CN105005796A - 基于层次分析的星载sar图像舰船目标分类方法 - Google Patents

Abstract

本发明提供一种基于层次分析的星载SAR图像舰船目标分类方法。技术方案包括下述步骤：第一步，基于训练集的特征排序，根据可分性、稳定性和最佳个体特征三种评价度量准则的重要程度，将各类特征的重要性得分值按照由大至小的顺序进行排序；第二步，最优特征选择，依次增加特征数目形成特征集对训练集进行分类；第三步，目标分类，基于每一个最优特征集，形成分类结果矢量；将分类结果矢量加权处理，选择概率最大者作为最终分类结果。本发明有效地解决了目前在星载SAR图像舰船目标特征选择和分类决策中缺乏有效评估准则的问题，能够优选出适合舰船目标分类的舰船特征及其特征集，有效提高舰船目标分类精度。

Description

基于层次分析的星载SAR图像舰船目标分类方法

技术领域

本发明属于SAR(Synthetic Aperture Radar，合成孔径雷达)图像目标识别技术领域，涉及一种基于层次分析(Analytic Hierarchy Process，AHP)的星载SAR图像舰船目标分类方法。

背景技术

目前，国内外对星载SAR图像舰船目标检测研究较多，而对舰船目标分类识别研究较少。基于多特征的舰船目标分类方法比基于单特征的舰船目标分类方法越来越受到重视，但在舰船目标特征选择及评价分类性能方面往往缺乏客观的评估准则。

星载SAR图像中舰船目标散射特征受许多因素影响，包括气象、图像分辨率、航速、航向、船舶尺寸与材料等。对于非金属或者小型船舶，其散射特征并不明显，人工对其解译难度也较大。目前的星载SAR图像舰船目标分类方法无法对其进行正确识别。常用于舰船目标分类的特征包括长f₁，宽f₂，长宽比f₃，面积f₄，周长f₅，形状复杂度f₆，质心f₇，转动惯量f₈，质量f₉，平均强度f₁₀，方差系数f₁₁，加权填充比f₁₂，标准差f₁₃，分形维数f₁₄以及Hu矩f₁₅～f₂₁共21个。这些特征属于几何结构特征和灰度统计特征。另外，电磁散射特征对舰船目标分类也是十分重要的，但是通常较难提取，较少用于舰船分类。

利用星载SAR图像舰船目标切片提取的特征进行分类识别时，对于同一个分类器输入不同的特征集往往会导致不同的分类结果。因此，舰船特征选择对提高舰船目标分类正确率非常关键。层次分析是一种定性与定量相结合、系统化、层次化的分析方法。由于其在处理复杂的决策问题上的实用性和有效性，已广泛应用于经济计划和管理、能源政策和分配、行为科学、军事指挥、运输、农业以及教育等领域。但其在星载SAR图像舰船目标特征选择以及分类决策中尚未得到应用。

发明内容

本发明通过将层次分析的思想运用到特征选择和舰船分类决策中，有效地解决了目前在星载SAR图像舰船目标特征选择和分类决策中缺乏有效评估准则的问题，能够优选出适合舰船目标分类的舰船特征及其特征集，有效提高舰船目标分类精度。

本发明的技术方案是：利用星载SAR图像舰船目标形成训练集，其特征在于，还包括下述步骤：

第一步，基于训练集的特征排序。

根据可分性、稳定性和BIF(Best Individual Feature，最佳个体特征)三种评价度量准则的重要程度形成评价度量比较矩阵，然后计算评价度量比较矩阵的最大归一化特征向量。

基于训练集提取目标的特征，计算每类特征在上述每种评价度量准则下对应的评价度量值，形成每一类特征对应的评价度量向量。

利用最大归一化特征向量与每一类特征对应的评价度量向量点乘，得到每一类特征的重要性得分值。

将各类特征的重要性得分值按照由大至小的顺序进行排序。

第二步，最优特征选择

利用第一步的特征排序结果，依次增加特征数目形成特征集对训练集进行分类；

选择分类正确率最大时的特征集所包含的N个特征作为候选特征，从N个候选特征中任选N-1个特征作为一个最优特征集，从而得到N个最优特征集，根据最优特征集所包含特征的排序结果，确定最优特征集的优先级。

