基于局部密度聚類的雷達目標散射中心區(qū)域分割

胡承鑫, 曾曙光*, 管靈, 董純柱, 曾祥云, 鄭勝, 黃瑤, 羅驍域

(1.三峽大學天文與空間科學研究中心, 宜昌 443002; 2.三峽大學理學院, 宜昌 443002;3.北京環(huán)境特性研究所, 北京 100854)

工作在高頻區(qū)的雷達目標的后向回波可以認為是由有限個強散射源相干合成的結(jié)果,這些強散射源通常等效為目標的散射中心[1-2]。目標的散射中心主要產(chǎn)生于目標的邊緣、拐角、棱角及尖端等不連續(xù)點部位,代表了目標精細的物理結(jié)構(gòu)。在實際應(yīng)用中,散射中心并不是局限為“點”,那些邊緣的繞射、開口的腔體的反射都可以作為散射中心處理[2]。作為描述目標高頻散射機理的有效特征,散射中心參數(shù)提取在雷達目標識別,RCS外推擬合,目標三維重構(gòu)等軍事領(lǐng)域具有廣泛的研究應(yīng)用價值[3-5]。

目前,人們主要采用近似最大似然(approximate maximum likelihood, AML)等方法來估計散射中心參數(shù)[6-8]。這些參數(shù)估計方法具有較高的精度,思想直觀易于理解,但會面臨高維非線性的混合參數(shù)最優(yōu)化問題,計算復(fù)雜度極大[1]。在高分辨率SAR圖像上,目標的散射中心對應(yīng)于能量集中且相互分離的塊狀區(qū)域,這使得提取目標散射中心信息轉(zhuǎn)化為對各種塊狀區(qū)域的處理[7]。首先,利用圖像分割算法可得到峰值較高的若干感興趣(region of interest, ROI)區(qū)域,然后對各ROI區(qū)域分別進行散射中心參數(shù)估計。這種“區(qū)域解耦”的思想,可以大大提高散射中心參數(shù)估計速度[7-10]。但在實際情況中SAR圖像很難具有足夠高的分辨率,因此傳統(tǒng)圖像分割算法很難分割出只包含一個散射中心的區(qū)域,在雷達目標散射中心區(qū)域分割的正確率有待提高[8]。

聚類分析是一種無監(jiān)督的分類方法,作為數(shù)據(jù)處理的技術(shù),聚類分析現(xiàn)已在圖像分割等領(lǐng)域取得了不錯的效果。Rodriguez等[11]于2014年提出的密度峰值聚類(density peak clustering, DPC)算法是一種粒度計算模型,不僅在學術(shù)界引發(fā)了劇烈反響,同時也吸引了大量科研工作者對該算法的研究[12-15]。DPC算法的核心思想是刻畫聚類中心。該算法認為聚類中心同時具有兩個特點:一是聚類中心被局部密度較低的數(shù)據(jù)點包圍;二是聚類中心與其他局部密度更高的數(shù)據(jù)點的距離較大[11-12]。張力丹等[13]通過自適應(yīng)選取敏感參數(shù)截止距離將改進的DPC算法應(yīng)用于圖像分割。Luo等[15]改進DPC算法并提出局部密度聚類(local density clustering, LDC)算法以適應(yīng)灰度圖像,結(jié)合強度信息重新定義數(shù)據(jù)點密度和引入的梯度確定聚類的邊界,在分子云核檢測中取得較好效果。

為了改善傳統(tǒng)圖像分割算法對雷達目標散射中心區(qū)域分割的正確率有待提高的問題,擬采用LDC算法進行改善。首先對雷達圖像進行Frost濾波、LSM圖像分割和面積濾波的一系列圖像預(yù)處理獲得目標ROI區(qū)域,然后對預(yù)處理后的圖像利用LDC算法檢測散射中心并進行區(qū)域分割。將傳統(tǒng)圖像分割算法與LDC算法在模擬數(shù)據(jù)和真實數(shù)據(jù)上展開對比實驗,以驗證所提方法的優(yōu)越性,快速且準確地實現(xiàn)雷達目標散射中心的區(qū)域分割。

1 雷達目標散射中心區(qū)域分割算法

1.1 LDC算法原理

LDC算法是一種基于像素點之間局部密度、距離和梯度的聚類算法[15]。算法首先計算每個點的3個參數(shù):局部密度ρ、距離δ和梯度?。

對于第i個數(shù)據(jù)點Ti的局部密度ρi定義為

(1)

