CN112906564B - 用于无人机载sar图像自动目标识别的智能决策支持系统设计及实现方法 - Google Patents

用于无人机载sar图像自动目标识别的智能决策支持系统设计及实现方法 Download PDF

Info

Publication number
CN112906564B
CN112906564B CN202110189629.5A CN202110189629A CN112906564B CN 112906564 B CN112906564 B CN 112906564B CN 202110189629 A CN202110189629 A CN 202110189629A CN 112906564 B CN112906564 B CN 112906564B
Authority
CN
China
Prior art keywords
sar image
target
constructing
image
scale
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
CN202110189629.5A
Other languages
English (en)
Other versions
CN112906564A (zh
Inventor
汪洪桥
蔡艳宁
付光远
王冕
贾晓雅
张少磊
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.)
Rocket Force University of Engineering of PLA
Original Assignee
Rocket Force University of Engineering of PLA
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 Rocket Force University of Engineering of PLA filed Critical Rocket Force University of Engineering of PLA
Priority to CN202110189629.5A priority Critical patent/CN112906564B/zh
Publication of CN112906564A publication Critical patent/CN112906564A/zh
Application granted granted Critical
Publication of CN112906564B publication Critical patent/CN112906564B/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
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/20—Scenes; Scene-specific elements in augmented reality scenes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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
    • 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
    • G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
    • G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/07—Target detection

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Multimedia (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

本发明公开了一种用于无人机载SAR图像自动目标识别的智能决策支持系统设计及实现方法，包括构建特征库及推理机；构建特征库的具体过程为：11)对SAR图像中的目标进行分割检测；12)对SAR图像进行目标虚警剔除及目标的标定；13)构建基于高斯差模型的多尺度空间；14)取SAR图像的多分辨率特征，再根据提取的多分辨率特征构建特征库；构建推理机的具体过程为：21)利用提取的SAR图像的多分辨率特征构建训练集及测试集；22)构建多尺度多核支持向量分类器；23)对多尺度多核支持向量分类器进行训练及测试，再利用训练及测试后的多尺度多核支持向量分类器进行SAR图像的自动目标识别，以构建推理机，该方法能够实现对SAR图像的自动目标识别。

