CN103630885A - 合成孔径雷达的目标识别方法和系统 - Google Patents

Abstract

本发明公开了一种合成孔径雷达的目标识别方法和系统，方法包括：对被测SAR图像的复图像数据进行SCM提高目标杂波比处理；将处理后的图像数据进行阈值分割后确定出被测SAR图像的目标轮廓图像；根据对目标轮廓图像提取其傅里叶描述子特征后得到被测SAR图像的特征向量，与各训练SAR图像的特征向量，计算被测SAR图像与各训练SAR图像之间的相似度；将与被测SAR图像的相似度最大的训练SAR图像的目标类别识别为被测SAR图像的目标类别。本发明的技术方案通过提高图像数据的质量，提高了目标识别率；还提高了识别速度，从而提高目标识别性能。

Description

合成孔径雷达的目标识别方法和系统

技术领域

本发明涉及雷达技术，尤其涉及一种合成孔径雷达的目标识别方法和系统。

背景技术

合成孔径雷达SAR（synthetic aperture radar）由于全天候、全天时探测等优点，已广泛应用于各类航空、航天对地观测和情报侦察，以及环境遥感和资源勘探等方面。

当合成孔径雷达探测地面、水面或空中等位置的目标时，探测得到的SAR图像的数据中既包含有目标图像的数据，又包含有背景杂波产生的噪声数据。

目前，一种合成孔径雷达的目标识别系统根据被测SAR图像的图像数据识别出目标的方法，即合成孔径雷达的现有的目标识别方法包括：

S101：现有的目标识别系统对于原始的被测SAR图像依次进行对数变换、阈值分割、幂变换和能量归一化等预处理后，得到预处理后的被测SAR图像。

S102：计算被测SAR图像的图像矩阵与预先得到的若干个训练SAR图像的图像矩阵之间的欧氏距离。

具体地，现有的目标识别系统将预处理后的被测SAR图像的像素的数据作为矩阵元素构成被测SAR图像的图像矩阵后，计算被测SAR图像的图像矩阵与预先得到的若干个训练SAR图像的图像矩阵之间的欧氏距离。

S103：确定出与该被测SAR图像的图像矩阵之间欧式距离最小的训练SAR图像的图像矩阵，将确定出的图像矩阵对应的训练SAR图像的目标类别作为该被测SAR图像的目标类别。

然而，本发明的发明人发现，应用现有目标识别方法的合成孔径雷达的目标识别率较低、且识别速度较慢，已无法满足对目标识别的性能要求；有必要提供一种可以提高合成孔径雷达的目标识别性能的目标识别方法和系统。

发明内容

本发明实施例提供了一种合成孔径雷达的目标识别方法和系统，以提高合成孔径雷达的目标识别性能。

根据本发明的一个方面，提供了一种合成孔径雷达的目标识别方法，包括：对被测SAR图像的复图像数据进行SCM提高目标杂波比处理；

将所述处理后的图像数据进行阈值分割后确定出所述被测SAR图像的目标轮廓图像；

对所述目标轮廓图像提取其傅里叶描述子特征后得到所述被测SAR图像的特征向量；

根据所述被测SAR图像与各训练SAR图像的特征向量，计算所述被测SAR图像与各训练SAR图像之间的相似度；

将与所述被测SAR图像的相似度最大的训练SAR图像的目标类别识别为所述被测SAR图像的目标类别。

较佳地，所述训练SAR图像的特征向量根据如下方法得到：

对所述训练SAR图像的复图像数据进行SCM提高目标杂波比处理后进行自适应阈值分割，确定出所述训练SAR图像的目标轮廓图像；

对所述训练SAR图像的目标轮廓图像提取其傅里叶描述子特征后得到所述训练SAR图像的特征向量。

较佳地，所述对被测SAR图像的复图像数据进行SCM提高目标杂波比处理，具体包括：

对被测SAR图像的复图像数据S进行二维傅里叶变换后得到所述被测SAR图像的傅里叶频谱；

将所述被测SAR图像的傅里叶频谱的零频分量移到谱中心，取出全部的方位向带宽的80%后，提取两个方位向子带；

对每个提取的方位向子带，将该方位向子带沿距离向和方位向分别补零，使其大小与S相等；

对两个方位向子带分别作二维逆傅里叶变换后，再作哈米特内积，得到复数据ρ；

对复数据ρ作二维傅里叶变换后，得到复数据ρ的傅里叶频谱；对所述复数据ρ的傅里叶频谱沿距离向和方位向作基于海宁窗的低通滤波后，对其作二维逆傅里叶变换，得到频谱滤波后的复数据；对所述频谱滤波后的复数据作基于3×3邻域的平均滤波后，将得到的复数据取其幅度信息作为所述处理后的图像数据。

