合成孔径雷达图像自动目标识别战略基于歧视树相结合

文摘

实现高精度的策略介绍了合成孔径雷达(SAR)自动目标识别(ATR)的任务。最初,小说构成顺序介绍了精馏过程和图像正常化过程产生更少的图像变化特性前处理阶段。特性集,有丰富的纹理和边缘信息提取的小波系数,利用更有效的和紧凑的特性集获得通过减少冗余和提取的特性集的维数。最后,一群歧视树是学习和组合成一个最终的分类器在Real-AdaBoost的框架。该方法评估与公众发布数据库移动和静止目标获取与识别(MSTAR)。几个比较研究进行评估算法的有效性。实验结果表明该方法的独特优势在两个标准操作条件下(soc)和扩展操作条件(而是EOCs)。此外,我们的额外的测试表明,良好的识别精度可以达到甚至有限数量的训练图像捕获只要这些目标提出了适当增量样本的一步。

1。介绍

合成孔径雷达(SAR)是一种有价值的技术,遥感和监视应用程序。SAR图像的自动目标识别(ATR)是一个最具挑战性的SAR的应用程序(1]。一个典型的SAR ATR系统识别战术地面目标的利益,也就是说,坦克、榴弹炮、和装甲车,这对于识别是至关重要的朋友和敌人,精确打击的先决条件。

SAR ATR涉及一系列的流程,如某种类型的预处理、特征提取、分类器构造,最后目标分类。预处理阶段可能涉及多种类型的处理,旨在促进图像判读和分析的效率,在随后的阶段,例如,通过抑制杂波反射模糊对比感兴趣的目标和杂乱。此外,SAR图像的大小、转移和旋转预定义的标准。所谓的调整通常是实现通过裁剪图像的一部分。移动和旋转的过程也被称为图像配准和提出整改,分别为(2,3]。

特征提取是另一个重要阶段中提取有效的判别功能提高识别精度。一些特性已经被利用在SAR ATR (4- - - - - -10]。基于这样的考虑:战术地面目标通常有一个矩形形状不同的宽度和长度,通常用于SAR ATR几何特性。泽尼克时刻(zm评选)用于6),利用线性变换的不变性特性和鲁棒性的噪音。在[7),特征提取是基于pseudo-Zernike时刻(pZm),具有不变性等优点特性,独立财产,相比,大大降低了对噪声的敏感性zm评选。在[11),由多个几何特性计算目标形状blob顺时针旋转的轴投影与某些增量的中心目标。然后,学特性集的冗余消除通过保持的协方差矩阵的秩的特性集一样整个数据集。然而,感兴趣的目标的几何特性SAR图像难以精确衡量由于杂乱背景和姿势和抑郁的角度的变化。因此,识别精度是没有保证的。极地映射方法,该方法经常用于ISAR图像的分类、修改和使用3)解决SAR ATR的问题。原始图像被转换从原来的2 d空间域(范围和横向距离)在极坐标图像域(半径和角度)生产polar-mapped图像。polar-mapped图像相似的图像映射相同的目标,即使在不同的姿势。出于这个原因,常用的姿势估计不一定是polar-mapped所需图像。然而,极地映射方法的性能高度依赖于参考中心点坐标变换的决心,这不是一个简单的任务尤其对SAR图像捕获各种杂波环境下。

某些特性不可行的直接应用于分类由于其高维度[12- - - - - -19]。在[12),一个紧凑的表示特性,单基因信号,用于SAR ATR,高维的问题可通过统一将采样,正常化和单基因的连接组件。特征降维SAR ATR方法基于流形学习理论也是近年来研究[13- - - - - -17]。在[16),每一个样本都有重量,叫做样本判别系数署与邻近样本的相似度,然后署是结合当地生产redundancy-reduced特性的判别嵌入LDE()方法。同样,在17),所谓的邻里几何中心扩展嵌入(NGCSE)方法,提出了在几何中心扩展引入社区,这样明显的集群提供的样品的方向。然而,大多数的非线性降维方法的性能在很大程度上依赖于参数的选择邻居,这仍然是一个开放的问题。

近邻分类器是一种最常用的分类器,提取的特征在哪里直接送入分类器来实现分类结果(16]。基于稀疏表示的分类(SRC)最近在SAR ATR,开发和利用测试样本的特征向量作为稀疏编码的训练样本的特征向量的线性组合,和目标的最小剩余能量是公认的12,20.]。如支持向量机(SVM)方法,神经网络(NN)和自适应增强(演)都大大利用SAR ATR (2,5,21- - - - - -23]。各种选择的基础的学习者可以结合学习演算法来解决SAR ATR的问题(2]。休斯解释的现象(也称为维度的诅咒),构建分类器模型的困难更加突出特别是特性集高维度而训练数据的数量是有限的(一个事实在SAR ATR)。然而,演算法和图形的组合模型经验证明(24)具备良好的性能,即使在训练数据是有限的。

SAR图像的模糊,目标外观变化,可用少量的训练样本。这些问题必须妥善解决为ATR任务实现良好的识别结果。为此,介绍了SAR ATR方案如图1。首先,初始处理阶段是应用于促进在后续阶段中特征提取的效率。更具体地说,旨在减少的影响SAR图像变化引起的变分和目标回波能量构成,一个图像能量归一化过程和构成整流过程按顺序应用。建设有效的特性集ATR任务至关重要实现可靠的识别结果。因此,建议相结合提取丰富的功能集,是由各种类型的歧视的特性,然后构造一个更紧凑的特性集通过消除冗余的丰富功能集,我们决定采用小波的特性。丰富的功能集是首先由结合分解小波子带特征,例如,LL子带系数的低频信息和高频信息LH和HL子带系数,HH子在哪里无关,因为它是不稳定的特性在SAR图像(25]。相关系数描述纹理特征的组合,水平和垂直边缘特征。在这之后,一个紧凑的低维功能集组成特性保留大部分的方差构造采用主成分分析(PCA)技术(26]。之间的关系特性统计学会了歧视的方式,而不是生成的方式。具体地说,而不是使用真正的分布,通常大部分时间未知,实证估计被最大化歧视的方式学习散度。因此,尽管学习模型与真实模型一致性较低的目标类由于有限的训练数据,高歧视能力仍然可以实现。然后,最终的分类器是由几个歧视基于树分类器结合Real-AdaBoost框架(27]。评价该方法的性能,运动和静止目标获取与识别(MSTAR)公开发布的数据集。实验结果表明,该方法优于几种广为引用方法标准操作条件下(soc)和扩展操作条件(而是EOCs)。

