随着SAR在海洋上的应用越来越广泛,SAR图像自动目标识别(Automatic Target Recognition,ATR)技术成为目前的热门研究方向。国内外对SAR ATR展开了广泛深入的研究。比较著名的如林肯实验室开发的基于模板的ATR系统[1],以及DARPA和AFRL共同资助的基于模型的MSTAR ATR系统等,它们通常将目标识别系统分为检测、鉴别和分类3个阶段[2 – 3]。SAR图像特征提取是识别中的关键环节[4]。如何有效地提取出目标特征就显得尤为重要。
本文采用核主成分分析(KPCA)[5 – 6]与核Fisher判别分析(KFDA)[7 – 8]相结合的方法,利用KPCA准则进行非线性特征提取,降低样本数据的维数,提取有利于分类的特征,然后将结合核Fisher判别分析法对降维后的样本数据进行分类,并通过实验证明本文方法的有效性。
1 理论与算法 1.1 核主成分分析经典的主成分分析[9 – 10]是一种线性算法,因此不能提取数据中的非线性结构特征,而在实际问题中非线性特征却广泛存在着。核主成分分析通过非线性变换将输入数据映射到高维特征空间,在高维空间中应用PCA方法进行分析。
设样本集
${{C}} = \frac{1}{M}\sum\limits_{j = 1}^M {\varPhi ({x_j})\varPhi {{({x_j})}^{\rm T}}}, $ | (1) |
对应的特征方程为:
$\lambda \nu = {{C}}\nu, $ | (2) |
其中v是高维空间中λ对应的特征向量。式(2)两边同时乘上
$\lambda (\varPhi ({x_k})\nu ) = (\varPhi ({x_k})C\nu ),$ | (3) |
并且存在系数
$\nu = \sum\limits_{i = 1}^M {{{{\alpha }}_i}\varPhi ({x_i})}, $ | (4) |
定义核矩阵
${{\mathop{ K}\nolimits} _{ij}} = k({x_i},{x_j}) = (\varPhi ({x_i}) \cdot \varPhi ({x_j})),$ | (5) |
式中:
综合以上各式得
$M\lambda {{\alpha }} = {\mathop{ K}\nolimits} {{\alpha }},$ | (6) |
式中:
$({\nu ^r}\varPhi (x)) = \sum\limits_{i = 1}^M {{{({{{\alpha }}_i})}^r}(\varPhi ({x_i}) \cdot \varPhi (x))}, $ | (7) |
用核函数代替内积
$({\nu ^r} \cdot \varPhi (x)) = \sum\limits_{i = 1}^M {{{({{{\alpha }}_i})}^r}{\mathop{\rm K}\nolimits} ({x_i},x)}{\text{。}} $ | (8) |
求解核矩阵K的特征值和特征向量。对求得的特征值进行降序排序,并对特征向量进行相应调整,对特征向量进行归一化得到
类似于KPCA思想,核Fisher判别分析把数据非线性映射到高维特征空间,然后在特征空间中进行Fisher判别。
设Φ是一个非线性映射,对应特征空间为F,样本集合
${{m}}_i^\varPhi = \frac{1}{{{l_i}}}\sum\limits_{j = 1}^{{l_i}} {\varPhi (x_j^i)}, $ | (9) |
F空间上类间离散度矩阵为
${{S}}_B^\varPhi = \frac{1}{{C(C - 1)}}\sum\limits_{i = 1}^C {\sum\limits_{j = 1}^C {({{m}}_i^\varPhi - {{m}}_j^\varPhi ){{({{m}}_i^\varPhi - {{m}}_j^\varPhi )}^{\rm T}}} }, $ | (10) |
F空间上类内离散度矩阵为
${{S}}_W^\Phi = \frac{1}{C}\sum\limits_{i = 1}^C {\frac{1}{{{l_i}}}\sum\limits_{j = 1}^{{l_i}} {(\Phi ({x_j}) - {{m}}_i^\varPhi ){{(\Phi ({x_j}) - {{m}}_i^\varPhi )}^{\rm T}}} }, $ | (11) |
寻求一个最佳投影矢量w,使得
${{J}}(w) = \frac{{{{{w}}^{\rm T}}{{S}}_B^\varPhi {{w}}}}{{{{{w}}^{\rm T}}{{S}}_w^\varPhi {{w}}}},$ | (12) |
式中:C为类别数;li为第i类样本的总数
${{w}} = \sum\limits_{i = 1}^l {{\alpha _i}\varPhi ({x_i})}, $ | (13) |
其中
