基于目標(biāo)區(qū)域匹配的SAR目標(biāo)識別方法

付凡成

(南昌理工學(xué)院計算機(jī)信息工程學(xué)院，南昌　330044)

0　引言

合成孔徑雷達(dá)(SAR)具有全天時、全天候以及對地表有一定穿透力等特點而成為現(xiàn)代戰(zhàn)場偵察的重要手段，隨著SAR傳感器的不斷發(fā)展，提高SAR目標(biāo)識別性能成為該領(lǐng)域的熱點問題[1]。

特征提取與特征匹配是SAR目標(biāo)識別的關(guān)鍵環(huán)節(jié)。早期應(yīng)用于SAR目標(biāo)識別的特征主要為SAR目標(biāo)的幾何特征，體現(xiàn)為SAR圖像的點、線、面特征。點特征包括散射中心[2]、SIFT特征[3]等；線特征包含SAR目標(biāo)的輪廓[4]、陰影邊緣[5]等；面特征則包含SAR圖像的目標(biāo)區(qū)域[6]、陰影區(qū)域[5]。這些特征主要描述了目標(biāo)的物理尺寸。隨著信號處理技術(shù)的發(fā)展，大量的數(shù)學(xué)工具被不斷應(yīng)用于SAR特征提取，如主成分分析(PCA)[7]、線性判別分析(LDA)[7]、Gabor特征[8]等方法，但這類方法多從數(shù)據(jù)層出發(fā)，往往不能表現(xiàn)SAR目標(biāo)的物理特性。特征匹配旨在計算待識別目標(biāo)的特征與模板樣本中各類目標(biāo)的相似度，對于不同的特征，其可采取的匹配策略有所不同。對于具有同維特性的特征，如PCA特征，可以直接采用現(xiàn)有的先進(jìn)分類器，如支持向量機(jī)(SVM)[9]、AdaBoost (Adaptive Boosting)[10]和稀疏表示分類器(SRC)[11]等。而對于散射中心這類特征，由于其往往不具有同維性和穩(wěn)定的串接方式，則需要自定義可靠的匹配度準(zhǔn)則用于目標(biāo)識別[2]。

本文針對SAR目標(biāo)識別問題，提出了一種基于目標(biāo)區(qū)域匹配的識別方法。該方法首先提取待識別圖像的目標(biāo)區(qū)域以及其對應(yīng)方位下各類模板的目標(biāo)區(qū)域，進(jìn)而通過二值圖像作差得到目標(biāo)區(qū)域殘差。根據(jù)同類目標(biāo)和不同類目標(biāo)在目標(biāo)區(qū)域殘差上的分布特性差異，采用歐氏距離變換[12]對殘差圖像進(jìn)行處理并根據(jù)距離變換后的殘差圖像定義目標(biāo)匹配度。最后，根據(jù)最大匹配度原則判定待識別目標(biāo)類型。為了驗證本文方法的有效性，采用MSTAR(Moving and Stationary Target Acquisition and Recognition)3類目標(biāo)數(shù)據(jù)集進(jìn)行了實驗驗證。

1　目標(biāo)區(qū)域提取

本文實施目標(biāo)區(qū)域提取的具體步驟如下：1) 對原始SAR圖像進(jìn)行直方圖均衡化，將其動態(tài)范圍變換到[0,1]；2) 對直方圖均衡化的圖像進(jìn)行均值濾波；3) 采用門限法進(jìn)行圖像分割，門限值取為0.8；4) 針對目標(biāo)區(qū)域可能出現(xiàn)的微小斷裂和空洞以及背景雜波的影響，采用數(shù)學(xué)形態(tài)學(xué)運(yùn)算進(jìn)行消除。

圖1給出了一幅SAR圖像目標(biāo)區(qū)域提取的示例。對原始SAR圖像經(jīng)過直方圖均衡化和均值濾波后的圖像進(jìn)行門限分割得到圖1b，門限分割的結(jié)果含有背景雜波帶來的虛警并且目標(biāo)的邊緣存在一定程度的斷裂。采用形態(tài)學(xué)運(yùn)算消除背景雜波的虛警并連接目標(biāo)區(qū)域得到最終的目標(biāo)區(qū)域如圖1c所示。

