滑窗加權(quán)澤尼克矩特征的雷達(dá)目標(biāo)識別技術(shù)

崔艷鵬 胡建偉 李 英 艾小凡

（西安電子科技大學(xué)電子工程學(xué)院，陜西 西安 710071）

引 言

合成孔徑雷達(dá)（SAR）成像技術(shù)在軍事上的應(yīng)用主要是發(fā)現(xiàn)和識別軍事目標(biāo)，隨著雷達(dá)技術(shù)的不斷發(fā)展，SAR圖像目標(biāo)識別和分類已經(jīng)成為一個(gè)重要的研究領(lǐng)域，有巨大的應(yīng)用軍事價(jià)值。由美國國防部高級研究計(jì)劃局和空軍實(shí)驗(yàn)室的運(yùn)動(dòng)和靜止目標(biāo)探測與識別（MSTAR）項(xiàng)目工作組提供的SAR圖像數(shù)據(jù)［1］，為研究圖像分類提供了有效的方法，幾乎已經(jīng)成為當(dāng)前考核SAR目標(biāo)識別和分類算法的數(shù)據(jù)庫。MIT Lincoln實(shí)驗(yàn)室提出的基于模板的目標(biāo)分類方法［2－3］對圖像中目標(biāo)間的相對位置匹配程度要求很高，而實(shí)際戰(zhàn)場獲得的圖像中，目標(biāo)間可能存在較大的位置偏差，識別精度較低。利用支撐適量機(jī)對MSTAR數(shù)據(jù)進(jìn)行識別［4］，由于缺少對目標(biāo)特征的有效提取環(huán)節(jié)，分類效果只是略好于模板匹配方法，并且時(shí)間復(fù)雜度也較高。依據(jù)Fisher準(zhǔn)則［5－6］的直接辨別分析利用了類內(nèi)散度矩陣最具分辨力的零空間信息；雙辨別子空間方法對類間和類內(nèi)散布矩陣進(jìn)行預(yù)降維，實(shí)現(xiàn)對目標(biāo)的特征提?。换谛〔ǚ纸饧癒CN的目標(biāo)特征［7］的方法提取引入了Fisher距離來表明各類的類內(nèi)緊致性和類間分離性；但均描述的是局域特性。高分辨SAR圖像中存在嚴(yán)重的相干斑噪聲［8－9］，目標(biāo)一般為非合作目標(biāo)，每次得到的SAR圖像存在不可預(yù)測的相對平移，目標(biāo)特性表現(xiàn)為稀疏的散射中心分布，且對成像的方位比較敏感，一般不能比較完整地描述目標(biāo)的整體形狀。因此如何提取具有平移、旋轉(zhuǎn)和尺度不變性的目標(biāo)特征具有重要意義。圖像的矩函數(shù)通常描述圖像的全局特征，并能提供大量有關(guān)圖像幾何矩特征的不同信息，Zernike矩除了具有平移、旋轉(zhuǎn)和尺度不變性外，還具有對噪聲的不敏感性［10－12］，能夠較好地表達(dá)圖像特征。

由于MSTAR SAR圖像中存在大量的相干背景噪聲，直接提取Zernike矩，矩特征中包含相干噪聲信息，必須先對SAR圖像進(jìn)行預(yù)處理。筆者采用基于三角剖分和生長切割（DT－Growcut）的圖像分割方法［13］，對MSTAR SAR圖像進(jìn)行分割，再計(jì)算其Zernike矩，為了降低方位敏感性，取以圖像中心為原點(diǎn)的圓為矩的計(jì)算域，并利用滑窗加權(quán)方法對得到的Zernike矩做加權(quán)處理，并將其矩幅度作為特征不變量，并構(gòu)造模板庫。利用最近鄰準(zhǔn)則，進(jìn)行分類識別。仿真結(jié)果表明，利用Zernike矩幅度作為特征向量，克服了SAR圖像對方位的敏感性，可以省去傳統(tǒng)方法中估計(jì)目標(biāo)方位的繁瑣過程［14－15］，可以有效地提高識別率，對MSTAR SAR圖像識別是有效的和穩(wěn)健的。

1 MSTAR SAR圖像分割預(yù)處理

SAR圖像分割是SAR圖像目標(biāo)識別的一個(gè)重要步驟，圖像分割的目的是對目標(biāo)信息進(jìn)行描述、表示、識別和評估，是SAR圖像目標(biāo)識別的一個(gè)關(guān)鍵步驟。由于高分辨SAR圖像中存在嚴(yán)重的相干斑噪聲，基于單個(gè)像素點(diǎn)提供的信息對其進(jìn)行分割，一般無法得到滿意的效果。

