及目标识别，具体地说是一种对SAR目标的识别方法，该方法可用对SAR图像目标的识别。

背景技术

合成空孔径雷达(SAR，Synthetic Aperture Radar)是一种全天时、全天候的雷达系统，具有高分辨率和穿透能力，在战场感知中具有广泛应用。但由于其成像机理外部噪声等影响导致了SAR图像不能像光学图像那样易于观察和理解，因此，必须对其进行识别。

目标识别是图形图像处理过程中一个重要环节。目标识别的任务就是将待识别的目标通过设计的算法正确的识别出来，但这些目标必须要有一定的先验知识或者称作训练样本以训练分类器，从而进一步验证识别出的结果。现代计算机强大的计算和信息处理能力在许多领域已经代替了人类的工作，但是它在目标识别，环境感知及在复杂环境下的决策能力远远不如生物系统。对于目标识别领域，通常流程为：预处理环节——去除背景干扰信息，将目标信息更加准确的体现；特征提取环节——提取有效特征不仅能够将维，而且还能够提取出目标的代表性信息；分类器环节——提高分类器学习性能。研究者先后提出了一些方法：

美国的Kaplan，L.M.，Murenzi，R.，Asika，E.和Namuduri，K.学者提出了匹配滤波方法，它是利用一组滤波器来表示不同方位的图像信号，待识别的目标通过与最相似的滤波器相匹配而输出识别结果，参见文章《Effect of signal-to-clutterratio on template-based ATR》In Proceedings of SPIE，Algorithms for SyntheticAperture Radar Imagery VI，vol.3370，Orlando，FL，1998，408-419。这种方法的缺点是：匹配过程时间代价很大，而且只是最原始的匹配相似原理，导致模板匹配识别率不理想。

随着机器学习的发展，中国的Zhao，Q.和美国的Principe，J.C.学者提出了利用支撑矢量机识别SAR图像MSTAR数据，参见文章《Support vector machinesfor SAR automatic target recognition》IEEE Transactions on Aerospace andElectronic Systems，Vol.37，No.2，(2001)643-654。这种方法首次将支撑矢量机用于目标领域，并且得到了比之前好的分类效果，并为很多学者提供了一条新的思路，即利用机器学习方法来用作识别分类器。但此方法由于没有考虑提取目标特征，因此识别率不高；该方法只提取了中央80×80大小图像L2范数信息，特征数据量大，导致计算复杂度高。2007年中国的YIJUN SUN和JIAN LI等学者改进了分类器，提出了用AdaBoost算法取代支撑矢量机算法得到了较好的效果，参见文章《Adaptive Boosting for SAR Automatic Target Recognition》IEEETransactions on Aerospace and Electronic Systems，Vol.43，No.1，(2007)112-125。但此方法主要关注于有效分类器的设计，虽然它也能提取目标特征，但提取的目标特征不够准确，影响SAR目标的识别率；此方法中提取预处理后中央80×80大小子图像的离散傅立叶变换的频域信息，同样导致计算复杂度高的问题。考虑到如何提取图像特征问题，2005年美国学者Candes和美国学者Donoho等人提出的曲线波变换，参见文章《Fast Discrete Curvelet Transforms》Multiscale Model.Simulation，5，861-899。它成功解决降低图像特征提取维数的问题，并已应用于图像的特征提取环节，本发明将曲线波变换引入SAR目标识别方法中，降低特征维数。

发明内容

本发明的目的在于为了克服上述已有技术的不足，提出了一种基于曲线波变换的SAR目标识别方法，以准确提取目标特征，提高SAR目标识别率，同时降低数据量，减少计算时间代价。

实行本发明目的的技术方案，包括如下步骤：

(1)对原始SAR目标图像进行平滑中值滤波；

(2)利用滤波后图像的均值和方差对滤波后的图像进行非线性归一化处理；

(3)利用大小为64×64窗口滤波器提取非线性归一化后图像的中央区域，并对该中央区域进行阈值分割；

(4)对分割后的64×64图像提取曲线波变换低频子带信息，得到32×32大小的子带图像，并对该子带图像再进行阈值分割；

(5)对阈值分割后的32×32子带图像利用形态学处理方法去除图像背景杂点和干扰小区域，形成精细特征区域；

(6)对原始SAR目标数据依次进行平滑滤波、非线性归一化、64×64窗口滤波提取中央区域以及利用曲线波变换提取此64×64图像的低频子带信息，得到32×32子带图像，构成SAR目标图像的粗糙特征区域；

