（信息与通信工程专业论文）高分辨率sar图像目标分类特征提取与分析.pdf

同防科学技术大学研究生院硕十学何论文 摘要 目标特征提取在合成孔径雷达( s a r ) 自动目标识别( a t r ) 中有着重要的 应用。特征提取可以降低数据空间的维数，挖掘出能更有效的代表目标信息的数 据，从而使目标的分类更加准确有效。本文系统研究了高分辨率s a p , 图像目标几 何结构特征、灰度统计特征和变换特征的提取方法，并从理论和实验两方面对这 些特征在目标分类中的应用进行分析比较。 几何结构特征和灰度统计特征是最常用的、最基本的s a r 图像目标分类特征。 本文在分析几何结构特征和灰度统计特征物理意义的基础上，研究了相应的特征 提取方法，并通过实际s a r 图像数据的特征提取实验，验证了其有效性。本文还 研究了基于遗传算法的特征选择方法。对于单数值的几何结构和灰度统计特征， 本文在基于遗传算法的特征选择基础上，通过组合得到新的特征向量，从而有效 的提高了特征的分类性能。 变换特征具有通用性强、计算量小的特点，近年来在s a ra t r 中的应用引起 了广泛的重视。本文对基于p c a 和i c a 两种典型变换的s a r 目标特征提取方法 进行了系统深入的研究。p c a 包括1 d p c a 、2 d - p c a 以及两阶段2 d 。p c a 三种具 体的方法。传统的1 d p c a 去除了每两个数据之间的相关性，而本文从理论上分 析证明了2 d p c a 只去除了数据行之间的相关性，两阶段2 d - p c a 分别去除了数 据行之间和列之间的相关性。因此，1 d p c a 的数据降维能力最好，两阶段2 d p c a 次之，2 d p c a 最差。2 d p c a 和两阶段2 d p c a 的优势在于它们可以直接对二维 图像进行处理，因此当图像较大时其计算量要明显小于1 d p c a 。与p c a 只利用 了数据的二阶统计特性相比，i c a 利用了数据的更高阶的统计特性，使得到的分 量是相互独立的，从而有可能进一步提高特征的性能。因此，本文在p c a 特征提 取方法研究基础上，进一步研究了基于i c a 的特征提取方法，并将其与p c a 进行 了分析比较。本文的研究表明，在理论上i c a 特征提取方法是优于p c a 的，但是 在实际应用中，只有当数据较好的满足i c a 的假设数据模型时，i c a 特征才能取 得最好的分类性能。 在特征提取方法研究的基础上，为了分析目标特征在实际目标分类中的性能， 本文基于m s t a r 数据，利用最近邻分类器对所有特征进行了目标分类实验。实 验结果表明，在正确分类率方面，目标轮廓特征、基于遗传算法选择后组合得到 的特征向量以及变换特征中的p c a 和i c a 特征的正确分类率较高；在计算速度方 面，变换特征要优于几何结构和灰度统计特征；在数据降维方面，几何结构和灰 度统计特征数据降维能力较强，变换特征中的1 d p c a 和两阶段2 d p c a 数据降 维能力也较强。这些结论可以有效的指导实际的s a ra t r 中的目标特征提取。 第i 页 国防科学技术大学研究生院硕十学何论文 主题词：合成孑l 径雷达图像自动目标识别特征提取几何结构特征灰度统 计特征变换特征主成分分析独立成分分析遗传算法最近邻分类器 第i i 页 国防科学技术大学研究生院硕十学f = 论文 a b s t r a c t f e a t u r ee x t r a c t i o no ft a r g e ti s i m p o r t a n t f o rs y n t h e t i ca p e r t u r er a d a r ( s a r ) a u t o m a t i ct a r g e tr e c o g n i t i o n ( a t r ) t h ed i m e n s i o no fd a t ac a i lb er e d u c e db yf e a t u r e e x t r a c t i o n , a n dm o r em e a n i n gd a t aa b o u tt a r g e tc a l lb eg o tb yf e a t u r ee x t r a c t i o n , w h i c h m a k et a r g e tc l a s s i f i c a t i o ni l l o r ee x a c t l ya n de f f e c t i v e l y t l l i sp a p e rh a sr e s e a r c h e do nt h e f e a t u r ee x t r a c t i o nt e c h n o l o g ya b o u tg e o m e t r yf e a t u r e ，c o n f i g u r a t i o nf e a t u r e , i n t e n s i t y s