一种基于ISAR图像的舰船目标模糊识别方法

摘要

一种基于ISAR图像的舰船目标模糊识别方法，本发明涉及基于ISAR图像的舰船目标模糊识别方法。本发明的目的是为了解决现有技术采用均匀分段，对上层曲线的分段过于简单，同一结构内的曲线被分到不同的段中，造成段内均值和编码的误差，并且结构编码对上层结构曲线的描述也不够充分，造成识别准确率不高的问题。具体过程为：一、提取上层结构曲线；二、计算分段后的分段相对均值特征；三、使用训练样本估计构造目标类别模板；四、计算并得到待识别目标和目标类别模板的模糊集合形式及隶属度函数；五、计算待识别目标与不同类别模板的模糊集的贴近度，将待识别目标判定为贴近度最大的类别。本发明应用于舰船目标识别领域。

说明书

技术领域

本发明涉及基于ISAR图像的舰船目标模糊识别方法。

背景技术

ISAR是利用静止的雷达利用运动目标产生的相对运动形成的合成孔径来成像的一种雷达成像技术，雷达固定在地面或者装载于舰船上(分别对应岸基ISAR与舰载ISAR)，目标多为非合作目标。目标的形态特征在高分辨ISAR图像中得到了较好的保留，因此基于ISAR图像的舰船目标识别技术在军事与民用范围内都具有广阔的前景。

现有的基于ISAR图像的舰船目标研究，主要使用目标的形态与轮廓特征，对于舰船目标，尤其是长度体型较为近似的目标，最明显的差异体现在舰船上层结构——舰船甲板以上的部分。有人提出方法，在提取舰船目标中心线后，得到上层结构曲线，并提取桅杆和上层结构编码等特征，使用模板匹配方法对目标进行识别。然而，该方法使用均匀分段，对上层曲线的分段过于简单，同一结构内的曲线被分到不同的段中，造成段内均值和编码的误差。并且结构编码对上层结构曲线的描述也不够充分，造成识别准确率不高。

发明内容

本发明的目的是为了解决现有技术采用均匀分段，对上层曲线的分段过于简单，同一结构内的曲线被分到不同的段中，造成段内均值和编码的误差，并且结构编码对上层结构曲线的描述也不够充分，造成识别准确率不高的问题，而提出一种基于ISAR图像的舰船目标模糊识别方法。

上述的发明目的是通过以下技术方案实现的：

步骤一、采用Radon变换，对目标ISAR图像提取Centreline，并提取上层结构曲线；

步骤二、利用均值梯度法对提取的上层结构曲线进行自适应分段，并计算分段后的分段相对均值特征；

步骤三、使用训练样本估计构造目标类别模板；

步骤四、对待识别目标和目标类别模板，采用隶属度原则，计算并得到待识别目标和目标类别模板的模糊集合形式及隶属度函数；

步骤五、计算待识别目标与不同类别模板的模糊集的贴近度，贴近度计算采用海明贴近度，欧几里得贴近度或格贴近度，应用最大贴近度原则，将待识别目标判定为贴近度最大的类别。

发明效果

采用自适应分段技术，对舰船上层结构进行自动化地分段，不同目标之间根据结构不同在不同的位置进行分段，使得分段结果更加合理，接近人眼的直观结果，并且保证各段内都包含完整的上层结构，有利于特征的提取，解决了均匀分段法造成段内均值和编码的误差的问题。可以实现上层结构曲线分段的自动化；同时，自适应分段所采用的原则也使得段内均值更加平稳，有利于特征的提取。此外，将原有的舰船编码变换为分段相对均值特征，将特征数值化，一方面可以与模糊集理论结合，采用模糊识别算法，提升上层结构曲线的识别效果，一方面也增大了特征空间，有利于许多分类器的应用。可以应用更多的识别方法和学习手段。采用模糊集合，取代原有的单一舰船编码，表示为多种舰船编码全集上的模糊集合，极大地提升了原有舰船编码的表达能力，并采用最大隶属度原则，进行模糊识别，可以有效地提高现有基于ISAR图像上层结构的舰船目标识别技术的正确率。并改进了模板匹配方法，采用最大贴进度原则，有效提升了现有识别算法的准确率。解决了现有结构编码对上层结构曲线的描述也不够充分，造成识别准确率不高的问题。