圖1　目標(biāo)區(qū)域提取示意圖Fig.1　Illustration of target region extraction

2　目標(biāo)區(qū)域殘差的形態(tài)學(xué)濾波

2.1　目標(biāo)區(qū)域殘差分布特性

同類目標(biāo)區(qū)域殘差多呈現(xiàn)為細(xì)窄的條狀而不同類目標(biāo)在相同的情形下目標(biāo)區(qū)域殘差會表現(xiàn)為聚集的塊狀，該特性可以有效應(yīng)用于SAR目標(biāo)識別。圖2顯示了一幅BMP2 SAR圖像(圖1)與其對應(yīng)模板的區(qū)域殘差。其中，BMP2和T72均包含3個子型號(對應(yīng)每個子圖中括號內(nèi)描述)。從圖中可以看出，同類目標(biāo)之間的殘差主要集中在目標(biāo)邊緣的細(xì)窄區(qū)域，而不同類目標(biāo)之間的區(qū)域殘差則呈現(xiàn)塊狀的特性。這種差異主要體現(xiàn)在兩個方面：1) 同類目標(biāo)的區(qū)域殘差面積較小，不同類目標(biāo)的區(qū)域殘差面積較大；2) 同類目標(biāo)的區(qū)域殘差呈細(xì)窄狀，不同類目標(biāo)的區(qū)域殘差呈塊狀。為了充分利用目標(biāo)區(qū)域提供的鑒別力，需要充分發(fā)掘這兩部分信息。

圖2　BMP2目標(biāo)區(qū)域與各類模板的目標(biāo)區(qū)域殘差Fig.2　The residuals between the BMP2 target region and different templates

2.2　基于目標(biāo)區(qū)域殘差的匹配度計算

2.2.1基于殘差面積的匹配度計算

在圖像的匹配中，殘差一直是一項重要的指標(biāo)。本文首先基于殘差面積提出了一種相似度度量標(biāo)準(zhǔn)。對于待識別圖像f和模板圖像g，Sf為待識別圖像的目標(biāo)區(qū)域像素個數(shù)，Sg是模板圖像目標(biāo)區(qū)域的像素個數(shù)，Se為待識別圖像與模板圖像的目標(biāo)區(qū)域殘差的像素個數(shù)?；谀繕?biāo)區(qū)域殘差的匹配度[13]算式為

(1)

根據(jù)式(1)，區(qū)域殘差的像素數(shù)量反映了相似度的大小，當(dāng)待識別圖像的目標(biāo)區(qū)域與模板圖像的目標(biāo)區(qū)域無交集時，此時匹配度為0；當(dāng)待識別圖像與模板圖像的目標(biāo)區(qū)域完全重合時，匹配度為1。采用式(1)計算圖2中的殘差，得到的匹配度分別為[0.89 0.68 0.88 0.74 0.66 0.63 0.62]。

付凡成：基于目標(biāo)區(qū)域匹配的SAR目標(biāo)識別方法2.2.2殘差圖像的距離變換

距離變換被廣泛應(yīng)用于圖像分析和模式識別等領(lǐng)域，研究人員利用它來完成目標(biāo)細(xì)化、骨架抽取、形狀匹配等任務(wù)[12]。對于一幅M×N的二值圖像A，可以表示成一個二維數(shù)組[axy]，axy表示坐標(biāo)為(x,y)的像素。當(dāng)axy=1時，該像素為目標(biāo)點；反之，axy=0的像素則為背景點。記B={(x,y)|axy=0}為背景像素集合，T={(x,y)|axy=1}代表目標(biāo)像素集合，則二值圖像A的歐氏距離變換就是對T中每個像素(x,y)求其到B中像素的最短歐氏距離。

本文對原始的目標(biāo)區(qū)域殘差進(jìn)行歐氏距離變換。通過歐氏距離變換，越靠近塊狀區(qū)域的中心像素得到的變換值越大。對于細(xì)窄的條狀區(qū)域，其通過距離變換得到的像素值仍然較小。圖3顯示了對圖2中目標(biāo)區(qū)域殘差進(jìn)行距離變換的結(jié)果。通過觀察圖3可以發(fā)現(xiàn)，同類目標(biāo)細(xì)窄的條狀殘差區(qū)域在經(jīng)過歐氏距離變換后像素值較低，而不同類目標(biāo)之間的塊狀殘差則會得到很多較大灰度值的像素點。因此，目標(biāo)區(qū)域殘差的分布特性就可以通過距離變換的方式得以體現(xiàn)。

