（信息与通信工程专业论文）面向sar图像目标分类的关键技术研究.pdf

国防科学技术大学研究生院博+ 学位论文 摘要 本文以发展自动和半自动的s a p , 图像目标分类系统为目的，围绕成像侦察情 报支援作战应用，结合我国雷达成像卫星及航天器与地面应用系统建设及发展需 求，以s a r 图像目标解译应用为背景，在大量国内外高分辨率s a p , 实测数据的支 持下，深入研究了s a p , 图像去斑技术、s a p , 图像分割技术、面向目标分类的s a r 图像目标切片特征提取技术。论文主要研究内容包括： 第二章研究了s a r 图像的相干斑抑制问题。相干斑抑制是s a r 图像处理中最 基础同时也是最重要的问题之一，其核心问题在于如何在充分抑制相干斑的同时 保持图像的点、线、边缘等结构特征。论文首先提出了一种具有结构保持特性的 m r f 模型s p m i 讧，并给出了模型的参数估计方法，该模型可以根据图像的局 部特征自适应调整权重参数，既能描述匀质区域又能描述结构特征，为贝叶斯估 计提供了准确的先验信息，从而使基于s p m r f 的s a r 图像贝叶斯去斑取得了较 好的去斑效果；然后，借鉴自适应窗口滤波思想，提出了m r f 邻域的自适应调整 方法，弥补了简单m r f 模型无法保持结构特征的缺陷。通过对图像局部区域匀质 性的判断，自适应调整模型的邻域结构，在匀质区域使用较大邻域以充分抑制相 干斑，而在含结构特征区域使用较小邻域，并筛选出与中心像素最有可能源白具 有相同后向散射特性的邻域点参与计算，以保持结构特征。以此为基础的 a n m m r f 去斑在充分抑制相干斑的同时较好地保持了图像结构特征；最后，在 已有的基于h m t 和基于h m r f 模型的隐状态估计方法上，将两者结合，提出了 基于h m t h m r f 模型的s a r 图像小波系数隐状态估计法，该方法充分利用了小 波系数尺度间和尺度内的相关性，提高了隐状态估计的准确性，为利用贝叶斯估 计削弱噪声主导的小波系数并保持信号主导的小波系数奠定了基础。以此为核心 的s a r 图像小波去斑同样取得了较好的去斑效果。 第三章研究了s a r 图像区域分割技术。为了从大幅未知的s a r 场景图像有效 提取目标r o i 切片并分离切片中的目标区域，论文给出了三种分割算法，包括基 于最大类间方差准则的s a r 图像分割算法、基于分形特征组的s a p , 图像分割算法 和基于多分辨率分析的s a r 图像分割算法。首先，在现有的二维最大类间方差法 分割算法的基础上，分析了叠加乘性噪声的二维直方图特点，提出新的适用于乘 性噪声的直方图区域划分方法。同时，提出新的阈值选取准则。基于改进的二维 直方图划分方法和新的阈值选取准则，论文提出了基于最大类间方差准则的s a r 图像分割算法；其次，针对s a p , 图像纹理的特征，利用分形理论来计算待分割像 素局部图像数据的分形维数和间隙度特征，以衡量该局部图像数据的起伏特性。 第i 页 围防科学技术大学研究生院博十学位论文 论文基于这两类特征构建分形特征矢量，并结合二项式距离判决函数，实现s a r 图像分割处理；最后，为了消除相干斑噪声对高分辨率s a p , 图像分割的影响，论 文给出了基于多分辨率分析的s a r 图像分割算法。该算法在对待分割图像数据进 行多尺度分层处理的基础上，对多尺度数据建立m a r 模型，并计算多分辨率对数 似然比统计量，来实现对s a r 图像的分割。 第四章研究了面向目标分类的s a r 图像目标特征提取技术。立足于构建自动 和半自动的s a r 图像目标分类系统，深入研究了面向s a p , 图像目标分类的目标切 片特征提取问题。首先，在广泛文献调研的基础上，综述了s a p , 图像目标方位角 估计技术；在此基础上，提出一种主导边界与最小外接矩形联合的s a r 目标方位 角估计方法。该方法充分考虑了基于主导边界和最小外接矩形方法的优缺点，取 长补短，大大提高了目标方位角估计的精度；然后，致力于构建半自动的s a r 图 像目标分类系统，研究了面向人机交互的图像目标几何特征提取与分析问题，提 取了几种直观的、有效的、便于判读员理解的目标几何特征；最后，以自动目标 分类系统的实时性指标为主要考虑依据，提出了一种快速的s a r 目标识别方法。 该方法采用基于h e b b 学习规则的主分量分析( p c a ) 进行特征提取，使用多层感 知器神经网络( m l pn n ) 进行目标分类。实现了自动快速的目标分类。 