本实验中采用的自适应分段算法——均值梯度法，相比于原始的均匀分段，有效地提升了识别的正确率。随后比较本文算法与特征匹配法。很明显，使用单一编码来描述目标的特征匹配法，其平均识别正确率只有0.592，远远低于本文算法的0.781。特别的，目标C的识别率只有0.433，在实际应用中这种水平识别率很可能无法应用。因此，本文的模糊识别算法大大提升了基于舰船上层结构曲线编码的识别效果。最后比较本文算法与不变矩法。不变矩法的平均正确率稍低于本文算法，然而，不变矩法对目标A的识别正确率只有0.423，远低于其对目标B和目标C的识别率。同样地，这种水平的识别率在实际应用中很可能无法使用，使得该算法在多目标情况下的稳定性存在缺陷。因此，本文提出的模糊识别算法，相比于现有的其他算法，不仅具有最高的识别正确率，同时也具有最好的识别稳定性。实验结果证明了该算法的有效性，以及算法对现有技术的提升。

附图说明

图1是本发明的识别流程图；

图2为Radon变换结果示意图；

图3为舰船Centreline提取结果示意图；

图4a为舰船上层结构曲线a简单分段结果示意图；

图4b为舰船上层结构曲线b简单分段结果示意图；

图5a为均值梯度法曲线a分段结果示意图；

图5b为均值梯度法曲线b分段结果示意图；

图6a为曲线a分段相对均值特征值示意图；

图6b为曲线b分段相对均值特征值示意图；

图7为隶属度函数分布形式图；

图8a为实验渔船数据库示例图；

图8b为实验货船数据库示例图；

图8c为实验军舰船数据库示例图；

图9a为渔船示例图的上层结构曲线与自适应分段结果示意图；

图9b为货船示例图的上层结构曲线与自适应分段结果示意图；

图9c为军舰船示例图的上层结构曲线与自适应分段结果示意图；

图10a为渔船示例图的上层结构曲线与均匀分段结果示意图；

图10b为货船示例图的上层结构曲线与均匀分段结果示意图；

图10c为军舰船示例图的上层结构曲线与均匀分段结果示意图；

图11为三种贴近度的模糊识别正确率示意图，A为渔船，B为货船，C为军舰；

图12为四种用于比较的识别技术的正确率示意图，A为渔船，B为货船，C为军舰。

具体实施方式

具体实施方式一：结合图1说明本实施方式，本实施方式的一种基于ISAR图像的舰船目标模糊识别方法，具体是按照以下步骤制备的：

步骤一、采用Radon变换(拉登变换)，对目标ISAR图像(逆合成孔径雷达)提取Centreline(中心线)，并提取上层结构曲线；

步骤二、利用均值梯度法对提取的上层结构曲线进行自适应分段，并计算分段后的分段相对均值特征；

步骤三、使用训练样本估计构造目标类别模板；

训练样本和目标类别的已知情报信息为用户设置的；

步骤四、对待识别目标和目标类别模板采用隶属度原则，计算并得到待识别目标和目标类别模板的模糊集合形式及隶属度函数；

步骤五、计算待识别目标与不同目标类别模板的模糊集的贴近度，其中贴近度的计算采用三种不同的定义，分别为海明贴近度，欧几里得贴近度和格贴近度，应用最大贴近度原则，将待识别目标判定为贴近度最大的目标类别。

具体实施方式二：本实施方式与具体实施方式一不同的是：所述步骤一中采用Radon变换(拉登变换)，对目标ISAR图像(逆合成孔径雷达)提取Centreline(中心线)，并提取上层结构曲线；具体过程为：

步骤一一、提取Centreline；

对目标ISAR图像进行全角度、全截距的Radon变换，得到变换域，在变换域内通过峰值搜索，找到Centreline的倾角和投影点；图2展示了这样的过程。其中θ轴表示旋转角度，投影方向单元数表示投影点距离y′的像素数；提取并绘制出Centreline；图3展示了对图2中实测数据提取绘制Centreline的结果；