减少变异技术,促进节中介绍了特征提取的效率2。介绍了特征提取和处理技术3。识别方案中详细说明部分4。实验结果利用MSTAR公共数据库部分所示5,其次是我们的结论部分6。

2。减少变异技术

2.1。图像的能量归一化

SAR的回波强度是强烈的影响,例如,范围之间的距离成像目标及其相应的雷达和其他几个原因;因此图像像素在不同图像的平均振幅芯片可能不同甚至同一个目标(28]。减轻振幅变化的潜在影响后续的特征提取,图像能量归一化过程需要应用。让和表示的像素数量范围和横向距离维度对于一个给定的SAR图像芯片。SAR图像芯片可以表示为 ,在那里 和 分别的尺寸范围和横向距离。能量归一化图像像素 可以被描述为 在哪里 和 是在所有像素的最小和最大价值 分别为, 是计算 采用图像能量归一化过程的好处是提供了部分5。1。

2.2。提出整改

构成整流有利于提高SAR ATR的准确性,可以通过旋转给图像带来的利益的目标。然而,目标部分叛逃轮廓形状所造成的阴影效果可能遭受贫穷的姿势估计精度。本节介绍了姿态估计方法,该方法是基于勘探目标的几何信息实现更高的估计精度。

提出了几种方法实现在姿态估计精度高。提出的方法在29日,30.)是基于互信息最大化与多层感知器(MLP)。虽然较低的估计误差,这些方法计算昂贵,需要长时间的训练。的方法31日)是基于二维连续小波变换(CWT),最大化的取向角的能源被认为是估计的姿势。然而,这种方法是基于假设图像中感兴趣的目标已经放在中心,这是很难实现的,尤其是对于SAR图像模糊的目标。

事实上,战术地面目标显示矩形形状的边界,可以用于姿态估计。因此,方法分析的基础上提出了利益目标的几何信息。提出的方法在2,32)是基于发现封装盒感兴趣的目标,基本的假设是,估计盒子的边缘应该切矩形形状的目标边界。然而,这并非总是如此不完整的目标形状边界由于SAR图像的阴影效果。此外,基于最小二乘线性匹配方法估计的目标利益的中心线,在中心线的斜率是目标构成。然而,出于类似的原因,特别行政区的阴影效果可能产生叛逃的图像目标,从而影响相应的姿态估计结果。如前所述,基于封装盒的方法未能达到最优估计的结果由于缺陷目标SAR图像。然而,当将引入,基于变换的方法可以达到更好的估计效果在这样的场景33]。因此,更好的估计精度可以通过使用这两种方法在一个设计良好的时尚。首先,感兴趣的目标从SAR图像分割,和最小周长的矩形分割目标被认为是最小边界矩形(MBR) (34]。然后,感兴趣的目标的完整性可以被评估。对于SAR图像目标轮廓形状完整,MBR估计结果被认为是最终结果。否则,拉东变换进行及其估计作为最终结果。

2.2.1。估计目标的完整轮廓的形状

战术目标SAR图像中随机分布的姿势从来(目标构成被定义为目标的长边的夹角和水平轴)。战术目标SAR图像显示rectangular-like形状。图2显示了分割SAR芯片,可以估计目标提出了MBR的倾角。介绍了(34),最短的周边封闭的矩形凸多边形至少有一方共线的凸边。MBR可以有效地计算如下:步骤1。估计目标的质心。步骤2。计算出感兴趣的目标的凸多边形。步骤3。计算和存储边缘凸多边形的方向。步骤4。根据存储旋转一个边界矩形边缘方向,直到完成一个完整的旋转。步骤4.1。找到一个矩形。步骤4.2。存储安装矩形的周长。步骤4.3。矩形旋转。步骤5。返回相对应的矩形最小周长。

2.2.2。估计目标的完整轮廓的形状

由于SAR的成像原理,部分感兴趣的目标的一部分,不是由雷达波束辐射,因此成像目标显示不完整的边界形状。然而,长边的感兴趣的目标总是好的成像,如图3。事实上,拉东变换(RT)可用于边缘检测。因此,对于SAR图像目标显示不完整的轮廓形状,基于RT的估计可以达到更高的精度。RT应用程序的目标图像 一组有限的角度可以认为是计算目标沿给定角度的投影。计算投影结果像素数字的总和在每一个方向,在哪里可以找到一条线在相应的目标图像的峰值投影的结果(33]。定义 的投影角与远方的图像质心,RT实现如下: 在哪里狄拉克δ函数。的参数和重复的投影方向,确定投影 。注意一个像素在RT变换分为四个亚像素,这样可以实现准确的预测结果,在计算投影贡献根据亚像素的投影的位置。

2.2.3。程度的重叠的矩形

事实上,对于任何给定的图像,在SAR图像目标的完整性可以自动计算。介绍了在节2.2.1,计算MBR至少都有一个边缘重叠与目标边界。因此,在完成目标的情况下,一个长边的兴趣将重叠的目标与其对应的MBR。与局部缺陷的情况下一个目标,目标感兴趣的可能重叠的对角线的长边对应的MBR与几个像素。让表示数量的像素的两个MBR长边,和让表示目标像素的数量重叠两个MBR长边。在SAR图像目标的完整性可以评估如下:目标是首先扩张,然后计算矩形重叠的程度 ,最后目标边界的完整性评估根据计算程度的重叠的矩形。扩张后,因为完整的轮廓形状之间的差异和叛逃轮廓形状很大,该方法选择不敏感阈值用于评估重叠的程度。总的来说,如图4目标姿态估计,使用基于MBR的方法或基于RT的方法根据评价结果的重叠的矩形度,和几个估计结果如图5。

