CN103955701A - 多层次结合的多视合成孔径雷达图像目标识别方法 - Google Patents

Abstract

多层次结合的多视合成孔径雷达图像目标识别方法，包括以下步骤：第一步，对不同方位角下的多视合成孔径雷达图像进行预处理；第二步，用小波分解和主成分分析对预处理后的图像进行特征提取；第三步，用支持向量机对特征分类，得到图像属于某个类别的后验概率；第四步，对预处理后的图像在数据层用凸集投影超分辨率重构算法重构一幅高分辨率雷达图像；第五步，对重构后的高分辨率图像用小波分解和主成分分析进行特征提取；第六步，用支持向量机对第五步得到的特征分类，得到重构图像属于某个类别的后验概率；第七步，用带权重的贝叶斯决策融合方法对单图像的后验概率和重构图像的后验概率进行决策层融合，得到多视合成孔径雷达图像的类别。

Description

多层次结合的多视合成孔径雷达图像目标识别方法

技术领域

本发明涉及图像处理、模式识别等领域，尤其涉及合成孔径雷达图像处理与目标识别领域。

背景技术

合成孔径雷达（Synthetic Aperture Radar，SAR）图像目标识别是SAR图像解译和处理的关键步骤，具有重要的应用价值。SAR图像目标识别是对获取的含有目标的SAR图像进行目标检测、定位并判别出目标的种类和型号。由于阴影效应，信号与背景的交互，三维场景在斜平面的投影以及其他雷达横截面对方位角敏感的因素，SAR图像对目标方位角的变化十分敏感。因而，SAR图像中目标的识别能力也会随着方位角的变化而改变。所以，可利用同目标不同方位角下的多视SAR图像来提高目标识别的性能。利用多视SAR图像进行目标识别可在目标识别框架的某些层次进行。如在数据层，可使用主成分分析、离散小波分解等数据融合算法将多视SAR图像进行数据层融合；如在决策层，可使用贝叶斯决策、DS决策将多视SAR图像的类别决策进行决策层的融合。这些方法均获得了较单幅SAR图像目标识别更高的识别率。目前，绝大多数利用同目标不同方位角下的多视SAR图像进行目标识别的方法都仅在目标识别框架的一个层次进行，这使得目标识别率的提高受到了限制。

为了进一步提高SAR图像目标识别性能，利用多视SAR图像进行目标识别可同时在目标识别框架的两个层次——数据层和决策层进行，并将两个层次获得的识别率收益相互结合，生成最终类别决策，从而提高目标识别的正确率。

发明内容

本发明利用同目标不同方位角下的多视合成孔径雷达目标图像进行目标识别，在数据层用凸集投影超分辨率重构算法将多视合成孔径雷达图像重构出一幅高分辨率雷达图像，在决策层用带权重的贝叶斯决策融合算法进行决策融合，将数据层和决策层两个层次获得的识别率收益相互结合，提高合成孔径雷达图像目标识别的正确率。

本发明解决其技术问题所采用的技术方案是：

多层次结合的多视合成孔径雷达图像目标识别方法，其特征在于：包括以下步骤：

步骤1，对采集到的N幅未知目标的同类不同方位角下的多视合成孔径雷达目标图像，k=1,2,…N进行图像预处理；

步骤2，对预处理后的每一幅合成孔径雷达图像用小波分解和主成分分析进行特征提取，提取得到代表该幅图像的多维特征矢量；

步骤3，用经过训练的支持多目标分类的支持向量机对步骤2得到特征矢量进行分类，得到该幅图像x_k，k=1,2,…N属于某个目标类别q的后验概率p(q|x_k)；

步骤4，对预处理后的多视合成孔径雷达目标图像x_k，k=1,2,…N在数据层用凸集投影超分辨率重构算法重构一幅高分辨率雷达图像x_c，x_c的分辨率是x_k，k=1,2,…N的2倍；

