基于SOFM神經(jīng)網(wǎng)絡(luò)的SAR圖像目標(biāo)識(shí)別

劉偉偉，胡興平，盧曉敏，宋慧娟

(1.西安飛豹科技發(fā)展公司，陜西 西安　710089；2.西安應(yīng)用光學(xué)研究所，陜西 西安　710065)

?

基于SOFM神經(jīng)網(wǎng)絡(luò)的SAR圖像目標(biāo)識(shí)別

劉偉偉1，胡興平1，盧曉敏2，宋慧娟2

(1.西安飛豹科技發(fā)展公司，陜西 西安710089；2.西安應(yīng)用光學(xué)研究所，陜西 西安710065)

在SAR圖像的識(shí)別中，傳統(tǒng)的識(shí)別方法必須提前知道所有目標(biāo)的類別，不能對(duì)任意的目標(biāo)進(jìn)行識(shí)別。通過分析SAR圖像的特點(diǎn)，選取了一組由Hu不變矩和由三角函數(shù)生成法導(dǎo)出的5個(gè)新的不變矩組成的特征向量。利用自組織特征映射(SOFM)神經(jīng)網(wǎng)絡(luò)對(duì)目標(biāo)進(jìn)行了聚類分析。實(shí)驗(yàn)表明，選取的特征向量能夠較準(zhǔn)確地描述目標(biāo)，且SOFM神經(jīng)網(wǎng)絡(luò)能夠自適應(yīng)，自組織地對(duì)目標(biāo)進(jìn)行聚類。同時(shí)，用測(cè)試圖像對(duì)訓(xùn)練好的網(wǎng)絡(luò)進(jìn)行了測(cè)試，得到了較為理想的識(shí)別效果。

自組織特征映射神經(jīng)網(wǎng)絡(luò)；目標(biāo)識(shí)別；合成孔徑雷達(dá)；不變矩；聚類分析；特征提取

0　引言

合成孔徑雷達(dá)(synthetic aperture radar，SAR)是微波傳感器中發(fā)展最快和最有成效的傳感器之一。它具有全天時(shí)、全天候、多極化、高分辨率等特點(diǎn)，非常適合于現(xiàn)代的偵察任務(wù)，同時(shí)在海洋監(jiān)視、地質(zhì)勘測(cè)和農(nóng)業(yè)規(guī)劃等領(lǐng)域也得到了廣泛得應(yīng)用[1]。由于SAR圖像的特殊性，傳統(tǒng)的圖像分類方法不能很好地滿足SAR圖像目標(biāo)的分類和識(shí)別，因此SAR圖像中目標(biāo)識(shí)別的問題成為了當(dāng)前研究的熱點(diǎn)。

傳統(tǒng)的SAR圖像分類方法主要有模板匹配[2-3]、反向傳播(back propagation,BP)神經(jīng)網(wǎng)絡(luò)[4]、支持向量機(jī)[5], 小波變換法[6]。其中模板匹配方法在當(dāng)識(shí)別目標(biāo)種類增加時(shí)，無需重新訓(xùn)練原有的目標(biāo)模板，只需要加入新增類別的模板即可，但是當(dāng)模板庫隨著目標(biāo)種類的增加而增大時(shí)，就需要大量的存儲(chǔ)空間，同時(shí)對(duì)識(shí)別速度、正確率都有一定程度的影響。BP神經(jīng)網(wǎng)絡(luò)雖然識(shí)別率較好但是卻需要提前知道所有的目標(biāo)類別，而支持向量機(jī)無法處理大規(guī)模的數(shù)據(jù)。鑒于當(dāng)前SAR圖像目標(biāo)識(shí)別的這些問題，本文提出利用SOFM(self-organizing feature map)神經(jīng)網(wǎng)絡(luò)可以無監(jiān)督聚類的特性對(duì)SAR圖像目標(biāo)進(jìn)行識(shí)別。

1　SAR圖像的特征選擇與提取

1.1Hu不變矩

區(qū)域的矩表示把一個(gè)歸一化后的灰度級(jí)圖像函數(shù)理解為一個(gè)二維隨機(jī)變量的概率密度。這個(gè)隨機(jī)變量可以用矩(momnet)來描述。Hu最早提出了矩的概念,并推導(dǎo)出了矩的一些基本性質(zhì),并進(jìn)一步證明了矩具有平移、尺度和旋轉(zhuǎn)的不變性。Hu矩[7-8]與其他不變性特征提取方法相比，在抗干擾性和圖像的表示能力方面表現(xiàn)更好，能反映出圖像區(qū)域內(nèi)部的細(xì)節(jié)情況。

