宋 斐

(宁夏医科大学理学院，宁夏 银川 750004)

0 引 言

随着成像技术的不断更新，SAR逐步得到广泛应用。SAR(Synthetic Aperture Radar)即合成孔径雷达，能够获取较高分辨率成像，由于存在全天候、高分辨率、远距离观测的优势，将其应用军事信息探测、生活信息遥感监控等领域[1]。SAR成像技术不断优化完善，关于如何高效率、高精度的识别SAR图像成为时下热议的课题。鉴于SAR图像目标识别具有极大的应用价值和图像解译应用的急切需要，该领域的研究受到世界范围的广泛关注。文献[2]提出了一种基于 SOFM 神经网络的 SAR 图像目标识别方法，该方法通过分析 SAR 图像的特点，选取了一组由三角函数生成法导出的5个新的不变矩组成的特征向量。利用自组织特征映射(SOFM)神经网络对目标进行识别。实验表明，选取的特征向量能够较准确地描述目标，但此方法步骤过于复杂，不易实施。文献[3]提出了一种基于Gabor滤波器的SAR目标识别方法，该算法选用Gabor滤波器对匹配图像进行预处理,将多个不同方向角Gabor滤波器的结果进行叠加和归一化处理,突出了目标轮廓特征,然后提取纹理图像的4类Haar-like特征,再利用RBF网络模型进行识别，但是该方法只是在图像全局特征提取的基础上进行目标识别，忽略了图像局部纹理特征，并且容易受到噪声的干扰，因此获取的结果精确度较低，且耗费的时间较长。SAR图像目标识别关键之处在于如何获取精准的图像特征以及特征分类方法的正确选择，上述传统方法对SAR目标识别，识别结果差的原因是忽略了这两个关键点。因此，本文提出基于图像局部纹理特征的SAR目标识别算法，通过多层次提取图像的局部纹理特征，采用ELM分类器进行目标识别，最终获取精确的、有效的目标识别结果[4]。为SAR图像目标的准确识别提供了有效手段，推动SAR成像技术的发展与广泛应用。

1 基于图像局部纹理特征的SAR目标识别方法

1.1 SAR图像纹理特征提取

基于SAR成像技术获取的图像难以直接进行有效的目标识别，所以对其纹理特征进行特征提取，便于得到较优的目标识别结果[5]。采用偏微分模型对SAR图像进行增强，具体如公式(1)所示：

(•)Ix]

(1)

其中，梯度倒数的线性变换用c(•)描述；增强结果、原始图像值与梯度值分别用It、Ix、x描述。

(2)

设置阀值t′，目标与背景的中心灰度分别用μ0(t)、μ1(t)表示，图像的中心灰度用μ表示，目标与背景的概率分别用w0(t)、w1(t)表示。为了能够得到质量较优的图像，阀值t′应符合公式(3)的条件：

w1(t)[μ1(t)-μ]2}

(3)

上述获取的图像根据目标自带方位角数据旋转到90°，不同的方位角对相同的目标获取的SAR图像大小有所不同，应通过选取合适的方法解决此问题。现实的SAR目标的边不是直边且大部分被遮盖存在界限不明显的弊端，仅仅面对雷达的那一侧是接近于直边，且界限比较明确便于识别其边缘特征[6]。最好的状况是同时存在3条边不被遮盖，此时应满足雷达方位角是0°、90°、270°、360°的条件；当方位角是其他数值时，则有2条边没有被遮盖。文章挑选界限明确的边缘进行操作，使得SAR图像大小不同的问题得到明显改善。通过上述步骤完成对SAR图像进行增强处理，便于接下来对SAR图像纹理特征进行提取。

TPLBP( Textural Property Local Binary Pattern)是基于LBP像素点图像局部二值纹理特征描述器进行优化的特征描述器，文章引用该描述器进行图像局部纹理特征的提取[7]。TPLBP算法通过改善LBP算法对领域模块LBP间的关系的方式进行有效阐述，所以TPLBP算法对于图像局部纹理特征的描述能力极强，可以获取最优的SAR目标图像纹理特征识别结果。TPLBP算法基于模块化的空间特征，能够解决大面积纹理特征描述问题[8]。由于TPLBP在特征点选择方面不太敏感，且SAR图像自身存在的一些问题，采用TPLBP算法进行局部纹理特征提取是最合适的选择。

图1 Three-Patch编码示意图

图1对Three-Patch编码进行了详细的描述。其编码的主要内容是：选取图像中的任意像素点，设定w×w大小的模块是以像素点为中心获取的，用Cp表示该模块；以模块Cp为圆心得到一个半径是r的圆形，在圆形的周长上生成多个尺寸一样的模块，不同的模块中心像素点采用LBP算法计算其LBP码值，见图1。模块的总数量用S表示，选取2个模块的中心像素点的LBP码值同中心模块的中心像素点的LBP码值，计算它们的相似度，被选用的2个模块在以r为半径形成的圆周内间隔的模块数量用α表示。接着算出2模块与中心模块的相似度差值获取一组二进制串，通过加权法获取对应的TPLBP码值，公式(4)对TPLBP码值进行了详细的表达：