對于第i個數(shù)據(jù)點Ti的距離δi定義為

(2)

對于第i個數(shù)據(jù)點Ti的梯度?i定義為

(3)

式中:dc為截止距離;dij為數(shù)據(jù)點Ti與數(shù)據(jù)點Tj之間的歐式距離;Ij為數(shù)據(jù)點Tj處的強度。

如圖1所示,計算完3個參數(shù)后,將距離δ與密度ρ之間的關(guān)系繪制成圖,稱為決策圖。圖1(a)是具有10個散射中心的仿真數(shù)據(jù),其中,散射中心由Omega-K雷達成像算法[16]仿真生成,背景為高斯噪聲;圖1(b)是檢測到的散射中心,分別用紅色點和藍色橢圓標識各散射中心和對應(yīng)區(qū)域;圖1(c)是決策圖,用圓圈標記檢測到的散射中心。δ0和ρ0是LDC算法的超參數(shù),其中δ0表示兩個散射中心之間的最小距離,ρ0表示候選散射中心區(qū)域的最小峰值強度值。

圖1 算法示例Fig.1 Algorithm example

LDC算法認為聚類中心應(yīng)同時具有兩個特點:一是聚類中心被局部密度較低的數(shù)據(jù)點包圍;二是聚類中心與其他局部密度更高的數(shù)據(jù)點的距離較大。因此,只有具有較高密度ρ和較大距離δ的數(shù)據(jù)點才是聚類中心[11,15]。決策圖能夠直觀反映距離δ與密度ρ之間的關(guān)系,因此根據(jù)決策圖可以確定聚類中心的位置和數(shù)量。然后根據(jù)密度ρ和梯度?將非聚類中心點劃分到距離該點最近的聚類中心中,從而確定單個散射中心區(qū)域Ck,最后使用形態(tài)學圖像處理來填充檢測到的區(qū)域之間的孔洞并平滑其邊界。

(4)

1.2 基于LDC算法的雷達目標散射中心區(qū)域分割方法

雷達成像系統(tǒng)是基于相干原理的,因此在雷達回波信號中,相鄰像素點的灰度值會由于相干性而產(chǎn)生一些圍繞著某一均值而進行的隨機變化,使得SAR圖像中不可避免地存在噪聲[17]。因此在進行LDC檢測前,需要對原始圖像進行一系列圖像預(yù)處理,整個算法流程圖如圖2所示。

圖2 算法流程圖Fig.2 Algorithm flow chart

算法的實現(xiàn)步驟如下。

步驟1對原始觀測圖像W1(MSTAR官方數(shù)據(jù)集)進行Frost濾波實現(xiàn)圖像全局噪聲抑制[18]得到圖像W2。原始觀測圖像W1如圖3(a)所示,Frost濾波的結(jié)果圖像W2如圖3(b)所示。

圖3 基于LDC算法的雷達目標散射中心區(qū)域分割流程Fig.3 The process of radar target scattering center area segmentation based on LDC algorithm

步驟2基于水平集方法[19](level set method, LSM)對圖像W2進行圖像分割(簡稱LSM圖像分割),初步獲取疑似目標ROI區(qū)域。LSM圖像分割的結(jié)果圖像W3如圖3(c)所示。

步驟3對圖像W3采用面積濾波,保留最大連通域去除干擾目標,得到目標ROI區(qū)域。面積濾波的結(jié)果圖像W4如圖3(d)所示。

步驟4最后利用LDC算法檢測出圖像W4中的散射中心并進行區(qū)域分割。將散射中心標記到圖像W4上得到圖像W5如圖3(e)所示,將散射中心和區(qū)域分割信息標記到圖像W1上得到圖像W6如圖3(f)所示。

2 實驗和分析

2.1 實驗數(shù)據(jù)

利用Omega-K雷達成像算法生成仿真數(shù)據(jù),然后從真實數(shù)據(jù)庫(MSTAR數(shù)據(jù)集)中提取出噪聲背景,添加到仿真數(shù)據(jù)上,得到合成數(shù)據(jù)。圖4給出了仿真數(shù)據(jù)、合成數(shù)據(jù)和真實數(shù)據(jù)示意圖。其中,圖4(a)和圖4(b)是由Omega-K雷達成像算法生成的仿真數(shù)據(jù);圖4(c)和圖4(d)是從MSTAR官方數(shù)據(jù)集選取的真實數(shù)據(jù);圖4(e)和圖4(f)是從真實數(shù)據(jù)上提取出來的噪聲背景;圖4(g)和圖4(h)分別是信噪比分別為44.43 dB和33.69 dB的合成數(shù)據(jù)。

