基于二维经验模态分解的合成孔径雷达目标识别方法 下载: 1064次
1 引言
随着合成孔径雷达(SAR)传感器以及成像技术的日渐成熟,获得的海量SAR图像可以为对地观测提供有效的信息支撑。目前,我国已有多颗SAR成像卫星及大量机载SAR装备,这些装备可以对感兴趣区域实施全天时的观测。在这种条件下,对SAR图像解译成为发挥SAR装备实际作用的关键环节之一,具有重要的研究价值。自动目标识别(ATR)技术作为SAR图像解译领域的热点之一,在**侦查领域发挥着重要作用。近30年来,国内外多家知名研究机构均对此展开研究,生产出以SAIP(semi-automated image intelligence processing)和MSTAR(moving and stationary target acquisition and recognition)为代表的端到端的识别系统[1-2]。随着MSTAR计划中部分数据集的公开,SAR目标识别技术在国际上受到更广泛的关注。
特征提取是SAR目标识别方法的重要步骤之一。从SAR图像中提取的特征描述了目标的物理形状信息[3-4]、灰度分布[5-6]、电磁散射[7-8]等特性。文献[ 3]采用Zernike矩描述SAR图像目标区域特性。文献[ 5]采用主成分分析(PCA)方法提取SAR图像灰度分布特征。文献[ 7]采用属性散射中心描述目标的电磁散射特性。根据提取的特征,分类器对目标类别进行决策。模式识别领域的技术成果为SAR目标识别的分类器应用提供了丰富的选择,如基于结构风险最小化的支持向量机(SVM)[3-4,9]、基于压缩感知理论的稀疏表示分类(SRC)[9-10]。近年来,深度学习理论和技术的快速发展为模式识别和机器学习的发展注入了新的活力。SAR目标识别领域也涌现出大量基于卷积神经网络(CNN)的新方法[11-13],这些方法都具有良好的性能。CNN通过多层次的卷积操作获取SAR图像的丰富特征。然而,深度特征的学习依赖于训练样本的规模和覆盖面,当测试样本与训练样本的获取条件差距较大时,分类性能往往不够理想。在SAR目标识别中,由于目标自身、背景环境以及传感器的变化,待识别图像往往与训练集的图像存在较大差异,因此单纯依赖深度网络并不能全面解决SAR目标识别问题。合适的特征提取和分类器设计,有利于针对性地解决SAR目标识别中的难点问题,进而提高整体识别性能。
经验模态分解(EMD)是由Huang等[14]提出的一种自适应、多尺度的信号处理方法,可以对非线性、非稳态的数据进行有效分析。相比于传统的小波分析,EMD具有更好的空间和频率特性。为了更为有效地处理图像数据,研究人员提出二维经验模态分解(BEMD),并成功应用于图像去噪、图像融合、光谱分析领域[15-19]。BEMD可以获得原始图像多尺度的二维固态模函数(BIMF),它们对于图像中的细节信息(如轮廓、强点等)具有更强的描述能力。本文将BEMD应用于SAR图像特征提取及目标识别。采用BEMD对SAR目标图像进行特征提取,获得其多层次的BIMF。获得的BIMF可以对原始SAR图像进行有效的信息互补,从而为正确判别目标类别提供更为有力的支撑。在具体的分类阶段,采用SVM分别对原始SAR图像及其多层次的BIMF进行决策,然后基于Bayesian理论对各组决策变量(即SVM输出的后验概率)进行决策融合。Bayesian决策融合在概率框架下考察不同输入的独立性和关联性,有利于通过多种证据获得更为可靠的判决,因此通过结合多层次BIMF以及Bayesian决策融合的优势,可以有效提高SAR目标识别的整体性能。实验中,基于MSTAR数据集的实验结果验证了本文方法的有效性。
2 BEMD
2.1 EMD
EMD是由Huang等[14]提出的一种针对一维信号的自适应、多尺度的分析方法。它可以将非线性、非稳态的信号按照频率从高到低分解为若干个固态模函数(IMF),这一过程称为筛选(sifting)。目前,EMD已经在医学图像处理、地震、雷达信号处理等领域得以成功运用[14-16]。对于一个给定的一维信号S,EMD采用如下形式对其进行分解,即
式中:n为模态的个数;Ij为信号的第j层IMF;r为分解残差。各个IMF之间近似正交,因此通过(1)式可以明显减少信号表示过程中的冗余步骤。
2.2 BEMD
BEMD是EMD在信号维度上的推广,可以用于分析图像的二维信号[15-19]。与EMD中一维信号分解类似,BEMD可以将图像分解为有限个BIMF,实现对原始图像多层次、自适应的分析。对于图像I(x,y)的BIMF筛选过程可归纳为以下步骤:
1) 初始化趋势图像(即分解残差)R=I(x,y);
2) 若R单调或当前已达到最大分解层数,算法停止,否则令H=R,进入筛选流程;