$\begin{array}{c}{{{w}}^{\rm T}}{{m}}_i^\varPhi = \frac{1}{{{l_i}}}\sum\limits_{j = 1}^l {\sum\limits_{k = 1}^{{l_i}} {{\alpha _j}k({x_j},x_k^i)} }= \\ {\alpha ^{\rm T}}\left[ {\begin{array}{*{20}{c}}{\frac{1}{{{l_i}}}\sum\limits_{k = 1}^{{l_i}} {k({x_1},x_k^i)} }\\{\frac{1}{{{l_i}}}\sum\limits_{k = 1}^{{l_i}} {k({x_2},x_k^i)} }\\ \vdots \\{\frac{1}{{{l_i}}}\sum\limits_{k = 1}^{{l_i}} {k({x_l},x_k^i)} }\end{array}} \right] = {\alpha ^{\rm T}}{{{M}}_i},\end{array}$ | (14) |
式中
${{{w}}^{\rm T}}{{S}}_B^\varPhi {{w}} = {\alpha ^{\rm T}}{{M}}\alpha, $ | (15) |
${{{w}}^{\rm T}}{{S}}_W^\varPhi {{w}} = {\alpha ^{\rm T}}{{N}}\alpha, $ | (16) |
其中:
${{M}} = \frac{1}{{C(C - 1)}}\sum\limits_{i = 1}^C {\sum\limits_{j = 1}^C {({{{M}}_i} - {{{M}}_j}){{({{{M}}_i} - {{{M}}_j})}^{\rm T}}} }{\text{。}} $ | (17) |
${{N}} = \frac{1}{C}\sum\limits_{i = 1}^C {\frac{1}{{{l_i}}}\sum\limits_{j = 1}^{{l_i}} {({{{K}}_j} - {{{M}}_i}){{({{{K}}_j} - {{{M}}_i})}^{\rm T}}}, } $ | (18) |
${{{K}}_j} = (k({x_1},{x_j}),k({x_2},{x_j}), \cdots ,k({x_i},{x_j})),$ | (19) |
则在F空间中应用Fisher线性判别就是最大化:
$J(\alpha ) = \frac{{{\alpha ^{\rm T}}{{M}}\alpha }}{{{\alpha ^{\rm T}}{{N}}\alpha }},$ | (20) |
该式的解为
将KPCA与KFDA两种方法结合可以充分利用2种方法各自的优点,消除了变量之间的信息叠加,提高了提取特征的稳定性。首先读入SAR舰船目标图像,将每幅图像数据展成一个列向量,然后对数据进行归一化处理,然后利用KPCA算法进行降维处理,最后采用KFDA方法对降维后的样本进行分类识别。本文采用的识别流程如图1所示。
实验中所用的SAR图像取自C波段RADARSAT-2卫星获取的实测SAR数据。图像方位向和距离向的分辨率都为3 m。所选用的舰船包括集装箱船、油船、军舰与散装货船各80幅,共320幅构成舰船库。图2展现了各类型舰船的光学图像及在RADARSAT-2数据中部分舰船类型的SAR图像。所有SAR图像目标切片大小均为100×100,在舰船库中选出每类舰船的前40幅图像共160幅作为训练图像,构成训练集,剩下的160幅图像作为测试样本。
在生成的舰船样本中,每幅图像按列相连构成10 000维列向量,通过主成分分析的方法可以将这些10 000维的样本特征向量降至k维。这样数据库中每一艘舰船样本都可以由一个k维的特征向量来表示,以作为后续分类所采用的特征。这些特征向量对应的图像很像舰船,在这里称之为“主成分船”。图3中比较了KPCA+KFDA和PCA+KFDA两种算法的特征维数变化对识别率的影响,随着特征子空间维数的升高,舰船图像的识别率也随之逐渐提高。在特征维数小于10的时候,识别率的变化率比较大,而在特征维数大于20以后趋于稳定。这里选定特征向量的维数为20维,20个主成分船如图4所示。
本文采用KPCA与KFDA相结合的方法,并与单独采用KFDA方法以及KFDA与PCA结合的方法做出比较,为体现识别效果,将识别率采用百分比的形式展现,即每类舰船能够正确分类识别出的数量/每类总的测试数量。识别率的比较如表1所示。
由表1可看出,将样本数据用PCA方法进行特征降维后再用KFDA方法判别得到的识别率比直接用KFDA方法判别的识别率提高了5%。本文采用KPCA与KFDA相结合的方法可以进一步提高了识别率,达到91.25%,是一种有效的SAR图像目标特征提取和目标识别的方法。
