CN105678311A - 一种用于模板识别的空间目标isar图像处理方法 - Google Patents

Abstract

公开了一种用于模板识别的空间目标ISAR图像处理方法，包括：对ISAR图像进行灰度化处理，得到灰度图像；采用线性滤波法对所述灰度图像进行滤波，得到滤波图像；对所述滤波图像进行Radon变换，确定所述ISAR图像的主轴方向，并根据所述主轴方向、采用双线性插值法将所述ISAR图像的主轴旋转至预定方向；将旋转之后的ISAR图像归一化至预定大小，然后通过CNN卷积神经网络法进行图像识别。本发明通过对ISAR图像进行灰度化处理、滤波、主轴旋转和归一化处理，使得ISAR图像转换成适于识别输入的图像，提高了ISAR图像识别过程的识别率。

Description

一种用于模板识别的空间目标ISAR图像处理方法

技术领域

本发明涉及雷达目标特征识别技术领域，特别涉及一种用于模板识别的空间目标ISAR图像处理方法。

背景技术

以下对本发明的相关技术背景进行说明，但这些说明并不一定构成本发明的现有技术。

近几十年来，雷达目标特性研究、宽带微波技术、计算机应用技术突飞猛进，模式识别理论、机器视觉、人工智能等多学科综合发展，目标类型和属性的自动判定技术—雷达自动目标识别成为国内外研究的热点。

逆合成孔径雷达(ISAR)能全天候、全天时地对空间目标进行观测并成像，ISAR图像同时具有距离和方位两个方向的高分辨率，通过分析二维高分辨ISAR图像可以得到目标大小、形状、结构及姿态等信息，为目标特征提取、分类识别提供有力支撑。

ISAR图像分类识别方法一般是基于模板的分类识别，数据库需要存储目标的图像模板或者特征模板，每个模板提供了一种分类假设，通过寻找待识别目标的图像或者特征与数据库模板的最佳匹配完成分类。基于特征模板类识别的主要问题在于当样本很大时，有效而稳健的分类特征很难找到，会严重影响识别的准确性。基于图像模板识别的方法不存在特征选择的问题，在大样本量的情况下识别效果会更好。

基于图像模板匹配的方法具有良好的容错能力和识别率，但受雷达散射机理影响，空间目标的ISAR图像表现为三维目标在距离-多普勒二维平面上的散射中心分布，而且空间目标成像姿态角自由度大，因此基于ISAR图像模板的分类识别需要对原始ISAR图像进行相关预处理后方可进行。

发明内容

本发明的目的在于提出一种用于模板识别的空间目标ISAR图像处理方法，能够解决空间目标的ISAR图像无法直接应用于图像模板识别的问题，提高ISAR图像处理过程的图像识别率。

根据本发明的用于模板识别的空间目标ISAR图像处理方法，包括：

S1、对ISAR图像进行灰度化处理，得到灰度图像；

S2、采用线性滤波法对所述灰度图像进行滤波，得到滤波图像；

S3、对所述滤波图像进行Radon变换，确定所述ISAR图像的主轴方向，并根据所述主轴方向、采用双线性插值法将所述ISAR图像的主轴旋转至预定方向；

S4、将旋转之后的ISAR图像归一化至预定大小，然后通过CNN卷积神经网络法进行图像识别。

优选地，所述ISAR图像与所述灰度图像之间的转换满足公式1：

$g_1(x,y)=\left\{\begin{array}{cc}0,& raw(x,y)<c\lim s\left(0\right)\\ \frac{raw(x,y)-c\lim s\left(0\right)}{c\lim s\left(1\right)-c\lim s\left(0\right)},& c\lim s\left(0\right)\&le;raw(x,y)\&le;c\lim s\left(1\right)\\ 255,& raw(x,y)>c\lim s\left(1\right)\end{array}\right.$ 公式1

