SAR景象匹配適配性指標體系構建方法研究?

張 強 彭曉軍 許 超 明德烈

（1.火箭軍裝備研究院 北京 100094）（2.華中科技大學自動化學院 武漢 430074）

SAR景象匹配適配性指標體系構建方法研究?

張 強1彭曉軍1許 超2明德烈2

（1.火箭軍裝備研究院 北京 100094）（2.華中科技大學自動化學院 武漢 430074）

論文主要探討了如何構建科學、合理的SAR圖像適配性指標體系的過程。在適用于SAR圖像的圖像特征參數指標體系構建基礎之上，首先對各個圖像特征參數進行單次獨立實驗，驗證其正確性以及對不同類型圖像的區(qū)分性；再對各個參數在大量訓練集的基礎上進行統(tǒng)計實驗，分析其對正負樣本的區(qū)分性。提出了兩種圖像預處理的方法，極大地消除了訓練集圖像之間、訓練集圖像與使用集圖像之間，因為成像環(huán)境、氣候、飛行器飛行模式、SAR極化方式等原因造成的圖像質量差異，與此同時，還使得部分特征參數獲得了對圖像更好的描述能力。

SAR；景象匹配；適配性；指標體系

1 引言

在當今的慣性組合導航系統(tǒng)中，主要是通過進行SAR圖像匹配來輔助定位的，想要定位結果具有較高的精度，除了要求圖像匹配算法應具有優(yōu)越的性能以外，SAR圖像中目標區(qū)域的適配性分析也同樣重要。強適配性的匹配區(qū)域是飛行器行進過程中SAR所拍攝的實時圖象與預先準備好的SAR基準圖能夠成功匹配的保障。因此，什么樣的特征可以被用來衡量SAR圖像區(qū)域適配性的強弱，如何消除特征因SAR成像環(huán)境或者是圖像尺寸變化導致的不穩(wěn)定性，以及如何從SAR圖像的給定區(qū)域提取有價值的信息，便成為SAR圖像適配性分析的一個核心問題，本文主要圍繞如何構建科學、高效的SAR圖像適配性分析指標體系展開研究。

想要對SAR圖像匹配區(qū)域的適配性進行準確的描述，首要的問題是選取的圖像特征參數要具備穩(wěn)定性。而SAR圖像的適配性受到許多因素的影響，因此可以由多個基本的適配特征參數，合成得到一個穩(wěn)定的適配性分析指標體系。每一個基本適配特征，必須可以從某一個角度反應出SAR圖像的適配性，將之合成之后，整個適配性指標體系應能夠全面的表征SAR圖像的適配性能。對于特征選擇的問題，目前為止已經進行了較為廣泛的研究［1～2］。近些年來，引入現代搜索方法已經成為了特征選擇研究的一個重要發(fā)展方向，利用計算機處理大規(guī)模數據的優(yōu)勢來完成高性能特征的合成［3～4］，該方式不僅解決了人工選擇特征時只能依靠經驗進行選擇，缺乏效率、客觀性和全面性的問題，而且，即使不能夠全面地理解圖像中所包含的信息，依然能夠順利地對圖像進行分析。Lin等通過對基于基本識別特征的表達式二叉樹進行協(xié)進化遺傳碼得到綜合特征［5］，將之進行訓練得到效率較高的貝葉斯分類器，最后用來對不同類型的車輛圖象進行分類，其提出的方法在目標檢測和識別領域中取得了較為顯著的成果。Yu等訓練基于Ga?bor小波特征的SVM（支撐向量機），并以此對不同的面部表情進行識別［6］。Manoranja等最先將特征篩選的過程分解成子集生成、評估、停止準則和結果檢驗四個過程［7］，該方法已成為特征篩選的基本標準。

