sar圖像自動(dòng)目標(biāo)識(shí)別的預(yù)篩選

1sar在地面目標(biāo)分類識(shí)別中的應(yīng)用自動(dòng)檢測(cè)和目標(biāo)識(shí)別對(duì)軍事和民用交通具有重要意義。例如，在地下埋地的管道，監(jiān)測(cè)隱藏在森林中的坦克、水下潛水員、海上船只和乘客，以及尋找和救援失業(yè)飛機(jī)。這些都需要用于目標(biāo)檢測(cè)和識(shí)別技術(shù)。目標(biāo)檢測(cè)的傳感器系統(tǒng)有很多,可以是非成像系統(tǒng),也可以是成像系統(tǒng)。非成像系統(tǒng)得到1維的數(shù)據(jù),成像系統(tǒng)得到2維圖像或圖像序列。多數(shù)的目標(biāo)識(shí)別系統(tǒng)處理的都是圖像數(shù)據(jù),因此,本文的討論限在圖像范圍內(nèi)。而且,由于SAR成像方式相對(duì)于其他成像方式,具有全天時(shí)、全天候及穿透地物的特性,因此在地面人造目標(biāo)的識(shí)別中被廣泛應(yīng)用。靜止目標(biāo)和移動(dòng)目標(biāo)的識(shí)別方法有很大差別,這里只討論靜止目標(biāo)的識(shí)別問題。一般的ATR系統(tǒng)可分為檢測(cè)、辨別和識(shí)別3個(gè)階段,如圖1所示。檢測(cè)階段是對(duì)整個(gè)圖像逐點(diǎn)處理,找出潛在人造目標(biāo)區(qū)域,因?yàn)橛?jì)算量巨大,要求算法應(yīng)盡量簡(jiǎn)單。這一階段的目標(biāo)檢測(cè)率應(yīng)盡量接近100%,但隨著檢測(cè)率的提高,虛警率也隨著提高,這會(huì)給后面的分類帶來巨大的計(jì)算量,因此還要對(duì)潛在目標(biāo)區(qū)域進(jìn)一步做辨別處理,剔除自然雜波區(qū)域。因?yàn)槭窃谙嗨浦袑ふ蚁嗨?所以這一步采用的算法較為復(fù)雜。以上兩個(gè)階段統(tǒng)稱為預(yù)篩選階段。第三階段是目標(biāo)分類,是在前面的基礎(chǔ)上,對(duì)每個(gè)區(qū)域的人造目標(biāo)進(jìn)行分類識(shí)別。本文主要針對(duì)目標(biāo)檢測(cè)和辨別展開論述。2數(shù)據(jù)處理系統(tǒng)interpersonal目標(biāo)檢測(cè)的任務(wù)就是尋找亮度分布的局部異常,亦即由目標(biāo)引起的異常。檢測(cè)結(jié)果的好壞在很大程度上取決于兩個(gè)基本的雷達(dá)參數(shù):(1)目標(biāo)背景比(Target/Clutter,T/C),亦即信噪比;(2)背景的標(biāo)準(zhǔn)方差。增大T/C,意味著增強(qiáng)目標(biāo);減小標(biāo)準(zhǔn)方差,意味著壓制背景噪聲。這兩種預(yù)處理都可以提高目標(biāo)的檢測(cè)率。對(duì)于目標(biāo)的檢測(cè)和識(shí)別,圖像預(yù)處理主要是指圖像的去噪處理,而單極化和全極化圖像有不同的預(yù)處理方法。2.1cs/fcs算法對(duì)于單極化圖像,可以用CSS(centersurroundedshunt)和BCS/FCS(boundarycontoursystem/featurecontoursystem)方法對(duì)圖像進(jìn)行預(yù)處理,以降低圖像噪聲。BCS/FCS是依據(jù)神經(jīng)原理和視覺信息加工的特點(diǎn)提出的,其作用是發(fā)揮神經(jīng)原理的作用組織信息,達(dá)到檢測(cè)邊界輪廓、抑制噪聲干擾的目的。CSS處理是BCS/FCS系統(tǒng)的第1步,較之于復(fù)雜的BCS/FCS系統(tǒng),CSS只需要少量的計(jì)算。