高分辨率SAR圖像目標特征提取研究

1、國防科學技術大學碩士學位論文高分辨率SAR圖像目標特征提取研究姓名:高貴申請學位級別:碩士專業(yè):信息與通信工程指導教師:郁文賢20031201 圖1.1一般的SAR解譯系統(tǒng)的流程圖而在高分辨率情況下,則以區(qū)域亮斑的形式出現(xiàn),因而在低分辨率下,只存在檢測目標的可能,分辨率較高時,可以通過特征識別目標的類型,這也導致了在不同的分辨率下不同類型的目標提取的特征有所區(qū)別。點特征一般是一個四自由度的特征,包括:位置(二維、強度以及寬度,在SAR圖像中典型的點特征如峰值、脊等;SAR圖像中的橋梁、道路、機場、油庫、河流、艦船航跡、海岸線等是線特征比較顯著的目標,某些線特征具有較大的空間跨度,可以作為圖像的

2、標志性特征,用于多幅圖像的配準,地圖繪制,甚至對目標的識別具有重要的意義;SAR圖像中典型的面目標如:森林、植被、草場、農(nóng)用、水域等,其對應區(qū)域特征一般包括區(qū)域紋理、統(tǒng)計、面積、尺寸、慣量矩、方向等。§1.2.2特征提取的發(fā)展現(xiàn)狀目前,隨著雷達分辨率的提高,多頻、多極化、多視技術的發(fā)展,圖像中含有的目標信息越來越多,因而為更深層次的圖像解譯提供了前提。在SAR圖像的特征提取和目標解譯方面,國內(nèi)外開展了大量的研究,如最知名的美國三大SAR解譯系統(tǒng): MSTAR(Moving and Stationary Target Acquisition and Recognition項目、ADTS

3、系統(tǒng)12J【3】以及1999年公布的半自動圖像處理(SAIP系統(tǒng)91卯,這三個解譯系統(tǒng)由美國國防部高級研究計劃局(DARPA總體負責,MIT的林肯實驗室、圣地亞哥(Sandia國家實驗室、空氣動力研究實驗室等多家具有超一流科研實力的科研機構參與,代表了當今SAP.圖像解譯領域的最高水平。其中MSTAR公布的如圖1.2所示的典型的目標特征如峰值、第3頁國防科學技術人學研究生院學位論文脊、區(qū)域、目標邊緣、目標和陰影的輪廓以及這些特征的組創(chuàng)6】等據(jù)稱在MSTAR已完成的系統(tǒng)中對于標準配置條件下的目標分類取得了較高的分類率。其中峰值是目標圖像上的局部極大值,本質(zhì)上對應于目標的散射中心。脊是目標上亮點的

4、空問拓撲結構在圖像上的一種表現(xiàn)形式,可由圖像的一階和二階方向?qū)?shù)獲得。目標邊緣或輪廓被證明在目標識別方面同樣有效。圖1.2MSTAR特征提取在目標的點特征提取方面,文獻中更多的注意力放在了峰值特征的提取上,Bhanu”等人研究了利用峰值序列的Hausdorff距離度量從而進行SAR圖像間的匹配問題,該方法對于一定程度的目標鉸接也具有很好的效果。斯坦福大學的Wang和Binford8】利用二維高斯函數(shù)擬合峰值,并利用兩種不同的峰值檢測算法提取出了峰值的位置、幅度和寬度。Gil J EttingerI9】等人研究了峰值提取的不確定度及峰值序列的最優(yōu)對應問題等,可以說,峰值特征是目前研究較為成熟的種

5、目標圖像特征。同時,近年來,脊(Ridge特征的應用也值得關注,它最初是由Robert M.Haralick001等學者為了分析光學圖像上目標的拓撲結構麗提出,Ryant”等人通過對SAR圖像的分析,認為脊特征對于SAR圖像的解譯同樣有效。MSTAR在其系統(tǒng)中也加入了脊特征的提取。SAR圖像中存在著大量明的或暗的表現(xiàn)為定形狀的線目標,如公路、鐵路、橋梁、水陸邊界、海岸線等,對于這些目標,提取其線特征是對這些目標解譯的基礎。由于SAR 圖像中存在著大量的乘性斑點噪聲,傳統(tǒng)的基于加性噪聲的邊緣檢測算子不能夠應用到SAR圖像上來。在此基礎上,Binford|垃】通過對邊緣進行建模,把實際中的邊緣分為