式中，g₁(x,y)为灰度图像中(x,y)处的灰度值；raw(x,y)为ISAR图像中(x,y)处的数据值；clims(0)为灰度图像中的最小灰度值；clims(1)为灰度图像中的最大灰度值。

优选地，步骤S2包括：针对灰度图像中的任意一个像素点，选择当前像素点(x,y)及其近邻的像素点作为邻域模板，并获取所述邻域模板内所有像素点的平均灰度值；将所述平均灰度值赋予所述当前像素点，得到滤波图像中所述当前像素点的灰度值；其中，所述灰度图像与所述滤波图像之间的转换满足公式2：

$g_2(x,y)=\frac{1}{N}\underset{i=-M}{\overset{M}{\&Sigma;}}\underset{j=-M}{\overset{M}{\&Sigma;}}{g}_1(x+i,y+j)h(i,j)$ 公式2

式中，g₂(x,y)为滤波图像中(x,y)处的灰度值；h(i,j)为邻域模板内当前像素点的加权系数；N为邻域模板内像素点的个数，邻域模板的尺寸为(2M+1)×(2M+1)，且N、M为正整数。

优选地，M的取值为1。

优选地，所述邻域模板为四连通域，且

$h(i,j)=\frac{1}{5}\left[\begin{array}{ccc}0& 1& 0\\ 1& 1& 1\\ 0& 1& 0\end{array}\right];$

或者，所述邻域模板为八连通域，且

$h(i,j)=\frac{1}{9}\left[\begin{array}{ccc}1& 1& 1\\ 1& 1& 1\\ 1& 1& 1\end{array}\right].$

优选地，对所述滤波图像进行Radon变换、确定所述ISAR图像的主轴方向包括：

针对变换角度范围内的每一个变换角度，获取所述滤波图像在所述变换角度下的最大线积分作为第一线积分；

以所有的第一线积分中积分值最大的第一线积分作为第二线积分，获取与第二线积分对应的变换角度，即为主轴方向角；根据第二线积分的位置确定第二线积分方向与主轴方位线的交点坐标；

基于所述主轴方向角以及第二线积分方向与主轴方位线的交点坐标，采用双线性插值法将所述ISAR图像的主轴旋转至预定方向。

优选地，对所述滤波图像进行Radon变换、确定所述ISAR图像的主轴方向包括：

针对变换角度范围内的每一个变换角度，获取所述滤波图像在所述变换角度下的最大线积分作为第一线积分，确定所有的第一线积分中积分值最大的第一线积分；

以所有的第一线积分中积分值最大的第一线积分作为第二线积分，获取与第二线积分对应的第一变换角度、以及第二线积分的第一积分带宽；

以所有的第一线积分中积分值次大的第一线积分作为第三线积分，获取与第三线积分对应的第二变换角度、以及第三线积分的第二积分带宽；

比较第一积分带宽和第二积分带宽的大小，以其中较小者所对应的变换角度作为主轴方向角；根据所述较小者的位置确定所述较小者与主轴方位线的交点坐标；

基于所述主轴方向角以及所述交点坐标，采用双线性插值法将所述ISAR图像的主轴旋转至预定方向。

优选地，变换角度范围为0°～179°，步长为1°。

优选地，所述预定大小为：32像素×32像素。

优选地，将旋转之后的ISAR图像归一化至预定大小包括：

若所述ISAR图像的横向长度大于32像素，对所述ISAR图像矩阵的行进行抽值处理，若所述ISAR图像的纵向长度大于32像素，对所述ISAR图像矩阵的列进行抽值处理；

若所述ISAR图像的横向长度小于32像素，对所述ISAR图像矩阵的行进行插值处理，若所述ISAR图像的纵向长度小于32像素，对所述ISAR图像矩阵的列进行插值处理。