Description

用于无人机载SAR图像自动目标识别的智能决策支持系统设 计及实现方法
技术领域
本发明涉及一种智能决策支持系统设计方法，具体涉及一种用于无人机载SAR图像自动目标识别的智能决策支持系统设计及实现方法。
背景技术
决策支持系统(Decision Support System,DSS)是以信息技术为手段，应用管理科学、计算机科学等学科的理论和方法，针对半结构化或非结构化的决策问题，通过提供背景材料、协助明确问题、修改完善模型、列举可能方案、进行分析比较等方式，为管理者做出正确决策提供帮助的人机交互信息系统。
20世纪70年代，运筹学模型发展已经比较完善，多目标决策分析突破了单一效用理论的框架，计算机软、硬件及网络技术的迅猛发展，人工智能特别是知识处理技术的发展，数据库技术、图形显示技术、各类工具软件的发展与完善，构成了DSS形成与发展的技术基础。70年代末，DSS大都由模型库、数据库及人机交互系统等三个部件组成，它被称为初阶决策支持系统。80年代初，DSS增加了知识库与方法库，构成了三库系统或四库系统。1980至1988年，DSS得到迅速发展，许多实用系统被开发出来，投入实际应用，产生明显效益。20世纪80年代后期，神经网络和机器学习等技术应用和研究，DSS技术持续发展，通过将专家系统与DSS相结合，形成了新一代DSS，其研究仍然十分活跃。
智能决策支持系统(Intelligent Decision Support System，IDSS)是将AI技术引入DSS而形成的一种新型信息系统。在席卷全球的信息化和智能化浪潮中，IDSS作为DSS研究的热点和主要发展方向，引起了国内外学术界和企业界的极大重视，在军事和民用领域均有重要用途。
一个典型智能决策支持系统，主要由：(1)人机交互系统，(2)数据库、模型库、特征库系统，(3)推理机，(4)知识库系统，(5)解释系统，(6)输入系统及部分构成，各系统连接关系图如图1所示。
合成孔径雷达(Synthetic Aperture Radar，SAR)是一种先进的微波对地观测设备，具有全天候、全天时工作的特点，对地面植被有一定穿透能力，能获得类似光学照片的目标图像。SAR的分辨率高，与可见光、红外传感器比较具有独特的优势和无法替代的作用，被广泛应用于工农业生产、科研和军事等领域，在航空测量、遥感、卫星海洋观测、航天侦察中正发挥着突出作用。特别是在军事领域，广泛应用于全天候、全天时侦察，穿透探测，识别伪装，纵深侦察，动目标显示，雷达成像，实时信息处理等。随着SAR在越来越多的领域得到广泛成功的应用，基于SAR图像的目标识别逐渐成为了图像识别的一个重要分支。
目前，SAR已经成为一种不可或缺的对地观测和军事侦察手段。一个典型的机载SAR系统可在1分钟内对大约100km2的范围进行高分辨率成像获得1m×1m分辨率的SAR图像，这相当于每秒产生一幅100多万象素的SAR图像，面对不断增长的SAR图像收集能力，传统的图像人工判读方法已经越来越力不从心，如何对这些图像进行自动或半自动快速、准确的解译已经引起人们的关注和重视。而自动目标识别(Automatic Target Recognition，ATR)就是自动或半自动SAR图像解译研究的一个重要方面，特别是近年来无人机载SAR系统的广泛应用，使得SAR图像ATR的准确率、速度、可实现性，以及自主化的智能决策越发受到重视。
基于无人机载SAR图像的ATR当前广泛使用于战场监控、侦察监视、反恐等领域，能实现战场车辆、舰船、建筑等目标的自动检测和判别，如图2所示。C4IKSR是美军当前指挥信息系统发展的新阶段，代表了一种发现即摧毁的新理念。美军的“捕食者”(改进型号称为“死神”)无人机系统就是这一理念的践行者，其先进的无人平台、目标感知、监跟踪视、武器系统以及远程通信控制技术，使得其在现代局部战争和反恐作战中发挥了重要作用。但这类无人作战系统更多的是依赖人在回路控制，还未做到真正的自动目标识别，更没有从智能决策支持的角度加以设计和有效利用。
发明内容
本发明的目的在于克服上述现有技术的缺点，提供了一种用于无人机载SAR图像自动目标识别的智能决策支持系统设计及实现方法，该方法能够实现对无人机载SAR图像的高效自动目标识别。