主题词：合成孔径雷达，相干斑抑制，马尔可夫随机场，贝叶斯估计，方位 角估计，区域分割，目标分类 国防科学技术人学研究乍院博士学位论文 a bs t r a c t a i m i n ga td e v e l o p i n ga u t o m a t i ca n ds e m i - a u t o m a t i cs y s t e m so fs a ri m a g e c l a s s i f i c a t i o n ，c o n s i d e r i n gi m a g i n gr e c o n n a i s s a n c ea p p l i c a t i o n sa n dt h ed e m a n do f b u i l d i n ga n dd e v e l o p i n gr a d a ri m a g i n gs a t e l l i t e s ，s p a c e c r a f ta n dg r o u n da p p l i c a t i o n s y s t e m s ，w i t ht h eb a c k g r o u n do fs a ri m a g et a r g e ti n t e r p r e t a t i o na p p l i c a t i o n sa n dt h e s u p p o r to fa b u n d a n th i g h - r e s o l u t i o ns a rd a t a , t h i st h e s i sc o m p r e h e n s i v e l ys t u d i e st h e t e c h n i q u e so fs a ri m a g ed e s p e c k l i n g ，s a ri m a g es e g m e n t a t i o n ，f e a t u r ee x t r a c t i o n f r o ms a rc h i p sf o rt a r g e tc l a s s i f i c a t i o n n l er e s e a r c hw o r k so ft h i st h e s i s a r ea s f o l l o w s ： s a r i m a g ed e s p e c k l i n gi sd e v e l o p e di nc h a p t e r2 d e s p e c k l i n gi sab a s i ca n d i m p o r t a n ts u b j e c to fs a ri m a g ep r o c e s s i n g ，w h i c hf o c u s e so ns u p p r e s s i n gt h es p e c k l e w h i l ep r e s e r v i n gt h es t r u c t u r a lf e a t u r e ss u c ha s p o i n t , l i n ea n de d g e f i r s t ，a s t r u c t u r e p r e s e r v i n gm r fm o d e l ，t h es p m r fm o d e l ，i sp r o p o s e da n dt h ep a r a m e t e r e s t i m a t i o nm e t h o di sg i v e n 。t h i sm o d e lc a na d a p t i v e l ya d j u s tt h ew e i g h t sa c c o r d i n gt o t h el o c a lf e a t u r e si ni m a g e i tc a l lb eu s e dt od e s c r i b eb o t hh o m o g e n e o u sr e g i o n sa n d s t r u c t u r a lf e a t u r e s i tp r o v i d e sa c c u r a t ep r i o rk n o w l e d g ea n dl e a d st og o o dd e s p e c k l i n g p e r f o r m a n c e t h e n ，b a s e do nt h ei d e ao fa d a p t i v ew i n d o w ，am e t h o do fa d a p t i v e l y a d j u s t i n gt h em i 强n e i g h b o r h o o di sp r e s e n t e d ，w h i c hs o l v e st h ep r o b l e mt h a ts i m p l e m r fm o d e lc a n tp r e s e r v et h es t r u c t u r a lf e a t u r e t h en