本文介紹創(chuàng)建一個科學的適配性指標體系所需要考慮到的幾個重要條件。首先，要從穩(wěn)定性、唯一性、豐富性三個角度來全面地選擇足夠的特征參數；然后，提出兩種圖像預處理的方法，用以消除不同圖像之間因為成像環(huán)境或是SAR極化方式不同而導致的差異，使得所選特征參數在不同圖像中具有可比性；最后，對所選擇的特征參數分別進行獨立實驗和統(tǒng)計實驗，結合每一個參數的物理意義驗證其準確性、穩(wěn)定性以及其對正負樣本的區(qū)分性。本文根據大量的實驗結果對傳統(tǒng)的圖像特征參數進行了適當的優(yōu)化，以保證其能夠良好地反應圖像特性，并且給出優(yōu)化前后的對比結果。

2 SAR成像特征參數選取

在進行匹配區(qū)的選擇時，應當選取信息豐富、景物特征穩(wěn)定并且景物特征獨特的區(qū)域作為匹配區(qū)。諸如瓶頸海面、湖面，或者是沙漠地帶，這類區(qū)域包含的信息量通常比較少，幾乎沒有典型的場景或目標，辨識度較低，匹配概率也較低，所以該類地形通常無法正確匹配［8］。同樣，有些圖像區(qū)域中，即使存在一些可識別的目標或者場景，但該目標或場景易受到外界因素的影響，其特性會隨著季節(jié)或是拍攝角度而變化，則該類圖像區(qū)域雖然含有足夠的信息量，但景物特征不夠穩(wěn)定，也不能夠作為匹配區(qū)。景物特征要有獨特性是因為在一切場景中，包含足夠的信息量并且景物特征也十分穩(wěn)定，但同類型的景物數量較多，非常相似，在進行匹配的時候由于過多的重復場景，就會存在多個潛在的匹配位置，進而出現錯誤匹配的情況［9］。

不論是豐富的信息量、穩(wěn)定的特征還是具有獨特性的景物，這些都是對SAR圖像的定性描述，那么在實際選擇匹配區(qū)時，必須要對圖像的各個特性有一個全面的、定量的描述，所以將對圖像的定性的描述與圖像特征參數的定量描述結合在一起，才能有效地分析SAR圖像的適配性［10～11］。本文列舉了兩類圖像特征指標，分別是基于相關面描述的指標與基于圖像統(tǒng)計特征的指標，并對每項指標自身的穩(wěn)健性以及與圖像可匹配性的關系進行了詳細分析。

2.1 基于相關面描述的指標

相關匹配算法描述的是實時圖和基準圖各個位置的相似程度，而基于相關面描述的指標，則是用于描述兩者之間的相似性大?。?2］。進行匹配時，以實時圖為模板，逐像素掃描基準圖，在每個像素點都通過匹配算法計算得到一個相關系數值，并將該值依次按順序排列成二維矩陣，就是所求的相關面。在傳統(tǒng)的互相關匹配算法中，將相關面最大值默認為實時圖在基準圖中的匹配位置。在相關面的基礎上，建立一系列的有關特征，來描述實時圖與基準圖的相互作用結果。

計算得到的相關面通常不是一個平整的表面，而是呈現波動起伏分布。一般而言，將一定鄰域范圍內的相關系數最大值成為峰值，而所有峰值中的最大值稱為最高峰，其余的峰值均被稱為次高峰［13～14］。當兩個相關峰的相關系數值越接近，則表明這兩個峰值所對應的區(qū)域具有越高的相似程度，即容易產生誤匹配。尤其是實時圖由于成像環(huán)境和SAR極化方式等原因，具有較大的成像畸變，在這種情況下次高峰甚至會因此轉變成最高峰，直接導致錯誤匹配。所以，越陡峭的尖峰就越容易取得高的匹配概率和匹配精度，而較為平緩的峰則有可能會產生失配的情況。