(7)将上述得到的精细特征区域和粗糙特征区域相结合，作为SAR图像的最终目标特征，并用该最终目标特征训练支撑矢量机；

(8)利用训练好的支撑矢量机对SAR目标类别进行识别，并输出识别结果。

本发明与现有的技术相比具有以下优点：

1)本发明采用的非线性归一化方法可去除与目标区域像素值差异较大的背景区域的干扰，有利于提取目标的有效特征；

2)本发明由于采用曲线波变换提取图像低频子带信息能够稀疏表示图像信息，因此压缩了图像数据量维数，使计算复杂度和时间代价的降低，具有一定的实际应用性；

3)本发明由于将精细特征区域和粗糙特征区域结合作为SAR图像的最终目标特征，因而在提取目标区域的同时保持了边缘信息，提取了更加有效的特征，使得SAR图像目标识别率更高。

附图说明

图1是本发明实现流程图；

图2是本发明对应于特征提取流程每步操作后的图像。

具体实施方式

参照图1，本发明对SAR目标的识别步骤包括如下：

步骤1，对原始SAR目标图像进行平滑中值滤波，具体操作如下：

(1.1)选定一个3×3模板，将该模板在如图2(a)所示的原始图像中遍历，并将模板中心与每个像素位置重合；

(1.2)读取模板下各个像素的灰度值；

(1.3)将这些灰度值从小到大排成一列；

(1.4)寻找每一个排列的中间值，并记为μ；

(1.5)将μ值赋给对应模板中心位置的像素，完成平滑中值滤波，如图2(b)所示。

步骤2，利用滤波后图像的均值和方差对滤波后的图像进行非线性归一化处理。

非线性归一化处理目的在于使目标清晰化，去除与目标区域像素值差异较大的背景区域的干扰。具体操作为：

(2.1)计算滤波后的整幅图像的像素值均值：

μ＝E(f(t₁，t₂))，1≤t₁，t₂≤n    (1)

其中，t₁，t₂是图像的横纵坐标，n是图像的大小，f是滤波后图像，E是整幅图像像素值数学期望；

(2.2)计算滤波后的整幅图像的像素值方差：

σ²＝E(f(t₁，t₂)²)-μ²，1≤t₁，t₂≤n    (2)

(2.3)利用计算出的滤波后图像像素值的均值μ和方差σ²，对该滤波后图像进行非线性归一化：

X(t₁，t₂)＝f(t₁，t₂)-μ/σ²，1≤t₁，t₂≤n    (3)

其中，X是非线性归一化后图像，如图2(c)所示。

步骤3，利用大小为64×64窗口滤波器提取非线性归一化后图像的中央区域，并对该中央区域进行阈值分割；

(3.1)鉴于目标信息处在图像的中央区域附近，故先采用窗口大小为64×64，值为1的滤波器直接进行滤波；

(3.2)对非线性归一化后的图像进行64×64窗口滤波后的图像采用阈值分割，64×64中央区域图像阈值选取一般为0.5～1.0，本实施例选阈值为0.9，将图像像素值大于阈值0.9的像素值置1，小于阈值0.9的像素值置0。通过阈值分割操作可在最大程度上去除背景杂点的同时又最大限度地保留了目标信息，如图2(d)所示。

步骤4，对分割后的64×64图像提取曲线波变换低频子带信息，得到32×32大小的子带图像，并对该子带图像再进行阈值分割。

(4.1)将分割后的64×64图像进行二维傅立叶变换，得到图像的傅立叶频域函数

-n/2＜n₁，n₂＜n/2；

其中，n是图像大小，n₁，n₂是频域空间的横纵坐标；

(4.2)用“楔形”矩阵S_θ乘以图像的傅立叶频域函数

实现重采样，得到新的取样函数

其中，θ_l是“楔形”窗的方位角，S_θ是矩阵 $\left(\begin{array}{cc}1& 0\\ -\tan {\mathrm{\θ}}_l& 1\end{array}\right);$

