目標(biāo)區(qū)域和陰影聯(lián)合決策的SAR圖像目標(biāo)識(shí)別方法

夏朋舉

(許昌職業(yè)技術(shù)學(xué)院，河南 許昌 461000)

0 引 言

合成孔徑雷達(dá)(Synthetic Aperture Radar, SAR)目標(biāo)識(shí)別是現(xiàn)在戰(zhàn)場(chǎng)情報(bào)獲取的關(guān)鍵手段之一。為此，國(guó)內(nèi)外學(xué)者針對(duì)這一領(lǐng)域開(kāi)展了廣泛而深入的研究[1]。SAR目標(biāo)識(shí)別方法一般包括兩個(gè)關(guān)鍵步驟，即，特征提取和分類(lèi)器。前者通過(guò)數(shù)學(xué)手段或者圖像分析從原始SAR圖像獲得低維的特征矢量。常用的SAR圖像特征包括幾何形狀特征、投影特征和散射中心特征。幾何特征主要描述目標(biāo)的物理形狀信息，典型的有目標(biāo)區(qū)域[2]、輪廓[3]等。投影特征通過(guò)數(shù)學(xué)變換的方式在低維子空間尋求原始高維SAR圖像的不變特征，如主成分分析(Principal Component Analysis，PCA)、線(xiàn)性鑒別分析(Linear Discriminant Analysis，LDA)[4]等。散射中心主要描述目標(biāo)局部的電磁散射現(xiàn)象，如，屬性散射中心[5]。分類(lèi)器通過(guò)對(duì)提取的特征進(jìn)行作用從而對(duì)待識(shí)別樣本的類(lèi)別進(jìn)行決策。常用與SAR圖像目標(biāo)識(shí)別的分類(lèi)器包括支持向量機(jī)(Support Vector Machines，SVM)[6]，稀疏表示分類(lèi)器(Sparse Representation-based Classification，SRC)[7]以及卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Network，CNN)[8]等。

為了提高SAR目標(biāo)識(shí)別的性能，應(yīng)當(dāng)充分利用原始SAR圖像中蘊(yùn)含的鑒別力信息。現(xiàn)有的SAR目標(biāo)識(shí)別方法中，大部分直接采用整體SAR圖像或是分割后的目標(biāo)區(qū)域，而忽視了SAR圖像陰影的作用。相關(guān)研究表明，SAR目標(biāo)陰影是目標(biāo)與背景環(huán)境在特定的雷達(dá)視線(xiàn)下相互耦合的結(jié)果，其形狀反映了目標(biāo)的物理尺寸和外形分布。因此，陰影同樣可以為目標(biāo)識(shí)別提供有效的鑒別力。Papson等[9]利用SAR圖像目標(biāo)陰影進(jìn)行目標(biāo)識(shí)別，采用隱馬爾科夫模型對(duì)陰影邊界建模，取得了良好的識(shí)別效果。文獻(xiàn)[10-11]融合目標(biāo)區(qū)域和陰影，有效提高了SAR目標(biāo)識(shí)別的性能。因此，通過(guò)聯(lián)合目標(biāo)區(qū)域和陰影有望提高SAR目標(biāo)識(shí)別性能。

本文提出了一種聯(lián)合目標(biāo)區(qū)域和陰影的SAR目標(biāo)識(shí)別方法。目標(biāo)區(qū)域和陰影都包含了對(duì)目標(biāo)物理特性的描述，因此可以分別用于SAR目標(biāo)識(shí)別。同時(shí)，兩者的相對(duì)關(guān)系也描述了目標(biāo)的狀態(tài)，如目標(biāo)相對(duì)雷達(dá)入射方向的姿態(tài)。因此，目標(biāo)區(qū)域和陰影的相對(duì)關(guān)系也可以用于提高SAR目標(biāo)識(shí)別性能。本文方法首先提取目標(biāo)和陰影的二值區(qū)域，然后采用橢圓傅里葉描述子(Elliptical Fourier Descriptors，EFDs)[3,12]分別描述目標(biāo)區(qū)域和陰影的邊界。為了描述目標(biāo)區(qū)域與陰影的相對(duì)關(guān)系，采用一個(gè)特征矢量描述兩者的相對(duì)位置關(guān)系和相對(duì)大小。在目標(biāo)識(shí)別階段，采用稀疏表示分類(lèi)器[7,14]分別對(duì)目標(biāo)區(qū)域的橢圓傅里葉描述子、陰影的橢圓傅里葉描述子和相對(duì)關(guān)系的特征矢量進(jìn)行分類(lèi)。為了得到更為穩(wěn)健的識(shí)別結(jié)果，對(duì)三者的分類(lèi)結(jié)果采用線(xiàn)性加權(quán)的決策層融合?；谌诤虾蟮臍w一化相似度判斷目標(biāo)類(lèi)別。相比文獻(xiàn)[10][11]中利用陰影的方法，本文充分考慮了陰影與目標(biāo)的相對(duì)位置關(guān)系。同時(shí)，決策層的融合進(jìn)一步提高了識(shí)別性能。實(shí)驗(yàn)中，基于MSTAR (Moving and Stationary Target Acquisition and Recognition)數(shù)據(jù)集對(duì)提出方法進(jìn)行了全面測(cè)試。