首先，我們提取相關面特征參數的初衷，即為表征實時圖在基準圖中對應子圖的特性，以及它們之間的相互作用關系。然而，傳統(tǒng)的相關面參數都是基于相關面最高峰的，即相關面參數所反映的是實時圖在基準圖中匹配位置的特性，而不一定是實時圖的實際位置。顯然，這與我們提取相關面特征參數的初衷不符，本文對所有傳統(tǒng)的相關面特征參數進行了修改，使其能更好地適用于SAR圖像適配性分析指標體系。

2.2 基于圖像統(tǒng)計特征的指標

區(qū)別于相關面的特征，圖像統(tǒng)計特征主要表征的是圖像自身的特性，主要是圖像所包含的信息的豐富程度。通常來說，一幅圖像所包含的信息量越豐富，該圖像內就存在越多的顯著的景物，意味著圖像比較易于匹配成功［15～16］。但在實際的圖像匹配過程中，并不完全是這樣，如果圖像中的景物繁多且較為相似，則有可能無法正確匹配；盡管如此，圖像統(tǒng)計特征依然是表征一幅圖像是否可匹配的重要衡量指標，在此列出幾個使用到的圖像統(tǒng)計特征。

1）紋理頻譜參數

紋理頻譜特征主要是表征圖像中的地形在空間的分布，低頻段主要是粗紋理，高頻段主要是細紋理。本文中，在極坐標下，用不同半徑對圓域進行積分求取其能量的強度，再將之除以總能量，得到某一頻段能量所占的比例大小，用以反映圖像中粗細紋理的豐富程度。

假設 f(x，y)表示原始圖像中坐標為(x，y)點的像素值大小，F(x，y)為其傅里葉變換，令：

定義頻域內的環(huán)形統(tǒng)計量為

定義紋理能量比特征為

極半徑 ρ取ω 2、ω 4、ω 8、ω 16，得到4個統(tǒng)計量，并且細紋理豐富的圖像區(qū)域，其值下降速度較快，而粗紋理豐富的圖像區(qū)域，則下降速度較慢。在本文中，將4個帶寬的紋理頻譜參數值分開作為獨立特征表征圖像特性。

2）灰度方差

圖像灰度方差是一個較為簡單，但應用廣泛，且能夠有效反應圖像包含信息量大小的圖像特征參數。它所表達的意義是整個圖像中每一個像素點的灰度值偏離圖像整體平均值的程度，能夠反映出圖像灰度變化的起伏。

若一幅圖像中顯著的景物較少，地形變化平緩，則其具有較小的灰度方差；反之，若一幅圖像中包含豐富多樣的景物，則其通常具有較大的灰度方差?；叶确讲畹挠嬎愎綖?/p>

其中，X(i，j)表示圖像中坐標為(i，j)處點的灰度值大小，E(i，j)表示整個圖像的灰度平均值，m、n則分別表示圖像的行和列數。

3）累加梯度值

累加梯度值即為整幅目標圖像中每個像素點的梯度值的累加和，它能夠反映圖像中存在邊緣的多少及圖像中灰度變化情況，也是一個反映圖像包含信息量的特征參數。梯度值反映的是圖像邊緣是否較突出，即圖像的輪廓是否較顯著。若一塊圖像區(qū)域內，存在較為顯著的邊緣輪廓，則其具有較大的梯度值；對于邊緣平滑的區(qū)域，其梯度值相對較?。粚τ诨叶燃墳槌档膮^(qū)域，其梯度值為0。累加梯度值的計算方法為

令Gx和Gy分別表示圖像沿x方向和 y方向的梯度：

由式（7）～（8）得，圖像 f(x，y)在點 (x，y)處的梯度值為

最后把圖像中的所有像素點的梯度值相加，即得到了所求的累加梯度值：

4）梯度方向熵

在本文中采用梯度方向熵這個參數來度量圖像特征的穩(wěn)定性。首先求得目標圖像的梯度方向圖，然后在每個像素點周圍一定范圍的鄰域內，對其進行梯度方向直方圖統(tǒng)計，再根據方向梯度直方圖計算出梯度方向熵。這樣每個點就都有了一個熵值，得到熵圖，最后取熵圖強度前30%像素的均值作為目標區(qū)域的熵值量度。

