文摘

合成孔径雷达(SAR)图像预处理技术和它们对目标识别性能的影响进行了研究。SAR目标识别性能的提高通过组合各种预处理技术。预处理技术实现抑制背景冗余,提高目标特征的影响通过处理原始SAR图像的大小和灰度分布,从而提高后续目标识别性能。在这项研究中,图像裁剪、目标分割和图像增强算法用于原始SAR图像进行预处理,并有效提高目标识别性能通过结合上述三种预处理技术。图像增强的基础上,用于特征提取的单基因信号稀疏表示分类(SRC)是用来完成的决定。的实验是转达了移动和静止目标获取与识别(MSTAR)数据集,结果证明多种预处理技术的结合可以有效地提高SAR目标识别性能。

1。介绍

合成孔径雷达(SAR)是广泛应用于军事和民用领域由于其全天候的数据测量和成像功能。关键技术由SAR自动目标识别(ATR)已成为一个重要的支持情报侦察、导弹制导等链接(1]。与高分辨率SAR成像技术的发展和成熟,战术出现了基于SAR图像目标识别方法。这些方法主要采用两级“特征提取+分类器的概念。”特征提取是从原始SAR图像和提取有价值的目标特性,如几何形状、灰度分布和散射特性,基于移除粗糙度的概念和本质。在[2- - - - - -7),几何形状特征,如目标区域(影子)和轮廓设计SAR目标识别方法,它反映的外貌信息的目标。然而,由于常见的干扰等噪声和杂波SAR图像特性,比如目标区域和轮廓的精度往往是有限的。在[8- - - - - -15),主成分分析(PCA),单基因信号,分解模式,和其他数学投影或信号分解算法被用来获取SAR图像特性。这些特性具有良好的一致性和提取效率高。缺点是往往不能反映的物理层信息的目标。的特征描述SAR目标包括极化散射特征的特点和当地的散射中心。在这个阶段,最常用的散射特性是散射中心的决定是通过匹配属性参数(位置、长度、结构等等)(16- - - - - -18]。由于散射中心模型通常是非常复杂的,很难估计散射中心的参数与效率和精度高。用于SAR目标识别的分类器主要是继承领域的光学模式识别或优化和改进根据SAR图像的特点,如K最近的邻居(事例)(8),支持向量机(SVM)中使用[19,20.),自适应提高(21(SRC)[],稀疏表示分类22- - - - - -26],最近流行的卷积神经网络(CNN) (27- - - - - -41]。

不同于一般的光学图像,有很多噪音干涉SAR图像,这往往导致低能见度和可读性。因此,在进行目标识别,使用一定的预处理方法处理SAR图像可以有效改善后续的识别性能。一般来说,大小和像素处理原始SAR图像可以用来提高SAR图像质量,以方便后续的特征提取和分类器设计。在现有文献中,大量的预处理技术被采纳和验证,包括图像裁剪、目标分割、图像增强以及超限分辨。在这篇文章中,三种类型的预处理方法、图像裁剪、目标分割,图像增强,采用SAR图像目标识别的问题。进一步在此基础上,单声道信号作为特征提取的基本方法获得多级谱特性。基于稀疏表示的分类、预处理和特征提取是分类的结果,并最终决定结果。实验是转达了运动和静止目标获取与识别(MSTAR)数据集。结果验证了该方法的有效性。

2。描述的预处理技术

2.1。图像裁剪

图像裁剪在SAR目标识别是一种很常见的预处理技术,可以有效地消除大量的原始SAR图像背景冗余。图像裁剪操作非常简单,通过分段一定边长的正方形区域中心的原始SAR图像与目标图像。选中的边长的平方对最终的目标识别性能有一定的影响。边长越大,背景杂波将被删除,但同时可以删除一个目标区域的一部分。因此,它是非常重要的选择一个合适的裁剪窗口。当窗口太小,目标特征可能会在一定程度上被摧毁。相反,一个非常大的窗口可能会让太多的背景和杂波像素。因此,这些干扰仍然存在。