t a t i s t i c a lf e a t u r e ，a n dt r a n s f o r r n a t i o nf e a t u r ei ns a r i m a g e so fh i e , h r e s o l u t i o n a n d e o m p a r i s o na m o n go fd i f f e r e n tf e a t u r e si sd o n et h e o r e t i c a l l ya n de x p e r i m e n t a l l y g e o m e t r yf e a t u r e ，c o n f i g u r a t i o nf e a t u r e ，a n di n t e n s i t ys t a t i s t i c a lf e a t u r ea r et h e m o s tc o m m o nf e a t u r e si ns a ri m a g e sf o rt a r g e tc l a s s i f i c a t i o n a f t e ra n a l y z i n gt h e p h y s i c sm e a n i n go ff e a t u r e s ，t h i sp a p e rh a ss t u d i e dt h ee x t r a c t i o nm e t h o d so ft h e s e f e a t u r e s ，a n dt h e s em e t h o d sa r ev a l i d a t e dt h r o u g hc l a s s i f i c a t i o ne x p e r i m e n to np r a c t i c a l s a rd a t a t t l i sp a p e rh a sa l s os t u d i e df e a t u r es e l e c t i o nm e t h o db a s e do ng e n e t i c a l g o r i t h m f o rt h es i n g l ev a l u ef e a t u r e s ，t h i sp a p e rc o m b i n e d t h e mt o 蝌f e a t u r ev e c t o r a f t e rf e a t u r es e l e c t i o nb a s e do ng e n e t i ca l g o r i t h m , w h i c hi m p r o v e dp e r f o r m a n c eo f f e a t u r ee f f e c t i v e l y t r a n s f o r m a t i o nf e a t u r eh a st h ea d v a n t a g e so fu n i v e r s a lu s ea n ds m a l lc o m p u t a t i o n , s oi ta t t r a c t sm o r ea n dm o r ea t t e n t i o nr e c e n t l yi ns a ra t r t 1 1 i sp a p e rh a sr e s e a r c h e d o np c ：aa n di c a ，w h i c ha r eq u i t ec l a s s i c a li np a t t e r nr e c o g n i t i o n p c ai n c l u d e st h r e e m e t h o d s 。w h i c ha l e1d - p c a ，2 d - p c aa n dt w o s t a g e2 d p c a c o n v e n t i o n a l1d p c a e l i m i n a t e st h ec o r r e l a t i o na m o n ga l ld a t a , a n dt h i sp a p e rs h o w st h a t2 d p c ae l i m i n a t e s o n l y t h ec o r r e l a t i o na m o n gr o w s ，a n dt w os t a g e s2 d - p c ae l i m i n a t e sb e t ht h e c o r r e l a t i o na m o n gr o w sa n dc o l u m n s s old p c ap e r f o r m sb e s ti nd i m e n s i o nr e d u c t i o n , t w o s t a g e2 d - p c af o l l o w s a n d2 d p c al a s t 。