1 目標(biāo)區(qū)域和陰影提取

本文采用以下步驟提取SAR圖像的目標(biāo)區(qū)域和陰影：

(1)通過(guò)直方圖均衡化將原始SAR圖像的灰度動(dòng)態(tài)范圍變換到[0,1]；

(2)采用均值濾波對(duì)步驟1的結(jié)果進(jìn)行平滑處理；

(3)基于門(mén)限法進(jìn)行圖像分割，目標(biāo)區(qū)域和陰影的門(mén)限分別設(shè)置為0.8和0.2；

(4)采用形態(tài)學(xué)開(kāi)操作[14]剔除背景噪聲帶來(lái)的虛警；

(5)采用形態(tài)學(xué)閉操作[14]連接目標(biāo)區(qū)域以及陰影區(qū)域，獲取光滑的目標(biāo)以及陰影輪廓。

圖1對(duì)本文使用的目標(biāo)區(qū)域和陰影提取方法進(jìn)行了直觀(guān)的解釋。圖1(a)為原始圖像。其經(jīng)歷前三個(gè)步驟后的分割結(jié)果如圖1(b)所示。門(mén)限分割的結(jié)果存在大量背景雜波帶來(lái)的虛警，圖1(c)顯示了通過(guò)形態(tài)學(xué)開(kāi)操作剔除這些虛警后的結(jié)果。采用形態(tài)學(xué)閉操作連接目標(biāo)區(qū)域和陰影得到最終的提取結(jié)果如圖1(d)所示。

圖1 目標(biāo)區(qū)域和陰影提取過(guò)程

2 特征構(gòu)造

目標(biāo)區(qū)域和陰影描述了目標(biāo)的物理結(jié)構(gòu)，同時(shí)目標(biāo)區(qū)域和陰影的相對(duì)位置和大小反映了目標(biāo)與雷達(dá)入射角度的關(guān)系。直接利用目標(biāo)區(qū)域和陰影的二值圖像較為繁瑣并且不利于后續(xù)分類(lèi)器的設(shè)計(jì)。為此，本文在它們的基礎(chǔ)上進(jìn)一步進(jìn)行特征構(gòu)造。為了充分挖掘其中有益于目標(biāo)識(shí)別的信息，構(gòu)造特征時(shí)既考慮了目標(biāo)區(qū)域和陰影獨(dú)立的特性也考慮了它們的相對(duì)關(guān)系。

采用橢圓傅里葉描述子分別對(duì)目標(biāo)和陰影的二值區(qū)域進(jìn)行描述。橢圓傅里葉描述子的基本思想是通過(guò)多個(gè)大小不同的橢圓來(lái)擬合某一光滑的閉合曲線(xiàn)。它以多次諧波的方式對(duì)目標(biāo)邊界進(jìn)行無(wú)限逼近，因此對(duì)于目標(biāo)和陰影邊界的描述精度較高。同時(shí)，橢圓傅里葉描述子還具有尺度、選擇、起始點(diǎn)變換的不變性，因此描述形狀的穩(wěn)健性較強(qiáng)[12]。

對(duì)于一個(gè)光滑的封閉邊界C，可以采用向量v(t)=[x(t)y(t)]T對(duì)其進(jìn)行表示，其中t∈[0,2π)。因此，v(t)為參數(shù)t的周期函數(shù)，從而可以用傅里葉級(jí)數(shù)表達(dá)如下：

(1)

式中，系數(shù)Fk∈R2×2,k=0,1,2,…代表橢圓傅里葉描述子?？梢酝ㄟ^(guò)下式計(jì)算得到：

(2)

