CN111487620B - 一种基于特征变换的机载sar成像性能评估方法 - Google Patents

一种基于特征变换的机载sar成像性能评估方法 Download PDF

Info

Publication number
CN111487620B
CN111487620B CN202010350630.7A CN202010350630A CN111487620B CN 111487620 B CN111487620 B CN 111487620B CN 202010350630 A CN202010350630 A CN 202010350630A CN 111487620 B CN111487620 B CN 111487620B
Authority
CN
China
Prior art keywords
image
sar
evaluation
evaluation vector
vector
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.)
Expired - Fee Related
Application number
CN202010350630.7A
Other languages
English (en)
Other versions
CN111487620A (zh
Inventor
邹见效
傅琦
凡时财
徐红兵
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.)
University of Electronic Science and Technology of China
Original Assignee
University of Electronic Science and Technology 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 University of Electronic Science and Technology of China filed Critical University of Electronic Science and Technology of China
Priority to CN202010350630.7A priority Critical patent/CN111487620B/zh
Publication of CN111487620A publication Critical patent/CN111487620A/zh
Application granted granted Critical
Publication of CN111487620B publication Critical patent/CN111487620B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
    • G01S13/88—Radar or analogous systems specially adapted for specific applications
    • G01S13/89—Radar or analogous systems specially adapted for specific applications for mapping or imaging
    • G01S13/90—Radar or analogous systems specially adapted for specific applications for mapping or imaging using synthetic aperture techniques, e.g. synthetic aperture radar [SAR] techniques
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
    • G01S13/88—Radar or analogous systems specially adapted for specific applications
    • G01S13/89—Radar or analogous systems specially adapted for specific applications for mapping or imaging
    • G01S13/90—Radar or analogous systems specially adapted for specific applications for mapping or imaging using synthetic aperture techniques, e.g. synthetic aperture radar [SAR] techniques
    • G01S13/9094—Theoretical aspects
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
    • G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
    • G01S7/40—Means for monitoring or calibrating
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
    • G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
    • G01S7/41—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
    • G01S7/418—Theoretical aspects

Landscapes

  • Engineering & Computer Science (AREA)
  • Remote Sensing (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Physics & Mathematics (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • General Physics & Mathematics (AREA)
  • Electromagnetism (AREA)
  • Radar Systems Or Details Thereof (AREA)
  • Image Processing (AREA)

Abstract

本发明公开了一种基于特征变换的机载SAR成像性能评估方法，涉及合成孔径雷达成像中的结果评估技术领域，其在成像性能的评估输入数据阶段，不仅用到了待评估图像，而且用到了与待评估图像对应的SAR标准图像，在成像性能评估过程中，计算了多个评价指标，能够更好的概括图像的成像情况，在此基础上，结合随机森林分类方法和特征变换，融合各地形因素，大大提高了机载SAR成像性能评估的准确度；基于SAR标准图像进行特征变换构建了机载SAR成像性能评估模型，也能在训练样本数量不高的情况下，训练出足够满足评估精度要求的评估模型，具有较强的实用性。