b ，u t2 d p c aa n dt w o s t a g e2 d p c ac a n p r o c e s st w o - d i m e n s i o ni m a g ed i r e c t l y , s ot h e yc o m p u t ef a s t e rt h a n1d - p c af o rl a r g e i m a g e p c ab s e so n l yt h es e c o n do r d e rs t a t i s t i c a lc h a r a c t e r i s t i co fd a t a , w h i l ei c a u s e s h i g h e ro r d e rs t a t i s t i c a lc h a r a c t e r i s t i co fd a t a , s oi c ac a ng e tc o m p o n e n t st h a ta r em u t u a l i n d e p e n d e n t , w h i c hm e a n sc a p a b l et oi m p r o v et h ec l a s s i f i c a t i o np e r f o r m a n c eo ff e a t u r e s of u r t h e rr e s e a r c ho nf e a t u r ee x t r a c t i o nb a s e do ni c ai sd o n ei nt h i sp a p e r r e s e a r c h s h o w st h a ti c ai ss u p e r i o ri nt h e o r y , b u ti np r a c t i c a lu s e ) i c ac a l lg e tg o o d c l a s s i f i c a t i o nr e s u l to n l yw h e nt h ed a t as a t i s f yt h ei c aa s s u m e dd a t am o d e lw e l l i no r d e rt oa n a l y s i sf e a t u r ep e r f o r m a n c ei np r a c t i c a lu s e ，t h i sp a p e rp r o p o s e st oi s e n e a r e s tn e i g h b o rc l a s s i f i e rt oc l a s s i f ym s 瑚d a t ab a s e do i lt h ef e a t u r e st h a th a v e e x t r a c t e di nt h i sp a p e r e x p e r i m e n tr e s u l t ss h o wt h a t , c o n s i d e r i n gc o r r e c tc l a s s i f i c a t i o n r a t e ，t a r g e tc o n t o u ri ng e o m e t r yf e a t u r e s ，f e a t u r e sc o m b i n e dv e c t o ra f t e r f e a t u r e s s e l e c t i o nb a s e do ng e n e t i ca l g o r i t h m ，a n dt r a n s f o r n l a t i o nf e a t u r ep e r f o r m sw e l l ； c o n s i d e r i n gp r o c e s s i n gs p e e d ，t r a n s f o r m a t i o nf e a t u r ei sb e t t e rt h a ng e o m e t r yf e a t u r ea n d 第i i i 页 国防科学技术大学研究生院硕十学位论文 c o n f i g u r a t i o nf e a t u r e ；c o n s i d e r i n gd i m e n s i o nr e d u c t i o n , g e o m e t r yf e a t u r e ，c o n f i g u r a t i o n f e a t u r e 1d p c aa n dt w os t a g e2 d p c ap e r f o r m sw e l l ，b u t2 d p c aa n di c ai sn o ts o w d l t h e s ec o n c l u s i o n sp r o v i d eag u i d e l