e i g h b o r h o o di s a d ju s t e dv i a d e t e r m i n i n gt h eh o m o g e n e i t yo fl o c a lr e g i o n l a r g e rn e i g h b o r h o o di sa d o p t e di n h o m o g e n e o u sr e g i o n st os u p p r e s ss p e c k l e s m a l l e rn e i g h b o r h o o di sa d o p t e di nr e g i o n s w i t hs t r u c t u r a lf e a t u r e st op r e s e r v et h es t r u c t u r a lf e a t u r eb ys e l e c t i n gt h ep i x e l sw h i c h a r em o s tl i k e l yt oh a v et h es a m eb a c k s c a t t e r i n gp r o p e r t i e sa st h ec e n t e rp i x e l i nt h i s w a y ，t h ea n - m m r fd e s p e c k l i n gm e t h o dp r e s e r v e st h es t r u c t u r a lf e a t u r ew h i l e s u p p r e s s i n gs p e c k l e f i n a l l y ，c o m b i n i n gt h eh m t - b a s e da n dh m r f - b a s e dh i d d e ns t a t e e s t i m a t i o nm e t h o d s ，ah m t h m r f m o d e l b a s e dm e t h o df o rs a ri m a g ew a v e l e t c o e f f i c i e n t si sp r o p o s e d ，w h i c hu t i l i z e st h ec o r r e l a t i o nw i t h i na n db e t w e e ns c a l e so f w a v e l e tc o e f f i c i e n t sa n di m p r o v e st h ea c c u r a c yo fe s t i m a t i o n t h ec o r r e s p o n d i n g w a v e l e td e s p e c k l i n gm e t h o da c h i e v e sg o o dp e r f o r m a n c e s a r i m a g es e g m e n t a t i o ni sd i s c u s s e di nc h a p t e r3 i no r d e rt oe x t r a c tt a r g e tr o i c h i p s f r o m l a r g e - s c e n es a ri m a g e s a n ds e p a r a t i n gt h e t a r g e tr e g i o n s ，t h r e e s e g m e n t a t i o n m e t h o d sa r e s t u d i e d ， n a m e l y ，s e g m e n t a t i o n b a s e do n m a x i m u m b e t w e e n c l a s s - v a r i a n c e ，s e g m e n t a t i o n b a s e do nf r a c t a lf e a t u r e sa n d s e g m e n t a t i o nb a s e d o nm u l t i r e s o l u t i o n a n a l y s i s f i r s t ，b a s e d o nt h e e x i s t i n g m a x i m u m b e t w e e n - c l a s s v a r i a n c es e g m e n t a t i o n ，2 dh i s t o g r a mi sa n a l y z e do ni m a g e w i t h m u l t i p l i c a t i v e n o i s ea