SAR目标多尺度概率密度估计与识别

收稿日期 :2008203205 ; 修回日期 :2008203218 。 基金项目 :国防科技重点实验室基金资助课题 (9140C620202702) 作者简介 :张新征 (19782) ,男 ,工程师 ,博士研究生 ,主要研究方向为 SAR 目标特性及在检测识别中的应用 ,高分辨率 SAR 成像 ,先进信 号处理与应用 ,信息融合 ,雷达目标杂波特性模拟等 。E2mail : zhangxinzheng03 @126. com
© 1994-2009 China Academic Journal Electronic Publishing House. All rights reserved. http://www.cnki.net
·1 000 ·
系统工程与电子技术
第 30 卷
算效率高 ,但其有两个缺陷 ;一是直接在图像幅度数据的统 计分布 ,没有挖掘目标散射信息深层的空 —频特性 ;二是参 数统计分布模型表示的分布类型只能是有限类别的范围 , 而 SA R 观测场景中的军事目标是多种多样的 ,因此很难用 确定的分布模型来描述 。
第 30 卷 第 6 期 2008 年 6 月
文章编号 :10012506X(2008) 0620999206
系统工程与电子技术 Systems Engineering and Elect ro nics
Vol. 30 No . 6 J un. 2008
SAR 目标多尺度概率密度估计与识别
张新征1 , 黄培康1 ,2
关键词 : 合成孔径雷达 ; 多尺度 ; 核非线性映射 ; 概率密度估计 ; 目标识别 中图分类号 : TP 391. 4 ; TN911. 7 文献标志码 : A
Estimation of multi2scale probabil ity density f or SAR targets and its application in ATR
ZHAN G Xin2zheng1 , HU AN G Pei2kang1 ,2
( 1 . Def ence Key L ab of T arget an d Envi ronment Elect rom agnetic S catteri n g an d R adi ation , B ei j i ng 100854 , Chi na; 2 T he S cience and Technolog y Committee of Chi na A eros pace an d I n dust ry Corporation , B ei j i n g 100830 , Chi na)
计划 。 从雷达目标特性研究角度看 ,目标 RCS 概率分布是一
重要的目标特性模型 ; 从雷达目标识别的角度来讲 ,目标 RCS 概率分布又是一种重要的特征 ,可以用来设计分类器 。 对于一维信号的雷达来说 ,目标的散射中心概率分布特征 包含了目标本质的特性信息 ,是雷达目标识别中的一个重 要特征[1 ,2] 。对于 SA R 来说 ,由于获得了距离和方位的二 维信息 ,因此概率分布就从一维扩展为二维的空间分布特 征 。Step hen A S 等人采用 Beta 分布表示复杂目标的 SAR 图像的幅度分布 ,并将该分布模型用于 MSTA R 计划中的 SA R 目标识别[3] 。诸如 Beta 分布等参数模型分布虽然计
针对上述不足 ,本文将核函数技术引入高维数据的 概率密度估计中 ,导出了一种基于核函数的非线性映射 空间中的概 率 密 度 估计 方 法 。这 一 方 法 将 原 空 间 的 高 维多尺度矢量的概率密度估计问题变换为非线性映射 空间中的 核 函 数 计 算 。文 中 以 MS TA R 数 据 集 中 的 实 测 SA R 数据为例进行了试验 ,并采用多尺度概率密度之 间的相对熵测度进行目标识别 ,得到了较好的试验结 果 。并且 ,在 SA R 目标图像多尺度分解之前首先进行了 目标分割 ,这样可以消除掉目标区域周围杂波对多尺度 概率密度估计的影响 。
Keywords : SA R ; multi2scale ; kernel non2linear mapping ; probability density estimate ; recognition
0 引 言
星载 、机载 SA R 侦察情报获取对 SAR 图像中的目标 识别提出了迫切的需求 。但由于 SA R 传感器成像和光学 成像机理不同 ,人们关心的 SA R 军事目标图像呈现为散射 中心分 布 , 目 标 很 难 用 常 规 技 术 有 效 识 别 。另 外 , 目 标 SA R 图像和目标一维距离像一样对目标姿态非常敏感 。 这些都给 SA R 目标鲁棒特征提取和识别带来了很大的困 难 。SAR A TR 不仅是目前的一个研究热点 ,也是一个技术 难点 。以美国为例 ,为了研究新一代战场感知系统 ,美国 DA RPA 和 A FRL 开展了著名的 MSTA R 计划等多项研究
有对应的多尺度根矢量 。即如果原目标图像在距离向和方
© 1994-2009 China Academic Journal Electronic Publishing House. All rights reserved. http://www.cnki.net
1 SAR 目标图像的多尺度分解
1. 1 目标分割
由于实际场景中的ቤተ መጻሕፍቲ ባይዱ标总是处于杂波环境中 ,因此特 征提取与识别之前 ,通常都要进行目标分割处理 。本文采 用多小波域维纳滤波增强的 SA R 目标分割算法 ,详细内容 不在此赘述 ,请参考文献[ 9 ] 。 1. 2 多尺度分解与多尺度矢量提取
图 1 symlet4 小波函数 、尺度函数及相应滤波器
进行多尺度分解的过程如下 :首先对原始 SAR 目标图 像数据进行低通滤波 ,得到经过下采样的低频子带响应 。对 图像数据的二维低通和高通滤波器分别表示为 g f 和 w f ,根 据小波变换的理论可知 , 这两个二维低通滤波可以分别用 g( n) 和 h( n) 的组合实现 。二维低通滤波表示为
Abstract : A met hod to estimate multi2scale probability density for SA R target s based on kernel non2linear mapping is p roposed , and it s application for SA R A TR is investigated. Fir stly , SA R target imagery is decom2 po sed in multi2scale domain , t hen multi2scale vectors are const ructed according to a fixed rule. The multi2scale vector s are mapped using kernel2based technique into anot her space in which t he multi2scale probability density is estimated using a parzen window . The multi2scale p robability characteristic exploit s t he relationship of cross2 scale of SA R target scattering. A TR is implemented by cross2ent ropy measurement between multi2scale p roba2 bilities. The experiment result s are given using p ublicly released SA R data f rom DA RPA’s MS TA R program.