(4.3)用新的取样函数

与窗函数

相乘，即 ${\tilde{f}}_{j,l}[n_1,n_2]=\hat{f}[n_1,n_2-n_1\tan {\mathrm{\θ}}_l]{\tilde{U}}_j,$ 以对新的取样函数对应的频域进行重新划分，

其中，频域窗

通过进行如下操作得到：

(4.3.1)计算满足允许条件的径向窗函数W(r)，r∈(1/2，2)为：

$W\left(r\right)=\left\{\begin{array}{cc}1,& 5/6\≤r\≤4/3\\ \cos \left[\frac{\mathrm{\π}}{2}v\right[5-6r],& 5/6\≤r\≤4/3\\ \cos \left[\frac{\mathrm{\π}}{2}v(5-6r)\right],& 4/3\≤r\≤5/3\\ 0,& \mathrm{else}\end{array}\right.---\left(4\right)$

(4.3.2)计算满足允许条件的角度窗函数V(t)，t∈(-1，1)为：

$V\left(t\right)=\left\{\begin{array}{cc}1,& t\≤1/3\\ \cos \left[\frac{\mathrm{\π}}{2}v(3t-1)\right],& 1/3\≤t\≤2/3\\ 0,& \mathrm{else}\end{array}\right.---\left(5\right)$

(4.3.3)计算频域窗函数为：

其中，j是尺度变量，

是j/2的整数部分；

(4.4)对重新划分后的频域空间

进行二维傅立叶反变换，得到曲线波变换系数c^D(j，l，k)；

(4.5)提取曲线波变换系数c^D(j，l，k)中32×32低频子带系数；

(4.6)对提取的32×32低频子带图像进行阈值分割，阈值的选取的范围为0.4～0.7，本实施例阈值选取为0.56；

(4.7)将图像像素值大于阈值0.56的像素值置1，小于阈值0.56的像素值置0，使目标区域从背景中独立出来，如图2(e)所示。

步骤5，对阈值分割后的32×32子带图像利用形态学处理方法去除图像背景杂点和干扰小区域，形成精细特征区域，其具体实现是在曲线波变换提取32×32的低频子带图像中保留面积最大的区域，并将该最大的区域作为目标区域，将小于此面积的干扰和背景区域的每个像素值置零，如图2(f)所示。

步骤6，对原始SAR目标数据依次进行平滑滤波、非线性归一化、64×64窗口滤波提取中央区域以及利用曲线波变换提取此64×64图像的低频子带信息，得到32×32子带图像，构成SAR目标图像的粗糙特征区域；

步骤7，将上述得到的精细特征区域和粗糙特征区域相结合，作为SAR图像的最终目标特征，并用该最终目标特征训练支撑矢量机；

(7.1)分别将精细特征区域和粗糙特征区域排列成m维列向量，再将二者的征向量个数相叠加后的2m维特征列向量作为SAR目标的最终特征向量x；

(7.2)利用高斯核函数计算目标特征x映射为高维空间的特征向量，其映射公式为：

$K(x,x^{\′})=\exp (-\frac{{\left|\right|x-x^{\′}\left|\right|}^2}{2{\mathrm{\α}}^2})---\left(7\right)$

其中，α是高斯核参数，K(x，x′)是高维空间的特征向量，x′是当训练公式中拉格朗日乘子不为0时的支撑矢量；

(7.3)将高维特征向量K(x，x′)送入支撑矢量分类器进行训练，其训练公式为：

$f\left(x\right)=\mathrm{sgn}(\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{\mathrm{\α}}_i{y}_{i}K(x,x^{\′})+b^{*})---\left(8\right)$

