基于形状识别的返回散射电离图分类方法研究

郭延波 李雪 程延锋

(中国电波传播研究所,青岛 266107)



基于形状识别的返回散射电离图分类方法研究

郭延波 李雪 程延锋

(中国电波传播研究所,青岛 266107)

基于中值滤波算法,结合电离图中杂波信号和背景噪声的分布特点,提出了一种返回散射电离图干净数据提取新算法;利用返回散射电离图干净数据,基于形状识别理论,给出了一种返回散射电离图分类算法,并对形状因子的提取方法进行了简单介绍. 实测电离图仿真实验结果显示,所提电离图分类算法具有较好的实测电离图识别和分类能力,具有较好的应用前景.

返回散射电离图;干净数据;形状识别

DOI 10.13443/j.cjors.2015062801

引 言

对返回散射电离图进行智能判读,获取探测信息在无线电覆盖区监视、短波通信(雷达)频段选择、电离层结构监测等多方面应用中有着重要的作用[1-4]. 返回散射探测信号工作在高频波段,干扰多,且探测信号两次经过电离层,一次地海杂波散射,回波能量弱,并携带大量的复杂电离层信息,使得返回散射电离图的智能判读异常困难.

目前,国内外学者对返回散射电离图智能判读工作已经进行了大量的研究,并取得了一定的成果. 文献[5]对返回散射电离图的智能判读做了概要介绍;文献[6-7]在返回散射电离图的前沿提取方面针对不同的电离层情况提出了相应的解决办法. 文献[8-9]分别进行了有关返回散射电离图干净数据提取和返回散射传播模式判别的方法研究. 然而,一般文献中关于电离图信息提取,多是针对某一特定类型电离图给出具体的提取算法或针对几种不同电离图分别给出不同的电离图信息提取方法,但关于如何判定电离图的类别,前述文献中少有提及,而在实际工程应用中,对返回散射电离图进行智能分类,是电离图智能判读的前提,准确判定电离图类型,选择合适的电离层信息提取算法,可极大地提高返回散射电离图智能判读精度. 文献[9]中给出了一种利用阈值设定来判断返回散射电离图层数的方法,但不同状态的电离图所需的阈值也会有较大差异,导致某些状态的电离图层数会出现漏判或错判的情况.

本文采用新的返回散射电离图干净数据提取方法,引入形状识别理论,提出了一种返回散射电离图类型识别新技术,可有效地提高电离图类型以及电离层层数识别的准确性和稳定性.

1 算法描述

返回散射电离图类型识别的算法步骤如下:

1) 选取基准电离图. 采用返回散射电离图干净数据提取算法,提取基准电离图的干净图形;采用基于形状分析的电离图特征提取算法,提取干净图形的形状因子;依次将各基准图形的形状因子插入形状因子列表,以备后期分类比较.

2) 提取待分类电离图的形状因子. 具体算法同基准电离图形状因子提取算法.

3) 将待分类电离图的形状因子依次和基准形状因子列表中的各形状因子进行比较,依据欧式距离最小原则,将待分类电离图归入欧式距离最小的那个基准电离图类.

该算法主要由两个核心算法组成:返回散射电离图干净数据提取算法和电离图特征提取算法,下面依次介绍这两个算法.

1.1 返回散射电离图干净数据提取算法

文献[8]详细论述了实测电离图干净数据的提取方法,但该文有关电离图中无线电波干扰的处理是先标注干扰频点并将该频点能量置零,后期采用能量补偿来得到完整的电离图结构,这种处理过程会导致原始电离图结构一定程度的失真. 本文结合形状识别算法的需要,再考虑实测电离图中无线电波干扰及背景噪声的分布特性,提出一种全新的干净数据提取算法,主要包含下面两个步骤.

1.1.1 采用中值滤波算法进行电离图平滑

用中值滤波的方式对原始电离图进行平滑,具体过程是原始电离图数据矩阵的每一元素能量值用其相邻元素的能量中值来替代,可有效地消除电离图同频干扰以及不同距离单元的奇异值点,如图2所示,其为对图1用中值滤波算法平滑的结果图形,图中基本消除了原始图中的无线电波干扰,在距离维上也有一定的平滑效果.

