基于小波域中心矩特征的SAR图像识别

杨佐龙,王德功,李 勇

(空军航空大学 航空信息对抗系,长春 130022)

0 引 言

在合成孔径雷达图像的自动目标识别当中,图像预处理、特征提取、目标分类与识别等已经成为研究的热点问题。有效地处理原始SAR(Synthetic Aperture Radar)图像并提取能反映目标本质属性的特征是识别任务中的关键。文献[1]采用了多特征融合的方法进行飞机目标识别,但因SAR特殊的成像机制导致其多特征融合计算量大,效率低。因此,笔者通过提取一种典型特征降低数据空间维数,进而实现对SAR图像目标准确、快速地识别。目前,大多学者的研究是基于美国MSTAR(Moving and Stationary Target Acquisition and Recognition)计划录取的实测SAR地面静止目标数据,笔者也将采用此数据进行研究。

由于SAR图像的相干成像机理导致图像有斑点噪声,相干斑的存在是影响SAR图像识别的重要因素之一,所以,笔者对图像做预处理抑制斑点噪声,为特征提取做准备[2]。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,所以针对SAR图像的方位敏感性和平移敏感性,提取具有平移不变性的中心矩特征[3]作为特征向量,利用支持向量机完成目标识别。

1 基于小波域的中心矩特征提取

1.1 图像的预处理

文献[4]所用的识别方法是模板匹配法,对SAR图像没有作任何预处理,因而识别性能较差。笔者在对SAR图像进行小波域的中心矩特征提取前,对其进行预处理,以削弱或抑制背景杂波的影响,图1以装甲车(BMP2型)为例,给出预处理前后的对比图。处理过程如下：

1)对图像的幅度矩阵做对数变换,使乘性噪声变为加性噪声[5],以抑制相干斑的影响；

2)采用双阈值分割法对图像进行分割,以减弱背景杂波的影响,将目标从阴影和背景当中分离出来。

由于文章篇幅限制,对具体的对数变换及阈值分割算法不做介绍,只给出图像经以上预处理后的结果。

a 原始SAR图像 b 对数变换后 c 阈值分割后

1.2 二维离散小波变换

图2 SAR图像3层小波分解示意图

SAR图像的小波变换是基于二维离散小波变换基础上的[6],二维离散小波变换在每个层次上把图像分解为4幅原图1/4大小的图像(见图2),左上角是水平方向和垂直方向的低通滤波后的小波系数,它基本上包含原有图像的信息,同时在这个区域中,随机噪声和冗余信息己被大大压制； 右上角是水平方向的低通滤波和垂直方向的高通滤波后的小波系数,主要包括水平方向的特征； 左下角是水平方向的高通滤波和垂直方向低通滤波后的小波系数,主要包含垂直方向的特征； 右下角是水平方向和垂直方向的高通滤波后的小波系数,所包含的信息最少。图2为进行多尺度二维离散小波变换的示意图。

其中低频子带图像携带了目标的大部分信息,是用于SAR图像目标识别的本质特征,而高频细节图像携带的则是斑点噪声,经小波分解后噪声被放大,对细节信息起了极大干扰。因此,笔者采用经过3层二维离散小波变换后的低频图像提取中心矩特征。

1.3 不变矩特征提取

不变矩方法是通过提取具有平移、旋转及比例不变性的数学特征进行图像识别的方法。针对比例因子的选取对离散不变矩影响较大的问题,有研究提出了归一化中心矩方法,即证明一组新的不变矩特征在离散状态下具有平移、旋转及比例不变性。

设经过上述预处理后的图像灰度矩阵为W(m×n),对其进行灰度归一

定义图像的中心坐标(xc,yc)分别为

则其p+q阶中心矩

归一化中心矩定义为

其中Y=(p+q)/2,p+q=2,3,…。

从二阶矩和三阶矩可导出一组离散不变矩分别如下

上述7个离散不变矩具有平移、旋转及比例不变性。为解决比例因子的影响,提出了归一化中心矩方法,经过构造一组新的离散不变矩特征φ2～φ7,具有平移、旋转及比例不变性。分别表示为

以上特征量组合在一起形成7维特征矢量T=(φ1,φ2,…,φ7),即图像的特征向量,可将其作为分类特征输入到特定的分类器中进行分类。在进行识别时,样本原始数据特征的数量可能很大,提取不变矩特征相当于计算对分类有效的新特征,这些特征向量又将构成新的特征空间。

3类目标特征的可分离性示意图如图3所示。

数据空间 特征空间

2 SVM对SAR目标的识别

图4 支持向量机原理图

基于支持向量机(SVM：Support Vector Machine)的SAR目标分类识别[7]是模式识别领域的研究热点,得到了广泛应用。SVM是基于统计学习理论[8]开发的机器学习和分类方法。它能通过某种非线性映射将低维输入空间中的样本映射到高维空间,在新的样本空间内利用核技术实现原空间中的非线性可分问题[9]。SVM方法首先是根据线性可分情况下的最优分类面提出的。所谓最优分类面是指在样本空间内能将两类样本完全分开同时分类间隔为最大。可用如图4所示的二维情况说明,图4中实心点和空心点分别代表两类样本,H为分类线,H1和H2分别为过两类中离分类线最近的点(a,b)平行于分类线的直线,它们之间的距离为2/‖w‖,叫做分类间隔(margin),其中w为权矢量。