式中α_i是拉格朗日乘子，b^*是阈值，y_i是所有待识别的类别标记，f(x)是训练后得到的类别；

(7.4)对所有提取的最终目标特征向量x依次进行(6b)、(6c)步骤操作，每次循环中均判断x是否为支撑矢量，待整个训练过程结束后，得到该类目标图像的支撑矢量分类器。

步骤8，利用训练好的支撑矢量分类器，对SAR目标进行测试，输出最终识别结果。

本发明效果通过一下仿真实验进一步说明：

1)实验图像

本实施例采用SAR目标识别的实验图像由DARPA/AFRL的运动和静止目标获取与识别项目工作组提供的三类图像，分辨率均为0.3m×0.3m，图像的大小均为128×128，包括BTR70型装甲车，BMP2型装甲车和T72型主战坦克三类，如表1所示。

表1实验使用的SAR目标图像

目标	17°depression训练样本	17°depression样本数量	15°depression测试样本	15°depression样本数量
					BMP2	sn_9563sn_9566	233232	sn_9563sn_9566	195196
BTR70	sn_c71	233	sn_c71	196
					T72	sn_132sn_812	232231	sn_132sn_812	196195

2)实验内容

将本发明与目前存在的模板匹配识别方法Matched Filter方法、MACH Filter方法、SVM SAR-ATR方法、以及AdaBoost SAR-ATR方法进行比较。

实验1，采用本发明利用全部训练样本训练支撑向量机，再利用全部测试样本进行测试，得到识别率；

实验2，采用本发明选择部分训练样本，即BTR70_SN_C71，T72_SN_132和BMP2_SN_9563这三种型号目标训练支撑向量机，再测试全部测试样本，得到识别率。

3)实验结果

表2给出了本发明方法在实验1条件下的混淆矩阵；

表3给出了本发明方法在实验2条件下的混淆矩阵；

表4给出了本发明方法与现有Matched Filter方法、MACH Filter方法和AdaBoost SAR-ATR方法在实验1条件下的识别率比较；

表5给出了本发明方法与现有模板匹配法、SVM方法和AdaBoost SAR-ATR方法在实验2条件下的识别率比较；

表6给出了本发明方法与现有SVM方法和AdaBoost SAR-ATR方法提取的特征维数比较；

表2实验1的混淆矩阵

	BTR70   BMP2   T72   正确识别率
		BTR70BMP2_SN_9563BMP2_SN_9566T72_SN_132T72_SN_812	196     0      0     100％1       193    1     98.97％0       196    0     100％0       0      196   100％0       0      196   100％

表3实验2的混淆矩阵

	BTR70   BMP2   T72   正确识别率
		BTR70BMP2_SN_9563BMP2_SN_9566T72_SN_132T72_SN_812	196     0      0     100％1       193    1     98.97％11      174    14    87.24％0       0      196   100％0       0      195   100％

表4本发明方法与现有方法在实验1条件下的识别率比较

方法	平均识别率
		Matched Filter	98.97％
MACH Filter	98.10％
		AdaBoost SAR-ATR	99.63％
本发明方法	99.83％

表5本发明方法与现有方法在实验2条件下的识别率比较

方法	平均识别率
		模板匹配法	89.70％
SVM	90.99％
		AdaBoost SAR-ATR	96.12％
本发明方法	97.70％

表6本发明方法与现有方法提取特征维数比较

方法	提取SAR目标特征维数
		SVM	12800
AdaBoost SAR-ATR	12800
		本发明方法	2048

从表2可见，本发明在取全部样本训练分类器时，BTR70识别率为100％，T72识别率为100％，BMP2识别率为99.49％；从表3可见，本发明在取部分样本训练分类器时，BTR70识别率为100％，T72识别率为100％，BMP2识别率为93.11％。

从表4可知，本发明方法在实验1条件下平均识别率为99.83％；从表5可知，本发明方法在实验2条件下平均识别率为97.70％，说明本发明方法在两种实验条件下均获得了最优识别率，证明本方法具有较好的推广性。

从表格6可知，本发明提出的SAR目标识别方法在提取特征维数上明显比其它方法少，从而减少时间代价，具有实际意义。

通过上述表格可知，本发明方法在提高识别率同时降低了数据量，从而减少时间代价，具有很好的实际意义。

Claims (6)