i n ef o rf e a t u r ee x t r a c t i o ni ns a ra t r k e yw o r d s ：s y n t h e t i ca p e r t u r er a d a r ，l m a g e ，a u t o m a t i ct a r g e t r e c o g n i t i o n ，f e a t u r e se x t r a c t i o n ，g e o m e t r yf e a t u r e ，c o n f i g u r a t i o nf e a t u r e ， i n t e n s i t y s t a t i s t i c a lf e a t u r e 。t r a n s f o r m a t i o nf e a t u r e ，p d n c i p a ic o m p o n e n t a n a l y s i s 。 i n d e p e n d e n tc o m p o n e n ta n a l y s i s ， g e n e t i c a l g o r i t h m ， n e a r e s t - n e i g h b o rc l a s s i f e r 国防科学技术大学研究生院硕十学何论文 表目录 表1常用的几何结构和灰度统计特征2 0 表2 常用几何结构和灰度统计特征的正确分类率4 8 表3p c a 特征在不同正确分类率时的主成分个数比较5 0 表4p c a 特征的最高正确分类率和主成分个数5 l 表51 d p c a 达到最高正确分类率时的分类混淆矩阵5 1 表62 d p c a 达到最高正确分类率时的分类混淆矩阵5 1 表7 两阶段2 d p c a 达到最高正确分类率时的分类混淆矩阵。5 l 表8i c a 不同目标函数在取不同独立成分个数时达到收敛所需的迭代次数5 3 表9i c a 达到最高正确分类率时的分类混淆矩阵5 3 表1o 遗传算法待选择特征集5 4 表1 l基于遗传算法特征选择组合的分类混淆矩阵5 5 表1 2 基于m s t a r 数据的训练集和测试集6 8 第1 i i 页 国防科学技术大学研究生院硕十学位论文 图目录 图1m n 林肯实验室三级s a ra t r 流程图2 图2目标特征的分类3 图3 论文的内容组织7 图4 确定像素背景杂波的c f a r 滑动窗口l l 图5目标切片的双参数c f a r 分割与像素聚类l l 图6 基于双参数c f a r 和像素聚类的分割流程图1 2 图7 基于m r f 模型的i c m 分割流程图1 4 图8目标切片基于m r f 模型的i c m 分割1 5 图9目标轮廓、目标阴影轮廓、角点和峰值的提取1 8 图1 02 d f f t 的幅度图像的平移不变性图示2 3 图1 1基于图像和基于像素的两种变换特征提取方案2 4 图1 2s a r 图像目标1 d p c a 特征提取流程图2 7 图1 3 裁剪成4 4 x4 4 的m s t a r 图像2 8 图1 4m s t a r 图像的1 d p c a 特征图像2 8 图1 5s a r 图像目标2 d p c a 特征提取流程图。3 0 图1 6s a r 图像目标两阶段2 d p c a 特征提取流程图3 1 图1 7s a r 图像目标i c a 特征提取流程图3 9 图18m s t a r 图像的i c a 独立图像4 0 图1 9 遗传算法计算流程图。4 3 图2 0 峰值、目标轮廓、目标阴影轮廓和角点特征的距离变换4 5 图2 l两幅图像的平均h a u s d o r f f 距离的计算流程图。4 6 图2 2 常用几何结构和灰度统计特征的分类性能比较4 8 图2 3 预处理对p c a 特征分类性能的影响4 9 图2 4p c a 特征正确分类率与主成分个数的关系5 0 图2 5 预处理对i c a 特征分类性能的影响5 2 图2 6i c a 不同目标函数的分类性能比较5 2 图2 7 遗传算法1 0 0 次迭代中的最优和平均正确分类率5 4 图2 8 不同特征集的组合特征的分类性能比较5 5 第页 独创性声明 本人声明所呈交的学位论文是我本人在导师指导下进行的研究工作及取得 的研究成果。尽我所知，除了文中特别加以标注和致谢的地方外，论文中不包含 其他人已经发表和撰写过的研究成果，也不包含为获得国防科学技术大学或其它 教育机构的学位或证书而使用过的材料与我一同工作的同志对本研究所做的任 何贡献均已在论文中作了明确的说明并表示谢意。 学位论文题目：直金趁奎垒垦垦鱼垦握佥粪鲎焦握亟生佥堑 学位论文作者签名：玉工避日期：力伽年ii 月彩日 学位论文版权使用授权书 本入完全了解国防科学技术大学有关保留、使用学位论文的规定。本人授权 国防科学技术大学可以保留并向国家有关部门或机构送交论文的复印件和电子 文档，允许论文被查阅和借阅；可以将学位论文的全部或部分内容编入有关数据 库进行检索，可以采用影印、缩印或扫描等复制手段保存、汇编学位论文。 ( 保密学位论文在解密后适用本授权书。) 学位论文作者签名： 作者指导教师签名： 日期：寸哕年1 月彩甘 日期：多箩年1 1 月乡日 ，嚣 国防科学技术大学研究生院硕十学位论文 第一章绪论 1 1 研究背景和意义 遥感( r e m o t es e n s i n g ) 是一种远距离的、非接触的目标探测技术和方法【1 1 。 遥感传感器通常搭载在飞机、人造地球卫星等遥感平台上，通过接收目标反射或 是辐射的电磁波信号来实现对目标的探测。遥感传感器可以对大面积的区域进行 观测，具有强大的数据获取能力。合成孔径雷达( s a r ，s y n t h e t i c a p e r t u r er a d a r ) 是近年来得到广泛研究和应用的一种遥感传感器，它通过向目标发射电磁波并接 收目标反射回来的电磁波来实现对目标的探测。和光学、红外等其它传感器相比， s a r 成像不受天气、光照等条件的限制，可以对感兴趣的目标进行全天候、全天 时的侦察【2 】。而且s a r 还具有一定的穿透能力，可以在有云层干扰、树丛遮挡或 是目标浅埋地表等不利条件下实现对目标的探测。此外，由于s a r 特殊的成像机 理，使得s a r 图像中包含与其他传感器所不相同的内容，从而给目标探测提供了 更丰富更全面的信息。由此可见，s a r 具备众多显著的优点，具有极大的应用潜 力。近年来，对s a r 技术的研究引起了广泛重视，而其中的不少研究成果已被成 功地应用于水文、地矿、环境监测、地形测量、战场侦察、目标探测等军用和民 用的各个方面p 1 。 随着s a r 成像技术的研究不断深入和发展，s a r 图像的获取能力日益增强。 然而，与s a r 图像获取技术的快速发展相比，对于s a r 图像解译的研究却是远远 滞后。目前s a r 图像的解译工作仍然处于以人工判读为主的落后状况，解译的效 率和能力非常低下。因此，为了实现对s a r 图像海量数据有效的应用，很有必要 利用现代信息处理技术，发展s a r 图像的自动解译技术。s a r 图像自动目标识别 ( a t r ，a u t o m a t i ct a r g e tr e c o g n i t i o n ) 正是在这一现实需求的驱动下发展而来的 一个s a r 图像解译分支。 所谓s a r a t r ，就是指在s a r 图像目标识别算法的支持下，利用计算机的快 速处理能力，从包含了复杂的地物背景信息的海量s a r 图像中把地面上的目标自 动识别出来。s a ra t r 在军事应用上具有重要的战略意义，是未来军事侦察技术 的制高点，得到了各国政府的高度重视。最早开展s a r a t r 研究的是美国麻省理 工大学( m i t ，m a s s a c h u s e t t si n s t i t u t eo f t e c h n o l o g y ) 的林肯实验室。在2 0 世纪8 0 年代中末期，林肯实验室的研究者就提出了检测预览、鉴别和分类识别的s a r a t r 的三级处理流程，如图l 所示 5 1 1 6 1 。其中，检澳4 颀览阶段去除图像中明显不 可能是目标的区域，筛选得到一些潜在的目标区域；鉴别阶段将这些潜在的目标 区域通过鉴别特征进行匹配，从而去除自然杂波虚警和明显比目标大或小的区域， 第1 页 国防科学技术大学研究生院硕十学位论文 得到目标感兴趣区域( r o i ，r e g i o no f i n t e r e s t ) ：分类识别阶段通过模板匹配或是 分类特征匹配将目标所属的类型识别出来。目标特征提取在鉴别阶段和分类阶段 都有重要的应用，是实现目标自动识别的关键环节。 f o c u so fa t t e n t i o n s a r 图像卢刮检测融吲删 二刮分类识别l iii 案鬻景壤慈器垛攀波 不可能是目标和明显比目标大或 厶怖坌裳不议 的区域小的人造杂波 肚冒 图1m 玎林肯实验室三级s a r a t r 流程图 s a r 图像目标特征提取，就是为了便于有效地分析和研究目标特性，将目标 图像用更为简单明确的数值、符号或图形来进行描述【3 】。一般的，在模式识别领域 进行目标特征提取主要有以下五个目的【7 j ： ( 1 ) 减少输入数据量，从而提高处理的速度； ( 2 ) 为分类器提供一个相应的特征集，以提高分类器的性能，尤其是提高简单 分类器的性能； ( 3 ) 去除数据冗余量，从而消除冗余数据对分类的不良影响； ( 4 ) 发掘原始数据中潜在的更有意义的数值和特征，更准确理解数据的内涵， 从而达到提高识别性能的目的； ( 5 ) 在信息损失最少的前提下，产生低维的特征数据( 理想情况下是二维) ， 这些特征数据更容易可视化，其中的相关结构信息也更容易被应用。 目标特征提取对提高目标识别的精度和处理速度具有重要的意义。本课题就 在s a r a t r 的应用背景下，研究高分辨率的s a r 图像目标的分类特征提取技术， 并从理论和实验两方面对特征的分类性能进行分析，从而为目标识别提供有效的 支持。 