这种方法利用了舰船长度一般远大于高度的特点，因为上层结构的存在，可以实现对Centreline的无偏估计。

Radon变换是将图像矩阵对指定方向进行投影，它可以很好地检测出二维平面图像沿某条直线的能量分布。

对于一幅二维平面图像f(x,y)，其Radon变换为

该式表示坐标轴x′、y′绕x、y旋转角度θ(t)后，沿y′轴方向进行线积分的结果；

步骤一二、在步骤一一的基础上提取上层结构曲线；

提取出Centreline后，目标ISAR图像被Centreline分为两个部分，如图3所示，分别为包含桅杆或船舱的上层结构部分和包含甲板与船底的船身部分；首先应当区分出这两个部分。沿着Centreline，对目标ISAR图像(目标ISAR图像包括目标和背景)所在的距离单元内，提取每个距离单元内Centreline两侧目标ISAR图像与Centreline之间的最大偏移量，可以得到两条曲线，分别为船身曲线和上层结构曲线；根据舰船目标的结构特性，我们认为，由于甲板普遍较低，上层结构普遍较高，偏移量大的曲线为上层结构曲线，并由此区分两个部分。

其它步骤及参数与具体实施方式一相同。

具体实施方式三：本实施方式与具体实施方式一或二不同的是：所述步骤二中利用均值梯度法对提取的上层结构曲线进行自适应分段，并计算自适应分段后的分段相对均值特征；具体过程为：

二、上层结构曲线的自适应分段与改进编码特征

1、自适应分段的意义

上层结构曲线自适应分段是对传统上层结构编码特征的改进。传统编码特征是将舰船的上层结构曲线分为三段，并利用每一段内曲线的均值对各段进行二进制编码，从而获取固定长度的特征，用以表示舰船的上层结构。相比于直接使用上层结构曲线作为特征，舰船编码具有特征维数固定的优势，避免了不同视角和分辨率下舰船目标上层结构曲线长度不同需要进行的归一化或插值处理，也为识别部分的分类器选择提供了更大的灵活性。此外，曲线均值的平滑作用也可以降低噪声干扰和视角变化的影响，增大特征的稳健性。

根据编码特征的原理，其特征值依赖于曲线的分段结果。现有的舰船编码技术采用简单的均匀分段，每段的长度相同。这在很多情况下是不合理的，比如目标船只具有很大很长的船舱，占据了上层结构的大部分长度，相同长度的分段会把完整的船舱曲线分割到不同的段中，不仅破坏了上层结构的整体性，同时也使得段内曲线高度变化，进而影响到编码结果，降低了识别的准确性。如图4所示，为两种舰船目标上层结构直接平均分段的结果。图4a中第二分段点略微偏左，使得分段点右侧一段较低的平坦区域与明显较高的船舱结构分在一段中，可能会影响第三段内的平均曲线高度。而图4b中两个分段点都位于曲线的峰值点附近，由于上层结构曲线峰值往往对应着桅杆和船舱顶部等特殊结构，这样的分段结果会严重影响上层结构的完整性和特征的提取。

因此我们将从直观与数学的角度提出对舰船上层结构进行自适应分段的算法，来提高该特征的合理性和稳健性。

步骤二一、采用均值梯度法对上层结构曲线进行自适应分段；

均值梯度法是我们提出的自适应分段算法。该算法的思想是在不同位置对上层结构曲线进行分段，根据段内曲线均值的变化来确定最佳分段点。直观上，曲线的谷点一般是分段比较合理的位置。当曲线长度变化时，若增加的点的值比较小，曲线的均值会变小，当增加的点是谷点或明显与原曲线各点的值相差很大时，曲线均值就会急剧下降。因此，合适的分段点处段内曲线均值的一阶梯度会是一个极小值。我们就在这样的点处对舰船上层曲线进行分段，该算法适合从曲线两端分别进行。

具体算法如下：

步骤二一一、从提取的上层结构曲线一端C开始，以1/3曲线长度点为中心，取总曲线长度的2/9或1/3为范围，计算范围内所有的点到端点C之间的上层结构曲线的均值，绘制出均值曲线；

步骤二一二、对步骤二一一绘制出的均值曲线求一阶梯度，步长为1，找到一阶梯度的最小值；

步骤二一三、以一阶梯度的最小值对应的位置作为端点C的分段点位置；

步骤二一四、从提取的上层结构曲线另一端点D开始，以1/3曲线长度点为中心，取总曲线长度的2/9或1/3为范围，计算范围内所有的点到端点D之间的上层结构曲线的均值，绘制出均值曲线；对均值曲线求一阶梯度，步长为1，找到一阶梯度的最小值；以一阶梯度的最小值对应的位置作为端点D的分段点位置；完成自适应分段；