Description

一种基于特征变换的机载SAR成像性能评估方法
技术领域
本发明涉及合成孔径雷达(Synthetic Aperture Radar，简称SAR)成像中的结果评估技术领域，具体而言，涉及一种基于特征变换的机载SAR成像性能评估方法。
背景技术
机载SAR因其搭载平台机动灵活的特点，可实现短时内对指定观测区域进行反复观测的任务需求，可应用于军事侦察、资源勘探、灾害预警及地图测绘等领域。
但机载SAR并非所有任务都能圆满完成，从而得到期望质量的图像。目前，在使用机载SAR装备的过程中，使用方一般只是在执行任务前检查机载SAR的硬件故障情况，并未考虑任务中的外在因素对机载SAR成像结果的影响，可能会出现机载SAR本身无故障，但执行任务所成的图像并不满足任务需求，则可能需要调整之后再次甚至多次执行任务，从而造成不必要的浪费。而SAR图像质量评价相关方法也只用于评价SAR图像本身的质量，传统的SAR图像客观评估方法如图4所示，其是通过计算图像的质量评价指标来实现图像的质量评价，但是受限于指标类型，单个指标常常无法完全概括成像的情况，并且缺少对各质量指标关系的挖掘与分析，会直接影响成像质量评估的精度。
发明内容
本发明在于提供一种基于特征变换的机载SAR成像性能评估方法，其能够缓解上述问题。
为了缓解上述的问题，本发明采取的技术方案如下：
一种基于特征变换的机载SAR成像性能评估方法，包括以下步骤：
S1、获取若干类地形的机载SAR图像训练数据对，各类地形的机载SAR图像训练数据对均有多个，所述机载SAR图像训练数据对包括SAR标准图像以及机载SAR实际任务生成的图像；
S2、对于每一机载SAR图像训练数据对，根据其SAR标准图像和机载SAR实际任务生成的图像，基于特征变换计算出其均包含有多个评价指标的前半部分图像评价矢量L1和后半部分图像评价矢量R1；
S3、对于每一机载SAR图像训练数据对，将其前半部分图像评价矢量L1和后半部分图像评价矢量R1进行拼接，构造出评价矢量V1；
S4、对于每一类地形，根据其各机载SAR图像训练数据对的评价矢量V1，构造出训练数据集P，并对训练数据集P进行归一化，再结合结果标签，得到新的训练数据集P′；
S5、根据各类地形的训练数据集P′，基于随机森林算法构造机载SAR成像性能评估模型；
S6、获取机载SAR图像待评估数据对，所述机载SAR图像待评估数据对包括SAR标准图像以及机载SAR实际任务生成的图像，对机载SAR图像待评估数据对进行基于特征变换的预处理后得到包含有多个评价指标的待评估评价矢量X；
S7、将待评估评价矢量X输入所述机载SAR成像性能评估模型，输出得到机载SAR成像性能评估结果。
本技术方案的技术效果是：在成像性能的评估输入数据阶段，不仅用到了待评估图像，而且用到了与待评估图像对应的SAR标准图像，在成像性能评估过程中，计算了多个评价指标，能够更好的概括图像的成像情况，在此基础上，结合随机森林分类方法和特征变换，融合各地形因素，大大提高了机载SAR成像性能评估的准确度；基于SAR标准图像进行特征变换构建了机载SAR成像性能评估模型，也能在训练样本数量不高的情况下，训练出足够满足评估精度要求的评估模型，具有较强的实用性。
进一步地，各类地形的机载SAR图像训练数据对数量相同。
本技术方案的技术效果是：通过采用数量相同的训练数据对，便于对比分析不同地形对评估的影响，进而帮助调整评估模型的n_estimators这一参数。
更进一步地，SAR标准图像的获得方法是：在仅考虑目标成像区域的地物信息的环境中，得到目标成像区域的SAR回波，将该SAR回波施加给数字SAR平台后得到的图像作为所述SAR标准图像，其中数字SAR平台所成图像与机载SAR实际任务生成的图像的成像参数条件相同。
