基于NSCT和支持向量機(jī)的SAR圖像識(shí)別

(江南大學(xué) 物聯(lián)網(wǎng)工程學(xué)院，江蘇 無錫 214122)

0 引言

合成孔徑雷達(dá)(synthetic aperture radar，SAR)是一種安裝在飛行器上利用天線的移動(dòng)在目標(biāo)區(qū)域進(jìn)行探測(cè)的遙感成像技術(shù)[1]。和傳統(tǒng)的基于波束掃描的雷達(dá)相比，合成孔徑雷達(dá)圖像分辨率較高，且不受天時(shí)，氣候和光照的影響。因此SAR圖像在資源探測(cè)，遙感攝像，氣候變化等領(lǐng)域得到快速的發(fā)展和應(yīng)用[2]。

SAR圖像識(shí)別一直是研究的熱點(diǎn)。由于SAR圖像的成像原理和一般光照條件下的圖像不同，因此給識(shí)別任務(wù)帶來了挑戰(zhàn)。SAR圖像識(shí)別的難點(diǎn)在于其成像過程中由于其回波信號(hào)在不同散射單元的強(qiáng)度具有隨機(jī)性，引入了相干斑[3]噪聲導(dǎo)致的圖像質(zhì)量的下降。傳統(tǒng)的SAR圖像目標(biāo)識(shí)別首先要進(jìn)行預(yù)處理，然后是特征的提取，最后是利用分類算法分類。圖像預(yù)處理的目的是為了減少由于相干斑的存在而影響特征提取，從而給識(shí)別步驟造成困難。圖像的預(yù)處理算法包括Lee濾波、Kuan濾波等，這些方法用來降低相干斑噪聲對(duì)識(shí)別效果的影響，但預(yù)處理的過程存在兩個(gè)缺點(diǎn)，一是增加了識(shí)別的時(shí)間，二是部分有用的像素點(diǎn)丟失。

目前對(duì)SAR圖像識(shí)別研究的重點(diǎn)主要在于如何準(zhǔn)確高效地提取有用的特征和對(duì)分類器的選擇上。劉思雨[4]等人根據(jù)圖像紋理特征的特點(diǎn)，使用支持向量機(jī)的方法對(duì)SAR影像進(jìn)行分類，肖垚[5]等人利用主成分分析(PCA)法作為特征提取的工具，并結(jié)合稀疏求解進(jìn)行SAR目標(biāo)識(shí)別，薄瑜[6]等人提出一種基于一種改進(jìn)的決策樹的遙感影像分類方法，徐牧[7]等人提出一種基于目標(biāo)輪廓特征的SAR圖像識(shí)別方法，但這些方法都是基于單一特征進(jìn)行識(shí)別，存在一定的缺點(diǎn)導(dǎo)致特征提取不充分；近年來，深層卷積網(wǎng)絡(luò)在圖像檢測(cè)、識(shí)別中得到飛速的發(fā)展。徐豐[8]等人改進(jìn)了CNN模型，并結(jié)合SAR圖像特點(diǎn)進(jìn)行目標(biāo)識(shí)別，胡炎[9]等人在SAR艦船目標(biāo)識(shí)別中也應(yīng)用到了RNN算法，但由于SAR圖像中標(biāo)注過的數(shù)據(jù)量較少，導(dǎo)致訓(xùn)練樣本不足網(wǎng)絡(luò)無法收斂，給深度學(xué)習(xí)在SAR圖像識(shí)別中的應(yīng)用帶來了困難。

SAR圖像受到相干斑的影響而導(dǎo)致目標(biāo)模糊。非下采樣輪廓波(NSCT)[10]是一種多尺度分解方法，能夠?qū)⒏哳l特征和低頻特征分別提取出來，而在特征選擇上，梯度方向直方圖(HOG)[11]算子對(duì)圖像的平移、旋轉(zhuǎn)具有較高的魯棒性，在行人檢測(cè)領(lǐng)域廣泛使用；局部二值模式(LBP)[12]算法能夠衡量像素與鄰域的關(guān)系，準(zhǔn)確描述紋理特征，在人臉特征提取方面應(yīng)用較為廣泛。

本文提出一種基于NSCT和SVM的SAR圖像識(shí)別方法。首先在預(yù)處理階段，利用NSCT進(jìn)行多尺度分解，提取高低頻信息；接著利用HOG算子和LBP算子在高頻分量和低頻分量提取特征，然后使用SVM進(jìn)行目標(biāo)分類。最后通過實(shí)驗(yàn)對(duì)所提算法進(jìn)行驗(yàn)證。

1 非下采樣輪廓波變換

NSCT是一種基于輪廓波變換的多尺度分解方法。經(jīng)NSCT分解后得到低頻分量和不同級(jí)別的高頻分量。低頻分量的特點(diǎn)是含有圖像輪廓信息，高頻分量則擁有圖像邊緣、細(xì)節(jié)等信息。經(jīng)NSCT分解后的zoneplate圖像如圖1所示。