较佳地，所述将所述处理后的图像数据进行阈值分割后得到所述被测SAR图像的目标轮廓图像，具体包括：

将所述处理后的图像数据进行自适应阈值分割：

对所述处理后的图像数据根据如下公式3作对数变换；

G(x,y)=10lg[F(x,y)+0.001]+30    （公式3）；

公式3中，F(x,y)为所述处理后的图像的第(x,y)个坐标点的数据，G(x,y)为经过对数变换后的所述被测SAR图像的第(x,y)个坐标点的数据；

估计经过对数变换后的所述被测SAR图像的图像数据的均值μ和方差σ；

根据如下公式4确定出所述被测SAR图像中的目标区域T：

$\frac{G(x,y)-\mathrm{\μ}}{\mathrm{\σ}}>c$     （公式4）

公式4中，c为对所述各训练SAR图像的数据分布进行统计得到的常数。

进一步，所述将所述处理后的图像数据进行阈值分割后确定出所述被测SAR图像的目标轮廓图像，还包括：

对所述目标区域T进行形态学滤波后，进行几何聚类处理后确定出所述被测SAR图像的目标轮廓图像。

较佳地，所述进行几何聚类处理后确定出所述被测SAR图像的目标轮廓图像，具体包括：

对经过形态学滤波后的目标区域T，检测出其中所有独立的连通区域；

针对每个连通区域，统计该连通区域中的像素点个数；

将像素点个数最多的连通区域确定为所述被测SAR图像的目标轮廓图像。

较佳地，所述对所述目标轮廓图像提取其傅里叶描述子特征后得到所述被测SAR图像的特征向量，具体包括：

将所述目标轮廓图像的边界点的坐标以复数的形式表示为坐标序列[s(0),...,s(k),...,s(K-1)]记为S(k)；其中，K为所述目标轮廓图像的边界点的总数，s(k)为第k个边界点的坐标的复数据；

对坐标序列S(k)作傅里叶变换，得到作为所述被测SAR图像的特征向量的坐标序列S(k)的傅里叶描述子特征。

较佳地，所述计算所述被测SAR图像与各训练SAR图像之间的相似度，具体包括：

对于每个训练SAR图像，计算所述被测SAR图像的特征向量与该训练SAR图像的特征向量之间的余弦夹角，作为所述被测SAR图像与该训练SAR图像之间的相似度。

根据本发明的另一个方面，还提供了一种合成孔径雷达的目标识别系统，包括：SCM处理模块，用于对被测SAR图像的复图像数据进行SCM提高目标杂波比处理；

轮廓图像确定模块，用于将所述SCM处理模块处理后的图像数据进行阈值分割后确定出所述被测SAR图像的目标轮廓图像；

特征向量确定模块，用于对所述轮廓图像确定模块得到的目标轮廓图像提取其傅里叶描述子特征后得到所述被测SAR图像的特征向量；

相似度计算模块，用于计算所述被测SAR图像与各训练SAR图像之间的相似度；并将与所述被测SAR图像的相似度最大的训练SAR图像的目标类别识别为所述被测SAR图像的目标类别。

进一步，所述目标识别系统，还包括：

训练模块，用于对每个已知目标类别的训练SAR图像，对该训练SAR图像的复图像数据进行SCM提高目标杂波比处理后进行阈值分割，确定出该训练SAR图像的目标轮廓图像；对该训练SAR图像的目标轮廓图像提取其傅里叶描述子特征后得到该训练SAR图像的特征向量后进行存储。

本发明实施例的技术方案中，通过对原始的被测SAR图像数据进行SCM提高目标杂波比处理，滤除了大量的噪声数据，使得SCM提高目标杂波比处理后的被测SAR图像的图像数据的质量得到了提高，提高了目标识别率，从而提高了目标识别性能。

而且，本发明的技术方案中，通过计算从被测SAR图像的目标轮廓图像中提取出的特征向量与从训练SAR图像的目标轮廓图像中提取出的特征向量之间的相似度，相比现有技术方案中的计算整个被测SAR图像的图像矩阵与整个训练SAR图像的图像矩阵之间的相似度，计算量大大减小，提高了识别速度，进一步提高目标识别性能。