最优分类判决函数为

SVM算法是对2类样本进行分类[10],而笔者的待识别目标为3类,因此,先在每两类目标之间构造一个SVM,则3类目标共需要构造3个SVM[11]。

3 实验及结果分析

3.1 实验数据

笔者所用的图像是美国MSTAR(Moving and Stationary Target Acquisition and Recognition)计划发布的BMP2、BTR70、T72等目标数据,训练样本是SAR在17°俯视角下的图像数据,测试样本均在15°俯视角下得到,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°。表1列出了训练样本和测试样本的类别及其对应的数目,训练样本数为467,属小样本训练。

3.2 识别方法与步骤

按照目标识别步骤,对预处理后的SAR图像进行3层二维离散小波变换,对变换后得到的低频子波图像提取中心矩特征向量,然后将一部分特征向量作为SVM分类器的特征矢量输入进行训练,最后用测试样本检验识别效果,训练过程和测试过程中不对图像做方位角估计。具体步骤如图5所示。

图5 识别步骤

表1 数据集

3.3 实验结果及分析

用不同的方法对SAR图像进行预处理,并提取中心矩特征用SVM进行识别。在预处理过程中分别采用均值滤波、邻域滤波和中值滤波,特征提取过程不变,将结果分别与笔者的对数变换和双阈值分割方法进行比较,识别率的变化如表2所示。

由表2可见,使用笔者的预处理方法并结合二维离散小波变换与中心矩的特征提取方法得到的识别率明显优于其他方法。

另外,笔者在二维离散小波变换的基础上还采用PCA(Principal Component Analysis)和KLDA(Kernel Linear Discriminant Analysis)特征代替中心矩特征用SVM进行测试,测试结果如表3所示。

表2 不同预处理方法的识别率对比

表3 基于小波域不同特征提取的识别率对比

从表3可看出,笔者的特征提取方法具有较大的优越性。综上所述,笔者采用的二维离散小波变换与中心矩结合的特征提取方法在有效抑制噪声的情况下,很好地克服了SAR图像对目标方位的敏感性,获得了较高的识别率,是一种有效的SAR图像特征提取方法。

4 结 语

笔者提出了一种基于小波域中心矩特征的SAR图像特征提取方法,用SVM对目标进行分类识别。二维离散小波变换可以有效抑制高频噪声,得到携带大部分目标信息的低频子带图像,而中心矩特征又具有平移不变性。因此,将两者结合可在减少计算量的同时获得较高的识别率。实验在训练过程中没有对目标图像进行方位区间划分,而且采用小样本训练,识别概率仍然很高,这表明该算法在一定程度上克服SAR图像的方位敏感性,减少了计算量,是一种有效的SAR图像特征提取和目标识别方法。

参考文献：

[1] 李勇,王德功.模糊神经网络与证据理论的飞机目标敌我识别[J].吉林大学学报:信息科学版,2012,30(1):78-82.

LI Yong,WANG De-gong.Fuzzy Neural Networks and D-S Theory Used in Friend and Foe Identification of Aircraft Target[J].Journal of Jilin University：Information Science Edition,2012,30(1):78-82.

[2]夏昕.SAR图像典型目标特征提取与识别方法研究[D].成都:四川大学研究生院,2006.

XIA Xin.Study of Feature Extraction and Recognition of Typical Targets in SAR Images[D].Chengdu:College of Graduate Student,University of Sichuan,2006.

[3]何壶.SAR图像分割及目标识别[D].西安:西安电子科技大学研究生院,2006.

HE Hu.The Segmentation and Target Recognition of SAR Image[D].Xi’an：College of Graduate Student,Xidian University,2006.

[4]ROSS T D,WORRELL S W.Standard SAR ATR Evaluation Experiments Using the MSTAR Public Release Data Set[J].SPIE,1998,33(70):566-573.

[5]CASASENT D P,ASHIZAWA S.Synthetic Aperture Radar Detection Recognition and Clutter Rejection with New Minimum Noise and Correlation Energy Filter[J].Optical Engineering,1997,36(10):2729-2736.

[6]陈武凡.小波分析及其在图像处理中的应用[M].北京:科学出版社,2002.

CHEN Wu-fan.The Analysis and Application of Wavelet in Image Processing[M].Beijing:Science Press,2002.

[7]ZHAO Q,PRINCIPE J C.Support Vector Machines for SAR Automatic Target Recognition[J].IEEE Trans on Aerospace and Electronic Systems,2001,37(2):643-654.

[8]宦若虹,杨汝良.一种合成孔径雷达图像特征提取与目标识别新方法[J].电子与信息学报,2008,30(3):554-558.

HUAN Ruo-hong,YANG Ru-liang.A New Method for Synthetic Aperture Radar Images Feature Extraction and Target Recognition[J].Journal of Electronics &Information Technology,2008,30(3):554-558.

[9]MARTINEZ-RAMON M,ROJO-ALVAREZ J L,CAMPS-VALLS G.Kernel Antenna Array Processing[J].IEEE Trans Antennas and Propagation,2007,55(3):642-650.

[10]蒋媛.基于Contourlet变换和SVM的SAR图像目标识别[J].信息技术,2010(11):105-110.

JIANG Yuan.Research on Target Recognition for Sar Image Based on Contourlet Transform and SVM[J].Information Technology,2010(11):105-110.

[11]张淑雅,赵一鸣,李均利.基于SVM的图像分类算法与实现[J].计算机工程与应用,2007,43(25):40-42.

ZHANG Shu-ya,ZHAO Yi-ming,LI Jun-li.Algorithm and Implementation of Image Classification Based on SVM[J].Computer Engineering and Applications,2007,43(25):40-42.