第三步，目标分类

基于每一个最优特征集，利用分类器对未知的星载SAR图像舰船目标进行分类，得到N个属于不同舰船类型的分类概率，形成分类结果矢量；

对N个最优特征集，将其优先级作为重要程度形成基于特征的评价度量比较矩阵，计算上述基于特征的评价度量比较矩阵的最大归一化特征向量，作为权值向量；

将分类结果矢量与权值向量点乘，选择概率最大者作为最终分类结果。

本发明的有益效果是：

1.采用本发明提出的基于层次分析的评价准则方法，可以有效解决目前在星载SAR图像舰船目标特征选择和分类决策中缺乏有效评估准则的问题；

2.采用本发明提出的基于层次分析的特征选择方法，可以优选出适合星载SAR图像舰船目标分类的特征及其特征集；

3.采用本发明提出的基于层次分析的方法进行星载SAR图像舰船目标分类，可以有效提高分类的精度。

附图说明

图1为实验采用的TerraSAR-X图像舰船目标切片样本；

图2为利用本发明得到的21个特征分别对应的三种评价度量指标值；

图3为利用本发明得到的舰船目标待选舰船特征得分值；

图4为利用不同特征集得到的舰船目标分类正确率；

图5为本发明的原理流程图。

具体实施方式

下面结合实验和图5对本发明进行详细说明。

实验采用的数据库是利用卫星TerraSAR-X得到的SAR图像，图像参数为：VV极化、3.3米多普勒分辨率、1.9米距离向分辨率。每一幅TerraSAR-X图像数据是在海况相对稳定的情况下获得，数据库中的SAR图像不包括由于舰船航行和方位模糊等造成的具有严重拖影的舰船图像。

将用于实验的SAR图像进行分割形成舰船切片，数量为286个。每个舰船切片只包括一个舰船目标，对这些切片首先进行人工解译，舰船目标包括三种类型：货船、集装箱船和油轮。经解译分别得到56艘油船的切片、160艘货船的切片和70艘集装箱船的切片。实验选取每类舰船切片的60％作为训练集，40％作为测试集。图1为实验采用的TerraSAR-X图像舰船目标切片样本，共6幅舰船切片，每一列由左至右，分别对应货船、集装箱船和油轮。

采用本发明提供的星载SAR图像舰船目标分类方法进行目标分类时，具体步骤如下：

第一步，基于训练集的特征排序。

根据可分性、稳定性和BIF(Best Individual Feature，最佳个体特征)三种评价度量准则的重要程度形成评价度量比较矩阵，然后计算评价度量比较矩阵的最大归一化特征向量，具体步骤如下：

评价度量比较矩阵A可根据经验设定。本发明的第一个具体实施例是，如果不容易决定各自权重，可以将评价度量比较矩阵A设置为全1矩阵。此外，本发明的另外一个具体实施例是认为可分性(I)是最重要的一个度量，稳定性(II)比BIF(III)更重要，因此将A设置为：

上述比较矩阵A的取值是利用层次分析法的原理获得，可参照文章“”，。经过验证符合一致性检验，因此其取值较为合理。比较矩阵A的最大特征向量的归一化形式为：

s＝[0.6054,0.2915,0.1031]^T

最大归一化特征向量s表示三种评价指标的权值比重。

基于训练集提取目标的特征，计算每类特征在上述每种评价度量准则下对应的评价度量值，形成每一类特征对应的评价度量向量。

利用训练集提取常用于舰船目标分类的特征，本实施例中选用21个特征，包括长度f₁，宽度f₂，长宽比f₃，面积f₄，周长f₅，形状复杂度f₆，质心f₇，转动惯量f₈，质量f₉，平均强度f₁₀，方差系数f₁₁，加权填充比f₁₂，标准差f₁₃，分形维数f₁₄以及Hu矩f₁₅～f₂₁。基于训练集样本计算得到21个特征对应的三种评价度量值：可分性、稳定性和BIF，如图2所示，可分性利用特征类内类间距比值表示，稳定性利用特征归一化方差系数表示，BIF利用特征互信息表示，上述三个评价度量值也可采用其他方法计算。对每一种评价度量形成的归一化21维特征向量分别为：

v_{discriminality}＝[0.0747,0.0305,0.0765,0.0623,0.0676,0.0596,0.0305,0.0623,0.0605,0.0489,0.0182,0.0114,0.0279,0.0308,0.0209,0.0525,0.0311,0.0605,0.0418,0.0640,0.0676]^T

v_stability＝[0.0385,0.0200,0.0696,0.0623,0.0197,0.0623,0.1026,0.0360,0.0385,0.0238,0.0360,0.0360,0.0360,0.0342,0.0281,0.0623,0.1026,0.0733,0.0360,0.0623,0.0197]^T

v_BIF＝[0.0760,0.0472,0.0553,0.0461,0.0461,0.0472,0.0392,0.0461,0.0461,0.0461,0.0403,0.0415,0.0449,0.0438,0.0484,0.0484,0.0472,0.0484,0.0472,0.0461,0.0484]^T