其他的單極化圖像預(yù)處理方法還有多視處理(multi-lookprocessing)、最小方差法(minimumvariance,MV)、多個(gè)信號(hào)源分類法(multiplesignalclassification,MUSIC)。有些軍事目標(biāo)是經(jīng)過偽裝、遮蔽的,且位于植被覆蓋茂密的地區(qū),雷達(dá)成像需要穿透植被,但由于該地區(qū)的樹干會(huì)在雷達(dá)影像上產(chǎn)生很強(qiáng)的回波,給識(shí)別帶來很大的影響。為了減少噪聲的影響,可以對(duì)整幅圖像進(jìn)行排序?yàn)V波(rank-orderfilter)。2.2極化處理方法對(duì)于全極化SAR圖像,可以用極化白化濾波(polarimetricwhiteningfilter,PWF)來減小背景的標(biāo)準(zhǔn)方差,使用極化匹配濾波(polarimetricmatchedfilter,PMF)來增大T/C。假設(shè)用極化散射矩陣的3個(gè)復(fù)數(shù)元素HH、HV和VV來表示雷達(dá)回波X,則X=[ΗΗΙ+jΗΗQΗVΙ+jΗVQVVΙ+jVVQ]=[ΗΗΗVVV]X=???HHI+jHHQHVI+jHVQVVI+jVVQ???=???HHHVVV???其中,HHI和HHQ表示復(fù)HH變量的同相和正交分量。為了將圖像噪聲降到最小,PWF要尋找權(quán)重矩陣A,使得下式值為最小。sm=D(y)E(y)(1)sm=D(y)E(y)(1)其中,y為強(qiáng)度,y=XTAX,D(y)為標(biāo)準(zhǔn)方差,E(y)為數(shù)學(xué)期望?？汕蟮米顑?yōu)的權(quán)重矩陣為A*=Σ-1,Σ是背景的極化協(xié)方差矩陣。PMF方法是為了在SAR強(qiáng)度圖像上獲得最大的平均T/C。強(qiáng)度圖像可以用下式獲得y=|WΤX|2(2)y=∣∣WTX∣∣2(2)其中,W是連接HH、HV、VV的權(quán)重,它是以下特征值和特征向量方程的解。Σ-1cΣtW=λW(3)Σ?1cΣtW=λW(3)Σc、Σt分別為背景和目標(biāo)的極化協(xié)方差矩陣。最優(yōu)權(quán)重向量對(duì)應(yīng)于最大特征值的特征向量。此外,Novak和Sechtin等人提出了一種最優(yōu)極化檢測(cè)算法(optimalpolarimetricdetector,OPD)。OPD算法是似然比意義上的最優(yōu),即對(duì)于給定的虛警概率,可以得到最好的檢測(cè)率。但因?yàn)樾枰繕?biāo)均值和協(xié)方差矩陣這些先驗(yàn)信息,實(shí)際操作困難。其他的全極化處理方法有:span方法、最大合成能量(powermaximizationsynthesis,PMS)法、類似然比檢驗(yàn)(identitylikelihoodratiotest,ILRT)法,或者簡(jiǎn)單的單通道方法。Andrew等人發(fā)現(xiàn)在單極化數(shù)據(jù)中,HV極化要比HH、VV極化檢測(cè)率高,而全極化檢測(cè)的效果要優(yōu)于單極化檢測(cè)。在整個(gè)ATR系統(tǒng)中,多極化數(shù)據(jù)的識(shí)別結(jié)果要遠(yuǎn)遠(yuǎn)好于單極化數(shù)據(jù)。在所有的極化處理的方法中,以PWF方法的結(jié)果最為接近OPD方法。OPD雖然可以得到最優(yōu)的檢測(cè)率,但計(jì)算復(fù)雜,需要很多先驗(yàn)知識(shí),所以PWF方法更為實(shí)用。3不同位置中的雷達(dá)回波分布目前,一般目標(biāo)檢測(cè)都采用恒虛警率(constantfalsealarmrate,CFAR)方法,即給定虛警概率,而使目標(biāo)檢測(cè)率達(dá)到最大。所有的CFAR方法都需要建立背景的數(shù)學(xué)模型。