CN106845489B - 基于改进Krawtchouk矩的SAR图像目标特征提取方法 - Google Patents

基于改进Krawtchouk矩的SAR图像目标特征提取方法 Download PDF

Info

Publication number
CN106845489B
CN106845489B CN201510883597.3A CN201510883597A CN106845489B CN 106845489 B CN106845489 B CN 106845489B CN 201510883597 A CN201510883597 A CN 201510883597A CN 106845489 B CN106845489 B CN 106845489B
Authority
CN
China
Prior art keywords
image
krawtchouk
moment
target
feature extraction
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201510883597.3A
Other languages
English (en)
Other versions
CN106845489A (zh
Inventor
陶飞翔
贺治华
罗旌胜
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Leihua Electronic Technology Research Institute Aviation Industry Corp of China
Original Assignee
Leihua Electronic Technology Research Institute Aviation Industry Corp of China
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Leihua Electronic Technology Research Institute Aviation Industry Corp of China filed Critical Leihua Electronic Technology Research Institute Aviation Industry Corp of China
Priority to CN201510883597.3A priority Critical patent/CN106845489B/zh
Publication of CN106845489A publication Critical patent/CN106845489A/zh
Application granted granted Critical
Publication of CN106845489B publication Critical patent/CN106845489B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/28—Quantising the image, e.g. histogram thresholding for discrimination between background and foreground patterns
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • G06V10/443—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components by matching or filtering

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Radar Systems Or Details Thereof (AREA)
  • Image Analysis (AREA)

Abstract

基于改进Krawtchouk矩的SAR图像目标特征提取方法，涉及图像特征提取技术，属于SAR目标自动识别技术领域。本发明针对SAR图像的方位敏感性和平移敏感性给SAR目标识别带来的干扰，提出一种基于改进Krawtchouk矩的SAR图像目标特征提取方法。在有效抑制噪声的情况下，有效克服了SAR图像对目标方位的敏感性，减少计算量的同时能有效地对目标进行识别。