附图说明

图1为现有技术方案的合成孔径雷达的目标识别方法的流程图；

图2为本发明实施例的合成孔径雷达的目标识别方法的流程图；

图3a、3b分别为本发明实施例的被测SAR图像的目标轮廓图像及其傅里叶模数子特征的示意图；

图4为本发明实施例的对被测SAR图形进行SCM提高目标杂波比处理的方法的流程图；

图5为本发明实施例的两个方位向子带的示意图；

图6为本发明实施例的确定被测SAR图像的目标轮廓图像的方法的流程图；

图7为本发明实施例的获得训练SAR图像的特征向量的方法的流程图；

图8为本发明实施例的合成孔径雷达的目标识别系统的内部结构框架示意图；

图9为本发明实施例的对比实验中重建的被测SAR图像的目标轮廓图像的示意图；

图10a、10c分别为本发明实施例的对比实验中未经SCM处理的被测SAR图像和根据未经SCM处理的图像数据重建的目标轮廓图像；

图10b、10d分别为本发明实施例的对比实验中经SCM处理的被测SAR图像和根据经SCM处理的图像数据重建的目标轮廓图像。

具体实施方式

为使本发明的目的、技术方案及优点更加清楚明白，以下参照附图并举出优选实施例，对本发明进一步详细说明。然而，需要说明的是，说明书中列出的许多细节仅仅是为了使读者对本发明的一个或多个方面有一个透彻的理解，即便没有这些特定的细节也可以实现本发明的这些方面。

本申请使用的“模块”、“系统”等术语旨在包括与计算机相关的实体，例如但不限于硬件、固件、软硬件组合、软件或者执行中的软件。例如，模块可以是，但并不仅限于：处理器上运行的进程、处理器、对象、可执行程序、执行的线程、程序和/或计算机。举例来说，计算设备上运行的应用程序和此计算设备都可以是模块。一个或多个模块可以位于执行中的一个进程和/或线程内。

本发明的发明人考虑到，合成孔径雷达现有的目标识别方法中，对于合成孔径雷达探测到的原始的被测SAR图像的数据进行简单的对数变换后，即将对数变换后的图像数据作阈值分割；而对数变换后的图像数据中仍包含大量背景杂波引起的噪声数据，很容易导致阈值分割后得到的目标图像数据的质量下降，从而导致现有目标识别方法的目标识别率低下。

因此，基于上述分析，本发明的技术方案中合成孔径雷达的目标识别系统在对被测SAR图像的数据进行阈值分割之前，可以根据基于子孔径互相关SCM（Subaperture Cross-correlation Magnitude）的方法，对原始的被测SAR图像的数据进行背景杂波的滤除，通过提高目标杂波比提高阈值分割后被测SAR图像的数据的质量，从而提高目标识别率。

而且，本发明的技术方案可以从阈值分割后的被测SAR图像数据和训练SAR图像数据中分别提取出各自的特征向量进行计算，相比于现有目标识别方法中需要对被测SAR图像数据和训练SAR图像数据各自的图像矩阵进行计算，计算量大大减小，提高了识别速度，有利于合成孔径雷达进行诸如目标跟踪等作业。从而提高了合成孔径雷达的目标识别性能。

下面结合附图详细说明本发明的技术方案。

本发明实施例提供的合成孔径雷达的目标识别方法，如图2所示，可以包括如下步骤：

S201：本发明实施例提供的合成孔径雷达的目标识别系统对被测SAR图像的复图像数据进行SCM提高目标杂波比处理。

本步骤中，合成孔径雷达的目标识别系统对合成孔径雷达探测到的原始的被测SAR图像的复图像数据进行SCM提高目标杂波比处理，具体方法在后续详细说明；其中，原始的被测SAR图像具体可以是灰度分布图像。

SCM提高目标杂波比处理可以滤除原始的被测SAR图像的图像数据中大量的背景杂波引起的噪声数据，提高被测SAR图像的图像数据的质量，从而可以提高本发明实施例的目标识别系统的目标识别率。

S202：目标识别系统将SCM提高目标杂波比处理后的图像数据进行阈值分割后确定出被测SAR图像的目标轮廓图像。

在本步骤中，更优地，目标识别系统将SCM提高目标杂波比处理后的被测SAR图像数据可以进行自适应阈值分割，从而确定出被测SAR图像的目标轮廓图像。对图像数据进行自适应阈值分割的具体方法在后续详细进行说明。

S203：目标识别系统对目标轮廓图像提取其傅里叶描述子特征后得到被测SAR图像的特征向量。

本步骤中，目标识别系统将步骤S202中得到的目标轮廓图像（如图3a所示）的边界划分为K个边界点，K为自然数；对于K个边界点中的每个边界点，将该边界点的坐标以复数的形式表示，如以下公式1：

s(k)=x(k)+jy(k)    （公式1）

公式1中，s(k)表示第k个边界点的坐标的复数据，k=0,1,2,L,K-1。

K个边界点的坐标的复数据构成目标轮廓图像的边界点的坐标序列S(k)，S(k)可以展开为[s(0),...,s(k),...,s(K-1)]。

对坐标序列S(k)作傅里叶变换，如图3b所示，得到作为被测SAR图像的特征向量的坐标序列S(k)的傅里叶描述子特征a(u)，a(u)如以下公式2所示：

$a\left(u\right)=\frac{1}{K}\underset{k=0}{\overset{K-1}{\mathrm{\Σ}}}s\left(k\right)e^{-j\frac{2\mathrm{\πuk}}{K}}$     （公式2）