根据本发明的用于模板识别的空间目标ISAR图像处理方法，包括：对ISAR图像进行灰度化处理，得到灰度图像；采用线性滤波法对所述灰度图像进行滤波，得到滤波图像；对所述滤波图像进行Radon变换，确定所述ISAR图像的主轴方向，并根据所述主轴方向、采用双线性插值法将所述ISAR图像的主轴旋转至预定方向；将旋转之后的ISAR图像归一化至预定大小，然后通过CNN卷积神经网络法进行图像识别。本发明通过对ISAR图像进行灰度化处理、滤波、主轴旋转和归一化处理，使得ISAR图像转换成适于识别输入的图像，提高了ISAR图像识别过程的识别率。

附图说明

通过以下参照附图而提供的具体实施方式部分，本发明的特征和优点将变得更加容易理解，在附图中：

图1是根据本发明的用于模板识别的空间目标ISAR图像处理方法的流程图。

具体实施方式

下面参照附图对本发明的示例性实施方式进行详细描述。对示例性实施方式的描述仅仅是出于示范目的，而绝不是对本发明及其应用或用法的限制。

空间目标的ISAR图像为三维目标在距离-多普勒二维平面上的散射中心分布，而且空间目标成像姿态角的自由度大，无法直接应用于图像模板识别。本发明中，通过对ISAR图像进行灰度化处理、滤波、主轴旋转和归一化处理，使得ISAR图像转换成适于识别输入的图像，提高ISAR图像识别过程的识别率。本发明中的ISAR是指：InverseSyntheticApertureRadar，即逆合成孔径雷达。

ISAR图像是dB数据矩阵，所以，在进行训练识别之前，首先要对ISAR图像的dB数据矩阵进行灰度化处理。参见图1，根据本发明的用于模板识别的空间目标ISAR图像处理方法起始于步骤S1：对ISAR图像进行灰度化处理，得到灰度图像。优选地，对原始数据作线性映射，从clims(0)—clims(1)映射到0—255，ISAR图像与灰度图像之间的转换满足

公式1：

$g_1(x,y)=\left\{\begin{array}{cc}0,& raw(x,y)<c\lim s\left(0\right)\\ \frac{raw(x,y)-c\lim s\left(0\right)}{c\lim s\left(1\right)-c\lim s\left(0\right)},& c\lim s\left(0\right)\&le;raw(x,y)\&le;c\lim s\left(1\right)\\ 255,& raw(x,y)>c\lim s\left(1\right)\end{array}\right.$ 公式1

式中，g₁(x,y)为灰度图像中(x,y)处的灰度值；raw(x,y)为ISAR图像中(x,y)处的数据值；clims(0)为灰度图像中的最小灰度值；clims(1)为灰度图像中的最大灰度值。

S2、采用线性滤波法对灰度图像进行滤波，得到滤波图像。

为了提高灰度图像的识别率，有必要对灰度图像进行滤波降噪。本领域技术人员可以根据实际情况选择合适的方式进行滤波处理，根据本发明的优选实施例，步骤S2包括：针对灰度图像中的任意一个像素点，选择当前像素点(x,y)及其近邻的像素点作为邻域模板，并获取邻域模板内所有像素点的平均灰度值；将平均灰度值赋予所述当前像素点，得到滤波图像中当前像素点的灰度值；

其中，灰度图像与滤波图像之间的转换满足公式2：

$g_2(x,y)=\frac{1}{N}\underset{i=-M}{\overset{M}{\&Sigma;}}\underset{j=-M}{\overset{M}{\&Sigma;}}{g}_1(x+i,y+j)h(i,j)$ 公式2

式中，g₂(x,y)为滤波图像中(x,y)处的灰度值；h(i,j)为邻域模板内当前像素点的加权系数；N为邻域模板内像素点的个数，邻域模板的尺寸为(2M+1)×(2M+1)，且N、M为正整数。

优选地，M的取值为1。邻域模板可以为四连通域，且

$h(i,j)=\frac{1}{5}\left[\begin{array}{ccc}0& 1& 0\\ 1& 1& 1\\ 0& 1& 0\end{array}\right];$