n dan e wm e t h o do fs e g m e n t i n g h i s t o g r a mw i t h 第i i i 页 国防科学技术大学研究生院博士学何论文 m u l t i p l i c a t i v en o i s ei sp r o p o s e d t h er u l ef o rd e t e r m i n i n gt h r e s h o l di sa l s op r o v i d e d b a s e do nt h ei m p r o v e d2 dh i s t o g r a ms e g m e n t a t i o na n dn e wt h r e s h o l d i n gm e t h o d ，s a r i m a g es e g m e n t a t i o nb a s e do nm a x i m u m - b e t w e e n c l a s s - v a r i a n c ei sp r e s e n t e d s e c o n d c o n s i d e r i n gt h et e x t u r a lf e a t u r eo fs a ri m a g e ，f r a c t a lt h e o r yi s u s e dt oc o m p u t et h e f r a c t a ld i m e n s i o na n ds p a c i n gf e a t u r et om e a s u r et h ef l u c t u a t i n gp r o p e r t i e so fl o c a ld a t a b a s e do nt h et w of e a t u r e sa n dq u a d r a t i cd i s t a n c ef u n c t i o n ，s a ri m a g es e g m e n t a t i o ni s i m p l e m e n t e d f i n a l l y ，i no r d e rt or e m o v et h ei n f l u e n c eo fs p e c k l eo nh i 幽- r e s o l u t i o n s a ri m a g es e g m e n t a t i o n s e g m e n t a t i o nm e t h o db a s e do nm u l t i - r e s o l u t i o na n a l y s i si s p r o p o s e d i nt h i sm e t h o d ，m u l t i r e s o l u t i o np r o c e s s i n gi si m p l e m e n t e do ni m a g e s ，a n d t h e nm a rm o d e la r eb u i l to nm u l t i s c a l ed a t a m u l t i r e s o l u t i o nl o g - l i k e l i h o o dr a t i oi s c o m p u t e dt oa c h i e v i n gs a ri m a g es e g m e n t a t i o n t a r g e tf e a t u r ee x t r a c t i o nf o rc l a s s i f i c a t i o ni sp r e s e n t e di nc h a p t e r4 e s t a b l i s h e di n c o n s t r u c t i n ga na u t o m a t i ca n ds e m i a u t o m a t i cs a ri m a g et a r g e tc l a s s i f i c a t i o ns y s t e m ， t h et a r g e tc h i pe x t r a c t i o nf o rs a rt a r g e tc l a s s i f i c a t i o ni sd e e p l ys t u d i e d f i r s t ，t h e t e c h n i q u e st oe s t i m a t es a rt a r g e to r i e n t a t i o na n g l ea r er e v i e w e d ，a n dam e t h o djo i n t i n g d o m i n a n tb o u n d a r i e