合成孔径雷达图像中目标识别方法的实现

合成孔径雷达是上世纪50年代初由美国Goodyear Aero space公司Carl Wiley首先提出：利用频率分析方法可以改善雷达的角分辨率。1953年夏，美国密西根大学暑期讨论会上，学者们提出了载机运动可以将雷达的真实天线合成为大孔径的线性天线阵列的新概念。

由于 SAR 图像目标识别在军事上的重要意义，目前世界各国都非常重视这方面的研究，典型的如美国、俄罗斯、德国等，其中尤以美国这方面的研究处于国际领先地位。当前发展较快的 SAR 图像的目标识别应用系统主要有：①美国陆军实验室(America Army Laboratory，ARL ) 的 SAR ATR 系统；②美国麻省理工学院林肯实验室基于模板的 SAR ATR 系统；③美国运动和静止目标获取与识别(Moving and Stationary Target Acquisition and Recognition, MSTAR)计划的基于模型的 SARATR 系统； ④美国 Sandia 国家实验室的 SARATR 系统；⑤“北约”组织的 RG20 项目。

国内有关 SAR 图像的目标识别研究起步较晚，主要的研究单位有：中国科学院电子学研究所、中国科学院遥感所、国防科技大学 ATR 实验室、华中理工大学图像识别研究所、西安电子科技大学智能信号处理研究所、中国民航学院、北京理工大学、北京航空航天大学等，它们在 SAR 图像的地物分割、分类和匹配以及舰船、桥梁、道路的识别等方面取得了一定的成果。但是与国外相比，还有相当大的差距。

合成孔径雷达(SAR)在环境监测、资源勘探及军事领域得到广泛应用，合成孔径雷达图像因其良好的穿透性比光学图像包含更丰富的内容，对合成孔径雷达图像解译可以获得覆盖区域的相关信息和知识。目标识别是合成孔径雷达图像解译和分析的重要过程，识别过程主要包括检测、鉴别和识别三个阶段。毕业设计通过分析合成孔径雷达图像中目标识别方法的基本原理，应用matlab 实验程序设计和实现合成孔径雷达图像中目标识别方法。

 

SAR图像目标识别系统，主要包括以下三个阶段：检测、鉴别和识别，SAR 图像目标识别系统的目的是在没有人工直接干预的情况下，在较短的时间内检测出目标的位置并辨识出目标的种类。典型目标识别系统一般由以下模块构成：

1. 预处理模块，此模块完成的功能是对待识别图像进行噪声抑制，去除由 SAR 成像机理固有的相干斑噪声，提高后续模块的可靠性。
2. 检测模块，该模块的作用是从大范围的图像中找出可能存在目标的感兴趣区域(Region of Interest，ROI)，从 SAR 图像中筛选出候选目标区域完成定位潜在目标区域，并且去除背景杂波，能降低后续阶段算法的负载，提高系统的效率。
3. 鉴别模块，在这一模块中准确定位候选目标，提取其特征(如纹理，尺寸，对比度，不变矩，线特征等)并排除人工和自然纹斑噪声造成的虚警，对目标区域进行特征提取，组成特征向量，准备特征匹配，鉴别模块的特征提取是系统的核心，也是我们研究内容的一部分。
4. 识别模块，对提取出的目标特征和数据库内模型切片的已有特征匹配，采用合适的匹配算法，以达到对目标进行识别的目的。
5. 数据库，包括目标样本数据库，目标特征库，仿真数据库和遥感、先验知识库。目标数据库是我们用来存放采集到的目标的库，在一般 SAR 目标识别系统中，目标库的容量比较大；目标特征库的作用是从中抽取出用于匹配的特征；仿真数据库的内容是根据卫星参数和地面物体的形状，尺寸等参数，通过计算机模拟雷达回波数据而得到目标理论模型；遥感先验知识库用于存放己知的遥感信息参数。

SAR是一种高分辨率相干成像雷达，它的工作原理类似于相机，只是SAR利用天线向目标发射能量和接收从目标返回的能量，并用数字设备记录所成图像。孔径指天线长度，SAR系统通过卫星或飞机的向前运动构成合成孔径，即合成一个长的天线，只要目标被发射能量照射到或位于波束宽度之内，该目标就会被成像。

 

图2.1是SAR系统成像的几何示意图，图中天线照射方向和飞行方向垂直，入射角为Ө。沿雷达视线的坐标称为距离（range），和距离向正交的坐标称为方位（azimuth）。雷达平台可以是机载或星载平台，随着平台沿方位向以固定的速度前进，雷达以固定的间隔向雷达照射区域发射电磁脉冲，在目标通过由小天线生成的波束时，记录相应回播（包括信号的强度和相位信息），对目标的多次观测结果以合成的长天线方式处理。

 