地物信號(hào)幅度的密度分布函數(shù)有Reyleigh、Weibull、Gamma分布和對(duì)數(shù)分布等,對(duì)于不同的地面,所使用的雷達(dá)回波信號(hào)的分布模型也不同。在目標(biāo)識(shí)別中,一般使用Reyleigh分布、Weibull分布或者K分布。Reyleigh分布是Weibull分布的特例,Weibull分布一般用于陸地SAR圖像;K分布用于海面SAR圖像。為了簡(jiǎn)化計(jì)算,也有使用Gaussian分布的。CFAR方法完全依賴回波的強(qiáng)度信息來檢測(cè),但是,SAR圖像不僅記錄了地物的幅度信息,也記錄了地物的相位信息。因此,可以利用相位信息進(jìn)行檢測(cè)。又因?yàn)镾AR是一種相干成像系統(tǒng),所以在圖像上,空間分辨率的改變對(duì)目標(biāo)和背景的影響是不同的?；谝陨纤f的3個(gè)方面可以形成CFAR方法、多分辨率方法以及基于相位信息3類不同的目標(biāo)檢測(cè)算法。3.1sar圖像的兩參數(shù)fpsr分析一般的CFAR方法主要是比較被檢測(cè)點(diǎn)與背景區(qū)域在強(qiáng)度上的差異,強(qiáng)度超過某一給定的界限時(shí)就可以認(rèn)為是目標(biāo)。這種CFAR方法有:像元平均CFAR(cell-averaging,CA-CFAR)、兩參數(shù)CFAR(two-parameterCFAR)、基于分割的CFAR(segmentation-based,SEG-CFAR)、斜度CFAR(skewmetric,SM-CFAR)、GammaCFAR、最大似然CFAR(maximumlikelihood,ML-CFAR)、排序CFAR(orderstatistic,OS-CFAR)以及兩階段CFAR(two-stageCFAR)等。像元平均CFAR是最簡(jiǎn)單的自適應(yīng)CFAR方法,將待檢測(cè)點(diǎn)與背景區(qū)的均值比較,超過某一閾值的則判定為目標(biāo)。兩參數(shù)CFAR用到了背景的方差,被檢測(cè)點(diǎn)與背景的均值和方差比較,大于某一閾值就認(rèn)為是潛在目標(biāo),如下式所示。Xt-ˉXcσc≥ΤCFAR(4)Xt?Xˉˉˉcσc≥TCFAR(4)其中,Xt是被檢測(cè)像元的值,ˉXcXˉˉˉc和σc是背景的均值和方差,TCFAR為閾值。圖2是計(jì)算背景均值和方差的模板。為了減小目標(biāo)對(duì)背景的干擾,在被檢測(cè)像元和背景區(qū)域之間有一警戒區(qū)域,其大小由目標(biāo)大小決定。使用兩參數(shù)CFAR有兩個(gè)前提:雷達(dá)回波是高斯分布;背景靜態(tài)均一。這兩個(gè)前提在SAR圖像中經(jīng)常得不到很好的滿足,但由于該方法計(jì)算簡(jiǎn)單,一般情況下的試驗(yàn)效果也不錯(cuò),所以應(yīng)用還是很多。針對(duì)兩參數(shù)CFAR的不足,又發(fā)展了其他幾種方法。GammaCFAR是從兩參數(shù)CFAR方法中演變過來的。針對(duì)兩參數(shù)CFAR周圍區(qū)域的形狀和大小不能隨意變化的缺點(diǎn),采用Gamma核來控制周圍區(qū)域的大小和形狀,并進(jìn)行特征提取。2維Gamma函數(shù)如下:gk,μ(n1,n2)=μk+12πk!(√n21+n22)k-1e-μ√n21+n22-Ν≤n1,n2≤Ν(5)gk,μ(n1,n2)=μk+12πk!(n21+n22??????√)k?1e?μn21+n22√?N≤n1,n2≤N(5)其中,k為階數(shù),μ為尺度系數(shù),兩者控制著Gamma函數(shù)的形狀和大小。