欢迎访问一起赢论文辅导网
机械论文
当前位置:首页 > 机械论文
SAR图像目标识别新方法
来源:一起赢论文网     日期:2018-12-15     浏览数:439     【 字体:

 将二者相结合,构成组合矩特征:Γ={αΦ,βΛ}。其中Φ 表示 Hu矩,Λ 表示Zernike矩的高阶矩,α和β是加权因子。因为高阶矩更容易受到噪声的影响,而低阶矩更加稳定,所以取α>1,β<1。组合矩同时具有 Hu矩和Zernike矩的优势,对相干斑噪声不敏感,同时对目标的细节信息拥有较好的描述能力。4 多类支持向量机单个支持向量机是一个二分器,只能解决两类样本之间的分类问题。而在 SAR 图像目标识别中目标种类可能有多样,因此需要将支持向量机推广到多类划分的情况。有3种常用的策略可以实现这种推广:一对多的最大影响策略;一对一的投票策略;一对一的淘汰策略。本文采用的是一对一的投票策略,假设目标类型有 A、B、C、D 4类,则分类过程如下:(1)分别以(A,B)、(A,C)、(A,D)、(B,C)、(B,D)、(C,D)两 两 组 成 训 练 集,训 练 得 到 6个SVM(2)定义 Vote(A)=Vote(B)=Vote(C)=Vote(D)=0(3)测试阶段,将特征向量分别输入这 6 个SVM,如果判定为 A 类,则 Vote(A)++,如果判定为 B类,则 Vote(B)++,判定为 C 类则 Vote(C)++,判定为 D 类则 Vote(D)++(4)选择 Vote最大的那个类,为本次分类的结果5  基 于 同 态 BM3D 和 组 合 矩 的SAR 目标识别方法本文提 出 的 SAR 目 标 识 别 方 法 具 体 步 骤如下:(1)对获取的SAR 含噪图像进行同态 BM3D滤波(2)对训练和测试图像,计算低阶的 Hu矩和高阶的 Zernike矩,构成组合矩特征向量(3)使 用 训 练 图 片 提 取 的 特 征 向 量 集 训 练SVM 分类器(4)将从测试图片提取的特征向量集输入训练好的SVM 分类器,对SAR 图像目标进行识别6 实  验实验用 SAR 图像来 源 于 MSTAR 数 据 库,包含3 大类目标,分别为 BMP2 装甲车、BTR70装甲车和 T72主战坦克,其中 BMP2装甲车有3种型号:SN-9563、SN-9566和 SN-C21,BTR70装甲车有一种型号:SN-C71,T72 主战坦克有2 种型号:SN-132和 SN-182。六类目标的 SAR 图像如图1所示。图1 三类目标 SAR 图像Fig.1 SAR images of three types of targets图2 同态 BM3D 滤波后图像Fig.2 Images after homomorphic BM3Ddenoising图2为经过同 态 BM3D 滤波后的 图像。可见经过滤波之后,背景中的相干斑噪声得到很好的抑制,同时目标的边缘也保留较完整。为了比较本文相干斑抑制算法的有效性,使用经典的相干斑抑制方法 Lee、Kuan和 Frost进行对比实验,Lee和 Kuan的步长均选为3×3,计算滤波后图像的 PSNR,结果如表1所示。423     液晶与显示      第29卷 到的粗滤波图像进行分组,构成三维矩阵 D1,并记下 分组各块 的 标 号。在原始图像上取出对应标号的图像块,构成另外一个三维矩阵 D2;在联合滤波阶段,以 D1的三维变换能量谱作为真实能量谱的估计,对 D2进 行经验维纳滤波,最后进行三维逆变换得到去噪的图像块。这样经过基本估计和最终估计后,就得到去噪后的图像。Dabov等在文献[15]中对比了多种滤波 算 法,证 明 了 BM3D 在 去 噪 方 面 的 优 异性能。因为相干斑噪声是乘性噪声,而 BM3D 适用于滤除高斯噪声一类的加性噪声,因此首先使用同态变换,将相干斑噪声变成加性噪声,再进行滤除。