Description

基于改进Krawtchouk矩的SAR图像目标特征提取方法
1.所属技术领域
基于改进Krawtchouk矩的SAR图像目标特征提取方法，涉及图像特征提取技术，属于SAR目标自动识别技术领域。
2.背景技术
在合成孔径雷达(Synthetic Aperture Radar,SAR)图像自动目标识别当过程中，有效地处理SAR图像并提取能反映目标本质属性的特征是SAR目标识别的关键技术之一。
SAR图像不像一般的光学图像能较完整地描述目标的整体形状，而是表现为稀疏的散射中心分布，且对成像的方位敏感，即同一目标在不同方位角下，SAR图像间存在较大的差异，故而需要有效地提取目标的特征。特征提取过程是去除冗余信息的过程，具有提高识别精度、减少运算量和提高运算速度的作用，良好的特征应具有可分性、稳定性和独立性等特点。而矩是一种非常重要的表示目标总体形状的特征量，二维图像的几个关键特征均直接与矩有关，如目标的大小、质心和旋转情况等等。由于不变矩概念清晰、识别率稳定，对具有平移、旋转和缩放变化的目标有良好的不变性及抗干扰性，能有效地反映目标的本质特征。Krawtchouk矩由于具有计算时不需要进行坐标转换，没有离散误差，且能提取任意局部特征等良好性能，所以Krawtchouk矩越来越广泛地被应用于信号特征提取等领域。尽管Krawtchouk不变矩具有平移、尺度以及180度以内的旋转不变性，但对于具有翻转行为或者旋转角度大于180度的图像，利用Krawtchouk不变矩提取特征时并不具备不变性。
针对SAR图像的方位敏感性和平移敏感性，引入翻转因子和旋转因子，提取具有平移、全方位旋转、缩放等不变性的改进Krawtchouk矩特征作为特征向量，采用支持向量机分类方法进行分类，可为SAR自动目标识别提供技术支持。
3.发明创造的目的
针对SAR图像的方位敏感性和平移敏感性给SAR目标识别带来的干扰，提出一种基于改进Krawtchouk矩的SAR图像目标特征提取方法。在有效抑制噪声的情况下，有效克服了SAR图像对目标方位的敏感性，减少计算量的同时能有效地对目标进行识别。
4.技术方案
SAR目标识别分类可大致分为三个步骤：预处理、特征提取和分类。其中，如何提取图像特征是目标分类识别的前提和关键，只有当选择的特征具有良好的类内相似性和类间差异性时，才可能利用图像特征对目标进行精确的分类和目标识别。主要过程如下：
(1)对SAR目标的切片图像进行中值滤波。
(2)采用一维最大熵阈值分割法对切片图像进行分割，得到目标二值图像和背景图像。
(3)对目标二值图像利用改进的Krawtchouk矩方法进行特征提取。
引入翻转因子和旋转因子，改进Krawtchouk不变矩构建方法，使该矩不但具备基本Krawtchouk不变矩的特性，还具备对称翻转以及全方位的旋转不变性。
改进Krawtchouk矩特征提取的主要步骤为：
Step1：根据式(1)确定图像的质心
Figure BDA0000866612340000021
其中，f(x,y)为坐标(x,y)位置的灰度值，其值为0或者1，i取0或1，j也取0或1，N为图像的行数。
Step2：图像的中心距uij可由式(2)计算，
Figure BDA0000866612340000022
Step3：若一幅图像只进行了对称翻转，则翻转后的图像的中心距uij在j为奇数时发生符号变化；若一图像只发生大于180度的旋转行为，则旋转后的图像的uij在i+j为奇数时发生符号变化。根据式(3)确定图像的翻转因子b1和旋转因子b2，
Figure BDA0000866612340000023
式中，sgn(*)为取数值的符号。
Step4：在图像的旋转角度计算公式中，计算新的旋转角度θ，如式(4)所示，
Figure BDA0000866612340000024
Step5：根据Step4计算而得的旋转角度，再引入翻转因子，构建如式(5)所示的几何不变矩。
Figure BDA0000866612340000025
Step6：最后使用几何不变矩式(5)构建改进的Krawtchouk不变矩。
Figure BDA0000866612340000026
式中，
Figure BDA0000866612340000031
ak,n,p为Krawtchouk多项式系数。
(4)采用支持向量机对测试图像进行分类，根据识别效果，判断特征提取的有效性。
5.发明创造的优点和用途
使用改进Krawtchouk不变矩提取SAR目标二值图像的轮廓信息，并使用受噪声影响较小的低阶特征值组成特征向量，再经支持向量机进行识别分类，可以有效地对SAR目标进行识别和分类，可以为SAR目标自动识别系统提供技术支持。
在基于Krawtchouk不变矩的概念上，通过引入翻转因子和旋转因子，提出了改进的Krawtchouk不变矩概念，使其在具有平移、尺度不变性的同时也具有翻转和全方位旋转不变性，使得SAR目标识别不需要事先估计目标的方向角，克服SAR图像对目标方位的敏感性，能够直接对目标识别。
6.附图说明
图1 SAR目标图像；
图2 SAR目标分割结果。
7.具体实施方式
使用改进Krawtchouk不变矩提取SAR目标二值图像的形状信息，并使用受噪声影响较小的低阶特征值组成特征向量，再利用支持向量机对SAR目标进行识别分类，可以有效地对SAR目标进行识别分类。
具体实施步骤为：
(1)首先对SAR目标切片图像进行中值滤波，降低相干斑噪声的影响，采用3×3的窗口进行滤波。
(2)对去噪处理后的目标切片图像，采用一维最大熵阈值分割法分割图像，对分割后的目标二值图像采用数学形态学算子进行腐蚀膨胀，去除孤立点和孔洞，提取出目标区域。分割后的目标二值图像如图2所示。
(3)对得到的目标二值图像，按照式(6)，使用4×4的改进的Krawtchouk矩提取计算训练样本和测试样本的矩不变量
Figure BDA0000866612340000032
分别计算
Figure BDA0000866612340000033
这12个矩不变量，即为SAR目标的形状特征。将其作为分类特征输入到支持向量机进行分类识别。
(4)采用MSTAR数据验证本发明的有效性，训练样本是在15°俯视角下的SAR图像数据，测试样本均在17°俯视角下获取得到，每类样本都是SAR在不同方位角下得到的，方位角的覆盖范围是0°～360°。
(5)对训练样本和测试样本分别采用改进Krawtchouk矩进行目标特征提取，对提取后的目标特征采用支持向量机进行多类分类，得到SAR目标识别结果。
实验分析结果：
训练样本为SAR在俯仰角为15°时的成像数据，包括3大类：BTR70、BMP2、T72三种样本数据，共计为517幅数据。测试样本是俯仰角为17°的数据，仍为BTR70、BMP2、T72三种样本数据，共计651幅数据。三类目标识别总正确率86.6％，优于Hu不变矩特征提取方法，是一种有效地特征提取方法，可充分描述SAR目标的形状特征。

