李德勝，孟祥偉，張　顥，劉　磊

（海軍航空工程學(xué)院電子信息工程系，山東煙臺264001）

基于PCA算法的SAR圖像艦船目標(biāo)長寬特征提取

李德勝，孟祥偉，張顥，劉磊

（海軍航空工程學(xué)院電子信息工程系，山東煙臺264001）

隨著SAR圖像成像技術(shù)的不斷發(fā)展，幾何特征被廣泛應(yīng)用在目標(biāo)識別中，長寬特征因其簡單直觀、效率高、易于提取等優(yōu)勢，常被作為船只類型的初始判定，針對SAR圖像艦船目標(biāo)長寬特征提取問題，提出一種新的方法。首先通過水平集以及形態(tài)學(xué)方法獲得預(yù)處理后的目標(biāo)圖像，利用PCA算法獲取SAR圖像艦船目標(biāo)的長軸，結(jié)合最小二乘橢圓擬合方法獲取艦船目標(biāo)的短軸，最終得到艦船目標(biāo)的長寬特征。通過實測SAR圖像處理結(jié)果表明，該方法能夠在背景雜波干擾下，抑制相干斑噪聲的影響，提高了長寬提取的精度，是一種有效的艦船目標(biāo)長寬特征提取方法。

SAR圖像水平集PCA橢圓擬合特征提取

0　引言

SAR圖像特征提?。?］是目標(biāo)識別中的關(guān)鍵步驟，直接影響目標(biāo)識別的結(jié)果。隨著SAR衛(wèi)星分辨率的不斷提高，長度類特征因其簡單直觀、效率高、易于提取等優(yōu)勢，常被作為船只類型的初始判定。國外很多實驗室都把艦船的尺寸、面積等幾何特征作為提取依據(jù)，艦船一般為金屬材質(zhì)構(gòu)成，不同的船只類型，在SAR圖像中所體現(xiàn)的尺寸結(jié)構(gòu)也是不同的，在2000年，Askari和Zerr［2］提出采用長寬比作為初步判斷艦船類型的指標(biāo)。隨后，高貴［3］、Wu f an［4］等人采用最小外接矩形（MER）的方法提取SAR艦船長寬。2011年，田小娟等人［5］對傳統(tǒng)的最小外接矩形方法進(jìn)行改進(jìn)，采用Hough變換與最小外接矩形方法相結(jié)合的方式，提取艦船主軸，然后設(shè)定固定閾值，縮小外接矩形框，獲取長寬值，但由于hough提取主軸時，容易受相干斑噪聲影響，設(shè)定的閾值又是按照人為經(jīng)驗設(shè)定的，僅適用于局限的范圍［6］。2014年，張亞軍［7］采用基于圖像像素位置提取艦船長寬，但其在寬度提取上誤差較大。

在長寬特征提取研究中，傳統(tǒng)的方法主要有hough變換、橢圓擬合、最小外接矩形等，在SAR成像過程中，艦船邊緣與海水形成的二面角強(qiáng)反射以及拖尾、旁瓣等影響下，導(dǎo)致成像的艦船寬度顯著增大，采用最小外接矩形方法提取長寬時，容易造成寬度估計誤差偏大。在相干斑噪聲以及艦船曳動等原因的影響下，hough變換提取艦船長度時，由于SAR圖像艦船目標(biāo)中存在十字模糊、結(jié)構(gòu)缺失等現(xiàn)象，導(dǎo)致提取誤差偏大。在艦船長寬提取方法中，因大部分艦船的結(jié)構(gòu)類似梭形，也有部分研究人員采用橢圓擬合的方式提取長寬，但由于艦船結(jié)構(gòu)并非真正橢圓，盡管寬度提取較精確，但在長度提取時，誤差較大。

為提高SAR圖像艦船目標(biāo)長寬特征提取的精度，本文提出一種新的長寬特征提取方法。首先采用水平集與區(qū)域消除的方法對SAR圖像艦船目標(biāo)進(jìn)行預(yù)處理，抑制相干斑噪聲的影響，獲得干凈平滑的目標(biāo)切片；然后將預(yù)處理后的圖像，通過PCA算法獲取艦船目標(biāo)切片的長軸，再利用最小二乘橢圓擬合的方法，提取目標(biāo)的寬度，從而得到艦船目標(biāo)的長寬特征。實驗結(jié)果表明，與典型的長寬特征提取方法相比，提高了長寬特征提取的精度，是一種有效的目標(biāo)特征提取方法，本文方法的流程圖如下所示：