TPLBPr,∂,w,α(p)=

(4)

式中，以r为半径形成的圆中包含2个模块，这两个模块的中心像素点的LBP码值分别用Ci、Ci+α mod S来表示；圆的中心模块的中心像素点LBP码值用Cp、表示；两个模块的中心像素点相似度可通过函数d(•,•)来描述，文章使用欧氏距离获取该相似度结果，具体计算过程用公式(5)描述：

(5)

公式中，定义τ=0.01。图像中不同像素点的TPLBP码值可以根据公式(4)进行获取[9]。对图像进行分割，获取尺寸均等的矩形窗，定义为B×B，接着算出矩形窗的TPLBP码值的频率值将它们制作成TPLBP码值直方图。图像的TPLBP纹理特征向量就是采用不同矩形窗绘制成的直方图向量串连起来得到的[10]。根据上述步骤能够获取有效的图像目标局部纹理特征向量，再对其进行目标分类与识别，实现SAR目标的有效识别。

1.2 基于ELM分类器的SAR目标识别算法

基于上述获取的图像局部纹理特征，通过基于ELM分类器的SAR目标识别算法，采用ELM分类器对其进行特征目标分类与识别，完成SAR目标的准确识别。一个隐含层与一个输出层构成了文章使用的ELM分类器，该分类器是一种神经网络[11]。ELM(Extreme Learning Machine)是一种单隐层前馈神经网络模型的新型学习算法，它区别于传统神经网络的最大特点在于整个训练过程只需要一步，无需反复对网络中的众多参数进行复杂的迭代运算。所以极限学习机的训练过程极为快速，同时具备良好的泛化性能。该神经网络的参数设置可以任意确定无需选定特殊值，其突出的泛化能力扩大其应用范围的同时提高了应用价值[12]。定义L个节点存在于ELM隐含层中，那么公式(6)是对相应的输出函数进行的描述，通过该输出函数可获取SAR识别结果：

(6)

公式中，x∈Rd，y∈Rc，隐含层L个节点与输出间的权重用b描述；L个节点与输入图像局部纹理特征x间的关系用h(x)描述，h(x)属于非线性激励函数的一种，主要功能是在L维数据空间中表达d维数据。

隐含层第i节点同图像局部纹理特征输入层的连接权重用wi描述，隐含层第i节点的偏差用bi描述。公式(6)可以用公式(7)来描述：

Hb=Y

(7)

基于n个随机图像局部纹理特征样本，则有：

Y=[y1;…;yn]∈Rn×c,b=[β1;…;βn]∈RL×c

(8)

变换后的H用公式(9)表示：

(9)

通过ELM最小化误差训练以及最小化输出权重范数的方式，增强神经网络的泛化能力[13]，公式(10)对该过程进行了详细的描述：

Minimize:‖Hb-Y‖2,‖b‖2

(10)

那么得到结果是：

b=H+Y

(11)

公式中，H矩阵Moore-Penrose的广义逆用H+表示，且满足H+=HT(HHT)-1。

通过改变公式(11)形式的方式改善算法的稳定性与泛化能力[14]，获取的表达式用公式(12)描述：

(12)

公式中，C为回归系数。

文章引用一种基于核函数的ELM算法，通过核函数对ELM原始的激励函数H进行隐藏，达到了优化算法泛化能力的目的[15]。定义样本xi，它的输出函数形式可以用公式(13)进行描述，采用该式获取最佳的SAR识别结果：

(13)

文章应用的核函数是径向基核函数，基于核函数的ELM算法对图像局部的纹理特征进行SAR目标识别，最终获取理想的识别结果。

2 实验分析

2.1 实验一

2.1.1 实验数据设置

实验为验证本文方法在SAR目标识别方面的优越性，采用本文方法对MSTAR公开数据集进行实验研究。MSTAR公开数据集详细信息为：128×128像素大小，0.3m×0.3m分辨率。MSTAR数据集包括10中目标类型，分别为BRDM2、T62、ZIL131、D7、2S1、BTR60、ZSU234、BMP2、BTR70和T72。本文针对SAR识别方面进行研究所以实验采用的数据集主要包括坦克、战车、装甲车三种类型七种型号的军事武器，其俯仰角分别是17°、15°；类型与型号的详细信息为：BMP2含概9563、9666、C21三种型号；BTR70含概C71型号；T72含概132、812、S7三种型号。0°～360°是各个目标方位能够覆盖的范围。实验的训练样本是17°俯仰角的目标图像，测试集是15°俯仰角的目标图像。且只有某一类目标的一种编号存在于训练样本中，某一类目标的全部编号存在于测试样本中。详细的样本设置用表1描述。