圖4 實驗數(shù)據(jù)Fig.4 Experimental data

信噪比的定義是信號的均值Usig與背景的標準偏差Vbg之間的比值,其公式為

(5)

接下來,采用LDC算法和傳統(tǒng)圖像分割算法在仿真數(shù)據(jù)、合成數(shù)據(jù)和真實數(shù)據(jù)上展開數(shù)值實驗。

2.2 模擬數(shù)據(jù)實驗

利用Omega-K雷達成像算法批量仿真200張SAR圖像作為仿真數(shù)據(jù)樣本。每張SAR圖像散射中心數(shù)量在20～30,各散射中心隨機分布在圖像中心附近。仿真數(shù)據(jù)由于沒有添加噪聲,可直接利用LDC算法檢測其散射中心。

圖5是利用LDC算法對仿真數(shù)據(jù)檢測的案例。其中,圖5(a)是仿真數(shù)據(jù),用紅色點標記散射中心位置,作為驗證信息;圖5(b)是LDC檢測結(jié)果,分別用紅色點和藍色橢圓標識各散射中心和對應(yīng)區(qū)域。仿真數(shù)據(jù)雖然沒有噪聲的影響,但是也會出現(xiàn)漏檢誤檢,典型案例如圖6所示。

圖5 仿真數(shù)據(jù)檢測案例Fig.5 Simulation data detection case

圖6 仿真數(shù)據(jù)漏檢誤檢案例Fig.6 Simulated data miss and false detection cases

圖6是仿真數(shù)據(jù)漏檢誤檢案例。其中,圖6(a)是漏檢案例,對照仿真數(shù)據(jù)的驗證信息確認黃色圓圈內(nèi)部藍色箭頭所指的點A是一個漏檢測的散射中心,從圖中不難看出A點四周存在多個強散射中心,其旁瓣的疊加使得A點周圍的梯度很小,從而導致LDC的漏檢;圖6(b)是誤檢案例,對照仿真數(shù)據(jù)的驗證信息確認藍色箭頭所指的點B是一個誤檢測的散射中心,可以看到B點左右兩邊有兩個強散射中心,其旁瓣的疊加使得B點處形成一個有梯度的小峰,從而導致LDC的誤檢。

算法性能的評價指標準確率P、召回率R和綜合得分F1的具體公式分別為

(6)

式(6)中:M1為算法檢測正確的數(shù)量;M為仿真數(shù)據(jù)生成的數(shù)量;N為算法檢測總的數(shù)量。

將算法檢測到的位置信息與仿真數(shù)據(jù)的位置信息進行匹配,當位置誤差在2個像素點以內(nèi)時,認為檢測正確。P和R分別體現(xiàn)了算法檢測準確性和完備性,F1體現(xiàn)了的綜合表現(xiàn)能力。

分水嶺算法作為一種模擬降水過程將圖像劃分為若干區(qū)域的圖像分割算法,由于其實現(xiàn)過程簡單且結(jié)果有效,經(jīng)常用于雷達目標散射中心區(qū)域分割[7-10]。大津法(OTSU)是一種確定圖像二值化分割閾值的算法,又稱最大類間方差法,由于其計算簡單且不受圖像亮度的影響,廣泛應(yīng)用于圖像分割[20]。

利用Omega-K雷達成像算法批量仿真200張SAR圖像作為仿真數(shù)據(jù)樣本。然后,對仿真數(shù)據(jù)添加不同程度的噪聲背景,得到平均信噪比為44.22 dB和33.48 dB的兩批合成數(shù)據(jù)。分別對仿真數(shù)據(jù)和兩批合成數(shù)據(jù)(統(tǒng)稱模擬數(shù)據(jù))進行算法性能測試,計算每張圖像的準確率P、召回率R和綜合得分F1,再求平均值得到算法評價指標。將LDC算法檢測的結(jié)果與傳統(tǒng)圖像分割算法的結(jié)果進行對比,如表1所示。

表1 模擬數(shù)據(jù)算法性能對比Table 1 Algorithm performance comparison of simulation data