1 2 目标特征的分类 根据高分辨率s a r 图像的特点、目标特征的物理意义、以及特征提取方法的 差异，本文将目标特征分为几何结构特征、灰度统计特征、变换特征和电磁散射 特征等几大类特征。 几何结构特征与目标实际物理构造相关，是目标最基本的特征。几何结构特 征可以分为几何特征、结构特征和地形学特征等。几何特征包括目标的长宽高、 第2 页 国防科学技术大学研究生院硕十学何论文 图2 目标特征的分类 第3 页 国防科学技术大学研究生院硕+ 学何论文 周长、面积、直径、对角线长、目标区域投影、距离、质量、质心、转动惯量等 一些尺寸或是几何意义上的特征。结构特征包括目标的边缘、目标轮廓、目标阴 影轮廓和角点等特征，反映了目标的构造及外形设计。地形学特征本质上属于结 构特征，但是由于此类特征借鉴了地形学的术语，赋予了特殊的意义，所以单独 分成一类。地形学特征的提取首先将图像的像素强度看作地形学中的高度，然后 利用地形学中的概念，从图像中提取出称为目标峰值、凹陷、脊、鞍、谷等的特 征。高分辨率s a r 图像中目标的几何结构特征很丰富，在分类中有着广泛的应用。 灰度统计特征是指图像灰度分布的起伏、规律性、结构性或是周期性在统计 中的表现。灰度统计特征可以分为对比度特征和纹理特征。对比度特征指的是图 像像素灰度之间的对比特征，包括最强值、最弱值、平均强度、强度百分比等等。 纹理特征反映了在整个目标区域内像素分布的周期性或结构性。纹理特征包括灰 度共生矩阵、等灰度行长矩阵、权重序列填充率、分形维数和标准偏差等。灰度 统计特征在目标分类中应用也很广泛。 变换特征指的是通过某种变换将图像数据进行映射，从而得到能更简洁有效 的代表原始数据的特征数据。变换特征的提取不考虑目标的相关信息和先验知识， 而只是通过纯粹的数据处理技术对图像数据进行分析，变换特征一般不能用实际 的物理意义来阐述。常用的线性变换有主成分分析( p c a ，p r i n c i p a lc o m p o n e n t a n a l y s i s ) 、独立成分分析( i c a ，i n d e p e n d e n tc o m p o n e n t a n a l y s i s ) 、二维快速傅立 叶变化( 2 d f f t ，t w od i m e n s i o n a lf a s tf o u r i e rt r a n s f o r m ) 、二维小波变换( 2 d w t ， t w od i m e n s i o n a lw a v e l e tt r a n s f o r m ) 等等。变换特征具有计算量小、分类性能好 的特点，在s a r a t r 中的应用越来越引起重视。 电磁散射特征从包括幅度数据和相位数据的复图像中提取得到，反映目标的 电磁散射特性。电磁散射特征的提取依赖于特定的电磁散射模型，较典型的如属 性散射中心模型1 2 1 。基于属性散射中心模型，可以提取得到属性散射中心特征，主 要包括散射中心的距离向坐标、方位向坐标、散射中心幅度、散射中心类型等等【4 】。 电磁散射特征包含了目标本质的信息，对目标具有很好的识别能力。 图2 为目标特征的详细分类，图中深色背景标记的特征为本文已经提取并进 行目标分类实验的特征，无色背景标记的特征是本文没有展开研究的特征。 1 3 目标分类特征的研究现状和发展趋势 由上一节的目标特征的分类可见，从s a r 图像中可以提取出各种各样的目标 特征。这些特征从不同的方面对目标进行了描述，它们包含了不同的目标信息， 特征提取的难易程度和识别目标的能力也不尽相同。鉴别阶段的任务是去除自然 杂波虚警和明显比目标大或小的人造杂波虚警。一般来说，在s a r 图像中，自然 第4 页 国防科学技术大学研究生院硕十学何论文 杂波虚警与目标在形状或是厌度分布等方面均有着明显的不同，所以只要用一些 易于提取，而且数据量相对较小的特征就可以达到鉴别的目的。而目标分类是一 个相对复杂和困难的问题，所以对使用的特征要求也更高。当然，鉴别特征和分 类特征没有明显的划分界限，鉴别特征可以用于分类中，分类特征也可以用于鉴 别中。下面将对目标特征在目标分类中的应用的研究现状和发展趋势进行简要概 述。 1 3 1 目标分类特征的研究现状 林肯实验室最早开展s a ra t r 研究，林肯实验室的研究者采用了1o 个特征 进行目标鉴别【2 8 】，这l o 个特征主要是一些几何结构特征和灰度统计特征，这些特 征在实际应用中取得了很好的鉴别效果。将这1 0 个特征用于目标分类同样也具有 极大的应用潜力【1 0 1 。 在现有的s a ra t r 系统中，m s t a r ( m o v i n ga n ds t a t i o n a r yt a r g e ta c q u i s i t i o n a n dr e c o g n i t i o n ) a t r 系统代表了最高的水平。m s t a r 系统中的索引模块主要利 用s a r 图像目标的峰值、凹陷、谷以及鞍点等特征实现r o i 切片的粗分类；分类 模块利用了目标阴影形状、图像幅度以及详细的散射图三种图像特征进行匹配 【2 】【2 5 1 2 6 1 。