3所示。特征提取和加工技术

3.1。丰富的功能集提取

特征提取是至关重要的,整个ATR系统的整体性能。理想情况下更好的提取特性有歧视能力高的特点(或者,换句话说,高组内的变异)和高耐目标翻译。这些功能特征可以通过有效地使用小波分解技术。如图6,纹理特征反映在你和水平和垂直边缘特征反映在LH和霍奇金淋巴瘤,分别。HH实际上是一个组合的特性反映在LH和霍奇金淋巴瘤。此外,翻译不变的特性可以被进一步分解顺序提取以前粗得多分辨率分解的图像。平移不变特征背后的想法是,每个分解过程扔掉某些特性的精确位置信息,存在于一个特定的区域。更具体地说,如图7,新分解图像像素点隐式地反映了存在的某些特性(s)在相应的完整的原始图像的局部区域。

提出了几种小波家庭母小波的形状和持续时间是它们之间的主要区别。消失的时刻(订单号)的数量作为小波平滑的迹象和小波滤波器的频率响应平坦。建议我们使用一个固定的母小波对整个识别方案。一个小波的进行比较测试5),7母小波与变化数据进行比较,根据最小距离。确定最合适的母小波,在本文中,我们比较7母小波和更多的订单数量变化的最大优势准则(MMC) (35]。具体来说,我们比较离散小波,小波双正交(订单1.1,1.3,1.5,2.2,2.4,2.6,2.8,3.1,3.3,3.5,3.7,3.9,4.4,5.5,和6.8),Coiflets(订单1、2、3、4、5),Haar小波,Daubechies小波(订单2、3、4、7、10、25日和45),反向双正交的小波(订单1.1,1.3,1.5,2.2,2.4,2.6,2.8,3.1,3.5,3.7,3.9,4.4,5.5,和6.8),和Symlets(订单2、4、8、16)。

MMC发现母小波能最大化类之间的平均利润率。这是通过比较之间的差异在类平均距离和类间平均距离 。母小波,达到最大的区别是最好的选择。假设我们有类 ,每一个类因此,样品 在总样本。让表示th的样本th类,让的重心th类,让训练集的重心。在类平均距离和类间平均距离可以表示为

歧视提到小波的性能的比较见图8。有人指出反向双正交的小波3.1实现最高的价值,这表明的观察意见,这使得它具有最高的歧视在这些小波的能力。因此,反向双正交的小波选择3.1作为默认母小波SAR图像的特征提取。

上述过程收益率大套特性表现出高可变性的质量区别的信息传达。达到真正有效的特性,使用PCA,既达到类似的结果2 d-pca和两级2 d-pca用于SAR特性时压缩的目的,在分析(26]。此外,PCA更高效的计算时间和存储空间而言。介绍了主成分分析的实现如下:鉴于。数据 。主成分数 。步骤1。减去变量的均值 。步骤2。解决了奇异值分解) 。步骤3。维数降低的特性集计算第一列的作为 。

3.2。学习统计特性之间的关系

因为访问数据带来真正的分布往往是不可用的,分别基于正/负样本的学习模型通常是不够准确的分类。事实上,区别的方法构造模型的积极的和消极的标签样品歧视的方式。因为最终的目标是分类,即使学分布可能不收敛于真实的分布,构造歧视模型往往比生成模型更好的歧视性能(36,37]。

在二进制分类情况下,可以自然地扩展到更一般的必要的分类情况,对于一个给定的标记训练集 ,在那里代表样本的标签,每一对 (通常是一个有限集的整数值吗 )。假设我们有两个模型 和 能描述的真实分布和 ,测试的对数似然比是最优测试(在Neyman-Pearson和贝叶斯设置(38]) 在哪里阈值(38]。

在大多数情况下,是不可能获得真正的条件分布和 。近似和通常用来标记训练集学习未知分布 。因此,测试可以写成的对数似然比

最近提议的方法叫歧视树估计多元分布和共同的积极的和消极的标签样本训练集谭等。37]。这种方法是基于假设学分布马尔可夫对是一个无向图吗 ,在那里 代表了顶点集和 代表所有无序对顶点的集合。提到了马尔可夫符合当地的马尔可夫性质 在哪里 代表的邻居节点的集合和 对于任何设置 。

一个树结构分布这是马尔可夫对一个无向图 可以映像如下(39]: 在哪里表示随机变量的边际和 代表了两两结对的边际 。

在此基础上,对于一个给定的分布 ,上的投影在一些树分布 定义如下:

我们跑题了这里介绍的方法构建模型的生成方式,然后提供构建模型的方法区别的时尚。生成方法试图构建一个模型,该模型是一样的下属的模型分类的目标。广泛研究的生成方法,即Chow-Liu算法(40),雇佣KL-divergence作为衡量两个概率分布的差异和 。Chow-Liu中的优化算法因此定义为 在哪里 州是一个树结构分布相同的字母吗 。这显示由周润发和刘优化问题可以解决通过使用最大重量生成树(MWST)算法(例如,克鲁斯卡(41])的互信息用于表示对变量之间的边的权值。

相比之下,最近提议歧视方法使用散度的测量两个概率分布之间的分离和 。的散度是定义如下42]:

优化问题减少到两个可MWST最大化问题树近似散度在两树structured-distributions和对已知的经验分布和 ,这是定义为 在哪里

它指出,如[37),(13)可以解耦成两个独立的优化问题:

这些可以通过MWST算法来解决

总的来说,学习的过程有识别力的树的总结了以下步骤(37]:鉴于。训练集 。步骤1。估计成对的统计数据 和 为所有的边缘 。步骤2。边的权值计算和为所有的边缘 。步骤3。找到最佳的树结构与给定的边的权值。步骤4。集和上的投影到和到 ,分别。步骤5。测试样本进行分类使用学到的分布和似然比检验 。