或者，邻域模板可以为八连通域，且

$h(i,j)=\frac{1}{9}\left[\begin{array}{ccc}1& 1& 1\\ 1& 1& 1\\ 1& 1& 1\end{array}\right].$

S3、对滤波图像进行Radon变换，确定ISAR图像的主轴方向，并根据主轴方向、采用双线性插值法将ISAR图像的主轴旋转至预定方向。

由于获取目标的ISAR图像的时间、角度和位置等因素的变化，同一目标的不同ISAR像之间有可能存在角度不一致的问题，不利于图像识别。本发明通过对滤波图像进行Radon变换能够确定ISAR图像的主轴方向，通过根据主轴方向将ISAR图像的主轴旋转至预定方向，使得同一目标的不同IASR图像的主轴方向保持一致，从而能够提高目标的IASR图像的识别率。

预定方向可以根据实际情况设置成任意方向，比如：目标坐标系某一坐标轴的方向、或者雷达观测坐标系的某一坐标轴的方向等，本发明对此不作具体限定。

对滤波图像进行Radon变换后得到的图像记为Radon图像。在Radon图像中，目标的主轴所在的位置和方向是Radon图像中的突出亮点，因此根据本发明的一个优选实施例，可以通过滤波图像在不同变换角度下的最大线积分的最大值确定目标的主轴方向。对滤波图像进行Radon变换、确定ISAR图像的主轴方向包括：

针对变换角度范围内的每一个变换角度，获取滤波图像在变换角度下的最大线积分作为第一线积分；

以所有的第一线积分中积分值最大的第一线积分作为第二线积分，获取与第二线积分对应的变换角度，即为主轴方向角；根据第二线积分的位置确定第二线积分方向与主轴方位线的交点坐标；

基于主轴方向角以及第二线积分方向与主轴方位线的交点坐标，采用双线性插值法将ISAR图像的主轴旋转至预定方向。

如果有目标卫星包含太阳板，其太阳板方向上的线积分也比较大，有时候可能超过主轴方向上的线积分。此时与第二线积分对应的变换角度不是主轴方向角，而是太阳板的方向角。为了得到主轴方向角，根据本发明的另一个优选实施例，对滤波图像进行Radon变换、确定ISAR图像的主轴方向包括：

针对变换角度范围内的每一个变换角度，获取滤波图像在变换角度下的最大线积分作为第一线积分，确定所有的第一线积分中积分值最大的第一线积分；

以所有的第一线积分中积分值最大的第一线积分作为第二线积分，获取与第二线积分对应的第一变换角度、以及第二线积分的第一积分带宽；

以所有的第一线积分中积分值次大的第一线积分作为第三线积分，获取与第三线积分对应的第二变换角度、以及第三线积分的第二积分带宽；

比较第一积分带宽和第二积分带宽的大小，以其中较小者所对应的变换角度作为主轴方向角；根据较小者的位置确定较小者与主轴方位线的交点坐标；

基于主轴方向角以及交点坐标，采用双线性插值法将ISAR图像的主轴旋转至预定方向。

本发明中，可以按照公式3获取某一变换角度下滤波图像的线积分：

$R_{\mathrm{\&theta;}}\left(x^{\&prime;}\right)={\&Integral;}_{-\mathrm{\&infin;}}^{\mathrm{\&infin;}}{g}_2(x^{\&prime;}cos\mathrm{\&theta;}-y^{\&prime;}sin\mathrm{\&theta;},x^{\&prime;}sin\mathrm{\&theta;}+y^{\&prime;}cos\mathrm{\&theta;}){\mathrm{dy}}^{\&prime;}$ 公式3