图1 原始电离图

1.1.2 消除背景噪声,提取干净图形

对于平滑后的电离图,观测其杂波信号和背景噪声的分布特性,平滑后的电离图有如下特点: 1)返回散射电离图杂波信号强度明显高于背景噪声强度; 2) 只包含背景噪声的频点,其不同距离的信号强度平稳,如图2中5～8 MHz的能量分布; 如果一个频点的有效距离内存在杂波信号,则其不同距离信号强度起伏较大. 根据上述特性,本文提出一种基于信号强度均值结合信号平稳度的自适应阈值算法来进行返回散射干净数据的提取,具体步骤描述如下:

1) 计算每一频点序列的能量均值,记为Ik;

2) 计算每一频点序列的能量标准差,记为Sk;

3) 结合每一频点序列的均值Ik和标准差Sk,调整每一频点序列的噪声阈值Tk,其中Tk=Ik+ΔHk,ΔHk>0且ΔHk=f(Sk)是均方差Sk的函数.噪声阈值根据Sk的不同进行调整,Sk值较大,ΔHk较小; Sk较小,ΔHk较大.调整的原理是均方差小,代表该频点背景噪声所占距离单元较多,可在其均值基础上适当调高噪声阈值,抑制较多的噪声;均方差大,说明该频点杂波信号所占距离单元较多,其均值基础上可调节空间小,要尽量保留杂波信号;确定噪声阈值Tk后,保留信号强度大于噪声阈值的数据矩阵元素.

对步骤3)得到的电离图进行散点消除,消除电离图中一些较为离散的点,即可得到一副较为清晰的完整返回散射电离图的干净数据图,如图3所示. 本文的噪声阈值选取算法根据每一频点的信号平稳度进行确定,各频点的噪声阈值不完全相同,噪声阈值的选取直接影响保留干净信号的多少,过大,干净信号保留较少;过小,噪声保留较多,都会影响后面的形状因子的提取.

图3 干净图形提取结果

1.2 返回散射电离图特征提取算法

本文的返回散射电离图类型识别算法主要依据形状分析理论. 形状分析是从给定的数字图像中提取物体的相应形状特征因子,存储于特定的数据结构中,并用于比较、分类、检索、识别等操作的过程[10]. 在进行形状特征因子提取算法设计时,要考虑诸如噪音干扰、形状畸变、局部缺损等情况;同时,形状特征因子应该具备对旋转、缩放、平移等变换的不变性[11-12]. 本文的形状特征因子提取算法应用于返回散射电离图,针对电离图的特性,本文的形状特征因子不考虑旋转不变性,结合文献[13]的Radon组合投射特征(Radon Composite Features,RCF)算法,本文提出一种基于Radon变换的电离图特征(Radon Ionogram Features,RIF)提取算法,该算法结合形状分析的基本原理和干净返回散射电离图的形状特征,可对不同类型的电离图进行有效区分,下面以图4所示三个电离图进行算法说明. 图4是干净二值电离图,有效数据值为1,背景值为0,左图和中图是单F层情况,不难看出二者形状特征类似,右图为双层电离图,其形状特征和前面两图差别较大,下面是具体算法描述.

图4 干净二值电离图

1.2.1 特征I——形状峰值

1) 特征提取原理

Radon变换的定义是计算一副二维图像f(x,y)沿指定方向的投影,其投影表现为一系列线积分. 其数学形式化定义如下:

y′cos θ)dy′.

(1)

图5展示了Radon变换的几何特性,图5(a)的正方形沿特定的角度θ,其Radon变换图5(b)表现为一系列线积分Rθ(x′),积分值Rθ(x′)随x′的变化而变化. 不难看出,在角度θ的垂直方向上,其Rθ(x′)的最大值最能代表该方位正方形的形状特征,这一点和人眼的视觉形状特征相符.

2) 算法仿真

(a) (b)图5 Radon变换的几何特性

图6 干净电离图形状峰值特征

1.2.2 特征II——形状均匀度

1) 特征提取原理

Radon变换沿特定角度θi的信号分布方差,描述形状在特定方向上的分布均匀状况,例如实心圆盘不同方向的分布均匀度完全相同,而实心正方形会出现四个角度极值现象. 将Radon变换矩阵在各方向的“均匀度”作为干净电离图的特征II.

为了避免图像平移带来的特征提取的影响,只考虑图像有效部分的分布均匀状况.引入Xτ(θi)和Xφ(θi)来确定沿θi方向分布的形状有效部分位置.Xτ(θi)和Xφ(θi)相应的定义为:

(2)

(3)

2) 算法仿真

对图4中的三个电离图分别进行形状均匀度描述因子提取，选取64个角度，在干净返回散射电离图中，由于已经进行了噪声和散点消除，噪声阈值hn取0，特征提取结果见图7. 图7三条形状均匀度特征中，两个F层的明显更加接近，而双层的均匀度特征曲线和前二者差别较大，因而可将形状均匀度特征作为干净电离图第二个有效特征描述因子.