因为分类结果最终取决于测试的数值结果对数似然比,我们选择采用一个固定阈值0为整个培训过程。这是因为可能大于0表示属于概率较高 。同样,可能小于0指示属于高概率 。

4所示。识别方案

分类器建设ATR的主要目的是将大量的训练数据转化为有用的知识分类的学习。然而,一个分类器从大量的高数据不能保证实现良好的性能在不同分类和可能产生大的特征维度。因此,重视找到感兴趣的有效表征目标用于构造分类器。

提取功能可能包括大型集功能乍一看可能的利用价值,但被证明是太“乱”和高冗余。事实上,分类器的学习过程可大大受益于收购后的特征降维过程提取的功能正如前面所讨论的那样。redundancy-reduced特性可以用于学习分类器,在有效的分类器可以实现更好的分类结果精度。因此,建议扩大数量的潜在特性然后消除现有的冗余,降低放大特性集的维数,最后利用保存特性分类、构成特点,适当的质量、数量的组合。在拟议的识别方案,与小波分解特征提取,然后特性集的维数降低提供一套功能区别的信息丰富,但有限的维数,减少冗余。充分利用提取的特征,树结构分类器是在歧视时尚训练数据提供的基于统计信息的目标类。学习分类器的特征节点连接生成树,每个节点连接到另一个节点的最大相关性。此外,可以相应的计算功能节点之间的相关性。最后,分类器结合使用Real-AdaBoost算法构建最终的分类器分类精度高和不太容易过度拟合,最近提议的歧视涉及树作为基分类器。常规序列的步骤如图提议的方案9。

4.1。构造一个强分类器

不断努力构造一个分类器分类精度高、泛化能力强(后来的含义,分类器的性能从一个给定的训练数据集仍然是很好的分类器时接触到看不见的数据)(43]。采用整体学习方法是一种解决方案。整体学习方法构建和组合一组基分类器的构造和使用一个单一分类器从训练数据集。可以生成基分类器的训练数据集使用任何学习算法(如决策树、图形化模型和神经网络)。

演算法是一个整体的方法,在不同的领域都取得了极大的成功27,43- - - - - -47]。演算法的总体想法是不断更新的分布基本分类器的训练数据,这样的学习在每个迭代中更侧重于错误的标签样品前学到的基分类器。Real-Adaboost演的是一个变体已经验证明比普通演算法有更好的性能(Discrete-AdaBoost) [27,37,44]。具体地说,对于一个给定的训练数据集 ,每个样本都被分配一个初始重量 ,在那里是训练样本的数量。一个基本分类器在每次迭代学习这样 ,一个更大的绝对值显示更高的信心。然后,样品错误的标签是等权重的增加,所构造的分类器在随后的迭代可以专注于分类错误的样本。最后,结合分类器产生的迭代 在哪里符号函数吗 如果 和否则,系数计算在每个迭代中最小化加权训练误差。总的来说,Real-AdaBoost算法训练一组基分类器按顺序组合成一个强大的分类器,在当前的学习基分类器将更多的注意力放在错误的标签样品前基分类器。

的整体过程Real-AdaBoost迭代训练集分布的重排而基分类器的学习方法是没有改变。学习的基本分类器在每个迭代中 ,的冗余和维数降低小波的特性受聘和美联储学习歧视树分类器建设。采用部分中介绍的学习方法3所示。2构造,一双有识别力的树提供一个估计的分类结果。具体来说,一双有识别力的树木构成Real-AdaBoost基分类器 ,在那里 ,和在表示了歧视的树模型th Real-AdaBoost的迭代。后迭代,对歧视的树木学,结合构建一个更强的分类器有更好的近似的分类结果可以写成中提琴和琼斯45] 在哪里 和 。

的迭代更新训练集分布,较大的分类错误的样本重新分配权重和正确分类样本重新分配较小的重量比之前的重量。关于重量分布更新问题,简单重复的样品重量是时间和较高的计算效率低下。这是因为随着迭代次数的增加,错误的标签样本数量更少但更大的权重。因此,最后的训练集是固定在大小和构造以随机抽样的方式,在原始训练集样本的选择是根据更新后的重量分布。整个分类器施工方案总结如下:鉴于。训练数据集 。的迭代次数 。步骤1。小波变换特征提取从给定的训练数据集 。步骤2。冗余和降维提取的特征。步骤3。初始化分布权重, 对所有 。步骤4。分类器构造(1)为 做(2)学习的区别的树木 , 从加权经验分布和 。(3)基分类器 。(4)计算系数 (5)更新加权经验分布: 在哪里是归一化因子(确保将一个分布)。(6)结束了步骤5。输出最终的分类器 与系数 。

4.2。多类分类

One-vs。——(蛋)和One-vs。——(卵子)是两个最受欢迎的战略扩展的两种分类(二进制分类)多类分类问题(多项分类)48]。对于一个类问题,蛋的策略训练 二元分类器,每个分类两类选择从原始训练集的分类。看不见的样本,这些样本是美联储和测试 分类器采用投票方案的类实现最多的积极的预测将被视为最终的预测。卵巢策略训练一个分类器对每个类的样本目标类都视为积极的样品和其他样品的负样本。在预测阶段,看不见的样本与类的标签分配如果相应的分类器产生似然得分最高。

5。实验结果

在本节中,提出方案的性能评价和比较几种建立方法。广泛使用的SAR ATR实验验证和比较基准移动和静止目标获取与识别(MSTAR)公开发布数据库是用于绩效评估(49- - - - - -51]。MSTAR数据库包含10车类,所收集的x波段SAR与1英尺英尺决议,包括BMP2 BTR70, T72, BTR60, 2 s1, BRDM2, D7, T62, ZILI131 ZSU234, SLICY。目标图像的采集是抑郁症在不同角度拍摄角度和方面,适合检测SAR ATR方法以各种操作条件下的目标。