3) 求解H的极值点,获得局部极大值以及极小值点集;
4) 分别对极大、极小值点集进行平面插值,获得图像的上、下包络面,进而求取平均图像M;
5) 更新H(x,y)=H(x,y)-M(x,y),判断筛选过程是否满足迭代停止条件,若不满足则转至步骤3);
6) 获得当前BIMF为c(x,y)=H(x,y);
7) 更新R(x,y)=R(x,y)-c(x,y),转至步骤2)。
BEMD基本步骤的执行细节可参见文献[ 15-16]。通过步骤1)~7)的迭代分析,可以将原始图像I(x,y)分解为
式中:cj(x,y)为第j层BIMF;rL(x,y)为最终的趋势图像。
上述内容介绍了当前进行BEMD分解的基本过程,已在实际图像处理中成功验证。分解得到的多模态成分对于描述原始图像的全局和细节特性具有良好的互补性。与光学图像相比,SAR图像的可视性更差,单一层次的特征往往难以进行可靠的目标识别。因此,本文将BEMD应用于SAR图像特征提取中,通过BEMD分解得到的多层次BIMF可以更为有效地描述原始SAR图像中的细节信息,从而为后续的分类决策提供更多的支撑。
图 1. BEMD对SAR图像的分解示意图。(a)原始图像;(b)第一层BIMF;(c)第二层BIMF;(d) 第三层BIMF
Fig. 1. Illustration of decomposition of SAR images via BEMD. (a) Original image; (b) BIMF at first level; (c) BIMF at second level; (d) BIMF at third level
3 联合原始图像和多层次固态模函数的识别方法
3.1 SVM
SVM是一种基于结构风险最小化的分类器,自提出以来在模式识别领域得到了非常广泛的应用。研究人员将SVM引入到SAR目标识别中并验证了其有效性[3-4,9]。假设待识别样本为x,基于SVM的决策函数为
式中:ϕ(·)为核函数;w为权重系数矢量;b为偏置项。
3.2 基于Bayesian理论的决策融合
Bayesian理论可以为多源信息的融合提供有力的工具[20]。本研究采用Bayesian理论对原始SAR图像和多层次BIMF的SVM分类输出进行融合,从而得到更为可靠的识别结果。记{T1,T2,…,TC}为待识别的C类目标。对于K个参与融合的决策Y=[y1,y2,…,yK],yk为某一类别的后验概率,记为
式中:
最后,根据最大后验概率判定待识别样本的目标类别为
多层次的BIMF可以为原始SAR图像中目标特性的描述提供互补信息,这对于区分多种不同类别的目标具有积极意义。Bayesian决策融合在概率框架下考察原始图像及其BIMF的决策结果,可以有效综合它们的识别性能,从而获得更为稳定的判决结果,因此本文设计的识别方法有利于提高SAR目标识别整体性能。根据以上分析,设计基于BEMD特征提取的SAR目标识别方法的基本流程如
图 3. 基于BEMD的SAR目标识别方法的基本流程
Fig. 3. Basic procedure of SAR target recognition method based on BEMD
4 实验与分析
4.1 实验设置
为了对本文方法进行测试,采用MSTAR数据集在各种实验设置下进行SAR目标识别实验。MSTAR数据集包含10类地面车辆目标X波段机载SAR图像,方位角覆盖范围为0°~360°,且包括多个俯仰角如15°、17°、30°及45°。
本文在实验过程中设置了多种测试条件,包括标准操作条件、型号变化、俯仰角变化。标准操作条件下的测试与训练集如
作为对比,实验中选取现有文献中的几个SAR目标识别方法,并在相同条件下进行测试。文献[ 9]中基于PCA特征和SVM的方法记为SVM-PCA,其中PCA特征矢量维度设置为80,SVM采用LIBSVM工具包[21],选用径向基函数(RBF)作为核函数,通过网格搜索法获得最佳参数。文献[ 10]中基于SRC的方法记为SRC,其中采用正交匹配追踪(OMP)算法求解稀疏表示系数,此处同样采用80维的PCA特征描述原始SAR图像。文献[ 11]中基于卷积神经网络的方法记为CNN,该网络采用全卷积结构,是当前基于深度神经网络的SAR目标识别方法的典型代表。
表 1. 标准操作条件下的训练与测试样本
Table 1. Training and test samples under standard operating condition
|
图 4. MSTAR数据库中10类目标的光学和SAR图像。(a) BMP2;(b) BTR70;(c) T72;(d) T62;(e) BRDM2; (f) BTR60;(g) ZSU23/4;(h) D7;(i) ZIL131;(j) 2S1