为达到上述目的，本发明所述的用于无人机载SAR图像自动目标识别的智能决策支持系统设计及实现方法包括构建特征库及推理机；
构建特征库的具体过程为：
11)获取SAR图像，采用基于CFAR的SAR图像目标分割原理对SAR图像中的目标进行分割检测；
12)基于形态学的SAR图像目标虚警剔除和检测方法对经步骤11)处理后的SAR图像进行目标虚警剔除及目标的标定；
13)根据标定后的SAR图像构建基于高斯差模型的多尺度空间；
14)构建的多尺度空间，利用基于正交基滤波采样的多分辨率特征提取和选择方法提取SAR图像的多分辨率特征，再根据提取的多分辨率特征构建特征库；
构建推理机的具体过程为：
21)利用提取的SAR图像的多分辨率特征构建训练集及测试集；
22)构建多尺度多核支持向量分类器；
23)利用训练集及测试集对多尺度多核支持向量分类器进行训练及测试，得训练及测试后的多尺度多核支持向量分类器，再利用训练及测试后的多尺度多核支持向量分类器进行SAR图像的自动目标识别，以构建推理机。
步骤12)的具体操作为：
2a)对SAR图像进行CFAR分割，再采用数学形态学中的膨胀操作，将SAR图像中目标区域的孔洞填充；
2a)计算SAR图像中连通域的像素个数，并通过设置阈值，去除小区域的虚警；
3a)采用数学形态学中的腐蚀操作，将膨胀后的目标区域进行缩小，以恢复至目标的原始大小；
4a)计算连通域的大小，去除新产生的小区域虚警，并计算每个连通域的重心坐标，再对SAR图像中的目标进行标定。
步骤14)中，在构建的多尺度空间基础上，基于正交基滤波采样的多分辨率特征提取和选择方法，通过设计3×3正交基作为滤波核，对SAR图像进行多级滤波处理，获得SAR图像在8个方向上的高频特征以及一个低通滤波的低频特征。
还包括：基于特征容器的特征库数据存储方法对获取的多分辨率特征进行存储。
采用高斯核构建多尺度多核支持向量分类器。
还包括：基于XML对训练及测试后的多尺度多核支持向量分类器进行存储。
本发明具有以下有益效果：
本发明所述的用于无人机载SAR图像自动目标识别的智能决策支持系统设计及实现方法在具体操作时，包括构建特征库以及构建推理机，利用构建的特征库及推理机形成智能决策支持系统，在构建特征库时，先对SAR图像中的目标进行分割检测，再进行目标虚警剔除及目标的标定，然后构建多尺度空间，并以此提取SAR图像的多分辨率特征，在构建推理机时，利用SAR图像的多分辨率特征对多尺度多核支持向量分类器进行训练及测试，最后利用训练及测试后的多尺度多核支持向量分类器进行SAR图像的自动目标识别，操作方便、简单。
附图说明
图1为典型智能决策支持系统得到连接关系图；
图2为无人机载SAR图像ATR的示意图；
图3a为SAR图像的原始图；
图3b为CFAR分割后的二值图像；
图4a为分割图像膨胀的结果图；
图4b为去除小目标虚警后的图像；
图4c为腐蚀的结果图；
图4d为去除孤立小区域并标定目标后的图像；
图5为SAR图像目标加框标注编号的结果图；
图6为基于高斯差模型的多尺度空间构建方法的原理图；
图7为3×3正交基滤波核的示意图；
图8为基于滤波采样的多分辨率特征提取和选择的原理图；
图9a为训练集的存储样式图；
图9b为测试集的存储样式图；
图10为多核分类器图像目标识别原理图；
图11为实施例一中MSTAR数据集可视化图；
图12为实施例一中不同级别噪声下的大场景SAR图像1的示意图；
图13为实施例一中不同级别噪声下的大场景SAR图像2的示意图。
具体实施方式
下面结合附图对本发明做进一步详细描述：
本发明所述的用于无人机载SAR图像自动目标识别的智能决策支持系统设计及实现方法包括以下步骤：
1)构建特征库，具体过程为：
11)获取SAR图像，采用基于CFAR的SAR图像目标分割原理对SAR图像中的目标进行分割检测；
具体的，系统噪声和杂波干扰强度的变化会引起判断概率的变化，在雷达系统中人们特别关心的一类错误率是虚警概率，所谓恒虚警率检测就是在干扰强度变化的情况下，信号经过恒虚警处理后使得虚警概率恒定。
设SAR图像具有恒定的RCS背景,此时带有斑点的SAR图像其背景的灰度服从指数分布，即：
Figure BDA0002944886710000071
其中，σb为背景的RCS，设每个像素的灰度值为独立、同分布的，则σb的最大似然估计等于图像灰度的统计平均值，采用全局估计，则有