圖1 zooneplate原圖和NSCT分解結(jié)果

NSCT的分解過程主要有兩個(gè)步驟。首先利用金字塔算法進(jìn)行非下采樣分解，然后利用方向?yàn)V波器組進(jìn)行采樣。塔型分解利用兩通道二維濾波組對(duì)圖像多尺度變換，通過對(duì)當(dāng)前組波帶利用同一個(gè)濾波器進(jìn)行上采樣得到下一組波帶,同時(shí)避免了重新設(shè)計(jì)濾波器的操作。

非下采樣方向?yàn)V波組取消了原算法上的下采樣操作，所以其在圖像分解過程中主要是上采樣。上采樣算法如式(1)所示：

(1)

式中,y[n]為輸出結(jié)果，h[k]是給定的濾波器，S[k]為樣本矩陣，x[n]為波帶矩陣。從式(1)可以看出，NSCT算法的優(yōu)點(diǎn)是在實(shí)現(xiàn)多尺度，多方向性分解的同時(shí)，并沒有增加算法的計(jì)算量。NSCT算法的分解過程如圖2所示。

圖2 NSCT算法的分解過程

2 基于NSCT與支持向量機(jī)的SAR圖像識(shí)別

本文提出的算法主要有3個(gè)步驟：1)通過NSCT算法分解源圖像獲得多尺度特征，保留圖像的低頻分量以及第一級(jí)高頻分量；2)在第一級(jí)高頻分量中提取HOG特征，在低頻分量提取LBP特征；3)將步驟二中得到的特征作為樣本SVM進(jìn)行模型分類。最后對(duì)訓(xùn)練成熟的模型進(jìn)行實(shí)驗(yàn)測(cè)試，算法流程如圖3所示。

圖3 本文算法流程圖

NSCT算法的作用主要是將源圖像中的目標(biāo)與背景分開。第一級(jí)高頻分量中保存的是目標(biāo)的邊緣，下面級(jí)別的圖像則包含了相干斑噪聲等特征。因此只對(duì)第一級(jí)高頻分量進(jìn)行特征提取。算法的流程中并未進(jìn)行其他的預(yù)處理操作，主要原因是因?yàn)閳D像預(yù)處理的目的是降低噪聲的影響，但是這一過程消耗了時(shí)間，使整體的識(shí)別效率下降。使用NSCT算法代替Lee濾波算法等，抑制了部分噪聲，并將有用信息保存起來。將NSCT分解的級(jí)別分別設(shè)置為0、1、2和3，則分解出的高頻分量的方向子帶數(shù)分別是1、2、4和8。第一級(jí)高頻分量中的子帶數(shù)為1，包含了圖像主要目標(biāo)的邊緣信息，其他級(jí)別子帶則將噪聲信息提取出來。

圖4為經(jīng)NSCT算法分解后的高低頻圖像，從圖像中可以看出，分解出的高頻特征展示了圖像的邊緣、細(xì)節(jié)等信息，低頻特征則展現(xiàn)了圖像的紋理、輪廓等特征。

圖4 NSCT分解圖

經(jīng)NSCT分解后得到的第一級(jí)高頻分量中包含目標(biāo)的邊緣，使用HOG算子進(jìn)行特征提取。HOG算法是一類用來描述物體形狀邊緣的特征特征算子，被廣泛應(yīng)用于行人檢測(cè)中。使用HOG算子提取高頻特征，首先對(duì)高頻分量進(jìn)行歸一化處理，如公式(2)所示：

I(x,y)=I(x,y)gamma

(2)

其中：Gamma的取值為0.5。歸一化處理可以減少不同背景和光照的影響，增強(qiáng)算法的魯棒性。然后計(jì)算圖像中每個(gè)位置(x,y)處的梯度值，如公式(3)所示：

(3)

其中：Gx表示x方向的梯度，Gy表示y方向的梯度值。梯度的幅值和方向角可表示如下：

(4)

式中，Gx和Gy分別由位置(x,y)處x軸方向和y軸方向相鄰位置差值得到的。最終得到的(x,y)處梯度的大小和方向如式(5)和式(6)所示：

赫章有三座“天橋”。一座是赫章縣平山鄉(xiāng)與七星關(guān)區(qū)放珠鎮(zhèn)交界處的大天橋，一座是赫章縣平山鄉(xiāng)與畢節(jié)市楊家灣鎮(zhèn)交界處的小天橋，一座是赫章縣媽姑鎮(zhèn)的天橋村。

(5)

(6)