有两个类别的操作条件MSTAR数据库:标准的操作条件(soc)和扩展的操作条件(而是EOCs) [50]。捕获的目标在soc表中列出1包括车辆信息类型,数量的芯片图像,序列号,和抑郁的角度。值得注意的是,SAR ATR的而是EOCs更困难比出类拔萃。EOC-1,大萧条的角度更大变化的训练15°以下捕获图像和测试图像捕获在30°,如表所示2。EOC-2,训练和测试设备有各种版本的T72不同的序列号,如表所示3。

我们实验的二级和三级二维小波分解对反向双正交的小波(选中的母小波介绍部分3所示。1)。在下面,小波768 ( 192)和小波( )是用来表示二级和三级小波分解,分别。的停止准则Real-AdaBoost设置为400次迭代。感兴趣的目标的分割是基于使用MRF模型实现方法,潜在的类数是2,预期为0.4,最大迭代数量是50。分割的目标却充盈着一片圆盘状模板半径为3。重叠的矩形度是0.5,表明一个适当的MBR必须超过50%长边缘像素重叠的利益的目标。此外,该方法在计算机上用Matlab R2013a实现和测试,1.8 GHz CPU和4 GB RAM。关于计算的复杂性,为分类分类器训练10个目标蛋时尚,一个样本的处理时间小于0.02 s,包括过程和识别目标的提取和压缩特性。

之前将该方法应用于SAR ATR和与其他方法相比,有必要测试该方法结合几个重要的过程,包括图像能量归一化、特征提取,扩展两级多级分类,提出整改。这四个部分进行测试5。1来5。4,识别精度性能的比较与其他方法提供了部分5。5。

5.1。图像的能量归一化

能量归一化图像的意义在SAR ATR测试在这一节中,该方案的性能测试有或没有图像能量归一化处理。捕获的数据集包括所有10类在soc表中列出1。192年小波用于特征提取。

它是注意到在图10特征提取之前正常化的参与有利于提高分类精度。事实上,随着维度的特征向量用于分类,图像能量归一化的优势。这是因为更大的训练功能集提供了更多的信息分类,在分类器赋予更多的歧视能力利用所提供的信息。然而,分类和标准化达到良好的分类精度(约96%)即使特征向量维数低得多,产生的精度几乎是一样的尺寸精度达到更高的特性。因此,还是建议采用图像能量归一化预处理,尤其是对分类器由培训低维度的特性集。在下面,图像能量归一化过程采用标准默认的处理步骤。

5.2。扩展多类

我们比较蛋和卵子策略在同一训练集(所有10个类在soc)来测试他们的SAR ATR的性能问题。这是表示在图11蛋策略似乎优于卵巢战略略SAR ATR中的问题。边际差异识别准确性躺在训练集的不平衡,在卵巢策略采用积极的样本的类的数量远远低于负类样本。事实上,卵子策略的优点是它在计算和时间复杂度,蛋45构造分类器和卵巢结构10分类器一个十级的问题,分别。因为本文的目的是提供一种SAR ATR方案识别精度高,蛋被作为默认的策略解决多类问题。

5.3。特征提取

在本节中,我们比较的性能特征提取使用小波192三级小波分解和小波768(二级小波分解)。所有10类捕获soc以下用于训练和测试。如图12,这两个曲线相互耦合。192小波优于小波768年特征向量具有较低的维度。然而,这种情况下的变化特征向量的维度增加到40。此外,最好的分类结果(97.46%)是通过使用小波768特征尺寸为70。这是因为小波768年为歧视和提供更多的功能提出ATR方案构造,结合几个歧视树分类器,充分利用固有的歧视信息提取功能。

5.4。提出整改

5.4.1之前。姿态估计

测试提出的性能估计方法,该方法的评估结果进行比较的地面实况目标姿势(方位MSTAR数据库中提供的信息)。估计结果的正确性评估所谓的平均绝对差(MAD),计算 。疯狂显示实际的估计误差对地面真理相比,平均误差(我),因为它阻止了抵消的正面和负面的错误。此外,该方法的性能评价和比较几种广为引用的方法,如最小二乘法(LSM)估计为基础,基于霍夫变换(HT)方法,基于MBR的方法,基于变换(RT)的方法。

所有10个目标捕获与不同抑郁角度和目标提出了涉及到测试该方法的鲁棒性抑郁症的角度变化。10个目标的评价结果抑郁角度17°15°表中列出4和5,分别。所有序列号BMP2的变异和T72 MSTAR数据集涉及测试序列号的变化鲁棒性。评价结果数据捕获萧条的角度17°15°表中列出6和7,分别。指出基于MBR的方法取得了估计误差相比其他方法要低得多。然而,基于MBR的方法估计误差的性能高于10°在几个测试。更具体地说,基于MBR的方法达到最高的估计误差15.32°BRDM2捕获的俯角15°。与这些方法相比,该方法达到了最低估计误差在所有测试(低于10°)。

此外,上述测试的平均估计误差说明数据条形图13和14,这样更可以观察到明显的比较。同样,该方法与最小二乘法相比(LSM)估计为基础,基于HT的方法,基于MBR的方法,基于RT的方法。指出,对于大多数的这些方法,实现更高的估计误差的序列号变异测试。与这些方法相比,该方法在两个测试中均达到健壮且准确的估计结果。具体来说,该方法达到了最低的平均估计误差在所有测试(低于8°)。

5.4.2。提出整改

各种目标带来了伟大的变化引入到SAR图像。在几个研究实验证明,在某些方向或旋转图像旋转不变特性的引入有利于提高分类精度(2,3]。为此,我们旋转图像根据SAR图像的目标构成,命名为提出整改。在本节中,我们测试方案的性能或不构成整流使用相同的训练和测试集(SOC)下所有10类。SAR图像旋转逆时针根据他们的姿势。从图可以看出15、分类和构成整流普遍优于监督分类没有提出整改。它也指出,最好的分类精度(99.3%)是通过小波768特征尺寸为75。这些结果符合我们期望的分类可以受益于消除了对SAR图像的变化。具体来说,提出的整改提供了目标图像分类用更少的变化。

