龔智貞，袁 野，孫中華，賈克斌，張海瑛，吳玲玲

(1.北京工業(yè)大學(xué) 信息與通信工程學(xué)院，北京100124；2.中國電子科技集團公司第五十四研究所，河北 石家莊050081)

?

基于支持向量機的Morse檢測算法研究

龔智貞1，袁 野1，孫中華1，賈克斌1，張海瑛2，吳玲玲2

(1.北京工業(yè)大學(xué) 信息與通信工程學(xué)院，北京100124；2.中國電子科技集團公司第五十四研究所，河北 石家莊050081)

針對短波通信中Morse人工接收存在勞動強度大、實時性差的問題，提出一種Morse自動檢測算法。對時頻圖像進(jìn)行圖像增強和尺度歸一化預(yù)處理。提取圖像的紋理特征和形狀特征，并將特征組合后進(jìn)行高斯歸一化。最后選擇不同核函數(shù)設(shè)計支持向量機分類器，基于交叉驗證選取最優(yōu)分類器用于Morse的檢測。通過實驗測試，驗證了算法的有效性。

Morse；支持向量機；時頻圖；圖像處理

0 引言

短波在1921年被發(fā)現(xiàn)可以用于遠(yuǎn)距離通信后，發(fā)展極其迅速。短波通信，又被稱為高頻(HF)通信。與傳統(tǒng)的衛(wèi)星、光纜等通信方式相比，短波通信由于無需中繼站即可進(jìn)行遠(yuǎn)距離通信的特點，使其具備了設(shè)備簡易、維護費用低以及高機動性等優(yōu)點，成為了世界各國在遠(yuǎn)距離通信方面的主要手段[1-2]。

Morse報作為短波通信的一種常用方式，被大量應(yīng)用于軍事、航海、外交等領(lǐng)域，具有重要的戰(zhàn)略地位。目前，Morse報的接收還是以人工為主要方式，即通過個人操作短波接收機進(jìn)行偵聽，當(dāng)發(fā)現(xiàn)Morse信號時，進(jìn)行控守以及后續(xù)識別。但是，隨著短波通訊技術(shù)的飛速發(fā)展，日益復(fù)雜化的通信環(huán)境和不斷豐富的信號類型給Morse信號的人工偵察帶來了空前的挑戰(zhàn)。因此研究能夠輔助人員進(jìn)行Morse自動檢測的技術(shù)具有重要應(yīng)用價值[3-4]。

圖像特征[5]提取近年來被廣泛應(yīng)用于各領(lǐng)域，包括通信領(lǐng)域、醫(yī)學(xué)診斷和遙感圖像分析等。其中文獻(xiàn)[6]利用紋理特征[7]的LBP算子有效地解決了雷達(dá)信號的分類識別。支持向量機(Support Vector Machine，SVM)因為在非線性問題上具有的獨特優(yōu)勢且泛化能力強，在信號分類識別和調(diào)制識別等領(lǐng)域都取得了很好的成果。

1 圖像處理和特征提取

1.1 圖像預(yù)處理

傳統(tǒng)方法中，對時頻分布直接進(jìn)行特征提取難度較大。而信號時頻圖將其時頻分布轉(zhuǎn)為灰度圖像形式，利用計算機視覺將困難的時頻分布特征提取，轉(zhuǎn)為對時頻圖圖像特征的提取。

1.1.1 圖像增強

由于短波信道存在大量噪聲干擾，直接對信號時頻圖進(jìn)行特征提取會受到一定影響。因此在這之前，需要先對信號時頻圖進(jìn)行圖像增強處理。圖像增強通過面向特定目標(biāo)進(jìn)行圖像處理，達(dá)到改善圖像視覺效果的目的。其主要特點是能夠有選擇地突出圖像中人們感興趣的特征或抑制某些不需要的特征，實現(xiàn)局部最優(yōu)，從而滿足某些特殊分析的需要。

(1)

式中，n表示圖像總像素點數(shù)，nk表示是灰度級rk的個數(shù)，N表示圖像包含灰度級的總數(shù)。

直方圖均衡依據(jù)式(2)求出映射函數(shù)sk，再依據(jù)式(3)求逆變換函數(shù)，最后得到新的灰度級分布。在信號時頻圖中，感興趣的區(qū)域是信號部分，通過直方圖均衡的方法，可以抑制部分噪聲，突出信號部分。

