基于支持向量机的Morse检测算法研究

龚智贞，袁 野，孙中华，贾克斌，张海瑛，吴玲玲

(1.北京工业大学 信息与通信工程学院，北京100124；2.中国电子科技集团公司第五十四研究所，河北 石家庄050081)



基于支持向量机的Morse检测算法研究

龚智贞1，袁 野1，孙中华1，贾克斌1，张海瑛2，吴玲玲2

(1.北京工业大学 信息与通信工程学院，北京100124；2.中国电子科技集团公司第五十四研究所，河北 石家庄050081)

针对短波通信中Morse人工接收存在劳动强度大、实时性差的问题，提出一种Morse自动检测算法。对时频图像进行图像增强和尺度归一化预处理。提取图像的纹理特征和形状特征，并将特征组合后进行高斯归一化。最后选择不同核函数设计支持向量机分类器，基于交叉验证选取最优分类器用于Morse的检测。通过实验测试，验证了算法的有效性。

Morse；支持向量机；时频图；图像处理

0 引言

短波在1921年被发现可以用于远距离通信后，发展极其迅速。短波通信，又被称为高频(HF)通信。与传统的卫星、光缆等通信方式相比，短波通信由于无需中继站即可进行远距离通信的特点，使其具备了设备简易、维护费用低以及高机动性等优点，成为了世界各国在远距离通信方面的主要手段[1-2]。

Morse报作为短波通信的一种常用方式，被大量应用于军事、航海、外交等领域，具有重要的战略地位。目前，Morse报的接收还是以人工为主要方式，即通过个人操作短波接收机进行侦听，当发现Morse信号时，进行控守以及后续识别。但是，随着短波通讯技术的飞速发展，日益复杂化的通信环境和不断丰富的信号类型给Morse信号的人工侦察带来了空前的挑战。因此研究能够辅助人员进行Morse自动检测的技术具有重要应用价值[3-4]。

图像特征[5]提取近年来被广泛应用于各领域，包括通信领域、医学诊断和遥感图像分析等。其中文献[6]利用纹理特征[7]的LBP算子有效地解决了雷达信号的分类识别。支持向量机(Support Vector Machine，SVM)因为在非线性问题上具有的独特优势且泛化能力强，在信号分类识别和调制识别等领域都取得了很好的成果。

1 图像处理和特征提取

1.1 图像预处理

传统方法中，对时频分布直接进行特征提取难度较大。而信号时频图将其时频分布转为灰度图像形式，利用计算机视觉将困难的时频分布特征提取，转为对时频图图像特征的提取。

1.1.1 图像增强

由于短波信道存在大量噪声干扰，直接对信号时频图进行特征提取会受到一定影响。因此在这之前，需要先对信号时频图进行图像增强处理。图像增强通过面向特定目标进行图像处理，达到改善图像视觉效果的目的。其主要特点是能够有选择地突出图像中人们感兴趣的特征或抑制某些不需要的特征，实现局部最优，从而满足某些特殊分析的需要。

(1)

式中，n表示图像总像素点数，nk表示是灰度级rk的个数，N表示图像包含灰度级的总数。

直方图均衡依据式(2)求出映射函数sk，再依据式(3)求逆变换函数，最后得到新的灰度级分布。在信号时频图中，感兴趣的区域是信号部分，通过直方图均衡的方法，可以抑制部分噪声，突出信号部分。

(2)

(3)

1.1.2 尺度归一化

处理的信号时频图往往尺寸不一致，为方便后续特征提取和分类工作，需要按照一定的缩放系数对图像进行尺度归一化。具体分为两个步骤：像素点坐标变换和变换后的插值运算。设原始信号时频图坐标为(t,f)，依据式(4)进行坐标变换得到新的坐标为(t′,f′)，其中a、b为缩放系数：

(4)

由于坐标变换后原像素点在新图像中无法一一对应，所以需要进行插值运算。本文采用的是常用的双线性插值法。通过上述两个步骤，在采样点数为128 K条件下，将信号时频图归一化为400×85，对应的时间长度为8.512 s，频率宽度为2 kHz。

1.2 图像特征提取

1.2.1 纹理特征

灰度共生矩阵[9]是描述图像纹理特征常用的方法之一，因为具有良好性能而被广泛采用。它反映了在方向θ上间隔距离为d，灰度级为i、j的像素对出现概率P(i,j|d,θ)。如图1所示，根据(Δx，Δy)可计算距离d，方向θ，计算公式如下所示：

(5)

(6)