圖1　流程圖

1　基于PCA算法的艦船目標(biāo)長寬特征提取

目前，隨著SAR圖像分辨率的不斷提高，目標(biāo)幾何特征越來越清晰，在SAR圖像艦船目標(biāo)識別中長寬特征被廣泛應(yīng)用，但同時干擾細(xì)節(jié)也越來越復(fù)雜，如何從SAR圖像中提取出目標(biāo)的幾何結(jié)構(gòu)特征并進(jìn)行識別，成為如今的熱點問題。

1.1預(yù)處理

為提高特征提取的精度，需要對原始SAR圖像進(jìn)行預(yù)處理，抑制相干斑噪聲的影響，獲得干凈平滑的目標(biāo)圖像。本文利用水平集在拓?fù)浣Y(jié)構(gòu)的變化中適應(yīng)性強(qiáng)，在演化算法中穩(wěn)定性高的優(yōu)勢，將原始SAR圖像艦船目標(biāo)，在水平集分割模型下，通過曲線演化將背景與目標(biāo)分離，然后將分割后的圖像進(jìn)行二值化，再經(jīng)過區(qū)域消除的方式，獲得預(yù)處理后的艦船目標(biāo)切片圖像，來克服相干斑噪聲等因素的影響。

水平集方法（Level Set Methods）是在1911年，由S.Osher和J. A.Sethian在研究捕捉動態(tài)界面和形狀時提出的，用來描述在曲線中的演化過程。2001年，Chan和Vese［8］通過簡化MS模型提出了最優(yōu)劃分的模型，即水平集分割模型（CV模型）。

水平集分割的基本思想是將空間中n維閉合曲線轉(zhuǎn)化為n+1維曲線，定義初始輪廓，并將輪廓定義為高維函數(shù)的零水平集，通過利用單位法向矢量和曲率來研究曲線演化，并構(gòu)造能量泛函，通過求解偏微分方程的數(shù)值，得到分割結(jié)果。

水平集能量函數(shù)表示為：

原始SAR圖像艦船目標(biāo)，在水平集分割模型下，通過曲線演化得到艦船目標(biāo)輪廓，但同時由于相干斑噪聲的影響，可能還存在許多噪聲、毛刺及小塊區(qū)域，為了后續(xù)處理上的方便，需要把由雜波噪聲等原因形成的區(qū)域去除。

這里通過區(qū)域合并的方式來實現(xiàn)區(qū)域消除，該方法通過計算分割圖像中每塊區(qū)域的面積，把面積小于一定閾值的區(qū)域通過反色處理包含到其周圍的大區(qū)域中。經(jīng)過區(qū)域合并，原二值圖像中的區(qū)域數(shù)目明顯減少，將小的噪聲顆粒也被消除，只留下了大結(jié)構(gòu)的艦船目標(biāo)區(qū)域，為后續(xù)目標(biāo)的特征提取帶來極大的方便。預(yù)處理過程的步驟如下：

1） 將SAR圖像進(jìn)行水平集分割，獲得目標(biāo)活動輪廓。2） 根據(jù)水平集分割的輪廓曲線，將該灰度圖像轉(zhuǎn)化為二值圖像。3） 對整幅二值化圖像進(jìn)行掃描，標(biāo)注白色連通區(qū)域。4） 計算每個白色連通區(qū)域的面積，通過對照艦船目標(biāo)的面積大小，設(shè)定閾值為S1。5） 移除面積小于S1的白色連通區(qū)，獲得區(qū)域消除后的二值圖像。

預(yù)處理效果如圖2所示，其中（a）是RadarsatⅡ獲取的SAR圖像中的原始艦船目標(biāo)切片，（b）是將原始圖像經(jīng)過水平集分割后，得到的目標(biāo)活動輪廓，將（b）二值化后得到（c），然后經(jīng)過區(qū)域消除，最終得到預(yù)處理后的圖像切片（d）。圖3的SAR圖像預(yù)處理結(jié)果表明，本文方法能夠在背景雜波干擾下，抑制相干斑噪聲的影響，同時較好的保持了目標(biāo)細(xì)節(jié)邊緣，為下一步特征提取打下基礎(chǔ)。