sa n dm i n i m u mo u t e rr e c t a n g l e si sp r o p o s e dt oe s t i m a t et h es a r t a r g e to r i e n t a t i o na n g l e t h em e t h o d c o n s i d e r i n gt h ea d v a n t a g e sa n dd i s a d v a n t a g e so f t h a to n l yu s e sd o m i n a n tb o u n d a r i e so ro u t e rr e c t a n g l e s ，c a ns i g n i f i c a n t l yi m p r o v et h e e s t i m a t i o na c c u r a c yo ft a r g e to r i e n t a t i o na n g l e t h e n ，e s t a b l i s h e di nc o n s t r u c t i n ga s e m i a u t o m a t i cs a rt a r g e tc l a s s i f i c a t i o ns y s t e m ，t h ee x t r a c t i o no fi m a g eg e o m e t r i c f e a t u r e si ss t u d i e d ，a n ds e v e r a li n t u i t i v ea n de f f e c t i v et a r g e tg e o m e t r i cf e a t u r e sa r e e x t r a c t e d f i n a l l y ，af a s ts a rt a r g e tr e c o g n i t i o nm e t h o di sp r o p o s e d t h em e t h o du s e s p r i n c i p l ec o m p o n e n ta n a l y s i s ( p c a ) b a s e do nl e a m i n gr u l e st oe x t r a c tt a r g e tf e a t u r e s ， a n dm u l t i p l el e v e l sp e r c e p t i o nn e u r a ln e t w o r k ( m l p n n ) t oc l a s s i f yt h et a r g e t 刀冶 a u t o m a t i ca n df a s tt a r g e tc l a s s i f i c a t i o ni st h u sf i n i s h e d k e yw o r d s ：s a r ，s p e c k l es u p p r e s s i o n ，m a r k o vr a n d o mf i e l d ( m r f ) ， b a y e s i a ne s t i m a t i o n ， a z i m u t h e s t i m a t i o n ，r e g i o n s e g m e n t a t i o n ，t a r g e t c l a s s i f i c a t i o n 第i v 页 围防科学技术大学研究生院博士学位论文 表2 1 表2 2 表3 1 表3 2 表4 1 表4 2 表4 3 表4 4 表4 5 表4 6 表4 7 表4 8 表4 9 表4 1 0 表4 11 表目录 四种方法量化性能比较3 2 经相干斑抑制后匀质区域a 的e n l 3 5 四种s a r 图像分割算法的性能评估指标6 0 三种算法对t 7 2 目标分割的性能比较6 0 三种方位角估计算法的估计结果在不同误差范围内的切片数目7 6 目标特征参数分析结果7 9 训练集8 5 测试集1 一用于生成混淆矩阵的样本8 5 测试集2 一用于生成r o c 曲线的样本8 6 m l p 混淆矩阵( 高只，低匕) 8 7 错误率( ) 和干扰目标拒绝率( ) ( 高弓，低匕) 8 7 m l p 混淆矩阵( 只= 0 9 ) 8 7 错误率( ) 和干扰目标拒绝率( ) ( 乞= 0 9 ) 8 8 m l p 混淆矩阵一不拒绝任何目标( 虚警率为1 0 0 ) 8 8 测试每幅图像时，两种方法所需要的内存和运行时间比较8 9 第1 i i 页 国防科学技术大学研究生院博十学位论文 图1 1 图1 2 图1 3 图1 4 图2 1 图2 2 图2 3 图2 4 图2 5 图2 6 图2 7 图 图 图 图 