Claims (1)

1.基于改进Krawtchouk矩的SAR图像目标特征提取方法，其特征是，包括以下步骤：
(1)对SAR目标的切片图像进行中值滤波；
(2)采用一维最大熵阈值分割法对切片图像进行分割，得到目标二值图像和背景图像；
(3)对目标二值图像利用改进的Krawtchouk矩方法进行特征提取；
引入翻转因子和旋转因子，改进Krawtchouk不变矩构建方法，使该矩不但具备基本Krawtchouk不变矩的特性，还具备对称翻转以及全方位的旋转不变性；
改进Krawtchouk矩特征提取的主要步骤为：
Step1：根据式(1)确定图像的质心
Figure FDA0002321966860000011
Figure FDA0002321966860000012
其中，f(x,y)为坐标(x,y)位置的灰度值，其值为0或者1，i,j分别取自然数，
Figure FDA0002321966860000013
分别为图像质心的横坐标与纵坐标，N为图像的行数；
Step2：图像的中心距uij由式(2)计算，
Figure FDA0002321966860000014
Step3：若一幅图像只进行了对称翻转，则翻转后的图像的中心距uij在j为奇数时发生符号变化；若一图像只发生大于180度的旋转行为，则旋转后的图像的uij在i+j为奇数时发生符号变化；根据式(3)确定图像的翻转因子b1和旋转因子b2，
Figure FDA0002321966860000015
式中，sgn(*)为取数值的符号；
Step4：在图像的旋转角度计算公式中，计算新的旋转角度θ，如式(4)所示，
Figure FDA0002321966860000016
Step5：根据Step4计算而得的旋转角度，再引入翻转因子，构建如式(5)所示的几何不变矩；
Figure FDA0002321966860000017
其中，
Figure FDA0002321966860000018
为n+m阶几何不变矩，n、m为自然数；
Step6：最后使用几何不变矩式(5)构建改进的Krawtchouk不变矩；
Figure FDA0002321966860000021
式中，
Figure FDA0002321966860000022
ak,n,p为Krawtchouk多项式系数；
(4)采用支持向量机对测试图像进行分类，根据识别效果，判断特征提取的有效性。
CN201510883597.3A 2015-12-03 2015-12-03 基于改进Krawtchouk矩的SAR图像目标特征提取方法 Active CN106845489B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201510883597.3A CN106845489B (zh) 2015-12-03 2015-12-03 基于改进Krawtchouk矩的SAR图像目标特征提取方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201510883597.3A CN106845489B (zh) 2015-12-03 2015-12-03 基于改进Krawtchouk矩的SAR图像目标特征提取方法

Publications (2)

Publication Number Publication Date
CN106845489A CN106845489A (zh) 2017-06-13
CN106845489B true CN106845489B (zh) 2020-07-03

Family

ID=59150149

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201510883597.3A Active CN106845489B (zh) 2015-12-03 2015-12-03 基于改进Krawtchouk矩的SAR图像目标特征提取方法

Country Status (1)