Figure BDA0002944886710000072
其中，M及N分别为图像像素的行数和列数，设对SAR图像作m视处理，处理后的m个像素的平均灰度为：
Figure BDA0002944886710000073
其中，
Figure BDA0002944886710000074
服从Γ分布：
Figure BDA0002944886710000075
给定虚警概率pfa，解下列方程，求得CFAR的检测门限
Figure BDA0002944886710000076
其中，Γ(m)为Γ函数，
Figure BDA0002944886710000081
为不完整的Γ函数。
Figure BDA0002944886710000082
在实际操作时，一般只能获得背景杂波的概率分布，无法获得目标的概率分布，这时从尼曼-皮尔逊规则出发，采用一种次优的异常检测方法对图像数据进行判决，若
Figure BDA0002944886710000083
则判定数据为背景，否则，则认为是目标，并仍保留目标的灰度信息。
12)基于形态学的SAR图像目标虚警剔除和检测方法对经步骤11)处理后的SAR图像进行目标虚警剔除和检测；
具体过程为：
对进行多视检测后的图像作形态学滤波，按照数形态学理论,集合A被集合B腐蚀的定义为：
Figure BDA0002944886710000084
在图像处理中，A为输入图像，B为结构元素，上式表明，A腐蚀B由B平移x但仍包含在A内的所有点x组成，腐蚀的本质是对图像内部进行滤波处理，可以消除图像中小的成份，滤波的效果与结构元素B的选择密切相关，对此采用腐蚀运算，构造一组形态学滤波算子ψi，按照马瑟荣表达定理，该滤波算子表示为：
ψi(A)＝U{A-B:B∈Bas[ψi]} (8)
其中，Bas[ψi]为算子ψi的基，由多个互不包含的像素模板组成，不同的ψi，其基的形态和数目也不同，本发明在图像像素的8邻接范围内构造不同的滤波算子ψi的基。
对滤波后的多视图像按照原视数m将其恢复为原辨率，并采用一定的形态学扩展算法对图像进行扩展，以在多视处理和形态学滤波过程中丢失的目标灰度信息得最大程度的恢复，从而获得良好的目标检测效果。
具体过程为：
2a)SAR图像经CFAR分割后，再采用数学形态学中的膨胀操作，将SAR图像中目标区域的孔洞填充；
2a)计算SAR图像中连通域的像素个数，并通过设置阈值，以去除小区域的虚警；
3a)采用数学形态学中的腐蚀操作，将膨胀后的目标区域进行缩小，以恢复至目标的原始大小；
4a)再次计算连通域的大小，去除新产生的小区域虚警，并计算每个连通域的重心坐标，再对SAR图像中的目标进行标定。
13)通过标定后的SAR图像构建基于高斯差模型的多尺度空间；
具体过程为：
考虑大场景SAR图像ATR的目标分布特点，检测并获得目标的重心坐标后，对SAR图像中的目标进行标定，并用红色框体进行标识，并按照横坐标从小到大的顺序编号，以获取目标切片；
基于获取的目标切片，借鉴传统视觉认知理论的感受野理论，利用两个高斯函数分别表示中心和外周的敏感性分布，神经元的输出决定于两个高斯函数的差值—高斯差模型，其表达式为：
Figure BDA0002944886710000101
利用差值—高斯差模型，构建图像的多尺度空间表达。
差值—高斯差模型被成功应用到了图像的特征处理，如著名的SIFT方法，通过构造DOG尺度空间，可以实现稳定关键点的检测，并且可以得到某个关键点或某个区域的鲁棒特征描述子，SIFT描述子性能优异，通用性强，是迄今使用最为广泛的一种特征。对图像的旋转和尺度变化具有不变性，对三维视角变化和光照变化具有很强的适应性，在局部遮挡和场景杂乱时仍保持不变性，特征之间相互区分的能力强，即辨别力强，非常利于匹配。此外SIFT算法由于仅采用高斯卷积和减法运算，计算效率高，可快速实现。
14)基于构建的多尺度空间，利用基于正交基滤波采样(Orthogonal Foundationbased Filtering and Sampling,OFFS)的多分辨率特征提取和选择方法提取滤波采样的多分辨率特征；
具体过程为：
