基于灰色关联分析的多传感器协同探测效果评估(图文)

1、基于灰色关联分析的多传感器协同探测效果评估(图文)论文导读：1引言随着遥感技术的开展，获取的遥感数据越来越丰富，空间遥感信息技术逐步实现了从单一传感器的数据获取、分析和应用向多平台、多传感器、多波段、多时相、多分辨率数据的综合分析与应用的过渡。这也为我国遥感成像侦察提供了新的思路：从单一传感器监视及侦察，向多元协同探测方向开展。目前对多传感器协同探测效果评估的研究仍处于初级阶段，有待深入研究并形成有效、实用的评估体系。图1多传感器协同探测性能评估指标体系4基于灰色关联度的协同探测效果评估模型协同探测系统中传感器的结构、参数信息，而有关目标、环境的内外关系信息是局部，局部未知，充满着灰色性。关键

2、词：灰色关联度，多传感器，协同探测，效果评估1引言随着遥感技术的开展，获取的遥感数据越来越丰富，空间遥感信息技术逐步实现了从单一传感器的数据获取、分析和应用向多平台、多传感器、多波段、多时相、多分辨率数据的综合分析与应用的过渡。这也为我国遥感成像侦察提供了新的思路：从单一传感器监视及侦察，向多元协同探测方向开展。如何对多传感器协同探测性能进行客观、系统、全面地评价，成为该研究领域中亟待解决的问题。对空间多传感器协同探测性能进行评估，可以表达协同探测的优越性，为系统设计及系统优化配置效劳。同时，有效的评估技术有助于节约研发费用，缩短开发周期，充分利用现有资源合理配置现有装备。目前对多传感器协同探

3、测效果评估的研究仍处于初级阶段，有待深入研究并形成有效、实用的评估体系。本文以建立全面、有效的空间多传感器协同探测性能客观评估体系为研究目标，将灰色关联分析方法引入到协同探测效果评估中，重点从检测获取的目标图像着手分析协同探测性能优劣。本文第一局部确定多传感器协同探测效果评估的整体思路。第二局部建立多传感器协同探测效果评估指标体系。第三局部采用灰色关联分析方法建立多传感器协同探测效果评估模型。第四局部进行仿真实验。第五局部是对本文的一个总结。2协同探测性能评估的整体思路由于空间多传感器协同探测系统涵盖SAR、可见光等多类传感器，它们获取遥感图像的机理不同，探测目标特征存在很大差异，系统要完成的

4、任务也不相同，系统从传感器的规划到协同检测出目标是非常复杂的工作过程，涉及的内容庞杂，要想对这样的系统性能做出准确、全面的描述非常困难。协同探测系统所涉及的内容同时具备随机性、模糊性和灰色性。根据系统的灰色性特点，将整个系统的工作过程看作是一个灰盒;传感器参数信息，探测外部环境未知，从灰盒;外部的输入、输出以及的协同信息进行分析，抓住主要矛盾进行研究。整体思路是：研究系统构成以及可利用信息，结合协同探测的任务目标，建立合理有效的评估指标体系，利用客观、有效的评估模型得出定量的评估结果。论文大全。3协同探测性能评估指标体系本文主要以不同波段SAR传感器构造的协同探测系统探测卡车目标为例。系统的输

5、入是场景，输出是检测出的目标图像。可用于探测性能评估的相关数据是检测出的目标图像、各传感器获取的场景影像、传感器融合图像及传感器设计参数等先验信息。空间多传感器协同探测系统主要是提高我国对地监视与侦察能力，最终为提升目标识别和战场态势感知能力提供保障。根据现代军事战争中精确探测、快速核查、揭露伪装欺骗的需求，以及目标识别过程中提取特征信息的要求，确定协同探测性能评估的准那么为探测准确性、探测精确性、探测快速性和目标图像质量。多传感器协同探测性能评估指标体系如图1所示【1】，可分为三个层次：第一层次为目标层最高层、决策层即探测性能评估决策系统；第二层次为准那么层；第三层次为每一准那么下对应的具体

6、评估指标。图1 多传感器协同探测性能评估指标体系4基于灰色关联度的协同探测效果评估模型协同探测系统中传感器的结构、参数信息，而有关目标、环境的内外关系信息是局部，局部未知，充满着灰色性。另一方面，在对探测系统的效果评估指标体系中指标因素取值是在一定范围之间的灰色数。因此对于探测性能的评估可以采用灰色系统理论的方法。灰色关联分析Grey Relational Analysis是灰色系统理论中的一套分析体系，结合系统论、信息论、控制论和运筹学的方法将其延伸到抽象系统，运用数学方法分析信息不完备系统。根据因素之间开展态势的相似或相异程度来衡量因素间接近的程度，可以从众多因素中提炼影响系统主行为的主要

7、因素、主要特征和各因素对系统主行为影响的差异，是一种分析因素与因素之间、因素与系统之间关联度的方法。灰色关联分析的根本思路【3】是：由样本数据确定一个最优参考序列，通过计算各种样本序列与该参考序列的关联度，对评价目标做出综合分析。在灰色关联分析中，把描述各因素对系统主行为影响程度的量度;称为关联度。本文采用二级灰色关联分析方法建立协同探测性能综合评估模型。4.1 确定指标集根据目标探测准那么确定指标集为：检测率，虚警率，漏警率，定位精度，探测速度，邻域特征一致度，加权灰度方差，空间频率标准偏差，信息熵，平均强度差异，平均最大边缘比照度，巴氏距离，目标面积差异度，目标重心偏移度，主轴方向偏离度，