Country Link
CN (1) CN106845489B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109063750B (zh) * 2018-07-17 2022-05-13 西安电子科技大学 基于cnn和svm决策融合的sar目标分类方法
CN110059719B (zh) * 2019-03-18 2022-08-09 西北工业大学 一种基于沃尔什变换的图像矩的目标识别方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103824093A (zh) * 2014-03-19 2014-05-28 北京航空航天大学 一种基于kfda及svm的sar图像目标特征提取与识别方法
CN104102920A (zh) * 2014-07-15 2014-10-15 中国科学院合肥物质科学研究院 一种基于形态学多特征融合的害虫图像分类方法及系统

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9053359B2 (en) * 2012-06-07 2015-06-09 Konica Minolta Laboratory U.S.A., Inc. Method and system for document authentication using Krawtchouk decomposition of image patches for image comparison

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103824093A (zh) * 2014-03-19 2014-05-28 北京航空航天大学 一种基于kfda及svm的sar图像目标特征提取与识别方法
CN104102920A (zh) * 2014-07-15 2014-10-15 中国科学院合肥物质科学研究院 一种基于形态学多特征融合的害虫图像分类方法及系统

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
Image Analysis by Krawtchouk Moments;Pew-Thian Yap 等;《IEEE TRANSACTIONS ON IMAGE PROCESSING》;20031130;第12卷(第11期);1367-1377 *
Research progress of the fractional Fourier transform in signal processing;TAO Ran 等;《Science in China: Series F Information Sciences》;20060131;第49卷(第1期);1-25 *
SAR图像相干斑抑制与分割方法研究;唐艳亮;《中国优秀硕士学位论文全文数据库 信息科技辑》;20110615(第6期);I140-568 *
Shape-based Image Retrieval Using Combining Global and Local Shape Features;Yanyan Wu 等;《 2009 2nd International Congress on Image and Signal Processing》;20091019;1-5 *

Also Published As

Publication number Publication date
CN106845489A (zh) 2017-06-13

Similar Documents

Publication Publication Date Title
CN110427986B (zh) 一种基于毫米波雷达点云特征的核支持向量机目标分类方法
CN108510467B (zh) 基于深度可变形卷积神经网络的sar图像目标识别方法
Zhai et al. Inshore ship detection via saliency and context information in high-resolution SAR images
Kampffmeyer et al. Semantic segmentation of small objects and modeling of uncertainty in urban remote sensing images using deep convolutional neural networks
CN110807473B (zh) 目标检测方法、装置及计算机存储介质
Duan et al. Detection and segmentation of iron ore green pellets in images using lightweight U-net deep learning network
Wang et al. Airport detection in remote sensing images: A method based on saliency map
CN108171193B (zh) 基于超像素局部信息度量的极化sar舰船目标检测方法
CN107977642A (zh) 一种核自适应均值判别分析的高分辨距离像目标识别方法
Agrawal et al. Target detection in SAR images using SIFT
CN110222661B (zh) 一种用于运动目标识别及跟踪的特征提取方法
Hwang et al. A practical algorithm for the retrieval of floe size distribution of Arctic sea ice from high-resolution satellite Synthetic Aperture Radar imagery
AU2007287418A1 (en) Target orientation
Ding et al. Efficient vanishing point detection method in unstructured road environments based on dark channel prior
CN109508674B (zh) 基于区域划分的机载下视异构图像匹配方法
CN106845489B (zh) 基于改进Krawtchouk矩的SAR图像目标特征提取方法
Zhang et al. A SIFT‐Like Feature Detector and Descriptor for Multibeam Sonar Imaging
Cexus et al. Target recognition from ISAR image using polar mapping and shape matrix
Belloni et al. Comparison of descriptors for SAR ATR
Haigang et al. A novel ship detection method for large-scale optical satellite images based on visual LBP feature and visual attention model
CN110969128A (zh) 一种基于多特征融合的海面背景下红外船舰的检测方法
Han et al. Accurate and robust vanishing point detection method in unstructured road scenes
CN113822361B (zh) 一种基于汉明距离的sar图像相似程度度量方法和系统
Ren et al. SAR image matching method based on improved SIFT for navigation system
Ng Camera response function signature for digital forensics-part II: signature extraction

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant