基于混合智能优化算法的SAR图像特征选择方法

摘要

本发明公开了一种基于混合智能优化算法的SAR图像特征选择方法。本发明首先采用分形特征对SAR图像进行增强，基于分割后的图像提出了一种基于图像矩的方位角估计方法。然后基于未校正和校正后的图像分别提取Zernike矩、Gabor小波系数和灰度共生矩阵构成候选特征序列。采用了一种结合遗传算法和二值粒子群的混合优化算法实现SAR图像特征选择。最后采用MSTAR数据库验证了提出算法的有效性。实验结果表明，优化后的特征集合具有一定泛化能力，一方面提高了SAR目标识别的准确率，另一方面减小了SAR图像目标识别的时间。

说明书

技术领域

本发明属于目标识别和模式识别技术领域，涉及一种基于混合智能优化算法的SAR图像特征选择方法。

背景技术

合成孔径雷达(SyntheticApertureRadar，SAR)是一种微波成像传感器，具有全天时、全天候、多波段、多极化等特点，在国民经济和国防建设中有广泛的应用，如反弹道导弹的防御系统、海洋监测系统、矿藏探测等。

影响SAR图像自动目标识别(AutomaticTargetRecognition，ATR)的关键因素包括特征提取及特征选择，以及分类器设计两方面。目前SARATR采用的特征主要包括基于数学变换的特征、计算机视觉特征和电磁特等。基于数学变换的特征有小波变换、PCA、ICA等。由于这类特征通常具有较高的目标识别率，一般可直接使用或对多个特征进行融合。计算机视觉特征主要有纹理、姿态角、形状、分形维数、主导边界等；常见的电磁特征有散射中心、HRR剖面等。这两类特征能对应到成像场景中的目标，由于单个特征分类效果较差，一般通过使用多个特征组合以提高判别能力。对于一个SAR图像多个特征而言，它们之间会存在特征集的冗余问题、特征集过适应问题、实时显著特征的选取问题。特征选择是解决多个特征同时选择的手段，目的是在候选特征中筛选出最有效的特征组合。

发明内容

本发明针对现有技术的不足，提供了一种基于混合智能优化算法的SAR图像特征选择方法。

本发明的具体步骤是：

步骤(1).预处理

1.1SAR图像增强

利用分形特征，通过设置合适的最大尺度ε_max，对原始SAR图像中每个像素进行MFFK计算，并生成对应的MFFK图像，实现SAR图像中的目标增强；

$MFFK(x,y)=\underset{ϵ=2}{\overset{{ϵ}_{\max }}{\Sigma }}{[K(x,y,ϵ)-\frac{1}{{ϵ}_{\max }-1}\underset{ϵ=2}{\overset{{ϵ}_{\max }}{\Sigma }}K(x,y,ϵ)]}^2---\left(1\right)$

其中MFFK表示在ε_max的尺度范围内D维面积K的变化程度。

1.2SAR图像分割

对增强后图像进行阈值分割，得到目标与背景分离的二值化图像。

1.3方位角的估计、图像的姿态矫正

对SAR分割图像，利用Hu不变矩估计目标的方位角，计算公式为

$\theta =\frac{{\tan }^{-1}\left(\frac{2(\frac{M_{11}}{M_{00}}-x_c{y}_c)}{(\frac{M_{20}}{M_{00}}-{x_c}^2)-(\frac{M_{02}}{M_{00}}-{y_c}^2)}\right)}{2}---\left(2\right)$

其中M₀₂、M₂₀、M₁₁为二阶矩，M₀₀为零阶矩，(x_c,y_c)表示图像的质心。根据估计的方位角对原始SAR图像进行姿态矫正。

1.4裁剪、中心化

对原始SAR图像和SAR分割图像分别读取以图像中心点为中心的61×61图像区域。

步骤(2).特征提取

2.1提取Zernike矩形状特征

基于原始SAR图像和矫正SAR图像的分割图像分别提取34维Zernike矩形状特征。

2.2提取Zernike矩幅值特征

基于原始SAR图像和矫正SAR图像的分割图像分别提取34维Zernike矩幅值特征。

2.3提取方位角特征

对SAR分割图像，利用Hu不变矩计算目标的方位角作为方位角特征。

2.4提取灰度共生矩阵特征

基于原始SAR图像和矫正SAR图像的分割图像分别计算灰度共生矩阵特征，将能量、熵、惯性矩、相关的均值和标准差作为8维纹理特征。

2.4提取Gabor纹理特征

Gabor滤波器具有很强的空间定位和方向选择性，基于原始SAR图像和矫正SAR图像的分割图像，通过一组Gabor小波获取SAR图像16维局部纹理特征。

步骤(3).特征选择

3.1粒子以及染色体编码

编码方式采用二进制编码，1表示该特征被选中，0表示未被选中。

3.2适应度函数设计

适应度函数从目标识别率和识别时间两方面考虑，采用权重的方法获得的适应度函数如式(3)表示

Fitness＝a×AC+b×(1-L₀/L)(3)

