一种合成孔径雷达图像特征提取与目标识别的新方法

第30卷第3期电子与信息学报Vol.30No.3 2008年3月 Journal of Electronics & Information Technology Mar.2008

一种合成孔径雷达图像特征提取与目标识别的新方法

宦若虹①②杨汝良①岳晋①②

①(中国科学院电子学研究所北京 100080)

②(中国科学院研究生院北京 100039)

摘 要：该文提出了一种利用小波域主成分分析和支持向量机进行的合成孔径雷达图像特征提取与目标识别的新方法。该方法对图像小波分解后提取低频子带图像的主成分分量作为目标的特征，利用支持向量机进行分类完成目标识别。实验结果表明，该方法可以明显提高目标的正确识别率，是一种有效的合成孔径雷达图像特征提取和目标识别方法。

关键词：合成孔径雷达；小波变换；主成分分析；支持向量机；识别

中图分类号：TN957.52 文献标识码：A 文章编号：1009-5896(2008)03-0554-05

A New Method for Synthetic Aperture Radar Images Feature

Extraction and Target Recognition

Huan Ruo-hong①②Yang Ru-liang①Yue-Jin①②

①(Institute of Electronics, Chinese Academy of Sciences, Beijing 100080, China)

②(Graduate University of the Chinese Academy of Sciences, Beijing 100039, China)

Abstract: This paper presents a new method for synthetic aperture radar images feature extraction and target recognition which based on principal component analysis in wavelet domain and support vector machine. After wavelet decomposition of a SAR image, feature extraction is implemented by picking up principal component of the low-frequency sub-band image. Then, support vector machine is used to perform target recognition. Results are presented to verify that, the correctness of recognition is enhanced obviously, and the method presented in this paper is a effective method for SAR images feature extraction and target recognition.

Key words: Synthetic Aperture Radar (SAR); Wavelet transform; Principal Component Analysis (PCA); Support Vector Machine (SVM); Recognition

1引言

合成孔径雷达(Synthetic Aperture Radar，SAR)图像目标识别是SAR图像解译和分析的重要组成部分，具有重要的商业和军事价值，是国内外SAR图像处理和模式识别领域的研究热点。特征提取是SAR图像目标识别过程中最重要的一步。为了得到可靠的目标识别结果，用于识别的特征必须在分类空间上具有良好的类内凝聚性和类间差异性[1]。目标识别过程的另一个关键步骤是分类方法的选择，分类方法性能的优劣，直接影响到最后的识别结果。

本文提出了一种利用小波域主成分分析(Principal Component Analysis，PCA)和支持向量机[2](Support Vector Machine，SVM)进行的SAR图像特征提取和目标识别方法。对小波分解得到的低频子带图像进行主成分分析[3]提取目标特征，得到的特征向量用支持向量机分类完成目标识别。用MSTAR数据对该方法进行验证，结果表明，该方法可以有效地提高目标的正确识别率。

2006-08-15收到，2007-01-05改回2目标识别步骤

本文的识别过程如图1所示由3个步骤组成：(1)图像预处理。对图像数据进行规则化调整。(2)特征提取。通过二维离散小波变换将图像变换到不同分辨率下的小波域；对低频子带图像进行主成分分析后提取主成分分量作为目标的特征向量。(3)利用支持向量机进行分类。在特征向量所形成的低维特征空间上完成目标识别并输出识别结果。

图1 识别过程框图

3图像预处理

3.1实验数据

本文使用的图像数据是MSTAR项目组公布的3类SAR 地面静止军用目标数据，包括装甲车BMP2，装甲车BTR70

第3期 宦若虹等：一种合成孔径雷达图像特征提取与目标识别的新方法 555 和主战坦克T72。每类目标的样本包含了大量不同方位的图像，范围在0°～360°之间，方位间隔为1°。图像尺寸均为128像素×128像素。训练样本和测试样本分别是SAR 在俯视角为17°和15°时对这3类目标的成像切片数据。表1是训练样本和测试样本的种类和数目。图2从左至右分别是BMP2，BTR70和T72在俯视角为17°，方位角为90°时的SAR 目标图像。

