基于目标区域匹配的SAR目标识别方法

付凡成

(南昌理工学院计算机信息工程学院，南昌　330044)

0　引言

合成孔径雷达(SAR)具有全天时、全天候以及对地表有一定穿透力等特点而成为现代战场侦察的重要手段，随着SAR传感器的不断发展，提高SAR目标识别性能成为该领域的热点问题[1]。

特征提取与特征匹配是SAR目标识别的关键环节。早期应用于SAR目标识别的特征主要为SAR目标的几何特征，体现为SAR图像的点、线、面特征。点特征包括散射中心[2]、SIFT特征[3]等；线特征包含SAR目标的轮廓[4]、阴影边缘[5]等；面特征则包含SAR图像的目标区域[6]、阴影区域[5]。这些特征主要描述了目标的物理尺寸。随着信号处理技术的发展，大量的数学工具被不断应用于SAR特征提取，如主成分分析(PCA)[7]、线性判别分析(LDA)[7]、Gabor特征[8]等方法，但这类方法多从数据层出发，往往不能表现SAR目标的物理特性。特征匹配旨在计算待识别目标的特征与模板样本中各类目标的相似度，对于不同的特征，其可采取的匹配策略有所不同。对于具有同维特性的特征，如PCA特征，可以直接采用现有的先进分类器，如支持向量机(SVM)[9]、AdaBoost (Adaptive Boosting)[10]和稀疏表示分类器(SRC)[11]等。而对于散射中心这类特征，由于其往往不具有同维性和稳定的串接方式，则需要自定义可靠的匹配度准则用于目标识别[2]。

本文针对SAR目标识别问题，提出了一种基于目标区域匹配的识别方法。该方法首先提取待识别图像的目标区域以及其对应方位下各类模板的目标区域，进而通过二值图像作差得到目标区域残差。根据同类目标和不同类目标在目标区域残差上的分布特性差异，采用欧氏距离变换[12]对残差图像进行处理并根据距离变换后的残差图像定义目标匹配度。最后，根据最大匹配度原则判定待识别目标类型。为了验证本文方法的有效性，采用MSTAR(Moving and Stationary Target Acquisition and Recognition)3类目标数据集进行了实验验证。

1　目标区域提取

本文实施目标区域提取的具体步骤如下：1) 对原始SAR图像进行直方图均衡化，将其动态范围变换到[0,1]；2) 对直方图均衡化的图像进行均值滤波；3) 采用门限法进行图像分割，门限值取为0.8；4) 针对目标区域可能出现的微小断裂和空洞以及背景杂波的影响，采用数学形态学运算进行消除。

图1给出了一幅SAR图像目标区域提取的示例。对原始SAR图像经过直方图均衡化和均值滤波后的图像进行门限分割得到图1b，门限分割的结果含有背景杂波带来的虚警并且目标的边缘存在一定程度的断裂。采用形态学运算消除背景杂波的虚警并连接目标区域得到最终的目标区域如图1c所示。

图1　目标区域提取示意图Fig.1　Illustration of target region extraction

2　目标区域残差的形态学滤波

2.1　目标区域残差分布特性

同类目标区域残差多呈现为细窄的条状而不同类目标在相同的情形下目标区域残差会表现为聚集的块状，该特性可以有效应用于SAR目标识别。图2显示了一幅BMP2 SAR图像(图1)与其对应模板的区域残差。其中，BMP2和T72均包含3个子型号(对应每个子图中括号内描述)。从图中可以看出，同类目标之间的残差主要集中在目标边缘的细窄区域，而不同类目标之间的区域残差则呈现块状的特性。这种差异主要体现在两个方面：1) 同类目标的区域残差面积较小，不同类目标的区域残差面积较大；2) 同类目标的区域残差呈细窄状，不同类目标的区域残差呈块状。为了充分利用目标区域提供的鉴别力，需要充分发掘这两部分信息。

图2　BMP2目标区域与各类模板的目标区域残差Fig.2　The residuals between the BMP2 target region and different templates