其具體計算方法分為4步：

（1）計算梯度的大小和方向

對目標圖像分別在水平和垂直方向上應用一維離散微分模板。接著使用卷積核[-1，0，1]，[-1，0，1]T對圖像進行卷積運算，得到水平方向梯度 Gx(x，y)和垂直方向梯度 Gy(x，y)，則像素點(x，y)處的梯度幅值和梯度方向分別為

（2）統(tǒng)計梯度方向直方圖

把0～360°的梯度方向平均劃分為n個區(qū)間；接著對每個單元格中的每一像素點，采用加權投票的方法對其進行直方圖統(tǒng)計，并由此得到一個對應的n維特征向量。即每一個像素點投向對應的方向區(qū)間時是帶有權重的，而其權重值是根據該點的梯度幅度大小計算出來的。

（3）計算梯度方向熵

分別統(tǒng)計圖像塊梯度方向直方圖中每個方向的概率pi，則由此得到每個圖像塊的梯度方向熵為

然后，將每個方向的梯度方向熵求和得到最終的梯度方向熵：

（4）量化梯度方向熵

根據梯度方向熵的定義和計算方式，結合熵的定義可知，當一幅圖內，存在分布較為平均的各個方向的梯度時，梯度方向熵會取得較大值，而當一幅圖像中的梯度主要分布在一兩個方向時，梯度方向熵會取得較小值。

由熵的定義可知，當每個方向的梯度出現概率都相等的情況下，熵取得最大值：

在實際計算的過程中，由于很少出現熵值很小的情況，大部分時候熵的值都離最大值很近。為了增加特征描述的區(qū)分性，并便于輸出目標區(qū)域的熵的強度圖進行分析，將梯度方向熵量化值命名為GDE，用如下公式量化：

GDE取值范圍是［0，255］，且當GDE值大時，代表對應的熵值小，反之，GDE值小，代表熵值大。

對熵值強度圖（GDE）圖進行統(tǒng)計，對GDE圖中像素點進行由大到小排序，將排序結果中占總像素數的前30%的點進行加權，即形成最終目標區(qū)域的GDE值：

其中，w和h分別是目標區(qū)域的寬和高。

根據梯度方向熵的定義和計算方式，結合熵的定義可知，當一幅圖內，存在分布較為平均的各個方向的梯度時，梯度方向熵會取得較大值，而當一幅圖像中的梯度主要分布在一兩個方向時，梯度方向熵會取得較小值。在實際圖像匹配過程中，小輪廓的景物在實時圖成像時由于畸變會產生較大的變化，不宜匹配，尤其具有大量相似小輪廓景物的圖像，通常會匹配失敗，該類圖像對應較大的梯度方向熵；而圖像內部小輪廓景物較少并且具有大尺度輪廓的圖像，通常能夠成功匹配，該類圖像的梯度方向熵通常較小。

3 SAR成像預處理

3.1 基準圖預處理

在實際的使用過程中，訓練集中的基準圖往往不止一幅，所以訓練集的基準圖中可能存在圖像質量參差不齊的情況，除此之外，使用集中的保障數據可能也和訓練集存在較大的差異。如果放任這些圖像差異不管，一方面是所提取的圖像特征參數值分布在不同質量的圖像之間沒有可比性，另一方面，所生成的適配性分析準則也不可能很好地適用于各種圖像。所以，在進行圖像特征參數的提取之前，最重要的一件事情，是對基準圖圖像進行必要的預處理，使不同質量的基準圖具有可比性，即讓適配性分析指標體系能夠在同一個水平下對不同圖像的特性進行描述。

由于受到天氣、季節(jié)、SAR極化方式不同等因素的影響，即使是同源圖像，也可能存在極大的差別。不論是圖像的整體亮度、對比度還是相干斑噪聲的大小，都有極大的差別，如果直接對差異較大的圖像進行圖像特征的提取，那么獲得的參數值將會完全沒有可比性。