在构建的多尺度空间基础上，基于正交基滤波采样(Orthogonal Foundationbased Filtering and Sampling,OFFS)的多分辨率特征提取和选择方法，通过设计一组3×3正交基作为滤波核，对SAR图像进行快速的多级滤波处理，获得SAR图像在8个方向上的高频特征以及一个低通滤波的低频特征，图7为设计的多种滤波核中的一种。
具体多分辨率特征提取与特征采样选择过程为：
将检测目标后的SAR图像以目标区域重心为基准，取目标图像中心81×81的图像块大小，然后将获得的图像块利用滤波核卷积运算，进行4级多分辨率图像塔式分解；其中，最底层直接采样外围的8个中心点，特征共8维；向上第二层采样顶层外围8个像素对应的8个3×3大小块，特征向量共72维；第三层类似于第二层，采样各块中心对应的8个3×3大小块，特征向量共72维；最上层为3×3大小，直接采样保留9维特征；因此，对一幅SAR图像，特征向量维数为9+72+72+8＝161维。特征提取、选择和训练集、测试集构建过程如图8所示。
15)基于特征容器的特征库数据存储方法对获取的多分辨率特征进行存储；
具体过程为：
对于单幅单个目标图像，通过特征提取和采样降维后，可以得到该图像目标样本的特征向量，但目标识别需要存储大量的训练和测试样本特征，才能充分完成分类器的训练，为离线获取训练和测试样本的特征集，进而存储进智能决策支持系统的特征库，需要设计一种目标特征保存和调用方式。为此，本发明采用基于特征容器的特征库数据存储方法。该方法采用最常用的.txt文件作为数据存储格式，构建相应的训练集和测试集特征容器，充分考虑特征数据格式的兼容性和使用便捷性，数据量小，读取方便。图9a及图9b为训练集和测试集特征容器数据存储模式。
2)构建推理机，具体过程为：
21)构建多核支持向量分类器；
考虑到提取特征的多尺度特性，通过将多个核函数分别进行映射，然后进行有机整合，构造高效的多核支持向量分类器(Multiple Kernel Support Vector Classifier,MKSVC)。在具体实现中，选用高斯核这种具有天然多尺度特性的核函数，构建多尺度多核支持向量分类器，具有更优越的多尺度映射性能。
将高斯核多尺度化为：
Figure BDA0002944886710000121
其中，σ1<…<σm，当σ较小时，则对那些小尺度特征的分类效果好，当σ较大时，则可以用来对那些大尺度特征进行判别，提高算法的鲁棒性和稳定性。本发明首先对各个尺度特征使用多个高斯径向核进行加权组合，使得每个尺度也是基于多个尺度核映射的，然后对多个尺度的合成核进行多核融合，即
Figure BDA0002944886710000122
Figure BDA0002944886710000123
Figure BDA0002944886710000131
其中，M表示每个尺度特征使用的尺度基核的数目，N表示尺度特征的数目，l表示合成核矩阵K的维度，f(x)为最终的决策函数。
在多核学习框架式(11)中对多尺度特征与多尺度核进行有机融合，通过加权映射的方法，得融合核矩阵，然后通过训练决策函数得最优的多尺度核分类器并使用它对遥感图像进行分类，如图10所示。
22)通过训练集及测试集对步骤21)得到的多核支持向量分类器进行训练及测试；
以多核线性加权组合框架为例，因此需要在分类前对多核加权的权重系数μ,β,α,b进行优化，以实现高效的最优的分类效果，其中，μ,β为基核函数的权重系数，α,b为决策函数表达式中的系数。
近年来提出了一个有效的基于半无限线性规划(Semi-infinite LinearProgramming，SILP)的多核学习算法，该方法使得MKL在处理大规模问题方面开辟了新的途径。SILP是通过迭代单核多次直到收敛到一个合理的解，其约束数随着迭代次数的增加而增加，在本发明中，采用更加高效的简单MKL算法，该算法通过对稀疏内核组合权重附加约束，设计一个加权2-范数正则化公式来解决MKL问题。其优化问题形式如(14)所示。
Figure BDA0002944886710000141
简单MKL原理明晰，可以看做是基于标准的SVM解算器目标值梯度的下降来判定内核组合形式，该方法除了能够主动学习内核组合形式，还能解决支持向量机优化问题，其中，内核是基核函数的线性组合，容易实现，算法流程如表1所示。
表1
Figure BDA0002944886710000142