5.4.3。离群值拒绝性能

评估异常拒绝该方法的性能,测试不同阈值的对数似,介绍了部分3所示。2,成立中华民国曲线。BMP2 BTR70, T72列在表中1涉及分类器训练和SLICY集涉及confusers 1168图像芯片,也就是说,210芯片捕获15°、298芯片捕获16°,386芯片捕获17°和274芯片捕获在29°。如图16在检测的概率 ,误报的概率特征维度的75 。很明显,该方法是健壮的拒绝混淆的目标。

5.5。ATR性能比较

的有效性提出了ATR计划在这一节中进行测试。几种广为引用方法的性能比较,例如,延长最大平均相关高度过滤(EMACH) [53),与高斯核支持向量机(SVM)分类器(52),功能融合通过演算法与神经网络作为基分类器(2),迭代图增厚(IGT)的方法(24]。从使用方法获得最好的结果与其他方法进行比较。

表8列出了soc下提到的方法的性能比较。它指出,该方法取得了显著改善分类精度与其他方法进行比较。大多数类是正确分类准确率达到了100%,其余的高于98%,也远高于其他方法。此外,该方法的优越性得到加强的平均水平(99.3%)远高于第二高的平均水平(84.8%)。

四个不同目标类参与以下测试:EOC-1,包括2 s1, BRDM2, T72, ZSU234,列在表中2。所有这四类参与培训和测试阶段。唯一的区别是,训练和测试设置捕获下抑郁15°和30°角,分别。俯视角的增加变化分类问题引入了一个更大的挑战。它在桌子上9,提到的大多数方法的分类精度在EOC-1低于88%,该方法的优越性(高于96%)是显而易见的。此外,该方法的平均分类精度为97.5%,远远高于其他上市的方法。

训练数据集下EOC-2由四个不同的目标类,BMP2, BRDM2, BTR70 T72,总结如表2。这个测试旨在测试SAR ATR算法性能的显著不同的序列号和配置。测试集只有T72家族与五种不同的序列号和训练集是由所有提到这四类。此外,训练集得到的测试为17°,在抑郁症的角度设置了15°和17°如表所示3。表10列出了EOC-2下提到的方法的性能比较。分类精度的提高是实质性以来的平均水平该方法的第二最高是96.9%,远高于84.8%。

5.6。性能比较的目标带来的变化

在分析部分5。4,提出整改的参与有利于提高分类性能。事实上,一个目标会表现出不同的表象时捕获在各种姿势。在本节中,我们进行一个实验来测试引入的外观差异造成的影响变化。实验数据库几乎是一样的数据列在表中1除了只有一个序列号的每个目标涉及到培训和测试(C21 BMP2和S7 T72)。培训数据库的图像选择培训不同样品的步骤的目标提出了(不同的从1°7°),51的图片在哪里选择每个目标的培训。例如,步的姿势是 ,提出了一步是 ,提出了一步是 。此外,我们还研究了训练分类器使用培训数据库的可能性大小不同,例如,51训练图像,60训练图像,71训练图像和85训练图像。特征提取与小波768和减少到55的维度。结果见图17。

这是表示在图17提出了增量步的增加,分类精度实现增长。更具体地说,一个高得多的是通过使用51和增量步训练图像吗相比,一个姿势的通过使用85训练图像渐进步骤在构成。这一观点背后的原理是:训练数据集形成小姿势变化的步骤可以提供目标信号信息较少,因此,他们的内容不够充分覆盖的不同表象下目标捕获各种姿势。相反,一个更完整的训练数据集时可以形成较大的涉及捕获图像构成的变化。实验结果图17表明,最佳的分类性能90.3%达到培训时使用增量步51图像捕获与85年实现当培训和93.0%使用增量步图像捕获 。而且,很容易发现更好的分类性能总是取得培训较大量的图片。值得指出的是,只有一小部分图像参与培训的阶段而不是几百人在以前的测试中使用。这是一个有前途的结果意味着一个好的分类结果可以达到甚至更少数量的训练图像,只要他们用适当的增量捕获步骤。

6。结论

在本文中,我们提出了一个系统的方案SAR ATR的任务。该方案包括三个主要阶段:预处理、特征提取和处理,分类器结构。涉及几种预处理方法的有效性(例如,图像能量归一化和提出整改过程)分析和实际验证。研究结果表明,这些预处理步骤的参与有利于提高分类精度。此外,我们提出了扩大歧视的特性集提供更多信息,然后消除冗余和维数的扩展特性集形成一个更紧凑和高效的特性。最后,歧视的树木学作为基分类器,结合构造一个强分类器通过使用Real-AdaBoost算法。该方法是在各种操作条件下评估MSTAR数据集。实验结果表明,该方法优于传统的方法,例如,EMACH,支持向量机,神经网络和IGT。该方法的优点给信贷减少变化的目标图像,改善功能效率,消除冗余的特性集,和良好的泛化能力强分类器相结合。此外,我们已经测试了分类器的分类性能训练目标的不同组合构成。实验结果表明,分类器训练与训练图像覆盖大目标姿态变化可以产生好的分类结果即使有有限数量的训练图像。