對(duì)于灰度分布的二維圖像目標(biāo)f(x,y)的(p+q)階二維矩定義為

(1)

對(duì)應(yīng)的(p+q)階中心矩定義為

p,q=0,1,2，…，

(2)

(3)

定義歸一化的(p+q)階中心矩為

(4)

可以證明以上歸一化后的中心矩特征具有平移和尺度不變性，但是不具有旋轉(zhuǎn)不變性。為了實(shí)現(xiàn)圖像特征對(duì)平移、旋轉(zhuǎn)和尺度變換均具有不變性，Hu首先利用二階和三階歸一化的中心矩構(gòu)造了7個(gè)對(duì)平移旋轉(zhuǎn)和尺度具有不變性的不變矩，具體表達(dá)式如下：

C1=I20+I02,

(5)

(6)

C3=(I30-3I12)2+(3I21-I03)2,

(7)

C4=(I30+I12)2+(I21+I03)2，

(8)

C5=(I30-3I12)(I30+I12)[(I30+I12)2-

3(I21+I03)2]+(3I21-I03)(I21+I03)[3(I30+

I12)2-(I21+I03)2] ，

(9)

C6=(I20-I02)[(I30+I12)2-3(I21+I03)2]+

4I11(I30+I12)(I21+I03)，

(10)

C7=(3I21-I03)(I30+I12)[(I30+I12)2-3(I21+

I03)2]-(I30-3I12)(I21+I03)[3(I30+I12)2-

(I21+I03)2].

(11)

1.25種新的不變矩

由于SAR圖像中的目標(biāo)存在不對(duì)稱比例變換，而只用Hu的7個(gè)不變矩?zé)o法準(zhǔn)確地描述目標(biāo)的特征，因此引入由三角函數(shù)生成法[9]導(dǎo)出的5個(gè)新的不變矩，具體表達(dá)式如下：

C8=2{I11[(I30+I12)2-(I21+I03)]-

(I20-I02)(I30+I12)(I21+I03)}，

(12)

C9=[(I30-3I12)(I30+I12)+(3I21-I03)(I21+I03)]·

(I20-I02)+2I11[(3I21-I03)(I30+I12)-

(I30-3I12)(I21+I03)]，

(13)

C10=[(3I21-I03)(I30+I12)-(I30-3I12)(I21+

I03)](I20-I02)-2I11[(I30-3I12)(I30+I12)+

(3I21-I03)(I21+I03)]，

(14)

C11=(I04+I40-6I22)2+16(I31-I13)2，

(15)

16I11(I31-I13)(I20-I02).

(16)

不變矩C8～C12為5個(gè)高階不變矩，這5個(gè)不變矩比傳統(tǒng)的7個(gè)不變矩具有更好的離散穩(wěn)定性，其與傳統(tǒng)的7個(gè)不變矩相組合可更準(zhǔn)確地描述二維形狀的特征。

1.3特征向量的歸一化

由于針對(duì)同一樣本的不同階次矩的特征量綱不同,數(shù)值上會(huì)有很大的差別,差異較大的數(shù)據(jù)會(huì)使網(wǎng)絡(luò)收斂速度變慢，并且這些數(shù)據(jù)可能會(huì)成為奇異數(shù)據(jù)而使網(wǎng)絡(luò)無法收斂，因此,在進(jìn)一步的識(shí)別前需要進(jìn)行歸一化處理。這里，采用如下方法來獲得歸一化后的特征：

Y=(Ymax-Ymin)(X-Xmin)/(Xmax-Xmin)+Ymin，

(17)

式中：[Ymin,Ymax]代表要?dú)w一化所到的區(qū)間；X代表要?dú)w一化的向量。

2　基于SOFM神經(jīng)網(wǎng)絡(luò)的目標(biāo)識(shí)別

2.1SOFM神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)

SOFM神經(jīng)網(wǎng)絡(luò)，是由芬蘭科學(xué)家Kohonen于1981年根據(jù)人腦的自組織特性提出的一種無監(jiān)督的，競(jìng)爭(zhēng)學(xué)習(xí)的聚類網(wǎng)絡(luò)。它由輸入層、輸出層2部分構(gòu)成。SOFM神經(jīng)網(wǎng)絡(luò)作為一種無監(jiān)督的人工神經(jīng)網(wǎng)絡(luò)計(jì)算方法[10],在對(duì)樣本數(shù)據(jù)進(jìn)行聚類的同時(shí),還能夠保持樣本的拓?fù)溆行蛐訹11],適合于解決多種分類和識(shí)別問題。SOFM神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)如圖1所示。