其中AC表示当前子序列的识别率，L₀表示当前子序列的特征个数，L为特征总个数，权重系数a、b的取值分别为0.8、0.2。

3.3混合智能优化算法

3.3.1初始化粒子

采用随机方法初始化N个粒子的位置和速度。

3.3.2选择优秀粒子

根据N个粒子的适应度函数值排序，将适应度函数值高的N/2个粒子作为优秀粒子保留，另外N/2个粒子舍弃。

3.3.3粒子更新

首先采用NBPSO算法更新保留的N/2个粒子的位置和速度，粒子的速度更新公式为

其中分别表示粒子的位置变为1、0的概率，当P_ibst或者P_gbst等于0时，增加、减小；反之，当P_ibst或者P_gbst等于1时，减小、增加，通过这种方式，粒子某一位置的变1和表0的方向能保持下去并且用于粒子的更新。粒子的位置更新公式为

其中v′_ij(t)＝sig(v_ij(t))，表示x_ij(t)在二进制下的取反，r_ij是在(0,1)之间的随机值。

然后对新粒子进行GA操作得到N/2个粒子，最后将两次得到的更新粒子组合成下一代N个粒子，这样就完成了整个粒子群的更新。

3.3.4迭代判断

判断是否达到最大迭代次数，若满足则停止迭代，否则继续进行步骤3.3.2和步骤3.3.3。

本发明基于未校正和校正后的图像分别提取Zernike矩、Gabor小波系数和灰度共生矩阵构成候选特征序列。采用了一种结合遗传算法和二值粒子群的混合优化算法实现SAR图像特征选择。实验结果表明，优化后的特征集合具有一定泛化能力，一方面提高了SAR目标识别的准确率，另一方面减小了SAR图像目标识别的时间。

附图说明

图1为本发明的流程图。

图2(a)为目标T72的原始图。

图2(b)为目标T72的增强图。

图2(c)为目标T72的分割图。

图2(d)为目标T72的矫正图。

图3为混合智能优化算法的流程图。

具体实施方式

以下结合附图对本发明作进一步说明。

如图1所示，本发明包括以下步骤：

步骤(1).预处理

1.1SAR图像增强

分形模型在一定尺度范围内可以很好地与自然物体的表面或者空间结构结构相吻合，而分形模型的这种规律性表达与人造目标的表面或者空间结构存在一定的差异性。根据分形特征的不同，提取自然背景中的人造目标来实现对人造目标的增强。多尺度分形特征(multi-scalefractalfeaturerelatedwithK,MFFK)是一个分形参数变化度量函数，MFFK可以理解为在ε_max的尺度范围内D维面积(K)的变化程度，利用MFFK来实现突出人造目标与自然背景在分形特征上的差异。通过设置合适的最大尺度ε_max，对原始SAR图像中每个像素进行MFFK计算，并生成对应的MFFK图像，实现SAR图像中的目标增强，如图2(b)所示；

$MFFK(x,y)=\underset{ϵ=2}{\overset{{ϵ}_{\max }}{\Sigma }}{[K(x,y,ϵ)-\frac{1}{{ϵ}_{\max }-1}\underset{ϵ=2}{\overset{{ϵ}_{\max }}{\Sigma }}K(x,y,ϵ)]}^2---\left(1\right)$

1.2SAR图像分割

对增强后图像进行阈值分割，阈值为5，得到目标与背景分离的二值化图像，如图2(c)所示。

1.3方位角的估计、图像的姿态矫正

对SAR分割图像，利用Hu不变矩估计目标的方位角，计算公式为

$\theta =\frac{{\tan }^{-1}\left(\frac{2(\frac{M_{11}}{M_{00}}-x_c{y}_c)}{(\frac{M_{20}}{M_{00}}-{x_c}^2)-(\frac{M_{02}}{M_{00}}-{y_c}^2)}\right)}{2}---\left(2\right)$