步骤5，对重构后的高分辨率图像用小波分解和主成分分析进行特征提取，提取得到代表该重构图像的多维特征矢量；

步骤6，用经过训练的支持多目标分类的支持向量机对步骤5得到的特征矢量进行分类，得到该重构图像x_c属于某个目标类别q的后验概率p(q|x_c)；

步骤7，将步骤3得到的每幅图像的后验概率p(q|x_k)，k=1,2,…N和步骤6得到的重构图像的后验概率p(q|x_c)用带权重的贝叶斯决策融合方法进行决策层融合，得到该多视合成孔径雷达目标图像的目标类别。

进一步，所述步骤1中，预处理包括图像截取，噪声处理，幅度值归一化处理，以及合成孔径雷达图像中目标方位角估计。

进一步，所述步骤4中，在数据层使用的凸集投影超分辨率重构算法包括：选择一幅合成孔径雷达图像作为参考图像，采用插值算法将其构造成为分辨率为原分辨率2倍的参考帧，作为超分辨率图像的初始估计；设置迭代次数，对每一幅低分辨率合成孔径雷达目标图像进行运动补偿，残差计算和像素值修正，得到一幅分辨率为原分辨率2倍的凸集投影超分辨率重构图像。

进一步，所述步骤7中，带权重的贝叶斯决策融合方法包括：计算 $a_q=\underset{k=1}{\overset{N}{\mathrm{\Σ}}}{w}_k\·p\left(q\right|x_k)+w_c\·p\left(q\right|x_c),$ 其中，p(q|x_k)是单幅图像x_k，k=1,2,…N经过支持向量机分类得到的属于类别q的后验概率，p(q|x_c)是重构图像x_c经过支持向量机分类得到的属于类别q的后验概率，w_k是单幅图像后验概率的权重，这里w_k=1,k=1,2,…N，N为不同方位角下的多视合成孔径雷达图像总数，w_c是重构图像后验概率的权重，由于重构图像包含了N幅合成孔径雷达图像的信息，所以1≤w_c≤N；最终的类别决策为：Q为目标类别总数。

本发明的技术构思为：该方法的一个递推过程包括以下基本步骤：

1）、对采集到的不同方位角下的多视合成孔径雷达目标图像进行图像预处理；

2）、用小波分解和主成分分析方法对预处理后的合成孔径雷达图像进行特征提取；

3）、用支持向量机对特征分类，得到图像属于某个类别的后验概率；

4）、对预处理后的多视合成孔径雷达目标图像在数据层用凸集投影超分辨率重构算法重构一幅高分辨率雷达图像；

5）、对重构后的高分辨率图像用小波分解和主成分分析进行特征提取；

6）、用支持向量机对上一步骤提取得到的特征进行分类，得到重构图像属于某个类别的后验概率；

7）、用带权重的贝叶斯决策融合方法对单图像的后验概率和重构图像的后验概率进行决策层融合，得到不同方位角下的多视合成孔径雷达目标图像的类别。

本发明的有益效果主要表现在：同时在目标识别框架的两个层次——数据层和决策层利用同目标不同方位角下的多视合成孔径雷达图像进行目标识别，并将两个层次获得的识别率收益相互结合，提高了合成孔径雷达图像目标识别的正确率，有利于提高合成孔径雷达图像解译的正确率。

附图说明

图1为本发明的多层次结合的多视合成孔径雷达图像目标识别方法的流程图。

图2为凸集投影超分辨率重构过程示意图。

图3为本发明方法和其他对比方法在不同方位角间隔下得到的目标正确识别率。

具体实施方式

下面结合附图和实施例对本发明作进一步说明。

参照图1，多层次结合的多视合成孔径雷达图像目标识别方法，包括以下步骤：

步骤1，对采集到的N幅未知目标的同类不同方位角下的多视合成孔径雷达目标图像x_k，k=1,2,…N进行图像预处理；

步骤2，对预处理后的每一幅合成孔径雷达图像用小波分解和主成分分析进行特征提取，提取得到代表该幅图像的多维特征矢量；

步骤3，用经过训练的支持多目标分类的支持向量机对步骤2得到特征矢量进行分类，得到该幅图像x_k，k=1,2,…N属于某个目标类别q的后验概率p(q|x_k)；

步骤4，对预处理后的多视合成孔径雷达目标图像x_k，k=1,2,…N在数据层用凸集投影超分辨率重构算法重构一幅高分辨率雷达图像x_c，x_c的分辨率是x_k，k=1,2,…N的2倍；