圖1　SOFM神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖Fig.1　SOFM structure chart

SOFM神經(jīng)網(wǎng)絡(luò)在學(xué)習(xí)的過程中總是使輸出層內(nèi)各神經(jīng)元的權(quán)向量保持向輸入向量逼近的趨勢(shì), 從而使得具有相近特征的輸入向量能夠聚集在一起。同時(shí)，SOFM神經(jīng)網(wǎng)絡(luò)以多個(gè)神經(jīng)元的輸出狀態(tài)來反映輸入向量的聚類結(jié)果。因此SOFM神經(jīng)網(wǎng)絡(luò)能夠利用其自組織，自競(jìng)爭(zhēng)的特點(diǎn)，將一維輸入模式映射到二維神經(jīng)元陣列上,所以使用SOFM神經(jīng)網(wǎng)絡(luò)可以對(duì)任意的目標(biāo)進(jìn)行識(shí)別。

2.2算法的具體步驟

步驟2： 輸入選取的由12個(gè)不變矩組成的第i個(gè)特征向量Ui=(ui1,ui2,…,ui12)T。

步驟3： 計(jì)算輸入向量和網(wǎng)絡(luò)權(quán)向量之間的歐氏距離，并確定擁有最小的歐氏距離de的神經(jīng)元e為獲勝神經(jīng)元。de由式(18)求出。

j=1,2,…,M.

(18)

步驟4： 按式(19)更新權(quán)值向量。

(19)

式中：Ne(t)為神經(jīng)元e的鄰域。

步驟5： 輸入下一個(gè)待輸入向量，并返回步驟3，直到所有特征向量輸入完畢。

(20)

式中：t為學(xué)習(xí)次數(shù)；int[X]為對(duì)X取整。

步驟7： 令t=t+1，返回步驟2直到t=T時(shí)為止。

3　仿真校驗(yàn)

3.1校驗(yàn)的基本流程

本文使用由Sandia國家實(shí)驗(yàn)室(Sandia national laboratory,SNL)采集的,并由美國空軍Wright實(shí)驗(yàn)室發(fā)布為公用的MSTAR數(shù)據(jù)庫中的BMP2(坦克)，BTR70(裝甲運(yùn)兵車)和T72(坦克)作為實(shí)驗(yàn)用SAR圖像，并對(duì)這3類目標(biāo)進(jìn)行了聚類分析。其中，選取訓(xùn)練樣本每類100副共300副圖，選取測(cè)試樣本每類200副共600副圖。圖2為所使用的部分俯視角為17°時(shí)的SAR圖像。

仿真校驗(yàn)的流程圖如圖3所示。

3.2SOFM網(wǎng)絡(luò)的參數(shù)設(shè)計(jì)

輸入層設(shè)計(jì)：輸入層選擇12個(gè)神經(jīng)元對(duì)應(yīng)于12個(gè)不變矩。

輸出層設(shè)計(jì)：輸出層采用通常認(rèn)為最好排列方式的六邊形網(wǎng)格和2維神經(jīng)元排列結(jié)構(gòu)[12]。通過多次實(shí)驗(yàn)，選擇8×6的結(jié)構(gòu)可得到較好的網(wǎng)絡(luò)訓(xùn)練結(jié)果。設(shè)計(jì)好的SOFM網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)如圖4所示。

圖2　用于仿真校驗(yàn)的部分SAR圖像Fig.2　Some SAR graphic used for simulation

圖3　仿真校驗(yàn)流程圖Fig.3　Flow chart of simulation verification

圖4　SOFM拓?fù)浣Y(jié)構(gòu)圖Fig.4　SOFM topology

3.3仿真結(jié)果及分析

在10 000次的訓(xùn)練后，網(wǎng)絡(luò)權(quán)值已經(jīng)基本保持不變。由于SOFM神經(jīng)網(wǎng)絡(luò)是無監(jiān)督的聚類網(wǎng)絡(luò)，無法給出目標(biāo)的具體類別，但是可以通過神經(jīng)元的分布來判斷出這些具體的類別，并且這種分析的方式易于解釋和理解。神經(jīng)元權(quán)值分布圖如圖5所示。

