CN109523514A - 对逆合成孔径雷达isar的批量成像质量评估方法 - Google Patents

Abstract

本发明公开了一种对逆合成孔径雷达ISAR的批量成像质量评估方法，主要解决现有技术耗时多，模型复杂、建模难度大的问题。其实现方案为：对N幅ISAR图像由人工视觉进行分类，并对分类好的ISAR图像贴上标签作为样本；将样本中的一半作为训练样本输入到卷积神经网络CNN中训练，提取出图像特征并得到训练好的卷积神经网络CNN′；将提取的特征输入支持向量机SVM中训练，得到训练好的支持向量机SVM′；将样本中的另一半作为测试样本输入到卷积神经网络CNN′中进行测试和提取特征，并将该特征输入支持向量机SVM′中进行分类，得到对逆合成孔径雷达ISAR的批量成像质量评估结果。本发明耗时和费用少，便于操作，效率高，可用于对雷达性能的检测和雷达设计。

Description

对逆合成孔径雷达ISAR的批量成像质量评估方法

技术领域

本发明属于图像处理技术领域，特别涉及一种图像质量的定量评估方法，可用于对雷达性能的检测和雷达设计。

背景技术

对于雷达技术而言，雷达图像质量的好坏是至关重要的，其决定了后续信息处理的效果。因此，对于具备成像能力的雷达系统而言，图像质量也是衡量雷达系统整体性能的重要指标，图像质量评价是图像处理领域中的一项重要研究内容。

目前，针对图像质量的评价方法，主要包括两种：

一种是主观评价方法，凭借实验人员的主观感知来评价图像的质量，通常采用连续双激励质量度量法，即对观测者连续给出原始图像和处理过的失真图像，由观测者根据主观感知给出打分值。这种方法的不足是需要针对多个测试图像进行多次重复实验，耗时多，费用高，难以操作；

另一种是客观评价方法，依据模型给出量化指标，模拟人类视觉系统感知机制衡量图像质量。但这种方法需要对雷达成像系统进行建模，模型复杂，建模难度大，参数不易设定。

发明内容

本发明的目的在于针对上述现有技术的不足，将主观评价和客观评价相结合，提出一种对逆合成孔径雷达ISAR的批量成像质量评估方法，以减少耗时和费用，便于操作，提高效率。