步骤5，对重构后的高分辨率图像用小波分解和主成分分析进行特征提取，提取得到代表该重构图像的多维特征矢量；

步骤6，用经过训练的支持多目标分类的支持向量机对步骤5得到的特征矢量进行分类，得到该重构图像x_c属于某个目标类别q的后验概率p(q|x_c)；

步骤7，将步骤3得到的每幅图像的后验概率p(q|x_k)，k=1,2,…N和步骤6得到的重构图像的后验概率p(q|x_c)用带权重的贝叶斯决策融合方法进行决策层融合，得到该多视合成孔径雷达目标图像的目标类别。

进一步，所述步骤1中，预处理包括图像截取，噪声处理，幅度值归一化处理，以及合成孔径雷达图像中目标方位角估计。

进一步，所述步骤4中，在数据层使用的凸集投影超分辨率重构算法包括：选择一幅合成孔径雷达图像作为参考图像，采用插值算法将其构造成为分辨率为原分辨率2倍的参考帧，作为超分辨率图像的初始估计；设置迭代次数，对每一幅低分辨率合成孔径雷达目标图像进行运动补偿，残差计算和像素值修正，得到一幅分辨率为原分辨率2倍的凸集投影超分辨率重构图像。

进一步，所述步骤7中，带权重的贝叶斯决策融合方法包括：计算 $a_q=\underset{k=1}{\overset{N}{\mathrm{\Σ}}}{w}_k\·p\left(q\right|x_k)+w_c\·p\left(q\right|x_c),$ 其中，p(q|x_k)是单幅图像x_k，k=1,2,…N经过支持向量机分类得到的属于类别q的后验概率，p(q|x_c)是重构图像x_c经过支持向量机分类得到的属于类别q的后验概率，w_k是单幅图像后验概率的权重，这里w_k=1,k=1,2,…N，N为不同方位角下的多视合成孔径雷达图像总数，w_c是重构图像后验概率的权重，由于重构图像包含了N幅合成孔径雷达图像的信息，所以1≤w_c≤N；最终的类别决策为：Q为目标类别总数。

本实施例采用美国DARPA/AFRL MSTAR项目组提供的实测SAR地面静止军用目标数据，将本发明方法和单幅图像的SAR目标识别方法以及仅使用数据层方法，仅使用决策层方法进行比较。

MSTAR目标数据包含俯视角分别为15°和17°的SAR目标图像数据，本实施例选取俯视角为17°的图像数据为训练样本，俯视角为15°的图像数据为测试样本，因而，本实施例的训练样本数为2747，测试样本数为3203，具体训练样本和测试样本可见表1。

表1

对采集到的N幅未知目标的同类不同方位角下的多视合成孔径雷达目标图像x_k，k=1,2,…N进行图像预处理。本实施例中N=4。MSTAR数据库中的SAR目标图像大于或等于128×128像素，目标主要集中在小于64×64像素的区域中，其余区域均为杂波，杂波区域过大将不必要地增加后续处理过程的计算量，因此，需要对原始SAR目标图像进行截取，形成尺寸为64×64像素的新目标图像。原始SAR图像中，存在着乘性噪声，需要在识别前将目标图像的幅度值作对数变换，使图像中的乘性噪声转换为加性噪声。本实施例针对MSTAR数据库的十类地面静止军用目标数据进行目标识别，在原始SAR图像中，不同类别的目标图像的幅度值分布差异较大，因此需要对图像幅度值进行归一化处理，使归一化后图像中各像素的幅度值的均值为0，标准差为1。本实施例中SAR图像目标的方位角由MSTAR数据提供。