圖5　神經(jīng)元權(quán)值分布圖Fig.5　SOFM neighbor weight distances

圖5中顏色越深的神經(jīng)元(顏色由淺到深為黃，紅，黑)代表著距離越遠(yuǎn)。從圖中可以看到，中間深色部分的神經(jīng)元將神經(jīng)元區(qū)域分成了3部分，相連黃色部分代表一類。這樣3部分區(qū)域剛好代表著BMP2(坦克)，BTR70(裝甲運(yùn)兵車)和T72(坦克)3類目標(biāo)。

將600副測(cè)試圖像放入訓(xùn)練好的網(wǎng)絡(luò)中，定義識(shí)別率=正確識(shí)別樣本數(shù)/總樣本數(shù)。將分類后的神經(jīng)元?jiǎng)潥w至訓(xùn)練樣本，將聚類后的神經(jīng)元區(qū)域內(nèi)的樣本定為正確識(shí)別的樣本。最后計(jì)算所得3類目標(biāo)的識(shí)別率見表1。

表1　目標(biāo)識(shí)別率

將本文方法與傳統(tǒng)的模板匹配法[13]、支持向量機(jī)法[14]以及隱馬爾可夫法[15]3種算法進(jìn)行對(duì)比，其對(duì)比結(jié)果如表2所示。從表2中可以看出，本文提出的算法具有相對(duì)較高的識(shí)別率。

表2　幾種算法對(duì)比的平均識(shí)別率

仿真中雖需要10 000次甚至更多的訓(xùn)練次數(shù)，但SOFM神經(jīng)網(wǎng)絡(luò)的訓(xùn)練是一個(gè)離線過程，當(dāng)在線應(yīng)用時(shí)，只需輸入當(dāng)前的目標(biāo)特征距并借助于訓(xùn)練好的神經(jīng)網(wǎng)格中，便能夠快速得到分類結(jié)果，可以滿足實(shí)時(shí)性要求。

4　結(jié)束語

本文通過選取一組由Hu不變矩和5個(gè)新導(dǎo)出的不變矩作為特征向量，利用SOFM神經(jīng)網(wǎng)絡(luò)無監(jiān)督聚類的特性對(duì)MSTAR數(shù)據(jù)庫中3類目標(biāo)進(jìn)行了聚類分析。實(shí)驗(yàn)結(jié)果表明，SOFM神經(jīng)網(wǎng)絡(luò)能夠自組織，自競(jìng)爭(zhēng)地對(duì)目標(biāo)進(jìn)行聚類。將測(cè)試圖像放入訓(xùn)練好的網(wǎng)絡(luò)，得到了較為理想的識(shí)別效果。同時(shí)，該算法解決了傳統(tǒng)算法無法識(shí)別未知目標(biāo)的問題，為SAR圖像目標(biāo)的識(shí)別提供了新的思路。

[1]李衛(wèi)斌. SAR圖像處理的若干關(guān)鍵技術(shù) [D].西安：西安電子科技大學(xué)，2004.

LI Wei-bin.Key Techniques on SAR Image Processing [D].Xi’an:Xidian University,2004.

[2]LANCE M, ROMAIN M. Effect of Signal-to-Clutter Ratio on Template-Based ATR[C]∥Proc. SPIE 3370, 1998: 408-419.

[3]陸洪濤，陸靜，郭軍. 一種基于相關(guān)測(cè)度的SAR干擾效果評(píng)估方法 [J].現(xiàn)代防御技術(shù)，2008,36(3):97-99.

LU Hong-tao,LU Jing,GUO Jun.The Evaluation Methods of the Jamming Effect of SAR Based on the Pertinency [J]. Modern Defence Technology,2008,36(3):97-99.

[4]韓春林，雷飛，王建國，等.合成孔徑雷達(dá)圖像目標(biāo)分類研究 [J].電子科技大學(xué)學(xué)報(bào),2004,33(1):1-4.

HAN Chun-lin,LEI Fei,WANG Jian-guo,et al.Research on Object of SAR Image Classification[J].Journal of University of Electronic Science and Technology of China,2004,33(1):1-4.

[5]宦若虹，楊汝良，岳晉.一種合成孔徑雷達(dá)圖像特征提取與目標(biāo)識(shí)別的新方法[J].電子與信息學(xué)報(bào),2008,30(3):554-558.