为实现上述目的，本发明的实现方案包括如下：

(1)对N幅ISAR图像由人工视觉分为“优”、“良”、“中”和“差”这4类，每类图像的个数为n，N≥960，n≥240；

(2)给人工分类的ISAR图像贴上不同的标签，即“优”的标签为“1”，“良”的标签为“2”，“中”的标签为“3”，“差”的标签为“4”；

(3)选取4类带标签的ISAR图像的一半作为训练样本，输入到卷积神经网络CNN中进行训练，得到训练好的卷积神经网络CNN′，并提取出所有类别的图像的特征μ；

(4)将提取得到的特征μ输入到不同正则化系数λ下的支持向量机SVM中进行训练，得到训练好的支持向量机SVMs′，进而得到训练样本的4种实际分类结果；

(5)将训练样本的实际分类结果与标签对比，确定最优的正则化系数λ′，得到最终训练好的支持向量机SVM′；

(6)选取(2)中4类带标签的ISAR图像的另一半作为测试样本，输入到经(3)训练好的卷积神经网络CNN′中进行特征提取，提取出所有类别的图像特征κ；

(7)将(6)中提取得到的特征κ输入最终训练好的支持向量机SVM′中进行分类，得到对逆合成孔径雷达ISAR的批量成像质量评估结果。

本发明与现有技术相比所具有的优点：

第一，本发明对N幅ISAR图像依据图像质量进行人工4分类，属于主观评价，考虑了图像的结构信息和细节信息，符合实验人员的主观感知，为后续提取特征和分类打下基础；

第二，本发明采用机器学习中的卷积神经网络CNN和支持向量机SVM进行特征提取和分类属于客观评价，操作简单、成本低、易于解析和嵌入实现。

附图说明

图1是本发明的实现流程图；

图2是本发明仿真得到的4类ISAR图像；

图3是本发明采用的卷积神经网络CNN的模型图；

图4是本发明中不同正则化系数λ所对应的误识别的误识别率实验图；

图5是本发明中不同正则化系数λ所对应的正确识别的识别率的实验图。

具体实施方式

下面将结合附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

参照图1，本发明的实现步骤如下：

步骤1，对ISAR图像进行人工视觉分类。

依据图像质量对图像分类主要考虑两方面：目标结构和聚焦情况，主要考虑目标的整体结构、局部结构的清晰与否和聚焦情况的好坏，本发明综合考虑上述两方面，对N幅ISAR图像进行全面、细致的质量分类，得到“优”、“良”、“中”和“差”4类，每类图像个数为n，N≥960，n≥240，其分类标准如下：

“优”，是指整体结构清晰可分辨，即聚焦良好；

“良”，是指整体结构可分辨，即聚焦一般；

“中”，是指整体结构模糊，局部结构可分辨，即聚焦较差；

“差”，是指整体结构不可分辨，局部结构不可分辨，即聚焦很差。

步骤2，依据步骤1的分类结果，对4类ISAR图像贴上标签。

卷积神经网络CNN属于有监督学习，需要对样本贴上标签进行网络的训练。常用的贴标签方式为数值化不同种类的训练样本的标签，本实例选择常用的贴标签方式对步骤1得到的分类结果贴上标签，其具体如下：

“优”类样本的标签为“1”；

“良”类样本的标签为“2”；

“中”类样本的标签为“3”；

“差”类样本的标签为“4”。

步骤3，训练卷积神经网络CNN。

对ISAR图像进行特征提取，而后根据特征对其进行分类、识别、预测或决策等通常使用神经网络NN或者卷积神经网络CNN。神经网络NN是传统的包含隐层的层级网络，卷积神经网络CNN对神经网络NN进行改进而得到的，其最大的特点是利用了图像的局部信息，加入了卷积层，大量减少了网络所需参数的数量，显著提高了网络运行效率。

本实例利用训练样本对卷积神经网络CNN进行训练，其实现如下：

(3.1)选择由一个输入层、两个卷积层、两个采样层、一个全连接层和一个输出层组成的7层CNN网络，且每个卷积层的大小为5×5的卷积窗口，每个采样层采用均值采样；

(3.2)设置各层之间的激活函数采用sigmoid函数，其具体形式为：其中z为每一层的输入，e为自然常数；

(3.3)设输入层的图像大小为32×32，使其先经过第一卷积层后得到6个28×28的特征图，再经过第一采样层得到6个14×14的特征图，再经过第二卷积层得到16个10×10的特征图，最后经第二采样层2采样得到16个5×5的特征图，输入给全连接层；

(3.4)全连接层将16个5×5的特征图展开成一个16×5×5的向量，输入给输出层，得到分类x是正确分类的预测概率q(x)，取值范围为(0,1)；

(3.5)设置卷积神经网络CNN的损失函数H(p,q)为交叉熵形式，即：其中，p(x)表示分类x是正确分类的先验概率，其取值为0或1；q(x)表示分类x是正确分类的预测概率，取值范围为(0,1)；

(3.6)应用反向传播BP算法优化损失函数H(p,q)，得到训练好的卷积神经网络CNN′。

步骤4，训练不同正则化系数λ所对应的支持向量机SVM。

支持向量机SVM是一个分类模型，它的目的是寻找一个超平面来对样本进行分割，分割的原则是间隔最大化，最终转化为一个凸二次规划问题来求解。依据分类类别的不同，主要有二分类支持向量机SVM和多分类支持向量机SVM；依据训练样本的线性可分情况，主要分为三种，分别是：线性可分支持向量机、线性支持向量机和非线性支持向量机。本实例对ISAR图像进行4分类，采用线性多分类支持向量机SVM，其具体实现如下：