筆者采用基于DT－Growcut的圖像分割方法，該方法不需設(shè)置類別，可以有效地消除相干噪聲，并保留更多的圖像邊沿和細(xì)節(jié)信息。具體實(shí)現(xiàn)流程［13］如圖1所示。首先獲取MSTAR SAR圖像數(shù)據(jù)，利用冪變換將瑞利分布的SAR圖像轉(zhuǎn)化為正態(tài)分布，利用小波變化進(jìn)一步去除噪聲的影響。然后，根據(jù)三角剖分原理，用最大值方法提取N個(gè)主要區(qū)域，根據(jù)目標(biāo)、陰影與背景的特點(diǎn)，確定連通邊界，選擇其中最大的兩個(gè)區(qū)域，引導(dǎo)設(shè)置Growcut參數(shù)，進(jìn)行分割處理。

圖2（a）給出一組BMP2坦克SAR圖像，為像素圖像。把圖像分成目標(biāo)、背景和陰影這三個(gè)非交疊的區(qū)域。利用DT－GrowCut分割算法進(jìn)行分割，在分割結(jié)果中，目標(biāo)、背景和陰影被有效分割開來，并且消除了相干噪聲斑，目標(biāo)和陰影的邊沿信息得到了保留，分割結(jié)果如圖2（b）所示。

圖1 DT－GrowCut自動(dòng)圖像分割技術(shù)流程圖

圖2 BMP2坦克DT－Growcut算法分割結(jié)果

2 Zernike矩及其性質(zhì)

荷蘭物理學(xué)家Zernike在1934年提出了單位圓上定義的一組正交多項(xiàng)式，即Zernike正交多項(xiàng)式。其定義形式為

式中：n為非負(fù)整數(shù)，稱為階數(shù)；m為整數(shù)，稱為重復(fù)度；n－｜m｜是偶數(shù)，且n≥｜m｜.

Zernike多項(xiàng)式在單位圓上滿足正交性

Teague在1980年以Zernike正交多項(xiàng)式為基礎(chǔ)，首次給出了二維函數(shù)f（x，y）的Zernike矩的定義［11］

式中：Vnm（ρ，θ）是在極坐標(biāo)系的單位圓內(nèi)的正交n階m重Zernike多項(xiàng)式；＊表示復(fù)共軛。

2.1 旋轉(zhuǎn)不變性

假設(shè)f（x，y）是圖像的灰度函數(shù)，若將該圖像旋轉(zhuǎn)角度α，則Zernike矩變?yōu)?/p>

可以得到

從式（5）可以看出，圖像Zernike矩幅度具有旋轉(zhuǎn)不變性，且由式（4）可知Zernike矩是通過積分得到的，因此有很強(qiáng)的抗噪能力。

2.2 尺度不變性

若將原始圖像f（x，y）縮放為標(biāo)準(zhǔn)圖像fs（x，y），使其零階常規(guī)矩Z00等于預(yù)設(shè)值β.設(shè)f（x，y）歸一化的標(biāo)準(zhǔn)圖像為fs（x／α，y／α），則他們與常規(guī)矩存在如下關(guān)系［13］

2.3 平移不變性

平移不變性是通過圖像的重心平移到原點(diǎn)來實(shí)現(xiàn)的，即m01＝m10＝0，m10和m01是圖像的幾何一階矩，為圖像的重心。

用Zernike矩表達(dá)一個(gè)圖像的信息，理論上講階數(shù)越高，越能準(zhǔn)確地表達(dá)圖像特征［10－12］，但當(dāng)階數(shù)過高時(shí)，數(shù)據(jù)量大于圖像本身的數(shù)據(jù)，而且Zernike矩計(jì)算也不再準(zhǔn)確，對表達(dá)圖像特征也有一定的影響。因此，應(yīng)用中需要確定合適的階數(shù)，既能較完整地表達(dá)圖像特征，又不至于數(shù)據(jù)量過大。仿真中，選擇的階數(shù)為45階。

3 滑窗加權(quán)Zernike矩特征

SAR是一種相干處理系統(tǒng)，使得其成像結(jié)果對方位角敏感。不同方位角得到的MSTAR SAR圖像不但會(huì)有旋轉(zhuǎn)，而且在邊緣處會(huì)有形變，相鄰角度得到的SAR圖像的邊緣相對形變小。因此實(shí)際計(jì)算中Zernike矩的幅度會(huì)發(fā)生微小的變化，為了減小方位角的敏感性，筆者選取以圖像中心為原點(diǎn)的圓作為矩的計(jì)算域，并利用滑窗加權(quán)的方法將得到的Zernike矩做加權(quán)處理，得到滑窗加權(quán)Zernike（SWWZ）矩，并將SWWZ矩幅度作為特征不變量。

