基于PCA算法的SAR图像舰船目标长宽特征提取

李德胜，孟祥伟，张　颢，刘　磊

（海军航空工程学院电子信息工程系，山东烟台264001）

基于PCA算法的SAR图像舰船目标长宽特征提取

李德胜，孟祥伟，张颢，刘磊

（海军航空工程学院电子信息工程系，山东烟台264001）

随着SAR图像成像技术的不断发展，几何特征被广泛应用在目标识别中，长宽特征因其简单直观、效率高、易于提取等优势，常被作为船只类型的初始判定，针对SAR图像舰船目标长宽特征提取问题，提出一种新的方法。首先通过水平集以及形态学方法获得预处理后的目标图像，利用PCA算法获取SAR图像舰船目标的长轴，结合最小二乘椭圆拟合方法获取舰船目标的短轴，最终得到舰船目标的长宽特征。通过实测SAR图像处理结果表明，该方法能够在背景杂波干扰下，抑制相干斑噪声的影响，提高了长宽提取的精度，是一种有效的舰船目标长宽特征提取方法。

SAR图像水平集PCA椭圆拟合特征提取

0　引言

SAR图像特征提取［1］是目标识别中的关键步骤，直接影响目标识别的结果。随着SAR卫星分辨率的不断提高，长度类特征因其简单直观、效率高、易于提取等优势，常被作为船只类型的初始判定。国外很多实验室都把舰船的尺寸、面积等几何特征作为提取依据，舰船一般为金属材质构成，不同的船只类型，在SAR图像中所体现的尺寸结构也是不同的，在2000年，Askari和Zerr［2］提出采用长宽比作为初步判断舰船类型的指标。随后，高贵［3］、Wu f an［4］等人采用最小外接矩形（MER）的方法提取SAR舰船长宽。2011年，田小娟等人［5］对传统的最小外接矩形方法进行改进，采用Hough变换与最小外接矩形方法相结合的方式，提取舰船主轴，然后设定固定阈值，缩小外接矩形框，获取长宽值，但由于hough提取主轴时，容易受相干斑噪声影响，设定的阈值又是按照人为经验设定的，仅适用于局限的范围［6］。2014年，张亚军［7］采用基于图像像素位置提取舰船长宽，但其在宽度提取上误差较大。

在长宽特征提取研究中，传统的方法主要有hough变换、椭圆拟合、最小外接矩形等，在SAR成像过程中，舰船边缘与海水形成的二面角强反射以及拖尾、旁瓣等影响下，导致成像的舰船宽度显著增大，采用最小外接矩形方法提取长宽时，容易造成宽度估计误差偏大。在相干斑噪声以及舰船曳动等原因的影响下，hough变换提取舰船长度时，由于SAR图像舰船目标中存在十字模糊、结构缺失等现象，导致提取误差偏大。在舰船长宽提取方法中，因大部分舰船的结构类似梭形，也有部分研究人员采用椭圆拟合的方式提取长宽，但由于舰船结构并非真正椭圆，尽管宽度提取较精确，但在长度提取时，误差较大。

为提高SAR图像舰船目标长宽特征提取的精度，本文提出一种新的长宽特征提取方法。首先采用水平集与区域消除的方法对SAR图像舰船目标进行预处理，抑制相干斑噪声的影响，获得干净平滑的目标切片；然后将预处理后的图像，通过PCA算法获取舰船目标切片的长轴，再利用最小二乘椭圆拟合的方法，提取目标的宽度，从而得到舰船目标的长宽特征。实验结果表明，与典型的长宽特征提取方法相比，提高了长宽特征提取的精度，是一种有效的目标特征提取方法，本文方法的流程图如下所示：

图1　流程图

1　基于PCA算法的舰船目标长宽特征提取

目前，随着SAR图像分辨率的不断提高，目标几何特征越来越清晰，在SAR图像舰船目标识别中长宽特征被广泛应用，但同时干扰细节也越来越复杂，如何从SAR图像中提取出目标的几何结构特征并进行识别，成为如今的热点问题。

1.1预处理

为提高特征提取的精度，需要对原始SAR图像进行预处理，抑制相干斑噪声的影响，获得干净平滑的目标图像。本文利用水平集在拓扑结构的变化中适应性强，在演化算法中稳定性高的优势，将原始SAR图像舰船目标，在水平集分割模型下，通过曲线演化将背景与目标分离，然后将分割后的图像进行二值化，再经过区域消除的方式，获得预处理后的舰船目标切片图像，来克服相干斑噪声等因素的影响。