3 组合矩特征3.1 Hu矩二维图像f(x,y)的普通p+q阶原点矩定义为mpq =xyxpyqf(x,y). (2)  对应的中心距为μpq =xy(x-x)p(y-y)qf(x,y). (3)其中:x、y 表示图像的重心,可以由式(4)确定:x =m10m00,y =m01m00. (4)  归一化中心距定义为ηpq =μpqμ(p+q)/200. (5)其中:p+q=2,3,...Hu 首 次 将 低 阶 归 一 化 中 心 距 进 行 线 性 组合,提出一组具有平移、旋转和缩放不变性的7个不变矩:1=η20+η022=(η20-η02)2+4η2113=(η30-3η12)2+(3η21-η03)24=(η30+η12)2+(η21+η03)25=(η30-3η12)(η30+η12)[(η30+η12)2-3(η21+η03)2]+(3η21-η03)(η21+η03)[3(η30+η12)2-(η21+η03)2]6=(η20-η02)[(η30+η12)2 - (η21+η03)2]+4η11(η30+η12)(η21+η03)7=(3η21-η03)(η30+η12)[(η30+η12)2-3(η21+η03)2]-(η30-3η12)(η21+η03)[3(η30+η12)2-(η21+η03)2]. (6)对于同一幅图像而言,以上7个不变矩值的变化范围很大,较高阶的矩更容易受到噪声的影响,滤波后的不变矩可能出现不可预知的变化。另一方面,矩值也可能出现负数。为此对以上不变矩进行修正:Hk =lg|k +1|,k=1,2,...,7. (7)3.2 Zernike矩Teague[18]提出的 Zernike矩是一组正交矩,能够方便地构造任意形式的矩。n 阶 Zernike矩定义为Anm =n+1πx2+y2≤1f(x,y)[Vnm (x,y)]*dxdy,(8)式中:Vnm(x,y)是一组在单位圆内正交的多项式的集合,即x2+y2≤1V*nm(x,y)Vpq(x,y)dxdy =πn+1 n=p,m =q1   烅烄烆 others. (9)其中:Vnm (x,y)=Rnm (x,y)exp[j marctan(y/x)].(10)Rnm (x,y)= (n-|m|)/2s=0(-1)s×(n-s)!s!(n+|m|2-s)!(n-|m|2-s)!×(x2+y2)n/2-s,(11)式中:n为大于等于0的正整数,m 为不为0的整数,且n-|m|为偶数,|m|≤n,Rnm(x,y)称为径向表达式。从式(8)可以看出,图像的 Zernike矩是该图像在正交多项式上的投影。为了计算一幅图像的Zernike矩,需要将图像的中心移到坐标原点,将图像像素点 映 射到单位 圆内部。通 过改变 m、n的值,可以构造任意阶的矩,高阶矩包含更多图像的细节信息,能够提高识别性能。3.3 组合矩特征Hu矩能够描述目 标的粗略 信 息,对噪声不敏感,而高阶 Zernike矩描述目标的细节信息,对第3期         王 丽,等:SAR 图像目标识别新方法413thetic Aperture Radar,SAR)是一种主动微波遥感探测器,具有全天候全天时稳定工作、成像距离远、可实现多视角多分辨率的数据收集等优点,因此广泛应用于军事、农业、地质监测等多个领域[1-3]。SAR 图像目标识别自20世纪70年代以来便成为各国学者研究的热点。SAR 图像目标识别的关键步骤包括滤波、特征提取和目标分类识别。SAR 图像容易受到相干斑噪声的影响,导致 图 像 特 征 提 取 不 准 确[4]。在斑点噪声的抑制方面,第一类方法包括经典的Lee[5],Frost[6],Kuan[7],Gamma MAP[8]等,通过计算图像的局部统计特性进行像素均衡,这类方法难以准确辨别边缘与其近邻的差异,导致边缘模糊;第二类滤波器包括增强型 Lee滤波[9]、各向异性相干斑抑制方法[10-11]和小波域去噪方法[12],这类方法较好地保留了边缘,却难以保持纹理特性;第三类基于模型的滤波器[13]改善了对纹理信息的保持性能,但是模型本身不具有通用性。