基于SOFM神经网络的SAR图像目标识别

刘伟伟，胡兴平，卢晓敏，宋慧娟

(1.西安飞豹科技发展公司，陕西 西安　710089；2.西安应用光学研究所，陕西 西安　710065)



基于SOFM神经网络的SAR图像目标识别

刘伟伟1，胡兴平1，卢晓敏2，宋慧娟2

(1.西安飞豹科技发展公司，陕西 西安710089；2.西安应用光学研究所，陕西 西安710065)

在SAR图像的识别中，传统的识别方法必须提前知道所有目标的类别，不能对任意的目标进行识别。通过分析SAR图像的特点，选取了一组由Hu不变矩和由三角函数生成法导出的5个新的不变矩组成的特征向量。利用自组织特征映射(SOFM)神经网络对目标进行了聚类分析。实验表明，选取的特征向量能够较准确地描述目标，且SOFM神经网络能够自适应，自组织地对目标进行聚类。同时，用测试图像对训练好的网络进行了测试，得到了较为理想的识别效果。

自组织特征映射神经网络；目标识别；合成孔径雷达；不变矩；聚类分析；特征提取

0　引言

合成孔径雷达(synthetic aperture radar，SAR)是微波传感器中发展最快和最有成效的传感器之一。它具有全天时、全天候、多极化、高分辨率等特点，非常适合于现代的侦察任务，同时在海洋监视、地质勘测和农业规划等领域也得到了广泛得应用[1]。由于SAR图像的特殊性，传统的图像分类方法不能很好地满足SAR图像目标的分类和识别，因此SAR图像中目标识别的问题成为了当前研究的热点。

传统的SAR图像分类方法主要有模板匹配[2-3]、反向传播(back propagation,BP)神经网络[4]、支持向量机[5], 小波变换法[6]。其中模板匹配方法在当识别目标种类增加时，无需重新训练原有的目标模板，只需要加入新增类别的模板即可，但是当模板库随着目标种类的增加而增大时，就需要大量的存储空间，同时对识别速度、正确率都有一定程度的影响。BP神经网络虽然识别率较好但是却需要提前知道所有的目标类别，而支持向量机无法处理大规模的数据。鉴于当前SAR图像目标识别的这些问题，本文提出利用SOFM(self-organizing feature map)神经网络可以无监督聚类的特性对SAR图像目标进行识别。

1　SAR图像的特征选择与提取

1.1Hu不变矩

区域的矩表示把一个归一化后的灰度级图像函数理解为一个二维随机变量的概率密度。这个随机变量可以用矩(momnet)来描述。Hu最早提出了矩的概念,并推导出了矩的一些基本性质,并进一步证明了矩具有平移、尺度和旋转的不变性。Hu矩[7-8]与其他不变性特征提取方法相比，在抗干扰性和图像的表示能力方面表现更好，能反映出图像区域内部的细节情况。

对于灰度分布的二维图像目标f(x,y)的(p+q)阶二维矩定义为

(1)

对应的(p+q)阶中心矩定义为

p,q=0,1,2，…，

(2)

(3)

定义归一化的(p+q)阶中心矩为

(4)

可以证明以上归一化后的中心矩特征具有平移和尺度不变性，但是不具有旋转不变性。为了实现图像特征对平移、旋转和尺度变换均具有不变性，Hu首先利用二阶和三阶归一化的中心矩构造了7个对平移旋转和尺度具有不变性的不变矩，具体表达式如下：

C1=I20+I02,

(5)

(6)

C3=(I30-3I12)2+(3I21-I03)2,

(7)

C4=(I30+I12)2+(I21+I03)2，

(8)

C5=(I30-3I12)(I30+I12)[(I30+I12)2-

3(I21+I03)2]+(3I21-I03)(I21+I03)[3(I30+

I12)2-(I21+I03)2] ，

(9)

C6=(I20-I02)[(I30+I12)2-3(I21+I03)2]+

4I11(I30+I12)(I21+I03)，

(10)

C7=(3I21-I03)(I30+I12)[(I30+I12)2-3(I21+

I03)2]-(I30-3I12)(I21+I03)[3(I30+I12)2-

(I21+I03)2].