此處針對以上問題，對不同SAR圖像進行預處理來減弱甚至消除圖像之間的差異。首先對圖像進行對比度拉伸，拉伸前和拉伸后的SAR圖像如圖1所示。

對比對比度拉伸前后的SAR圖像，首先可以看到對比度拉伸之后的海面區(qū)域和陸地區(qū)域差異更佳顯著，海面區(qū)域本身含有的一部分噪聲在拉伸之后受到了抑制，陸地區(qū)域的邊緣被增強，但同時圖像中的許多相干斑噪聲被極大的加強了，這也會影響圖像的質量。并且，在進行對比度拉伸之后，該圖像在視覺上已經和訓練集圖像具有可比性。

圖1 對比度拉伸前后的SAR圖像

在進行了對比度拉伸之后，雖然解決了對比度問題，但也隨之帶來了新的問題，就是部分噪聲被對比度拉伸加強了，這些噪聲會對提取的特征參數值噪聲產生不良影響，降低適配性準則的準確性。在本文中，解決噪聲的方法是對圖像進行高斯濾波，經過高斯濾波后的SAR圖像如圖2所示。

圖2 高斯濾波后的SAR圖像

由圖2可以看到，對比度拉伸后的圖像進行了高斯濾波之后，大尺度輪廓和長直線條并沒有受到影響，而大量的噪點被濾除了。同時，在圖像匹配中，細小輪廓是容易發(fā)生變化的，而大尺度輪廓才適于匹配，在經過高斯濾波后的SAR圖像中，諸如房屋密集區(qū)的大量細小輪廓和邊緣也被濾除，這對后續(xù)的特征參數提取是有利的。

3.2 實時圖預處理

此處針對進行相關面參數計算的實時圖，是使用集中的實時圖，該實時圖由基準圖截取，故其在進行特定的實時圖預處理之前，已經經過了全圖的對比度拉伸以及高斯濾波。但僅僅經過對比度拉伸和高斯濾波，是不夠的，因為由原圖截取的子圖，在進行相關面匹配計算時，其匹配概率達到100%，并且相關面質量極佳，相關面只有單一尖峰；而訓練集中，由于實時圖是SAR實時拍攝，受到諸多因素影響，其圖像質量較低，計算得到的相關面也較差，可能存在許多干擾尖峰或是重復模式。所以，為了讓使用集圖像所計算出的相關面參數與訓練集具有可比性，就需要在進行相關面計算之前，對實時圖進行一些處理。

所用的基準圖都是經過預處理的，不存在幾何和旋轉失真，而所用到的實時圖是經過幾何校正的，但圖像中可能會包含一部分無效區(qū)。對比基準圖和實時圖，首先是兩者存在較大的亮度差異，并且由于SAR的成像特性，即使是基準圖和實時圖對應的子圖，其兩者在細節(jié)紋理上仍然有較大的差異，真正能夠對圖像匹配起到積極作用的主要還是圖像中的大尺度區(qū)域、輪廓等特征。其中，沿湖、海地區(qū)，具有清晰公路的地區(qū)可以想見是較容易匹配成功的，但對于不包含顯著特征的山區(qū)，其本身高程起伏較大，所形成的實時圖陰影和疊掩非常嚴重，造成實時圖產生很大的畸變，故而匹配成功率很低。

然后，圖3包含了兩種飛行模式下的兩個實時圖基準圖計算后得到的相關面。

圖3 實際SAR匹配相關面

結合圖3可以得知，由于SAR實時圖形成時受運載平臺運動方式、天氣季節(jié)、SAR本身極化方式等因素的影響，會有大幅度的畸變，導致實時圖與基準圖進行互相關匹配后得到的相關面并不能夠像理想相關面那樣得到一個突出的尖峰，而是以平頂峰的形式出現，并且其相關面峰值絕對值通常要遠小于1。