3.1 滑窗加權(quán)函數(shù)設(shè)計(jì)

由于不同方位角得到的MSTAR SAR圖像在邊緣處會(huì)有形變，相鄰角度得到的SAR圖像的邊緣相對形變小。因此實(shí)際計(jì)算中Zernike矩的幅度會(huì)發(fā)生微小的變化，為了減小方位角的敏感性，筆者利用滑窗加權(quán)（SWW）的方法將得到的Zernike矩做加權(quán)處理，得到滑窗加權(quán)Zernike（SWWZ）矩，并將SWWZ矩幅度作為特征不變量。

假設(shè)目標(biāo)圖像位于某位置θ0，以其為參考，其相鄰角度的圖像分別位于±θ1，±θ2，…，滑窗加權(quán)函數(shù)可以按照圖3進(jìn)行設(shè)計(jì)，權(quán)值選擇如下

其中，ωi，i＝0，±1，±2，…，±M，為權(quán)值，權(quán)值的大小和滑窗的長度2m＋1由相鄰圖像的相關(guān)性來確定，通常有

圖3 滑窗加權(quán)函數(shù)模板

3.2 SWWZ矩特征提取

利用DT－Growcut方法對第i幅SAR圖像進(jìn)行分割得到分割后圖像f（i），其相應(yīng)的Zernike矩幅度為Z（i），則SWWZ矩特征為

式中，2≤i≤N－2，N為模板中圖像的個(gè)數(shù)?？紤]到MSTAR SAR相鄰圖像的相關(guān)性，取滑窗的長度為5，即M＝2.

4 仿真實(shí)驗(yàn)與結(jié)果分析

實(shí)驗(yàn)采用的MSTAR數(shù)據(jù)庫中的實(shí)測SAR地面軍事車輛目標(biāo)數(shù)據(jù)。該數(shù)據(jù)是分辨率為0.3m×0.3m.其中每類目標(biāo)像的方位覆蓋范圍均為0°～360°.筆者采用三類目標(biāo)數(shù)據(jù)進(jìn)行試驗(yàn)：BTR－70（sn＿132，sn＿182）、BMP－29（sn＿9563，sn＿9566）以及 T－72（C71）.同類目標(biāo)的型號不同主要是目標(biāo)的配置有差異，使用17°俯仰角的圖像作為訓(xùn)練樣本，15°俯仰角的圖像為測試樣本［17］，樣本分布情況如表1.用最近鄰準(zhǔn)則進(jìn)行分類識別，用訓(xùn)練數(shù)據(jù)集作為模板，進(jìn)行全部測試數(shù)據(jù)的識別。對筆者所提出的基于Zernike矩幅度和SWWZ特征的MSTAR SAR圖像進(jìn)行計(jì)算機(jī)仿真實(shí)驗(yàn)。

仿真實(shí)驗(yàn)中，選擇45階的Zernike矩，目標(biāo)sn＿132，sn＿812和sn＿C71權(quán)值序列為［w0，w1，w2］＝［1.0，0.5，0.25］；目標(biāo)sn＿9563和sn＿9566的權(quán)值序列為 ［w0，w1，w2］＝［1.0，0.75，0.25］.為了驗(yàn)證筆者算法的穩(wěn)健性，測試數(shù)據(jù)與訓(xùn)練數(shù)據(jù)沒有交叉重疊。不需利用目標(biāo)的先驗(yàn)知識，即可直接進(jìn)行識別。表2和表3分別為基于Zernike矩幅度和SWWZ的識別結(jié)果。

表2和表3可知，Zernike矩幅度的平均識別率為92.68%，SWWZ矩的平均識別率為99.74%.對于同類變形目標(biāo)，Zernike矩幅度的平均識別率為73.67%，SWWZ矩平均識別率為88.63% .很明顯，SWWZ矩特征不但有效地提高了不同類別的識別率，對于同類變形目標(biāo)，也能有效進(jìn)行識別。

表1 測試及訓(xùn)練樣本數(shù)據(jù)

表2 Zernike矩幅度特征在不同測試數(shù)據(jù)下的識別結(jié)果比較

表3 SWWZ 矩幅度特征在不同測試數(shù)據(jù)下的識別結(jié)果比較

5 結(jié) 論

提出了一種新的MSTAR SAR圖像自動(dòng)識別方法。首先，利用 DT－GrowCut分割算法對MSTAR SAR做分割預(yù)處理，得到將目標(biāo)和陰影從相干噪聲中分割出來的圖像。然后選取以圖像中心為原點(diǎn)的圓作為矩的計(jì)算域，計(jì)算其Zernike矩，利用滑窗加權(quán)方法對得到的Zernike矩幅度做加權(quán)處理，提取SWWZ矩，并將其作為特征不變量。最后，利用最近鄰方法進(jìn)行分類識別。仿真實(shí)驗(yàn)表明，利用SWWZ矩作為特征向量，克服了SAR圖像對方位的敏感性，可以省去傳統(tǒng)方法中估計(jì)目標(biāo)方位的繁瑣過程，有效地提高識別率，對MSTAR SAR圖像識別是有效的和穩(wěn)健的。