近年来,非局部滤波方法[14-15]被提出并得到快速发展,其中,BM3D 滤 波 是 效 果 较 为 优 异 的 滤 波 方法,它结合了空间域和变换域、局部与非局部滤波的特点,对图像进行分块分组处理,能够在抑制噪声的同时有效地保留图像的结构信息。因为相干斑噪声是乘性噪声,而 BM3D 适用于加性噪声。为此,本文将同态变换与 BM3D 滤波器相结合,用于SAR 相干噪声抑制,取得较好的实验效果。对于特征的选择,传统的SAR 目标识别使用Hu矩[16]和一些目标区域的灰度特征[17],但是这些特征不足以描述目标的细节信息,并且灰度特征容易受到噪声的干扰。相对于 Hu矩,Zernike矩[18-20]可以方便地构造任意形式的高阶矩,高阶矩更容易描述图像的细节。为此本文将 Hu矩与Zernike矩相结合构造组合矩,从 SAR 去噪图像中提取该组合矩特征进行目标识别。为保证较高的分类性能,本文选用径向基支持向量机(RBF-SVM)作为分类器。支持向量机克服了神经网络局部极值问题,同时对于小训练样本集具有更好的泛化能力,因此只需要为数不多的训练图片集就可以保证准确的分类效果。本文提出一种新的SAR 图像目标识别方法:使用同态 BM3D 滤波方法滤除相干斑噪声,随后在去噪图像中提取目标的组合矩特征,输入训练好的SVM 进行分类识别。采用该方法对含有装甲车和坦克目标的SAR 图像进行实验,取得令人满意的识别效果。2 同态 BM3D 滤波Dabov等提出的 BM3D 滤波方法,将非局部平均方法应用到变换域中,在抑制噪声的同时边缘细节保留能力也大大加强。BM3D 滤波方法是一个迭代的算法,主要分为2个阶段:基本估计和最终估计[15]。2.1 基本估计2.1.1 分组将输入图像分为若干互有重叠的块 ZxR,xR表示该块的左上角的坐标。将每个块ZxR作为参考块,分别计算它与其余各块之间的距离L(本文采用l2 距离进行度量),若L<Thar(Thar为事先定义的阈值),表示这2个块之间足够相似,将其归为一组。这样,相似的块就被放在一组,而不同的块则被区分开,构成一个三维矩阵。2.1.2 联合滤波对于每个相 似 块 构 成 的 组,进 行 联 合 滤 波。联合滤波的步骤如下:(1)使用一个线性变换(例如三维小波变换)对该组进行稀疏表示(2)硬阈值收缩变换系数,以去除噪声(3)反线性变换,得到组中每个块的估计值2.1.3 聚合因为不同的组里可能有对相同的块的估计,而这些估计由于采用不同的硬阈值收缩,通常也是不相同的,因此对于每块的估计需要加权平均。同时块与块之间重叠部分的像素,也需要进行加权平 均。假 设 NxRhar为硬阈 值变 换 后非零个 数,σ是噪声标准差估计,则加权系数ωi为   ωi =1σ2 NxRhar    NxRhar ≥1烅烄烆1 otherwise. (1)2.2 最终估计最终估计的步骤和基本估计类似,也分为分组、联合滤波和聚合3个步骤。区别在于:在分组403     液晶与显示      第29卷 订日期:2014-01-04.  基金项目:院地合作(长吉图专项基金)(No.2011CJT0006)  *通信联系人,E-mail:wcjpsh@126.com表1 不同相干斑抑制方法比较Tab.1 Comparison of different speckle noise suppressionmethods (dB)目标型号 Lee  Frost  Kuan 本文方法SN-9563  27.12  28.71  27.56  30.05SN-9566  27.01  28.76  27.64  30.21SN-C21  28.06  29.69  28.76  31.56SN-C71  27.93  29.30  28.41  31.24SN-132  27.62  29.05  28.10  30.78SN-182  27.59  29.10  28.22  30.96从表1可以看出,本文的相干斑抑制方法比经典的 Lee、Kuan 和 Frost效果要好,这是因为Lee、Kuan和 Frost使用像素点局部邻域的信息进行噪声强度估计,这种估计可能与真实值偏差很大。