o 1 图2 1 2 图2 1 3 图2 1 4 图2 1 5 图2 1 6 图3 1 图3 2 图3 3 图3 4 图3 5 图3 6 图3 7 图3 8 图3 9 图3 1 0 图3 1 1 图3 1 2 图目录 s a i p 系统示意图3 s a i p 系统目标分类过程示意图3 m s t a rs a ra t r 系统结构示意图4 s a r 图像目标分类的基本框架7 g m r f 中的一阶邻域对称点对示意图1 7 处于两个区域交界上的二阶邻域1 8 真实s a r 图像局部切片图1 9 不同温度下的负指数函数曲线2 0 s p m r f 模型去斑算法的参数估计及流程图2 0 对机场s a r 图像的a n m m r f 去斑处理结果2 3 基于a n m m r f 的贝叶斯去斑算法的流程图2 4 高斯混合模型的拟合示意图2 6 h m t 、h m r f 及h m t h m r f 模型结构示意图2 7 i c m 算法流程2 9 h m t h m r f 去斑流程图3 0 四种去斑算法对仿真s a r 图像的处理效果3 1 四种去斑算法对r a d a r s a t 图像的处理结果及比较3 3 对模拟图的实验结果图示3 4 不同模型的隐状态估计准确率( p 。) 统计曲线3 4 对真实s a r 图像的滤波结果比对3 5 原始的二维最大类间方差法3 9 无噪声时的二维灰度直方图及其划分条带示意图4 0 加性噪声背景条件下改进的二维灰度直方图分割阈值的计算方法示意图4 1 叠加乘性噪声后的二维灰度直方图及其条带划分示意图4 2 乘性噪声背景下二维直方图的水平划分示意图4 2 基于最大类间方差准则的s a r 图像分割算法流程4 3 四分叉结构的多分辨率图像序列( 3 个分辨率) 一j 4 9 三种分割算法对仿真图像数据的处理结果5 4 x 波段高分辨率s a r 图像的分割结果5 4 m s t a r 数据中t 7 2 型坦克的切片图及其分割结果5 5 基于分形特征组的二项式分割算法对x 波段坦克目标切片的分割结果5 6 基于间隙度特征提取的坦克目标边缘5 6 第1 v 页 国防科学技术大学研究生院博士学位论文 图3 1 3 图3 1 4 图3 1 5 图4 1 图4 2 图4 3 图4 4 图4 5 图4 6 图4 7 图4 8 图4 9 图4 1 0 图4 1l 图4 1 2 图4 1 3 图4 1 4 图4 1 5 图4 1 6 图4 1 7 图4 1 8 图4 1 9 基于多分辨率分析的高分辨率s a r 图像分割算法流程图5 7 基于多分辨率分析的s a r 图像分割算法对多坦克目标图像的处理结果5 8 四种分割算法对多坦克目标图像的处理结果5 9 车辆目标模型及其成像几何6 4 目标方位角估计算法的一般研究思路6 6 主轴获取示意图：。6 7 一个目标切片的峰值提取6 7 线性回归法和最小转动惯量矩估计方法产生的误差6 9 目标最小外接矩形获取的例子6 9 外接矩形获取产生误差的例子7 1 某一目标的长主导边界获取7 1 r a d o n 变换提取长主导边界7 2 主导边界与最小外接矩形联合的s a r 目标方位角估计算法流程7 4 利用三种算法进行方位角估计的误差直方图7 5 目标提取结果一7 9 设计方案，其中( a ) 训练阶段，( b ) 测试阶段8 0 斜距和地距的表示8 1 以一幅b m p 2 图像为例的预处理过程8 1 一个仅有单层计算结点的自组织前馈网络8 3 一个四层m l p 神经网络8 4 使用带6 个干扰目标的测试集得到的m l pn n 分类器的r o c 曲线一8 6 两种方法得到的目标分类r o c 曲线8 9 第v 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 学位论文作者 学位论文版权使用授权书 本人完全了解国防科学技术大学有关保留、使月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) 学位论文题目 学位论文作者 作者指导教师 国防科学技术大学研究生院博+ 学位论文 第一章绪论 1 1 课题研究背景及意义 遥感技术经过四十多年的发展，已经在遥感平台、传感器和遥感技术的基础 研究和应用领域取得了丰硕的成果。在军事侦察应用领域，利用遥感手段获取战 场图像信息己成为各国获取敌方情报的主要途径。军事成像侦察已经进入实用化、 装备化阶段，成为获取军事情报、精确制导、打击效果评估、战场环境监测和战 场态势估计的重要手段。在伊拉克战争中，美军通过照相、监听、遥感测量等侦 察手段获得了9 0 的战场情报。其中，现代高性能的合成孔径雷达( s a r ) 因其具有 全天候、全天时的侦察能力已成为现今战场监视和情报获取最有效的传感器之一 川1 1 2 j 。在北约轰炸前南联盟、阿富汗反恐战争以及美国对伊拉克的军事行动中， 合成孔径雷达均发挥了不可替代的作用。 