8、长宽比差异度，目标尺寸差异度，用表示。4.2 因素集分类由于需要考虑的因素很多，采用一级模型会出现两个问题：一是每个因素的权重分配难于确定；二是归一化导致的权重集中元素过小，出现得不出有价值结果的现象。因此，采用二级灰色关联方法建立评估模型。进行二级灰色关联方法建立评估模型时需要对指标集进行合理分类。根据对卡车目标探测性能评估指标体系将指标分为六类：检测率，虚警率，漏警率；定位精度；探测速度；邻域特征一致度，加权灰度方差，空间频率标准偏差，二阶局域熵，信息熵；平均强度差异，平均最大边缘比照度，巴氏距离；目标面积差异度，目标重心偏移度，主轴方向偏离度，长宽比差异度，目标尺寸差异度。指标集分成六个

9、子指标集：、。总因素集为：4.3 构建指标矩阵根据需要比照的系统确定评估对象，用表示，n为系统个数，如本文主要研究协同探测系统与非协同探测系统及独立传感器系统探测性能的优劣，确定评估对象集为L波段SAR，X波段SAR，协同探测系统，此时。那么个待评估对象在个评估指标下的属性值构成的属性矩阵为4.4 确定各指标的权重采用层次分析法AHP确定各个子指标集的权重集。设的权重集分别为，且。4.5 构造优向量和次向量【2】【4】【5】分别定义优向量G和次向量B作为关联分析的母向量，定义如下： (1) 其中符号;表示取大运算，符号;表示取最小运算。4.6 关联度计算【2】【4】【5】计算归一化矩阵X的第j

10、个探测系统指标向量 与优向量G和次向量B的关联系数为： (2) 第j个探测系统指标向量与优向量G和次向量B的加权关联度分别为(3)4.7 建立评估模型【2】【4】【5】假设第个探测系统指标向量以附属于优向量G，那么即以附属于次向量B。根据最小二乘法，得出评估函数为： (4) 为了求解系统的最优解向量，即以附属于优向量G关联程度最大，令得： (5)得到最优解向量即为关联序。根据的大小对n个探测系统的探测性能进行排序，得到探测性能优势比拟结果。5试验与分析本文以精确探测卡车目标为例，采用二级灰色关联分析方法建立评估模型，比拟单传感器探测系统及多传感器协同探测系统的综合探测性能，并验证该评估模型的可

11、行性。探测结果如图2和图3所示。图2 (a)、(b)分别为L、X波段SAR对某场景的成像结果，圆圈内为目标。从图中可以看出不同波段的SAR图像在探测不同类型目标上各有特长，由于X波段SAR的工作频率较高，该频率穿透树叶的能力低，不利于探测到茂密树叶下的卡车及树林下方点目标，而L波段SAR穿透树叶的能力强，因此可较好的探测到树木遮挡的目标。融合二者的优势，通过协同探测提高目标探测能力。图(c)为基于协同探测的融合影像；图(d)、(e)和(f)分别为L波段SAR、X波段SAR和协同探测结果。论文大全。论文大全。探测准确度和精确度相应指标见表2。对图2中检测到的左侧第一辆卡车目标进行图像质量分析。协

12、同检测及各独立传感器检测结果的放大图如图3所示，探测性能指标见表1。(a) L波段SAR影像(b) X波段SAR影像(c) 融合影像(d) 图a检测结果(e) 图b检测结果(f) 协同探测结果图1卡车目标检测试验 (a)SARL检测结果 (b)SARX检测结果 (c)协同检测结果图2卡车目标检测结果图像质量分析表1卡车目标探测性能指标汇总 探测准确度 探测精确度 目标图像质量 目标区域一致性 目标与背景比照度 目标形状测度 检测率 虚警率 10-5 漏警率 10-3 定位精度 邻域特征差异 102 加权灰度方差 空间频率标准偏差 102 信息熵 巴氏距离 平均强度差异 103 边缘比照度 10

13、2 目标面积差异度 目标重心偏移度 主轴方向偏离度 长宽比差异度 目标尺寸保持度 L波段SAR 1 5.562 1.4 0.7386 0.9437 0.8221 1.3046 3.0446 1.1502 2.534 1.3636 0.4228 2.1465 25.4684 0.5894 0.4231 X波段SAR 0.2857 7.904 2.3 0.7830 1.0648 0.8921 1.9042 3.3610 0.4174 0.7895 0.6319 0.1626 0.1352 75.0821 0.210 0.5769 协同探测 1 9.953 0.01464 0.7392 0.7278

14、 0.7036 1.1061 2.8066 0.9633 2.299 0.9491 0.01626 0.1937 1.7872 0.2265 0.2193 注：表示指标值大为佳，表示指标值小为佳。得到二级灰色关联序为：根据的大小对3个探测系统的探测性能进行排序，得出协同探测系统的探测性能最优，其次为L波段SAR系统，最差为X波段SAR系统。分析结果可知客观评估指标与主观评估结是一致的，验证了所选择指标的有效性。6总结本文着重阐述了如何对协同探测性能进行多准那么、多角度、全方位的综合评估，提出当样本数量较少时，采用基于灰色关联分析进行综合评估建模，并进行了实测数据验证。采用层次分析法确定指标权重，针对协同探测评估指标体系的复杂性建立了二级灰色关联分析模型。该方法有效解决了协同探测综合评估中多指标的相对性、不可比性和灰色性问题。利用被评对象的指标集生成关联度分析的母序列，结合最小二乘准那么来建立灰色综合评估模型，评估结果清晰、准确。解决了其他综合评估过程中要求大样本数量和依赖主观经验等瓶颈问题。参考文献【1】Ronald Caves, Shaun Quegan. Quantitativecomparison of the performance of SAR segmentation