圖3　圖2中區(qū)域殘差的距離變換圖Fig.3　The distance conversion of the residuals in Fig.2

利用式(1)對距離變換后的殘差圖像進(jìn)行匹配度計算，得到的匹配度依次為[0.88 0.59 0.87 0.65 0.47 0.45 0.44]。通過距離變換，同類目標(biāo)(BMP2)的匹配度下降較少，而不同類目標(biāo)之間的匹配度下降較大。由此，距離變換有效增強(qiáng)了同類目標(biāo)與其他類目標(biāo)的區(qū)分性，該特性有利于正確的目標(biāo)識別。

3　基于區(qū)域殘差形態(tài)學(xué)濾波的SAR目標(biāo)識別

由上所述，本文提取SAR圖像的目標(biāo)區(qū)域特征并對目標(biāo)區(qū)域殘差進(jìn)行歐氏距離變換。基于距離變換后的殘差建立目標(biāo)匹配度度量標(biāo)準(zhǔn)，根據(jù)當(dāng)前待識別目標(biāo)圖像與各類目標(biāo)的匹配度大小實現(xiàn)目標(biāo)類別的判斷。具體分為以下步驟：1) 按照1節(jié)中的方法提取待識別SAR圖像中的目標(biāo)區(qū)域；2) 根據(jù)待識別圖像的方位角(通過方位角估計得到[10])，從模板庫中搜索對應(yīng)模板并提取目標(biāo)區(qū)域；3) 計算待識別圖像與各類目標(biāo)的目標(biāo)區(qū)域殘差；4) 對各類目標(biāo)的區(qū)域殘差進(jìn)行距離變換；5) 根據(jù)式(1)中匹配度計算方法計算待識別圖像與各類目標(biāo)的匹配度并判別目標(biāo)類型。

4　實驗與分析

4.1　實驗數(shù)據(jù)集

MSTAR數(shù)據(jù)集包含了X波段HH極化下多類軍事目標(biāo)的SAR圖像。本文對其中的3類目標(biāo)(BMP2，BTR70和T72)進(jìn)行了目標(biāo)識別實驗，其中，BMP2和T72數(shù)據(jù)包含3個子型號，BTR70僅1個型號。圖4為3類目標(biāo)的光學(xué)圖像。實驗中采用俯仰角為17°下的3類目標(biāo)圖像作為模板，俯仰角為15°下的3類目標(biāo)圖像作為待識別的測試圖像，如表1所示。

圖4　3類目標(biāo)的光學(xué)圖像Fig.4　The optical images of three kinds of targets

類別模板集(俯仰角17°)測試集(俯仰角15°)BMP2233(Sn＿9563)232(Sn＿9566)233(Sn＿c21)195(Sn＿9563)196(Sn＿9566)196(Sn＿c21)BTR70233(Sn＿c71)196(Sn＿c71)T72232(Sn＿132)231(Sn＿812)233(Sn＿s7)196(Sn＿132)195(Sn＿812)191(Sn＿s7)

4.2　實驗結(jié)果

采用本文方法得到3類目標(biāo)的識別結(jié)果如表2所示?？梢钥闯觯疚姆椒▽?類目標(biāo)平均識別率達(dá)到97.36%?？紤]到實際過程中方位角估計不可避免地引入方位角誤差，進(jìn)一步測試了本文方法對于方位角誤差的魯棒性。利用3類目標(biāo)數(shù)據(jù)在偏離目標(biāo)實際方位角±5°的區(qū)間內(nèi)進(jìn)行了識別實驗，得到的統(tǒng)計結(jié)果如圖5所示?？梢钥闯?，本文方法在方位角存在一定偏離的情況下仍然可以達(dá)到很高的識別率。因此，本文方法對于實際過程中SAR目標(biāo)方位角估計誤差具有一定的魯棒性。