6、三類:沖擊型、階躍型和屋頂型,并給出了不同的處理方法。Ridha Touzi13l等人以SAR圖像的統(tǒng)計特性給出了虛警概率與SAR的邊緣關系。Roger等考慮了SAR圖像單邊緣和多邊緣的情況,首先對SAR圖像進行相干斑的抑制,然后采用Watershed(分水嶺算法對邊緣進行檢測。Lopes等人提出了具有恒虛警率的比例檢測算子。FlorenceTupin等人利用Markov第4頁 國防科學技術大學研究生院學位論文§2.4SAR數(shù)據(jù)介紹目前,SAR已經(jīng)廣泛應用于各個研究領域。為了適應不同的應用,發(fā)展了各種不同波段的SAR。如探測地下物體研制了100MHz以下的超寬帶SAR,在軍用中為了發(fā)

7、現(xiàn)躲藏在樹葉下的坦克和裝甲車,研制了UHF超寬帶SAR。為了能裝在輕便無人飛機中對50kin以內(nèi)敵方的軍事行動偵察機場或炮位現(xiàn)狀,研制了毫米波SAR,為了提高對目標的距離和方位分辯能力,SAR由側視方式發(fā)展了聚束方式。SAR從早期的單頻方式發(fā)展為多頻方式,從早期的單極化方式發(fā)展為多極化方式等。這些研究目的的不同,直接導致了很多的SAR數(shù)據(jù)的積累,其范圍從中低分辨率的RadarSat、ERS到高分辨率的MSTAR、ADTS等數(shù)據(jù)。高分辯率的SAR數(shù)據(jù)可以用來對小型建筑物、坦克、裝甲車等戰(zhàn)術車輛目標進行檢測和識別,能夠提供更多的目標信息。高分辨率的SAR數(shù)據(jù)最知名的包括MSTAR、ADq'

8、S和Xpatch數(shù)據(jù)。其中ADTS數(shù)據(jù)l增】是林肯實驗室用Ka波段(f=33GHz高分辨率多極化機載SAR在較近距離(離 圖2.5T72坦克的光學和SAR圖像SAR7kin外的56kin2面積范圍內(nèi)有自然雜波(樹木和雜草及人為雜波(房屋建筑地區(qū)內(nèi)放置了136個軍用目標,其中坦克和榴彈炮各68個。雷達高分辨率0.3m×O.3m 和較低分辨率lm×lm以及多極化(HH、HV、VV用極化白化濾波器處理后和單極化HH進行了目標自動識別比較。Xpatch數(shù)據(jù)是一個電磁仿真數(shù)據(jù),通過對目標的電磁散射特性建模預測不同方位、俯仰等隋況下的SAR圖像。相對于其它兩種數(shù)據(jù),MSTAR幾乎已經(jīng)成

9、為當前考核sAR目標識別和分類算法的數(shù)據(jù)庫【20】,也是本文中采用的主要數(shù)據(jù)。圖2.5給出了MSTAR拍攝的幅T72坦克的光學和SAR對比圖。MSTAR成像參數(shù)為:x波段,單極化ffin、高分辨率(0.3mx0.3m。它是由Sandia國家實驗室的STARLOS傳感器對于Huntsville地域分別于95年9月、96年11月和97年5月三次在標準操作條件(SOC和擴展操作條件19】(EOC下收集的結果。圖像大小為128×128象素,共包含10類車輛目標的SAR圖像,分為訓練集和測試集。每類目標包含若干離散的方位角覆蓋目標的整個360度姿態(tài),方位間隔為1度或2度。表2.1給出了MSTA

10、R標準操作條件下10類車輛目標的數(shù)據(jù)庫,表2.2給出了MSTAR 擴展操作條件下結構變體和版本變體的測試數(shù)據(jù)集。第1l頁 國防科學技術大學研究生阮學僥論文度或者2度;測試圖像集為三種目標的七種型號,分別為:T-72(#812,#132,拌s7、BTR70(#c7I和BMP。2(#9563,#9566,#c21,每種型號的測試圖像集包括大約196幅覆蓋360度目標姿態(tài)的圖像,圖像間隔為1度或者2度,測試圖像集和訓練圖像集在配置條件上存在著差異。A、單個目標的測試結果:圖2.10給出了BTR.70(#c71在25度方位角時和三類目標(包括BTR一70(#c71的比較結果,圖2.11給出了T-72(