对图4a、图4b中相同的上层结构曲线采用均值梯度法进行分段，分段的结果如图5a、图5b所示。

从图5a、图5b可以看出，均值梯度法所得到的分段点的位置基本都在曲线的拐点或谷点附近，自适应能力较强，分段结果比较符合人的直观分类，各段内上层建筑的完整性得到保留。

步骤二二、在步骤二一的基础上计算自适应分段后的分段相对均值特征；

传统上层结构编码特征，分段完成后将采用二进制数字对各段进行编码，用1表示较高的段内结构，0表示较低的段内结构。这种标称型的特征过于粗糙，也会限制分类器的选择。因此我们将其改进为分段相对均值(Segment Comparative Mean,SCM)特征。

分段相对均值特征用数值来表示每一段，每一段的数值由段内曲线高度的均值与总体曲线均值的差除以总体曲线均值得到。

因此，该数值为正时，等效于编码1，该数值为负时则等效于编码0，数值的绝对值大小表现了段内结构‘高’与‘低’的程度。由于该数值是相对量，ISAR图像的横向分辨率在计算中被抵消，特征对分辨率不变，因此该特征可以对不同分辨率的目标图像同时使用而不需要进行归一化。同时，因为特征为数值型，更多的识别方法和学习手段可以被应用，从而提升了该特征的应用范围和识别效果。对图5a、图5b的分段结果计算改进的特征值，得到的结果如图6a、图6b所示。

其它步骤及参数与具体实施方式一或二相同。

具体实施方式四：本实施方式与具体实施方式一至三之一不同的是：所述步骤四中对待识别目标和目标类别模板采用隶属度原则，计算并得到待识别目标和目标类别模板的模糊集合形式及隶属度函数；具体过程为：

1、模糊集理论简介

本小节将简要介绍本文所用模糊识别方法所需要的模糊集合基本概念。

隶属度函数：隶属度函数表征一个元素u隶属于一个集合A的程度，记作A(u)。A(u)的取值范围为[0,1]，A(u)＝1表示元素u完全属于集合A，A(u)＝0则表示元素u完全不属于A，A(u)介于0和1之间时，表示元素u以A(u)的程度属于集合A。

模糊集：对论域U上所有的元素u，定义其隶属度函数A(u)，则A就是定义在论域U上的模糊集。若论域U包含有限个元素u₁,u₂,…,u_n，则模糊集A可以表示为：

$A={\Sigma }_{i=1}^{n}A\left(u_i\right)/u_i---\left(2\right)$

其中，符号‘/’不是传统的分号，只是表示论域上的元素u_i与其隶属度A(u_i)的对应关系；符号‘Σ’也不是传统意义的求和，而是表示论域U上所有的元素与其隶属度关系对应关系的总括。

一、待识别目标和目标类别模板的上层结构编码的模糊集；

将待识别目标和目标类别模板的上层结构表示为论域上的模糊集，取代原有的单个编码；模糊集的隶属度函数计算依赖于分段相对均值(SCM)特征，分段相对均值特征的提取已在上一节中介绍过。此处将使用SCM指代该特征向量，用SCM_i指代SCM向量的第i个值，即第i段内的相对均值。

由于论域是八个三位二进制编码(000到111)的全集，三位二进制编码为000到111；因此，对论域U上的模糊集A表示为：

$A={\Sigma }_{j=1}^{8}A\left(u_j\right)/u_j---\left(3\right)$

$B=\underset{j=1}{\overset{8}{\Sigma }}B\left(u_j\right)/u_j$

其中，u_j表示j对应数字的二进制编码，如u₂表示010；A为论域U上的待识别目标模糊集，B为论域U上的类别模板的模糊集；

例如，一个典型的被编码为010的舰船目标B可以用模糊集表示为：

$B=\frac{0.6}{000}+\frac{0.1}{001}+\frac{0.9}{010}+\frac{0.5}{011}+\frac{0.1}{100}+\frac{0}{101}+\frac{0.5}{110}+\frac{0.1}{111}---\left(4\right)$