用小波分解和主成分分析（Principal Component Analysis,PCA）提取每一单幅SAR图像的特征。对每一幅图像，首先用小波分解进行三层二维离散小波分解，提取三层分解后的低频子带图像，并将其表示为一个64维的列向量。将10类目标的训练样本得到的所有64维列向量按列方式排列组成数据矩阵X，求矩阵X的自相关阵C=E[X·X^T]，将C作特征值分解，得到特征值λ_i，i=1,2,…,64。对λ_i进行归一化，即将从大到小依次排序，选择中最大30个值对应的特征向量为基向量构造投影子空间W=[v₁,v₂,…,v₃₀]^T，将目标图像x对投影子空间投影e=W·x，可得到表征该目标图像的30维特征向量e。

用经过训练的支持10种种类目标分类的支持向量机（SupportVector Machine，SVM）对该30维的特征矢量e分类，得到该幅图像x_k，k=1,2,3,4属于某个目标类别q，q=1,2,…10的后验概率p(q|x_k)。

对预处理后的多视合成孔径雷达目标图像x_k，k=1,2,3,4在数据层用凸集投影（Projections onto Convex Sets,POCS）超分辨率重构算法重构，生成分辨率为原分辨率2倍的超分辨率图像x_c。选择该4幅合成孔径雷达目标图像中的其中一幅作为参考图像，采用插值算法将其构造成为分辨率为原分辨率2倍的参考帧，作为超分辨率图像的初始估计；设置凸集投影超分辨率重构算法的迭代次数；对每一幅低分辨率合成孔径雷达目标图像进行运动补偿、残差计算和像素值修正，得到一幅分辨率为原分辨率2倍的凸集投影超分辨率重构图像。凸集投影超分辨率重构过程如图2所示，其中图2(a)、2(b)、2(c)和2(d)分别是目标BMP2_c21在俯视角17°和方位角101°、103°、105°和106°下的SAR图像，图2(e)是通过双线性插值法得到的高分辨率图像，图2(f)是经过20次迭代后得到的高分辨率图像。该4幅合成孔径雷达目标图像的相邻方位角间隔应小于30°，才可获得较未进行超分辨率重构的目标识别方法更高的目标正确识别率，因而，本实施例的方位角间隔均选择小于30°。

对重构后的高分辨率图像用小波分解和主成分分析进行特征提取，提取过程与单图像特征提取过程类似，这里不再赘述。最终提取得到代表该重构图像的200维特征矢量。

用经过训练的支持10种种类目标分类的支持向量机对该200维特征矢量进行分类，得到该重构图像x_c属于某个目标类别q，q=1,2,…10的后验概率p(q|x_c)。

将每幅图像经过支持向量机得到的后验概率p(q|x_k)和重构图像经过支持向量机得到的后验概率p(q|x_c)用带权重的贝叶斯决策融合方法进行决策层融合。计算其中，p(q|x_k)是单幅图像经过支持向量机得到的后验概率，p(q|x_c)是重构图像经过支持向量机得到的后验概率，w_k是单幅图像后验概率的权重，这里w_k=1,k=1,2,3,4，w_c是重构图像后验概率的权重，由于重构图像包含了4幅SAR图像的信息，所以1≤w_c≤4，本实施例中w_c=2；最终的类别决策为：Q为目标类别数，这里Q=10。从而识别出该多视合成孔径雷达目标图像的目标类别。

将本发明方法得到的目标正确识别率与单幅图像的SAR目标识别方法以及仅使用数据层方法，仅使用决策层方法进行比较，比较结果如图3所示。由图3可见，本发明方法得到的目标正确识别率高于单幅图像的目标正确识别率，同时高于仅使用数据层方法和仅使用决策层方法得到的目标正确识别率；且本发明方法得到的识别率对于多视SAR图像的相邻方位角间隔的敏感性更低，也就是说，本发明方法对于方位角间隔的变化更具有鲁棒性。