自1 9 7 8 年美国成功发射了s e a s a t - a 卫星以来，s a r 一直是国际雷达领域、遥 感领域等众多学科的热点研究课题之一。最具代表性的s a r 成像侦察卫星是美国 的“长曲棍球”，能提供分辨率为1 历的s a r 图像，主要用于监视舰船、装甲车辆、 机动洲际导弹，还可揭露伪装和假目标，能透视干沙、浅海等数米以下的目标【9 】。 已经发射的加拿大商用s a r 成像卫星r a d a r s a t 一2 还具有动目标检测功能。目前发 达国家的s a r 系统的空间分辨率已达到1 3 米( 星载) 或0 1 1 米( 机载) ， 能获取地物的多极化、高程、速度信息，并具有大面积观测和自动目标检测的能 力。 传感器技术和信息处理技术的快速发展为满足广泛的军事需求提供了可能。 近年来我国航空、航天信息获取手段不断朝着更加准确、实时、全天候和综合化 方向发展，s a r 传感器技术经过二十多年发展，也取得了显著的成绩。目前，0 5 3 米分辨率p 波段、l 波段、x 波段及k u 波段机载s a r 已研制成功，l 波段星载s a r 已开始业务运行，双波段( p 、k u 波段) 无人机载s a r 已进入演示验证阶段，轻型 s 波段星载s a r 已立项，我国计划于2 0 2 0 年前发射一系列包括“二代s a r ”在内 的星载s a r 系统。 信息收集平台的投入运行将生成大量的图像数据。然而，要真正将星载s a r 系统强大的数据收集能力转化为战斗力，还必须对s a r 获取的图像数据进行解译 或判读，将其转化为有意义的战场情报。随着星载和机载s a r 图像获取能力的不 断增强以及星载和机载s a r 系统分辨率的不断提高，如何对这些图像进行自动或 半自动快速、准确的解译，以获取实时、可靠的情报与知识，已成为摆在人们面 第1 页 国防科学技术大学研究生院博士学位论文 前刻不容缓的紧迫任务，因此，智能、准确、快速的图像解译对提高我军s a r 系 统的战场感知能力具有十分重要的战略意义和现实意义。 地面上的战术车辆目标( 如坦克、装甲车、步兵战车、军用卡车等) 是军事 侦察的一类主要目标。致力于从复杂的地物场景中有效获取并识别这些目标的s a r 自动目标识别( a t r ) 技术，其研究是当前s a r 应用的一个主要方面，也是s a r 图 像自动解译技术研究的一个重要分支。从第二次海湾战争以及阿富汗战争来看， 对战场中车辆目标的监视为美军获取了大量准确、实时、可靠的军事情报，为打 赢这些战争起了不可替代的作用。本文研究所针对的目标即地面上的战术车辆目 标。 1 1 1s a r 图像目标分类的概念与现状 目标分类是自动或半自动s a r 图像解译研究的一个重要方面。s a r 图像目标分 类过程可概述为：从观测得到的s a r 图像中，找到感兴趣的区域( r o i 。 r e g i o n o f i n t e r e s t ) ，并计算出每个r o i 的种类【9 j 1 2 】- 【1 4 j ( 例如：t 7 2 或b t r 7 0 ) 。 目标分类按识别要求的层次，一般可分为【1 3 j ： 敌我性质识另i ( i f f ，i d e n t i f i c a t i o nf r i e n do rf o e ) ，区分敌、我类； 目标种类识，j i j ( c l a s s i f i c a t i o n ) ，区分主战坦克类、自推进火炮类、卡车类等： 目标类型识另1 ( i d e n t i f i c a t i o n ) ，区分t 7 2 类、m 1 类、m 1 0 9 类等； 目标型号识另1 ( r e c o g n i t i o n ) ，区分t 7 2 a 类、t 7 2 b 类、t 7 2 c 类等。 由此可见，目标分类的概念包含不同层次的目标识别，而目标识别的层次主 要是由图像的分辨率决定的。针对具体的不同分辨率的实测数据，本文把不同层 次上的目标识别统称为目标分类。 为了适应遥感图像数据的急剧增加、加快情报生产速度，世界各国都非常重 视s a r 图像自动或半自动解译与目标分类技术的研究，各种智能处理研究计划与 系统也相继问世。以美国为例，在国家、联合兵种和各军兵种的1 2 6 个情报处理 与分发系统研究计划中，以自动或半自动图像情报信息处理为主的就占了5 6 个。 美国在s a r 图像目标分类方面的研究工作最早始于7 0 、8 0 年代。