4 结 语本文提出了一种基于KPCA+KFDA特征提取的SAR图像目标识别方法,有效结合了2种方法的优越性,用KPCA方法对样本数据进行特征降维,再用KFDA方法进行判别。通过实验仿真对本文方法进行了验证,结果表明KPCA+KFDA方法得到的舰船目标识别率比没有经过特征降维的KFDA方法提高将近9%,比PCA+KFDA方法提高了近4%,提高了舰船目标识别的精度。
[1] | DUDGEON D E, LACOSS R T. An overview of automatic target recognition[J]. The Lincoln Laboratory Journal, 1993, 6 (1): 3–10. |
[2] | OUEHI K, TAMAKI S. Ship detection based on coherence images derived from cross correlation of multilook SAR images[J]. IEEE Transactions on Geoscience and Remote Sensing letters, 2004, 1 (3): 184–187. DOI: 10.1109/LGRS.2004.827462 |
[3] | ROSS T. SAR ATR: so what’s the problem An MSTAR perspective[J]. Proc. SPIE Conf. on SAR, 1999, 3721 : 662–672. DOI: 10.1117/12.357681 |
[4] |
张晰, 张杰, 纪永刚. 基于结构特征的SAR船只类型识别能力分析[J]. 海洋学报, 2010, 32 (1): 146–152.
ZHANG X, ZHANG J, JI Y G. The capability analysis of ship classification by structure feature using SAR images[J]. Acta Oceanologica Sinica, 2010, 32 (1): 146–152. |
[5] | SCHOLKOPF B, SMOLA A, MULLER K. Nonlinear component analysis as a kernel eigenvalue problem[J]. Neural Computation, 1998, 10: 1299–1319. |
[6] |
韩萍, 吴仁彪, 王兆华, 等. 基于KPCA准则的SAR目标特征提取与识别[J]. 电子与信息学报, 2003, 25 (10): 1297–1301.
HAN P, WU R B, WANG Z H. SAR automatic target recognition based on KPCA criterion[J]. Journal of Electronics & Information Technology, 2003, 25 (10): 1297–1301. |
[7] | MULLER K, MIKA S, RATSCH G. An introduction to kernel based learning algorithms[C]// IEEE Tran. on Neural Networks, 2001(12): 181–201. |
[8] |
徐正光, 王淑盛, 刘冀伟, 等. 基于主成分分析的核Fisher判别方法在油水识别中的应用[J]. 北京科技大学学报, 2005, 27 (1): 126–128.
XU Z G, WANG S S, LIU J W, et al. Application of kernel Fisher method based on primary factor analysis to recognition problem between oil layer and water layer[J]. Journal of University of Science and Technology Beijing, 2005, 27 (1): 126–128. |
[9] | HUANG S J, YE J Y, Wang T Q. Extracting Refined Low-Rank Features of Robust PCA for Human Action Recognition[J]. Arabian Journal for Science and Engineering, 2015, 40 (5): 1427–1441. DOI: 10.1007/s13369-015-1635-8 |
[10] | TAE H O, J C BAZIN. Partial Sum Minimization of Singular Values in Robust PCA: Algorithm and Applications[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2016, 38 (4). |