經(jīng)NSCT獲得的高頻分量的長寬均為128。梯度方向設(shè)置為8個(gè)方向，區(qū)域(cell)的大小設(shè)為8，在每個(gè)區(qū)域中計(jì)算各個(gè)點(diǎn)的梯度大小和方向，并進(jìn)行投票得到區(qū)域HOG特征，然后將4個(gè)cell組成一個(gè)塊(Block)并進(jìn)行歸一化，每個(gè)block內(nèi)的特征向量維數(shù)是8×4=32,x軸方向和y軸方向各有15個(gè)窗口進(jìn)行掃描計(jì)算，最終HOG特征的維數(shù)是15×15×32=7 200維。

經(jīng)過NSCT分解后的低頻分量包含目標(biāo)的紋理、背景等特征。LBP算子是一種用來描述圖像局部二值模式的算子，如公式(7)所示：

(7)

其中：在圖像位置(xc,yc)的像素值為ic，ip表示周圍的像素值。S為閾值函數(shù)，定義為：

(8)

其計(jì)算過程為首先在低頻分量中選取一個(gè)中心點(diǎn)，然后比較周圍像素點(diǎn)的大小關(guān)系，在其鄰域范圍內(nèi)比較與周圍像素值與這個(gè)點(diǎn)的大小關(guān)系，如果大于中心點(diǎn)的大小則置0，小于中心點(diǎn)的大小則置1，因此最終這幾個(gè)數(shù)的結(jié)果組成一個(gè)8位的二進(jìn)制數(shù)，由此可知LBP算子的種類共有256種。而經(jīng)非下采樣輪廓波變換后得到的低頻分量的長寬均為128，因此LBP特征有(128/3)2=1 764維。

2.1 SVM分類器

將高頻圖像和低頻圖像的HOG特征和LBP特征提取之后，下一步就是進(jìn)行分類。本文使用支持向量機(jī)算法作為分類器。

支持向量機(jī)(SVM)是機(jī)器學(xué)習(xí)中的有監(jiān)督的分類和回歸算法，其基本思想是在特征空間內(nèi)使間隔最大化。對(duì)于線性可分SVM，可轉(zhuǎn)化為一個(gè)優(yōu)化問題，如式(9)所示：

s.t.yi(w·xi+b)-1≥0,i=1,2,...,N

(9)

k(xi,xj)=exp(-γ‖xi-xj‖2)

(10)

其中：γ為函數(shù)的寬度參數(shù)，控制了核函數(shù)的作用范圍。

利用SVM對(duì)SAR圖像分類主要有兩個(gè)階段：訓(xùn)練階段和測(cè)試階段。訓(xùn)練階段，將梯度方向直方圖和局部二值模式提取出的特征使用SVM進(jìn)行訓(xùn)練，而測(cè)試階段使用測(cè)試集來測(cè)試算法的識(shí)別率。SVM適合對(duì)兩種目標(biāo)進(jìn)行分類，而一般情況下目標(biāo)有多種。將SVM應(yīng)用到多種目標(biāo)分類時(shí)一般有兩種策略即，即一對(duì)多法(OVR SVMS)和一對(duì)一法(OVO SVMS)。一對(duì)多法會(huì)導(dǎo)致訓(xùn)練集產(chǎn)生偏置，因此本文使用 “一對(duì)一”模型進(jìn)行訓(xùn)練和測(cè)試。本文共有八類目標(biāo)，每對(duì)目標(biāo)均需要一個(gè)SVM模型進(jìn)行分類，因此共訓(xùn)練28個(gè)SVM模型。測(cè)試時(shí)，用這28個(gè)SVM模型測(cè)試時(shí)，選擇輸出最多的那一類目標(biāo)作為最終的結(jié)果。

本文使用了LIBSVM[13]進(jìn)行模型訓(xùn)練，LIBSVM是實(shí)現(xiàn)SVM算法的工具庫，基于一對(duì)一的方法進(jìn)行多分類，并且支持多種語言包括Matlab、JAVA、PYTHON等。本文使用Matlab版本的LIBSVM進(jìn)行實(shí)驗(yàn)，部分參數(shù)如表5所示。

表1 LIBSVM部分參數(shù)

3 實(shí)驗(yàn)與分析

3.1 數(shù)據(jù)集

MSTAR(Moving and stationary Target Acquisition and Recognition)數(shù)據(jù)集是國內(nèi)外公認(rèn)的針對(duì)SAR圖像識(shí)別研究的數(shù)據(jù)集，包括裝甲車(BTR-60，BRDM-2)、坦克(T-62)，火箭發(fā)射車(2S1)、防空單元(ZSU-234)、軍用卡車(ZIL-131)和推土機(jī)(D7)等多種目標(biāo)。由SAR傳感器在X波段成像，俯仰角包括15度和17度，方位角范圍為0～360°。圖4為其中八種目標(biāo)的光學(xué)和對(duì)應(yīng)的SAR圖像。