1.2長寬特征提取

通過水平集的方法對SAR圖像切片進(jìn)行預(yù)處理，將由雜波噪聲形成的塊狀區(qū)域去除，同時較好地保持了目標(biāo)邊緣，獲得干凈平滑的目標(biāo)圖像，然后利用PCA算法提取艦船目標(biāo)的長度，結(jié)合橢圓擬合的方法，提取目標(biāo)的寬度，從而得到艦船目標(biāo)的長寬特征。以下介紹特征提取的原理和步驟：

主成分分析（Principal Co mponent An alysis，PCA）是一種通過特征的線性組合來實現(xiàn)降維的數(shù)據(jù)分析方法。源自于通信理論中的K-L變換，PCA算法的實質(zhì)就是在代表原始數(shù)據(jù)的前提下，通過線性變換，將高維空間的樣本數(shù)據(jù)投影到低維空間中。PCA的基本原理如下：

圖2　預(yù)處理的流程效果圖

選擇x關(guān)于yi的展開式的m項在最小均方誤差準(zhǔn)則下線性估計x，這時估計式為：

此估計的均方誤差為：

因為U是標(biāo)準(zhǔn)正交矩陣，即：

為滿足（7）式的約束，使最小均方誤差ε2（m）最小，采用拉格朗日乘子法，將函數(shù)：

令m=1，此時u1，u2，···un為Rx得對應(yīng)的本征向量，λ1，λ2，···λn為Rx的本征值。代入ε2（m），可得：

在SAR圖像艦船目標(biāo)切片中，獲得圖像像素位置坐標(biāo)（x，y），構(gòu)建一個矩陣X，令每一像素點的橫坐標(biāo)x為一個樣本，每一像素點的縱坐標(biāo)y為一個特征，利用PCA算法獲取艦船目標(biāo)長寬，具體算法過程如下：1）通過基于水平集的方法對SAR圖像艦船目標(biāo)切片進(jìn)行預(yù)處理，獲得干凈平滑的二值化圖像I。2）掃描整幅圖像I，獲得圖像像素位置坐標(biāo)（x，y），令每一像素點的橫坐標(biāo)x為一個樣本，每一像素點的縱坐標(biāo)y為一個特征，構(gòu)建矩陣X。3）計算每一個像素特征的均值，表示為x與y，將構(gòu)建矩陣X中的每一樣本都減去對應(yīng)的均值，獲得新的矩陣X′。4）求解矩陣X′的協(xié)方差矩陣SX′，即SX′=X′T·X′，其中T為非共軛轉(zhuǎn)置，所得到的協(xié)方差矩陣SX′為二維矩陣。5）通過求解協(xié)方差矩陣SX′，得到矩陣SX′的特征值與特征向量，提取矩陣SX′的最大的特征值，以及對應(yīng)的特征向量。6）將樣本點投影到選取的特征向量上的方向，即所需的艦船長度的主分量方向，通過計算主分量方向上的像素位置坐標(biāo)，得到艦船目標(biāo)的長度L。7）利用最小二乘法橢圓擬合SAR圖像艦船目標(biāo)，提取艦船目標(biāo)的寬度值W。

圖3　效果圖

表1　PCA算法提取目標(biāo)參數(shù)估計值

表2　最小二乘法橢圓擬合目標(biāo)參數(shù)估計值

表3　艦船目標(biāo)最終參數(shù)估計值

2　實驗結(jié)果分析

本文采用RadarsatⅡ的SAR圖像數(shù)據(jù)來進(jìn)行方法驗證。在本文實驗中，為了更好地比較效果，在圖3中分別給出預(yù)處理以及各類長寬特征提取的效果對比圖，其中，圖3a（1）～（3）為三幅原始SAR圖像，圖3b（1） ～（3）為通過基于水平集方法的預(yù)處理效果圖，圖3c（1） ～（3）為通過最小外接矩形擬合目標(biāo)效果圖，圖3d（1） ～（3）為通過hough變換求得角度后，再用最小外接矩形擬合目標(biāo)效果圖，圖3e（1） ～（3）為通過PCA算法提取目標(biāo)效果圖，圖3f（1） ～（3）為通過最小二乘橢圓擬合目標(biāo)效果圖，圖3g（1） ～（3）將PCA算法與最小二乘橢圓相結(jié)合一起的擬合目標(biāo)效果圖。同時在表1～表3中，分別給出各類長寬特征提取方法的參數(shù)估計值。