2.2。目标市场细分

目标市场细分的目的是分离背景像素的目标区域和目标阴影,尽可能地消除背景噪音的干扰。与光学图像相比,SAR图像的可见性差和目标边界不清楚。因此,SAR目标分割一直是一个难题,并很难可靠地评估某一目标分割算法的性能。本文在文献中提出的目标分割算法,和具体实现步骤如下:步骤1。在最初的SAR图像进行直方图均衡化,将其动态范围[0,1]步骤2,执行平均直方图均衡图像滤波步骤3。使用阈值图像分割方法,和阈值是0.8步骤4。针对可能的影响小的骨折和蛀牙在目标区域和背景杂波,数学形态学操作来消除它们

的帮助下高精度目标分割,纯能保持目标特征虽然可以有效地消除干扰。在下一阶段,功能只能提取目标区域的有效性可以更好的维护。

2.3。图像增强

图像增强使用某些图像处理技术来突出图像中的某些信息,削弱或消除一些无关紧要的信息的应用程序需求的某些特点。因此,它可以提高解释感兴趣的信息的能力。SAR目标识别的具体应用,大量的图像增强技术已经采用,如对比度增强、图像滤波和功率指数提高。摘要权力指数增强用于原始SAR图像进行预处理。具体操作如下。首先,权力转换的原始SAR图像的灰度值如下:

然后,根据下列效力把像素值归一化方程:

增强的效果在不同的权力是不一样的。在一个合适的功率选择,图像增强有抑制背景的影响,提高目标特征,这是有利于正确以下特征提取和目标识别。

3所示。目标识别中的应用

3.1。单基因信号特征提取

单型的信号是一个二维的分析信号,有能力分析的二维时频特征图像,分析目标的丰富的纹理和详细的特性。目前,单声道信号已经被有效地用于脸形象和SAR图像识别(11,12]。表示二维信号,它的黎兹变换计算 ,在哪里 表示2 d空间域坐标。首先,原始信号的二维黎兹变换计算如下: 在哪里和是图像的单位。原始信号和黎兹变换包括单基因信号的实部和虚部。然后,三个单基因的组成部分,即。,local amplitude, local phase, and local orientation, can be obtained as following equation: 在哪里和是 - - - - - -虚构的, - - - - - -想象中的组件,分别。

黎兹转换和Log-Gabor单声道信号的分解过程都是在二维空间中执行,所以分解 , ,和最后是在一个二维矩阵的形式与原始图像大小一致。他们有不同的特点和有能力描述原始图像的特征从不同的侧面。当地的振幅侧重于反映图像的强度(灰度值)分布。当地阶段和方向描述图像的局部细节和目标形状信息,分别。因此,充分利用多级谱组件通过分析信号的分解有利于描述目标特征更全面,从而提高后续的分类精度。参考的参数设置11),本研究定义3 Log-Gabor过滤器的不同尺度,获得3个层次,9-component单色光谱组件、组合为一个特征向量。验证,每个谱组件在不同层次上可以有效地反映部分原始SAR图像的特点,但也有一定程度的冗余。因此,必须有效地屏幕大量获得的光谱成分的分解,以全面提高后续分类的准确性和效率。

3.2。SRC的分类

稀疏表示是基于压缩传感理论和分析样本的特征与未知的特点通过线性描述示例overcomplete字典。莱特等人使用稀疏表示的人脸识别,也就是说,以确定测试样本的类别基础上,重建误差下每个类别的稀疏表示系数(42,43]。具体来说,全球词典 首先是由多个构造训练类别,在哪里代表了原子对应在课堂上训练样本。对于测试样本被识别,稀疏线性表示执行如下: 在哪里是要解决的稀疏系数向量和是解决误差阈值。

自从在方程(直接解决优化问题5)是非常复杂的,研究人员获得高信任度通过等效近似原理近似解。例如,在[42),规范是用来替换原来的规范将它转化为一个凸优化问题,很容易解决。在[22),正交匹配追踪(OMP)算法采用基于贪婪机制来改善整体解决方案的效率。根据解决稀疏表示稀疏向量,可以判断测试样本的类别根据其在不同类别的分布规律。在许多原则决定,基于最小重建误差准则是应用最广泛的。基本思想是线性重构测试样本与样本的每个类别,然后计算重建误差,如下: 在哪里包括线性相关系数培训类和重建误差来自哪里培训类。最后,SRC决定基于最小误差。