兩參數(shù)CFAR的判別式可寫成為X2t-2XtˉXc+ˉX2c-Τ2CFARˉX2c+Τ2CFARˉX2c>0(6)X2t?2XtXˉˉˉc+Xˉˉˉ2c?T2CFARXˉˉˉ2c+T2CFARXˉˉˉ2c>0(6)特征向量為(Xt,X2t,ˉXc,ˉX2c)(Xt,X2t,Xˉˉˉc,Xˉˉˉ2c)。相應(yīng)地在GammaCFAR中,有相似的判別式,只是基本特征為(g1*X,(g1*X)2,gk*X,gk*X2),k>1,按下式計(jì)算目標(biāo)和背景特征,gk,μ*Xp=∑∑gk,μ(n1,n2)xp(n1,n2),(7)p=1,2gk,μ*Xp=∑∑gk,μ(n1,n2)xp(n1,n2),(7)p=1,2圖3是GammaCFAR模板的形狀。ML-CFAR假定背景的雷達(dá)回波是Weibull分布,但參數(shù)未知,運(yùn)用最大似然估計(jì)來獲得背景的參數(shù)。Weibull分布的概率密度函數(shù)如下:p(x)={CB(xB)C-1exp{-(xB)C}x≥00x<0(8)B、C分別為尺度參數(shù)和形狀參數(shù),C=2時(shí)為Reyleigh分布。利用最大似然估計(jì)得到B、C的估計(jì)值如下:Μ∑m=1x?CmlnxmΜ∑m=1x?Cm-1ΜΜ∑m=1lnxm=1?C(9)?B=(1ΜΜ∑m=1x?Cm)1/?C(10)ΡFA=exp[-(Τ?B)?C](11)M是參考樣本點(diǎn)的個(gè)數(shù),PFA是設(shè)定的虛警率,T為閾值。如果被檢測(cè)點(diǎn)的值大于T,則為目標(biāo)。SEG-CFAR和OS-CFAR都可以消除SAR圖像的非均一性影響。SEG-CFAR將SAR圖像分割成一個(gè)個(gè)均一的小區(qū)域,再在這些小區(qū)域中進(jìn)行CFAR操作,這樣就消除了背景地物邊界對(duì)檢測(cè)的影響,減少了虛警。OS-CFAR將背景中的樣本點(diǎn)按升序排列,選擇其中某一階或某兩階的組合,作為閾值,或者,在計(jì)算閾值時(shí),去除那些亮度高的點(diǎn),因?yàn)檫@很可能是干擾目標(biāo)。Wilson提出了GOOSE(greatest-oforderstatisticestimator)CFAR和CGO(censoredgreatest-of)CFAR兩種擴(kuò)展的OS-CFAR方法,較好地解決了背景邊界和干擾目標(biāo)的影響。一般情況下,OS-CFAR的效果比CA-CFAR的好,因?yàn)榍罢邔?duì)于干擾目標(biāo)和背景邊界具有很強(qiáng)的穩(wěn)定性。斜度CFAR根據(jù)目標(biāo)和背景回波概率密度函數(shù)在對(duì)數(shù)域呈現(xiàn)的不同斜度來檢測(cè)目標(biāo)。斜度用來衡量概率密度函數(shù)的對(duì)稱性,可以有不同的計(jì)算方法,包括斜度系數(shù)、矩斜度系數(shù)和Pearson第一、第二斜度系數(shù)。人造目標(biāo)回波為正傾斜,自然背景為負(fù)傾斜。為了提高檢測(cè)率,可以采用兩階段CFAR方法,對(duì)同一幅圖像進(jìn)行全局CFAR和局部CFAR檢測(cè),最終檢測(cè)結(jié)果是綜合兩者的結(jié)果形成的。以上CFAR方法,都是就某一方面做些改進(jìn),但它們也可以融合在一起使用,Bisceglie等人就提出了一種針對(duì)LS(location-scale)類型背景的CFAR方法,綜合了排序、分割、最大似然估計(jì)等多種手段。CFAR方法只用到了對(duì)比度或亮度信息,也可以加入目標(biāo)的空間信息。Kaplan提出使用廣義分形(extendedfractal,EF)特征檢測(cè)目標(biāo)。EF特征對(duì)特定大小的目標(biāo)非常敏感。綜合使用CFAR和EF特征的優(yōu)點(diǎn),可以大大減少虛警。雷達(dá)陰影信息,也可以減少CFAR的虛警。