其中，F(xiàn)0為0階描述子，代表直流分量，即封邊邊界的幾何中心，包含兩個(gè)系數(shù)[a0c0]T。對(duì)于k≥1次諧波，均包含四個(gè)系數(shù)[akbkckdk]T。本文采用橢圓傅里葉描述子分別描述目標(biāo)區(qū)域邊界和陰影邊界，且均采用7階諧波，因此兩個(gè)邊界最終都表示為26維的特征矢量。

為了表征目標(biāo)區(qū)域和陰影的相對(duì)關(guān)系，本文采用如圖2所示的描述方法。圖中，矩形邊框代表了目標(biāo)和陰影聯(lián)合區(qū)域的邊界矩形，兩個(gè)“*”形標(biāo)記分辨代表了目標(biāo)區(qū)域和陰影的質(zhì)心。具體的描述特征如表1所列。由此，目標(biāo)區(qū)域和陰影的相對(duì)關(guān)系可以用一個(gè)14維的特征矢量描述。

3 聯(lián)合目標(biāo)區(qū)域與陰影的目標(biāo)識(shí)別方法

3.1 稀疏表示分類(lèi)器

稀疏表示分類(lèi)器[7]是基于壓縮感知理論提出的一種新的分類(lèi)策略。它的基本思想是采用各類(lèi)樣本構(gòu)成的全局字典對(duì)待識(shí)別樣本進(jìn)行線(xiàn)性表示，且約束線(xiàn)性表示系數(shù)具有稀疏性。然后，根據(jù)各個(gè)類(lèi)別對(duì)于待識(shí)別樣本的重構(gòu)誤差大小判定其類(lèi)別。記A=[A1,A2,…,AM]∈Rd×N為M類(lèi)目標(biāo)的訓(xùn)練樣本構(gòu)成的全局字典，其中Ai∈Rd×Ni(i=1,2,…,M)為來(lái)自第i類(lèi)的訓(xùn)練樣本。對(duì)于待識(shí)別的測(cè)試樣本y，其稀疏表示過(guò)程如下：

圖2 目標(biāo)區(qū)域和陰影相對(duì)關(guān)系描述

表1 描述目標(biāo)區(qū)域與陰影相對(duì)關(guān)系的特征

(3)

式中，α代表稀疏系數(shù)矢量，ε預(yù)設(shè)的重構(gòu)誤差上限。公式(3)是一個(gè)NP-hard問(wèn)題，可以通過(guò)1最小化算法[13]或正交匹配追蹤算法(Orthogonal Matching Pursuit，OMP)[7]算法進(jìn)行求解。

(4)

式中r(i)(i=1,2,…,M)代表各個(gè)類(lèi)別的重構(gòu)誤差

3.2 決策層融合

采用稀疏表示分類(lèi)器對(duì)目標(biāo)區(qū)域邊界傅里葉描述子、陰影邊界傅里葉描述子以及目標(biāo)區(qū)域與陰影相對(duì)關(guān)系的特征矢量分別進(jìn)行分類(lèi)，然后通過(guò)決策層融合得到更為可靠的識(shí)別結(jié)果。在稀疏表示分類(lèi)器中，各類(lèi)的重構(gòu)誤差實(shí)際上反映了測(cè)試樣本與各個(gè)類(lèi)別的距離。因此，重構(gòu)誤差的大小表征了測(cè)試樣本與不同類(lèi)別的相似度。利用公式(5)將3個(gè)分類(lèi)結(jié)果轉(zhuǎn)換為歸一化的相似度，以便于后續(xù)的決策融合。

(5)

通過(guò)線(xiàn)性加權(quán)的方式將3組歸一化的相似度融合：

S(i)=ω1s1(i)+ω2s2(i)+ω3s3(i)(i=1,2,…,M)

(6)

式中，s1(i)，s2(i)和s3(i)分別代表目標(biāo)區(qū)域邊界、陰影邊界以及目標(biāo)區(qū)域和陰影相對(duì)關(guān)系的歸一化相似度；ω1，ω2，ω3為三者的線(xiàn)性加權(quán)系數(shù)，表示著三者的重要程度；S(i)為融合后的歸一化相似度。本文中，通過(guò)實(shí)驗(yàn)環(huán)節(jié)中的權(quán)值調(diào)節(jié)，最終采用的權(quán)值為ω1=0.5，ω2=0.3，ω3=0.2。這表明目標(biāo)區(qū)域?qū)τ谡_識(shí)別的貢獻(xiàn)最大，陰影次之，兩者的相對(duì)關(guān)系貢獻(xiàn)最小。三者相互補(bǔ)充使得識(shí)別結(jié)果更為可靠。圖3給出了本文方法的識(shí)別流程。在求解稀疏表示系數(shù)矢量是，本文采用效率更高的OMP算法，以達(dá)到實(shí)時(shí)目標(biāo)識(shí)別的效果。