为了对s a r 图像进行自动或半自动快速准确地解译，美国国防部高级研究计划局( d a r p a ) 先 后资助了一系列有关s a r 图像解译的研究项目，具体包括【1 5 】【2 0 】： s a i p ( s e m i a u t o m a t e di m i n t ( i m a g ei n t e l l i g e n c e ) p r o c e s s i n gs y s t e m ) 、人机 交互( h u m a nc o m p u t e ri n t e r a c t i o n ) 、m o s t a r 、图像理解( i m a g eu n d e r s t a n d i n g ， i u ) 、合作的解译( c o l l a b o r a t i v ee x p l o i t a t i o n ) 、m s t a r ( m o v i n ga n ds t a t i o n a r y t a r g e ta c q u i s i t i o na n dr e c o g n i t i o n ) 以及i n i m e x ( i n t e r a c t i v ei m a g e r y 第2 页 国防科学技术人学f 究生院博士学位论文 e x p l o i t a t l o h ) 等。其巾l 、l m e x 项目是对s i p 、人机交互、m o s t a r 、图像理解、 合作的解译咀及m s l a r 等项目研究成果的一个综合集成。 s a i p 是1 9 9 9 年美国公布的一个半自动图像情报处理( s e m la u t o m a t e di m i 、t p r o c e s s i n g ) 系统，它由数据链、成像系统、图像分析工作站和通信与信息控制 等四辆工作牟组成( 其结构如图11 所示) 。 ；矗、= - e x p ( - a x , j 瓦) 式( 2 1 0 ) q bn 为邻域点个数。 对加权系数g 进行估计后，可以利用式( 2 8 ) 实现对s a r 图像的贝叶斯去斑处 理，图2 5 给出了基于s p m r f 模型的s a r 图像贝叶斯去斑算法的完整流程。 2 2 2基于自适应邻域m m r f 模型的s a r 图像贝叶斯去斑算法 在g m r f 模型和s p m r f 模型中，中心像素与其邻域点的空间相关性全部蕴 含在相对应的权值参数中，要准确描述像素的空间相关性，邻域不能选得太小， 这样加权参数的个数会随着邻域增大而急剧增加，同时又需要更多训练数据，计 算量也较大。w a l e s s a 通过在中心像素周围开一个矩形窗( 文中为2 1 2 1 ) 来选取 训练数据，但该窗口内各像素未必处于同一区域，因而各像素与其邻域的空间相 关性并非完全一致。特别是当窗口内含有点、线、边缘等结构特征时，差异就更 大，这时训练得到的参数就难以准确反映中心像素与其邻域的空间相关性。可见 g m r f 和s p m r f 对于参数是十分敏感的。 与g m r f 和s p m r f 拥有多个权重参数不同，m m r f 模型的权重参数则被限 制为1 ，因而整个模型只有一个称之为平滑系数的参数，用以控制邻域均值在 m a p 估计中的比重。对中心像素与其邻域的空间相关性没有影响，通常取经验 值即可，无需估计。这使得m m r f 模型对参数估计的依赖性很低。利用m m r f 进行贝叶斯去斑处理可以很大程度上降低算法的复杂度，提高算法的效率。文献 3 9 】 给出了m m r f 中能量函数定义为： u ( oi 仉) = ( _ 一_ ) 2 ( 2 1 1 ) e 佛 式( 2 1 1 ) 中为平滑参数。将式( 2 3 ) 、式( 2 4 ) 和式( 2 1 1 ) 代入式( 2 2 ) ，可求得叠，为下 述方程的正实根： ， 、 2 f l n x 2 ix 一面1 x ji + ( x - - y ，) = 0 ( 2 1 2 ) _ 6 佛 式( 2 1 2 ) 中为邻域点的个数。这与式( 2 6 ) 十分相似，可见m m r f 可以看成是 g m r f 所有点对参数都相同的一个特例，而且m m r f 在计算邻域均值时是各向同 性的。因此，m m r f 模型是通过邻域均值对m a p 估计施加影响，它将使m a p 估 计由观测值偏向邻域均值。如果邻域内的像素均与中心像素处于同一区域，则邻 第2 l 页 国防科学技术大学研究牛院博十学位论文 域均值将使m a p 估计趋向真值；反之，如果邻域内含有点、线、边缘等结构特征， 则邻域均值将使m a p 估计背离真值，原有结构特征非但不能得到保持，还会变模 糊。这种缺点也是显而易见的，各向同性的权重参数使得它的结构保持能力比 g m r f 还差。 为了克服m m r f 模型上述问题，本节在对m m r f 模型进行改进的基础上， 提出了自适应邻域m m r f ( a d a p t i v en e i g h b o r i n gm m r f ，a n m m r f ) 的贝叶斯去 斑算法。该算法在去斑前先判断像素是处于匀质区域，还是处于含结构特征的区 域，并依据像素的