CN106845489A - 基于改进Krawtchouk矩的SAR图像目标特征提取方法 - Google Patents

Abstract

基于改进Krawtchouk矩的SAR图像目标特征提取方法，涉及图像特征提取技术，属于SAR目标自动识别技术领域。本发明针对SAR图像的方位敏感性和平移敏感性给SAR目标识别带来的干扰，提出一种基于改进Krawtchouk矩的SAR图像目标特征提取方法。在有效抑制噪声的情况下，有效克服了SAR图像对目标方位的敏感性，减少计算量的同时能有效地对目标进行识别。

Description

基于改进Krawtchouk矩的SAR图像目标特征提取方法

1.所属技术领域

基于改进Krawtchouk矩的SAR图像目标特征提取方法，涉及图像特征提取技术，属于SAR目标自动识别技术领域。

2.背景技术

在合成孔径雷达(Synthetic Aperture Radar,SAR)图像自动目标识别当过程中，有效地处理SAR图像并提取能反映目标本质属性的特征是SAR目标识别的关键技术之一。

SAR图像不像一般的光学图像能较完整地描述目标的整体形状，而是表现为稀疏的散射中心分布，且对成像的方位敏感，即同一目标在不同方位角下，SAR图像间存在较大的差异，故而需要有效地提取目标的特征。特征提取过程是去除冗余信息的过程，具有提高识别精度、减少运算量和提高运算速度的作用，良好的特征应具有可分性、稳定性和独立性等特点。而矩是一种非常重要的表示目标总体形状的特征量，二维图像的几个关键特征均直接与矩有关，如目标的大小、质心和旋转情况等等。由于不变矩概念清晰、识别率稳定，对具有平移、旋转和缩放变化的目标有良好的不变性及抗干扰性，能有效地反映目标的本质特征。Krawtchouk矩由于具有计算时不需要进行坐标转换，没有离散误差，且能提取任意局部特征等良好性能，所以Krawtchouk矩越来越广泛地被应用于信号特征提取等领域。尽管Krawtchouk不变矩具有平移、尺度以及180度以内的旋转不变性，但对于具有翻转行为或者旋转角度大于180度的图像，利用Krawtchouk不变矩提取特征时并不具备不变性。

针对SAR图像的方位敏感性和平移敏感性，引入翻转因子和旋转因子，提取具有平移、全方位旋转、缩放等不变性的改进Krawtchouk矩特征作为特征向量，采用支持向量机分类方法进行分类，可为SAR自动目标识别提供技术支持。

3.发明创造的目的

针对SAR图像的方位敏感性和平移敏感性给SAR目标识别带来的干扰，提出一种基于改进Krawtchouk矩的SAR图像目标特征提取方法。在有效抑制噪声的情况下，有效克服了SAR图像对目标方位的敏感性，减少计算量的同时能有效地对目标进行识别。

4.技术方案

SAR目标识别分类可大致分为三个步骤：预处理、特征提取和分类。其中，如何提取图像特征是目标分类识别的前提和关键，只有当选择的特征具有良好的类内相似性和类间差异性时，才可能利用图像特征对目标进行精确的分类和目标识别。主要过程如下：

(1)对SAR目标的切片图像进行中值滤波。

(2)采用一维最大熵阈值分割法对切片图像进行分割，得到目标二值图像和背景图像。

(3)对目标二值图像利用改进的Krawtchouk矩方法进行特征提取。

引入翻转因子和旋转因子，改进Krawtchouk不变矩构建方法，使该矩不但具备基本Krawtchouk不变矩的特性，还具备对称翻转以及全方位的旋转不变性。

改进Krawtchouk矩特征提取的主要步骤为：

Step1：根据式(1)确定图像的质心

其中，f(x,y)为坐标(x,y)位置的灰度值，其值为0或者1，i取0或1，j也取0或1，N为图像的行数。

Step2：图像的中心距u_ij可由式(2)计算，

Step3：若一幅图像只进行了对称翻转，则翻转后的图像的中心距u_ij在j为奇数时发生符号变化；若一图像只发生大于180度的旋转行为，则旋转后的图像的u_ij在i+j为奇数时发生符号变化。根据式(3)确定图像的翻转因子b₁和旋转因子b₂，

式中，sgn(*)为取数值的符号。

Step4：在图像的旋转角度计算公式中，计算新的旋转角度θ，如式(4)所示，

Step5：根据Step4计算而得的旋转角度，再引入翻转因子，构建如式(5)所示的几何不变矩。

Step6：最后使用几何不变矩式(5)构建改进的Krawtchouk不变矩。

式中，a_k,n,p为Krawtchouk多项式系数。

(4)采用支持向量机对测试图像进行分类，根据识别效果，判断特征提取的有效性。

5.发明创造的优点和用途

使用改进Krawtchouk不变矩提取SAR目标二值图像的轮廓信息，并使用受噪声影响较小的低阶特征值组成特征向量，再经支持向量机进行识别分类，可以有效地对SAR目标进行识别和分类，可以为SAR目标自动识别***提供技术支持。

在基于Krawtchouk不变矩的概念上，通过引入翻转因子和旋转因子，提出了改进的Krawtchouk不变矩概念，使其在具有平移、尺度不变性的同时也具有翻转和全方位旋转不变性，使得SAR目标识别不需要事先估计目标的方向角，克服SAR图像对目标方位的敏感性，能够直接对目标识别。

6.附图说明

图1 SAR目标图像；

图2 SAR目标分割结果。

7.具体实施方式

使用改进Krawtchouk不变矩提取SAR目标二值图像的形状信息，并使用受噪声影响较小的低阶特征值组成特征向量，再利用支持向量机对SAR目标进行识别分类，可以有效地对SAR目标进行识别分类。