本技术方案的技术效果是：通过增加标准图像，从而增加了实际任务所成图像与标准图像的相似性指标作为评估特征，相比只采用实际任务图像的质量评价指标作为评估特征而言，能够有效地提高评估的准确率。此外，机载SAR与数字SAR采用相同的成像参数，消除了因成像参数不同导致不同的成像效果这一增加评估难度的不利因素。
进一步地，对于每一机载SAR图像训练数据对，
其前半部分图像评价矢量L1的计算方法包括以下步骤：
a1、计算出其机载SAR实际任务生成的图像的前半部分图像评价矢量X1；
a2、计算出其SAR标准图像的前半部分图像评价矢量Y1；
a3、对前半部分图像评价矢量X1进行特征变换，将前半部分图像评价矢量X1中的各评价指标变换为相对于前半部分图像评价矢量Y1中同类评价指标的偏离比例值，得到前半部分图像评价矢量L1；
其后半部分图像评价矢量R1的计算方法包括以下步骤：
b1、计算出其机载SAR实际任务生成的图像的后半部分图像评价矢量X2；
b2、计算出其SAR标准图像的后半部分图像评价矢量Y2；
b3、对后半部分图像评价矢量X2进行特征变换，将后半部分图像评价矢量X2中的各评价指标变换为相对于后半部分图像评价矢量Y2中同类评价指标的偏离比例值，得到后半部分图像评价矢量R1。
本技术方案的技术效果是：该方法计算出多个评价指标，并将评价指标变换为相对于SAR标准图像的偏离比例值，考虑了各评价指标的关系，使评价矢量V1更具有评价代表性。
进一步地，所述步骤S5具体包括：
S51、对于每一类地形，根据其训练数据集P′，采用基于随机森林算法构造一机载SAR成像性能评估子模型；
S52、将T个机载SAR成像性能评估子模型整合，得到所述机载SAR成像性能评估模型。
本技术方案的技术效果是：采用随机森林算法，能够匹配多种评价指标的处理，产生高精度的模型，将各模型进行整合，使所得到的机载SAR成像性能评估模型能够符合各种地形的图像成像性能评价需求。
进一步地，所述步骤S6中，待评估评价矢量X的获取方法具体包括以下步骤：
S61、对于机载SAR图像待评估数据对，基于特征变换计算其前半部分图像评价矢量L2和后半部分图像评价矢量R2；
S62、将前半部分图像评价矢量L2和后半部分图像评价矢量R2合并后进行归一化处理，得到评价矢量V2；
S63、将机载SAR图像待评估数据对所对应的地形名称融合至评价矢量V2，形成所述待评估评价矢量X。
更进一步地，对于机载SAR图像待评估数据对，
其前半部分图像评价矢量L2的计算方法包括以下步骤：
c1、计算出其机载SAR实际任务生成的图像的前半部分图像评价矢量X3；
c2、计算出其SAR标准图像的前半部分图像评价矢量Y3；
c3、对前半部分图像评价矢量X3进行特征变换，将前半部分图像评价矢量X3中的各评价指标变换为相对于前半部分图像评价矢量Y3中同类评价指标的偏离比例值，得到前半部分图像评价矢量L2；
其后半部分图像评价矢量R2的计算方法包括以下步骤：
d1、计算出其机载SAR实际任务生成的图像的后半部分图像评价矢量X4；
d2、计算出其SAR标准图像的后半部分图像评价矢量Y4；
d3、对后半部分图像评价矢量X4进行特征变换，将后半部分图像评价矢量X4中的各评价指标变换为相对于后半部分图像评价矢量Y4中同类评价指标的偏离比例值，得到后半部分图像评价矢量R2。
本技术方案的技术效果是：该方法计算出多个评价指标，并将评价指标变换为相对于SAR标准图像的偏离比例值，考虑了各评价指标的关系，使评价矢量X更具有评价代表性。