图7 干净电离图形状均匀度特征

1.2.3 特征III——形状紧密度

1) 特征提取原理

设θ∈[0,π),对任一扫描角度θi,存在与之垂直的角度θj,其中

(4)

在Radon平面上角度θi和θj构成一对正交组,如图8所示,该正交对的Radon信号组合形成了待识别形状的又一特征——形状紧密度特征,表达式为

(5)

图8 Radon变换正交对θi和θj的定义

2) 算法仿真

(6)

提取图4的形状紧密度描述因子,并提取结果绘图,如图9所示. 和前面两个特征一样,图9两个单F层的形状紧密度更加接近,而双层电离图的形状紧密度特征和两个单F层特征明显不同,因此将形状紧密度作为干净电离图第三个特征描述因子.

图9 干净电离图形状紧密度特征

1.2.4 基准距离度量方法

对于给定的电离图I和I′,本文采用欧式距离度量二者的RIF特征差异:对于本文的电离图类型识别,式(6)中I代表基准电离图形状因子矩阵,I′代表待分类电离图形状因子矩阵,用I′和所有的基准电离图比较,得到欧式距离序列,通过比较欧式距离序列各元素值,将待分类电离图归入序列中距离最小的基准电离图类. 以图4为例,将图4的左图和右图作为基准图形,对图4的中图进行分类,从三个特征的提取算法仿真结果不难看出,可将中图准确地归为单F类.

2 实测电离图分类结果与分析

本文挑选的实测基准电离图代表三类最常见的实测电离图类： 1) 单F层电离图； 2) 单Es层电离图(Es层全遮蔽)； 3) 双层电离图(F和E(Es)层共存，Es层半遮避)；如图10所示. 基于三种基准电离图，选三组样本电离图，每组10个样本，如图11～13所示. 按照返回散射电离图类型识别的算法步骤，将每个样本电离图与基准电离图进行比较，得到三个比较结果，然后将该电离图归入与其欧氏距离最短的基准类，表1列出了三类样本数据的分类结果，表中的样本顺序和图11～13的样本顺序完全一致，判定结果用如下方式表示：I-单F层电离图，II-Es全遮蔽电离图，III-双层电离图. 从表1可以看出，三种类别的识别正确率均达到80%以上，尽管样本之间的差异较大，本文算法都可达到一种令人满意的识别效果. 对于判断错误的样本图形，分析其和基准电离图的欧式距离，发现其和三个基准图形的距离都较大，该类图形不符合三个基准图形分类，具体工程应用中可考虑增加基准图形并进一步提高电离图干净数据提取算法的方式来降低错判概率.

图10 基准电离图

图11 单F层样本图形

图12 Es全遮蔽样本图形

图13 双层电离图样本图形

样本类别12345678910正确率/%单F层IIIIIIIIIIII90Es全遮蔽IIIIIIIIIIIIIIIIIIII80双层IIIIIIIIIIIIIIIIIIIIIIIIIIIIII100总正确率〛90

3 结 论

本文采用的电离图干净数据提取算法有效地降低了无线电波干扰对电离图结构的影响,并较好地保留了电离图结构的完整性,是形状特征提取的重要基础. 基于形状特征因子比较的方式对返回散射电离图进行智能分类,充分考虑了电离图各个角度的形状信息,相对于传统的基于阈值的电离图分层分类方法,算法稳定性有一定的提高. 在具体的工程应用中,可能出现不同于本文三种基准图形的特殊电离图,用于工程实际中,可考虑增加更多的基准图形来进行更精细的电离图分类. 同时,基准电离图的干净图形形状因子对后面的电离图分类影响较大,对于基准电离图的选择算法是以后的研究方向.

[1] 刘慧霞, 梁彦, 程咏梅, 等. 天波超视距雷达的坐标变换[J].计算机仿真, 2006, 23(3):70-73.

LIU H X, LIANG Y, CHENG Y M, et al. A coordinate transformation algorithm for over the horizon radar[J]. Computer simulation, 2006, 23(3): 70-73.(in Chinese)

[2] 孔敏, 王国宏, 王永诚. 基于球面模型的天波超视距雷达坐标配准法[J]. 现代雷达, 2006, 28(5): 37-41.

KONG M, WANG G H, WANG Y C. A coordiante registration algorithm for over the horizon radar based on sphere measurement model[J]. Modern radar, 2006, 28(5): 37-41.(in Chinese)

[3] CROFT T A. Sky-wave backscatter: a means for observingour environment at great distances[J]. Review of geophysics, 1972, 10(1):73-155.