實驗結(jié)果表明，圖3a中的3幅原始SAR圖像，通過基于水平集方法進(jìn)行預(yù)處理，濾除了原始圖像中的雜波，同時很好保持了目標(biāo)本身的細(xì)節(jié)。獲得預(yù)處理后的干凈平滑的艦船目標(biāo)圖像后，進(jìn)行長寬特征提取，從圖3c（1） ～（3）中可知，最小外接矩形（TBR準(zhǔn)則下）擬合目標(biāo)的方法在在寬軸提取上誤差偏大，從圖3d（3）中可知，由于圖像目標(biāo)尾端結(jié)構(gòu)缺失，導(dǎo)致hough變換提取主軸方向有偏差。圖3e采用PCA算法提取目標(biāo)長度，圖3f通過橢圓擬合提取目標(biāo)寬度，在圖3g中以及表3中獲取的艦船目標(biāo)最終參數(shù)數(shù)據(jù)，可以體現(xiàn)本文方法的優(yōu)勢，提高了長寬特征提取的精度。

3　結(jié)束語

本文提出一種新的長寬特征提取方法，首先通過水平集以及形態(tài)學(xué)方法獲得預(yù)處理后的目標(biāo)圖像，再利用PCA算法獲取SAR圖像艦船目標(biāo)的長軸，結(jié)合橢圓擬合方法獲取艦船目標(biāo)的短軸，最終得到艦船目標(biāo)的長寬特征。從實驗結(jié)果中可知，本文提取效果明顯要好于典型的長寬提取方法，是一種有效的SAR圖像長寬特征提取方法，通過借鑒相關(guān)資料，便可初步獲知艦船的類型。

［1］ R. C. G onzalez and R. E. W oods. Dig ital image processing［M］. Beijing： Publishing House of Electronics Industry，2002：75-146.

［2］ F. Askari and B. Zerr. An automatic approach to ship detection i n spaceborne synthetic a perture ra dar imagery： An as sessment o f s hip d etection capability using RADARSA T［R］. Italy： SACLANT Unders ea Research Centre，2000.

［3］ 高貴，匡綱要，李德仁.高分辨率 SAR 圖像分割及目標(biāo)特征提?。跩］. 宇航學(xué)報，2006，27（2）：238-244.

［4］ Wu Fan，Wang Chao，Zhang Bo，et al. Study on vessel classification in SAR im agery： a s urvey［J］. R emote Sensing T echnology an d Application，2014，29（1）：1-8.

［5］ Tian Xi aojuan，Wang Ch ao，Z hang Hong，W u F an. Extraction and analysis of structural features of ships in h igh r esolution SAR images［C］. I EEE CI E International Conference on Radar. 2011，1：630-633.

［6］ Gu Dandan and Xu Xiaojian. Multi-feature extraction of ships from SAR images［C］. IEEE Image and Signal Processing（CISP），2013，1：454-458.

［7］ 張亞軍. 基于屬性散射中心模型的SAR白動目標(biāo)識別［D］.西安電子科技大學(xué)，2014.

［8］ T. F. Chan，and L. A. Vese. Active contours without edges［J］.IEEE Transactions on image processing，F(xiàn)eb 2001，10（2）： 266-277.

Ship’s Feature Extraction from SAR Image based on PCA

Li Desheng ，Meng Xiangwei，Zhang Hao，Liu Lei
（Department of Electronic and Information Engineering，Naval Aeronautical and Astronautical University，Yantai 264001，Shangdong，China）

In this paper, a length and width feature extraction method for a ship target in SAR images is proposed. Firstly, the SAR images are segmented by the level sets. The domain elimination method is adopted for the segmented images to remove clutter in the next step. Consequently, the slice image of target is obtained. Then, the PCA method is used to obtain the long axis of the ship in SAR image, and the ellipse fitting method is applied to get short axis of the ship target. Thus, the feature information of the ships including length and width is obtained. Experimental results illustrate that the proposed method can extract the length and width feature of a ship target in SAR images effectively and accurately. Meanwhile, it can weaken the influence of speckle noise and background clutter in SAR images.

SAR image; level sets; PCA; ellipse fitting; feature extraction

TN951

A

1003-4862（2015）09-0001-05

2015-08-09

國家自然科學(xué)基金項目資助（61179016）

李德勝（1990-），男，碩士研究生。研究方向：雷達(dá)信號處理。