圖3 本文識(shí)別方法的流程

4 實(shí)驗(yàn)與分析

4.1 實(shí)驗(yàn)數(shù)據(jù)集

本文采用美國(guó)國(guó)防高級(jí)研究計(jì)劃局(DARPA)和空軍動(dòng)力實(shí)驗(yàn)室(AFRL)公開(kāi)的MSTAR數(shù)據(jù)集進(jìn)行驗(yàn)證實(shí)驗(yàn)。該數(shù)據(jù)集包括了X波段HH極化下10類(lèi)軍事目標(biāo)的實(shí)測(cè)SAR圖像，圖像大小128×128像素，原始分辨率為0.3 m×0.3 m，是目前驗(yàn)證SAR目標(biāo)識(shí)別算法最常用的數(shù)據(jù)集之一。表2列出了10類(lèi)目標(biāo)的訓(xùn)練樣本和測(cè)試樣本。其中，訓(xùn)練樣本采集于17°俯仰角，測(cè)試樣本來(lái)自于15°俯仰角。

表2 本文使用的訓(xùn)練和測(cè)試樣本

圖4 10類(lèi)目標(biāo)的光學(xué)圖像

4.2 實(shí)驗(yàn)結(jié)果與分析

實(shí)驗(yàn)中，本文采用了幾種經(jīng)典的SAR目標(biāo)識(shí)別算法進(jìn)行對(duì)比，包括：基于支持向量機(jī)的算法(記為SVM)[6]，基于稀疏表示分類(lèi)的算法(記為SRC)[7]和基于卷積神經(jīng)網(wǎng)絡(luò)的方法(記為CNN)[8]。

4.2.13類(lèi)目標(biāo)識(shí)別結(jié)果

實(shí)驗(yàn)中，首先測(cè)試了提出算法在3類(lèi)目標(biāo)—BMP2、BTR70和T72上的識(shí)別性能。本文方法對(duì)3類(lèi)目標(biāo)的識(shí)別結(jié)果如表3所示?？梢钥闯?，本文方法在3類(lèi)目標(biāo)上平均識(shí)別率達(dá)到98.32%，充分驗(yàn)證了其有效性。表4對(duì)比了本文算法與其它幾類(lèi)SAR目標(biāo)識(shí)別方法的平均識(shí)別率。本文方法具有最高的識(shí)別率?？梢?jiàn)，通過(guò)聯(lián)合目標(biāo)區(qū)域和陰影可以為目標(biāo)識(shí)別提供更強(qiáng)的鑒別力，從而提高識(shí)別性能。

表3 3類(lèi)目標(biāo)的識(shí)別結(jié)果統(tǒng)計(jì)

表4 本文方法與其它方法在3類(lèi)目標(biāo)識(shí)別上的對(duì)比

4.2.210類(lèi)目標(biāo)識(shí)別結(jié)果

采用本文提出方法對(duì)表2中的10類(lèi)目標(biāo)進(jìn)行了識(shí)別，具體結(jié)果如圖4所示。本文方法對(duì)單個(gè)目標(biāo)的識(shí)別率均達(dá)到94%以上，最終10類(lèi)目標(biāo)的平均識(shí)別率為96.72%。可見(jiàn)，聯(lián)合目標(biāo)區(qū)域和陰影的識(shí)別方法對(duì)10類(lèi)目標(biāo)仍然可以取得較高的正確識(shí)別率，驗(yàn)證了其有效性。表3進(jìn)一步對(duì)比了本文方法與其它方法在10類(lèi)目標(biāo)上的識(shí)別性能，本文方法依舊保持最好的識(shí)別率。盡管CNN的分類(lèi)能力很強(qiáng)，但是其性能與訓(xùn)練集的完備性息息相關(guān)。由于測(cè)試集的部分型號(hào)未包含在訓(xùn)練集中，CNN的識(shí)別性能受到一定程度的影響。

