一种基于多特征融合的SAR图像目标识别方法与流程

本发明涉及图像处理技术领域，特别涉及一种基于多特征融合的sar图像目标识别方法。

背景技术：

合成孔径雷达(syntheticapertureradar，sar)图像自动目标识别(automatictargetrecognition,atr)综合了现代信号处理和模式识别技术，利用计算机对获得的信息进行自动分析，提取目标特征，实现目标类别或型号的判断，对于提高军队的指挥自动化水平、军事对抗，以及反导防御能力和战略预警能力具有十分重要的作用。由于sar图像具有很强的斑点噪声，加之图像特征的易变性，利用sar图像进行自动目标识别是一件比较困难的工作。成像参数的轻微波动，如俯视角、目标方位角及其配置的变化，都会引起图像特征的剧烈变化。sar图像成像的复杂性带来atr系统的复杂性。

sar图像分割作为sar图像处理到sar图像分析和解译的关键步骤，其目的是把sar图像分为各具特性的区域并提取感兴趣目标。但是已有的基于超像素的sar图像分割算法，通常是利用slic分割算法作预处理，然后以超像素为节点、空间相邻节点为边连接建立了图模型，给出基于核心化特征的结构图像分割，但是这样的方法没有考虑超像素聚类之间的相关性。

为了对sar图像中的地物目标进行稳健的分类识别，首先要进行特征的提取，对于特征提取方面，pca、kpca、klda等方法被应用。但这些方法主要是通过对图像进行空间变换，没有考虑图像的二维结构信息，例如边缘和纹理特征，得到的特征并不全面，并且对噪声的鲁棒性不强。

另外，sar图像识别最重要的指标为识别正确率。目前常用的分类识别方法有基于模板匹配方法和基于模型的方法。但基于模板匹配方法直接采用原始sar图像或者原始sar图像的子图像来形成模板，对目标方位角、姿态角的变化很敏感。寻找合适的特征代替原始图像是一种有效的提升识别正确率的方法。但是已有sar图像识别方法，例如稀疏表示，主成分分析方法等，都不能充分利用图像之间的相关性，实现识别正确率的提升。

因此，对于如何更好的提取sar图像上的目标特征，并将这些特征融合用于目标识别，目前还没有更为完善的sar图像目标识别方法。

技术实现要素：

本发明的目的在于提供一种基于多特征融合的sar图像目标识别方法，能够提高图像目标识别的精度。

为实现上述目的，本发明提供一种基于多特征融合的sar图像目标识别方法，所述方法包括：

利用平移不变小波变换和二值化方法对sar图像进行边缘提取，然后利用边缘的最小外接矩形定义目标的紧凑度、饱满度和复杂度，以描述目标边缘的特征；

确定sar图像的灰度共生矩阵，并利用所述灰度共生矩阵计算统计量，以得到三个基本纹理特征，其中，所述三个基本纹理特征包括对比性、同质性以及相关性；

对所述sar图像构造多层超像素集，并基于所述多层超像素集构造非平衡二向图，以用于将目标从所述sar图像的背景中提取；

利用二维图像特征矩阵计算协方差矩阵，并设定主成分个数r，取协方差矩阵的前r个较大特征值对应的特征向量组成最优投影矩阵，将训练样本向所述最优投影矩阵进行投影，得到降维后的样本；

在adaboost算法框架下训练最终的目标识别器，在每轮训练时，利用不同训练数据样本的特征值的权值统计弱分类，并根据每个特征值的不同分类误差率选择弱分类器，并将弱分类器加权求和构造输出分类器。

进一步地，所述方法还包括：

按照下述公式将非下采样小波变换子带进行逐点取最大值：

其中，f1(i,j)表示最大值，p1f(i,j)表示sar图像低通滤波的结果，以及分别表示sar图像的水平、垂直和对角方向的细节部分。

进一步地，将目标从所述sar图像的背景中提取包括：

对于生成的每个超像素，按照下述公式确定超像素间的纹理相似度wxy：

wxy＝-logd(hx,hy)

其中hx、hy分别表示超像素x、y的直方图，d(hx,hy)表示超像素间的cmdskl距离。

进一步地，基于所述多层超像素集构造非平衡二向图包括：

针对非平衡二向图g＝{u,v,e}，其中，g的顶点集合u包含了所有的像素点和超像素；顶点集合v包含了所有的超像素；其中，对于所述非平衡二向图的两个顶点集合，像素集与超像素集之间的权重通过所属关系确定，超像素之间的权重通过所述纹理相似度确定；

按照下述公式确定边缘矩阵

其中eij表示边缘矩阵e中第i行第j列的元素，nu、nv分别表示边缘矩阵e的行数和列数，i表示像素集，s表示超像素集，α、β表示用于控制像素和超像素之间的连接与超像素之间的连接的平衡度的参数，wi,j表示元素ui和vj之间的纹理相似度，ui表示顶点集合u中的第i个元素，vj表示顶点集合v中的第j个元素。