综上所述，本发明的多层次结合的多视合成孔径雷达图像目标识别方法，在目标识别框架的两个层次——数据层和决策层同时利用同目标不同方位角下的多视合成孔径雷达图像进行目标识别，并将两个层次获得的识别率收益相互结合，提高了合成孔径雷达图像目标识别的正确率，有利于提高合成孔径雷达图像解译的正确率。

显而易见，在不偏离本发明的真实精神和范围的前提下，在此描述的本发明可以有许多变化。因此，所有对于本领域技术人员来说显而易见的改变，都应包括在本权利要求书所涵盖的范围之内。本发明所要求保护的范围仅由所述的权利要求书进行限定。

Claims (4)

1.多层次结合的多视合成孔径雷达图像目标识别方法，其特征在于：包括以下步骤：

步骤1，对采集到的N幅未知目标的同类不同方位角下的多视合成孔径雷达目标图像x_k，k=1,2,…N进行图像预处理；

步骤2，对预处理后的每一幅合成孔径雷达图像用小波分解和主成分分析进行特征提取，提取得到代表该幅图像的多维特征矢量；

步骤3，用经过训练的支持多目标分类的支持向量机对步骤2得到特征矢量进行分类，得到该幅图像x_k，k=1,2,…N属于某个目标类别q的后验概率p(q|x_k)；

步骤4，对预处理后的多视合成孔径雷达目标图像x_k，k=1,2,…N在数据层用凸集投影超分辨率重构算法重构一幅高分辨率雷达图像x_c，x_c的分辨率是x_k，k=1,2,…N的2倍；

步骤5，对重构后的高分辨率图像用小波分解和主成分分析进行特征提取，提取得到代表该重构图像的多维特征矢量；

步骤6，用经过训练的支持多目标分类的支持向量机对步骤5得到的特征矢量进行分类，得到该重构图像x_c属于某个目标类别q的后验概率p(q|x_c)；

步骤7，将步骤3得到的每幅图像的后验概率p(q|x_k)，k=1,2,…N和步骤6得到的重构图像的后验概率p(q|x_c)用带权重的贝叶斯决策融合方法进行决策层融合，得到该多视合成孔径雷达目标图像的目标类别。

2.如权利要求1所述的多层次结合的多视合成孔径雷达图像目标识别方法，其特征在于：所述步骤1中，预处理包括图像截取，噪声处理，幅度值归一化处理，以及合成孔径雷达图像中目标方位角估计。

3.如权利要求1所述的多层次结合的多视合成孔径雷达图像目标识别方法，其特征在于：所述步骤4中，在数据层使用的凸集投影超分辨率重构算法包括：选择一幅合成孔径雷达图像作为参考图像，采用插值算法将其构造成为分辨率为原分辨率2倍的参考帧，作为超分辨率图像的初始估计；设置迭代次数，对每一幅低分辨率合成孔径雷达目标图像进行运动补偿，残差计算和像素值修正，得到一幅分辨率为原分辨率2倍的凸集投影超分辨率重构图像。

4.如权利要求1所述的多层次结合的多视合成孔径雷达图像目标识别方法，其特征在于：所述步骤7中，带权重的贝叶斯决策融合方法包括：计算其中，p(q|x_k)是单幅图像x_k，k=1,2,…N经过支持向量机分类得到的属于类别q的后验概率，p(q|x_c)是重构图像x_c经过支持向量机分类得到的属于类别q的后验概率，w_k是单幅图像后验概率的权重，这里w_k=1,k=1,2,…N，N为不同方位角下的多视合成孔径雷达图像总数，w_c是重构图像后验概率的权重，由于重构图像包含了N幅合成孔径雷达图像的信息，所以1≤w_c≤N；最终的类别决策为：Q为目标类别总数。