11、#812在方位角為71.77度時和三種不同目標的訓練圖像的相關匹配值的比較結果。 圖2.10BTR.70(g71在方位角為25度時圖2.11BMP.2(#912在方位角為71,77度時和三類目標的相關匹配結果和三種不同目標的匹配結果圖中,相關匹配的峰值產(chǎn)生的方位和測試圖像方位相同,整個匹配結果近似于一條幣弦曲線,曲線的一個頂點產(chǎn)生在和目標方位相同的地方,另一個頂點產(chǎn)生在偏離目標l80度的方位上,曲線的谷點產(chǎn)生在偏離目標方位90度或者270度的地方,由結果還可以看出,同類目標的相關峰值要高于和不同類目標的相關峰值。和測試目標相關值最大的10個點落在測試目標真實方位偏差為±5度的范圍內(nèi)。

12、B、多個目標的測試結果用某一種目標型號的測試集中的每一個測試圖像和訓練集中的三類目標的所有訓練 圖2.12BMP-2(#9563年I_I三種目標的相關值比較圖2.13BMP-2(#9566和三種目標的相關值比較圖像進行相關匹配,得到每一個測試圖像的相關系數(shù)的最大值。圖2.12給出了測試圖像集中所有BMP-2(舟9563和三種不同目標的相關匹配結果,圖中每個點都是某方位的幅測試圖像和訓練數(shù)據(jù)庫某種目標的所有圖像相關系數(shù)的最大值,由圖中可以看出,盡管測第16頁 國防科學技術大學研究生院學位論文p(ylx=兀P(Y。tx,因為象素的強度服從瑞利分布,所以(3-17式中的每一項為p(J,。xi=m=號

13、e爭印1m el,2,3(3-17 f3181其中o,m1,2,3是瑞利分布的參數(shù),可在每次迭代之初估計得到:;=argmax兀f(Y,m(3-19 rl I其中;=(kI m=1,2,3圖像的結構信息p(i可由與馬爾可夫隨機場模型等效的Gibbs分布能量函數(shù)給出【37】,對于一般采用的圖3.4所示的各向同性的8鄰域結構,結構信息可以表述為:圖3.4象素的8鄰域結構圖3.5SAR目標切片圖中各區(qū)所占的比例p(習=H,P(Xi=.H,.:e,xp(。flpu(肛(xi(x麗3_20其中:u(x。=2。.陋(x,一x,一l】式(3.20中q,是象素一的8鄰域,p是場強參數(shù),J(.是離散沖擊函數(shù),式

14、(320清楚地表明了一個象素的標記更可能和其鄰域中占優(yōu)的標記相同。A初值選取:上述算法是一個迭代的過程,因而需要估計初始值iP,i1,2,1282和參數(shù)i, i1,2,3。根據(jù)大量統(tǒng)計發(fā)現(xiàn),對于一幅目標切片圖,目標區(qū)只占圖像的3%-4%,而陰影區(qū)占圖像的4%一5%,圖3.5是統(tǒng)計了MSTAR SAR目標切片數(shù)據(jù)庫中的1610幅圖像所得的結果?；谶@一結論,設目標區(qū)分割的閥值為n,而陰影區(qū)分割的閥值為Ts,則初始估計為: 第23頁 國防科學技術大學研究生院學位論文 (a原始目標(bCFAR分割結果(cN態(tài)學濾除(dMarkov分割(5次 (e原始圖像(fMarkov分割(曲原始圖像結果(10次圖

15、3.6分割性能比較§3.3區(qū)域幾何參數(shù)估計(hMarkov分割結果(10次§3.3.1幾何參數(shù)估計在經(jīng)過3.2節(jié)的圖像分割得到目標區(qū)域之后,可以對其進行分析,進而得到目標區(qū)域的幾何參數(shù),本節(jié)以車輛目標為例,分析區(qū)域的幾何特性,事實上本節(jié)所采用的分析方法具有定的通用性。對于目標識別感興趣的地面上的車輛目標通常可以等效為一個規(guī)則的矩形,而一個規(guī)則的矩形都有一定的幾何參數(shù),如質(zhì)量、面積、質(zhì)心位置坐標、主軸方向角、長度、寬度、平均亮度、轉動慣量、分維數(shù)、主導邊界等。目標的幾何特性非常有用,如對于一定分辨率的目標圖像來說,目標在圖像上的寬度和長度往往可以根據(jù)圖像的分辨率折算為目標實際