圖5 本文方法對(duì)10類(lèi)目標(biāo)的識(shí)別結(jié)果

4.2.3噪聲干擾

實(shí)際獲取的SAR數(shù)據(jù)通常會(huì)受到來(lái)自于背景環(huán)境和雷達(dá)系統(tǒng)的噪聲污染，因此識(shí)別算法應(yīng)當(dāng)對(duì)噪聲干擾保持較強(qiáng)的穩(wěn)健性。為了測(cè)試提出方法對(duì)于噪聲干擾的穩(wěn)健性，本文按照文獻(xiàn)[5]、[15]中的方法對(duì)10類(lèi)目標(biāo)的測(cè)試樣本添加不同程度的高斯白噪聲進(jìn)而測(cè)試各個(gè)識(shí)別算法在不同信噪比(Signal-to-Noise Ratio，SNR)下的識(shí)別性能。各類(lèi)方法在噪聲干擾條件下的識(shí)別性能如圖6所示?？梢钥闯?，本文算法在各個(gè)信噪比下均保持最高的識(shí)別率，充分證明了其對(duì)于噪聲干擾的較強(qiáng)穩(wěn)健性。同時(shí)，SRC在低噪聲水平時(shí)相比SVM和CNN具有更強(qiáng)的穩(wěn)健性，這是由于稀疏表示自身對(duì)于噪聲的穩(wěn)健性。因此，本文算法在噪聲干擾下的良好性能得益于目標(biāo)區(qū)域和陰影的聯(lián)合使用以及稀疏表示的優(yōu)良特性。

表5 本文方法與其它方法在10類(lèi)目標(biāo)識(shí)別上的對(duì)比

圖6 各類(lèi)方法在不同信噪比下的識(shí)別性能

4.2.4分辨率改變下的識(shí)別結(jié)果

由于SAR傳感器的差異，獲取的待識(shí)別SAR圖像的分辨率可能與訓(xùn)練樣本有所差異這就要求識(shí)別算法對(duì)于分辨率變化具有一定的穩(wěn)健性。為了測(cè)試提出算法對(duì)于分辨率變化的穩(wěn)健性，本文按照文獻(xiàn)[5]、[15]中的方法基于原始10類(lèi)目標(biāo)的測(cè)試樣本構(gòu)造了不同分辨率的SAR圖像。通過(guò)在不同分辨率下測(cè)試各類(lèi)識(shí)別方法，得到的各類(lèi)方法的性能變化曲線(xiàn)如圖7所示。對(duì)比而言，本文算法在各個(gè)分辨率下均保持最高的識(shí)別率，充分驗(yàn)證了其杜宇分辨率變化的穩(wěn)健性。在分辨率改變的條件下，目標(biāo)的全局特征發(fā)生了較大的變化，因此基于全局特征的SVM、SRC和CNN方法均出現(xiàn)了較為顯著的性能下降。本文算法是基于目標(biāo)區(qū)域和陰影，盡管分辨率較低，兩者仍然可以以較高的精度得到分離。因此，本文方法仍然可以取得較好的識(shí)別性能。

圖7 各類(lèi)算法在不同分辨率下的識(shí)別性能

5 結(jié) 語(yǔ)

本文提出了聯(lián)合目標(biāo)區(qū)域和陰影的SAR目標(biāo)識(shí)別方法。該方法采用橢圓傅里葉描述子描述目標(biāo)區(qū)域和陰影的邊界；同時(shí)采用特征矢量描述兩者的相對(duì)關(guān)系。采用稀疏表示分類(lèi)器對(duì)目標(biāo)區(qū)域邊界、陰影的橢圓傅里葉描述子以及相對(duì)關(guān)系的特征矢量進(jìn)行分類(lèi)，并采用決策層融合的方法得到更為穩(wěn)健的識(shí)別結(jié)果。利用MSTAR數(shù)據(jù)集在多種條件下進(jìn)行了驗(yàn)證實(shí)驗(yàn)，實(shí)驗(yàn)結(jié)果證明了本文方法相比其它方法具有較強(qiáng)的優(yōu)越性。然而，作為一種基于目標(biāo)區(qū)域和陰影的方法，提出方法對(duì)于目標(biāo)幾何外形的保持要求較為嚴(yán)格。當(dāng)采集的SAR圖像外形發(fā)生較大變化時(shí)，本文方法的性能將會(huì)出現(xiàn)較為嚴(yán)重的下降。同時(shí)，由于涉及到較為復(fù)雜的目標(biāo)區(qū)域和陰影提取，本文方法的效率相對(duì)較低。