而使用過程中則有所不同。由于在進行相關面特征參數提取時，本文方法為：根據實時圖的真實位置，在基準圖對應坐標點，截取與實時圖相同大小的子圖，并將所截取的圖像與基準圖進行匹配。由于采用的圖像匹配算法為互相關匹配算法，其本質是進行灰度互相關系數的計算，所以不論截取的子圖是否包含顯著的景物特征，其計算得到的相關面都是一個尖峰。在此選取一張顯然不能匹配成功的子圖與其對應相關面如圖4所示。

圖4 海面圖以及對應相關面

由圖4可以看出，如果在進行特征參數提取的時候僅僅是截取參考圖的子圖進行互相關匹配的話，其相關面與圖3的實時圖相關面完全沒有可比性，那么提取的所有相關面參數都沒有意義，無法對適配性分析起到任何作用。所以在本文中，預先對參考圖中截取的子圖進行添加傅里葉噪聲、旋轉以及圖像壓縮5%的處理，處理過后的海面圖及其對應相關面如圖5所示。

圖5 處理后的海面圖及其對應相關面

由圖5可以看出，該圖像的相關面出現較多的峰，已經無法正確匹配。并且可以看出經過處理后的圖像所計算出的相關面，與實時圖計算出的相關面已經具有可比性，并且能夠在一定程度上反應該圖像在整個基準圖中的唯一性。

4 適配性指標參數篩選

不論是基于相關面的圖像參數還是圖像統(tǒng)計特征參數，都有其適用的范圍，也有各自的局限性，將某一個圖像特征應用于SAR適配性分析之前，需要先對其進行測試和分析，確保其能夠正確地反應圖像特性，能夠對適配性分析產生積極的影響。本文分別對各個圖像特征參數進行了單次實驗和統(tǒng)計實驗，單次實驗采用差異顯著的不同圖像進行相關特征的提取，驗證特征參數的穩(wěn)定性和對圖像特征的表征能力；統(tǒng)計實驗則是用涵蓋面豐富的圖像集合，對圖像特征參數進行大量統(tǒng)計實驗，根據實驗結果分析特征參數與SAR圖像適配性的關系。

5 實驗分析與結論

一個科學、穩(wěn)健的適配性指標體系，需要能夠適應不同類型的數據源或是多種數據源的集合。訓練數據集中通常包含有多種豐富的地形地貌，加入適配性分析指標體系的特征參數需要在面對不同性質的圖像時，能夠表現出應有的參數變化特性。同時，由于訓練集中可能存在尺寸不同情況，所以一個合格的圖像特征參數需要能夠抗尺度。本文中，將會針對每一個特征參數物理意義所表現的圖像特性，進行不同的實驗，驗證特征參數的穩(wěn)定性以及對圖像特性的表現能力。

分別選取海面、沿海、城區(qū)和山區(qū)四類地區(qū)共8幅圖像，選取相關面主峰值、重復模式、梯度方向熵等3個圖像特征參數的實驗對比。所選取的圖像如表1所示。

表1 不同區(qū)域的SAR圖像

5.1 相關面主峰值

在實際使用中，每一幅實時圖的真實位置，是由人工標定的，所以必然會存在一定的誤差，但是在相關面中，幾個像素值的誤差，可能就會從一個尖峰的頂部轉移到一個峰的底部，在數值上會有非常大的變化。所以本文中，在真實位置鄰域內尋找局部極值作為真實位置的峰值。各圖像的相關面主峰值計算如表2所示。

表2 相關面主峰值

首先對比圖4和圖5，可以看出同一幅圖在進行處理之前和處理之后進行相關面計算會有很大的差別，直接截取子圖進行匹配，其相關面峰值為1，是為完全匹配，但當圖像經過處理之后相關面峰值為0.0125。結合該參數的物理意義，可以看出，該值越高表明圖像越適于匹配，而該值越低，則說明圖像越不易匹配成功。