Figure BDA0002944886710000151
实验结果表明，通过加权映射的方法，将多尺度特征与多尺度核进行有机融合，通过迭代训练到最优的映射。相比较常规的单核和合成核分类器，这种方法更具灵活性，并且能提供更完备的尺度选择。此外，该算法收敛性很好，它的效率比其他的MKL算法都要快。
为得到好的目标分类结果，必须训练出好的分类器。为将离线训练获取的性能较好的分类器模型保留，需要对训练后的分类器模型进行存储。为此，针对SAR图像自动目标识别问题，本发明采用基于XML的多核支持向量分类器模型存储方法。该方法采用常用的.xml文件作为分类器的存储格式，内容涉及：SVC基本模型、核函数类型、误差阈值、及迭代次数、惩罚参数、特征维数、支持向量个数及具体数值等。该格式存储的模型，充分考虑了分类器模型格式的兼容性和使用便捷性，数据量小，读取方便。
本发明的创新性在于：提出用于无人机载SAR图像ATR的智能决策支持系统各分系统构建思路，提出SAR图像ATR智能决策支持系统特征库构建方法，提出SAR图像ATR智能决策支持系统推理机构建方法，具有人机交互友好、操作方便、可批量载入和处理，整套系统对单个目标图像和多目标大场景图像ATR的正确率高，稳定性强，对噪声的鲁棒性好。
实施例一
MSTAR数据集实验
MSTAR数据集是美国DARPA项目组公开的对地静止军事车辆目标的SAR图像数据集，其中包括T72(主战坦克)，BMP2(步兵战车)，BTR70(装甲运兵车)三类。从传感器采集的数据中提取大小为128×128像素的切片图像，其中每类目标车辆均位于切片图像的中央。由于项目组提供的数据集是原始数据分卷，并不是图像格式，在SAR图像ATR智能决策支持系统中，为给决策者提供更直观和全面的数据展示，要对所有的原始数据进行可视化，如图11所示。
在实验过程中，训练样本为地面目标的SAR成像数据，SAR俯仰角为17°，总共为1622个，测试样本为地面目标的成像数据，SAR俯仰角为15°，总共为1365个，具体的如表2所示。
表2
Figure BDA0002944886710000161
实验结果采用总体识别精度(Over Accuracy,OA)和平均识别精度(AverageAccuracy,AA)作为评价标准。OA为正确识别的图片样本占总体图片样本的比例，AA指每一类目标中正确识别的图片占该类目标中总的图片样本数目的比例。
为了更好的对实验结果进行分析，选取：图像像素维度+SVC、PCA+SVC、PCA+MKSVC、OFFS+MKSVC几种组合进行比较实验，结果如表3所示。从表3中数据可以看出，相对于SVC和PCA+SVC算法，多核分类器对三类目标分别的识别精度较为平均，且整体上有了较大的提升，OFFS特征结合多核分类器除了BTR70外，其它类别和OA、AA识别率均得到了最高识别率，充分证明了OFFS+MKSVC方法的稳定性和精确性。
表3
Figure BDA0002944886710000171
较大场景SAR图像多目标识别仿真实验
为检验系统在实际环境下的SAR图像ATR决策支持性能，本实施例仿真构建了较大场景SAR图像，进行多目标的识别，大场景图像中包含了一定数量的车辆目标，然后通过在图像中加入不同级别的相干斑噪声，考察ATR决策支持系统在不同噪声级别下的识别性能。大场景SAR图像加入三级相干斑噪声的结果如图12及图13所示。
通过将大场景SAR图像，经过CFAR检测和分割，数学形态学处理和重心定位，正交基滤波采样，特征提取与选择，特征向量输入分类器，输出分类结果并标识。最终得到SAR图像ATR智能决策支持系统的分类输出结果，如表4所示。
表4
Figure BDA0002944886710000181
从实验结果可以看出，本发明对目标的检测准确率高，在三个等级噪声级别下目标均能检出，正确率达到100％，证明了图像目标分割检测方法的有效性。从ATR目标识别的结果看，在噪声级别1下，每幅图像中的6个目标均能正确识别，进一步加大噪声级别，降低信噪比后，目标识别能力降低；其中图像1噪声级别2下，正确识别5个目标，在噪声级别3，信噪比大幅降低的情况下，仍能正确识别4个目标；图像2噪声级别2和噪声级别3下，均仍能正确识别5个目标，也证明了识别算法较高的识别率和对噪声的鲁棒性。