(4.1)设置支持向量机SVM：

(4.1a)对支持向量机SVM设置不同的正则化系数λ；

(4.1b)损失函数采用Crammer和Singer提出的用于多分类的铰链损失形式，即：其中y是分类x的标签，t是不等于y的标签，w_t是选择t标签的超平面参数，w_y是选择y标签的超平面参数；

(4.2)采用Limited-memory BFGS优化算法对(4.1b)中的损失函数l(y)进行优化，得到训练好的不同正则化系数λ所对应的支持向量机SVMs′：

(4.2a)初始化两个超平面参数w_t和w_y；

(4.2b)设置终止条件；

(4.2c)求解损失函数l(y)；

(4.2d)判断求解的损失函数是否满足终止条件,如果满足，则结束优化过程，并保留两个超平面参数w_t和w_y，如果不满足，则执行(4.2e)；

(4.2e)采用线搜索策略选择最优步长，并依据选择的最优步长，拟合Hessian矩阵；

(4.2f)依据拟合的Hessian矩阵，更新两个超平面参数w_t和w_y，返回(4.2c)。

步骤5，确定最优的正则化系数λ′，得到最终训练好的支持向量机SVM′。

本步骤的具体实现如下：

(5.1)将通过步骤4得到的不同正则化系数λ所对应的训练样本的4种实际分类结果与标签进行对比，定义分类结果与标签一致的为正确识别，分类结果与标签不一致的为误识别：

对标签为“1”但是实际分类结果为“4”的训练样本数量进行统计，得到将“优”类样本误识别为“差”类样本的误识别率；

对标签为“2”但是实际分类结果为“4”的训练样本数量进行统计，得到将“良”类样本误识别为“差”类样本的误识别率；

对标签为“4”但是实际分类结果为“1”的训练样本数量进行统计，得到将“差”类样本误识别为“优”类样本的误识别率；

对标签为“4”但是实际分类结果为“2”的训练样本数量进行统计，得到将“差”类样本误识别为“良”类样本的误识别率；

(5.2)将上述四个误识别率由小到大排序，选择误识别率最低的情况下所对应的正则化系数，即确定为最优的λ′，得到最终训练好的支持向量机SVM′。

步骤6，利用最终训练好的支持向量机SVM′获得ISAR的批量成像质量评估结果。

(6.1)将测试样本输入到经步骤3训练好的卷积神经网络CNN′中进行特征提取，得到测试样本所有类别的图像特征κ；

(6.2)将提取得到的特征κ输入最终训练好的支持向量机SVM′中进行分类，得到逆合成孔径雷达ISAR的批量成像质量评估结果。

本发明的效果可通过以下仿真实验进一步验证说明。

(一)仿真条件：

本发明使用matlab软件仿真ISAR系统，其参数如表1所示：

表1 ISAR系统主要参数

本发明仿真采用的卷积神经网络CNN，其参数如表2所示：

表2卷积神经网络CNN主要参数

本发明仿真采用的支持向量机SVM，其参数如表3所示：

表3支持向量机SVM主要参数

(二)仿真内容及结果：

仿真1：依据表1的仿真参数对ISAR系统进行仿真，得到N幅不同的“天宫一号”ISAR仿真图，由人工视觉分为“优”、“良”、“中”和“差”这4类，每类图像个数为n，N≥960，n≥240，其中图2(a)是一组“优”类ISAR仿真图如图；图2(b)是一组“良”类ISAR仿真图；图2(c)是一组“中”类ISAR仿真图；图2(d)是一组“差”类ISAR仿真图。从图2可见，仿真得到的4类ISAR图满足设定的分类标准要求。

仿真2：依据表2的仿真参数设置卷积神经网络CNN，其模型图如图3所示，选取仿真1得到的4类ISAR仿真图的一半作为训练样本，输入到卷积神经网络CNN中进行训练，得到训练好的网络CNN′，并提取出所有类别的图像的特征μ；