具体实施步骤为：

(1)首先对SAR目标切片图像进行中值滤波，降低相干斑噪声的影响，采用3×3的窗口进行滤波。

(2)对去噪处理后的目标切片图像，采用一维最大熵阈值分割法分割图像，对分割后的目标二值图像采用数学形态学算子进行腐蚀膨胀，去除孤立点和孔洞，提取出目标区域。分割后的目标二值图像如图2所示。

(3)对得到的目标二值图像，按照式(6)，使用4×4的改进的Krawtchouk矩提取计算训练样本和测试样本的矩不变量分别计算这12个矩不变量，即为SAR目标的形状特征。将其作为分类特征输入到支持向量机进行分类识别。

(4)采用MSTAR数据验证本发明的有效性，训练样本是在15°俯视角下的SAR图像数据，测试样本均在17°俯视角下获取得到，每类样本都是SAR在不同方位角下得到的，方位角的覆盖范围是0°～360°。

(5)对训练样本和测试样本分别采用改进Krawtchouk矩进行目标特征提取，对提取后的目标特征采用支持向量机进行多类分类，得到SAR目标识别结果。

实验分析结果：

训练样本为SAR在俯仰角为15°时的成像数据，包括3大类：BTR70、BMP2、T72三种样本数据，共计为517幅数据。测试样本是俯仰角为17°的数据，仍为BTR70、BMP2、T72三种样本数据，共计651幅数据。三类目标识别总正确率86.6％，优于Hu不变矩特征提取方法，是一种有效地特征提取方法，可充分描述SAR目标的形状特征。

Claims (1)

1.基于改进Krawtchouk矩的SAR图像目标特征提取方法，其特征是，包括以下步骤：

(1)对SAR目标的切片图像进行中值滤波；

(2)采用一维最大熵阈值分割法对切片图像进行分割，得到目标二值图像和背景图像；

(3)对目标二值图像利用改进的Krawtchouk矩方法进行特征提取；

引入翻转因子和旋转因子，改进Krawtchouk不变矩构建方法，使该矩不但具备基本Krawtchouk不变矩的特性，还具备对称翻转以及全方位的旋转不变性；

改进Krawtchouk矩特征提取的主要步骤为：

Step1：根据式(1)确定图像的质心 $\left\{\begin{array}{c}{m}_{ij}=\underset{x=0}{\overset{N-1}{\Σ}}\underset{y=0}{\overset{N-1}{\Σ}}{x}^i{y}^{j}f(x,y)\\ \stackrel{\‾}{x}=\frac{m_{10}}{m_{00}},\stackrel{\‾}{y}=\frac{m_{01}}{m_{00}}\end{array}\right.---\left(1\right)$

其中，f(x,y)为坐标(x,y)位置的灰度值，其值为0或者1，i取0或1，j也取0或1，N为图像的行数；

Step2：图像的中心距u_ij可由式(2)计算，

$u_{ij}=\underset{x=0}{\overset{N-1}{\Σ}}\underset{y=0}{\overset{N-1}{\Σ}}{(x-\stackrel{\‾}{x})}^i{(y-\stackrel{\‾}{y})}^{j}f(x,y)---\left(2\right)$

Step3：若一幅图像只进行了对称翻转，则翻转后的图像的中心距u_ij在j为奇数时发生符号变化；若一图像只发生大于180度的旋转行为，则旋转后的图像的u_ij在i+j为奇数时发生符号变化；根据式(3)确定图像的翻转因子b₁和旋转因子b₂，

$\left\{\begin{array}{c}{b}_2=sgn\left(u_{12}\right)\\ b_1=b_2\×sgn\left(u_{03}\right)\end{array}\right.---\left(3\right)$

式中，sgn(*)为取数值的符号；

Step4：在图像的旋转角度计算公式中，计算新的旋转角度θ，如式(4)所示，

$\mathrm{\θ}=\frac{1}{2}{\tan }^{-1}\left(\frac{2u_{11}}{u_{20}-u_{02}}\right)-(b_2-1)\frac{\mathrm{\π}}{2}---\left(4\right)$

Step5：根据Step4计算而得的旋转角度，再引入翻转因子，构建如式(5)所示的几何不变矩；

$\begin{array}{c}{\tilde{v}}_{nm}=\underset{x=0}{\overset{N-1}{\Σ}}\underset{y=0}{\overset{N-1}{\Σ}}\frac{N^2/2}{m_{00}}f(x,y)\×{\{\[(x-\stackrel{\‾}{x})\cos \mathrm{\θ}+(y-\stackrel{\‾}{y})\sin \mathrm{\θ}\]\sqrt{\frac{N^2/2}{m_{00}}}+N/2\}}^n\\ \×{\{b_1\[(y-\stackrel{\‾}{y})\cos \mathrm{\θ}+(x-\stackrel{\‾}{x})\sin \mathrm{\θ}\]\sqrt{\frac{N^2/2}{m_{00}}}+N/2\}}^m\end{array}---\left(5\right)$

Step6：最后使用几何不变矩式(5)构建改进的Krawtchouk不变矩；

${\tilde{Q}}_{nm}{\[\mathrm{\ρ}\left(n\right)\mathrm{\ρ}\left(m\right)\]}^{-(1/2)}\underset{i=1}{\overset{n}{\Σ}}\underset{j=1}{\overset{m}{\Σ}}{a}_{i,n,p_1}{a}_{j,m,p_2}{\tilde{v}}_{ij}---\left(6\right)$

式中，a_k,n,p为Krawtchouk多项式系数；

(4)采用支持向量机对测试图像进行分类，根据识别效果，判断特征提取的有效性。