进一步地，所述降维后的样本按照下述方式确定：

按照下述公式确定总散布矩阵：

其中m为训练样本图像个数，图像样本集为{z1，z2,...,zm}，zi为所述图像样本集中的第i个样本，为所有训练样本图像的平均图像；

取协方差矩阵的前r个较大特征值对应的特征向量(p1,p2,...,pr)组成最优投影矩阵popt＝[p1,p2,...,pr]；

将训练样本zi向最优投影矩阵投影，得到降维后的样本为：

其中，xi表示训练样本zi对应的降维后的样本，pm为第m个较大特征值对应的特征向量，m为从1至r的整数。

进一步地，在adaboost算法框架下训练最终的目标识别器包括：

选取训练样本集合{(x1,y1),...,(xn,yn)}；其中xi＝(xi1,...xik,xik+1,,...,xik+m,,xik+m+1,...,xik+2m)是样本向量，所述样本向量包括边缘特征、目标图像dpca特征和纹理图像dpca特征；yi∈{-1,1}为类别标签，n为样本总数；

针对所述样本向量中的每个特征值xij，求取弱分类器的阈值，以使得通过所述阈值进行分类后，分类误差率最低。

由上可见，本申请的技术方案，能够解决三个问题：第一个问题是将sar目标从背景中分割时，相干斑噪声引起误分割斑块；第二个问题是传统基于小波变换的sar图像边缘提取算法需要考虑信号局部特性，引入滤波方法，计算方法复杂的问题；第三是将获得的目标依靠灰度特征进行目标识别时识别率的问题，本发明能够更好的提取sar图像目标特性，并融合这些特征进行目标识别，提高目标识别的精度。

附图说明

图1为本发明的流程图；

图2为边缘增强示意图；

图3为非平衡二向图示意图；

图4为sar图像adaboost训练错误率；

图5为sar图像多特征adaboost训练错误率。

具体实施方式

为了使本技术领域的人员更好地理解本申请中的技术方案，下面将结合本申请实施方式中的附图，对本申请实施方式中的技术方案进行清楚、完整地描述，显然，所描述的实施方式仅仅是本申请一部分实施方式，而不是全部的实施方式。基于本申请中的实施方式，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施方式，都应当属于本申请保护的范围。

图1为本发明的多特征融合的sar图像目标识别方法流程图，包括以下几个步骤：

步骤一、对sar图像进行平移不变离散小波变换，设f(x,y)为已知sar图像，图像大小为m×n，利用低通滤波器集合与高通滤波器集合，小波变换把f(x,y)分解为四个子带，代表了图像水平、垂直和对角方向的细节部分，p1f是图像低通滤波的结果，代表了图像的轮廓。

对图像进行过平移不变离散小波变换以后，考虑到相干斑有随机性的特点，本发明提出子带联合处理方法如图2所示，因为子带之间的空间相关性，在不同子带逐点选取最大值时相干斑被削弱，保证低通子带的分辨率，消除高通子带的不连续性敏感问题。

其中p1f(i,j),是非下采样小波变换子带。

通过阈值法对图像f1(x,y)进行二值化处理，也就是选择一个合适的阈值，任意点(x,y)如果f1(x,y)≥t那么称为物体，否则称为背景，阈值图像可以被分为

其中在sar图像中，因为受到相干斑的影响，阈值选择其中t是donoho提出的全局阈值经验公式，σ为噪声标准差，n是图像像素个数。

使用sobel方法进行边缘检测

其中，表示fl(x,y)的偏导数，{zi},i＝1,...,9代表图像邻近像素，z5表示中心。

对于已求的sar图像目标边缘，计算其最小外接矩阵，计算最小外接矩形的方法是将目标边界以每次3°的增量在90°范围内旋转，每旋转一次记录其坐标方向上的外接矩形面积，在所有的图像外接矩形面积中，找到面积最小的外接矩形的最大横坐标xmax，最小横坐标xmin和最大纵坐标ymax，最小纵坐标ymin，则最小外接矩形面积为s＝|xmax-xmin|*|ymax-ymin|。

设目标所包含的像素个数为s，目标最小外接矩形内的像素个数为r,目标边缘像素个数为l，目标最小外接矩形周长为2(a+b)，构建特征量，目标紧凑度，其表达式为φ1＝s/r；目标饱满度，其表达式为φ2＝l/2(a+b)；目标复杂度，其表达式为φ3＝l/s，特征量定量的表示了目标边缘的特征。表1列出了三类目标训练样本的最小外接矩形面积、周长，目标面积、周长和由此延伸的四个特征量描述。