仿真3：依据表3的仿真参数设置支持向量机SVM，将仿真2提取得到的特征μ输入到不同正则化系数λ下的支持向量机SVM中进行训练，得到训练好的支持向量机SVMs′，并得到由人工视觉4分类的样本的实际分类结果，如图4和图5所示，其中图4(a)从左到右依次是，“优识别为差”、“良识别为差”和“优和良识别为差”的一组误识别率实验图；图4(b)从左到右依次是，“差识别为优”、“差识别为良”和“差识别为优和良”的一组误识别率实验图；图5(a)是“优识别为优”的正确识别率实验图；图5(b)是“差识别为差”的正确识别率实验图。

将训练好的支持向量机SVMs′的实际分类结果与标签对比，确定最优的正则化系数λ′，得到最终训练好的支持向量机SVM′，具体分析如下：

观察图4(a)，发现“优识别为差”和“良识别为差”皆在参数取15的时候，图像有最小值，即“优”和“良”识别为“差”的误识别率最低；

观察图4(b)，发现“差识别为优”和“差识别为良”同样几乎皆在参数取15的时候，图像有最小值；考虑“优”和“良”识别为“差”的误识别率之和，发现参数取13的时候，识别率有最小值；

观察图5(b)，发现“差识别为差”在参数取15的时候比参数取13的时候，识别率差值较图4(b)“优和良识别为差”的误识别率之和的差值高很多，所以确定最优的正则化系数λ′为15。

仿真4：选取仿真1中4类带标签的ISAR图像的另一半作为测试样本，输入到经仿真2训练好的卷积神经网络CNN′中进行特征提取，提取出所有类别的图像的特征κ；并将特征κ输入经仿真3得到的最终训练好的支持向量机SVM′中进行分类，得到逆合成孔径雷达ISAR的批量成像质量评估结果，如表4所示。

表4全部分类正确识别及误识别的所有情况的识别率

	优	良	中	差
					优	70.8％	20.8％	5.0％	3.33％
良	38.3％	13.3％	45.8％	2.5％
					中	13.3％	11.7％	55.0％	20.0％
差	0.8％	15.8％	14.1％	69.2％

定义逆合成孔径雷达ISAR的成像合格率为：测试样本经本发明的方案后被识别为“优”类和“良”类ISAR图的识别率之和；不合格率为：识别为“差”类ISAR图的识别率，由表4计算可得实验值，并与理论值做对比，得到最终实验结果，如表5所示：

表5 ISAR的批量成像质量评价

	实验值	理论值	误差
				合格率	46.2％	50.0％	7.6％
不合格率	23.8％	25.0％	4.8％

由表5可以看到，实验值相对理论值的误差控制在合理范围内，表明本发明方案具有良好有效性。

以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。

Claims (6)

