CN103268496B - Sar图像目标识别方法 - Google Patents

Abstract

本发明提供一种应用于SAR图像的目标识别方法。技术方案是：利用目标类别已知的SAR图像构建目标模板库，分别提取模板图像和待测图像的基于局部梯度比率的直方图特征作为识别特征，基于LGRPH特征设计相似度评估准则，通过比较待测图像与模板图像的相似度来实现目标识别。本发明过程中计算的局部梯度比率值采用比值方法，对SAR图像的乘性相干斑噪声和场景对比度变化不敏感，有效保持了目标的边缘、角点、局部散射强弱变化等信息，可提高目标识别方法在恶劣成像条件下的精度。

Description

SAR图像目标识别方法

技术领域

本发明涉及一种SAR（SyntheticApertureRadar,合成孔径雷达）图像目标识别方法，特别是涉及基于特征相似度评估的SAR图像目标识别方法。

背景技术

SAR图像目标识别的工作原理是构建类别信息已知的目标模板库，通过评估待测图像与模板图像之间的相似程度，选择与待测图像具有最高相似度的模板图像，由此确定待测目标的类别信息。

SAR图像目标识别的核心在于构造合理的相似度准则来评估待测图像与模板图像之间的相似性。目前图像相似性评估主要有两种方式：（1）直接基于灰度信息构造相似度准则；（2）对图像进行特征提取，基于特征设计相似度函数。对于SAR图像目标识别而言，第（1）种方式基于灰度信息的方法对待测图像和模板图像数据来源的一致性有较高的要求，当二者属于非同源数据时，动态范围等特性的差异极易造成错误的灰度相似度评估，从而导致目标的误分类。基于第（2）种方式进行特征提取后再进行相似度评估，在很大程度上可降低数据特性差异带来的直接影响。然而，SAR成像机制引起的乘性相干斑噪声、剧烈的场景对比度变化等因素会影响特征提取的稳定性、完整性和准确性，从而导致相似性评估不准确和目标错误分类。为克服上述影响，必须在基于特征的相似度准则构建上取得创新性突破，以解决SAR图像目标识别在非同源数据、低信噪比、场景对比度变化剧烈等实际情况下的适用性问题，提高其准确性和稳健性。

发明内容

本发明的目的是针对现有技术的不足，提供一种对SAR图像相干斑噪声和场景对比度变化保持稳健性的目标识别方法，实现对同源或非同源SAR图像中目标类别的准确判别。

本发明的技术方案是：利用类别信息已知的目标SAR图像构建目标模板库，分别提取模板图像和待测图像的LGRPH（LocalGradientRatioPatternHistogram，基于局部梯度比率的直方图）特征作为识别特征，基于LGRPH特征设计相似度评估准则，通过比较待测图像与模板图像的相似度来实现目标识别。

为解决上述技术问题，本发明提供的SAR图像目标识别方法，包括目标模板库生成、模板图像特征提取、待测图像特征提取、相似度计算、匹配识别五个步骤，具体内容如下：

第一步：目标模板库生成

通过飞行试验或电磁散射仿真计算获取目标SAR图像，每幅SAR图像记录一个已知类别目标，上述所有SAR图像构成目标模板库。

第二步：模板图像特征提取

计算目标模板库中每幅SAR图像（即模板图像）的基于局部梯度比率的直方图特征，步骤如下：

设SAR图像g_k（k=1,2,…,M，M为目标模板库中SAR图像的总数），采用公式一计算SAR图像g_k中第(i,j)像素的邻域像素的梯度比率值

$\mathrm{GRP}\left(g_k^p(i,j)\right)=\frac{|g_k^p(i,j)-g_k(i,j)|}{g_k^p(i,j)}$ （公式一）

其中，g_k(i,j)表示SAR图像g_k中第(i,j)像素的灰度值；设像素(i,j)的邻域以像素(i,j)为中心、邻域半径为R、邻域像素个数为P，表示在上述邻域中的第p个邻域像素的灰度值，P和R的取值根据实际应用确定。采用公式二计算SAR图像g_k中第(i,j)像素的平均梯度比率值

$\stackrel{\‾}{\mathrm{GRP}\left(g_k(i,j)\right)}=\frac{1}{P}\underset{p=1}{\overset{P}{\mathrm{\Σ}}}\mathrm{GRP}\left(g_k^p(i,j)\right)$ （公式二）