1、一种基于曲线波变换的SAR目标识别方法，其具体实现步骤如下：

(1)对原始SAR目标图像进行平滑中值滤波；

(2)利用滤波后图像的均值和方差对滤波后的图像进行非线性归一化处理；

(3)利用大小为64×64窗口滤波器提取非线性归一化后图像的中央区域，并对该中央区域进行阈值分割；

(4)对分割后的64×64图像提取曲线波变换低频子带信息，得到32×32大小的子带图像，并对该子带图像再进行阈值分割；

(5)对阈值分割后的32×32子带图像利用形态学处理方法去除图像背景杂点和干扰小区域，形成精细特征区域；

(6)对原始SAR目标数据依次进行平滑滤波、非线性归一化、64×64窗口滤波提取中央区域以及利用曲线波变换提取此64×64图像的低频子带信息，得到32×32子带图像，构成SAR目标图像的粗糙特征区域；

(7)将上述得到的精细特征区域和粗糙特征区域相结合，作为SAR图像的最终目标特征，并用该最终目标特征训练支撑矢量机；

(8)利用训练好的支撑矢量机对SAR目标类别进行识别，并输出识别结果。

2、根据权利要求1所述的SAR目标识别方法，其中步骤(1)所述的对原始SAR目标图像进行平滑中值滤波，选择3×3窗口的滤波模板。

3、根据权利要求1所述的SAR目标识别方法，其中步骤(2)所述的利用滤波后图像的均值和方差对滤波后的图像进行非线性归一化处理，是通过以下公式进行：

X(t₁，t₂)＝f(t₁，t₂)-μ/σ²，1≤t₁，t₂≤n

其中f是滤波后图像，X是非线性归一化后图像，t₁和t₂是图像的横、纵坐标，n是图像的大小，μ是滤波后图像的均值，σ²是滤波后图像的方差。

4、根据权利要求1所述的SAR目标识别方法，其中步骤(4)所述的对分割后的64×64图像提取曲线波变换低频子带系数，通过以下公式提取曲线波变换所有系数：

其中

是数字曲线波变换，t₁，t₂是图像的横、纵坐标，n是图像的大小，f[t₁，t₂]是原始图像，c^D(j，l，k)是变换后的曲线波变换系数，然后只提取其中的低频子带系数。

5、根据权利要求1所述的SAR目标识别方法，其中步骤(5)所述的对阈值分割后的32×32子带图像利用形态学处理方法去除图像背景杂点和干扰小区域，是在曲线波变换提取32×32的低频子带图像中保留面积最大的区域，并将该最大的区域作为目标区域，将小于此面积的干扰和背景区域的每个像素值置零。

6、根据权利要求1所述的SAR目标识别方法，其中步骤(7)按如下步骤进行：

(6a)分别将精细特征区域和粗糙特征区域排列成m维列向量，再将二者的征向量个数相叠加后的2m维特征列向量作为SAR目标的最终特征向量x；

(6b)利用高斯核函数计算目标特征x映射为高维空间的特征向量，其映射公式为：

$K(x,x^{\′})=\exp (-\frac{{\left|\right|x-x^{\′}\left|\right|}^2}{2{\mathrm{\α}}^2})$

其中，α是高斯核参数，K(x，x′)是高维空间的特征向量，x′是当训练公式中拉格朗日乘子不为0时的支撑矢量；

(6c)将高维空间的特征向量K(x，x′)送入支撑矢量机进行训练，其训练公式为：

$f\left(x\right)=\mathrm{sgn}(\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{\mathrm{\α}}_i{y}_{i}K(x,x^{\′})+b^{*})$

式中α_i是拉格朗日乘子，b^*是阈值，y_i是所有待识别的类别标记，f(x)是训练后类别。

(6d)对所有目标特征向量x依次进行(6b)、(6c)步骤操作，每次循环中均判断x是否为支撑矢量，待整个训练过程结束后，得到该类目标图像的支撑矢量分类器。

Images