根据模糊集相关定义，这种表示方式可以反应不同编码隶属于该目标的程度，也就是不同编码是该目标正确编码的可能性；因而该模糊集描述了目标被编码成这八种编码的可能性。也就是说，该模糊集可以描述目标上层结构与各种编码形状之间的似然度，而不是给出一个绝对的编码。这样可以提高编码的精确性。

这里的关键在于如何得到各种编码对目标的隶属度。我们通过一个两步的方案来获取待识别目标和目标类别模板的上层结构编码的模糊集的隶属度函数：一、得到各段内编码0和编码1的隶属度；二、计算各个编码u_j的总隶属度；

通过SCM特征计算各段内编码0和编码1的隶属度；

SCM为分段相对均值，SCM_i为SCM向量的第i个值，即第i段内的相对均值；

用mem_i0和mem_i1分别表示第i段的编码0和编码1的隶属度；这两个隶属度的函数形式为：

${\mathrm{mem}}_{i0}\left(x\right)=\left(\begin{array}{c}1,x\le -0.5\\ \frac{1}{2}-\frac{1}{2}sin\left(\pi x\right),-0.5<x\le 0.5\\ 0,x\ge 0.5\end{array}\right)---\left(5\right)$

${\mathrm{mem}}_{i1}\left(x\right)=\left(\begin{array}{c}0,x\le -0.5\\ \frac{1}{2}+\frac{1}{2}sin\left(\pi x\right),-0.5<x\le 0.5\\ 1,x\ge 0.5\end{array}\right)---\left(6\right)$

式中，x为SCM_i；

两个隶属度函数的分布形式如图7所示。

因此，对某一待识别目标和目标类别模板的上层结构编码，第i段的编码0隶属度为mem_i0(SCM_i)，第i段的编码1隶属度为mem_i1(SCM_i)；例如，图6b中第3段SCM₁的值为-0.266，因此该段的编码0隶属度mem₃₀为0.871，编码‘1’隶属度mem₃₁为0.129。这个结果是很合理的，因为从图6b中可以看到，该段非常可能被编码为0。

得到各段内的mem_i0与mem_i1后，计算编码u_j的总隶属度；若u_ji是编码u_j的第i段的码元，则u_j的总隶属度为：

$A\left(u_j\right)=w_i{\mathrm{mem}}_{{\mathrm{iu}}_{j}i}---\left(7\right)$

$B\left(u_j\right)=w_i{\mathrm{mem}}_{{\mathrm{iu}}_{j}i}$

其中w_i为权值；权值的和应当等于1，以保证隶属度的范围为[0,1]，从而满足隶属度的定义。缺省情况下可以使用[1/3>

例如，图6a中目标的SCM为[0.445 -0.603 0.281]，则该目标的编码0隶属度为[0.0074 1 0.1137]，编码1隶属度为[0.9926 0 0.8863]，使用均匀权值时，该目标的编码u₅＝′101′的隶属度为：

$A\left(u_5\right)=\frac{0.9926+1+0.8863}{3}=0.960---\left(8\right)$

因此，该目标可以被表示为如下的模糊集：

$A=\frac{0.374}{000}+\frac{0.631}{001}+\frac{0.040}{010}+\frac{0.298}{011}+\frac{0.702}{100}+\frac{0.960}{101}+\frac{0.369}{110}+\frac{0.626}{111}---\left(9\right)$

该表示形式的合理性是显而易见的。由图6a可以看到，目标最可能被编码为‘101’，对应编码的隶属度为0.960，为所有编码中隶属度最大的。而最不可能的编码‘101’的隶属度只有0.04。同时，该模糊集还保留了目标对其他编码的可能性。

其它步骤及参数与具体实施方式一至三之一相同。

具体实施方式五：本实施方式与具体实施方式一至四之一不同的是：所述步骤五中计算待识别目标与不同类别模板的模糊集的贴近度，其中贴近度的计算采用三种不同的定义，分别为海明贴近度，欧几里得贴近度和格贴近度，应用最大贴近度原则，将待识别目标判定为贴近度最大的类别；具体过程为：