更进一步地，前半部分图像评价矢量中的评价指标包括图像的辐射分辨率、等效视数、灰度分辨率、角二阶矩、对比度以及边缘连续性指数，后半部分图像评价矢量中的评价指标包括图像的信息熵、结构相似度、峰值信噪比、相关系数以及均方根误差。
本技术方案的技术效果是：采用多个质量评价指标，更多地反映出图像质量，有助于提高准确率；采用后半部分评价矢量中包括的5个指标，能反映出实际任务所成图像与标准图像之间的相似程度，通过参考的方式反映实际任务所成图像的成像质量。
进一步地，所述结果标签为标记机载SAR实际任务生成的图像优劣的标签。
为使本发明的上述目的、特征和优点能更明显易懂，下文特举本发明实施例，并配合所附附图，作详细说明如下。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
图1是实施例中基于特征变换的机载SAR成像性能评估方法流程图；
图2是实施例中机载SAR图像数据对的前半部分评价矢量计算方法流程图；
图3是实施例中机载SAR图像数据对的后半部分评价矢量计算方法流程图；
图4是传统SAR图像质量客观评价方法的实施流程图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明中的实施例，本领域普通技术人员在没有作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。
实施例
本实施例以某型号机载SAR雷达的历史图像数据作为原始数据，地形种类数T＝2，两类地形分别为山区和岛屿，每种地形下收集250张经由专家评估后给出结果标签的机载SAR实际任务生成的图像，以及每张机载SAR实际任务生成的图像对应的SAR标准图像，构成250个机载SAR图像数据对样本，其中取n＝200个机载SAR图像数据对样本作为机载SAR图像训练数据对，用于训练机载SAR成像性能评估模型，另外50个机载SAR图像数据对样本作为机载SAR图像待评估数据对，用于测试，两种地形下，最终机载SAR图像训练数据对共计为400个，用于测试的机载SAR图像待评估数据对共计100个。
在本实施例中，对于某一机载SAR图像数据对，SAR标准图像的获得方法是：在仅考虑目标成像区域的地物信息的环境中，得到目标成像区域的SAR回波，将该SAR回波施加给数字SAR平台后得到的图像作为所述SAR标准图像，其中数字SAR平台所成图像与机载SAR实际任务生成的图像的成像参数条件相同。
请参照图1～图3，本实施例的实施过程具体如下：
S1、取上述两类地形的400个机载SAR图像训练数据对。
S2、对于每一机载SAR图像训练数据对，根据其SAR标准图像和机载SAR实际任务生成的图像，基于特征变换计算出其均包含有多个评价指标的前半部分图像评价矢量L1和后半部分图像评价矢量R1。
在本实施例中，对于每一机载SAR图像训练数据对，前半部分图像评价矢量的评价指标包括图像的辐射分辨率、等效视数、灰度分辨率、角二阶矩、对比度以及边缘连续性指数，后半部分图像评价矢量的评价指标包括图像的信息熵、结构相似度、峰值信噪比、相关系数以及均方根误差；
机载SAR图像训练数据对前半部分图像评价矢量L1的计算方法包括以下步骤：
a1、计算出其机载SAR实际任务生成的图像的前半部分图像评价矢量
X1＝[γ1,ENL1,Q1,ASM1,Con1,CIdx1]；
a2、计算出其SAR标准图像的前半部分图像评价矢量
Y1＝[γ2,ENL2,Q2,ASM2,Con2,CIdx2]；
a3、对前半部分图像评价矢量X1进行特征变换，将前半部分图像评价矢量X1中的各评价指标变换为相对于前半部分图像评价矢量Y1中同类评价指标的偏离比例值，得到前半部分图像评价矢量L1＝[γ*,ENL*,Q*,ASM*,Con*,CIdx*]，每个指标变换的方式都相同，以辐射分辨率γ*为例：