从m s t a r 的相关报道来看，这些特征在m s t a r 系统中具有较好的分类 性能。 继m s t a r 公布以后，目标特征提取的研究不断发展，特别是近年来变换特征 在s a r a t r 中的研究得到了广泛的重视。一些常用的变换，如p c a 、i c a 、2 d f f t 、 和2 d w t 等都被成功的用于s a r 目标特征提取中。p c a 特征是模式识别领域的 经典方法，将其用于s a ra t r 也取得了很好的效果【4 7 h 5 7 1 。i c a 是一种理论优势 明显的特征提取方法，将其应用于实际的s a r a t r 也正引起重视【4 8 】【5 7 1 。此外，基 于2 d f f t 和2 d w t 等变换在s a r 目标特征提取中的应用也都被积极的研究 【6 9 】_ f 7 1 1 。实验结果表明，变换特征具有计算速度快、分类性能好的优点，是s a r 目 标特征提取发展的一个重要方向。 电磁散射特征也是目标特征提取研究的一个重要方面，电磁散射特征更能反 映目标的本质信息，在目标分类中具有极大的应用潜力。m i c h a e lj g e r r y 等【7 4 】在提 出属性散射模型的同时，给出了一种图像域目标属性散射中心特征提取方法，但 是该方法在图像分割、模型阶次选择以及参数初始化等方面都需要人工参与，不 能满足自动目标识别的要求【2 1 。m i c h a e la k o e t s 7 5 】给出了一种改进的图像域目标属 性散射中心特征提取方法，但该方法在很多情况下存在收敛问题【2 】。进一步深入研 究电磁散射模型，是电磁散射特征研究的主要方向。 第5 页 国防科学技术大学研究生院硕十学位论文 1 3 2 目标分类特征研究的发展趋势 经过广大研究者的不懈努力，s a r 目标特征提取的研究取得了很多有用的成 果。但是总的来说，目前s a r 目标特征提取技术仍然很不成熟，离实用还有一段 距离。s a r 目标特征提取的首要受制因素是s a r 目标成像的随机性。s a p , 目标的 成像受方位角、目标的版本变体、雷达俯仰角、背景杂波、天气等众多因素的影 响，同一目标在不同的条件下的成像可能相差很大。要从这些相差甚大的图像中 提炼出具有强的类内稳定性的特征非常困难。这就使得s a r a t r 与其他识别领域 一样存在小样本( s s s ，s m a l ls a m p l es i z e ) 问题。所以即使是像m s t a r 那样采 集了大量的目标切片图像，但是相对于成像的随机性来说，这些切片仍然还只是 小样本集。小样本问题的存在使得在实验室中验证有效的算法并不一定能在实际 应用条件下取得预期的效果。 基于面临困难的相似性，目前s a r 目标特征提取技术研究的一个发展趋势是 与一般的机器视觉和模式识别领域相结合。可以通过借鉴一般图像的识别技术( 如 人脸识别技术、光学遥感图像处理技术) ，并结合s a r 图像本身的特点研究出具 有更好性能的s a r 目标特征提取方法。近年来s a r 图像目标变换特征提取技术的 发展，以及通过特征优化选择或是特征组合方法提高特征的分类性能的方法，正 是这一趋势的体现。 s a r 目标特征提取技术的另一个发展方向就是继续深入电磁散射模型和电磁 散射特征提取的研究。电磁散射特征直接与目标的散射特性相关，更能反应目标 的本质信息，所以在目标识别的应用中具有很大的潜力。 1 , 4 论文的内容组织 本文在s a ra t r 的应用背景下，研究高分辨率的s a r 图像目标特征提取方 法，并通过理论剖析和分类实验对目标特征的性能进行比较分析。文章的具体内 容安排如下。 第一章：绪论。首先阐述目标特征提取的意义，然后对当前s a r 图像的目标 特征提取方法进行梳理分类，并对目标特征的研究现状进行总结，最后根据当前 的研究热点分析了目标特征提取技术的发展趋势。 第二章：s a r 目标几何结构和灰度统计特征的提取与分析。图像分割是几何 结构和灰度统计特征提取的基础，本章首先研究基于双参数c f a r 和像素聚类的 分割方法以及基于m r f 模型的i c m 分割方法，并对这两种s a r 图像分割方法进 行比较。在分割的基础上，进一步研究了s a p , 目标几何结构和灰度统计特征的提 取方法，并对几何结构和灰度统计特征的特点进行了分析。 第三章：s a r 目标变换特征提取与分析。本章首先研究了s a r 图像变换特征 第6 页 国防科学技术大学研究生院硕十学位论文 一- 图3 论文的内容组织 第7 页 国防科学技术大学研究生院硕十学位论文 提取的预处理方法，这些预处理可以有效提高变换特征的性能。然后对基于 1 d p c a 、2 d p c a 以及两阶段2 d p c a 的特征提取方法进行深入研究，从理论上 对三者的优缺点进行了全面比较。