HUAN Ruo-hong,YANG Ru-liang,YUE Jin.A New Method for Synthetic Aperture Radar Images Feature Extraction and Target Recognition[J].Journal of Electonics & Information Technology,2008,30(3):554-558.

[6]李勇，王德功，常碩，等. 一種SAR圖像特征提取和目標(biāo)分類的新方法 [J].現(xiàn)代防御技術(shù)，2013,41(4):126-130.

LI Yong,WANG De-gong,CHANG Shuo,et al.New Method for Synthetic Aperture Radar Images Feature Extraction and Target Classification [J]. Modern Defence Technology,2013, 41(4):126-130.

[7]HU Ming-kuei. Visual Pattern Recognition by Moment Invariants [J].IEEE Trans on Information Theory, 1962,8(2): 170-179.

[8]張偉，何金國. Hu不變矩的構(gòu)造與推廣 [J].計(jì)算機(jī)應(yīng)用,2010,30(9):2449-2452.

ZHANG Wei,HE Jin-guo.Construction and Generalization of Hu Moment Invariants [J].Journal of Computer Applications,2010, 30(9):2449-2452.

[9]劉進(jìn)，張?zhí)煨?圖像不變矩的推廣[J].計(jì)算機(jī)學(xué)報(bào)，2004,27(5)：668-674.

LIU Jin,ZHANG Tian-xu.The Generalization of Moment Invariants[J]. Chinese Journal of Computers,2004,27(5):668-674.

[10]曾松林，王文惲，劉陽，等.高速機(jī)動(dòng)反艦導(dǎo)彈對(duì)艦艇編隊(duì)的威脅估計(jì)研究 [J].現(xiàn)代防御技術(shù)，2012,40(6):33-38.

ZENG Song-lin, WANG Wen-yun,LIU Yang, et al. Threat Evaluation of High-Speed Maneuvering Antiship Missile to Fleet [J]. Modern Defence Technology, 2012, 40(6):33-38.

[11]王磊明. SOFM算法在圖像識(shí)別中的應(yīng)用研究 [D].沈陽: 遼寧工程技術(shù)大學(xué)，2011.

WANG Lei-ming. Research on Self-Organizing Feature Map Neural Network Algorithm in Image Recognition [D].Shenyang: Liaoning Technical University,2011.

[12]KOHONEN T. Self-Organizing Maps [M] .3r ded.Berlin:Springer,2001.

[13]ROSS T D, WORRELL S W, VELTEN V J, et al. Standard SAR ATR Evaluation Experiments Using the MSTAR Public Release Data Set[C]∥Proc. SPIE 3370, 1998: 566-573.

[14]ZHAO Qun, PRINCIPE J C. Support Vector Machines for SAR Automatic Target Recognition.[J]. IEEE Transactions on Aerospace and Electronic Systems, 2001, 37(2): 643-654.

[15]NILUBOL C, PHAM Q H, MERSEREAU R M, et al. Translational and Rotational-Invariant Hidden Markov Model for Automatic Target Recognition[C]∥Proc. SPIE 3374,1998: 179-185

SAR Image Target Recognition Method Based on SOFM Neural Network

LIU Wei-wei1,HU Xing-ping1, LU Xiao-min2, SONG Hui-juan2

(1. Xi′an Feibao Science and Technology Development Company, Shaanxi Xi’an 710089, China;2. Xi′an Institute of Applied Optics, Shaanxi Xi’an 710065, China)

In recognition of synthetic aperture radar (SAR) images, the traditional method of identification needs to know all the categories of objectives in advance, and cannot recognize random target. Through the analysis of the characteristics of SAR, a group of Hu invariant moments and trigonometric function generated 5 new moment invariants formed feature vector. The goal of clustering analysis is conducted by using self-organizing feature map (SOFM) neural network. Experiments show that, SOFM neural network can use its adaptive and self-organizing characteristics to cluster the target. At the same time, to test the trained network with the test image, the proposed method can obtain better results.

self-organizing feature map (SOFM); target recognition; synthetic aperture radar (SAR); invariant moments; cluster analysis; feature extraction

2015-06-13；

2015-10-15

劉偉偉(1983-)，男，山東菏澤人。工程師，碩士，主要從事航空電子綜合化及飛航空火力控制。

通信地址：710089陜西省西安市閻良區(qū)航空三路40號(hào)E-mail：15249250997@163.com

10.3969/j.issn.1009-086x.2016.04.010

TP183;TN958

A

1009-086X(2016)-04-0056-05