Figure BDA0002471813370000061
其中，γ1为机载SAR实际任务生成的图像的辐射分辨率，γ2为SAR标准图像的辐射分辨率。
机载SAR图像训练数据对后半部分图像评价矢量R1的计算方法与L1的计算方法类似，包括以下步骤：
b1、计算出其机载SAR实际任务生成的图像的后半部分图像评价矢量X2；
b2、计算出其SAR标准图像的后半部分图像评价矢量Y2；
b3、对后半部分图像评价矢量X2进行特征变换，将后半部分图像评价矢量X2中的各评价指标变换为相对于后半部分图像评价矢量Y2中同类评价指标的偏离比例值，得到后半部分图像评价矢量R1＝[ENT,SSIM,PSNR,Corr,RMSE]。
S3、对于每一机载SAR图像训练数据对，将其前半部分图像评价矢量L1和后半部分图像评价矢量R1进行拼接，构造出评价矢量
V1＝[γ*,ENL*,Q*,ASM*,Con*,CIdx*,ENT,SSIM,PSNR,Corr,RMSE]。
S4、对于每一类地形，根据其各机载SAR图像训练数据对的评价矢量V1，构造出训练数据集P，并对训练数据集P进行归一化，再结合结果标签，得到新的训练数据集
Figure BDA0002471813370000071
在本实施例中，结果标签是标记图像好或坏的标签，根据专家对训练用的SAR图像的评估结果得到结果标签(专家评估为成像性能好的图像，将其标记为1，专家评估为成像性能差的图像，将其标记为-1)，从而将多张图像的专家评估结果转化为结果标签向量Y(向量中每个元素的值为1或者-1)。每张图像通过计算处图像质量评价指标，将指标组合可得到评价矢量V，将多张图像的矢量V组合可得到特征数据集P，对P进行归一化后得到P*，将标签向量与P*组合，从而得到训练数据集P′。
S5、根据各类地形的训练数据集P′，基于随机森林算法构造机载SAR成像性能评估模型，具体如下：
S51、对于每一类地形，根据其训练数据集P′，采用基于随机森林算法构造一机载SAR成像性能评估子模型，具体为：
1)从训练数据集P′中有放回地随机选取K个样本(每次随机选择一个样本，然后返回继续选择)，用选择好了的K个样本训练一颗决策树，作为决策树根结点处的样本；
2)当每个样本有M个属性时，在决策树的每个节点需要分裂时，随机从这M个属性种选取出m个属性，满足条件m<<M，然后从这m个属性中采用某种策略(比如信息增益)来选择一个属性作为该节点的分裂属性；
3)决策树形成的过程中每个节点都要按照步骤2)来分裂，直至不能够再分裂为止；
4)按照步骤1)～3)建立大量的决策树，这样就构成随机森林了。
在本实施例中，经交叉验证在不同地形下，要使得准确率最高，n_estimators参数的值各不相同，其统计结果如表1所示。
表1
山区 岛屿
n_estimators取值 1 65
S52、T种地形共训练得到T个机载SAR成像性能评估子模型，将T个机载SAR成像性能评估子模型整合，得到机载SAR成像性能评估模型。
S6、对于前述每一机载SAR图像待评估数据对，对其进行基于特征变换的预处理后得到包含有多个评价指标的待评估评价矢量X；
机载SAR图像待评估数据对的评价指标与机载SAR图像训练数据对的评价指标相同，其也是前半部分图像评价矢量的评价指标包括图像的辐射分辨率、等效视数、灰度分辨率、角二阶矩、对比度以及边缘连续性指数，后半部分图像评价矢量的评价指标包括图像的信息熵、结构相似度、峰值信噪比、相关系数以及均方根误差。
待评估评价矢量X的获取方法具体包括以下步骤：
S61、对于每一机载SAR图像待评估数据对，基于特征变换计算其前半部分图像评价矢量L2和后半部分图像评价矢量R2，