式中，θ为变换角度，单位为：°；R_θ(x')为滤波图像在变换角度θ下的积分值。

优选地，滤波图像与Radon图像之间的变换满足公式4：

$\left[\begin{array}{c}{x}^{\&prime;}\\ y^{\&prime;}\end{array}\right]=\left[\begin{array}{cc}cos\mathrm{\&theta;}& sin\mathrm{\&theta;}\\ -sin\mathrm{\&theta;}& \cos \mathrm{\&theta;}\end{array}\right]\left[\begin{array}{c}x\\ y\end{array}\right]$ 公式4

式中，为滤波图像中(x,y)处的坐标，为Radon图像中与滤波图像中(x,y)处对应的点的坐标。

优选地，本发明中的变换角度范围为0°～179°，步长为1°。

S4、将旋转之后的ISAR图像归一化至预定大小，然后通过CNN卷积神经网络法进行图像识别。

由于ISAR图像的纵向分辨率取决于测量雷达带宽、横向分辨率取决于非合作目标的旋转速度，因此同一目标的不同ISAR图像之间存在尺度不一致的问题，需要对图像进行尺度归一化。归一化后图像的大小可以根据图像处理方式以及分析需求进行选择，优选地，本发明中的预定大小为：32像素×32像素。

根据本发明的优选实施例，将旋转之后的ISAR图像归一化至预定大小包括：若ISAR图像的横向长度大于32像素，对ISAR图像矩阵的行进行抽值处理，若ISAR图像的纵向长度大于32像素，对ISAR图像矩阵的列进行抽值处理；若ISAR图像的横向长度小于32像素，对ISAR图像矩阵的行进行插值处理，若ISAR图像的纵向长度小于32像素，对ISAR图像矩阵的列进行插值处理。

归一化之后得到的图像可作为CNN卷积神经网络的输入，通过CNN卷积神经网络法进行图像识别。根据本发明的一个实施例，分别选取3个空间卫星目标各50幅共150幅ISAR图像进行训练，然后再选取每个卫星目标各20幅ISAR图像进行识别，识别率分别达到了90％、90％、95％，平均识别率为91.7％。

与现有技术相比，本发明通过对ISAR图像进行灰度化处理、滤波、主轴旋转和归一化处理，使得ISAR图像转换成适于识别输入的图像，提高ISAR图像识别过程的识别率。。

虽然参照示例性实施方式对本发明进行了描述，但是应当理解，本发明并不局限于文中详细描述和示出的具体实施方式，在不偏离权利要求书所限定的范围的情况下，本领域技术人员可以对所述示例性实施方式做出各种改变。

Claims (10)

1.一种用于模板识别的空间目标ISAR图像处理方法，其特征在于包括：

S1、对ISAR图像进行灰度化处理，得到灰度图像；

S2、采用线性滤波法对所述灰度图像进行滤波，得到滤波图像；

S3、对所述滤波图像进行Radon变换，确定所述ISAR图像的主轴方向，并根据所述主轴方向、采用双线性插值法将所述ISAR图像的主轴旋转至预定方向；

S4、将旋转之后的ISAR图像归一化至预定大小，然后通过CNN卷积神经网络法进行图像识别。

2.如权利要求1所述的空间目标ISAR图像处理方法，其中，所述ISAR图像与所述灰度图像之间的转换满足公式1：

$g_1(x,y)=\left\{\begin{array}{cc}0,& raw(x,y)<c\lim s\left(0\right)\\ \frac{raw(x,y)-c\lim s\left(0\right)}{c\lim s\left(1\right)-c\lim s\left(0\right)},& c\lim s\left(0\right)\&le;raw(x,y)\&le;c\lim s\left(1\right)\\ 255,& raw(x,y)>c\lim s\left(1\right)\end{array}\right.$ 公式1

式中，g₁(x,y)为灰度图像中(x,y)处的灰度值；raw(x,y)为ISAR图像中(x,y)处的数据值；clims(0)为灰度图像中的最小灰度值；clims(1)为灰度图像中的最大灰度值。