采用公式三计算SAR图像g_k中第(i,j)像素的局部梯度比率值LGRP_P,R(g_k(i,j))：

${\mathrm{LGRP}}_{P,R}\left(g_k(i,j)\right)=\underset{p=0}{\overset{P-1}{\mathrm{\Σ}}}s(\mathrm{GRP}\left(g_k^p(i,j)\right)-\stackrel{\‾}{\mathrm{GRP}\left(g_k(i,j)\right))}-\·2^p$ （公式三）

其中，s(·)为判别函数，定义由公式四给出

（公式四）

统计SAR图像g_k中所有像素的局部梯度比率值，形成该图像的基于局部梯度比率值的直方图，直方图的横坐标为局部梯度比率值，纵坐标为每个局部梯度比率值在SAR图像g_k中出现的频次。以该直方图统计结果为基础形成N维特征矢量，记为基于局部梯度比率的直方图特征LGRPH(g_k)，其中N=2^P。

第三步：待测图像特征提取

对待测图像f，计算其基于局部梯度比率的直方图特征矢量LGRPH(f)，具体过程同第二步。

第四步：相似度计算

首先采用公式五计算待测图像f和目标模板库中任一SAR图像g_k之间的差异DIST(f,g_k)：

$\mathrm{DIST}(f,g_k)=\underset{n=1}{\overset{N}{\mathrm{\Σ}}}{s}_n\log \left(\frac{s_n}{t_n}\right)+\underset{n=1}{\overset{N}{\mathrm{\Σ}}}{t}_n\log \left(\frac{t_n}{s_n}\right)$ （公式五）

其中，s_n和t_n分别为N维特征矢量LGRPH(f)和LGRPH(g_k)的第n个分量。

然后采用公式六计算待测图像f和目标模板库中任一SAR图像g_k之间的相似度Similarity(f,g_k)：

$\mathrm{Similarity}(f,g_k)=\exp [-\frac{{\left(\mathrm{DIST}(f,g_k)\right)}^2}{{\mathrm{\σ}}^2}]$ （公式六）

其中，σ为控制高斯函数宽度的参数，根据具体应用情况确定，可取σ=2。

第五步：匹配识别

由第四步得到待测图像f与目标模板库中每幅SAR图像之间的相似度后，选择出相似度最大值所对应的模板图像，将该模板的目标类别赋予待测图像f，完成待测图像f的目标识别。

采用本发明可以达到以下技术效果：

1、本发明过程中计算的局部梯度比率值采用比值方法，对SAR图像的乘性相干斑噪声和场景对比度变化不敏感，有效保持了目标的边缘、角点、局部散射强弱变化等信息，可提高目标识别方法在恶劣成像条件下的精度。

2、本发明过程中计算的基于局部梯度比率的直方图特征本质上是一种纹理特征，其特征提取方法并不直接依赖SAR图像灰度，受SAR图像动态范围的影响较小，无需进行图像分割等预处理操作，因此既适用于同源SAR图像的目标识别，也适用于数据特性存在差异的非同源SAR图像的目标识别。

3、本发明过程中涉及的所有计算公式方法简单，且目标模板库中SAR图像的基于局部梯度比率的直方图特征矢量可预先离线计算并存储，因此在线目标识别的时效性高。

附图说明

图1是SAR图像目标识别方法的流程图；

图2是本发明一具体实施方式中的离线计算与在线计算模块示意图；

图3是计算邻域像素的梯度比率值时常用的邻域配置方式；

图4是计算SAR图像基于局部梯度比率的直方图特征矢量的示意图；

图5是进行仿真实验一的结果；

图6是进行仿真实验二的结果；

图7是进行仿真实验三的结果；

图8是进行仿真实验四的结果。

具体实施方式

下面结合附图对本发明的实施方式进行详细说明。

图1是SAR图像目标识别方法的流程图，包括目标模板库生成、模板图像特征提取、待测图像特征提取、相似度计算、匹配识别五个步骤。

图2是本发明一具体实施方式中的离线计算与在线计算模块示意图。为避免重复的特征提取，提高目标识别的效率，针对目标模板库中SAR图像的操作可离线完成；涉及到待测图像的运算，则采用在线实现的方式完成。

图3给出了本发明第二步中采用公式一计算SAR图像邻域像素的梯度比率值时常用的邻域配置方式（以邻域像素个数P和邻域半径R表示）。假设中心像素坐标为(i,j)，如图3中空心圆圈所示，那么其邻域像素的坐标就可以表示为(i+Rcos(2πp/P),j+Rsin(2πp/P))，在实际处理中如果坐标值不是整数，则通过最近邻插值计算得到该坐标值对应的像素灰度值，如图3中实心圆圈所示。图3中为常用的三种邻域配置：图3（a）中R=1，P=4；图3（b）中R=1，P=8；图3（c）中R=2，P=8，其中有4个像素的坐标不是整数。图5至图8所示的仿真实验中采用R=1，P=8。