其前半部分图像评价矢量L2的计算方法包括以下步骤：
c1、计算出其机载SAR实际任务生成的图像的前半部分图像评价矢量X3；
c2、计算出其SAR标准图像的前半部分图像评价矢量Y3；
c3、对前半部分图像评价矢量X3进行特征变换，将前半部分图像评价矢量X3中的各评价指标变换为相对于前半部分图像评价矢量Y3中同类评价指标的偏离比例值，得到前半部分图像评价矢量L2；
其后半部分图像评价矢量R2的计算方法包括以下步骤：
d1、计算出其机载SAR实际任务生成的图像的后半部分图像评价矢量X4；
d2、计算出其SAR标准图像的后半部分图像评价矢量Y4；
d3、对后半部分图像评价矢量X4进行特征变换，将后半部分图像评价矢量X4中的各评价指标变换为相对于后半部分图像评价矢量Y4中同类评价指标的偏离比例值，得到后半部分图像评价矢量R2。
S62、对于每一机载SAR图像待评估数据对，将前半部分图像评价矢量L2和后半部分图像评价矢量R2合并后进行归一化处理，得到评价矢量V2；
S63、对于每一机载SAR图像待评估数据对，将其所对应的地形名称融合至评价矢量V2，形成待评估评价矢量X如下：
X＝[γ*,ENL*,Q*,ASM*,Con*,CIdx*,ENT,SSIM,PSNR,Corr,RMSE,地形名称]
在本实施例中，将50个机载SAR图像待评估数据对的待评估评价矢量X合并后得到待评估评价矢量Dpre表示为：
Figure BDA0002471813370000091
S7、将所有的待评估评价矢量X(即待评估评价矢量Dpre)输入机载SAR成像性能评估模型，评估模型根据地形名称选择对应的最优参数模型进行评估，输出得到机载SAR成像性能评估结果ypre，输出结果为1(表示成像性能好)或者-1(表示成像性能不好)。
ypre＝[y1,y2,…,y50]T,其中yi＝±1
在本实施例中，采用分类准确率Acc来评价机载SAR成像性能评估的评估结果。
Figure BDA0002471813370000092
其中，TP代表标签为成像性能好的样本，评估结果为通过；TN代表标签为成像性能不好的样本，评估结果为不通过；FP代表标签为成像性能不好的样本，评估结果为通过；FN代表标签为成像性能好的样本，评估结果为不能通过。
表2是采用本实施例中的成像性能评估方法在不同地形下的测试结果。
表2
山区 岛屿
Acc 90.63％ 94.81％
如表2所示，采用本发明方法对不同地形下的测试样本进行测试，其测试准确率均保持较高水准，均在90％以上，说明本发明的基于特征变换的机载SAR成像性能评估方法所得到的结果与实际情况基本一致。
图4是传统SAR图像质量客观评价方法的实施流程图，在输入数据阶段，传统的SAR图像质量客观评价方法只用到了待评估图像。
表3是对比本发明进行成像性能评估和传统选用部分单一质量指标进行成像性能评估、无特征变换直接进行成像性能评估的评估结果。
表3
对比实例 Acc
辐射分辨率 54.73％
灰度分辨率 55.31％
对比度 55.36％
边缘连续性指数 60.24％
信息熵 64.76％
峰值信噪比 72.03％
相关系数 57.91％
均方根误差 68.11％
无特征变换 76.68％
本发明 94.26％
如表3所示，采用单一的成像质量评价指标进行成像性能评估其准确率在54％～72％，采用无特征变换直接进行评估其准确率在76.68％，均远低于本发明中基于特征变换的机载SAR成像性能评估方法评估结果的准确率94.26％。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (5)

