CN110309793A - 一种基于图像比特分层解译的sar目标识别方法 - Google Patents

Abstract

本发明属于合成孔径雷达(Synthetic Aperture Radar，SAR)图像解译、目标识别领域，具体为一种基于图像比特分层解译的SAR目标识别方法。本发明中原始SAR图像经过比特分层处理能够抑制SAR图像散斑，并能保持SAR图像局部特征信息，然后通过特征提取方法从分层解译后的SAR图像中提取出鉴别特征，能够有效地改善识别精度；特别适用于高俯仰角SAR图像识别。本发明通过使用比特分层解译完成原始SAR图像的预处理，提高类间差，能够有效的解决SAR图像俯仰角增大后，图像的相干斑噪声较大的情况，因此本发明对于高俯仰角SAR图像数据集能够实现较高准确率的SAR图像目标识别。

Description

一种基于图像比特分层解译的SAR目标识别方法

技术领域

本发明属于合成孔径雷达(Synthetic Aperture Radar，SAR)图像解译、目标识别领域，具体为一种基于图像比特分层解译的SAR目标识别方法。

背景技术

随着SAR成像技术的不断发展，高分辨SAR图像已在遥感领域应用非常广泛；SAR目标识别是合成孔径雷达的研究热点之一。特征提取和分类器设计是SAR目标识别中至关重要的两步操作，但由于独特的SAR相干成像机制，SAR图像中会包含诸如目标、目标背影、杂波、背景等复杂信息，因此在SAR图像稳健特征提取方面面临重大挑战。

为了抑制SAR图像相干散斑对SAR目标识别的影响，早期的学者已提出图像滤波算法例如Lee，Kuan，Frost滤波器等；但是这些算法存在参数估计问题，并且这些滤波算法可能会损失SAR图像的局部特征信息；而目标的局部信息对SAR图像，尤其是对在大俯仰角下条件下采集的SAR图像识别是非常有用的。

比特分层(Bit Slicing)是一种图像分层解译技术，已在光学图像上得到广泛应用。具体来说，通过将图像像素点转化为8位二进制计数方法，每一位对应一个比特层，从低维到高维对应于比特分层的1-8层，每一个比特层图像均为“0”、“1”二进制图像，该方法能够提取图像中的高阶特征，并能尽可能地保持目标的局部特征。鉴于此，本发明提出一种基于比特分层的SAR目标识别方法，通过比特分层处理原始图像，可抑制SAR图像散斑并保持了图像局部特征，然后利用全局特征提取方法进行稳健特征提取，从而改善目标识别性能。

发明内容

本发明的目的在于针对强散斑对SAR目标识别的影响提供一种基于图像比特分层解译的SAR目标识别方法；本发明中，原始SAR图像经过比特分层处理能够有效抑制SAR图像散斑，并能保持SAR图像局部特征信息，然后通过特征提取方法从分层解译后的SAR图像中提取出判别特征，能够有效地改善识别精度。

为实现上述目的，本发明采用的技术方案为：

一种基于图像比特分层解译的SAR目标识别方法，包括以下步骤：

步骤1：对原始SAR图像进行比特分层预处理，得到数据集；具体过程为：

步骤1.1：对单幅SAR图像中所有像素点执行8位二进制转化，每个像素点得到8位二进制数，抽取每个像素点的8位二进制数的最高位(最左侧一位)对应构成比特分层的第8比特层，标记为I；如图2所示；

步骤1.2：将第8比特层I与其原始SAR图像G完成点乘运算，得到经过比特分层预处理的图像R：

其中，表示点乘运算，两个相同维度的矩阵对应元素相乘；

步骤1.3：将经过比特分层预处理后的图像R执行向量化、归一化处理；

步骤2：对步骤1得到的数据集进行全局特征提取(PCA)，得到判别特征集；

步骤3：采用分类器针对判别特征集完成目标识别。

需要说明的是，本发明中，所述步骤1.1中，经过二进制处理后，一幅SAR图像转化为8幅比特图像，比特图像为0-1二进制图像，之所以选取二进制编码的原因是：像素值的取值范围为[0,255]，转化为二进制能够保证该取值范围内的所有像素就能被表示，二进制为编码方法中精度最高的编码方法，通过图2可知，一幅SAR图像经过比特分层后，图像的目标区域逐渐明显，能够保证相干斑噪声被抑制，目标区域得到增强。

所述步骤1.2中，比特分层的第8层图像与原始图像点乘运算，能够将原始SAR图像中对应的像素值直接映射为能够用于分类的SAR图像。这样做的有益效果是：点乘运算实现原始对应元素直接相乘，第8层二进制图像为最高位的二进制数，“0”，“1”值与原始大小不同的像素值相乘，实现图像的重要高阶信息的原封不动的保留，无用信息直接与0相乘过滤消除，使得SAR图像目标信息最大化保留，有利于提高分类的准确率。