(2)

(3)

1.1.2 尺度歸一化

處理的信號時頻圖往往尺寸不一致，為方便后續(xù)特征提取和分類工作，需要按照一定的縮放系數(shù)對圖像進(jìn)行尺度歸一化。具體分為兩個步驟：像素點坐標(biāo)變換和變換后的插值運算。設(shè)原始信號時頻圖坐標(biāo)為(t,f)，依據(jù)式(4)進(jìn)行坐標(biāo)變換得到新的坐標(biāo)為(t′,f′)，其中a、b為縮放系數(shù)：

(4)

由于坐標(biāo)變換后原像素點在新圖像中無法一一對應(yīng)，所以需要進(jìn)行插值運算。本文采用的是常用的雙線性插值法。通過上述兩個步驟，在采樣點數(shù)為128 K條件下，將信號時頻圖歸一化為400×85，對應(yīng)的時間長度為8.512 s，頻率寬度為2 kHz。

1.2 圖像特征提取

1.2.1 紋理特征

灰度共生矩陣[9]是描述圖像紋理特征常用的方法之一，因為具有良好性能而被廣泛采用。它反映了在方向θ上間隔距離為d，灰度級為i、j的像素對出現(xiàn)概率P(i,j|d,θ)。如圖1所示，根據(jù)(Δx，Δy)可計算距離d，方向θ，計算公式如下所示：

(5)

(6)

圖1 灰度共生矩陣像素對

根據(jù)灰度共生矩陣，可以反映信號時頻圖信息的豐富程度以及粗糙程度。要獲得灰度共生矩陣首先要確認(rèn)設(shè)置以下參數(shù)：方向θ、距離d和統(tǒng)計特征。

a方向θ

灰度共生矩陣是對稱的，因此只需要計算4個方向的θ，常選用的方向為0°、45°、90°和135°，其示意圖如圖2所示。

圖2 4種方向示意圖

b距離d

距離d的大小決定了灰度共生矩陣表達(dá)圖像紋理信息的精確度。因此盡可能選取小距離的d來生成灰度共生矩陣，本文將其設(shè)置為1。

c統(tǒng)計特征

通過灰度共生矩陣來描述圖像紋理特征時，通常需要將矩陣歸一化，然后計算其統(tǒng)計量。其中常用的不相關(guān)的特征量有4種：

熵(enyropy)：

(7)

熵反映了圖像紋理的信息量，熵為0時表示圖像沒有任何紋理。在圖像充滿細(xì)紋理時，熵值越大表示灰度共生矩陣中元素分散且數(shù)值接近。

對比度(contrast)：

(8)

能量(angularsecondmoment)：

(9)

能量是矩陣中各元素的平方求和，用來表征圖像灰度分布的均勻性，它的值越大表示圖像灰度分布越均勻。

自相關(guān)(correlation)：

(10)

式中，mx、my分別為矩陣P的各行元素之和及各列元素之和，μx、μy、σx、σy分別為mx、my均值和標(biāo)準(zhǔn)差。自相關(guān)用來表示圖像的灰度級行列方向上的相似度，它的值越大表示相似度越高。

1.2.2 形狀特征

典型的形狀特征[10]描述法分為以下3種：邊界特征法、傅里葉形狀描述法、幾何參數(shù)法以及形狀不變矩等。其中幾何參數(shù)法對對形狀的表達(dá)和匹配采用更為簡單的區(qū)域特征法。對于采用最大類間方差法進(jìn)行閾值分割后的時頻圖像，采用幾何參數(shù)法選擇以下幾種形狀特征。圖3為Morse時頻灰度圖像，經(jīng)過圖像預(yù)處理和尺度歸一化后的Morse時頻灰度圖像。圖4為在此基礎(chǔ)上閾值分割后并標(biāo)記最小外接矩形的時頻圖。

① 面積S

采用統(tǒng)計區(qū)域內(nèi)像素點的個數(shù)的方式來表示。

② 寬長比r

寬長比r是區(qū)域最小外接矩形寬長之比(W/L)，可以用來區(qū)分細(xì)長區(qū)域和圓形或方形等區(qū)域，示意圖如圖5所示。

③ 偏心率E

(11)