图4以一幅实测SAR图像为例，给出了本发明第二步中提取基于局部梯度比率的直方图特征矢量的流程。图4（a）是原始SAR图像，采用本发明第二步中公式三对该图像逐像素计算局部梯度比率值后，得到图4（b）所示的图像，该图像表示原始SAR图像中每一个像素点对应的局部梯度比率值；对图4（b）进行直方图统计，直方图统计结果如图4（c）所示，其中P=8，N=256，即得到图4（a）中SAR图像的基于局部梯度比率的直方图特征矢量。

为说明本发明对非同源数据、低信噪比、场景对比度变化剧烈等情况的适用性以及目标识别的精度，采用仿真和实测SAR图像进行了四组实验，结果见图5-图8。实验在通用计算机平台上，利用MATLAB7.5仿真软件实现。

图5所示的仿真实验一验证本发明所提出的基于局部梯度比率的直方图特征矢量及其相似度评估对相干斑噪声不敏感。图5（a）-图5（f）为一组仿真SAR图像，图5（a）是无噪声的坦克目标仿真图像，图5（b）-图5（f）是在图5（a）基础上添加乘性相干斑噪声得到的有噪声图像，乘性相干斑噪声产生方法可参考文献“SARSpecklesimulation[J]”（InternationalArchivesofPhotogrammetryandRemoteSensing，1996，21：第20页-第25页），噪声方差依次为0.1、0.2、0.3、0.4、0.5。首先，对图5（a）-图5（f）分别提取基于局部梯度比率的直方图特征矢量；然后以无噪声图像图5（a）为参考，分别计算图5（a）与图5（b）、（c）、（d）、（e）、（f）之间基于局部梯度比率的直方图特征的相似度。图5（g）给出了相似度随噪声变化的曲线，横坐标表示图像两两比较的对应关系，纵坐标表示相似度。由图5（g）可见，相似度值均值在0.9以上，且相似度曲线波动性小，说明基于局部梯度比率的直方图特征在不同强度噪声条件下的鲁棒性。

图6所示的仿真实验二验证本发明所提出的基于局部梯度比率的直方图特征及其相似度评估对场景对比度变化具有稳健性。图6（a）-图6（f）为一组坦克目标的仿真SAR图像，目标和背景具有不同的对比度。首先，对图6（a）-图6（f）分别提取基于局部梯度比率的直方图特征矢量；然后以理想仿真图像图6（a）为参考，分别计算图6（a）与图6（b）、（c）、（d）、（e）、（f）之间基于局部梯度比率的直方图特征的相似度。图6（g）给出了相似度随场景对比度变化的曲线，横坐标表示图像两两比较的对应关系，纵坐标表示相似度。由图6（g）可见，相似度均值在0.9以上，且相似度曲线波动性小，说明基于局部梯度比率的直方图特征在不同场景对比度条件下的稳健性。

图7所示的仿真实验三验证本发明对同源SAR图像目标识别的性能，所采用的目标模板库中的SAR图像与待测图像均来自美国MSTAR(MovingandStationaryTargetAcquisitionandRecognition)公共数据集提供的机动目标实测SAR图像。模板图像为17°俯仰角下的三类目标图像：装甲车BMP2-C21(238幅)、主战坦克T72-132(233幅)、装甲运兵车BTR70-C71(234幅)。测试图像为15°俯仰角下的三类目标图像：BMP2-9563（238幅）和BMP2-C21（234幅）、T72-132（233幅）和T72-812（232幅）、BTR70-C71（234幅），其中同一类目标的不同型号（如BMP2-9563和BMP2-C21）仍视为属于同一类别。采用本发明的目标识别方法对上述数据进行实验。图7给出了目标识别结果，横坐标标识不同目标类别的待测图像，纵坐标表示识别正确率。三类目标的正确识别率均在90%以上，平均正确率为91.70%，可见本发明在对实测SAR图像的目标识别中可取得良好的性能。