2.2　基于目标区域残差的匹配度计算

2.2.1基于残差面积的匹配度计算

在图像的匹配中，残差一直是一项重要的指标。本文首先基于残差面积提出了一种相似度度量标准。对于待识别图像f和模板图像g，Sf为待识别图像的目标区域像素个数，Sg是模板图像目标区域的像素个数，Se为待识别图像与模板图像的目标区域残差的像素个数。基于目标区域残差的匹配度[13]算式为

(1)

根据式(1)，区域残差的像素数量反映了相似度的大小，当待识别图像的目标区域与模板图像的目标区域无交集时，此时匹配度为0；当待识别图像与模板图像的目标区域完全重合时，匹配度为1。采用式(1)计算图2中的残差，得到的匹配度分别为[0.89 0.68 0.88 0.74 0.66 0.63 0.62]。

付凡成：基于目标区域匹配的SAR目标识别方法2.2.2残差图像的距离变换

距离变换被广泛应用于图像分析和模式识别等领域，研究人员利用它来完成目标细化、骨架抽取、形状匹配等任务[12]。对于一幅M×N的二值图像A，可以表示成一个二维数组[axy]，axy表示坐标为(x,y)的像素。当axy=1时，该像素为目标点；反之，axy=0的像素则为背景点。记B={(x,y)|axy=0}为背景像素集合，T={(x,y)|axy=1}代表目标像素集合，则二值图像A的欧氏距离变换就是对T中每个像素(x,y)求其到B中像素的最短欧氏距离。

本文对原始的目标区域残差进行欧氏距离变换。通过欧氏距离变换，越靠近块状区域的中心像素得到的变换值越大。对于细窄的条状区域，其通过距离变换得到的像素值仍然较小。图3显示了对图2中目标区域残差进行距离变换的结果。通过观察图3可以发现，同类目标细窄的条状残差区域在经过欧氏距离变换后像素值较低，而不同类目标之间的块状残差则会得到很多较大灰度值的像素点。因此，目标区域残差的分布特性就可以通过距离变换的方式得以体现。

图3　图2中区域残差的距离变换图Fig.3　The distance conversion of the residuals in Fig.2

利用式(1)对距离变换后的残差图像进行匹配度计算，得到的匹配度依次为[0.88 0.59 0.87 0.65 0.47 0.45 0.44]。通过距离变换，同类目标(BMP2)的匹配度下降较少，而不同类目标之间的匹配度下降较大。由此，距离变换有效增强了同类目标与其他类目标的区分性，该特性有利于正确的目标识别。

3　基于区域残差形态学滤波的SAR目标识别

由上所述，本文提取SAR图像的目标区域特征并对目标区域残差进行欧氏距离变换。基于距离变换后的残差建立目标匹配度度量标准，根据当前待识别目标图像与各类目标的匹配度大小实现目标类别的判断。具体分为以下步骤：1) 按照1节中的方法提取待识别SAR图像中的目标区域；2) 根据待识别图像的方位角(通过方位角估计得到[10])，从模板库中搜索对应模板并提取目标区域；3) 计算待识别图像与各类目标的目标区域残差；4) 对各类目标的区域残差进行距离变换；5) 根据式(1)中匹配度计算方法计算待识别图像与各类目标的匹配度并判别目标类型。

4　实验与分析

4.1　实验数据集

MSTAR数据集包含了X波段HH极化下多类军事目标的SAR图像。本文对其中的3类目标(BMP2，BTR70和T72)进行了目标识别实验，其中，BMP2和T72数据包含3个子型号，BTR70仅1个型号。图4为3类目标的光学图像。实验中采用俯仰角为17°下的3类目标图像作为模板，俯仰角为15°下的3类目标图像作为待识别的测试图像，如表1所示。

图4　3类目标的光学图像Fig.4　The optical images of three kinds of targets

类别模板集(俯仰角17°)测试集(俯仰角15°)BMP2233(Sn＿9563)232(Sn＿9566)233(Sn＿c21)195(Sn＿9563)196(Sn＿9566)196(Sn＿c21)BTR70233(Sn＿c71)196(Sn＿c71)T72232(Sn＿132)231(Sn＿812)233(Sn＿s7)196(Sn＿132)195(Sn＿812)191(Sn＿s7)