1.一种基于特征变换的机载SAR成像性能评估方法，其特征在于，包括以下步骤：
S1、获取若干类地形的机载SAR图像训练数据对，各类地形的机载SAR图像训练数据对均有多个，所述机载SAR图像训练数据对包括SAR标准图像以及机载SAR实际任务生成的图像；
S2、对于每一机载SAR图像训练数据对，根据其SAR标准图像和机载SAR实际任务生成的图像，基于特征变换计算出其均包含有多个评价指标的前半部分图像评价矢量L1和后半部分图像评价矢量R1；
S3、对于每一机载SAR图像训练数据对，将其前半部分图像评价矢量L1和后半部分图像评价矢量R1进行拼接，构造出评价矢量V1；
S4、对于每一类地形，根据其各机载SAR图像训练数据对的评价矢量V1，构造出训练数据集P，并对训练数据集P进行归一化，再结合结果标签，得到新的训练数据集P′；
S5、根据各类地形的训练数据集P′，基于随机森林算法构造机载SAR成像性能评估模型；
S6、获取机载SAR图像待评估数据对，所述机载SAR图像待评估数据对包括SAR标准图像以及机载SAR实际任务生成的图像，对机载SAR图像待评估数据对进行基于特征变换的预处理后得到包含有多个评价指标的待评估评价矢量X；
S7、将待评估评价矢量X输入所述机载SAR成像性能评估模型，输出得到机载SAR成像性能评估结果；
对于每一机载SAR图像训练数据对，
其前半部分图像评价矢量L1的计算方法包括以下步骤：
a1、计算出其机载SAR实际任务生成的图像的前半部分图像评价矢量X1；
a2、计算出其SAR标准图像的前半部分图像评价矢量Y1；
a3、对前半部分图像评价矢量X1进行特征变换，将前半部分图像评价矢量X1中的各评价指标变换为相对于前半部分图像评价矢量Y1中同类评价指标的偏离比例值，得到前半部分图像评价矢量L1；
其后半部分图像评价矢量R1的计算方法包括以下步骤：
b1、计算出其机载SAR实际任务生成的图像的后半部分图像评价矢量X2；
b2、计算出其SAR标准图像的后半部分图像评价矢量Y2；
b3、对后半部分图像评价矢量X2进行特征变换，将后半部分图像评价矢量X2中的各评价指标变换为相对于后半部分图像评价矢量Y2中同类评价指标的偏离比例值，得到后半部分图像评价矢量R1；
所述步骤S6中，待评估评价矢量X的获取方法具体包括以下步骤：
S61、对于机载SAR图像待评估数据对，基于特征变换计算其前半部分图像评价矢量L2和后半部分图像评价矢量R2；
S62、将前半部分图像评价矢量L2和后半部分图像评价矢量R2合并后进行归一化处理，得到评价矢量V2；
S63、将机载SAR图像待评估数据对所对应的地形名称融合至评价矢量V2，形成所述待评估评价矢量X；
对于机载SAR图像待评估数据对，
其前半部分图像评价矢量L2的计算方法包括以下步骤：
c1、计算出其机载SAR实际任务生成的图像的前半部分图像评价矢量X3；
c2、计算出其SAR标准图像的前半部分图像评价矢量Y3；
c3、对前半部分图像评价矢量X3进行特征变换，将前半部分图像评价矢量X3中的各评价指标变换为相对于前半部分图像评价矢量Y3中同类评价指标的偏离比例值，得到前半部分图像评价矢量L2；
其后半部分图像评价矢量R2的计算方法包括以下步骤：
d1、计算出其机载SAR实际任务生成的图像的后半部分图像评价矢量X4；
d2、计算出其SAR标准图像的后半部分图像评价矢量Y4；
d3、对后半部分图像评价矢量X4进行特征变换，将后半部分图像评价矢量X4中的各评价指标变换为相对于后半部分图像评价矢量Y4中同类评价指标的偏离比例值，得到后半部分图像评价矢量R2；
前半部分图像评价矢量中的评价指标包括图像的辐射分辨率、等效视数、灰度分辨率、角二阶矩、对比度以及边缘连续性指数，后半部分图像评价矢量中的评价指标包括图像的信息熵、结构相似度、峰值信噪比、相关系数以及均方根误差。
2.根据权利要求1所述基于特征变换的机载SAR成像性能评估方法，其特征在于，各类地形的机载SAR图像训练数据对数量相同。
3.根据权利要求2所述基于特征变换的机载SAR成像性能评估方法，其特征在于，在同一数据对中，SAR标准图像的获得方法是：在仅考虑目标成像区域的地物信息的环境中，得到目标成像区域的的SAR回波，将该SAR回波施加给数字SAR平台后得到的图像作为所述SAR标准图像，其中数字SAR平台所成图像与机载SAR实际任务生成的图像的成像参数条件相同。
4.根据权利要求1所述基于特征变换的机载SAR成像性能评估方法，其特征在于，所述步骤S5具体包括：
S51、对于每一类地形，根据其训练数据集P′，采用基于随机森林算法构造一机载SAR成像性能评估子模型；
S52、将T个机载SAR成像性能评估子模型整合，得到所述机载SAR成像性能评估模型。
5.根据权利要求1所述基于特征变换的机载SAR成像性能评估方法，其特征在于，所述结果标签为标记机载SAR实际任务生成的图像优劣的标签。
CN202010350630.7A 2020-04-28 2020-04-28 一种基于特征变换的机载sar成像性能评估方法 Expired - Fee Related CN111487620B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010350630.7A CN111487620B (zh) 2020-04-28 2020-04-28 一种基于特征变换的机载sar成像性能评估方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010350630.7A CN111487620B (zh) 2020-04-28 2020-04-28 一种基于特征变换的机载sar成像性能评估方法