式中,偏心率E又稱為伸長度，是區(qū)域形狀的一種重要描述。其中A為區(qū)域主軸(長軸)長度，B為輔軸(短軸)的長度。示意圖如圖5所示。

圖3 Morse時頻譜圖

圖4 閾值分割后標(biāo)記最小外接矩形結(jié)果

圖5 寬長比及偏心率示意圖

④ 方向α

(12)

方向用來反映區(qū)域主軸與水平方向的夾角。其中，μ11、μ20和μ02為形狀的3個二階中心距。

1.2.3 圖像特征提取步驟

① 設(shè)置方向θ為0°、45°、90°、135°，分別求取其灰度共生矩陣；

② 計算4個灰度共生矩陣的4個統(tǒng)計特征：熵、對比度、能量和自相關(guān)；

③ 計算熵、對比度、能量、自相關(guān)的均值和標(biāo)準(zhǔn)差，由此構(gòu)成紋理特征向量;

④ 計算形狀特征：面積S、寬長比r、偏心率E和方向α，構(gòu)成形狀特征向量;

⑤ 組合紋理特征向量和形狀特征向量，由于特征向量各分量的物理意義和取值范圍不同，因而需要采用對組合特征向量進(jìn)行高斯歸一化，完成最終圖像特征提取。

2 分類器設(shè)計

2.1 SVM分類器

經(jīng)典的SVM法[11]是基于統(tǒng)計學(xué)習(xí)理論和結(jié)構(gòu)風(fēng)險最小化原理提出的二分類算法，它打破了以往只有在樣本數(shù)據(jù)足夠多的前提下才能保證模式識別效果的傳統(tǒng)，被廣泛應(yīng)用于模式識別領(lǐng)域。采用SVM進(jìn)行分類的實質(zhì)是利用非線性變化完成低維空間到高維空間的映射，通過選擇不同的核函數(shù)，有效避免高維內(nèi)積運算。

核函數(shù)的選擇，可根據(jù)泛函理論選擇滿足Mercer條件的函數(shù)。如果選擇不同的核函數(shù)，分類器的性能也隨之產(chǎn)生差異。因此，需要對比分析，選擇最合適的核函數(shù)來完成分類器的設(shè)計。SVM中常用的核函數(shù)主要有以下4種：

① 線性核函數(shù)：

(13)

② 二次有理核函數(shù)：

(14)

③ 多項式核函數(shù)：

(15)

式中，多項式階數(shù)d越大，其非線性越強。當(dāng)其值為1時，就是線性核函數(shù)。

④ 徑向基(RBF)核函數(shù)：

(16)

多項式核函數(shù)因為要計算內(nèi)積，可能會出現(xiàn)溢出問題。徑向基核函數(shù)作為非線性核，具有良好的性能。

⑤ Sigmoid核函數(shù)

(17)

式中，a為一個標(biāo)量，c為位移參數(shù)。

2.2 SVM識別流程

采用SVM識別Morse信號的流程如圖6所示，需要用訓(xùn)練集完成對SVM的訓(xùn)練，然后利用訓(xùn)練好的分類器進(jìn)行測試識別過程。

圖6 SVM識別Morse流程圖

3 實驗結(jié)果與分析

根據(jù)現(xiàn)場實際接收的短波信號，建立信號時頻圖數(shù)據(jù)集。數(shù)據(jù)集總個數(shù)為4 577，其中信號類型包含Morse、FSK、AM、FM、CW、掃頻、話音及多音等。

基于數(shù)據(jù)集，采用交叉驗證方式測試不同核函數(shù)訓(xùn)練得到的SVM分類器性能。不同核函數(shù)下分類器對于Morse信號的檢測正確率分別如表1所示。通過實驗發(fā)現(xiàn)rbf核函數(shù)效果最好，此時分類器具有最佳性能。

表1 5種核函數(shù)下的檢測正確率

為驗證訓(xùn)練得到的分類器在其他中心頻率數(shù)據(jù)集上分類性能的穩(wěn)定性。實驗數(shù)據(jù)采用中心頻率7 MHz，2 MHz帶寬的時頻數(shù)據(jù)(.dat文件)，采用上述SVM分類器測試了7種不同分辨率，實驗結(jié)果如表2所示。

表2 檢測結(jié)果匯總分析

在低分辨率下，作為訓(xùn)練樣本和測試樣本的時頻圖的頻率分辨率較低，包含的頻率信息量較少，因此對于時頻圖的頻率軸方向的特征識別較弱，因此低分辨率下識別率較低。