(11)

1.25种新的不变矩

由于SAR图像中的目标存在不对称比例变换，而只用Hu的7个不变矩无法准确地描述目标的特征，因此引入由三角函数生成法[9]导出的5个新的不变矩，具体表达式如下：

C8=2{I11[(I30+I12)2-(I21+I03)]-

(I20-I02)(I30+I12)(I21+I03)}，

(12)

C9=[(I30-3I12)(I30+I12)+(3I21-I03)(I21+I03)]·

(I20-I02)+2I11[(3I21-I03)(I30+I12)-

(I30-3I12)(I21+I03)]，

(13)

C10=[(3I21-I03)(I30+I12)-(I30-3I12)(I21+

I03)](I20-I02)-2I11[(I30-3I12)(I30+I12)+

(3I21-I03)(I21+I03)]，

(14)

C11=(I04+I40-6I22)2+16(I31-I13)2，

(15)

16I11(I31-I13)(I20-I02).

(16)

不变矩C8～C12为5个高阶不变矩，这5个不变矩比传统的7个不变矩具有更好的离散稳定性，其与传统的7个不变矩相组合可更准确地描述二维形状的特征。

1.3特征向量的归一化

由于针对同一样本的不同阶次矩的特征量纲不同,数值上会有很大的差别,差异较大的数据会使网络收敛速度变慢，并且这些数据可能会成为奇异数据而使网络无法收敛，因此,在进一步的识别前需要进行归一化处理。这里，采用如下方法来获得归一化后的特征：

Y=(Ymax-Ymin)(X-Xmin)/(Xmax-Xmin)+Ymin，

(17)

式中：[Ymin,Ymax]代表要归一化所到的区间；X代表要归一化的向量。

2　基于SOFM神经网络的目标识别

2.1SOFM神经网络的结构

SOFM神经网络，是由芬兰科学家Kohonen于1981年根据人脑的自组织特性提出的一种无监督的，竞争学习的聚类网络。它由输入层、输出层2部分构成。SOFM神经网络作为一种无监督的人工神经网络计算方法[10],在对样本数据进行聚类的同时,还能够保持样本的拓扑有序性[11],适合于解决多种分类和识别问题。SOFM神经网络的结构如图1所示。

图1　SOFM神经网络结构图Fig.1　SOFM structure chart

SOFM神经网络在学习的过程中总是使输出层内各神经元的权向量保持向输入向量逼近的趋势, 从而使得具有相近特征的输入向量能够聚集在一起。同时，SOFM神经网络以多个神经元的输出状态来反映输入向量的聚类结果。因此SOFM神经网络能够利用其自组织，自竞争的特点，将一维输入模式映射到二维神经元阵列上,所以使用SOFM神经网络可以对任意的目标进行识别。

2.2算法的具体步骤

步骤2： 输入选取的由12个不变矩组成的第i个特征向量Ui=(ui1,ui2,…,ui12)T。

步骤3： 计算输入向量和网络权向量之间的欧氏距离，并确定拥有最小的欧氏距离de的神经元e为获胜神经元。de由式(18)求出。

j=1,2,…,M.