的利益冲突

作者宣称没有利益冲突。

确认

这项工作是支持的欧盟H2020忒耳西科瑞项目”将无形民俗表演艺术转变为有形的舞台舞蹈的数字对象”691218年根据授权协议。

引用

1. Ochilov和d . a . Clausi“操作SAR海冰图像分类,”IEEE地球科学和遥感,50卷,不。11日,第4408 - 4397页,2012年。视图:出版商的网站|谷歌学术搜索
2. s . Todorovic y, z . p . Liu和j·n·李,“自适应提高SAR自动目标识别,”IEEE航空航天和电子系统,43卷,不。1,第125 - 112页,2007。视图:出版商的网站|谷歌学术搜索
3. 我。公园和K.-T。金”,修改极坐标映射为SAR自动目标识别分类器,”IEEE航空航天和电子系统,50卷,不。2、1092 - 1107年,2014页。视图:出版商的网站|谷歌学术搜索
4. O。Aytekin, m . Koc Ulusoy,”当地原始SAR图像的分类模式,”IEEE地球科学和遥感,51卷,不。4、2431 - 2441年,2013页。视图:出版商的网站|谷歌学术搜索
5. n·m·Sandirasegaram“现货SAR ATR使用小波的特性和神经网络分类器,“技术代表、报告。DTIC文档,2005。视图:谷歌学术搜索
6. m . Amoon G.-A。Rezai-rad”,自动目标识别的合成孔径雷达(SAR)图像特性,基于最优选择泽尼克时刻”专业计算机视觉,8卷,不。2、77 - 85年,2014页。视图:出版商的网站|谷歌学术搜索
7. c·克莱门特l .帕Proudler, a . de Maio j . j . Soraghan和a .淀粉”Pseudo-Zernike-based多次从多通道合成孔径雷达自动目标识别,”专业雷达、声纳、导航,9卷,不。4、457 - 466年,2015页。视图:出版商的网站|谷歌学术搜索
8. c .朱h .周和郭j . r . Wang”小说等级船舶从星载光学图像检测方法基于形状和纹理特性,”IEEE地球科学和遥感,48卷,不。9日,第3456 - 3446页,2010年。视图:出版商的网站|谷歌学术搜索
9. z, s . Zhiguang、c·肖和f .羌族“SAR图像的自动目标识别基于全球散射中心模型,”IEEE地球科学和遥感卷,49号10日,3713 - 3729年,2011页。视图:出版商的网站|谷歌学术搜索
10. 大肠Giusti m . Martorella, a . Capria“Polarimetrically-persistent-scatterer-based自动目标识别,”IEEE地球科学和遥感卷,49号11日,第4599 - 4588页,2011年。视图:出版商的网站|谷歌学术搜索
11. 我。公园,工程学系。公园,K.-T。金,“新的歧视特性SAR自动目标识别,”IEEE地球科学和遥感信,10卷,不。3、476 - 480年,2013页。视图:出版商的网站|谷歌学术搜索
12. g .董:王旷g .,“单基因信号的稀疏表示:与应用程序在SAR图像目标识别,”IEEE信号处理信件,21卷,不。8,952 - 956年,2014页。视图:出版商的网站|谷歌学术搜索
13. 陈h, h . Chang, t·刘,“当地判别嵌入及其变异,”《IEEE计算机学会学报计算机视觉与模式识别会议(CVPR ' 05),2卷,第853 - 846页,2005年6月。视图:出版商的网站|谷歌学术搜索
14. f . Dornaika和a . Bosaghzadeh”指数当地判别嵌入人脸识别及其应用,”IEEE控制论,43卷,不。3、921 - 934年,2013页。视图:出版商的网站|谷歌学术搜索
15. 李x,徐x, y, z的粉丝,h . Liu和y陈,“局部性和相似性保持嵌入特征选择,”Neurocomputing卷,128年,第315 - 304页,2014年。视图:出版商的网站|谷歌学术搜索
16. 黄x, y l . j . f .贝聿铭和j . y .杨”样本判别分析SAR ATR。”IEEE地球科学和遥感信,11卷,不。12日,第2124 - 2120页,2014年。视图:出版商的网站|谷歌学术搜索
17. 黄y . j .思路,j . Yanga b . Wang和刘x,“邻域几何中心扩展嵌入SAR ATR,”IEEE航空航天和电子系统,50卷,不。1,第192 - 180页,2014。视图:出版商的网站|谷歌学术搜索
18. 江赵x, y, t . Stathaki和h .张“步态识别方法使用外观的转换机连续任意行走路径,”Neurocomputing卷,173年,第540 - 530页,2016年。视图:出版商的网站|谷歌学术搜索
19. 江赵x, y, W.-Q。王,“有效的杂波抑制SAR图像与脱落不相关的模式,”IEEE地球科学和遥感信,12卷,不。9日,第1832 - 1828页,2015年。视图:出版商的网站|谷歌学术搜索
20. x星,k, h邹,j .太阳,“基于稀疏表示的sar车辆识别与视线角,“科学世界日报文章ID 834140卷,2014年,第175 - 174页,2014年。视图:出版商的网站|谷歌学术搜索
21. g . Akbarizadeh”,一个新的statistical-based峰度小波能量特征的纹理识别的SAR图像,”IEEE地球科学和遥感,50卷,不。11日,第4368 - 4358页,2012年。视图:出版商的网站|谷歌学术搜索
22. l . Bruzzone m . Marconcini美国Wegmuller, a . Wiesmann”一个先进的系统多瞬时SAR图像的自动分类,“IEEE地球科学和遥感,42卷,不。6,1321 - 1334年,2004页。视图:出版商的网站|谷歌学术搜索
23. p . y . Wang, x,和黄j . r . Wu”演算法的性能比较,支持向量机应用于SAR ATR,”诉讼的CIE雷达(ICR 06年)国际会议上2006年10月,页1 - 4,。视图:出版商的网站|谷歌学术搜索
24. 美国斯诉《艋舺》,r . g . Raj“SAR自动目标识别使用区别的图形模型,”IEEE航空航天和电子系统,50卷,不。1,第606 - 591页,2014。视图:出版商的网站|谷歌学术搜索
25. s . g . Mallat”理论对多分辨率信号分解:小波表示,“IEEE模式分析与机器智能,11卷,不。7,674 - 693年,1989页。视图:出版商的网站|谷歌学术搜索