4 結(jié)束語

為滿足短波通信中Morse信號自動檢測的需要，本文提出了基于SVM的自動檢測算法。算法首先通過圖像增強和尺度歸一化完成時頻圖像預(yù)處理，然后利用灰度共生矩陣和幾何參數(shù)法分別描述了信號時頻圖的紋理特征和形狀特征，最后采用多種核函數(shù)SVM對比試驗，選取rbf核函數(shù)的SVM分類器，對 Morse檢測正確率達(dá)到95%以上，并通過實采7 MHz中心頻率數(shù)據(jù)驗證了分類器性能的穩(wěn)定性。

[1] 董延坤,葛臨東.一種短波寬帶綜合檢測分類算法[J].信息工程大學(xué)學(xué)報,2015,16(3):332-338.

[2] 王 輝.短波低截獲概率通信信號的檢測與調(diào)制識別[D].鄭州:解放軍信息工程大學(xué),2013.

[3] 李國軍,周曉娜,蔣 勇,等.短波電報信號自動檢測技術(shù)研究綜述[J].世界科技研究與發(fā)展,2013,35(3):37-42.

[4] 何立剛.噪聲背景下短波莫爾斯信號的自動檢測和識別研究[D].哈爾濱:哈爾濱工程大學(xué),2005.

[5] 王志瑞,閆彩良.圖像特征提取方法的綜述[J].吉首大學(xué)學(xué)報:自然科學(xué)版,2011(5):41-42.

[6] 白 航,趙擁軍,胡德秀.時頻圖像局部二值模式特征在雷達(dá)信號分類識別中的應(yīng)用[J].宇航學(xué)報,2013,34(1):139-146.

[7] 劉 麗,匡綱要.圖像紋理特征提取方法綜述[J].中國圖象圖形學(xué)報,2009,14(4):622-635.

[8] 岡薩雷斯(美).數(shù)字圖像處理(第2版)[M].北京:電子工業(yè)出版社,2007.

[9] 焦蓬蓬,郭依正,劉麗娟,等.灰度共生矩陣紋理特征提取的Matlab實現(xiàn)[J].計算機技術(shù)與發(fā)展,2012(11):169-171.

[10]常 昌.圖像特征提取方法研究及應(yīng)用[D].武漢:華中科技大學(xué),2009.

[11]丁世飛,齊丙娟,譚紅艷.支持向量機理論與算法研究綜述[J].電子科技大學(xué)學(xué)報,2011,40(1):2-10.

Morse Detection Algorithm Based on SVM

GONG Zhi-zhen1,YUAN Ye1,SUN Zhong-hua1,JIA Ke-bin1,ZHANG Hai-ying2,WU Ling-ling2

(1.College of Information and Communication Engineering,Beijing University of Technology,Beijing 100124,China;2.The 54th Research Institute of CETC,Shijiazhuang Hebei 050081,China)

To solve the problem aboutmanual receptionof Morse signals in HF communication,a new algorithm of Morse automatic detectionis proposed.In this paper,first of all,image enhancement and scale normalization are used to time-frequency images.Then,the texture feature and shape featureare extracted,and Gaussian normalizationis used tonormalize the feature combination.Finally,support vector machine classifier is designed by different kernel functions,and cross-validation is used to select the optimal classifier for Morsedetection.The experimental tests validate the efficiency of the proposed algorithm.

Morse;SVM;time-frequency image;image processing

10.3969/j.issn.1003-3114.2016.06.05

龔智貞，袁 野，孫中華，等.基于支持向量機的Morse檢測算法研究[J].無線電通信技術(shù)，2016，42(6)：21-24，55.

2016-07-15

國家自然科學(xué)基金項目(81370038)；北京市自然科學(xué)基金項目(7142012)；北京市科技新星計劃(Z141101001814107)；中國博士后科學(xué)基金(2014M560032)；北京市教委面上項目(km201410005003)；北京工業(yè)大學(xué)日新人才培養(yǎng)計劃(2013-RX-L04)；北京工業(yè)大學(xué)基礎(chǔ)研究基金(002000514312015)

龔智貞(1993—)，女，北京工業(yè)大學(xué)，碩士研究生，信息與通信工程，主要研究方向：圖像處理與機器學(xué)習(xí)；孫中華(1978—)，男，講師，主要研究方向：視頻圖像處理和機器學(xué)習(xí)。

TN911.73

A

1003-3114(2016)06-21-4