表1四类目标训练样本的特征量描述

步骤二，构造sar图像的灰度共生矩阵，并利用灰度共生矩阵计算统计量得到三个基本的纹理特征，具体实施如下：

求sar图像的灰度共生矩阵，假设像素间距离δ和像素间方向θ，取窗内任意点(x,y)及沿θ方向偏离的另外一个点(x+1,y+1)，该点对的灰度值为(gi,gj)，令点(x,y)在整个画面上移动，则会得到各种(gi,gj)。统计出每种(gi,gj)值出现的次数，然后排列成方阵，用(gi,gj)出现的总次数归一化为共生概率，其表达式为pr(x)＝{cij|(δ,θ)}

其中cij的定义为

其中pij代表了一个灰度为gi而另一个灰度为gj的两个相距为δ的像素对出现的次数，g为灰度级总和。归一化的矩阵为灰度共生矩阵。

构建glcm纹理统计特征：主对角线上的矩代表了纹理的光滑程度，主对角线上有比较大的值，熵值就越大，表示纹理就越光滑。对比性(con)是对纹理光滑性的统计量，其表达式为共生矩阵的另外一个特点是纹理的一致性，如果窗口内的灰度级是均匀的，那么只有少量灰度级对非零，而非均匀性会产生大量不同的灰度级对，同质性(uni)描述了均匀性，其表达式为相关性(cor)描述了灰度对(gi,gj)的相关性，其表达式为

步骤三，对sar图像构造多层超像素集，利用超像素构造非平衡二向图，用于将目标从sar图像背景中提取，构造的非平衡二向图可以如图3所示，具体实施如下：

首先，分别利用meanshift方法，graph-based方法和ncut方法构造多层超像素；

测量超像素之间的距离，方法是计算超像素之间的纹理相似度，利用cmdskl测量方法来测量两个超像素x,y间的纹理相似度。它结合了基于信息论方法的manhattan距离和对称kullback–leibler散度。对每个超像素，用超像素的直方图来作为纹理的描述。那么超像素的cmdskl距离定义为

其中hx,hy分别表示超像素x,y的直方图，那么超像素x,y之间的纹理相似度wxy定义为wxy＝-logd(hx,hy)。

已知超像素之间的纹理相似度，构造非平衡二向图，定义二向图g＝{u,v,e}，sar图像i的超像素集合s，二向图g的顶点集合包含了所有的像素点和超像素，大小为nu＝|i|+|s|；顶点集合包含了所有的超像素，大小为nv＝|s|。对于二向图的两个顶点集合，像素集跟超像素集之间的权重通过所属关系确定，超像素之间的权重通过cmdskl纹理相似度给出。边缘矩阵定义为：

其中eij表示边缘矩阵e中第i行第j列的元素，nu、nv分别表示边缘矩阵e的行数和列数，i表示像素集，s表示超像素集，α、β表示用于控制像素和超像素之间的连接与超像素之间的连接的平衡度的参数，wi,j表示元素ui和vj之间的纹理相似度，ui表示顶点集合u中的第i个元素，vj表示顶点集合v中的第j个元素。像素之间的边缘被忽略以降低边缘矩阵的维度。取而代之，考虑了超像素层间的边缘权重。因为不同超像素中的像素的关系暗含在超像素的连接当中，所以总的信息量并没有丢失。

已知边缘矩阵，构造互关联矩阵假设有一个顶点被标注，而其它是未知的。互关联向量表示为

其中为大小为nu×nv的对角矩阵，是权重矩阵，du为对角矩阵其对角线元素为dv为对角矩阵其对角元素为是的moore-penrose逆矩阵。因为它是列满秩的，本发明表示为

其中为指示向量。当ui被标记为yi＝m，vi中有像素标记为yi＝j时yim＝1，否则为0。

已知互关联矩阵，利用transfercuts方法生成互关联矩阵的最小特征向量，就是把谱聚类中的图拉普拉斯特征值问题lf＝γdf转化为超像素拉普拉斯luf＝λduf谱的最小k的特征值对的问题，其中l是图拉普拉斯变换，d＝diag(b1)是阶矩阵，lu＝du-wu,du＝diag(b^t1)和b是超像素互关联矩阵。

通过k-means聚类方法把相同特征向量的像素聚为一类。

步骤四，对获取的特征进行降维和分类识别处理，具体实施如下：

假设训练样本图像个数为m，图像样本集为{z1，z2,...,zm},且zi∈r^m×n，i＝1,2,...,m，所有训练样本图像的平均图像为

总散布矩阵为

对g进行特征值分解，取g的前r(r＜n)较大特征值对应的特征向量p1,p2,...,pr组成最优投影矩阵popt＝[p1,p2,...,pr]∈r^n×r。

训练样本zi∈r^m×n向popt＝[p1,p2,...,pr]∈r^n×r投影，得到降维后的样本为

降维后的数据为目标识别做准备。

利用降维后的训练数据样本权值统计adaboost弱分类，并根据每个特征值的不同分类误差率选择弱分类器，并最终加权相加得到最终的强分类器。具体实施如下：

给定训练样本集合{(x1,y1),...,(xn,yn)}，其中：xi＝(xi1,...xik,xik+1,,...,xik+m,,xik+m+1,...,xik+2m)是样本向量，它包括边缘特征，目标图像dpca特征和纹理图像dpca特征，yi∈{-1,1}为类别标签，样本总数为n，初始化训练样本的权值为w1i＝1/n