公式2中，u为S(k)的傅里叶频谱中的频率。

S204：目标识别系统根据被测SAR图像与各训练SAR图像的特征向量，计算被测SAR图像与各训练SAR图像之间的相似度。

本步骤中，目标识别系统将被测SAR图像的傅里叶描述子特征a(u)与各训练SAR图像的特征向量之间的相似度作为被测SAR图像与各训练SAR图像之间的相似度。

目标识别系统计算被测SAR图像的傅里叶描述子特征a(u)与各训练SAR图像的特征向量之间的相似度，具体可以为：对于每个训练SAR图像的特征向量，该训练SAR图像的特征向量为g，计算a(u)与g之间的夹角的余弦值作为a(u)与g之间的相似度。

从被测SAR图像的目标轮廓图像中提取出被测SAR图像的特征向量，从训练SAR图像的目标轮廓图像中提取出训练SAR图像的特征向量，计算被测SAR图像的特征向量与训练SAR图像的特征向量之间的相似度的计算量，远小于计算被测SAR图像的图像矩阵与训练SAR图像的图像矩阵之间的相似度的计算量；从而可以提高本发明实施例的目标识别系统的识别速度。

S205：目标识别系统将与被测SAR图像的相似度最大的训练SAR图像的目标类别识别为该被测SAR图像的目标类别。

本步骤中，由于各训练SAR图像的目标类别是已知的，目标识别系统将与被测SAR图像的相似度最大的训练SAR图像的目标类别识别为该被测SAR图像的目标类别。

下面详细说明上述步骤S201中，目标识别系统对被测SAR图像的复图像数据进行SCM提高目标杂波比处理的方法，事实上，本发明实施例将应用于海面目标图像的SCM提高目标杂波比处理的方法，应用在本发明的目标识别系统中，具体流程如图4所示，可以包括如下步骤：

S401：目标识别系统对被测SAR图像的复图像数据S进行二维傅里叶变换后，得到被测SAR图像的傅里叶频谱。

具体地，目标识别系统对被测SAR图像的复图像数据S进行二维快速傅里叶变换（2-D fast Fourier transform，2DFFT）后，得到被测SAR图像的傅里叶频谱。

S402：目标识别系统将被测SAR图像的傅里叶频谱的零频分量移到谱中心，取出全部的方位向带宽B的80%后，提取两个方位向子带S₁和S₂。

本步骤中，目标识别系统将被测SAR图像的傅里叶频谱的零频分量移到谱中心，取出全部的方位向带宽B的80%后，如图5所示，从取出的80%带宽B中提取出方位向子带S₁和方位向子带S₂。

S403：目标识别系统对每个提取的方位向子带，将该方位向子带沿距离向和方位向分别补零，使其大小与S相等。

本步骤中，目标识别系统将方位向子带S₁沿距离向和方位向分别补零，使其大小与S相等；并将方位向子带S₂沿距离向和方位向分别补零，使其大小与S相等。

S404：目标识别系统对两个方位向子带分别作二维逆傅里叶变换后，再作哈米特内积，得到复数据ρ。

具体地，目标识别系统对方位向子带S₁和方位向子带S₂分别作二维逆快速傅里叶变换（2-D inverse fast Fourier transform，2DFFT）后，再作哈米特内积，得到复数据ρ。

S405：目标识别系统对复数据ρ作二维傅里叶变换后，得到复数据ρ的傅里叶频谱。

具体地，目标识别系统对复数据ρ作二维快速傅里叶变换2DFFT后，得到复数据ρ的傅里叶频谱。

S406：目标识别系统对复数据ρ的傅里叶频谱沿距离向和方位向作基于海宁窗（Hanning Window）的低通滤波后，对其作二维逆傅里叶变换，得到频谱滤波后的复数据。

具体地，目标识别系统对复数据ρ的傅里叶频谱沿距离向和方位向作基于海宁窗的低通滤波后，对其作二维逆快速傅里叶变换2DIFFT，得到频谱滤波后的复数据。基于海宁窗的低通滤波为本领域普通技术人员惯用的技术手段，不再赘述。