Fig. 4. Optical and SAR images of ten targets in MSTAR data set. (a) BMP2; (b) BTR70; (c) T72; (d) T62; (e) BRDM2; (f) BTR60; (g) ZSU23/4; (h) D7; (i) ZIL131; (j) 2S1
表 2. 带有型号差异的训练和测试样本
Table 2. Training and test samples with configuration variances
|
表 3. 带有俯仰角差异的训练与测试样本
Table 3. Training and test samples with pitch angle difference
|
4.2 实验结果与分析
4.2.1 10类目标标准操作条件
基于
图 5. 本文方法在标准操作条件下的识别结果
Fig. 5. Recognition results of proposed method under standard operating condition
表 4. 本文方法与对比方法在标准操作条件下的识别性能
Table 4. Recognition performance of proposed and compared methods under standard opearting condition
|
4.2.2 型号变化
基于
表 5. 本文方法与对比方法在型号变化条件下的识别性能
Table 5. Recognition performance of proposed and compared methods under configuration variances
|
4.2.3 俯仰角变化
基于
图 6. 本文方法与对比方法在不同俯仰角下的识别性能
Fig. 6. Recognition performances of proposed and compared methods at different pitch angles
4.2.4 噪声干扰
采用不同信噪比下的噪声样本对本文方法的噪声稳健性进行验证。实验中,训练样本与标准操作条件保持一致,即未进行噪声添加。
图 7. 本文方法与对比方法在噪声干扰条件下的识别性能
Fig. 7. Recognition performances of proposed and compared methods under noise interference
综合利用原始SAR图像及其多层次BIMF有利于提高识别方法在噪声干扰条件下的性能。
5 结论
提出一种基于BEMD的SAR图像特征提取及目标识别方法。通过BEMD提取的多层次BIMF可以更好地描述原始SAR图像的目标特性,从而为分类阶段提供更多的有益信息。本文方法首先采用SVM分别对原始SAR图像以及其多层BIMF进行分类,然后对它们的分类结果进行Bayesian决策融合,得到稳健的识别结果。实验阶段,基于MSTAR数据集设置多种测试条件对本文方法进行测试,并将本文方法与几种现有的SAR目标识别方法进行对比。实验结果证明本文方法在标准操作条件下的高性能以及扩展操作条件下的稳健性。
[1] El-Darymli K, Gill E W. McGuire P, et al. Automatic target recognition in synthetic aperture radar imagery: a state-of-the-art review[J]. IEEE Access, 2016, 4: 6014-6058.
[2] 文贡坚, 朱国强, 殷红成, 等. 基于三维电磁散射参数化模型的SAR目标识别方法[J]. 雷达学报, 2017, 6(2): 115-135.
Wen G J, Zhu G Q, Yin H C, et al. SAR ATR based on 3D parametric electromagnetic scattering model[J]. Journal of Radars, 2017, 6(2): 115-135.
[4] Anagnostopoulos G C. SVM-based target recognition from synthetic aperture radar images using target region outline descriptors[J]. Nonlinear Analysis: Theory, Methods & Applications, 2009, 71(12): e2934-e2939.