对t＝1,...,t(t为要选择的弱分类器个数)，循环执行以下4步骤：

a)在当前权值wti分布下，针对每个特征值xij，求弱分类器阈值vt使得分类误差率最低，得到基本分类器

b)计算gtj(x)在训练数据集特征值xij，i＝1,...,n上的分类误差率

c)挑选具有最小加权误差etq＝min(etj)(j＝1,...,2m+k)的基本分类器gt＝gtq

d)更新样本权值

其中，为规范化因子，为gt的系数，它随着etq的减少而增大，因此分类误差率越小的基本分类器在最终分类器中的作用越大。

最终的强分类器为

本发明效果可以通过以下仿真实验进一步说明。

一)实验数据

本发明所用的各种数据参数如下：

实验sar图像数据为美国国防高级研究计划署(defenseadvancedresearchprojectagency,darpa)和空军研究室(airforceresearchlaboratory,afrl)提供的运动和静止目标获取与识别(movingandstationarytargetacquisitionandrecognition,mstar)实测sar地面静止目标数据。它是利用x波段、hh极化、0.3m×0.3m高分辨聚束式sar采集得到，目标图像大小为158×158。我们使用的训练样本是sar在俯仰角17°时对地面目标成像数据，包括三类：brdm2(侦察车)，btr60(装甲车)，t62(主战坦克)。测试样本是sar图像在俯仰角15°时对地面目标的成像数据。每类目标的方位覆盖范围均为0°到360°。对比发现目标的sar图像跟光学图像差异很大。表2给出了训练和测试样本相应的类型和数目。

表2三种目标的训练样本集和测试样本集

二)实验内容和结果

对sar图像进行目标边缘提取和最小外接矩形,因为在子带小波引入边缘增强，brdm2(侦察车)，btr60(装甲车)，t62(主战坦克)sar图像得到连续完整的目标边缘。

在没有特征提取，直接利用原始sar图像进行adaboost目标分类识别的结果如图4所示，对训练数据和测试数据分别进行十轮训练，达到的训练数据分类错误为0，但测试数据分类错误为10.5％，说明直接分类时，sar图像受到相干斑的影响，且sar图像成像参数的轻微波动会引起sar图像的剧烈变化，影响识别效率。

本发明利用不同的特征实现信息互补，它们的融合能够更加精确的实现目标分类识别，同时本发明利于2dpca方法对特征进行降维预处理，然后把特征融合用于adaboost给出本发明对sar图像目标进行分类识别结果如图5所示，对训练数据和测试数据分别进行十轮训练，达到的训练数据分类错误为0，测试数据分类错误为4.5％。

表3是不同算法的识别率比较，可以看到基于2dpca-adaboost算法的识别率高，达到94.5％。图表分析表明，与单独使用原始图像相比，通过我们的预处理和特征提取进行目标识别，可以获得更低的检测错误。并且在多特征的情况下，2dpca-adaboost算法最大程度利用多特征信息，提高了分类识别性能。

表3sar图像目标分类识别比较

综上所述，在机载sar雷达成像模式下本发明方法在相干斑抑制的基础上，融合了目标的边缘特征、纹理特征和灰度特征，通过2dpca剔除了冗余的信息，且有效的将保留的信息用于目标综合决策分类识别，实验仿真也验证了本发明方法在sar图像目标分类识别率上更为准确。

上面对本申请的各种实施方式的描述以描述的目的提供给本领域技术人员。其不旨在是穷举的、或者不旨在将本发明限制于单个公开的实施方式。如上所述，本申请的各种替代和变化对于上述技术所属领域技术人员而言将是显而易见的。因此，虽然已经具体讨论了一些另选的实施方式，但是其它实施方式将是显而易见的，或者本领域技术人员相对容易得出。本申请旨在包括在此已经讨论过的本发明的所有替代、修改、和变化，以及落在上述申请的精神和范围内的其它实施方式。

本说明书中的各个实施方式均采用递进的方式描述，各个实施方式之间相同相似的部分互相参见即可，每个实施方式重点说明的都是与其他实施方式的不同之处。

虽然通过实施方式描绘了本申请，本领域普通技术人员知道，本申请有许多变形和变化而不脱离本申请的精神，希望所附的权利要求包括这些变形和变化而不脱离本申请的精神。