由于傅里叶频谱中的低频分量往往表示对应图像中变化平缓或基本无变化的数据，例如，较稳定的目标图像数据；傅里叶频谱中的高频分量往往表示对应图像中的变化较大、较快的数据，例如，随机的背景噪声数据。因此，对复数据ρ的傅里叶频谱进行低通滤波可以消除大量的背景噪声数据。

S407：目标识别系统对频谱滤波后的复数据作基于3×3邻域的平均滤波后，得到SCM提高目标杂波比处理后的图像数据。

本步骤中，目标识别系统对频谱滤波后的复数据作基于3×3邻域的平均滤波后，将得到的复数据取其幅度信息作为SCM提高目标杂波比处理后的图像数据。基于3×3邻域的平均滤波为本领域普通技术人员惯用的技术手段，不再赘述。

邻域的平均滤波法可以滤除图像中变化较大、较快的数据，例如，噪声数据，因此，应用邻域的平均滤波法可以对图像进行降噪。

下面详细说明上述步骤S202中，目标识别系统将SCM提高目标杂波比处理后的图像数据进行阈值分割后确定出被测SAR图像的目标轮廓图像方法，如图6所示，可以包括如下步骤：

S601：目标识别系统将SCM提高目标杂波比处理后的图像数据进行对数变换，得到对数变换后的被测SAR图像的数据。

本步骤中，目标识别系统将SCM提高目标杂波比处理后的被测SAR图像的数据根据如下公式3作对数变换；

G(x,y)=10lg[F(x,y)+0.001]+30    （公式3）；

公式3中，F(x,y)为SCM提高目标杂波比处理后的被测SAR图像的第(x,y)个坐标点的数据，G(x,y)为经过对数变换后的被测SAR图像的第(x,y)个坐标点的数据。

经过对数变换，可以将SCM提高目标杂波比处理后的图像数据中残留的非高斯的乘性噪声转换为高斯的加性噪声，从而进一步降低噪声对目标图像数据的干扰，提高被测SAR图像的数据的目标杂波比。

S602：目标识别系统对数变换后的被测SAR图像的数据进行自适应阈值分割，确定出被测SAR图像中的目标区域T。

本步骤中，目标识别系统估计对数变换后的被测SAR图像的图像数据的均值μ和方差σ。

目标识别系统根据如下公式4，确定出对数变换后的被测SAR图像中的目标区域T：

$\frac{G(x,y)-\mathrm{\μ}}{\mathrm{\σ}}>c$     （公式4）

公式4中，c为对各训练SAR图像的数据分布进行统计得到的常数。

目标识别系统将对数变换后的被测SAR图像的图像数据中不满足公式4的数据，确定为噪声数据，将噪声数据对应的坐标归属于背景B。从而将目标区域T和背景B从被测SAR图像中分割出。

为了方便后续步骤计算，较佳地，目标识别系统可以将属于目标区域T的图像数据均记为1，将属于背景B的图像数据均记为0。

S603：目标识别系统对分割得到目标区域T进行形态学滤波。

本步骤中，目标识别系统对于分割得到目标区域T，去除其中的小洞、减弱其中的非阴影区噪声、平滑其边界等。

S604：目标识别系统对形态学滤波后的目标区域T进行几何聚类后，确定出被测SAR图像的目标轮廓图像。

本步骤中，目标识别系统根据目标区域T中目标轮廓图像所在区域面积大于其它区域的原理，确定出目标所在区域：

目标识别系统检测出目标区域T中所有独立的连通区域后，统计每个连通区域中的像素点个数。目标识别系统将像素点个数最多，即面积最大的区域确定为目标轮廓图像所在的区域；从该区域中确定出被测SAR图像的目标轮廓图像。

上述步骤S204中涉及的训练SAR图像的特征向量可以在目标识别系统对被测SAR图像进行目标识别之前预先确定出，也可以在目标识别系统对被测SAR图像进行目标识别的过程中确定出。训练SAR图像的特征向量的确定方法，如图7所示，可以包括如下步骤：

S701：目标识别系统对训练SAR图像的复数像数据进行SCM提高目标杂波比处理。

本步骤中，目标识别系统对训练SAR图像的复数像数据进行SCM提高目标杂波比处理的具体方法，与目标识别系统对被测SAR图像的复图像数据进行SCM提高目标杂波比处理的方法（即步骤S401～S407）相同，不再赘述。

S702：目标识别系统将SCM提高目标杂波比处理后的训练SAR图像数据进行自适应阈值分割，确定出训练SAR图像的目标轮廓图像。

本步骤中，目标识别系统将SCM提高目标杂波比处理后的训练SAR图像数据进行自适应阈值分割，确定出训练SAR图像的目标轮廓图像的方法，与目标识别系统将SCM提高目标杂波比处理后的图像数据进行阈值分割后确定出被测SAR图像的目标轮廓图像的方法（即步骤S601～S604）相同，不再赘述。