(
x
,
y)
, 按下式定义多
尺度根矢量 。
V ( x , y)
=
{ W00
(
x,
y)
,
W
0
1
(
x,
y)
,
…, W M 0
(
x,
y) }
,
…
W
0 1
x,y
,
W
1 1
x,y
, …,
22
22
W
M 1
x,y
, …,
22
W
0 N
x,y
2N
2N
,
W
1 N
x,y
2N
2N
, …,
W
M N
x,y }
(3)
2N
2N
根据式 (3) 可知 ,对于原 SA R 图像中的每一个分辨单元 ,均
和文献[ 4 ]中类似 ,本文采用小波滤波器实现多尺度分 解 。但文献[ 4 ]中没有说明采用哪一种小波滤波器 ,本文采 用 4 阶 symlet 小波函数 ,这种小波函数由 Daubechies 小波 发展得来的 ,具有较好的对称性 。图 1 (a) 中为该小波的小 波函数和尺度函数的近似波形 ,图 1 ( b) 为对应的低通滤波 器 g( n) 和高通滤波器 h( n) 。
(1. 目标与环境电磁散射辐射国防科技重点实验室 , 北京 100854 ; 2. 中国航天科工集团科技委 , 北京 100830)
摘 要 : 针对 SA R 目标识别问题 ,提出了一种基于核非线性映射的 SA R 目标多尺度概率密度特征的估计方 法 ,并利用该特征进行目标识别 。首先将 SA R 目标图像在多尺度域中分解 ,按一定规则建立多尺度根矢量 ;将多 尺度根矢量经非线性映射到另一空间中 ,在该空间中利用基于核函数的技术结合 parzen 窗非参数估计得到概率 密度函数 。通过这一途径得到的多尺度概率密度分布挖掘了目标散射在尺度之间的相互关系 ,分布特征之间的 相对熵测度可以用与目标分类识别 。以 MSTAR 实测 SA R 目标数据集进行了多尺度概率密度估计和目标识别 试验和分析 ,试验结果表明了提出方法的有效性 。
G0 ( x , y) = I ( x , y)
G1 ( x , y) = 2 ↓[ gf G0 ( x , y) ]
(1)
Gi+1 ( x , y) = 2 ↓[ gf Gi ( x , y) ] 式中 , i = 1 , …, M 。2 ↓操作表示通过在每一维上以 2 因子
下采样一个图象 , 是二维卷积操作 。对低通滤波得到的
美国 MIT 的 Grimson ,Viola 等人提出了将 SAR 目标 图像信息建模为一个多尺度随机过程的思想[4] 。该方法首 先将 SA R 目标图像进行小波分解得到的高维多尺度矢量 集 ,再用非参数 parzen 窗方法估计多尺度矢量的概率密度 , 根据概率密度特征进行 SA R 目标分类 。但 pazren 窗方法 直接估计高维的多尺度矢量 ,特别是在样本数少时 ,不易到 准确的估计[5] 。基于核 ( kernel2based) 函数和支撑向量机 (SVM) 技术是近年来发展起来的一种非线性识别技术 ,可 有效解决小样本 、高维及非线性统计分析问题[628] 。
图像进行高通滤波 ,得到高通子带响应 ,表示为下式 。
W
i j
(
x
,
y)
= wf i
Gj ( x , y)
(2)
式中 , i = 1 , …, N , w f 的下标 i 表示对应不同高频特性采用
不同的滤波器 。
取低通滤波的最大次数为 M ,高通滤波的次数为 N ,则
根据得到的高通和低通子带响应
W
i j
美国 MIT 的 Irving 等人定义了一个粗分辨到精分辨 的多尺度随机过程 ,该随机过程中的高频数据的分布和低 频数据的分布相关联 。这一多尺度随机过程可以对尺度 空间上的复杂数据分布进行统计建模[4] 。目标 SA R 图像 数据经多尺度分解之后 ,得到了多个具有不同空 - 频特性 的二维子带响应 。相应的 ,由序列二维子带响应构成的多 尺度根矢量的分布特性则反映了组成目标各种类型散射体 的空间分布特性 。因此 ,从本质上说 ,多尺度域的目标分布 特性其实是反映了目标在 SA R 传感器下的散射特性 ,这种 反映是通过多尺度根矢量的概率分布来表达的 。这种概率 分布统计表达的优越性在于其抗噪性 。而实际中的 SAR 目标识别问题总是面临噪声或其他干扰 。