综上所述，本发明的有益效果在于：通过使用比特分层解译完成原始SAR图像的预处理，提高类间差，能够有效的解决SAR图像俯仰角增大后，图像的相干斑噪声较大的情况，因此本发明对于高俯仰角SAR图像数据集能够实现较高准确率的SAR图像目标识别。

附图说明

图1本发明一种基于图像比特分层解译的SAR识别方法流程图；

图2本发明实施例中单幅SAR图像进过比特分层的结果示意图；

图3本发明实施例中步骤1.2运算过程示意图。

具体实施方式

以下结合附图和实施例对本发明做详细阐述。

本发明提供一种基于图像比特分层解译的SAR识别方法，其流程如图1所示，原始SAR图像经过比特分层处理能够抑制SAR图像散斑，并能保持SAR图像局部特征信息，然后通过特征提取方法从分层解译后的SAR图像中提取出鉴别特征，能够有效地改善识别精度；特别适用于高俯仰角SAR图像识别。

具体包括以下步骤：

假设SAR图像的某一像素点值为M，计算其对应的8位二进制数表示方式，每一位的0，1值记为x_i,i＝1,2,...,8，则该像素点值可表示为：

M＝x_m-12^m-1+x_m-22^m-2+...+x₁2¹+x₀2⁰

其中，m为对应比特层数，x表示像素值转化为二进制后对应位置的取值，M为对应的原始像素值；

步骤1：对原始SAR图像进行比特分层预处理，得到数据集；具体过程为：

步骤1.1：对单幅SAR图像中所有像素点执行8位二进制转化，每个像素点得到8位二进制数，抽取每个像素点的8位二进制数的最高位(最左侧一位)对应构成比特分层的第8比特层，标记为I；如图2所示；

步骤1.2：将第8比特层I与其原始SAR图像G完成点乘运算，得到经过比特分层预处理的图像R：

其中，表示点乘运算，两个相同维度的矩阵对应元素相乘；如图3所示；

步骤1.3：将经过比特分层预处理后的图像R执行向量化、归一化处理；

步骤2：对步骤1得到的数据集进行全局特征提取(PCA)，得到判别特征集；

由于SAR图像维度较高的原因，经过比特分层后去除了大量相干斑噪声，需要对形成的数据集执行全局特征提取，保证用于分类的特征均为具有高判别性的特征；

步骤3：采用分类器针对判别特征集完成目标识别；分类器分类实现目标识别，通过支持向量机的分类，完成高精度的SAR图像目标识别。

本实施例中，验证方法采用MSTAR标准数据集，采用三个不同类别的地面目标：2S1、BRDM_2、ZSU23_4，图像大小统一采用128×128像素，PCA降维维度设为90维；训练测试样本分布如表1所示：

表1

表2给出了使用比特分层预处理的识别结果与未使用比特分层的识别结果的对比表，统一采用SVM分类，未采用比特分层的直接进行向量化，归一化，PCA维数约简到90维，采用比特分层的在直接向量化步骤前加入本发明中的比特分层处理；

表2

表3给出了一些其他算法得到的识别结果，HF代表Ding等人提出的分层融合算法，LRDLSR为Dong等人提出的低阶基于字典学习的稀疏表征方法，ERT为极端决策树算法，RAN代表残差注意神经网络，与本发明使用的比特分层方法得到的识别结果对比，可知在比特分层处理后能够有效的提升对于高俯仰角数据集的识别能力。

表3

以上所述，仅为本发明的具体实施方式，本说明书中所公开的任一特征，除非特别叙述，均可被其他等效或具有类似目的的替代特征加以替换；所公开的所有特征、或所有方法或过程中的步骤，除了互相排斥的特征和/或步骤以外，均可以任何方式组合。

Claims (1)

1.一种基于图像比特分层解译的SAR目标识别方法，包括以下步骤：

步骤1：对原始SAR图像进行比特分层预处理，得到数据集；具体过程为：

步骤1.1：对单幅SAR图像中所有像素点执行8位二进制转化，每个像素点得到8位二进制数，抽取每个像素点的8位二进制数的最高位对应构成比特分层的第8比特层I；

步骤1.2：将第8比特层I与其原始SAR图像G完成点乘运算，得到经过比特分层预处理的图像R：

其中，表示点乘运算；

步骤1.3：将经过比特分层预处理后的图像R执行向量化、归一化处理；

步骤2：对步骤1得到的数据集进行全局特征提取，得到判别特征集；

步骤3：采用分类器针对判别特征集完成目标识别。