在成像雷达照射的范围内，被照射的两个目标在距离向和方位向都相隔一定的距离，分辨率是描述雷达判别在空间上相邻的目标的最小距离，定义了能分离目标并能作为独立目标识别的距离。雷达分辨率定义在两个方向上：平行于雷达飞行方向的分辨率称为方位分辨率，垂直于飞行方向的分辨率称为距离分辨率。距离分辨率直接与雷达发射信号的脉冲长度有关，脉冲长度越短（即频率越高），距离分辨率越高。尽管短的脉冲长度会增大距离分辨率，但短脉冲照射目标的能量也会降低，使回波信号太弱难以记录下来，因此不使用短脉冲，而是通过脉冲压缩技术来提高距离分辨率的。SAR的方位分辨率和天线的孔径大小有关，孔径越大，则方位分辨率越高。为了在小孔径天线的情况下得到高的方位分辨率，采用合成孔径技术。合成孔径以多普勒移频频率和基准频率，可以使多个回波聚焦于单个的目标点，因此有效地增加了成像目标点的天线长度。这表明SAR系统是相干系统，即要求雷达的发射信号、接收信号、记录信号和基准信号之间，除了具有有用信息的相位变化外，没有随时间变化的相位差。SAR系统应该具有良好的相干性，因为系统不仅需要信号的幅度信息，还需要相干信号的相位信息来提高分辨率并成像。同时相干信号的叠加会造成成像结果上周期性出现的斑点（speckle）噪声，影响了对图像的处理、理解，所以去除斑点噪声是SAR图像处理中重要而基本的一个步骤。

 

图3-1 SAR图像a

图3-2 Lee滤波效果图a

图3-3 SAR图像b

图3-4 Lee滤波效果图b

    图3-3、图3-4分别为对图3-1、图3-2的SAR图像进行 lee 滤波后的图像。Lee 滤波方法的优点是计算简单，速度快，只要知道斑点噪声的先验均值和方差，就可以运用此方法进行滤波，缺点是边缘区域的斑点噪声没有得到很好的平滑：在选择较小窗口的情况下，可得到较好的效果，但随着处理窗口的增大，会使图像边沿模糊，损失掉一些细节信息。

 

 

4.1 特征提取与选择的基本理论与准则

 通过对对象进行测量，可以得到对象的一种描述，即用测量空间的一个点来表示这个对象。如一个物体的图像，可以用二维的灰度矩阵来表示。显然一般情况下不能直接使用这样的测量值，在测量空间中进行分类器的设计。首先因为测量空间的维数很高(每个象素点就是一维)，不适宜于分类器的设计。更重要的是因为这样的描述并不能直接反映对象的本质，且它随摄像机位置、照度等因素的变化而变化。为了进行分类器设计，需要把图像从测量空间变换到维数大大减少的特征空间，被研究的图像在这个特征空间中就由一个特征向量来表示。

 特征形成根据被识别的对象产生出一组基本特征，可以使计算出来的，也可以使仪表或传感器测量出来的测量值，很多情况原始测量就可以作为原始特征，而有些情况则需要计算得出一组原始特征。

 特征提取原始特征的数量可能很大，或者说样本是处于一个高维空间中，通过映射(或变换)的方法可以用低维空间来表示样本，这个过程较特征提取。映射后的特征叫二次特征，他们是原始特征的某种组合(通常是线性组合)。所谓特征提取在广义上就是指一种变换。若Y是测量空间，X是特征空间，则变换A:Y~X就叫做特征提取器。

 特征选择从一组特征中挑选出一些最有效的特征以达到降低特征空间维数的目的，这个过程叫特征选择。

 有时特征提取和选择并不是截然分开的。例如，可以先将原始特征空间映射到维数较低的空间，在这个空间中再进行选择以进一步降低维数。也可以先经过选择取掉那些明显没有分类信息的特征，再进行映射以降低维数。

 为有效实现特征提取与选择，需要首先制定特征提取与选择的准则，可直接以反映类内类间距离的函数作为准则，也可以使用类别判决函数作为准则，还可以构造与误判概率有关的盘局来刻画特征对分类识别的贡献或者有效性。

 

4.2 纹理特征

纹理定义:任何事物构成成分的分布或特征，尤其是涉及外观或触觉的品质。反映一个区域内象素灰度级的空间分布的属性。特点:常具有周期性，可提供区域的平滑、稀疏、规则性等特性。

区域描绘的一种重要方法是将区域的纹理量化。一般来说，纹理图像中灰度分布具有某种周期性，即便灰度变化是随机的，它也具有一定的统计特性。这种描绘提供了对诸如平滑度、粗糙度和规律性等特性的度量。在图像处理中用于描述区域纹理的3种主要方法是统计方法、结构化方法和频谱方法。

（a）统计方法指诸如平滑、粗糙、粒状等纹理的特征描述。

（b）结构化技术处理图像元的排列，认为复杂的纹理可由一些简单的纹理基元以一定的有规律的 形式重复排列组合而成。诸如基于均匀空间分布的平行线纹理描述。

（c）频谱技术基于傅立叶频谱特性，傅里叶频谱中突起的峰值对应纹理模式的主方向;这些峰在频域平面的位置对应模式的基本周期;如果用滤波把周期性成分除去，剩下的非周期成分将可用统计方法描述。

 

4.3 二维不变矩特征

 机器视觉系统在识别图像目标时，一个基本要求是:无论被识别的图像在视场中作何种平移、旋转、放大或缩小，都能正确识别。为解决这个问题，就希望图像特征本身具有不变性。因此，不变性特征的研究一直是感知科学和计算机视觉的研究重点。这方面的研究己取得了一些重要的成果，其中不变矩是一经典的方法。

 不变矩方法就是通过提取具有平移、旋转及比例不变性的数学特征，从而进行图像识别的算法。Hu首先于1962年提出了连续函数矩的定义和关于矩的基本性质，在Hu研究的基础上，wong进一步给出了离散情况下的各阶矩的计算方法，图像匹配实验结果表明:比例因子的选取对离散不变矩影响较大。针对这一问题，有研究提出了归一化中心矩方法，经过证明一组新的不变矩特征在离散状态下具有平移、旋转及比例不变性。

 

本文地址：https://blog.csdn.net/ccsss22/article/details/108995835