1.一种对逆合成孔径雷达ISAR的批量成像质量评估方法，其特征在于，包括如下：

(1)对N幅ISAR图像由人工视觉分为“优”、“良”、“中”和“差”这4类，每类图像的个数为n，N≥960，n≥240；

(2)给人工分类的ISAR图像贴上不同的标签，即“优”的标签为“1”，“良”的标签为“2”，“中”的标签为“3”，“差”的标签为“4”；

(3)选取4类带标签的ISAR图像的一半作为训练样本，输入到卷积神经网络CNN中进行训练，得到训练好的卷积神经网络CNN′，并提取出所有类别的图像的特征μ；

(4)将提取得到的特征μ输入到不同正则化系数λ下的支持向量机SVM中进行训练，得到训练好的支持向量机SVMs′，进而得到训练样本的4种实际分类结果；

(5)将训练样本的实际分类结果与标签对比，确定最优的正则化系数λ′，得到最终训练好的支持向量机SVM′；

(6)选取(2)中4类带标签的ISAR图像的另一半作为测试样本，输入到经(3)训练好的卷积神经网络CNN′中进行特征提取，提取出所有类别的图像特征κ；

(7)将(6)中提取得到的特征κ输入最终训练好的支持向量机SVM′中进行分类，得到对逆合成孔径雷达ISAR的批量成像质量评估结果。

2.如权利要求1所述的方法，其特征在于，在(1)中对N幅ISAR图像由人工视觉分为4类，其分类标准如下：

“优”，是指整体结构清晰可分辨，即聚焦良好；

“良”，是指整体结构可分辨，即聚焦一般；

“中”，是指整体结构模糊，局部结构可分辨，即聚焦较差；

“差”，是指整体结构不可分辨，局部结构不可分辨，即聚焦很差。

3.如权利要求1所述的方法，其特征在于(3)中的利用训练样本对卷积神经网络CNN进行训练，其实现如下：

(3a)选择由一个输入层、两个卷积层、两个采样层、一个全连接层和一个输出层组成的7层CNN网络，且每个卷积层的大小为5×5的卷积窗口，每个采样层采用均值采样；

(3b)设置各层之间的激活函数采用sigmoid函数，其具体形式为：其中z为每一层的输入，e为自然常数；

(3c)设输入层的图像大小为32×32，使其先经过第一卷积层后得到6个28×28的特征图，再经过第一采样层得到6个14×14的特征图，再经过第二卷积层得到16个10×10的特征图，最后经第二采样层2采样得到16个5×5的特征图，输入给全连接层；

(3d)全连接层将16个5×5的特征图展开成一个16×5×5的向量，输入给输出层，得到分类x是正确分类的预测概率q(x)，取值范围为(0,1)；

(3e)设置卷积神经网络CNN的损失函数H(p,q)为交叉熵形式，即：其中，p(x)表示分类x是正确分类的先验概率，其取值为0或1；q(x)表示分类x是正确分类的预测概率，取值范围为(0,1)；

(3f)应用反向传播BP算法优化损失函数H(p,q)，得到训练好的卷积神经网络CNN′。

4.如权利要求1所述的方法，其特征在于(4)中的利用提取得到的特征μ对支持向量机SVM进行训练，其实现如下：

(4a)对支持向量机SVM设置不同的正则化系数λ；

(4b)损失函数采用Crammer和Singer提出的用于多分类的铰链损失形式，即：其中y是分类x的标签，t是不等于y的标签，w_t是选择t标签的超平面参数，w_y是选择y标签的超平面参数；

(4c)采用Limited-memory BFGS优化算法对(4b)中的损失函数l(y)进行优化，得到训练好的不同正则化系数λ所对应的支持向量机SVMs′。

5.如权利要求4所述的方法，其特征在于，所述(4c)采用Limited-memory BFGS优化算法对(4b)中的损失函数l(y)进行优化，其实现如下：

(4c1)初始化两个超平面参数w_t和w_y；

(4c2)设置终止条件；

(4c3)求解损失函数l(y)；

(4c4)判断求解的损失函数是否满足终止条件,如果满足，则结束优化过程，并保留两个超平面参数w_t和w_y，如果不满足，则执行(4c5)；

(4c5)采用线搜索策略选择最优步长，并依据选择的最优步长，拟合Hessian矩阵；

(4c6)依据拟合的Hessian矩阵，更新参数w_t和w_y，返回(4c3)。

6.如权利要求1所述的方法，其特征在于，所述(5)中确定最优的正则化系数λ′，其实现如下：

首先，将通过(4)得到的不同正则化系数λ所对应的训练样本的4种实际分类结果与标签进行对比，分类结果与标签一致为正确识别，分类结果与标签不一致为误识别：

对标签为“1”但是实际分类结果为“4”的训练样本数量进行统计，得到将“优”类样本误识别为“差”类样本的误识别率；

对标签为“2”但是实际分类结果为“4”的训练样本数量进行统计，得到将“良”类样本误识别为“差”类样本的误识别率；

对标签为“4”但是实际分类结果为“1”的训练样本数量进行统计，得到将“差”类样本误识别为“优”类样本的误识别率；

对标签为“4”但是实际分类结果为“2”的训练样本数量进行统计，得到将“差”类样本误识别为“良”类样本的误识别率；

然后，选择上述误识别率最低的情况下所对应的正则化系数，即确定为最优的λ′。