Claims (6)

1.一种用于无人机载SAR图像自动目标识别的智能决策支持系统设计及实现方法，其特征在于，包括构建特征库及推理机；
构建特征库的具体过程为：
11)获取SAR图像，采用基于CFAR的SAR图像目标分割原理对SAR图像中的目标进行分割检测；
12)基于形态学的SAR图像目标虚警剔除和检测方法对经步骤11)处理后的SAR图像进行目标虚警剔除及目标的标定；
13)根据标定后的SAR图像构建基于高斯差模型的多尺度空间；
14)构建的多尺度空间，利用基于正交基滤波采样的多分辨率特征提取和选择方法提取SAR图像的多分辨率特征，再根据提取的多分辨率特征构建特征库；
构建推理机的具体过程为：
21)利用提取的SAR图像的多分辨率特征构建训练集及测试集；
22)构建多尺度多核支持向量分类器；
23)利用训练集及测试集对多尺度多核支持向量分类器进行训练及测试，得训练及测试后的多尺度多核支持向量分类器，再利用训练及测试后的多尺度多核支持向量分类器进行SAR图像的自动目标识别，以构建推理机。
2.根据权利要求1所述的用于无人机载SAR图像自动目标识别的智能决策支持系统设计及实现方法，其特征在于，步骤12)的具体操作为：
2a)对SAR图像进行CFAR分割，再采用数学形态学中的膨胀操作，将SAR图像中目标区域的孔洞填充；
2a)计算SAR图像中连通域的像素个数，并通过设置阈值，去除小区域的虚警；
3a)采用数学形态学中的腐蚀操作，将膨胀后的目标区域进行缩小，以恢复至目标的原始大小；
4a)计算连通域的大小，去除新产生的小区域虚警，并计算每个连通域的重心坐标，再对SAR图像中的目标进行标定。
3.根据权利要求1所述的用于无人机载SAR图像自动目标识别的智能决策支持系统设计及实现方法，其特征在于，步骤14)中，在构建的多尺度空间基础上，基于正交基滤波采样的多分辨率特征提取和选择方法，通过设计3×3正交基作为滤波核，对SAR图像进行多级滤波处理，获得SAR图像在8个方向上的高频特征以及一个低通滤波的低频特征。
4.根据权利要求1所述的用于无人机载SAR图像自动目标识别的智能决策支持系统设计及实现方法，其特征在于，还包括：基于特征容器的特征库数据存储方法对获取的多分辨率特征进行存储。
5.根据权利要求1所述的用于无人机载SAR图像自动目标识别的智能决策支持系统设计及实现方法，其特征在于，采用高斯核构建多尺度多核支持向量分类器。
6.根据权利要求1所述的用于无人机载SAR图像自动目标识别的智能决策支持系统设计及实现方法，其特征在于，还包括：基于XML对训练及测试后的多尺度多核支持向量分类器进行存储。
CN202110189629.5A 2021-02-19 2021-02-19 用于无人机载sar图像自动目标识别的智能决策支持系统设计及实现方法 Active CN112906564B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110189629.5A CN112906564B (zh) 2021-02-19 2021-02-19 用于无人机载sar图像自动目标识别的智能决策支持系统设计及实现方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110189629.5A CN112906564B (zh) 2021-02-19 2021-02-19 用于无人机载sar图像自动目标识别的智能决策支持系统设计及实现方法