3.如权利要求2所述的空间目标ISAR图像处理方法，其中，步骤S2包括：

针对灰度图像中的任意一个像素点，选择当前像素点(x,y)及其近邻的像素点作为邻域模板，并获取所述邻域模板内所有像素点的平均灰度值；

将所述平均灰度值赋予所述当前像素点，得到滤波图像中所述当前像素点的灰度值；

其中，所述灰度图像与所述滤波图像之间的转换满足公式2：

$g_2(x,y)=\frac{1}{N}\underset{i=-M}{\overset{M}{\&Sigma;}}\underset{j=-M}{\overset{M}{\&Sigma;}}{g}_1(x+i,y+j)h(i,j)$ 公式2

式中，g₂(x,y)为滤波图像中(x,y)处的灰度值；h(i,j)为邻域模板内当前像素点的加权系数；N为邻域模板内像素点的个数，邻域模板的尺寸为(2M+1)×(2M+1)，且N、M为正整数。

4.如权利要求3所述的空间目标ISAR图像处理方法，其中，M的取值为1。

5.如权利要求4所述的空间目标ISAR图像处理方法，其中，所述邻域模板为四连通域，且

$h(i,j)=\frac{1}{5}\left[\begin{array}{ccc}0& 1& 0\\ 1& 1& 1\\ 0& 1& 0\end{array}\right];$

或者，所述邻域模板为八连通域，且

$h(i,j)=\frac{1}{9}\left[\begin{array}{ccc}1& 1& 1\\ 1& 1& 1\\ 1& 1& 1\end{array}\right].$

6.如权利要求3所述的空间目标ISAR图像处理方法，其中，对所述滤波图像进行Radon变换、确定所述ISAR图像的主轴方向包括：

针对变换角度范围内的每一个变换角度，获取所述滤波图像在所述变换角度下的最大线积分作为第一线积分；

以所有的第一线积分中积分值最大的第一线积分作为第二线积分，获取与第二线积分对应的变换角度，即为主轴方向角；根据第二线积分的位置确定第二线积分方向与主轴方位线的交点坐标；

基于所述主轴方向角以及第二线积分方向与主轴方位线的交点坐标，采用双线性插值法将所述ISAR图像的主轴旋转至预定方向。

7.如权利要求3所述的空间目标ISAR图像处理方法，其中，对所述滤波图像进行Radon变换、确定所述ISAR图像的主轴方向包括：

针对变换角度范围内的每一个变换角度，获取所述滤波图像在所述变换角度下的最大线积分作为第一线积分；

以所有的第一线积分中积分值最大的第一线积分作为第二线积分，获取与第二线积分对应的第一变换角度、以及第二线积分的第一积分带宽；

以所有的第一线积分中积分值次大的第一线积分作为第三线积分，获取与第三线积分对应的第二变换角度、以及第三线积分的第二积分带宽；

比较第一积分带宽和第二积分带宽的大小，以其中较小者所对应的变换角度作为主轴方向角；根据所述较小者的位置确定所述较小者与主轴方位线的交点坐标；

基于所述主轴方向角以及所述交点坐标，采用双线性插值法将所述ISAR图像的主轴旋转至预定方向。

8.如权利要求6或7所述的空间目标ISAR图像处理方法，其中，所述变换角度范围为0°～179°，步长为1°。

9.如权利要求1所述的空间目标ISAR图像处理方法，其中，所述预定大小为：32像素×32像素。

10.如权利要求9所述的空间目标ISAR图像处理方法，其中，将旋转之后的ISAR图像归一化至预定大小包括：

若所述ISAR图像的横向长度大于32像素，对所述ISAR图像矩阵的行进行抽值处理，若所述ISAR图像的纵向长度大于32像素，对所述ISAR图像矩阵的列进行抽值处理；

若所述ISAR图像的横向长度小于32像素，对所述ISAR图像矩阵的行进行插值处理，若所述ISAR图像的纵向长度小于32像素，对所述ISAR图像矩阵的列进行插值处理。