最大贴近度原则

模糊识别中的最大贴近度原则，就是将目标判定为与其最贴近的模糊集的识别方法。贴近度是两个模糊集之间相似性的度量。两个模糊集A与B之间的贴近度记作ρ(A,B)。假设B_k,k＝1,…,c是有限论域U上的类别模板的模糊集，A为有限论域U上的待识别目标模糊集，若：

ρ(A,B_l)＝max_k[ρ(A,B_k)]>

则将待识别目标模糊集A的种类判定为B_l所属的类，即第l类；B_l为B_k中与待识别目标模糊集A贴近度最大的值，B为某个类别模板的模糊集，l为B的编号，c为l的最大值，1≤l≤c。在本节叙述的识别方法中，A是目标模糊集，使用上面介绍的方法就可以得到。而B_k需要从训练样本中估计或者预先构造。使用训练样本估计时，可以简单地计算所有训练样本的平均SCM特征，以该特征作为模板，计算该类的模糊集。而实际应用中若没有训练样本，或者有情报或光学信息，也可以根据目标形态模型计算或构造目标的SCM特征，从而获取目标类的模糊集。

该识别方法的关键在于贴近度的计算。有三种常见的贴近度定义：贴近度的计算采用海明贴近度ρ_Hamming，欧几里得贴近度ρ_Euclid或格贴近度ρ_lattice；对一个有限论域U＝{u₁,u₂,…,u_n}和其上的两个模糊集A，B，这三种贴近度的定义分别为：

${\rho }_{Ham\min g}(A,B)=1-\frac{1}{n}{\Sigma }_{j=1}^n|A\left(u_j\right)-B\left(u_j\right)|---\left(11\right)$

${\rho }_{Euclid}(A,B)=1-\frac{1}{\sqrt{n}}{\left[{\Sigma }_{j=1}^n{\left(A\right(u_j)-B(u_j\left)\right)}^2\right]}^{1/2}---\left(12\right)$

ρ_lattice(A,B)＝(A⊙B)∧(A^c⊙B^c)>

其中，A(u_j)与B(u_j)分别是待识别目标模糊集A和类别模板的模糊集B的隶属度函数；上式中的A^c和B^c是待识别目标模糊集A和类别模板的模糊集B的补集，符号⊙和∧分别表示模糊集的内积和取最小运算；n取值为论域中元素的个数，本发明中为8；

对一个待识别目标模糊集A，其补集A^c的隶属度函数为：

A^c(x)＝1-A(x)>

式中，x为SCM_i；

对于两个实数a和b，a∧b表示：

a∧b＝min{a,b} (15)

式中，a为A⊙B；b为A^c⊙B^c；

模糊集A和B的内积为：

A⊙B＝V_x∈U[A(x)∧B(x)]>

其中符号V为取最大值运算：

V_x[A(x)]＝max_x[A(x)]>

这三种贴近度的定义在不同情形下具有不同的效果，在实际应用中应根据具体情况选择最优的贴近度定义。

其它步骤及参数与具体实施方式一至四之一相同。

采用以下实施例验证本发明的有益效果：

实施例一：

下面通过对实测ISAR数据进行识别来验证本发明的有效性。

1、数据库简介

实验的ISAR数据库中包含三种具有不同上层结构的舰船，分别为：A.渔船，B.货船和C.军舰。三种舰船的ISAR示例图片如图8a、8b、8c所示，而相应的上层结构曲线如图9a、9b、9c所示。在数据库中，渔船的图片共有73张，纵向分辨率均为0.375m；货船的图片共有84张，其中46张纵向分辨率为0.75m，剩余38张的纵向分辨率为0.375m；军舰图片共有227张，分辨率均为0.75m。数据录入时雷达与渔船、货船和军舰的距离分别为5km，13km和约40km。

2、实验方案

根据本节的研究目的，我们设计了如下的实验方案。从数据库中对每类舰船随机选取1/3的图片作为训练样本，剩余图片将作为测试样本，用来评价识别技术的效果。为了降低随机抽取样本带来的样本偏差与偶然性，我们将重复1000次随机抽取样本和识别测试。图片预处理与上层结构曲线的提取采用之前介绍的方法。在自适应分段步骤中，使用均值梯度法进行目标曲线的自适应分段，代表图片的分段结果已展示在图12中。由训练样本估计出类别模板后，采用上述的识别算法对三种舰船进行识别，并计算识别正确率。实验中，为了测试贴近度定义在本应用中的相对优劣，我们将分别采用三种贴近度进行实验，每种贴近度应用时都使用完全相同的训练样本和测试样本，经过1000次实验后，得到平均的识别正确率。