其中M₀₂、M₂₀、M₁₁为二阶矩，M₀₀为零阶矩，(x_c,y_c)表示图像的质心。根据估计的方位角对原始SAR图像进行姿态矫正，图2(d)显示了根据估计的方位角矫正后的图像。

1.4裁剪、中心化

对原始SAR图像和SAR分割图像分别读取以图像中心点为中心的61×61图像区域。

步骤(2).特征提取

2.1提取Zernike矩形状特征

Zernike矩是一幅图像在一组Zernike多项式上的投影。Teague等以复域Zernike多项式为基，得到了具有正交、旋转不变特性的Zernike矩[12]。一幅离散图像I的n阶m重Zernike矩可定义为

$Z_{n,m}=\frac{(n+1)}{\pi {(N-1)}^2}\underset{x=0}{\overset{N-}{\Sigma }}\underset{y=0}{\overset{1N-1}{\Sigma }}I(x,y)R_{n,m}\left(\rho \right)e^{jm\theta }---\left(3\right)$

其中n＝0,1,2,…，0≤|m|≤n，且n-|m|为偶数。(ρ,θ)是在单位圆下的极坐标表现形式，R_n,m是径向多项式。Zernike矩有两个很重要的特点：(1)虽然Zernike矩依赖于目标的平移中心化，但幅值具有旋转不变性，即一幅图像在旋转之后幅值不发生变化，因此可以用Zernike矩的幅值提取SAR图像的形状特征；(2)R_n,m相互正交，可在忽略目标的形状情况下从感兴趣区域提取Zernike矩作为目标的幅值特征。

基于原始SAR图像和矫正SAR图像的分割图像分别提取34维Zernike矩形状特征。

2.2提取Zernike矩幅值特征

基于原始SAR图像和矫正SAR图像的分割图像分别提取34维Zernike矩幅值特征。

2.3提取方位角特征

对SAR分割图像，利用Hu不变矩计算目标的方位角作为方位角特征。

2.4提取灰度共生矩阵特征

灰度共生矩阵是用两个位置像素的联合概率密度来定义的，其不仅反映了影像亮度的分布特性，也反映了影像中具有同样亮度或相近亮度的像素之间的位置分布特性，基于原始SAR图像和矫正SAR图像的分割图像分别计算灰度共生矩阵特征，将能量、熵、惯性矩、相关的均值和标准差作为8维纹理特征。

2.4提取Gabor纹理特征

Gabor滤波器具有很强的空间定位和方向选择性，基于原始SAR图像和矫正SAR图像的分割图像，通过一组Gabor小波获取SAR图像16维局部纹理特征，Gabor函数中波长设为1.5、高斯函数的两个参数都设为0.5。

步骤(3).特征选择

3.1粒子以及染色体编码

编码方式采用二进制编码，1表示该特征被选中，0表示未被选中。

3.2适应度函数设计

适应度函数从目标识别率和识别时间两方面考虑，采用权重的方法获得的适应度函数如式(4)表示

Fitness＝a×AC+b×(1-L₀/L)(4)

其中AC表示当前子序列的识别率，L₀表示当前子序列的特征个数，L为特征总个数，权重系数a、b的取值分别为0.8、0.2。

3.3基于混合智能优化算法进行SAR图像特征选择，参见图3。

3.3.1初始化粒子

采用随机方法初始化N个粒子的位置和速度。

3.3.2选择优秀粒子

根据N个粒子的适应度函数值排序，将适应度函数值高的N/2个粒子作为优秀粒子保留，另外N/2个粒子舍弃。

3.3.3粒子更新

首先采用NBPSO算法更新保留的N/2个粒子的位置和速度，粒子的速度更新公式为

其中分别表示粒子的位置变为1、0的概率，当P_ibst或者P_gbst等于0时，增加、减小；反之，当P_ibst或者P_gbst等于1时，减小、增加，通过这种方式，粒子某一位置的变1和表0的方向能保持下去并且用于粒子的更新。粒子的位置更新公式为

其中v′_ij(t)＝sig(v_ij(t))，表示x_ij(t)在二进制下的取反，r_ij是在(0,1)之间的随机值。

然后对新粒子进行GA操作得到N/2个粒子，最后将两次得到的更新粒子组合成下一代N个粒子，这样就完成了整个粒子群的更新。

3.3.4迭代判断

判断是否达到最大迭代次数，若满足则停止迭代，否则继续进行步骤3.3.2和步骤3.3.3。