(18)

步骤4： 按式(19)更新权值向量。

(19)

式中：Ne(t)为神经元e的邻域。

步骤5： 输入下一个待输入向量，并返回步骤3，直到所有特征向量输入完毕。

(20)

式中：t为学习次数；int[X]为对X取整。

步骤7： 令t=t+1，返回步骤2直到t=T时为止。

3　仿真校验

3.1校验的基本流程

本文使用由Sandia国家实验室(Sandia national laboratory,SNL)采集的,并由美国空军Wright实验室发布为公用的MSTAR数据库中的BMP2(坦克)，BTR70(装甲运兵车)和T72(坦克)作为实验用SAR图像，并对这3类目标进行了聚类分析。其中，选取训练样本每类100副共300副图，选取测试样本每类200副共600副图。图2为所使用的部分俯视角为17°时的SAR图像。

仿真校验的流程图如图3所示。

3.2SOFM网络的参数设计

输入层设计：输入层选择12个神经元对应于12个不变矩。

输出层设计：输出层采用通常认为最好排列方式的六边形网格和2维神经元排列结构[12]。通过多次实验，选择8×6的结构可得到较好的网络训练结果。设计好的SOFM网络拓扑结构如图4所示。

图2　用于仿真校验的部分SAR图像Fig.2　Some SAR graphic used for simulation

图3　仿真校验流程图Fig.3　Flow chart of simulation verification

图4　SOFM拓扑结构图Fig.4　SOFM topology

3.3仿真结果及分析

在10 000次的训练后，网络权值已经基本保持不变。由于SOFM神经网络是无监督的聚类网络，无法给出目标的具体类别，但是可以通过神经元的分布来判断出这些具体的类别，并且这种分析的方式易于解释和理解。神经元权值分布图如图5所示。

图5　神经元权值分布图Fig.5　SOFM neighbor weight distances

图5中颜色越深的神经元(颜色由浅到深为黄，红，黑)代表着距离越远。从图中可以看到，中间深色部分的神经元将神经元区域分成了3部分，相连黄色部分代表一类。这样3部分区域刚好代表着BMP2(坦克)，BTR70(装甲运兵车)和T72(坦克)3类目标。

将600副测试图像放入训练好的网络中，定义识别率=正确识别样本数/总样本数。将分类后的神经元划归至训练样本，将聚类后的神经元区域内的样本定为正确识别的样本。最后计算所得3类目标的识别率见表1。

表1　目标识别率

将本文方法与传统的模板匹配法[13]、支持向量机法[14]以及隐马尔可夫法[15]3种算法进行对比，其对比结果如表2所示。从表2中可以看出，本文提出的算法具有相对较高的识别率。

表2　几种算法对比的平均识别率

仿真中虽需要10 000次甚至更多的训练次数，但SOFM神经网络的训练是一个离线过程，当在线应用时，只需输入当前的目标特征距并借助于训练好的神经网格中，便能够快速得到分类结果，可以满足实时性要求。

4　结束语

本文通过选取一组由Hu不变矩和5个新导出的不变矩作为特征向量，利用SOFM神经网络无监督聚类的特性对MSTAR数据库中3类目标进行了聚类分析。实验结果表明，SOFM神经网络能够自组织，自竞争地对目标进行聚类。将测试图像放入训练好的网络，得到了较为理想的识别效果。同时，该算法解决了传统算法无法识别未知目标的问题，为SAR图像目标的识别提供了新的思路。

[1]李卫斌. SAR图像处理的若干关键技术 [D].西安：西安电子科技大学，2004.

LI Wei-bin.Key Techniques on SAR Image Processing [D].Xi’an:Xidian University,2004.

[2]LANCE M, ROMAIN M. Effect of Signal-to-Clutter Ratio on Template-Based ATR[C]∥Proc. SPIE 3370, 1998: 408-419.

[3]陆洪涛，陆静，郭军. 一种基于相关测度的SAR干扰效果评估方法 [J].现代防御技术，2008,36(3):97-99.

LU Hong-tao,LU Jing,GUO Jun.The Evaluation Methods of the Jamming Effect of SAR Based on the Pertinency [J]. Modern Defence Technology,2008,36(3):97-99.

[4]韩春林，雷飞，王建国，等.合成孔径雷达图像目标分类研究 [J].电子科技大学学报,2004,33(1):1-4.