表1 训练样本、测试样本种类及样本数

训练样本

样本数

测试样本 样本数 BMP2_c21 BTR70_c71 T72_132

233 233 232

BMP2_c21 BMP2_9563

BMP2_9566 BTR70_c71 T72_132 T72_812 T72_s7

196 195 196 196 196 195

191

图2 BMP2，BTR70和T72的SAR 目标图像

3.2 图像预处理

目标位置的平移、旋转以及不均匀的散射都会对特征提取和分类算法的性能产生影响[1]

。做图像预处理的目的是调整每幅目标图像的位置、方位角和幅度值，以提高特征提取和分类算法的性能。预处理步骤包括：(1)根据每幅目标图像数据中的方位角信息，将每个目标调整到标准方位角，这里取90°作为标准方位角。(2)以每个目标的最高能量散射点作为中心点形成新目标图像，新目标图像尺寸为64像素×64像素。(3)对新目标图像的幅度值作对数变换，使图像中的乘性噪声转换为加性噪声。(4)按式(1)对对数变换后图像的幅度值作归一化，使归一化后图像中各像素的幅度值的均值为0，标准差为1。

1212(,)(,)X X n n X

f n n σ−=

，11n N ≤≤，21n M ≤≤ (1) 其中X 是非归一化图像，f 是归一化图像，X 是X 的平均幅度值，X σ是X 的标准差，N ，M 分别是图像的行数和列数。图3是目标T72在俯视角为15°，方位角为303°时预处理前后的SAR 图像，图3(a)是预处理前的图像，图3 (b)是预处理后的图像。对比图3 (a)、图3 (b)可见，图像的质量得到明显改善，细节信息得到增强，目标位置被调整到图像

的正中间。

图3 目标T72预处理前后SAR 图像

4 特征提取

分辨率不同，图像特征的表现也不同[4,5]。由于无法确定何种分辨率下提取的特征最能代表目标且最有利于目标的分类，因而需要将图像变换到不同分辨率下分别提取特征。本文用二维离散小波变换[1]将图像变换到不同分辨率下的小波域。

主成分分析是近年来在图像分析和模式识别领域研究较多的一种统计特征提取方法。 主成分分析技术通过求解样本自相关矩阵的一组正交矢量并将样本在这组矢量上的

投影作为样本特征(称为主成分分量)进行特征提取和降维。将主成分分析法用于SAR 目标图像特征提取，其目的是在较低维数的空间内通过选择合适的基函数将样本能量尽可能

地集中起来，同时去除杂波，更好地描述目标图像，使样本特征的鲁棒性能更好。

SAR 图像特征提取步骤如下：

第1步 对每一幅预处理后的SAR 图像作3层二维离散小波分解，提取每一层分解后得到的低频子带图像。

图像()f n 的二维离散小波分解由下式表示[1]： 0

2

2

0,,,,()()()LL b b j k j k j k j k b B j j k Z k Z f n a n d n φψ∈≥∈∈=

+∑∑∑∑ (2)

其中0,()LL j k n φ是二维尺度函数，,b j k ψ是二维小波函数，0j a 是尺度系数，,b j k d 是小波系数，{}LH,HL,HH b B ∈=， j 是尺度因子，0j 是固定尺度，k 是二维位移因子。图像的3层二维离散小波分解示意图见图4(a)所示。其中LL i 表示第i 层分解后得到的低频子带图像，LH i ，HL i 和HH i 表示第i 层分解后得到的包含细节信息的子带图像。图4(b)是对图

3(b) 的3层二维离散小波分解效果图。由图4(b)-2可见，每层小波分解得到3个细节子带图像和1个低频子带图像，其大小为上一层(高频域)低频子带图像或原图的1/4。经过多层小波分解，提取每一层分解后的低频子带图像见图5。图5从左至右依次是1层分解，2层分解和3层分解得到的