然后對比表1中的四類圖像，以常識來說，顯然海面和山區(qū)是不可匹配區(qū)域，沿海地區(qū)屬于含有大尺度輪廓的區(qū)域，可以匹配，而內陸地區(qū)的適配性具體要視該圖像內的景物特征而定。由表2中的計算結果可以看出，海面和山區(qū)的主峰值要明顯小于沿海和具有清晰輪廓的城區(qū)，其結果符合參數的物理意義。以上實驗及分析，驗證了相關面峰值這個特征參數的穩(wěn)健性以及對圖像適配性的描述能力。

5.2 重復模式

將表1中的四類圖像進行實驗對比。其重復模式計算結果如表3所示。

表3 重復模式

根據重復模式計算結果可以得知：首先，沿海和城區(qū)的第一幅圖像重復模式為0，意味著計算出的整個相關面沒有可以干擾匹配的點，能夠成功匹配，表明其具有良好的適配性。而海面區(qū)域和山區(qū)在實際使用中顯然無法正確匹配，其計算得到的相關面中有大量的峰值干擾匹配結果。沿海和城區(qū)的第二幅圖，其重復模式不為0，但并不像海面和山區(qū)那么高，所以單獨考慮重復模式一個參數的情況下，其適配性能介于完全不可匹配與能正確匹配之間。

5.3 梯度方向熵

將表1中的四類圖像進行實驗對比。其對應的熵圖以及熵值如表4所示。

表4 梯度方向熵

首先觀察海面圖像的熵圖，由于海面圖像中并沒有任何的長直輪廓，故其熵圖幾乎是純黑的，再看海面圖像的熵值，相比于其他三類圖像都要低的多，表明該參數在海面這種不具有長直輪廓的區(qū)域和包含有長直輪廓區(qū)域具有較強的區(qū)分性。沿海圖像中是具有長直輪廓區(qū)域的，將原圖和熵圖對比可知，熵圖中亮度最大的位置與原圖中的長直輪廓區(qū)域完全吻合，并且沿海地區(qū)的熵值相對而言是比較高的。城區(qū)圖像不論是熵圖還是熵值，都存在較大區(qū)別，可以看到城區(qū)第二幅圖中并沒有十分顯著的長直輪廓，而第一幅圖中在熵圖高亮部分是存在顯著長直輪廓的，且第一幅圖的熵值也遠大于第二幅圖，這說明熵圖很好地表現出了兩幅圖像的差別，另外其熵值也存在較大的差別。最后是山區(qū)圖像，山區(qū)圖像中具有較多的山脈輪廓，這些輪廓可以在熵圖中看到，因為存在很多的山脈輪廓，所以山區(qū)圖像的熵值通常比較高，這與該參數的物理意義相符合。

6 結語

本文主要探討了如何構建科學、合理的SAR圖像適配性指標體系的過程。在適用于SAR圖像的圖像特征參數指標體系構建基礎之上，首先對各個圖像特征參數進行單次獨立實驗，驗證其正確性以及對不同類型圖像的區(qū)分性；再對各個參數在大量訓練集的基礎上進行統(tǒng)計實驗，分析其對正負樣本的區(qū)分性。提出了兩種圖像預處理的方法，極大地消除了訓練集圖像之間、訓練集圖像與使用集圖像之間，因為成像環(huán)境、氣候、飛行器飛行模式、SAR極化方式等原因造成的圖像質量差異，與此同時，還使得部分特征參數獲得了對圖像更好的描述能力。

［1］Krawiec K，Bhanu B.Visual Learning by Evolutionary and Coevolutionary Feature Synthesis［J］.IEEE Transactions on Evolutionary Computation，2007，11（5）：635-650.

［2］Krawiec K，Bhanu B.Visual Learning by Coevolutionary Feature Synthesis［J］.IEEE Transactions on Systems，Man，And Cybernetics—PART B：Cybernetics，2005，35（3）：409-425.