图1 灰度共生矩阵像素对

根据灰度共生矩阵，可以反映信号时频图信息的丰富程度以及粗糙程度。要获得灰度共生矩阵首先要确认设置以下参数：方向θ、距离d和统计特征。

a方向θ

灰度共生矩阵是对称的，因此只需要计算4个方向的θ，常选用的方向为0°、45°、90°和135°，其示意图如图2所示。

图2 4种方向示意图

b距离d

距离d的大小决定了灰度共生矩阵表达图像纹理信息的精确度。因此尽可能选取小距离的d来生成灰度共生矩阵，本文将其设置为1。

c统计特征

通过灰度共生矩阵来描述图像纹理特征时，通常需要将矩阵归一化，然后计算其统计量。其中常用的不相关的特征量有4种：

熵(enyropy)：

(7)

熵反映了图像纹理的信息量，熵为0时表示图像没有任何纹理。在图像充满细纹理时，熵值越大表示灰度共生矩阵中元素分散且数值接近。

对比度(contrast)：

(8)

能量(angularsecondmoment)：

(9)

能量是矩阵中各元素的平方求和，用来表征图像灰度分布的均匀性，它的值越大表示图像灰度分布越均匀。

自相关(correlation)：

(10)

式中，mx、my分别为矩阵P的各行元素之和及各列元素之和，μx、μy、σx、σy分别为mx、my均值和标准差。自相关用来表示图像的灰度级行列方向上的相似度，它的值越大表示相似度越高。

1.2.2 形状特征

典型的形状特征[10]描述法分为以下3种：边界特征法、傅里叶形状描述法、几何参数法以及形状不变矩等。其中几何参数法对对形状的表达和匹配采用更为简单的区域特征法。对于采用最大类间方差法进行阈值分割后的时频图像，采用几何参数法选择以下几种形状特征。图3为Morse时频灰度图像，经过图像预处理和尺度归一化后的Morse时频灰度图像。图4为在此基础上阈值分割后并标记最小外接矩形的时频图。

① 面积S

采用统计区域内像素点的个数的方式来表示。

② 宽长比r

宽长比r是区域最小外接矩形宽长之比(W/L)，可以用来区分细长区域和圆形或方形等区域，示意图如图5所示。

③ 偏心率E

(11)

式中,偏心率E又称为伸长度，是区域形状的一种重要描述。其中A为区域主轴(长轴)长度，B为辅轴(短轴)的长度。示意图如图5所示。

图3 Morse时频谱图

图4 阈值分割后标记最小外接矩形结果

图5 宽长比及偏心率示意图

④ 方向α

(12)

方向用来反映区域主轴与水平方向的夹角。其中，μ11、μ20和μ02为形状的3个二阶中心距。

1.2.3 图像特征提取步骤

① 设置方向θ为0°、45°、90°、135°，分别求取其灰度共生矩阵；

② 计算4个灰度共生矩阵的4个统计特征：熵、对比度、能量和自相关；

③ 计算熵、对比度、能量、自相关的均值和标准差，由此构成纹理特征向量;

④ 计算形状特征：面积S、宽长比r、偏心率E和方向α，构成形状特征向量;

⑤ 组合纹理特征向量和形状特征向量，由于特征向量各分量的物理意义和取值范围不同，因而需要采用对组合特征向量进行高斯归一化，完成最终图像特征提取。

2 分类器设计

2.1 SVM分类器

经典的SVM法[11]是基于统计学习理论和结构风险最小化原理提出的二分类算法，它打破了以往只有在样本数据足够多的前提下才能保证模式识别效果的传统，被广泛应用于模式识别领域。采用SVM进行分类的实质是利用非线性变化完成低维空间到高维空间的映射，通过选择不同的核函数，有效避免高维内积运算。

核函数的选择，可根据泛函理论选择满足Mercer条件的函数。如果选择不同的核函数，分类器的性能也随之产生差异。因此，需要对比分析，选择最合适的核函数来完成分类器的设计。SVM中常用的核函数主要有以下4种：

① 线性核函数：

(13)

② 二次有理核函数：

(14)

③ 多项式核函数：

(15)

式中，多项式阶数d越大，其非线性越强。当其值为1时，就是线性核函数。

④ 径向基(RBF)核函数：

(16)

多项式核函数因为要计算内积，可能会出现溢出问题。径向基核函数作为非线性核，具有良好的性能。

⑤ Sigmoid核函数

(17)

式中，a为一个标量，c为位移参数。

2.2 SVM识别流程

采用SVM识别Morse信号的流程如图6所示，需要用训练集完成对SVM的训练，然后利用训练好的分类器进行测试识别过程。

图6 SVM识别Morse流程图

3 实验结果与分析

根据现场实际接收的短波信号，建立信号时频图数据集。数据集总个数为4 577，其中信号类型包含Morse、FSK、AM、FM、CW、扫频、话音及多音等。

基于数据集，采用交叉验证方式测试不同核函数训练得到的SVM分类器性能。不同核函数下分类器对于Morse信号的检测正确率分别如表1所示。通过实验发现rbf核函数效果最好，此时分类器具有最佳性能。