Publications (2)

Publication Number Publication Date
CN111487620A CN111487620A (zh) 2020-08-04
CN111487620B true CN111487620B (zh) 2022-02-01

Family

ID=71813091

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010350630.7A Expired - Fee Related CN111487620B (zh) 2020-04-28 2020-04-28 一种基于特征变换的机载sar成像性能评估方法

Country Status (1)

Country Link
CN (1) CN111487620B (zh)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104517124A (zh) * 2014-12-25 2015-04-15 西安电子科技大学 基于sift特征点的sar图像变化检测方法
CN110703215A (zh) * 2019-10-16 2020-01-17 电子科技大学 一种基于支持向量机的机载sar成像质量评估方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104517124A (zh) * 2014-12-25 2015-04-15 西安电子科技大学 基于sift特征点的sar图像变化检测方法
CN110703215A (zh) * 2019-10-16 2020-01-17 电子科技大学 一种基于支持向量机的机载sar成像质量评估方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
"A NOVEL QUALITY EVALUATION ALGORITHM FOR SAR IMAGE BASED ON HUMAN VISUAL SYSTEM";Yu-jing LIU et al.;《IGARSS 2013》;20131231;全文 *
"SAR图像质量评价综述";王哲远 等;《遥感信息》;20161031;第31卷(第5期);全文 *

Also Published As

Publication number Publication date
CN111487620A (zh) 2020-08-04

Similar Documents

Publication Publication Date Title
CN101908138B (zh) 基于噪声独立成分分析的合成孔径雷达图像目标识别方法
CN107451619A (zh) 一种基于感知生成对抗网络的小目标检测方法
CN110570358A (zh) 基于gan网络的车损图像增强方法和装置
CN106845529A (zh) 基于多视野卷积神经网络的影像特征识别方法
CN112418351B (zh) 基于全局与局部上下文感知的零样本学习图像分类方法
US11709254B2 (en) SAR image analysis system, image processing apparatus, image processing method, and image processing program
CN107491793B (zh) 一种基于稀疏散射全卷积的极化sar图像分类方法
Lucas et al. Unsupervised domain adaptation techniques for classification of satellite image time series
CN114021603A (zh) 一种基于模型重参数化的雷达信号调制方式识别方法
CN113781375B (zh) 一种基于多曝光融合的车载视觉增强方法
CN106023093A (zh) 一种基于改进图像块匹配的非局部均值图像去噪方法
Morzelona Human visual system quality assessment in the images using the IQA model integrated with automated machine learning model
CN114494065A (zh) 图像去模糊方法、装置、设备及可读存储介质
CN111487620B (zh) 一种基于特征变换的机载sar成像性能评估方法
CN113963193A (zh) 车身颜色分类模型生成的方法、装置以及存储介质
DE102023130782A1 (de) Trainieren eines neuronalen netzwerks mit einer budding-ensemble-architektur basierend auf diversitätsverlust
CN108764112A (zh) 一种遥感图像目标物检测方法及设备
CN110751201B (zh) 基于纹理特征变换的sar装备任务失效成因推理方法
CN117557780A (zh) 一种机载多模态学习的目标检测算法
CN116071625A (zh) 深度学习模型的训练方法、目标检测方法及装置
CN116597246A (zh) 模型训练方法、目标检测方法、电子设备及存储介质
CN115984646A (zh) 面向遥感跨卫星观测的分布式目标检测方法、装置和卫星
Hader et al. On noise-sensitive automatic tuning of gate-defined sensor dots
CN114863235A (zh) 一种异质遥感图像的融合方法
CN110555483B (zh) 基于fw-dcgan特征生成的极化sar分类方法

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
CF01 Termination of patent right due to non-payment of annual fee
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20220201