CFAR檢測(cè)后,還要利用形態(tài)學(xué)方法、先驗(yàn)信息等進(jìn)行聚類,得到潛在目標(biāo)區(qū)域。3.2基于低分辨的目標(biāo)檢測(cè)在均一的背景下,還有一種基于小波變換和CFAR的多分辨率方法可以用于目標(biāo)檢測(cè)。該方法的基本假設(shè)是:人造目標(biāo)在低分辨率的時(shí)候更容易探測(cè),因?yàn)樗鼈兊纳⑸浔茸匀晃矬w更持久。該算法需要先對(duì)圖像進(jìn)行離散小波變換,利用LH和HL子圖像可得到一系列低分辨率的圖像。在所得的幅度圖像中使用基于Reyleigh分布的CFAR,聚類后得到感興趣區(qū)域,再對(duì)感興趣區(qū)域使用更精確的Weibll分布或K分布CFAR。這樣做可以大大減少計(jì)算量。Subotic和Thelen也將多分辨率方法用于目標(biāo)檢測(cè)中,建立了背景雜波和目標(biāo)的統(tǒng)計(jì)模型,并發(fā)現(xiàn)雜波的多分辨率過程是一個(gè)布朗運(yùn)動(dòng)過程。運(yùn)用布朗運(yùn)動(dòng)過程是獨(dú)立增量過程的性質(zhì),可以用一個(gè)簡(jiǎn)單的取樣方法獲得一系列低分辨率的圖像。基于這些模型,又發(fā)展了一系列的多分辨率檢測(cè)器。實(shí)驗(yàn)結(jié)果表明,逐點(diǎn)進(jìn)行檢測(cè)時(shí),多分辨率檢測(cè)遠(yuǎn)遠(yuǎn)好于單分辨率檢測(cè)。3.3相位或相位信息的目標(biāo)檢測(cè)3.3.1子孔徑相干法多數(shù)的目標(biāo)檢測(cè)都是基于CFAR的。CFAR檢測(cè)要求目標(biāo)像元與背景顯著不同。當(dāng)背景中含有多個(gè)目標(biāo),彼此距離又很近的時(shí)候,CFAR方法就失效了。而且,當(dāng)目標(biāo)被偽裝或隱藏起來的時(shí)候,雷達(dá)回波減弱,此時(shí),CFAR的效果也會(huì)受到很大影響。CFAR方法會(huì)產(chǎn)生大量的虛警,需要目標(biāo)辨別進(jìn)一步處理。所有這些都是CFAR不利的方面,而通過子孔徑相干進(jìn)行目標(biāo)檢測(cè)的方法則可以克服這些缺點(diǎn)。子孔徑相干方法的思想來源于干涉SAR。由人造目標(biāo)和自然地物的散射特性可知,在方位向上,目標(biāo)在很大的角度失配范圍內(nèi)具有強(qiáng)的相干性,而自然地物卻需要亞像元級(jí)的配準(zhǔn)才能形成很強(qiáng)的相干。因此,可以用相干的方法區(qū)分目標(biāo)和雜波。由于干涉圖像對(duì)一般難以得到,因此可以從一幅SAR全孔徑圖像中獲得兩幅子孔徑圖像,計(jì)算它們的相干系數(shù),在最終的相干圖像中設(shè)定閾值,尋找目標(biāo)。運(yùn)用子孔徑相干法,可以在一定程度上檢測(cè)出隱藏和偽裝的目標(biāo),也可以檢測(cè)出彼此距離很近的目標(biāo),而且無需建立背景雜波的統(tǒng)計(jì)模型。Meth將CFAR方法與此方法進(jìn)行了比較顯示,CFAR方法產(chǎn)生大量的虛警,還遺漏了目標(biāo);子孔徑相干法不僅檢測(cè)到所有的目標(biāo),而且?guī)缀鯖]有虛警產(chǎn)生,這就省略了目標(biāo)辨別的步驟,節(jié)省了計(jì)算量。Arnaud利用單視復(fù)圖像的前視、后視兩幅子視圖像進(jìn)行相干計(jì)算,在ERS-1圖像中檢測(cè)海面上的船舶,試驗(yàn)結(jié)果證明這種方法是可行的。Souyris等人也應(yīng)用了同樣的原理,只是在子圖像的產(chǎn)生和相干計(jì)算上有所不同。而且,他們將該方法略作修改推廣到全極化SAR圖像中,效果明顯好于單極化圖像中的檢測(cè)結(jié)果。