［1］Air Force Research Laboratory，Model Based Vision Laboratory.Sensor data management system［EB／OL］.［2011－05－17］http：／／www.mbvlab.wpafb.af.mil／public／sdms／datasets／mstar.

［2］NOVAK L M，HALVERSEN S D.Effects of polarization and resolution on SAR ATR［J］.IEEE Trans on Aerospace and Electronic Systems，1997，33（1）：102－115.

［3］NOVAK L M，OWIRKA G J.Automatic target recognition using enhanced resolution SAR data［J］.IEEE Trans on Aerospace and Electronic Systems，1999，35（1）：157－175.

［4］ZHAO Q，PRINCIPE J C.Support vector machine for SAR automatic target recognition［J］.IEEE Trans on Aerospace and Electronic System，2001（37）：643－654.

［5］劉華林，楊萬麟.基于直接辨別分析的雷達(dá)目標(biāo)一維距離像識別［J］.電波科學(xué)學(xué)報(bào)，2007，22（6）：1020－1024.

LIU Hualin，YANG Wanlin.Radar target recognition based on direct discriminant analysis using range pro－file［J］.Chinese Journal of Radio Science，2007，22（6）：1020－1024.（in Chinese）

［6］劉華林.雙辨別子空間高分辨距離像雷達(dá)目標(biāo)識別［J］.電波科學(xué)學(xué)報(bào)，2009，24（5）：934－938.

LIU Hualin.High resolution range profile radar target recognition based on double discriminant subspaces algorithm［J］.Chinese Journal of Radio Science，2009，24（5）：934－938.（in Chinese）

［7］王曉丹，王積勤.基于小波分解及KCN的雷達(dá)目標(biāo)特征提?。跩］.電波科學(xué)學(xué)報(bào)，2003，18（2）：32－37.

WANG Xiaodan，WANG Jiqin.Radar target feature extraction using wavelet transform and KCN［J］.Chinese Journal of Radio Science，2003，18（2）：32－37.（in Chinese）

［8］OLIVER C，QUEGAN S.Understanding Synthetic Aperture Radar Images［M］.Norwood，MA：Artech House，1998.

［9］保 錚，邢孟道，王 彤.雷達(dá)成像技術(shù)［M］.北京：電子工業(yè)出版社，2005.

［10］TEH C H，CHIN R T.On image analysis by the methods of moments［J］.IEEE Trans on Pattern A－nalysis and Machine Intelligence，1988，10（4）：496－513

［11］KHOTANZAD A，HONG Y H.Invariant image recognition by Zernike moments［J］.IEEE Trans Pattern Anal Machine Intell，1990，12（5）：489－497.

［12］GAO Xinbo，WANG Qian，LI Xuelong，etc.Zernike－moment－based image super resolution［J］.IEEE Trans on Image Processing，2011，20（10）：2738－2747.

［13］崔艷鵬，胡建偉，楊紹全，等.利用DT－GrowCut的MSTAR SAR圖像自動(dòng)分割技術(shù)［J］.西安電子科技大學(xué)學(xué)報(bào)，2011，38（3）：150－154.

CUI Yanpeng，HU Jianwei，YANG Shaoquan，et al.SAR image automatic segmentation based on DT－growcut［J］.Journal of Xidian University，2011，38（3）：150－154.（in Chinese）

［14］HAN Ping，HAN Zeyu，WU Renbiao.A SVR－based SAR target azimuth fusion estimation.［C］／／ APSAR 2009，Xi＇an，October 26－30，2009：169－172.

［15］CHEN Si，YANG Jian，SONG Xiaoquan.A new method for target aspect estimation in SAR images［C］／／ICMT 2010，Ningbo，October 29－31，2010：1－4.

［16］DOUVILLE P L.Measured and predicted synthetic aperture radar target comparison［J］.IEEE Transactions on Aerospace and Electronic Systems，2002，38（1）：25－37.

［17］ROSS T，WORRELL S，et al.Standard SAR ATR evaluation experiments using the MSTAR public release data set［C］／／Algorithms for Synthetic Aperture Radar Imagery V Proceedings of SPIE.Florida：SPIE，1998，3370：566－573.