S703：目标识别系统对训练SAR图像的目标轮廓图像提取其傅里叶描述子特征后得到被测SAR图像的特征向量。

本步骤中，目标识别系统对训练SAR图像的目标轮廓图像提取其傅里叶描述子特征后得到被测SAR图像的特征向量的具体方法，与上述步骤S203中目标识别系统对目标轮廓图像提取其傅里叶描述子特征后得到被测SAR图像的特征向量的方法相同，不再赘述。目标识别系统对得到被测SAR图像的特征向量进行存储。

本发明实施例提供的合成孔径雷达的目标识别系统的内部结构框架示意图，如图8所示，可以包括：SCM处理模块801、轮廓图像确定模块802、特征向量确定模块803和相似度计算模块804。

SCM处理模块801用于对被测SAR图像的复图像数据进行SCM提高目标杂波比处理。

轮廓图像确定模块802用于将SCM处理模块801处理后的图像数据进行阈值分割后确定出被测SAR图像的目标轮廓图像。

特征向量确定模块803用于对轮廓图像确定模块802得到的目标轮廓图像提取其傅里叶描述子特征后得到被测SAR图像的特征向量。

相似度计算模块804用于计算被测SAR图像与各训练SAR图像之间的相似度；并将与被测SAR图像的相似度最大的训练SAR图像的目标类别识别为被测SAR图像的目标类别。

进一步，本发明实施例的目标识别系统还可以包括：训练模块805。

训练模块805用于对每个已知目标类别的训练SAR图像，对该训练SAR图像的复图像数据进行SCM提高目标杂波比处理后进行阈值分割，确定出该训练SAR图像的目标轮廓图像；对该训练SAR图像的目标轮廓图像提取其傅里叶描述子特征后得到该训练SAR图像的特征向量后进行存储。而上述的相似度计算模块804具体是获取了训练模块805所存储的各训练SAR图像的特征向量后，计算被测SAR图像与各训练SAR图像之间的相似度；并将与被测SAR图像的相似度最大的训练SAR图像的目标类别识别为被测SAR图像的目标类别。

上述SCM处理模块801、轮廓图像确定模块802、特征向量确定模块803、相似度计算模块804和训练模块805的功能的具体实现方法，可以参考上述如图2、图4、图6所示的方法流程步骤的具体内容，此处不再赘述。

为了验证本发明实施例提供的合成孔径雷达的目标识别方法和系统的有效性，进行对未经过SCM提高目标杂波比处理的被测SAR图像进行目标识别和对经过SCM提高目标杂波比处理的被测SAR图像进行目标识别的对比实验。为方便描述，本文以下部分将SCM提高目标杂波比处理简称为SCM处理。

对比实验中采用被测SAR图像数据和训练SAR图像数据来源于美国运动和静止目标获取与识别（moving and stationary target acquisition andrecognition，MSTAR）计划录取的合成孔径雷达SAR对地面静止目标进行实测的SAR图像数据，如以下表1所示：

表1

表1中的“-”表示无数据。训练样本即训练SAR图像数据的样本，是合成孔径雷达SAR在俯仰角17o时对地面目标的成像数据，选取其中的BMP2sn_9563（233个原始SAR图像）、BTR70sn_c71（233个原始SAR图像）和T72sn_132（232个原始SAR图像）的图像数据分别作为对比实验的训练SAR图像数据1～3。

被测样本即被测SAR图像数据的样本，是合成孔径雷达SAR在俯仰角15o时对地面目标的成像数据，选取其中的BMP2sn_9563（195个原始SAR图像）、BTR70sn_c71（196个原始SAR图像）和T72sn_132（196个原始SAR图像）的图像数据分别作为对比实验的被测SAR图像数据1～3。所有样本的方位覆盖范围是0°～360°，所有样本的原始图像大小为128×128像素。

下面表2中的数据为未经过SCM处理的被测SAR图像数据1～3（即原始的图像数据）的目标杂波比（Target-to-Clutter Ratio，TCR），和经过SCM处理的被测SAR图像数据1～3的平均目标杂波比TCR。TCR具体为SAR图像的数据中目标图像数据的均值，除以该SAR图像的数据中除目标图像数据以外的数据均值得到的比值。