表1 5种核函数下的检测正确率

为验证训练得到的分类器在其他中心频率数据集上分类性能的稳定性。实验数据采用中心频率7 MHz，2 MHz带宽的时频数据(.dat文件)，采用上述SVM分类器测试了7种不同分辨率，实验结果如表2所示。

表2 检测结果汇总分析

在低分辨率下，作为训练样本和测试样本的时频图的频率分辨率较低，包含的频率信息量较少，因此对于时频图的频率轴方向的特征识别较弱，因此低分辨率下识别率较低。

4 结束语

为满足短波通信中Morse信号自动检测的需要，本文提出了基于SVM的自动检测算法。算法首先通过图像增强和尺度归一化完成时频图像预处理，然后利用灰度共生矩阵和几何参数法分别描述了信号时频图的纹理特征和形状特征，最后采用多种核函数SVM对比试验，选取rbf核函数的SVM分类器，对 Morse检测正确率达到95%以上，并通过实采7 MHz中心频率数据验证了分类器性能的稳定性。

[1] 董延坤,葛临东.一种短波宽带综合检测分类算法[J].信息工程大学学报,2015,16(3):332-338.

[2] 王 辉.短波低截获概率通信信号的检测与调制识别[D].郑州:解放军信息工程大学,2013.

[3] 李国军,周晓娜,蒋 勇,等.短波电报信号自动检测技术研究综述[J].世界科技研究与发展,2013,35(3):37-42.

[4] 何立刚.噪声背景下短波莫尔斯信号的自动检测和识别研究[D].哈尔滨:哈尔滨工程大学,2005.

[5] 王志瑞,闫彩良.图像特征提取方法的综述[J].吉首大学学报:自然科学版,2011(5):41-42.

[6] 白 航,赵拥军,胡德秀.时频图像局部二值模式特征在雷达信号分类识别中的应用[J].宇航学报,2013,34(1):139-146.

[7] 刘 丽,匡纲要.图像纹理特征提取方法综述[J].中国图象图形学报,2009,14(4):622-635.

[8] 冈萨雷斯(美).数字图像处理(第2版)[M].北京:电子工业出版社,2007.

[9] 焦蓬蓬,郭依正,刘丽娟,等.灰度共生矩阵纹理特征提取的Matlab实现[J].计算机技术与发展,2012(11):169-171.

[10]常 昌.图像特征提取方法研究及应用[D].武汉:华中科技大学,2009.

[11]丁世飞,齐丙娟,谭红艳.支持向量机理论与算法研究综述[J].电子科技大学学报,2011,40(1):2-10.

Morse Detection Algorithm Based on SVM

GONG Zhi-zhen1,YUAN Ye1,SUN Zhong-hua1,JIA Ke-bin1,ZHANG Hai-ying2,WU Ling-ling2

(1.College of Information and Communication Engineering,Beijing University of Technology,Beijing 100124,China;2.The 54th Research Institute of CETC,Shijiazhuang Hebei 050081,China)

To solve the problem aboutmanual receptionof Morse signals in HF communication,a new algorithm of Morse automatic detectionis proposed.In this paper,first of all,image enhancement and scale normalization are used to time-frequency images.Then,the texture feature and shape featureare extracted,and Gaussian normalizationis used tonormalize the feature combination.Finally,support vector machine classifier is designed by different kernel functions,and cross-validation is used to select the optimal classifier for Morsedetection.The experimental tests validate the efficiency of the proposed algorithm.

Morse;SVM;time-frequency image;image processing

10.3969/j.issn.1003-3114.2016.06.05

龚智贞，袁 野，孙中华，等.基于支持向量机的Morse检测算法研究[J].无线电通信技术，2016，42(6)：21-24，55.

2016-07-15

国家自然科学基金项目(81370038)；北京市自然科学基金项目(7142012)；北京市科技新星计划(Z141101001814107)；中国博士后科学基金(2014M560032)；北京市教委面上项目(km201410005003)；北京工业大学日新人才培养计划(2013-RX-L04)；北京工业大学基础研究基金(002000514312015)

龚智贞(1993—)，女，北京工业大学，硕士研究生，信息与通信工程，主要研究方向：图像处理与机器学习；孙中华(1978—)，男，讲师，主要研究方向：视频图像处理和机器学习。

TN911.73

A

1003-3114(2016)06-21-4