其中，v_{discriminality}、v_stability、v_BIF分别是可分性、稳定性、BIF对应的21维特征向量，在每个特征向量中，一个分量代表一个特征在相应的评价度量中的权重比例。

利用最大归一化特征向量与每一类特征对应的评价度量向量点乘，得到每一类特征的重要性得分值。

构成特征权值矩阵V，V＝[v_{discriminality},v_stability,v_BIF]。将特征权值矩阵V和权值向量s相乘得到21维矢量，每个分量表示各特征得分结果，如图3所示。

将各类特征的重要性得分值按照由大至小的顺序进行排序。

特征得分结果越高，对应的特征越重要。本实施例中，最终的特征重要性排序结果为：

f₃>f₁>f₁₈>f₂₀>f₄>f₆>f₁₆>f₁₇>f₈>f₉>f₇>f₂₁>f₅>f₁₀>f₁₉>f₁₄>f₁₃>f₂>f₁₅>f₁₁>f₁₂

第二步，最优特征选择

利用第一步的特征排序结果，依次增加特征数目形成特征集对训练集进行分类；选择分类正确率最大时的特征集所包含的N个特征作为候选特征，从N个候选特征中任选N-1个特征作为一个最优特征集，从而得到N个最优特征集。

将具有较高得分的特征作为最优特征集的备选特征，但并不是特征越多分类性能越好。为了得到最优特征集包含的特征个数，按照特征排序结果依次选取前2个、前3个、前4个、……前20个组成20个特征集，并利用训练集评估其各自的分类正确率。由于特征间的冗余，随着特征数的增加，分类正确率将呈现出“上升——稳定——下降”的趋势。因此，最优特征集的特征个数可以定为“上升”至“稳定”之间的转折点。

本实施例中采用KNN(K-Nearest Neighbor，K最近邻)分类器对训练集进行分类，当然可以采用其他分类器方式。利用形成的特征集对训练集进行分类时，第1个特征集包括f₁、f₂，第2个特征集包括f₃、f₁、f₁₈，依此论推，结果如图4所示。随着特征数目的增加，分类结果正确率首先有61.4％上升至85％，在85％左右的水平保持相对稳定，接着由于特征间冗余的增加导致正确率低于80％。从第5个到第10个特征集，正确率变化趋势较小，可以看作近似不变。第6个特征集可以看作是转折点(实线与虚线交汇点)，因此本实施例中选用第6个特征集所包含的7个特征作为候选特征，即N＝7。实际中利用排序结果的前七个特征来构建个最优特征集来降低系统误差影响，每个最优特征集均包含6个特征，具体如下：

F₁＝{f₃,f₁,f₁₈,f₂₀,f₄,f₆}F₂＝{f₃,f₁,f₁₈,f₂₀,f₄,f₁₆}F₃＝{f₃,f₁,f₁₈,f₂₀,f₆,f₁₆}

F₄＝{f₃,f₁,f₁₈,f₄,f₆,f₁₆}F₅＝{f₃,f₁,f₂₀,f₄,f₆,f₁₆}F₆＝{f₃,f₁₈,f₂₀,f₄,f₆,f₁₆}

F₇＝{f₁,f₁₈,f₂₀,f₄,f₆,f₁₆}

根据最优特征集包含的特征重要性排序结果，对上述最优特征集进行排序，如上例中最优特征集F₁包含的特征序号总数为1+2+3+4+5+6＝21，最优特征集F₂包含的特征序号总数为1+2+3+4+5+7＝22，最优特征集F₁包含的特征总体重要性更强，因此最优特征集F₁的优先级大于最优特征集F₂的优先级，按照上述方法，最优特征集的优先级由大至小为：

F₁＞F₂＞F₃＞F₄＞F₅＞F₆＞F₇。

第三步，目标分类

基于每一个最优特征集，利用分类器对未知的星载SAR图像舰船目标进行分类，得到N个属于不同舰船类型的分类概率，形成分类结果矢量；

本实施例中，对于每一个最优特征集，利用分类器对未知的星载SAR图像舰船目标进行分类，得到属于不同舰船类型的分类概率如下：

P_F1＝[P_F11,P_F12,P_F13]^T，P_F2＝[P_F21,P_F22,P_F23]^T，P_F3＝[P_F31,P_F32,P_F33]^T，

P_F4＝[P_F41,P_F42,P_F43]^T，P_F5＝[P_F51,P_F52,P_F53]^T，P_F6＝[P_F61,P_F62,P_F63]^T，

P_F7＝[P_F71,P_F72,P_F73]^T

其中P_F1，P_F2，P_F3，P_F4，P_F5，P_F6，P_F7分别为利用最优特征集F₁，F₂，F₃，F₄，F₅，F₆，F₇得到的概率矢量，其中矢量的每一个分量分别对应属于货船、集装箱船和油轮的概率。构成分类结果矢量P＝[P_F1,P_F2,P_F3,P_F4,P_F5,P_F6,P_F7]。