表2

根据表2中的数据可以得出：经过SCM处理的图像数据的目标杂波比TCR远高于未经过SCM处理的图像数据的目标杂波比TCR。

本实验中，目标识别系统还可以根据被测SAR图像的傅里叶描述子特征重建目标轮廓图像。具体地，可以根据上述步骤S203中的傅里叶描述子特征a(u)，对傅里叶描述子特征a(u)进行逆傅里叶变换后可以得到如以下公式5所示的S(k)的傅里叶级数的展开式：

$S\left(k\right)=\frac{1}{K}\underset{u=0}{\overset{K}{\mathrm{\Σ}}}a\left(u\right)e^{j\frac{2\mathrm{\πuk}}{K}},k=\mathrm{0,1,2},L,K-1$     （公式5）

根据S(k)的傅里叶级数的展开式可以重建出目标轮廓图像。

为了提高重建目标轮廓图像的速度，较佳地，还可以在s(k)的傅里叶级数的展开式中，选取对应频率最低的P个展开项，得到如以下公式6所示的

傅里叶级数的展开式：

    （公式6）

如图9所示，根据公式6的傅里叶级数展开式重建的目标轮廓图像，P的数值越大，目标轮廓图像的细节越丰富。但是P等于100时重建的目标轮廓图像与P等于30时重建的目标轮廓图像之间差异很小。因此，可以选取数值小于边界点总数K的P，将选取的P代入公式6重建目标轮廓图像，大大减小了目标识别系统的计算量，在保证质量的基础上提高了重建的目标轮廓图像的速度。P可以由本领域普通技术人员根据经验或者实验数据得出。事实上，训练SAR图像的目标轮廓图像的重建方法与被测SAR图像的目标轮廓图像的重建方法相同，不再赘述。

本实验中，目标识别系统对原始的被测SAR图像（如图10a所示）进行SCM处理后，可以得到SCM处理后的被测SAR图像（如图10b所示），将SCM处理后的被测SAR图像进行阈值分割确定出被测SAR图像的目标轮廓图像，从目标轮廓图像中提取被测SAR图像的傅里叶描述子特征，根据该傅里叶描述子特征重建的目标轮廓图像（如图10d所示）可以达到77.73%的目标识别率。作为对比，目标识别系统对未进行SCM处理的原始的被测SAR图像（如图10a所示）直接进行阈值分割确定出被测SAR图像的目标轮廓图像数据，从目标轮廓图像中提取被测SAR图像的傅里叶描述子特征，根据该傅里叶描述子特征重建的目标轮廓图像（如图10c所示）只达到68.41%的目标识别率。

未经过SCM处理的被测SAR图像数据的目标识别率，和经过SCM处理的被测SAR图像数据的目标识别率如下表3所示：

表3

可以得出根据经过SCM处理的被测SAR图像数据获得的目标识别率，明显高于根据未经SCM处理的被测SAR图像数据获得的目标识别率。

本发明的技术方案中，通过对原始的被测SAR图像数据进行SCM提高目标杂波比处理，滤除了大量的噪声数据，使得SCM提高目标杂波比处理后的被测SAR图像的图像数据的质量得到了提高，提高了目标识别率，从而提高了目标识别性能。

而且，本发明的技术方案中，计算从被测SAR图像的目标轮廓图像中提取出的特征向量与从训练SAR图像的目标轮廓图像中提取出的特征向量之间的相似度，相比现有技术方案中的计算整个被测SAR图像的图像矩阵与整个训练SAR图像的图像矩阵之间的相似度，计算量大大减小，提高了识别速度，进一步提高目标识别性能。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，该程序可以存储于一计算机可读取存储介质中，如：ROM/RAM、磁碟、光盘等。

以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以作出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (10)