图8所示的仿真实验四验证本发明对非同源SAR图像目标识别的性能，所采用的目标模板库同仿真实验三，为了模拟非同源数据条件下面临的噪声强度变化、场景对比度变化等情况，待测图像为电磁散射计算得到的15°俯仰角下的两组仿真图像，每一组均包含两类目标：T72（300幅）、BTR70（194幅），两组数据的噪声方差分别为0.3和0.5。采用本发明的目标识别方法对上述数据进行实验。图8给出了目标识别结果，横坐标标识不同噪声方差的待测图像，纵坐标表示正确识别率，实心柱状图表示T72的正确识别率，空心柱状图表示BTR70的正确识别率。噪声方差为0.3时，T72和BTR70的正确识别率分别为80.59%和81.25%；噪声方差增加到0.5时，T72和BTR70的正确识别率分别为78.86%和81.49%。一方面，随着噪声方差的增大，目标正确识别率的变化不大，说明本发明的目标识别方法对噪声不敏感；另一方面，由于测试所用的仿真图像和实测的模板图像属于非同源数据，在数据特性上存在较大的差异，目标识别性能较实验三有所下降，但平均正确率仍大于80%，可满足实际应用的需求。因此，本发明在对非同源SAR图像的目标识别中同样具有实用价值。

Claims (1)

1.一种SAR图像目标识别方法，其特征在于，包括下述步骤：

第一步：目标模板库生成：

获取目标SAR图像，每幅SAR图像记录一个已知类别目标，上述所有SAR图像构成目标模板库；

第二步：模板图像特征提取：

计算目标模板库中每幅SAR图像的基于局部梯度比率的直方图特征，步骤如下：

设SAR图像为g_k，k＝1,2,…,M，M为目标模板库中SAR图像的总数，采用公式一计算SAR图像g_k中第(i,j)像素的邻域像素的梯度比率值

$GRP\left(g_k^p\right(i,j\left)\right)=\frac{|g_k^p\left(i,j\right)-g_k\left(i,j\right)|}{g_k^p\left(i,j\right)}$ (公式一)

其中，g_k(i,j)表示SAR图像g_k中第(i,j)像素的灰度值；设像素(i,j)的邻域以像素(i,j)为中心、邻域半径为R、邻域像素个数为P，表示在上述邻域中的第p个邻域像素的灰度值，P和R的取值根据实际应用确定；采用公式二计算SAR图像g_k中第(i,j)像素的平均梯度比率值

$\stackrel{\‾}{GRP\left(g_k\right(i,j\left)\right)}=\frac{1}{P}\underset{p=1}{\overset{P}{\Σ}}GRP\left(g_k^p\right(i,j\left)\right)$ (公式二)

采用公式三计算SAR图像g_k中第(i,j)像素的局部梯度比率值LGRP_P,R(g_k(i,j))：

${\mathrm{LGRP}}_{P,R}\left(g_k\right(i,j\left)\right)=\underset{p=0}{\overset{P-1}{\Σ}}s\left(GRP\right(g_k^p\left(i,j\right))-\stackrel{\‾}{GRP\left(g_k\left(i,j\right)\right)})\·2^p$ (公式三)

其中，s(·)为判别函数，定义由公式四给出：

统计SAR图像g_k中所有像素的局部梯度比率值，形成该图像的基于局部梯度比率值的直方图，直方图的横坐标为局部梯度比率值，纵坐标为每个局部梯度比率值在SAR图像g_k中出现的频次；以该直方图统计结果为基础形成N维特征矢量，记为基于局部梯度比率的直方图特征LGRPH(g_k)，其中N＝2^P；

第三步：待测图像特征提取：

对待测图像f，计算其基于局部梯度比率的直方图特征矢量LGRPH(f)，具体过程同第二步；

第四步：相似度计算：

首先采用公式五计算待测图像f和目标模板库中任一SAR图像g_k之间的差异DIST(f,g_k)：

$DIST(f,g_k)=\underset{n=1}{\overset{N}{\Σ}}{s}_{n}log\left(\frac{s_n}{t_n}\right)+\underset{n=1}{\overset{N}{\Σ}}{t}_{n}log\left(\frac{t_n}{s_n}\right)$ (公式五)

其中，s_n和t_n分别为N维特征矢量LGRPH(f)和LGRPH(g_k)的第n个分量；

然后采用公式六计算待测图像f和目标模板库中任一SAR图像g_k之间的相似度Similarity(f,g_k)：

$Similarity(f,g_k)=\exp \[-\frac{{\left(DIST\right(f,g_k\left)\right)}^2}{{\mathrm{\σ}}^2}\]$ (公式六)

其中，σ为控制高斯函数宽度的参数，根据具体应用情况确定；

第五步：匹配识别：

由第四步得到待测图像f与目标模板库中每幅SAR图像之间的相似度后，选择出相似度最大值所对应的目标模板库中的SAR图像，将该SAR图像的目标类别赋予待测图像f，完成待测图像f的目标识别。