基于p c a 的特征提取只应用了数据的二阶统计 特性，而基于i c a 的特征提取应用了数据的更高阶的统计特性，所以本章进一步 的研究基于i c a 特征提取技术，通过目标函数的构造和优化算法的选择使得i c a 能准确快速的进行估计。最后，本章还对p c a 和i c a 特征进行比较分析。 第四章：s a r 目标特征选择与目标分类实验。目标特征的合理组合可以提高 分类性能，但是由于目标特征之间存在相关冗余，所以若是选择不当，不但不能 提高分类性能，反而会降低分类性能。本章研究了基于遗传算法的目标特征选择 方法，该方法具有较好的全局最优化性能。最后，本章基于m s t a r 目标图像， 采用最近邻分类器，对前文所提取的特征进行目标分类实验，并将实验结果与理 论分析相结合，对目标特征的性能进行评估。 第五章：结束语。总结全文的工作和成果，并提出下一步需要开展的工作。 第8 页 国防科学技术大学研究生院硕十学何论文 第二章s a r 目标几何结构和灰度统计特征的提取与分析 几何结构特征与灰度统计特征这两种特征都有对应的物理意义，提取的方法 和步骤也很相似，所以本章将这两种特征一起进行研究。为了对几何结构和灰度 统计特征进行提取，一般首先需要对s a r 图像进行分割。本章研究了典型的双参 数c f a r 和基于马尔可夫随机场( m r f ，m a r k e rr a n d o mf i e l d ) 模型的i c m 算法 两种s a r 图像分割方法，然后在分割的基础上研究对目标几何结构特征和灰度统 计特征进行提取的方法。本章提取的特征包括目前s a r 目标识别中常用的特征以 及一般图像处理领域常用的特征。 2 1s a p 图像分割 s a r 图像分割，就是指根据图像的灰度、结构等信息，将目标区域、阴影区 域以及背景区域划分开来。图像分割是对图像进行描述和分析的基础【2 刀，也是进 行目标特征提取的必要步骤。恒虚警率( c f a r ，c o n s t a n tf a l s ea l a r mr a t e ) 技术 是s a r 图像分割的常用方法【2 s 】- 【3 1 】，它基于s a r 图像的灰度统计特性进行分割， 在目标与背景具有较强的对比度时可以达到较好的效果；假设背景杂波强度的统 计分布服从高斯分布，就可以得到经典的双参数c f a r 分割算法。基于m r f 模型 的分割方法【3 2 】【3 4 1 是一种能够有效利用像素结构信息的分割方法，该方法假设图像 中像素只与它邻域内的像素相关，而和邻域外的像素无关，从而给出了图像的先 验局部结构信息【3 5 1 ，得到较好的分割精度，而且该方法还能将目标阴影区域有效 分割出来；i c m ( i s o t r o p i c ，c o n t i n u o u sm o d e l ) 算法是基于m r f 模型的一种简单、 快速的分割算法。 2 i 1 基于c f a r 的s a r 图像分割 c f a r 判决基于单个像素点的强度，所以分割结果没有包含目标结构先验信 息。若是基于目标先验信息对c f a r 分割结果进行像素聚类，可以有效的提高 c f a r 分割的精度。 2 1 1 1 双参数c f a r 分割方法 若是对像素点x 的进行目标判决，并将目标用r 来标记，根据b a y e s i a n 公式有 以r i 力= p ( x l t ) p ( r ) p ( x )( 2 1 ) 其中p ( 丁lz ) 为后验概率，表示观测为x 时目标出现的概率；p ( x ir ) 为似然函数， 表示当出现目标时，观测为x 的概率；p ( r ) 为目标出现的先验概率；尸( z ) 为观测 值为x 的概率。若是对像素点x 的进行背景判决，并将背景用b 来标记，类似的有 第9 页 p ( bi 工) = p ( x ib ) p ( b ) 尸( x ) ( 2 2 ) 那么根据纽曼皮尔逊准则，当 器e ( x f ( 2 3 ) lb ) 、7 时判决工为目标【3 0 1 1 3 1 1 ，其中t 由给定的虚警概率决定。由式( 2 3 ) 可见，c f a r 分割 问题最终归结为求解目标和背景的概率分布的似然比。在实际的s a r 图像中，目 标像素点数远比背景杂波少，所以通过s a r 图像一般只能获得背景杂波分布的概 率密度函数，而无法获得目标分布的概率密度函数。此时，为了利用式( 2 3 ) 进行判 决，可认为当 p ( x i b ) t( 2 4 ) 时判决工为背景点【3 0 1 1 3 ，否则判决x 为目标点，其中f 由虚警概率最决定 巳= l p ( x l b ) 出 ( 2 5 ) 由上述可见，背景杂波分布概率密度函数的确定是一个关键问题。林肯实验 室的研究者假设背景杂波服从高斯分布，从而推导出双参数c f a r 分割方法【2 9 1 ， 该方法分割效果较好，得到了广泛的应用。双参数c f a r 的判决式为 垂薹f 亿6 ， 二，i n i o c 背亲 其中x 是待判决像素的灰度值，u ，和盯。是背景杂波的均值和方差，分割阈值t 的 表达式为 t = 叫( 1 一匕) (