[4] EARL G F, WARD B D. The frequency management systemof the Jindalee over-the-horizon backscatter HF radar [J]. Radio science, 1987, 22(2): 275-291.

[5] 李雪, 冯静, 邓维波, 等. 返回散射电离图智能判读[J]. 电波科学学报, 2010, 25(3): 492-496.

LI X, FENG J, DENG W B, et al. Backscatter ionogram intelligent interpretation[J]. Chinese journal of radio science, 2010, 25(3): 492-496.(in Chinese)

[6] 冯静, 李雪, 齐东玉, 等.返回散射电离图的前沿提取方法[J]. 空间科学学报, 2012, 32(4): 524-531.

FENG J, LI X, QI D Y, et al. Methods for extracting backscatter ionogram leading edges[J]. Chinese journal of space science, 2012, 32(4): 524-531.(in Chinese)

[7] 郭延波, 杨东升, 李雪, 等. 基于小波去噪的返回散射电离图前沿提取[J].中国电子科学研究院学报,2014, 5(5): 503-507.

GUO Y B, YANG D S, LI X, et al. Extracting backscatter ionogram leading edges using denoising technique based on wavelet transform[J]. Journal of China Academy of Electronics and Information Technology, 2014, 5(5): 503-507.(in Chinese)

[8] 齐东玉, 冯静, 李雪. 返回散射电离图噪声和干扰的自动消除方法[J]. 地球物理学进展, 2011, 26(6): 1925-1930.

QI D Y, FENG J, LI X. Algorithms for automatic cleaning of backscatter ionograms[J]. Progress in geophysis, 2011, 26(6):1925-1930.(in Chinese)

[9] 冯静, 齐东玉, 李雪, 等.返回散射电离图传播模式的自动识别方法[J].电波科学学报, 2014, 29(1): 188-194.

FENG J, QI D Y, LI X, et al. Method for auto-identification of propagation modes from backscatter ionograms[J]. Chinese journal of radio science, 2014, 29(1): 188-194. (in Chinese)

[10] DRYDEN I L, MARDIA K V. Statistical shape analysis[J]. Chichester: John Wiley and Sons,1998.

[11] LONCARIC S. A survey of shape analysis techniques[J]. Pattern recognition, 1998, 31(8): 983-1001.

[12] ZHANG D, LU G. Review of shape Representation and description techiniques[J]. Pattern recognition, 2004, 31(8): 37-119.

[13] 陈运文. 形状识别与图像分割方法研究[D]. 上海: 复旦大学, 2008.

CHEN Y W.The study of shape recognition and image segmentation [D].Shanghai: Fudan University, 2008.(in Chinese)

Backscatter ionogram classification based shape recognition

GUO Yanbo LI Xue CHENG Yanfeng

(China Research Institute of Radiowave Propagation, Qingdao 266107, China)

Based on the median filtering algorithm, a method for extracting backscatter ionogram cleaning data is presented by reference to the characteristics of clutter and background noise in the ionogram. An algorithm of backscatter ionogram classification based the shape recognition theory by using the backscatter ionogram cleaning data is put forward, and the method to extract the shape factor are introduced. The simulation result show that the presented algorithm has the capacity of ionogram classification and a good prospect in applications.

backscatter ionogram; cleaning data; shape recognition

10.13443/j.cjors.2015062801

2015-06-28

国家自然科学基金青年基金(61302006,61032011)； 中国电科技术创新基金(JJ-QN-2013-28)

TN01

A

1005-0388(2016)03-0443-07

郭延波 (1981-),男,河南人,中国电波传播研究所工程师,主要研究方向为电离层电波传播、模式识别、软件设计等.

李雪 (1981-),男,黑龙江人,中国电波传播研究所高级工程师,主要研究方向为电离层回波信号处理、雷达信号处理等.

程延锋 (1981-),男,陕西人,中国电波传播研究所工程师,工学硕士,主要从事电波传播等方面的工作.

郭延波, 李雪， 程延锋. 基于形状识别的返回散射电离图分类方法研究[J]. 电波科学学报,2016,31(3):443-449.

GUO Y B, LI X, CHENG Y F.Backscatter ionogram classification based shape recognition[J]. Chinese journal of radio science,2016,31(3):443-449. (in Chinese). DOI: 10.13443/j.cjors.2015062801

联系人： 郭延波 E-mail: guoyanbo_81@126.com