但是,該方法有一些局限性,在某些情況下,如噪聲是不完全發(fā)育等,檢測(cè)結(jié)果會(huì)受到一定程度的影響。而且,檢測(cè)陸地目標(biāo)時(shí),該方法只在機(jī)載圖像中進(jìn)行了試驗(yàn),還沒有應(yīng)用到衛(wèi)星圖像中,效果如何,還不得而知。將SAR子孔徑用于目標(biāo)檢測(cè),在其他文獻(xiàn)中也有出現(xiàn)。Kapoor就利用不同方位向上目標(biāo)散射特性的不同,運(yùn)用子孔徑在UWBSAR全極化圖像中檢測(cè)被樹林遮掩的車輛;Flake等人利用子孔徑圖像建立馬爾可夫模型進(jìn)行目標(biāo)檢測(cè)。3.3.2sar圖像中的船舶檢測(cè)寬帶、高分辨率的SAR,如UHF、VHFSAR系統(tǒng),具有很大的方位向積分角度(>0.5rad),因此在方位向和距離向都有很高的分辨率。很長(zhǎng)或很大的目標(biāo),比如電線、管道、卡車等,可以在SAR圖像上占據(jù)很多的像元。它們?cè)赟AR圖像上具有線性的、距離相關(guān)的相位結(jié)構(gòu)2k0r,這里k0=2π/λ,是中心頻率的波數(shù),r為目標(biāo)與SAR孔徑中心之間的斜距。而且,沿著它們延伸方向的相位增量是波數(shù)和距離增量的乘積?？梢岳眠@一性質(zhì)進(jìn)行目標(biāo)檢測(cè)?？紤]一對(duì)笛卡兒坐標(biāo)系X=(xy)T和Xt=(xtyt)T,如圖4(a)所示,它們之間旋轉(zhuǎn)了φ角度。則一細(xì)的、長(zhǎng)度為L(zhǎng)的電線的SAR信號(hào)可以表示為?s(Xt)=w(xt)?b(xt)δ(yt)exp(2jk0y)=w(xt)?b(xt)δ(yt)exp[2jk0(xtsin(φ)+ytcos(φ))]w(xt)={1|xt|≤L20其他(12)其中,?b(xt)是地物的復(fù)散射幅度。將其變換到光譜域F=(fxfy)T和Ft=(ftxfty)T(如圖4(b)),得到?Fs=?bLsinc(ftx-fφfL),fφ=2sinφλfL=1L,sinc(f)=sin(πf)πf(13)這里假設(shè)電線上所有散射點(diǎn)的后向散射幅度相等,即?b(xt)=?b可以看出,目標(biāo)的能量集中在狹窄的線性光譜域中,這樣就可以對(duì)SAR圖像進(jìn)行帶通濾波以增強(qiáng)信噪比。對(duì)于長(zhǎng)度為L(zhǎng)的目標(biāo),若背景是白化高斯噪聲過程,則式(13)給出了最優(yōu)濾波器。但關(guān)于背景的這種假設(shè)通常不能成立,所以為了減少背景的影響,需要采用低旁瓣濾波器,如Hamming濾波器進(jìn)行濾波處理。一般的目標(biāo)檢測(cè)方法都是在圖像生成之后,檢測(cè)整個(gè)圖像區(qū)域,為了節(jié)省計(jì)算量,Kaplan等人提出了一種在圖像生成過程中來檢測(cè)目標(biāo)的多尺度方法。當(dāng)目標(biāo)檢測(cè)器獲得足夠多的信息可以判斷某一塊區(qū)域沒有目標(biāo)的時(shí)候,就提示圖像生成器中止繼續(xù)生成該區(qū)域的圖像。這樣,只生成潛在目標(biāo)區(qū)域的圖像,節(jié)省了圖像生成中的大量計(jì)算量。用UWB-SAR數(shù)據(jù)做實(shí)驗(yàn),證明了該方法可行。Lu等人提出了一種在距離-多普勒域中檢測(cè)目標(biāo)的方法,在成像之前檢測(cè)目標(biāo),可以節(jié)省數(shù)據(jù)的存儲(chǔ)空間和成像時(shí)間。也有一些不同的方法用來檢測(cè)海上的船舶等。Howard等人使用遺傳規(guī)劃(geneticprogramming)的方法在低分辨率(50m～100m)的SAR圖像上檢測(cè)船舶。