26. c .秋任h . h .邹,s .周”性能比较SAR图像目标分类的基于PCA和2 d-pca特性,”学报2009年亚太会议在合成孔径雷达,APSAR 200910月,页868 - 871,中国,2009。视图:出版商的网站|谷歌学术搜索
27. r . e . Schapire和y歌手”,改善提高算法使用confidence-rated预测,“机器学习,37卷,不。3、297 - 336年,1999页。视图:出版商的网站|谷歌学术搜索
28. h, h·林和李y”影响功能正常化的光学和SAR数据融合为土地利用/土地覆盖分类、”IEEE地球科学和遥感信,12卷,不。5,1061 - 1065年,2015页。视图:出版商的网站|谷歌学术搜索
29. 问:赵,d .徐和j·c·普林西比“姿势估计SAR自动目标识别,”程序的图像理解车间,第832 - 827页,1999年。视图:谷歌学术搜索
30. j·c·普林西比、d .徐和j·w·费舍尔三世”姿势估计SAR使用信息理论标准,”程序合成孔径雷达成像算法的V,页218 - 229,美国,1998年4月。视图:出版商的网站|谷歌学术搜索
31. l·m·卡普兰和r . Murenzi”姿势估计使用二维连续小波变换的SAR图像,”模式识别的字母,24卷,不。14日,第2280 - 2269页,2003年。视图:出版商的网站|谷歌学术搜索
32. l . Voicu r·巴顿和h·迈勒,“SAR-ATR Multi-criterion车辆姿态估计,”在学报学报——国际光学工程学会卷,372110年。视图:谷歌学术搜索
33. s . Helgason“氡转换”,数学的进展,13卷,不。89年,第133 - 81页,2009年。视图:谷歌学术搜索
34. g .杜桑“旋转卡钳,解决几何问题诉讼MELECON地中海83年,电工的会议。视图:谷歌学术搜索
35. s . j . Liu, x Tan, d,“评论最大的高效和健壮的特征提取保证金标准”,“IEEE神经网络和学习系统,18卷,不。6,1862 - 1864年,2007页。视图:出版商的网站|谷歌学术搜索
36. 美国认可、诉Tan和a . Willsky“学习图形模型假设检验,”学报2007年IEEE / SP 14车间统计信号处理,SSP 2007美国,页69 - 73年,2007年8月。视图:出版商的网站|谷歌学术搜索
37. v . y . Tan表示认可,费舍尔,a s Willsky,“学习”图形模型假设检验和分类,IEEE信号处理,卷。58岁的没有。11日,第5495 - 5481页,2010年。视图:出版商的网站|谷歌学术搜索|MathSciNet
38. t . m .封面和j·a·托马斯,信息理论的元素Wiley-Interscience出版,纽约,美国,第二版,2012年版。视图:MathSciNet
39. s . Lauritzen图形化的模型英国,牛津大学出版社,牛津,1996年。
40. c . Chow和c .刘”近似离散概率分布与依赖树,”IEEE信息理论,14卷,不。3、462 - 467年,1968页。视图:出版商的网站|谷歌学术搜索
41. j·克鲁斯卡尔,“最短生成子树的图和旅行商问题,“美国数学学会学报》上7卷,48-50,1956页。视图:出版商的网站|谷歌学术搜索|MathSciNet
42. s . Kullback信息理论和统计Wiley-Interscience出版,纽约,美国,1959年。
43. r·e·Schapire y Freund, p . Bartlett和w·s·李,“提高保证金:一个新的解释投票方法的有效性,“统计年报,26卷,不。5,1651 - 1686年,1998页。视图:出版商的网站|谷歌学术搜索|MathSciNet
44. j·弗里德曼,t . Hastie和r . Tibshirani”添加剂逻辑回归:统计视图增加(由作者讨论和反驳),“统计年报,28卷,不。2、337 - 407年,2000页。视图:出版商的网站|谷歌学术搜索|MathSciNet
45. p .中提琴和m·琼斯,“健壮的实时检测,”国际计算机视觉杂志》上4卷,51-52页。视图:谷歌学术搜索
46. a . Vezhnevets诉Vezhnevets,“适度AdaBoost-teaching演算法更好地推广,”Graphicon,第12997 - 12987页,2005年。视图:谷歌学术搜索
47. 吴和h . Nagahashi”,一个温柔的演算法解决过度拟合问题的新方法,”学报》第五届国际会议上的图形和图像处理,ICGIP 20132013年10月,中国。视图:出版商的网站|谷歌学术搜索
48. j·米尔格拉姆、m . Cheriet和r . Sabourin”加快支持向量分类器的决策,”《第九次国际研讨会在手写识别领域,页57 - 62,东京,日本。视图:出版商的网站|谷歌学术搜索
49. j . c mos和t·d·罗斯,”一位对MSTAR SAR ATR算法性能评估敏感扩展操作条件,”程序合成孔径雷达成像算法的V,页554 - 565,美国,1998年4月。视图:出版商的网站|谷歌学术搜索
50. t·罗斯,s . Worrell诉Velten j .金属氧化物半导体和m .科比,“标准评价实验利用MSTAR SAR ATR公开发布的数据集,”程序合成孔径雷达成像算法的V,页566 - 573,美国,1998年4月。视图:出版商的网站|谷歌学术搜索
51. t·d·罗斯和c . j . mos“MSTAR评价方法,”AeroSense 99,页705 - 713,国际社会对于光学和光子学,1999。视图:谷歌学术搜索
52. 问:赵和j·c·普林西比支持向量机对SAR自动目标识别,”IEEE航空航天和电子系统,37卷,不。2、643 - 654年,2001页。视图:出版商的网站|谷歌学术搜索
53. r·辛格和b . v . k . Vijaya Kumar的性能扩展最大平均高度相关性(EMACH)滤波器和多项式距离分类器相关滤波器(PDCCF)多层次SAR探测和分类,“学报——国际光学工程学会学报》上卷,4727年,第276 - 265页,2002年。视图:出版商的网站|谷歌学术搜索

版权

版权©2017晓惠赵等。这是一个开放的分布式下文章知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。