4.2　实验结果

采用本文方法得到3类目标的识别结果如表2所示。可以看出，本文方法对3类目标平均识别率达到97.36%。考虑到实际过程中方位角估计不可避免地引入方位角误差，进一步测试了本文方法对于方位角误差的鲁棒性。利用3类目标数据在偏离目标实际方位角±5°的区间内进行了识别实验，得到的统计结果如图5所示。可以看出，本文方法在方位角存在一定偏离的情况下仍然可以达到很高的识别率。因此，本文方法对于实际过程中SAR目标方位角估计误差具有一定的鲁棒性。

表2　3类目标的识别结果统计

图5　方位角偏离5°的平均识别率

为了进一步证明本文方法的有效性，将其与几种现有SAR目标识别方法进行了对比，结果如表3所示。表3中，SVM方法利用SVM作为分类器直接对原始SAR图像的像素进行训练和分类[9]。Zernike矩特征方法首先提取目标区域的Zernike矩，然后利用SVM作为分类器进行分类[6]。EFS(Elliptical Fourier Series)特征方法则是利用椭圆傅里叶算子描述目标边缘进而利用SVM分类器进行分类[4]。对比以上几种方法，本文方法具有最高的识别率，说明本文方法是一种高效的SAR目标识别方法。

表3　本文方法与其他方法的对比

5　结束语

本文提出了一种SAR目标识别方法，该方法根据目标区域残差的分布特性采用欧氏距离变换增强了同类与异类目标在区域残差上的差异，据此设计匹配度度量标准计算待识别SAR图像与各类目标的匹配度完成目标识别。在MSTAR数据集上的验证实验表明了本文方法的优越性，证明其在SAR目标识别方面具有较大的应用潜力。

[1]文贡坚,朱国强,殷红成，等.基于三维电磁散射参数化模型的SAR目标识别方法[J].雷达学报,2017,6(2):115-135.

[2]DING B Y,WEN G J,ZHONG J R,et al.A robust similarity measure for attributed scattering center sets with application to SAR ATR[J].Neurocomputing,2017,219:130-143.

[3]苏培峰,黄世奇,王艺婷,等.用图像矩特征描述的SIFT特征SAR图像配准[J].电光与控制,2016,23(8):89-91.

[4]ANAGNOSTOPOULOS G C.SVM-based target recognition from synthetic aperture radar images using target region outline descriptors[J].Nonlinear Analysis,2009,71(2):2934-2939.

[5]PAPSON S,NARAYANAN R M.Classification via the shadow region in SAR imagery[J].IEEE Transactions on Aerospace and Electronic System,2012,48(2):969-980.

[6]AMOON M,REZAI-RAD G A.Automatic target recognition of Synthetic Aperture Radar(SAR)images based on optimal selection of Zernike moment features[J].IET Computer Vision,2014,8(2):77-85.

[7]MISHARA A K.Validation of PCA and LDA for SAR ATR[C]//TENCON 2008,IEEE Region 10 Conference, 2008:1-6.

[8]吴俊政,严卫东,倪维平,等.基于NSCT-Gabor特征和脉冲耦合神经网络的SAR图像分割[J].电光与控制,2015,22(4):95-99.

[9]ZHAO Q,PRINCIPLE J C.Support vector machines for SAR automatic target recognition[J].IEEE Transactions on Aerospace and Electronic System,2001,37(2):643-654.

[10]SUN Y J,LIU Z P,TODOROVIS S,et al.Adaptive boosting for SAR automatic target recognition[J].IEEE Transactions on Aerospace and Electronic System,2007,43(1):112-125.

[11]张新征,黄培康.基于贝叶斯压缩感知的SAR目标识别[J].系统工程与电子技术，2013,35(1):40- 44.

[12]刘相滨,邹北骥,孙家广.基于边界跟踪的快速欧氏距离变换算法[J].计算机学报，2006，29(2):317-323.

[13]DING B Y,WEN G J,MA C H,et al.Target recognition in synthetic aperture radar images using binary morphological operations[J].Journal of Applied Remote Sensing,2016,10(4).doi:10.1117/1.JRS.10.046006.