Jiang等人利用統(tǒng)計(jì)方法、雷頓變換和其他圖像處理手段發(fā)展了一種自動(dòng)檢測(cè)模型,主要用來檢測(cè)RADARSATSAR圖像中的船舶。在ERS圖像中,不僅可以檢測(cè)出船只,還可以估算出船只的各種參數(shù),如長(zhǎng)度、方向、速度等。4模型分類方法目標(biāo)辨別的方法主要有以下幾種:二次Gamma判別式法(quadraticgammadiscriminator,QGD),模型階數(shù)法(modelorder),多尺度模型的方法(multiscalemodels),利用特征選取進(jìn)行分類,以及基于支持向量機(jī)或隱馬爾可夫模型的目標(biāo)辨別方法。4.1qgd中的加工方法QGD方法是從兩參數(shù)CFAR方法得到啟發(fā)的。兩參數(shù)CFAR方法其實(shí)是一種簡(jiǎn)單的二次判別式,判別式的系數(shù)固定,而且項(xiàng)數(shù)不完整,缺少了某些項(xiàng)。從GammaCFAR看到,可以用Gamma核來控制被檢測(cè)點(diǎn)周圍背景的形狀。結(jié)合這兩點(diǎn),形成二次Gamma判別式法。其完整的二次判別式為y=WΤFμ1,μn(14)其中,W=[w1w2w3w4w5w6w7w8]T為權(quán)重向量,Fμ1,μn為特征向量:Fμ1,μn=[g1,μ1*Xgk,μn*Xg1,μ1*X2gk,μn*X2(g1,μ1*X)2(gk,μn*X)2(g1,μ1*X)×(gk,μn*X)1]T其中,k為階數(shù),μ1,μn分別表示目標(biāo)和背景的尺度系數(shù)。檢測(cè)后可以得到一批感興趣區(qū)域,用Gamma核提取各個(gè)區(qū)域的特征Fμ1,μn,線性加權(quán)求和。判斷其和y,大于某一閾值TQGD,就為目標(biāo)。具體參見文獻(xiàn)、、。QGD中判別式是所有特征的線性組合,其實(shí)它是一種二次多項(xiàng)式判別的方法,Principe等人在QGD的基礎(chǔ)上又提出了非線性二次Gamma判別式法(nonlinearQGD,NL-QGD)。這里把線性組合替換成非線性的多層感知器(MLP)。試驗(yàn)結(jié)果顯示,如果選擇適當(dāng)?shù)恼`差評(píng)價(jià)函數(shù),NL-QGD比QGD的檢測(cè)率高、虛警率低。4.2不同背景下神經(jīng)元數(shù)的檢測(cè)使用模型階數(shù)來區(qū)分目標(biāo)和背景基于這樣的理論:模擬目標(biāo)所用的模型比模擬背景的復(fù)雜,其復(fù)雜性可以用模型的階數(shù)來定量表示?？捎脠D5所示的帶側(cè)連接的多層前饋神經(jīng)網(wǎng)絡(luò)建立數(shù)學(xué)模型。目標(biāo)和背景的輸入、輸出結(jié)點(diǎn)數(shù)相同,不同的唯有隱層所使用的神經(jīng)元數(shù),因此,隱層神經(jīng)元多,階數(shù)大,意味著模型復(fù)雜,判斷為目標(biāo);反之,模型簡(jiǎn)單,判為背景。用反向傳播(back-propagation,BP)算法得到隱層誤差,梯度法修正權(quán)值,輸出函數(shù)通常采用Sigmoid函數(shù)。網(wǎng)絡(luò)訓(xùn)練時(shí),詳細(xì)的權(quán)值修正量可參見文獻(xiàn)。進(jìn)一步分析發(fā)現(xiàn),在隱層中間部分的某些神經(jīng)元行為相似,減小了網(wǎng)絡(luò)的有效階數(shù),只有那些行為不同的神經(jīng)元才計(jì)算到網(wǎng)絡(luò)的階數(shù)中。徑向基函數(shù)(RBF)網(wǎng)絡(luò)也可以作為數(shù)學(xué)模型,但試驗(yàn)效果沒有前饋網(wǎng)絡(luò)理想。