圖4 八類目標(biāo)展示：光學(xué)圖像與對(duì)應(yīng)SAR圖像

參考文獻(xiàn)[8]中的MSTAR數(shù)據(jù)庫使用方式，將訓(xùn)練的數(shù)據(jù)設(shè)置為俯仰角為17度的圖像，測(cè)試的數(shù)據(jù)設(shè)置為俯仰角15度的圖像。各個(gè)類別的數(shù)據(jù)個(gè)數(shù)如表2所示。

表3 傳感器主要技術(shù)指標(biāo)

3.2 實(shí)驗(yàn)設(shè)置

SAR圖像識(shí)別的實(shí)驗(yàn)平臺(tái)為WINDOWS10操作系統(tǒng)的PC機(jī)，配置是3.40 GHz、I5-4200H的CPU，8 GB的RAM,型號(hào)為GTX950M的GPU。編程環(huán)境為MATLAB8.5版本。

3.3 實(shí)驗(yàn)結(jié)果與分析

為了驗(yàn)證本文提出的算法的效果，選取了三組算法作為對(duì)比實(shí)驗(yàn)，分別為HOG+SVM算法，LEP+SVM算法和HOG+LEB+SVM算法。識(shí)別的結(jié)果如表3所示。

表3 實(shí)驗(yàn)的對(duì)比結(jié)果

表3結(jié)果顯示出使用多尺度直方圖特征結(jié)合SVM算法的方法的識(shí)別率為84.2%，使用局部二值模式結(jié)合SVM算法的方法的識(shí)別率為81.6%，將HOG特征和LEP特征結(jié)合SVM的算法識(shí)別率為89.2%，比單獨(dú)使用HOG特征和LBP特征分別高出5個(gè)百分點(diǎn)和7.6個(gè)百分點(diǎn)，突顯出多特征融合結(jié)合SVM算法的作用。而本文提出的算法在特征融合的基礎(chǔ)上加入了使用非下采樣輪廓波變換尺度分解的步驟，和方法三相比提高了1.5個(gè)百分點(diǎn)，說明了多尺度分解方法能夠抑制噪聲的影響，對(duì)于特征提取算法有促進(jìn)作用。

為了進(jìn)一步測(cè)試提出的算法對(duì)噪聲的影響，對(duì)測(cè)試集添加了不同程度的椒鹽噪聲，并使用4種算法進(jìn)行測(cè)試。椒鹽噪聲是一種黑白相間的白點(diǎn)，在圖像形成過程中產(chǎn)生，可以近似模仿相干斑噪聲。設(shè)定椒鹽噪聲的信噪比依次為0.01,0.02,0.03,0.04和0.05。圖6是五級(jí)噪聲下目標(biāo)的圖像。

圖6 五級(jí)椒鹽噪聲下的目標(biāo) 從左到右信噪比依次為0.01～0.05

圖7是4種方法在五級(jí)椒鹽噪聲影響下的識(shí)別率變化的折線圖。從折線圖顯示出，隨著信噪比的不斷增大，局部二值模式結(jié)合支持向量機(jī)算法的識(shí)別效果影響最大，其他算法均有不同程度的降低，而本文提出的算法的魯棒性和穩(wěn)定性較強(qiáng)，在前四級(jí)噪聲下基本不受影響，在五級(jí)噪聲下受到輕微的擾動(dòng)，僅下降了2個(gè)百分點(diǎn)，驗(yàn)證了提出算法的魯棒性和有效性。

圖7 魯棒性測(cè)試圖

4 結(jié)束語

傳統(tǒng)的SAR圖像識(shí)別方法受相干斑的影響導(dǎo)致識(shí)別率較低，為了降低噪聲的影響，提高SAR圖像的識(shí)別率和魯棒性，提出一種基于NSCT和SVM的SAR圖像識(shí)別方法。利用NSCT對(duì)分解圖像,分解獲得高頻和低頻分量。使用HOG算子提取高頻分量中邊緣、細(xì)節(jié)等特征；使用LBP算子提取低頻分量紋理、輪廓等特征；最后把特征連結(jié)并使用SVM算法進(jìn)行分類。實(shí)驗(yàn)驗(yàn)證了提出的算法能夠有效提高識(shí)別率，在公認(rèn)的SAR圖像數(shù)據(jù)庫MSTAR上達(dá)到90.7%。同時(shí)對(duì)算法的魯棒性進(jìn)行了測(cè)試，結(jié)果顯示該算法優(yōu)于單特征分類及多特征融合分類算法，具有較好的魯棒性。算法的不足之處在于使用支持向量機(jī)算法進(jìn)行多分類時(shí)，需要訓(xùn)練多個(gè)分類器從而導(dǎo)致運(yùn)行時(shí)間較長，下一步如何提高算法的運(yùn)行效率是研究的方向。