表1 训练样本和测试样本设置

为从不同角度验证本文方法的性能，使本文方法更具有说服力，分两种形式进行实验：一是采用本文方法单独对MSTAR公开数据集进行识别，将获取的识别率与平均识别率制成表格，用表2描述；一是采用本文方法、LBP方法方法、Gabor-LBP方法、PCA方法对数据集展开对比实验，获取的4种图像局部纹理特征识别的效果用图2描述。

图2 4种方法对图像局部纹理特征识别的准确率对比

2.1.2 实验结果分析

分析表2可以看出，在训练样本同测试样本的数据状况相同的情况下，本文方法的识别率是100%，此时能够获取最佳的识别效果。采用本文方法对MSTAR公开数据集进行识别获取的平均识别率高达98.75%，说明其识别率高，对于基于图像局部纹理特征目标具有较好的识别能力。为验证本文方法的较高的识别性能，将其与LBP方法方法、Gabor-LBP方法、PCA方法获取的实验结果进行对比。

表2 本文方法基于MSTAR公开数据集的识别率

分析图2，能够明显看出4种方法获取的SAR目标识别结果，采用PCA方法获取的目标识别准确率最低，在70%左右，上下浮动的状况比较明显，效果不稳定；采用LBP方法方法、Gabor-LBP方法获取的SAR目标识别准确率稍有提升，但也在徘徊在80%上下，且仍存在上下波动的状况；采用本文方法获取的SAR目标识别准确率高达98%，总体准确率均在90%以上，呈明显上升的趋势；主要原因是本文方法在分析图像的局部纹理特征的基础上，进行特征提取与SAR目标识别，有效提高其精确度。实验结果表明，本文方法对于图像局部纹理特征的识别准确率最高，效果最优。

2.2 实验二

2.2.1 实验数据设置

实验为验证本文方法在SAR目标识别方面的优越性，采用本文方法、EF特征检测方法、双参数CFAR检测方法对高分辨率的SAR图像进行实验分

析，并对3种方法的性能进行对比分析。图3(a)是本次实验提供的高分辨率SAR图像，尺寸是600×640，3m×3m的分辨率，对图中白色框内的图像进行目标识别。图3(b)～图3(d)是采用3种方法获取的图像目标识别结果，同样用白色线框对应识别的区域进行标记，用圆形线框标记目标识别形成的虚警。3种识别方法获取的识别结果用表3描述，3种方法识别图3(a)中的目标耗费时间状况用表4描述。

图3 三种方法的SAR图像目标识别结果与原始图对比

识别方法识别目标数虚警数本文方法93EF特征识别方法917双参数CFAR识别方法922

表4 三种识别方法的运行时间(ms)

2.2.2 实验结果分析

将3种方法获取的目标识别结果与SAR高分辨率原图像进行对比，分析图3和表3能够得出，本文方法能够有效识别出图像中的待识别目标，获取的结果边缘较明确，几乎没有模糊的状况，总的目标识别数量是9，只出现3个虚警，识别的效果较好；采用EF特征识别方法获取的目标识别结果大小不一，边缘存在不清晰且部分模糊的现象，总的目标识别数量是9，出现17个虚警，误判的状况相较本文方法较多，对图像的目标识别效果较差；采用双参数CFAR识别方法取的目标识别结果存在严重的边缘不明确、模糊的状况，总的目标识别数量是9，出现22处虚警，是本文方法的7倍之高，识别结果极差，难以对图像目标进行有效识别，是3种识别方法中误判率最高、性能最差的方法。

分析表4能够看出，本文方法识别图3(a)花费的时间为10.245 ms，采用EF特征识别方法花费的时间为40.526 ms，约是本文方法的4倍；采用双参数CFAR识别方法花费的时间为610.051 ms，约是本文方法的60倍。因此可以判断本文方法在保证目标识别结果精确度较高的情况下花费的时间最少，因此效率最高。实验结果表明，本文方法基于图像局部纹理特征进行SAR目标识别获取的误判率低、效率高，总体性能优。

3 结 语

传统基于Gabor滤波器的SAR目标识别方法根据图像全局特征进行目标识别，忽略图像局部纹理特征，容易受到噪声因素的干扰，获取的SAR目标识别结果精确度较低。因此，提出基于图像局部纹理特征的SAR目标识别算法，引进优化的TPLBP特征描述器提取图像局部纹理特征，以确保获取理想的SAR目标识别结果，从而完成目标识别。经实验证明，所提方法在识别准确率高、误判率低。但在识别效率方面尚且不足，未来将针对目标识别效率展开深入研究。致力于为军事信息探测、农业遥感信息监控方面的应用提供科学的实践方案。