同时，为了验证自适应分段算法的有效性，我们设计了一个参照组，该参照组使用完全相同的实验过程和实验样本，只是在自适应分段步骤中，采用简单的均匀分段，并由此计算相应的SCM特征和目标模糊集。图8a、8b、8c的代表图片采用简单均匀分段的结果如图10a、10b、10c所示。经过1000次实验后，同样得到平均的识别正确率。

最后，为了验证该模糊识别技术对现有技术的提升，我们还设置了两个参照组，分别使用现有的两种基于舰船目标ISAR图像的上层结构提出的识别技术。其中，技术[1](D.Pastina,C.Spina.Multi-feature based automatic recognition of ship targetsin ISAR[J].IET radar,sonar&navigation.2009,3(4):406-423.)使用特征匹配方法，将目标上层结构曲线编码与数据库模板相比较，从而选出候选类别。而技术[2](D.Pastina,C.Spina.Multi-feature based automatic recognition of ship targets in ISAR[J].IET radar,sonar&navigation.2009,3(4):406-423.)计算目标上层结构的Hu不变矩特征，并使用分类器进行识别。在这里我们使用kNN作为分类器。实验时，两种技术都使用与模糊识别技术实验时完全相同的训练样本和测试样本，重复1000次后得到平均的识别正确率。

3、实验结果

本小节将展示实验的结果。实验按照方案进行，首先得到了三种贴近度，即海明贴近度，欧几里得贴近度和格贴近度定义下的识别结果，列于表1的混淆矩阵中。

三种贴近度定义的识别正确率如图11所示。从图11中可以清楚地看到，采用欧几里得贴近度定义的模糊识别技术获得了最好的识别结果。从表1的结果中可以看出，如果目标没有被正确识别，则目标A(渔船)更有可能被识别为目标C(军舰)，目标B(货船)和目标C则更有可能被识别为目标A。目标B和目标C在欧几里得贴近度定义下的正确率要高于海明贴近度和格贴近度，同时目标A的正确率只是稍稍低于海明贴近度的结果。因此，欧几里得贴近度的平均识别率在三种定义中是最高的。

表1

由实验结果可以看出，在该应用背景下，欧几里得贴近度是最合适的贴近度定义。因此我们将用欧几里得贴近度的实验结果与其他参照组进行比较。

简单分段参照组中同样使用欧几里得贴近度。得到该参照组、特征匹配以及不变矩方法的实验结果，与模糊识别的结果相比较，列于表2的混淆矩阵中。

表2

四种算法的识别正确率如图12所示。首先比较本文算法与均匀分段模糊识别算法的结果。可以看到，均匀分段模糊识别对目标A的识别率高于本文算法，但目标B与目标C的识别率均低于本文算法，总的平均识别率也低于本文提出的算法。因此，本实验中采用的自适应分段算法——均值梯度法，相比于原始的均匀分段，有效地提升了识别的正确率。随后比较本文算法与特征匹配法。很明显，使用单一编码来描述目标的特征匹配法，其平均识别正确率只有0.592，远远低于本文算法的0.781。特别的，目标C的识别率只有0.433，在实际应用中这种水平识别率很可能无法应用。因此，本文的模糊识别算法大大提升了基于舰船上层结构曲线编码的识别效果。最后比较本文算法与不变矩法。不变矩法的平均正确率稍低于本文算法，然而，不变矩法对目标A的识别正确率只有0.423，远低于其对目标B和目标C的识别率。同样地，这种水平的识别率在实际应用中很可能无法使用，使得该算法在多目标情况下的稳定性存在缺陷。因此，本文提出的模糊识别算法，相比于现有的其他算法，不仅具有最高的识别正确率，同时也具有最好的识别稳定性。实验结果证明了该算法的有效性，以及算法对现有技术的提升。

本发明还可有其它多种实施例，在不背离本发明精神及其实质的情况下，本领域技术人员当可根据本发明作出各种相应的改变和变形，但这些相应的改变和变形都应属于本发明所附的权利要求的保护范围。