1.一种合成孔径雷达的目标识别方法，其特征在于，包括：

对被测SAR图像的复图像数据进行SCM提高目标杂波比处理；

将所述处理后的图像数据进行阈值分割后确定出所述被测SAR图像的目标轮廓图像；

对所述目标轮廓图像提取其傅里叶描述子特征后得到所述被测SAR图像的特征向量；

根据所述被测SAR图像与各训练SAR图像的特征向量，计算所述被测SAR图像与各训练SAR图像之间的相似度；

将与所述被测SAR图像的相似度最大的训练SAR图像的目标类别识别为所述被测SAR图像的目标类别。

2.如权利要求1所述的方法，其特征在于，所述训练SAR图像的特征向量根据如下方法得到：

对所述训练SAR图像的复图像数据进行SCM提高目标杂波比处理后进行自适应阈值分割，确定出所述训练SAR图像的目标轮廓图像；

对所述训练SAR图像的目标轮廓图像提取其傅里叶描述子特征后得到所述训练SAR图像的特征向量。

3.如权利要求1或2所述的方法，其特征在于，所述对被测SAR图像的复图像数据进行SCM提高目标杂波比处理，具体包括：

对被测SAR图像的复图像数据S进行二维傅里叶变换后得到所述被测SAR图像的傅里叶频谱；

将所述被测SAR图像的傅里叶频谱的零频分量移到谱中心，取出全部的方位向带宽的80%后，提取两个方位向子带；

对每个提取的方位向子带，将该方位向子带沿距离向和方位向分别补零，使其大小与S相等；

对两个方位向子带分别作二维逆傅里叶变换后，再作哈米特内积，得到复数据ρ；

对复数据ρ作二维傅里叶变换后，得到复数据ρ的傅里叶频谱；对所述复数据ρ的傅里叶频谱沿距离向和方位向作基于海宁窗的低通滤波后，对其作二维逆傅里叶变换，得到频谱滤波后的复数据；对所述频谱滤波后的复数据作基于3×3邻域的平均滤波后，将得到的复数据取其幅度信息作为所述处理后的图像数据。

4.如权利要求1或2所述的方法，其特征在于，所述将所述处理后的图像数据进行阈值分割后得到所述被测SAR图像的目标轮廓图像，具体包括：

将所述处理后的图像数据进行自适应阈值分割：

对所述处理后的图像数据根据如下公式3作对数变换；

G(x,y)=10lg[F(x,y)+0.001]+30    （公式3）；

公式3中，F(x,y)为所述处理后的图像的第(x,y)个坐标点的数据，G(x,y)为经过对数变换后的所述被测SAR图像的第(x,y)个坐标点的数据；

估计经过对数变换后的所述被测SAR图像的图像数据的均值μ和方差σ；

根据如下公式4确定出所述被测SAR图像中的目标区域T：

$\frac{G(x,y)-\mathrm{\μ}}{\mathrm{\σ}}>c$     （公式4）

公式4中，c为对所述各训练SAR图像的数据分布进行统计得到的常数。

5.如权利要求4所述的方法，其特征在于，所述将所述处理后的图像数据进行阈值分割后确定出所述被测SAR图像的目标轮廓图像，还包括：

对所述目标区域T进行形态学滤波后，进行几何聚类处理后确定出所述被测SAR图像的目标轮廓图像。

6.如权利要求5所述的方法，其特征在于，所述进行几何聚类处理后确定出所述被测SAR图像的目标轮廓图像，具体包括：

对经过形态学滤波后的目标区域T，检测出其中所有独立的连通区域；

针对每个连通区域，统计该连通区域中的像素点个数；

将像素点个数最多的连通区域确定为所述被测SAR图像的目标轮廓图像。

7.如权利要求1或2所述的方法，其特征在于，所述对所述目标轮廓图像提取其傅里叶描述子特征后得到所述被测SAR图像的特征向量，具体包括：

将所述目标轮廓图像的边界点的坐标以复数的形式表示为坐标序列[s(0),...,s(k),...,s(K-1)]记为S(k)；其中，K为所述目标轮廓图像的边界点的总数，s(k)为第k个边界点的坐标的复数据；

对坐标序列S(k)作傅里叶变换，得到作为所述被测SAR图像的特征向量的坐标序列S(k)的傅里叶描述子特征。

8.如权利要求1或2所述的方法，其特征在于，所述计算所述被测SAR图像与各训练SAR图像之间的相似度，具体包括：

对于每个训练SAR图像，计算所述被测SAR图像的特征向量与该训练SAR图像的特征向量之间的余弦夹角，作为所述被测SAR图像与该训练SAR图像之间的相似度。

9.一种合成孔径雷达的目标识别系统，其特征在于，包括：

SCM处理模块，用于对被测SAR图像的复图像数据进行SCM提高目标杂波比处理；

轮廓图像确定模块，用于将所述SCM处理模块处理后的图像数据进行阈值分割后确定出所述被测SAR图像的目标轮廓图像；

特征向量确定模块，用于对所述轮廓图像确定模块得到的目标轮廓图像提取其傅里叶描述子特征后得到所述被测SAR图像的特征向量；

相似度计算模块，用于计算所述被测SAR图像与各训练SAR图像之间的相似度；并将与所述被测SAR图像的相似度最大的训练SAR图像的目标类别识别为所述被测SAR图像的目标类别。

10.如权利要求9所述的系统，其特征在于，还包括：

训练模块，用于对每个已知目标类别的训练SAR图像，对该训练SAR图像的复图像数据进行SCM提高目标杂波比处理后进行阈值分割，确定出该训练SAR图像的目标轮廓图像；对该训练SAR图像的目标轮廓图像提取其傅里叶描述子特征后得到该训练SAR图像的特征向量后进行存储。

Images