[5] Mishra AK. Validation of PCA and LDA for SAR ATR[C]∥IEEE Region 10 Conference, January 1, 2008, Hyderabad,India. China: NSTL, 2008.
[6] Cui Z Y, Cao Z J, Yang J Y, et al. Target recognition in synthetic aperture radar images via non-negative matrix factorisation[J]. IET Radar, Sonar & Navigation, 2015, 9(9): 1376-1385.
[7] 丁柏圆, 文贡坚, 余连生, 等. 属性散射中心匹配及其在SAR目标识别中的应用[J]. 雷达学报, 2017, 6(2): 157-166.
Ding B Y, Wen G J, Yu L S, et al. Matching of attributed scattering center and its application to synthetic aperture radar automatic target recognition[J]. Journal of Radars, 2017, 6(2): 157-166.
[8] 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.
[9] Liu H C, Li S T. Decision fusion of sparse representation and support vector machine for SAR image target recognition[J]. Neurocomputing, 2013, 113: 97-104.
[10] Thiagarajan JJ, Ramamurthy KN, KneeP, et al. Sparse representations for automatic target classification in SAR images[C]∥2010 4th International Symposium on Communications, Control and Signal Processing (ISCCSP), March 3-5, 2010, Limassol, Cyprus.New York: IEEE, 2010: 11305921.
[11] Chen S Z, Wang H P, Xu F, et al. Target classification using the deep convolutional networks for SAR images[J]. IEEE Transactions on Geoscience and Remote Sensing, 2016, 54(8): 4806-4817.
[12] Ding J, Chen B, Liu H W, et al. Convolutional neural network with data augmentation for SAR target recognition[J]. IEEE Geoscience and Remote Sensing Letters, 2016, 13(3): 364-368.
[13] Yan Y. Convolutional neural networks based on augmented training samples for synthetic aperture radar target recognition[J]. Journal of Electronic Imaging, 2018, 27(2): 023024.
[14] Huang N E, Shen Z, Long S R, et al. The empirical mode decomposition and the Hilbert spectrum for nonlinear and non-stationary time series analysis[J]. Proceedings of the Royal Society of London Series A: Mathematical, Physical and Engineering Sciences, 1998, 454(1971): 903-995.
[15] 郑有志, 覃征. 基于二维经验模态分解的医学图像融合算法[J]. 软件学报, 2009, 20(5): 1096-1105.
Zheng Y Z, Qin Z. Medical image fusion algorithm based on bidimensional empirical mode decomposition[J]. Journal of Software, 2009, 20(5): 1096-1105.
[16] Qin Y, Qiao L H, Wang Q F, et al. Bidimensional empirical mode decomposition method for image processing in sensing system[J]. Computers & Electrical Engineering, 2018, 68: 215-224.
[17] 景娟娟, 相里斌, 李然, 等. 基于经验模态分解的干涉图滤波方法[J]. 光学学报, 2013, 33(10): 1007001.
[18] 沈毅, 张敏, 张淼. 基于互信息波段选择和经验模态分解的高精度高光谱数据分类[J]. 激光与光电子学进展, 2011, 48(9): 091001.
[19] 郭心骞, 邱选兵, 季文海, 等. 基于经验模态分解的可调谐半导体激光吸收光谱中干涉条纹的抑制[J]. 激光与光电子学进展, 2018, 55(11): 113001.
[20] Dong G G, Kuang G Y. Classification on themonogenic scale space: application to target recognition in SAR image[J]. IEEE Transactions on Image Processing, 2015, 24(8): 2527-2539.
[21] Chang C C, Lin C J. LIBSVM: a library for support vector machines[J]. ACM Transactions on Intelligent Systems and Technology, 2011, 2(3): 27.
Article Outline
柳小文, 雷军程, 伍雁鹏. 基于二维经验模态分解的合成孔径雷达目标识别方法[J]. 激光与光电子学进展, 2020, 57(4): 041004. Xiaowen Liu, Juncheng Lei, Yanpeng Wu. Synthetic Aperture Radar Target-Recognition Method Based on Bidimensional Empirical Mode Decomposition[J]. Laser & Optoelectronics Progress, 2020, 57(4): 041004.