表1清晰顯示了在不同信噪比的情況下,不同算法的檢測能力。在沒有噪聲或高信噪比(44.22 dB)時,LDC算法的平均準確率P、召回率R和綜合得分F1均能達到93%以上;分水嶺算法的評價指標只能達到86%以上;OTUS算法的評價指標更低。低信噪比(33.48 dB)時,人眼也較難分辨目標區(qū)域。此時先對雷達圖像進行Frost濾波、LSM圖像分割和面積濾波的一系列圖像預(yù)處理獲得目標ROI區(qū)域,再進行算法性能測試。從表1中看到在信噪比較低時,3種算法的評價指標均有明顯降低,LDC算法的評價指標依然最高。由此可見,本文方法對于模擬不同信噪比下的數(shù)據(jù),可以更有效地檢測雷達目標的散射中心并進行區(qū)域分割。

2.3 真實數(shù)據(jù)實驗

從MSTAR官方數(shù)據(jù)集中選取的T-72型A04變體實測數(shù)據(jù)進行實驗。真實數(shù)據(jù)的信噪比差異較大,這里統(tǒng)一先對真實雷達圖像進行Frost濾波、LSM圖像分割和面積濾波的一系列圖像預(yù)處理獲得目標ROI區(qū)域,再利用LDC算法檢測散射中心并進行區(qū)域分割。由于真實數(shù)據(jù)沒有標準檢測結(jié)果作為驗證,只能通過人眼主觀判斷,將檢測結(jié)果分為正確檢測,明顯漏檢測,明顯誤檢測三類。下面展示LDC算法測試中三類典型案例并做具體分析。

圖7是真實數(shù)據(jù)檢測結(jié)果的典型案例。其中,圖7(a)是正確檢測的案例,可以看到標記結(jié)果在ROI區(qū)域。圖7(b)是明顯漏檢的案例,明顯看到ROI區(qū)域有一部分沒有檢測到,造成這一現(xiàn)象的原因是在進行圖像預(yù)處理時,LSM圖像分割算法將ROI區(qū)域分為了兩個部分,后面再經(jīng)過面積濾波去除了面積較小的那一部分,最后導致LDC檢測出現(xiàn)明顯漏檢。圖7(c)是明顯誤檢的案例,明顯看到部分噪聲背景被檢測為目標,造成這一現(xiàn)象的原因是樣本信噪比太低,濾波不完全,使得后續(xù)LSM圖像分割將部分噪聲背景判定為ROI區(qū)域,最后導致LDC檢測出現(xiàn)明顯誤檢。

圖7 真實數(shù)據(jù)檢測案例Fig.7 Real data detection cases

為了充分測試算法性能,以MSTAR官方數(shù)據(jù)集的T-72型A04變體實測數(shù)據(jù)為例進行批量實驗。分別對LDC算法和傳統(tǒng)圖像分割進行批量測試,結(jié)果如表2所示。

表2 真實數(shù)據(jù)算法性能對比Table 2 Algorithm performance comparison of real data

從表2中可以看到,在真實數(shù)據(jù)的檢測中LDC算法正確檢測的比例在90%以上;分水嶺算法正確檢測的比例只有81.94%;OTUS算法會出現(xiàn)大量的漏檢,算法雖然可以自動計算分割閾值,但是很難實現(xiàn)雷達圖像的“區(qū)域解耦”。由此可見,相較于傳統(tǒng)圖像分割算法,LDC算法在真實數(shù)據(jù)中的檢測能力也具有較高的優(yōu)越性。

3 結(jié)論

提出了一種基于LDC算法的雷達目標散射中心區(qū)域分割的方法。首先,對雷達圖像進行Frost濾波、LSM圖像分割和面積濾波的一系列圖像預(yù)處理獲得目標ROI區(qū)域,再利用LDC算法檢測出散射中心并進行區(qū)域分割。采用模擬數(shù)據(jù)和真實數(shù)據(jù)對本文方法和傳統(tǒng)圖像分割算法展開了數(shù)值實驗。結(jié)果表明,對于沒有添加噪聲或高信噪(44.22 dB)的模擬數(shù)據(jù),LDC算法的平均準確率P、召回率R和綜合得分F1均能達到93%以上;對于真實數(shù)據(jù),LDC算法正確檢測的比例高于90%,均明顯優(yōu)于傳統(tǒng)方法。實驗結(jié)果驗證了所提方法的有效性和優(yōu)越性,可以快速且準確地實現(xiàn)雷達目標散射中心的區(qū)域分割,為后續(xù)的散射中心的參數(shù)估計提供技術(shù)支撐。