3.3。程序的实现

基于上述讨论,总结了该方法的基本过程如图1。训练和测试样本首先由三个处理预处理技术。之后,使用单基因信号从训练样本中提取特征建立全球词典。测试样品的单基因特征向量所代表的全球词典,从不同的类和重建错误比较来确定目标类。特别,MSTAR SAR图像实验是裁剪的大小为80×80宿舍覆盖目标区域。此外,图像增强中使用的功率因数为2.5实现一个相对良好的结果。

4所示。实验

4.1。MSTAR数据集

设置基于MSTAR数据集的实验条件进行多级分类实验的目标。作为目前广泛使用的SAR目标图像数据集,MSTAR数据包含10个类型的车辆目标收购了在各种条件下(见图2光学和SAR图像的例子)。在这些图像,目标方位角涵盖0°∼360°,和一些目标有几个子(BMP2和T72等);原始图像分辨率达到0.3米。表1显示了一个典型的实验条件基于SAR图像的10个类型的目标。其中,使用训练集和测试集样本的高度角17°15°,分别;BMP2的测试集和T72含有更多比训练集的子。在当前设置条件、训练和测试样本之间的差距相对较小,通常近似标准操作条件(soc)。

为了验证有效性和鲁棒性,该方法比较与几个参考方法从当前文献包括SRC-based方法(22),使用单基因信号特征提取方法(11基于CNN在[],方法30.]。以下测试标准的操作条件下进行(SOC)和扩展操作条件(而是EOCs)实现全面的评估方法。

4.2。验证在SOC的处理技术

初步验证了在SOC的实验设置如表所示1。十的训练样本是SAR图像目标以17°俯角。测试样品从15°俯角BMP2和T72额外目标配置。结果通过该方法显示在图中3,不同目标的识别精度显著的对角线上。BMP2和T72识别率低的比剩下的,因为配置差异造成的干扰。表2列出了不同方法的平均识别率。特别是,我们比较该方法与没有这三种预处理技术。比较表明,使用预处理技术有效地提高了识别性能。与三种参考方法相比,该方法达到了最高的结果,验证其优越的有效性。

4.3。俯视角方差

在SOC的实验装置,测试的抑郁症的角度和训练样本非常接近(只有2°的区别)。在实践中,测试样本可能会在不同的训练集的俯角。这时,图像差异造成的不同俯视角增加识别的难度。表3显示了实验条件与大萧条角的差异。样品在17°俯角用于分类测试集在30°、45°,分别。表4全面展示了每个方法的平均识别率在两个抑郁症的角度。它可以清楚地看到,当大萧条角是45°,每个方法的性能显著下降。在两个测试条件下的比较和分析,该方法获得最佳性能,显示俯视角的变化的鲁棒性。预处理技术可以有效地提高图像质量的情况下甚至俯角差异。然后,预处理后的特性可以更好地处理抑郁症引起的曲线端角方差。

4.4。噪音腐败

噪声在整个生产过程中存在的SAR数据采集和成像,因此它是一个重要因素,必须考虑在SAR目标识别。随着噪音继续加强,最初的目标特征不断干扰,甚至淹没。在原始图像的MSTAR数据集都是来自合作条件,不受噪音干扰和有更高的信噪比(信噪比)。由于这个原因,这个实验实现噪声的测试样本表1根据这个想法在17),然后使用建议和参考方法对噪声样本进行分类。图4显示了不同方法的性能曲线。通过预处理技术,噪声干扰可以有效地缓解以下阶段的特性能保持较高的歧视。综合所有方法相比,本文方法具有最强的噪声鲁棒性。

5。结论

论述了SAR图像预处理技术对目标识别性能的影响,分析和研究三种预处理技术的SAR图像裁剪、目标分割和图像增强。预处理SAR图像从单型的信号的特征提取和分类的基础上,SRC获得的目标类别测试样本。MSTAR数据集进行实验。从实验结果可以看出,识别率得到预处理后显著改善。同时,该方法也更健壮的而是EOCs俯角差异和噪声等干扰。

数据可用性

MSTAR数据集是对外公开的。

的利益冲突

作者宣称没有利益冲突有关的出版。

确认

这项工作得到了国家自然科学基金的资助的中国(61671309)。