Publications (2)

Publication Number Publication Date
CN112906564A CN112906564A (zh) 2021-06-04
CN112906564B true CN112906564B (zh) 2022-10-04

Family

ID=76123837

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110189629.5A Active CN112906564B (zh) 2021-02-19 2021-02-19 用于无人机载sar图像自动目标识别的智能决策支持系统设计及实现方法

Country Status (1)

Country Link
CN (1) CN112906564B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114265431B (zh) * 2021-12-22 2023-07-04 中国地质大学（武汉） 基于分布式覆盖控制的地灾监测方法及系统
CN114463365B (zh) * 2022-04-12 2022-06-24 中国空气动力研究与发展中心计算空气动力研究所 红外弱小目标分割方法、设备及介质

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106951921B (zh) * 2017-03-14 2019-07-02 西安电子科技大学 基于贝叶斯多核学习支持向量机的sar目标识别方法
CN107909109B (zh) * 2017-11-17 2019-06-21 西安电子科技大学 基于显著性和多尺度深度网络模型的sar图像分类方法
CN109766811B (zh) * 2018-12-31 2023-05-02 复旦大学 一种星载sar图像中海面船只的端到端检测与识别方法

Also Published As

Publication number Publication date
CN112906564A (zh) 2021-06-04

Similar Documents

Publication Publication Date Title
Gong et al. Change detection in synthetic aperture radar images based on deep neural networks
Li et al. Fast and accurate green pepper detection in complex backgrounds via an improved Yolov4-tiny model
Chen et al. Target classification using the deep convolutional networks for SAR images
Zhang et al. ShipRSImageNet: A large-scale fine-grained dataset for ship detection in high-resolution optical remote sensing images
CN110889324A (zh) 一种基于yolo v3面向末端制导的热红外图像目标识别方法
Tao et al. Scene context-driven vehicle detection in high-resolution aerial images
CN108537121B (zh) 气象环境参数与图像信息融合的自适应遥感场景分类方法
CN112906564B (zh) 用于无人机载sar图像自动目标识别的智能决策支持系统设计及实现方法
CN109829423B (zh) 一种结冰湖泊红外成像检测方法
Cozzolino et al. A fully convolutional neural network for low-complexity single-stage ship detection in Sentinel-1 SAR images
CN106845343B (zh) 一种光学遥感图像海上平台自动检测方法
CN115147731A (zh) 一种基于全空间编码注意力模块的sar图像目标检测方法
Bramhe et al. Extraction of built-up areas using convolutional neural networks and transfer learning from sentinel-2 satellite images
CN108830224A (zh) 一种基于深度学习的高分辨率遥感影像舰船目标检测方法
Liu et al. Survey of road extraction methods in remote sensing images based on deep learning
Chen et al. Change detection algorithm for multi-temporal remote sensing images based on adaptive parameter estimation
Zhang et al. Nearshore vessel detection based on Scene-mask R-CNN in remote sensing image
Zhao et al. A dense connection based SAR ship detection network
Guo et al. ClouDet: A dilated separable CNN-based cloud detection framework for remote sensing imagery
Zhao et al. CNN-based large scale landsat image classification
Wang et al. A deep deformable residual learning network for SAR image segmentation
Passah et al. Synthetic Aperture Radar image analysis based on deep learning: A review of a decade of research
Cheng et al. Multi-class objects detection method in remote sensing image based on direct feedback control for convolutional neural network
CN111460943A (zh) 一种遥感影像地物分类方法及系统
Wu et al. Research on asphalt pavement disease detection based on improved YOLOv5s

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