16、的大小,根據(jù)目標實際的大小,就可以區(qū)別于其它非車輛目標類,到目前為止,目標的幾何特征已經(jīng)是目標識別中鑒別(discrimination階段的一種強有力的技術29113”。目標質(zhì)量、質(zhì)心位置、主軸方向角和轉動慣量使用力學中的空間矩的概念來計算。對于離散圖像x(f,J,P+g階原點矩定義為:聊。=f9,9xO,J(3.23l ,已知質(zhì)心位簧F,歹,P+g階中心矩定義為:。=(ji戶Oj'4i,J(3.24f ,目標質(zhì)量:以分割出的目標區(qū)域的象素的強度和作為目標的質(zhì)量,為零階原點矩:第25頁國防科學技術大學研究生院學位論文M=x(f,J(325 J J區(qū)域面積:以目標區(qū)域象素總數(shù)作為目標面積

17、,不僅簡單,而且是對區(qū)域面積的無偏和一致估計f39J:S=sum目標區(qū)象素個數(shù)(326質(zhì)心位置F,力:可用一階矩和零階矩的比值表示:i:塑,歹:塑,即:。蘭,石(i,辦:二羔;x(f,(3-27a j:譬N譬M,興(3-27b。二羔,x(f,分維數(shù)(fractal dimension:分維數(shù)是一個表征被檢測目標空間維數(shù)的物理量,是一個對于二值圖中強點排列的緊密關系的度量。實際上,因為人造目標的強點的排列一般較自然雜波象素的排列要更緊密,所以可以用來區(qū)別人造目標和雜波。該特征定義為計算在ROI區(qū)域中最亮的N個點的空間分布的Hausdorff維數(shù):日,:logNl-logN2f3-28 4logd

18、2一logdl該特征的計算方法是:在分割得到的目標區(qū)域中保留50個最亮的象素點,從麗創(chuàng)建一個最亮的象素點為1,而其余象素點為0的二值圖。首先用個1X lpixel大小的窗口在二值圖中滑動,記錄所有在窗口中含有亮點的窗口的總數(shù)為,然后用個2×2pixel大小的窗口在二值圖上滑動,同樣記錄所有在窗口中含有亮點的窗口的總數(shù)為N2。其中d1=l,d2=2為滑動窗口大小。 圖3.7目標主軸、質(zhì)心示意圖第頁26 國防科學技術大學研究生院學位論文圖3.9c是對b圖進行虛警濾除后提取出目標的結果圖。表31為提取的各個目標的主要幾何參數(shù)。 (a原始圖像(”目標區(qū)(c主導邊界圖3.8目標圖像的主導邊界提

19、取結果 (a原始圖像(b檢測結果(c目標提取結果圖3.9目標幾何參數(shù)獲取結果圖表3.1、目標主要幾何參數(shù)分析結果目標長度寬度質(zhì)心方位角分維數(shù)平均標號(米(米位置(角度亮度15.493.31(1259,3534.001.3620425.273.90(1266,304115.001.5121735803,02(1146,46111.001.4220843.38331(1421,457120.001.46211§3.4目標姿態(tài)角估計目標方位角估計是進行SAR圖像自動目標識別(ATR的重要步驟48o由于目標SAR 圖像對目標姿態(tài)角的變化很敏感,因此,在SAR目標識別系統(tǒng)中,精確的方位角估計結

20、果總是可以極大地減小目標匹配的數(shù)量,從而提高目標識別的精度和效率。般來說,一個優(yōu)秀的姿態(tài)角估計算法必須具備計算速度快、估計精度高以及對目標的配置條件(遮擋、偽裝等具有一定的穩(wěn)健性。在這些方面各國的研究工作者做了很多第28頁 國防科學技術大學研究生院學位論文 60v圖3.10間隔瑟釜的矩形擬合結果80。1、TBR(Target-tobackground ratio準則:TBR準則是估計擬合矩形區(qū)域內(nèi)的目標元素和背景象素數(shù)量的比值來進行判斷的,這個準則是根據(jù)比值的最大值選擇其對應的姿態(tài)角。2、P(Perimeter準則:同TBR準則相似,P準則是估計目標的姿態(tài)角使得目標區(qū)擬合的矩形的周長最小,通過