HAN Chun-lin,LEI Fei,WANG Jian-guo,et al.Research on Object of SAR Image Classification[J].Journal of University of Electronic Science and Technology of China,2004,33(1):1-4.

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

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

[6]李勇，王德功，常硕，等. 一种SAR图像特征提取和目标分类的新方法 [J].现代防御技术，2013,41(4):126-130.

LI Yong,WANG De-gong,CHANG Shuo,et al.New Method for Synthetic Aperture Radar Images Feature Extraction and Target Classification [J]. Modern Defence Technology,2013, 41(4):126-130.

[7]HU Ming-kuei. Visual Pattern Recognition by Moment Invariants [J].IEEE Trans on Information Theory, 1962,8(2): 170-179.

[8]张伟，何金国. Hu不变矩的构造与推广 [J].计算机应用,2010,30(9):2449-2452.

ZHANG Wei,HE Jin-guo.Construction and Generalization of Hu Moment Invariants [J].Journal of Computer Applications,2010, 30(9):2449-2452.

[9]刘进，张天序.图像不变矩的推广[J].计算机学报，2004,27(5)：668-674.

LIU Jin,ZHANG Tian-xu.The Generalization of Moment Invariants[J]. Chinese Journal of Computers,2004,27(5):668-674.

[10]曾松林，王文恽，刘阳，等.高速机动反舰导弹对舰艇编队的威胁估计研究 [J].现代防御技术，2012,40(6):33-38.

ZENG Song-lin, WANG Wen-yun,LIU Yang, et al. Threat Evaluation of High-Speed Maneuvering Antiship Missile to Fleet [J]. Modern Defence Technology, 2012, 40(6):33-38.

[11]王磊明. SOFM算法在图像识别中的应用研究 [D].沈阳: 辽宁工程技术大学，2011.

WANG Lei-ming. Research on Self-Organizing Feature Map Neural Network Algorithm in Image Recognition [D].Shenyang: Liaoning Technical University,2011.

[12]KOHONEN T. Self-Organizing Maps [M] .3r ded.Berlin:Springer,2001.

[13]ROSS T D, WORRELL S W, VELTEN V J, et al. Standard SAR ATR Evaluation Experiments Using the MSTAR Public Release Data Set[C]∥Proc. SPIE 3370, 1998: 566-573.

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

[15]NILUBOL C, PHAM Q H, MERSEREAU R M, et al. Translational and Rotational-Invariant Hidden Markov Model for Automatic Target Recognition[C]∥Proc. SPIE 3374,1998: 179-185

SAR Image Target Recognition Method Based on SOFM Neural Network

LIU Wei-wei1,HU Xing-ping1, LU Xiao-min2, SONG Hui-juan2

(1. Xi′an Feibao Science and Technology Development Company, Shaanxi Xi’an 710089, China;2. Xi′an Institute of Applied Optics, Shaanxi Xi’an 710065, China)

In recognition of synthetic aperture radar (SAR) images, the traditional method of identification needs to know all the categories of objectives in advance, and cannot recognize random target. Through the analysis of the characteristics of SAR, a group of Hu invariant moments and trigonometric function generated 5 new moment invariants formed feature vector. The goal of clustering analysis is conducted by using self-organizing feature map (SOFM) neural network. Experiments show that, SOFM neural network can use its adaptive and self-organizing characteristics to cluster the target. At the same time, to test the trained network with the test image, the proposed method can obtain better results.

self-organizing feature map (SOFM); target recognition; synthetic aperture radar (SAR); invariant moments; cluster analysis; feature extraction

2015-06-13；

2015-10-15

刘伟伟(1983-)，男，山东菏泽人。工程师，硕士，主要从事航空电子综合化及飞航空火力控制。

通信地址：710089陕西省西安市阎良区航空三路40号E-mail：15249250997@163.com

10.3969/j.issn.1009-086x.2016.04.010

TP183;TN958

A

1009-086X(2016)-04-0056-05