水平集方法（Level Set Methods）是在1911年，由S.Osher和J. A.Sethian在研究捕捉动态界面和形状时提出的，用来描述在曲线中的演化过程。2001年，Chan和Vese［8］通过简化MS模型提出了最优划分的模型，即水平集分割模型（CV模型）。

水平集分割的基本思想是将空间中n维闭合曲线转化为n+1维曲线，定义初始轮廓，并将轮廓定义为高维函数的零水平集，通过利用单位法向矢量和曲率来研究曲线演化，并构造能量泛函，通过求解偏微分方程的数值，得到分割结果。

水平集能量函数表示为：

原始SAR图像舰船目标，在水平集分割模型下，通过曲线演化得到舰船目标轮廓，但同时由于相干斑噪声的影响，可能还存在许多噪声、毛刺及小块区域，为了后续处理上的方便，需要把由杂波噪声等原因形成的区域去除。

这里通过区域合并的方式来实现区域消除，该方法通过计算分割图像中每块区域的面积，把面积小于一定阈值的区域通过反色处理包含到其周围的大区域中。经过区域合并，原二值图像中的区域数目明显减少，将小的噪声颗粒也被消除，只留下了大结构的舰船目标区域，为后续目标的特征提取带来极大的方便。预处理过程的步骤如下：

1） 将SAR图像进行水平集分割，获得目标活动轮廓。2） 根据水平集分割的轮廓曲线，将该灰度图像转化为二值图像。3） 对整幅二值化图像进行扫描，标注白色连通区域。4） 计算每个白色连通区域的面积，通过对照舰船目标的面积大小，设定阈值为S1。5） 移除面积小于S1的白色连通区，获得区域消除后的二值图像。

预处理效果如图2所示，其中（a）是RadarsatⅡ获取的SAR图像中的原始舰船目标切片，（b）是将原始图像经过水平集分割后，得到的目标活动轮廓，将（b）二值化后得到（c），然后经过区域消除，最终得到预处理后的图像切片（d）。图3的SAR图像预处理结果表明，本文方法能够在背景杂波干扰下，抑制相干斑噪声的影响，同时较好的保持了目标细节边缘，为下一步特征提取打下基础。

1.2长宽特征提取

通过水平集的方法对SAR图像切片进行预处理，将由杂波噪声形成的块状区域去除，同时较好地保持了目标边缘，获得干净平滑的目标图像，然后利用PCA算法提取舰船目标的长度，结合椭圆拟合的方法，提取目标的宽度，从而得到舰船目标的长宽特征。以下介绍特征提取的原理和步骤：

主成分分析（Principal Co mponent An alysis，PCA）是一种通过特征的线性组合来实现降维的数据分析方法。源自于通信理论中的K-L变换，PCA算法的实质就是在代表原始数据的前提下，通过线性变换，将高维空间的样本数据投影到低维空间中。PCA的基本原理如下：

图2　预处理的流程效果图

选择x关于yi的展开式的m项在最小均方误差准则下线性估计x，这时估计式为：

此估计的均方误差为：

因为U是标准正交矩阵，即：

为满足（7）式的约束，使最小均方误差ε2（m）最小，采用拉格朗日乘子法，将函数：

令m=1，此时u1，u2，···un为Rx得对应的本征向量，λ1，λ2，···λn为Rx的本征值。代入ε2（m），可得：

在SAR图像舰船目标切片中，获得图像像素位置坐标（x，y），构建一个矩阵X，令每一像素点的横坐标x为一个样本，每一像素点的纵坐标y为一个特征，利用PCA算法获取舰船目标长宽，具体算法过程如下：1）通过基于水平集的方法对SAR图像舰船目标切片进行预处理，获得干净平滑的二值化图像I。2）扫描整幅图像I，获得图像像素位置坐标（x，y），令每一像素点的横坐标x为一个样本，每一像素点的纵坐标y为一个特征，构建矩阵X。3）计算每一个像素特征的均值，表示为x与y，将构建矩阵X中的每一样本都减去对应的均值，获得新的矩阵X′。4）求解矩阵X′的协方差矩阵SX′，即SX′=X′T·X′，其中T为非共轭转置，所得到的协方差矩阵SX′为二维矩阵。5）通过求解协方差矩阵SX′，得到矩阵SX′的特征值与特征向量，提取矩阵SX′的最大的特征值，以及对应的特征向量。6）将样本点投影到选取的特征向量上的方向，即所需的舰船长度的主分量方向，通过计算主分量方向上的像素位置坐标，得到舰船目标的长度L。7）利用最小二乘法椭圆拟合SAR图像舰船目标，提取舰船目标的宽度值W。