4.3多分辨率模型自然背景與目標(biāo)的統(tǒng)計(jì)特性在尺度上的變化是不同的,以此可以有效地區(qū)分兩者。SAR是相干成像系統(tǒng),分辨單元大小改變,散射體將遷入或遷出該像元,對(duì)于背景來說,單位面積內(nèi)的平均后向散射并沒有發(fā)生太大的變化。而對(duì)人造目標(biāo)區(qū)域(如車輛等),只有少量占優(yōu)勢(shì)的散射點(diǎn),且它們之間具有確定的相位關(guān)系,散射點(diǎn)的遷入遷出會(huì)使單位面積內(nèi)的平均后向散射產(chǎn)生很大的變化。因此,多分辨率模型可以用來捕捉圖像中尺度相關(guān)的統(tǒng)計(jì)特征的變化。對(duì)于不同的目標(biāo)、不同類型的背景,這種變化也是不同的。不但可以用多尺度方法辨別不同的目標(biāo),也可以用它來分辨不同的背景。多分辨率模型不同于傳統(tǒng)的方法。它處理一系列同一區(qū)域不同分辨率的圖像?？梢杂梅旨?jí)四叉樹的方法來獲得多分辨率圖像,得到的SAR圖像序列為:Y={Y(m)},m=0,…,M,M是一正整數(shù)。0級(jí)是最高分辨率圖像,相鄰尺度分辨率圖像以二倍尺度變化,低分辨率圖像由高分辨率圖像生成?？梢杂煤?jiǎn)單的算術(shù)平均得到低分辨率圖像,也可以將圖像變換到頻率域,低通濾波后,逆變換到空間域后二抽樣形成低分辨率圖像。圖像序列建成以后,可以建立多尺度自回歸(multi-scaleauto-regressive,MAR)模型Y(m)ij=α(m)0+R(m)∑k=1α(m)kY(m+k)i/2k,j/2k+ξ(m)ij(15)式中,R(m)是m級(jí)圖像的階數(shù),α(m)0,…,α(m)R(m)是回歸系數(shù),ξ(m)ij是殘差圖像?；貧w系數(shù)可以用最小二乘法確定,階數(shù)可以由殘差圖像標(biāo)準(zhǔn)方差的變化來確定。試驗(yàn)結(jié)果表明,對(duì)于背景圖像,用一階多項(xiàng)式就可擬合,而對(duì)于目標(biāo)圖像,需用二階多項(xiàng)式擬合。在分辨率足夠高的時(shí)候,背景的殘差圖像方差很小,而目標(biāo)的殘差圖像則相對(duì)很大,據(jù)此可以分辨目標(biāo)和背景。在MAR基礎(chǔ)上,也可以建立MARMA(multi-scaleauto-regressivemovingaverage)模型,具體參見文獻(xiàn)。4.4基于變異值分解的目標(biāo)辨識(shí)目標(biāo)和背景的散射特征在很多方面是不一樣的,怎樣刻畫它們?cè)谧詣?dòng)目標(biāo)識(shí)別中非常重要。但是,這里存在幾個(gè)問題:(1)因?yàn)樘卣髦g具有相關(guān)性,使用的特征數(shù)增加時(shí),系統(tǒng)的復(fù)雜性也隨之增加,但卻并不總是得到更好的檢測(cè)結(jié)果;(2)在使用訓(xùn)練樣本進(jìn)行特征選擇的時(shí)候,可能產(chǎn)生模型對(duì)訓(xùn)練樣本的過適應(yīng)情況,從而失去了概括能力,不能很好地識(shí)別測(cè)試樣本;(3)較少的特征可以減少計(jì)算時(shí)間,這對(duì)于實(shí)時(shí)應(yīng)用非常重要。所以,要在所有的特征中進(jìn)行選擇,找出最有效的特征,這就要用到特征選取。使用特征選取來進(jìn)行目標(biāo)辨別可以分為CFAR檢測(cè)、特征提取、特征選擇及分類4個(gè)步驟,流程如圖6所示。特征選取可以用遺傳算法來實(shí)現(xiàn)。按照?qǐng)D6的流程,Cooke和Tristrom利用奇異值分解(singularvaluedecomposition,SVD)方法在低分辨率SAR圖像中進(jìn)行目標(biāo)辨別。他們所使用的特征主要為圖像特征向量的子集。SVD分析揭示,