［3］Stanhope S A，Daida J M.Genetic Programming for Auto?matic Target Classification and Recognition in Synthetic Aperture Radar Imagery［C］//In Proceedings of Evolution?ary Programming Conference，1998：735-744.

［4］Bhanu B，Lin Y.Genetic Algorithm Based Feature Selec?tion for Target Detection in SAR Images［J］.Image Vision and Computation，2003，21（7）：591-608.

［5］Lin Y Q，Bhanu B.Evolutionary Feature Synthesis for Ob?ject Recognition［J］.IEEE Transactions on Systems，Man and Cybernetics，Part C：Applications and Reviews，2005，35（2）：156-171.

［6］Yu J G，Bhanu B.Evolutionary Feature Synthesis for Fa?cial Expression Recognition［J］.Pattern Recognition Let?ters，2006，27：1289-1298.

［7］Dash M，Liu H.Feature Selection for Classification［J］.In?telligent Data Analysis，1997，1（3）：131-156.

［8］Ralph J F，Sims S W.Scene-referenced object localization［J］.Proceeding SPIE，2004，5428（1）：20-25.

［9］Lisa Goottesfeld.Survey of Image registration techniques［J］.Computing Surveys，1992，24（4）：320-328.

［10］Meth R，Chellappa R.Stability and sensitivity of topo?graphic features for SAR target characterization［C］//Pro?ceedings of IEEE International Conference on Image Pro?cessing，1997，3：464-467.

［11］Sharma M，Singh S.Evaluation of texture methods for im?age analysis［C］//Proceedings of 7th Australian and New Zealand Intelligent Information Systems Conference，2001：117-121.

［12］W Wan，J Ventura.Segmentation of Planar Curves into Straight-Line Segments and Elliptical Arcs［J］.Graphi?cal Models&Image Processing，1997，59（6）：484-494.

［13］Witten I.H.，Frank E.，Data Mining：Practical machine learning tools and techniques［M］.Morgan Kaufmann，2005.

［14］毛國軍，段立娟.數據挖掘原理與算法［M］.北京：清華大學出版社，2005.MAO Guojun，DUAN Lijuan.Principles and algorithms of data mining［M］.Beijing：tsinghua university press，2005.

［15］朱玉全，楊鶴標，孫蕾.數據挖掘原理與算法［M］.南京：東南大學出版社，2006.ZHU Yuquan，YANG Hebiao，SUN Lei.Principles and algorithms of data mining［M］.Nanjing：Southeast Uni?versity press，2006.

［16］Goethals B.Memory issues in frequent itemset ming［C］//Proc of ACM Symposium on Applied Computing.New York，NY：ACM，2004：530-534.

Research on Index System Construction Method of SAR Image Suitability

ZHANG Qiang1PENG Xiaojun1XU Chao2MING Delie2
（1.Equipment Academy of The Rocket，Beijing 100094）（2.School of Automation，Huazhong University of Science and Technology，Wuhan 430074）

This paper mainly discusses how to construct a scientific and reasonable SAR image adaptation index system.First?ly，based on the construction of the index system of image characteristic parameters for SAR images，single independent experi?ments are carried out for each image feature parameter.These experiments verify the correctness and differentiation of different types of images.Then，the statistical experiments are carried out on the basis of a large number of training sets.These experiments analyze the distinction between positive and negative samples.Two methods of image preprocessing are proposed.The image quality differ?ences between the training set images，the training set images and the set images are greatly eliminated，such as imaging environ?ment，climate，flight modes，and SAR polarization modes.At the same time，some feature parameters are also given better image description ability.

SAR，image matching，adaptation，index system

Class Number TP274；TN713

TP274；TN713

10.3969/j.issn.1672-9722.2017.12.020

2017年6月7日，

2017年7月18日

國家自然科學基金項目（編號：61273241）資助。

張強，男，碩士，研究方向：導航與制導。