图3　效果图

表1　PCA算法提取目标参数估计值

表2　最小二乘法椭圆拟合目标参数估计值

表3　舰船目标最终参数估计值

2　实验结果分析

本文采用RadarsatⅡ的SAR图像数据来进行方法验证。在本文实验中，为了更好地比较效果，在图3中分别给出预处理以及各类长宽特征提取的效果对比图，其中，图3a（1）～（3）为三幅原始SAR图像，图3b（1） ～（3）为通过基于水平集方法的预处理效果图，图3c（1） ～（3）为通过最小外接矩形拟合目标效果图，图3d（1） ～（3）为通过hough变换求得角度后，再用最小外接矩形拟合目标效果图，图3e（1） ～（3）为通过PCA算法提取目标效果图，图3f（1） ～（3）为通过最小二乘椭圆拟合目标效果图，图3g（1） ～（3）将PCA算法与最小二乘椭圆相结合一起的拟合目标效果图。同时在表1～表3中，分别给出各类长宽特征提取方法的参数估计值。

实验结果表明，图3a中的3幅原始SAR图像，通过基于水平集方法进行预处理，滤除了原始图像中的杂波，同时很好保持了目标本身的细节。获得预处理后的干净平滑的舰船目标图像后，进行长宽特征提取，从图3c（1） ～（3）中可知，最小外接矩形（TBR准则下）拟合目标的方法在在宽轴提取上误差偏大，从图3d（3）中可知，由于图像目标尾端结构缺失，导致hough变换提取主轴方向有偏差。图3e采用PCA算法提取目标长度，图3f通过椭圆拟合提取目标宽度，在图3g中以及表3中获取的舰船目标最终参数数据，可以体现本文方法的优势，提高了长宽特征提取的精度。

3　结束语

本文提出一种新的长宽特征提取方法，首先通过水平集以及形态学方法获得预处理后的目标图像，再利用PCA算法获取SAR图像舰船目标的长轴，结合椭圆拟合方法获取舰船目标的短轴，最终得到舰船目标的长宽特征。从实验结果中可知，本文提取效果明显要好于典型的长宽提取方法，是一种有效的SAR图像长宽特征提取方法，通过借鉴相关资料，便可初步获知舰船的类型。

［1］ R. C. G onzalez and R. E. W oods. Dig ital image processing［M］. Beijing： Publishing House of Electronics Industry，2002：75-146.

［2］ F. Askari and B. Zerr. An automatic approach to ship detection i n spaceborne synthetic a perture ra dar imagery： An as sessment o f s hip d etection capability using RADARSA T［R］. Italy： SACLANT Unders ea Research Centre，2000.

［3］ 高贵，匡纲要，李德仁.高分辨率 SAR 图像分割及目标特征提取［J］. 宇航学报，2006，27（2）：238-244.

［4］ Wu Fan，Wang Chao，Zhang Bo，et al. Study on vessel classification in SAR im agery： a s urvey［J］. R emote Sensing T echnology an d Application，2014，29（1）：1-8.

［5］ Tian Xi aojuan，Wang Ch ao，Z hang Hong，W u F an. Extraction and analysis of structural features of ships in h igh r esolution SAR images［C］. I EEE CI E International Conference on Radar. 2011，1：630-633.

［6］ Gu Dandan and Xu Xiaojian. Multi-feature extraction of ships from SAR images［C］. IEEE Image and Signal Processing（CISP），2013，1：454-458.

［7］ 张亚军. 基于属性散射中心模型的SAR白动目标识别［D］.西安电子科技大学，2014.

［8］ T. F. Chan，and L. A. Vese. Active contours without edges［J］.IEEE Transactions on image processing，Feb 2001，10（2）： 266-277.

Ship’s Feature Extraction from SAR Image based on PCA

Li Desheng ，Meng Xiangwei，Zhang Hao，Liu Lei
（Department of Electronic and Information Engineering，Naval Aeronautical and Astronautical University，Yantai 264001，Shangdong，China）

In this paper, a length and width feature extraction method for a ship target in SAR images is proposed. Firstly, the SAR images are segmented by the level sets. The domain elimination method is adopted for the segmented images to remove clutter in the next step. Consequently, the slice image of target is obtained. Then, the PCA method is used to obtain the long axis of the ship in SAR image, and the ellipse fitting method is applied to get short axis of the ship target. Thus, the feature information of the ships including length and width is obtained. Experimental results illustrate that the proposed method can extract the length and width feature of a ship target in SAR images effectively and accurately. Meanwhile, it can weaken the influence of speckle noise and background clutter in SAR images.

SAR image; level sets; PCA; ellipse fitting; feature extraction

TN951

A

1003-4862（2015）09-0001-05

2015-08-09

国家自然科学基金项目资助（61179016）

李德胜（1990-），男，硕士研究生。研究方向：雷达信号处理。