21、大量的實驗,可以發(fā)現(xiàn),P準則的效果在大多數(shù)的情況下是和TBR準則等效的,如果設,.和,:為擬合矩形的長和寬,A是矩形的面積,尸是矩形的周長,JJg/么T面的等式成立: A=“a,2(口:P=,1(口+12(口jr3-32西7日月=arg rainA;酢=argminP;這罩西是被估計的姿態(tài)角,使彳和尸最小,有:%d=o和%口=0,所以(3-32式第30頁 國防科學技術火學研究生院學位論文導邊界和中心區(qū)域擬合為一條直線,直線的傾角為方位角。若不近似垂直,則認為目標為傾斜方向。分別對兩條主導邊界進行擬合,選取較長的邊界擬臺得到傾角為目標方位角。以上的判斷的目的為最終選取一條邊界進行擬合,然后根據(jù)擬

22、合結果進行方位角估計。這里采用的擬合方式為最小二乘線性擬合?？赏ㄟ^求解式(334式的一元線性回歸模型得到目標方位角估計的公式:Y=o+屆x r334式(334中x對應目標區(qū)域象素的距離向坐標矢量,J,對應目標區(qū)域象素的方位向坐標矢量,參數(shù)矗是擬合直線的斜率,它可由最小二乘估計得到:1=旦i一.Ri渺,一歹f3350。i2f=I式(335中行表示切片圖像中目標區(qū)域的象素點數(shù),x,Y,分別表示目標區(qū)域第i個象素點的距離向和方位向位置,i=圭t,歹=去_y,a在求得屬后,可通過反正切運算,得n=n百到目標方位角的估計0。§3.4.3估計性能分析一.旋轉矩形擬合方法估計性能分析旋轉矩形擬合方

23、法的三個準則,對于一般規(guī)則的目標其效果都比較好,圖3.11給出了目標在方位為750時利用三種準則的估計結果。 雙參數(shù)CFAR分割750TBR:8lo Pt81”EPc:740圖3.1l各種準則的姿態(tài)角估計結果對SOC條件下T72坦克的200幅不同方位的SAR圖像分別利用擬合的三種準則進行姿態(tài)角估計的研究,其絕對誤差的統(tǒng)計的直方圖如圖3.12所示,由圖可見:、EPC準則的估計性能最好,其余兩種準則的估計性能相當。、受統(tǒng)計樣本的限制,估計誤差的直方圖呈現(xiàn)不規(guī)則的形狀,但總體而占,較小的絕對誤差在統(tǒng)計誤差直方圖中占有主導地位。第32頁 國防科學技術大學研究生院學位論文行水平方向以及垂直方向的2倍的下

24、抽樣。然后在001800內(nèi)運用Radon變換進行64個投影,對于每個投影,其中7個特征被提取,包括:寬度、最大值以及26階中心矩。離散序列的p階中心矩的計算公式是:,=o一,ucy(x(3-37其中/1。=寺xX為序列的均值,N為序列個數(shù)。寬度為投影中比均值大的連續(xù)的元素的個數(shù),因此,對于每一幅目標圖像,其特征提取結果為一個64x7的特征矩陣,每一行對應著一個投影角度的特征矢量。對于Radon變換后的64個投影矢量,需要對其進行旋轉和平移的校正。如前所述,根據(jù)Radon變換的平移特性和旋轉特性,首先對每個投影矢量進行循環(huán)移位,使得每個矢量的質(zhì)心位于該矢量的中心,以使得變換后的矩陣具有平移不變性。然后把這些投影矢量隨著角度的變換進行循環(huán)移位,直到最大的寬度對應的特征矢量出現(xiàn)在特征矩陣的中央。以使得變換后的矩陣具有旋轉不變性。使用MSTAR#2公共目標數(shù)據(jù)庫,1R×lff分辨率,單極化的x波段SAR圖像,雷達俯仰角150,包含BTR60、2S1、BRDM2、D7、T62、ZILl3l、ZS