对N个最优特征集，将其优先级作为重要程度形成基于特征的评价度量比较矩阵B：

$B=\left[\begin{array}{cccccccc}& F_1& F_2& F_3& F_4& F_5& F_6& F_7\\ F_1& 1& 2& 3& 4& 5& 6& 7\\ F_2& 1/2& 1& 2& 3& 4& 5& 6\\ F_3& 1/3& 1/2& 1& 2& 3& 4& 5\\ F_4& 1/4& 1/3& 1/2& 1& 2& 3& 4\\ F_5& 1/5& 1/4& 1/3& 1/2& 1& 2& 3\\ F_6& 1/6& 1/5& 1/4& 1/3& 1/2& 1& 2\\ F_7& 1/7& 1/6& 1/5& 1/4& 1/3& 1/2& 1\end{array}\right]$

上述评价度量比较矩阵B的取值不是唯一的，只有取值反映最优特征集的优先级即可，其取值符合层次分析法的基本原理。经过验证B符合一致性检验，因此其取值较为合理。评价度量比较矩阵B符合一致性检验，其最大归一化特征向量标准形式为：

t＝[0.3086,0.2369,0.1745,0.1221,0.0803,0.0490,0.0286]^T

t即为7个最优特征集的权值向量。

将分类结果矢量P与权值向量t点乘，选择概率最大者作为未知的星载SAR图像舰船目标最终分类结果。

为了与本发明的分类结果进行对比。进行如下的实验，利用上述实施例中7个最优特征集，基于KNN分类器对所有测试集舰船目标进行分类，计算每类船舶的正确分类率和三类船舶平均正确分类率，结果如下表所示。下表中的最后一行，即AHP方法是利用本发明得到的分类结果。

如表中所示，对于7个最优特征集，KNN分类器对三类舰船目标的平均正确分类率均高于77％，特别地对于优先级比较高的最优特征集F₁和F₂其平均正确分类率均高于85％，这说明本发明中优选适合星载SAR舰船目标检测的特征和特征集的方法是有效的。同时本发明方法对货船、油船和集装箱船的正确分类率分别达到了89.1％、81.8和89.3％，对三类船舶目标进行分类的平均正确率达到了87.7％，均高于对应的其它分类方法，证明了本发明分类方法的有效性。

KNN分类器与其他分类器比较性能可能并不是最好，会影响到最后的分类效果，在具体操作过程中可选择其它分类器进行分类。

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，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (1)

1.基于层次分析的星载SAR图像舰船目标分类方法，利用星载合成孔径雷达图像舰船目标形成训练集，其特征在于，还包括下述步骤：

第一步，基于训练集的特征排序：

根据可分性、稳定性和最佳个体特征三种评价度量准则的重要程度形成评价度量比较矩阵，然后计算评价度量比较矩阵的最大归一化特征向量；

基于训练集提取目标的特征，计算每类特征在上述每种评价度量准则下对应的评价度量值，形成每一类特征对应的评价度量向量；

利用最大归一化特征向量与每一类特征对应的评价度量向量点乘，得到每一类特征的重要性得分值；

将各类特征的重要性得分值按照由大至小的顺序进行排序；

第二步，最优特征选择：

利用第一步的特征排序结果，依次增加特征数目形成特征集对训练集进行分类；

选择分类正确率最大时的特征集所包含的N个特征作为候选特征，从N个候选特征中任选N-1个特征作为一个最优特征集，从而得到N个最优特征集，根据最优特征集所包含特征的排序结果，确定最优特征集的优先级；

第三步，目标分类：

基于每一个最优特征集，利用分类器对未知的星载SAR图像舰船目标进行分类，得到N个属于不同舰船类型的分类概率，形成分类结果矢量；

对N个最优特征集，将其优先级作为重要程度形成基于特征的评价度量比较矩阵，计算上述基于特征的评价度量比较矩阵的最大归一化特征向量，作为权值向量；

将分类结果矢量与权值向量点乘，选择概率最大者作为最终分类结果；上述SAR是指合成孔径雷达。