相比之下,同态 BM3D 在分组和聚合中使用了全局图像信息,估计较为准确。同态 BM3D在联合滤波阶段,使用了变换域去噪,而在聚合阶段的加权使用了空间域去噪,二者相结合取得良好的相干斑抑制效果。接着对去噪后的图像,提取出目标区域的 7个 Hu矩和Zernike矩的6、7、8、9、10、11阶矩(即[n,m]={[6,0],[7,1],[8,0],[9,1],[10,0],[11,1]})构成组合矩,用于训练 SVM 和分类识别,SVM 采用径向基核函数。实验中α 取 10,β取0.1。为了证明本文方法 的有 效性,同时采用 Hu矩+SVM 和 Zernike矩+SVM 以及文献[12]提出的纹理特征+神经网络的方法进行识别实验,对比结果如表2所示。表2 四种方法的平均识别率对比Tab.2 Average recognition rate of four methods识别方法 平均识别率/%Hu矩+SVM  92.65Zernike矩+SVM  94.26纹 理 特 征 + 神 经网络89.78本文方法 98.90由表2可知,纹理特征+神经网络方法的识别率最低,这是因为 SAR 图像中,纹理特征并不清晰,同时纹理特征易受到相干噪声的影响,在去噪之后有不可预知的变化,因此纹理特征的识别率低于其余3种矩特征的识别率。剩余3种算法中,本文方法的识别率最高,单独使用 Hu矩的识别率最低。这是因为低阶 Hu矩描述目标的粗略信息,无法进行很高精度的辨别,而高阶 Zernike矩描述目标的细节信息,对噪声较敏感。本文方法将低阶矩与高阶矩相结合,同时具备两种矩的优势,故识别精度最高。7 结  论提出一种适用于SAR图像的目标识别算法:首次将同态变换和 BM3D滤波方法结合,用于去除相干斑噪声,得到清晰的图像;将低阶 Hu矩和高阶Zernike矩加权相结合,构成一种新的组合矩特征。将本文方法应用于 MSTAR 数据库中装甲车和坦克的识别,证明本文方法具有很高的识别率,优于目前的单独使用 Hu矩或Zernike矩、纹理特征+神经网络等SAR目标识别方法。参 考 文 献:[1] 黄世奇,刘代志.侦测目标的 SAR 图像处理与应用[M].北京:国防工业出版社,2009.Huang S Q,Liu D Z.SAR Image Processing and Application of Reconnaissance Measurement Target [M].Bei-jing:Defense Industry Press,2009.(in Chinese)[2] 薛笑荣.SAR 图像处理技术研究[D].西安:西北工业大学,2004.Xue X R.Research on SAR image processing technology[D].Xian:Northwestern Polytechnical University,2004.(in Chinese)[3] 刘向增,田铮,史振广,等.基于 FKICA-SIFT 特征的合成孔径图像多尺度配准[J].光学精密工程,2011,19(9):2186-2196.334第3期         王 丽,等:SAR 图像目标识别新方法

[返回]
上一篇:多基线机载SAR 联合相位定标两步法
下一篇:SAR 图像多层次正则化增强及在目标识别中的应用