表2　3類目標(biāo)的識別結(jié)果統(tǒng)計

圖5　方位角偏離5°的平均識別率

為了進(jìn)一步證明本文方法的有效性，將其與幾種現(xiàn)有SAR目標(biāo)識別方法進(jìn)行了對比，結(jié)果如表3所示。表3中，SVM方法利用SVM作為分類器直接對原始SAR圖像的像素進(jìn)行訓(xùn)練和分類[9]。Zernike矩特征方法首先提取目標(biāo)區(qū)域的Zernike矩，然后利用SVM作為分類器進(jìn)行分類[6]。EFS(Elliptical Fourier Series)特征方法則是利用橢圓傅里葉算子描述目標(biāo)邊緣進(jìn)而利用SVM分類器進(jìn)行分類[4]。對比以上幾種方法，本文方法具有最高的識別率，說明本文方法是一種高效的SAR目標(biāo)識別方法。

表3　本文方法與其他方法的對比

5　結(jié)束語

本文提出了一種SAR目標(biāo)識別方法，該方法根據(jù)目標(biāo)區(qū)域殘差的分布特性采用歐氏距離變換增強(qiáng)了同類與異類目標(biāo)在區(qū)域殘差上的差異，據(jù)此設(shè)計匹配度度量標(biāo)準(zhǔn)計算待識別SAR圖像與各類目標(biāo)的匹配度完成目標(biāo)識別。在MSTAR數(shù)據(jù)集上的驗證實驗表明了本文方法的優(yōu)越性，證明其在SAR目標(biāo)識別方面具有較大的應(yīng)用潛力。

[1]文貢堅,朱國強(qiáng),殷紅成，等.基于三維電磁散射參數(shù)化模型的SAR目標(biāo)識別方法[J].雷達(dá)學(xué)報,2017,6(2):115-135.

[2]DING B Y,WEN G J,ZHONG J R,et al.A robust similarity measure for attributed scattering center sets with application to SAR ATR[J].Neurocomputing,2017,219:130-143.

[3]蘇培峰,黃世奇,王藝婷,等.用圖像矩特征描述的SIFT特征SAR圖像配準(zhǔn)[J].電光與控制,2016,23(8):89-91.

[4]ANAGNOSTOPOULOS G C.SVM-based target recognition from synthetic aperture radar images using target region outline descriptors[J].Nonlinear Analysis,2009,71(2):2934-2939.

[5]PAPSON S,NARAYANAN R M.Classification via the shadow region in SAR imagery[J].IEEE Transactions on Aerospace and Electronic System,2012,48(2):969-980.

[6]AMOON M,REZAI-RAD G A.Automatic target recognition of Synthetic Aperture Radar(SAR)images based on optimal selection of Zernike moment features[J].IET Computer Vision,2014,8(2):77-85.

[7]MISHARA A K.Validation of PCA and LDA for SAR ATR[C]//TENCON 2008,IEEE Region 10 Conference, 2008:1-6.

[8]吳俊政,嚴(yán)衛(wèi)東,倪維平,等.基于NSCT-Gabor特征和脈沖耦合神經(jīng)網(wǎng)絡(luò)的SAR圖像分割[J].電光與控制,2015,22(4):95-99.

[9]ZHAO Q,PRINCIPLE J C.Support vector machines for SAR automatic target recognition[J].IEEE Transactions on Aerospace and Electronic System,2001,37(2):643-654.

[10]SUN Y J,LIU Z P,TODOROVIS S,et al.Adaptive boosting for SAR automatic target recognition[J].IEEE Transactions on Aerospace and Electronic System,2007,43(1):112-125.

[11]張新征,黃培康.基于貝葉斯壓縮感知的SAR目標(biāo)識別[J].系統(tǒng)工程與電子技術(shù)，2013,35(1):40- 44.

[12]劉相濱,鄒北驥,孫家廣.基于邊界跟蹤的快速歐氏距離變換算法[J].計算機(jī)學(xué)報，2006，29(2):317-323.

[13]DING B Y,WEN G J,MA C H,et al.Target recognition in synthetic aperture radar images using binary morphological operations[J].Journal of Applied Remote Sensing,2016,10(4).doi:10.1117/1.JRS.10.046006.