王慶，唐濤，項德良，粟毅

(國防科技大學(xué) 電子科學(xué)與工程學(xué)院，湖南 長沙 410073)

基于梯度比率的SAR圖像局部特征提取方法研究

王慶，唐濤，項德良，粟毅

(國防科技大學(xué) 電子科學(xué)與工程學(xué)院，湖南 長沙 410073)

本文研究了基于像素灰度差值計算的LBP算子和基于梯度比率的LGRP算子等局部二值模式。首先介紹了基本LBP算子和其他幾種LBP算子的變形模式，并通過光學(xué)圖像和實測SAR圖像對LBP算子進(jìn)行性能評估。針對LBP對SAR 圖像乘性噪聲敏感的問題，利用梯度比率計算的LGRP算子，并結(jié)合旋轉(zhuǎn)不變LBP的抗旋轉(zhuǎn)性，本文提出了一種改進(jìn)的SAR 圖像LGRP特征，獲得了對SAR 圖像的抗噪性和抗旋轉(zhuǎn)性能。實驗結(jié)果表明，由本文方法提取的SAR圖像局部特征具有較好的不變性，可用于姿態(tài)角變化下的目標(biāo)識別與圖像紋理切片匹配。

SAR圖像；特征提取；局部二值模式；梯度比率；旋轉(zhuǎn)不變

中文引用格式：王慶，唐濤，項德良，等.基于梯度比率的SAR圖像局部特征提取方法研究[J]. 智能系統(tǒng)學(xué)報， 2017, 12(3): 286-292.

英文引用格式：WANG Qing, TANG Tao, XIANG Deliang, et al. Research on local feature extraction of SAR images based on gradient ratio[J]. CAAI transactions on intelligent systems, 2017, 12(3): 286-292.

SAR固有的相干成像方式會導(dǎo)致描述同一目標(biāo)場景的多幅圖像之間出現(xiàn)幾何和輻射差異。圖像匹配通過將兩幅圖像的相似性進(jìn)行比較，根據(jù)比較結(jié)果快速地進(jìn)行SAR圖像識別，成為進(jìn)一步挖掘目標(biāo)場景信息變化的前提[1]。

圖像之間的相似性度量可以通過構(gòu)建SAR圖像特征描述子進(jìn)行衡量，國內(nèi)外學(xué)者對特征描述子的相關(guān)算法進(jìn)行了大量研究。在光學(xué)圖像領(lǐng)域中，局部二值模式(local binary pattern，LBP)[2]是一種描述中心像素點與周圍像素點灰度大小關(guān)系的紋理算法，該方法計算簡單且具有部分尺度、旋轉(zhuǎn)和亮暗不變性等優(yōu)點，被廣泛地應(yīng)用于人臉圖像分析、目標(biāo)檢測與跟蹤等領(lǐng)域[2-5]。為提高紋理特征的準(zhǔn)確性，M?enp??等[6]通過限制二值化編碼中0/1或1/0跳變的次數(shù)，將基本LBP模式分為統(tǒng)一模式和非統(tǒng)一模式，大大提高了圖像信息獲取的指向性。Ojala等[7]對統(tǒng)一模式進(jìn)一步劃分，將不同方向上表示相同結(jié)構(gòu)的統(tǒng)一模式合并歸類，提出了旋轉(zhuǎn)不變統(tǒng)一LBP方法，使提取到的圖像信息具備抗旋轉(zhuǎn)性能。在SAR圖像領(lǐng)域中，局部模式直方圖(local pattern histogram，LPH)[8]是一種針對SAR 圖像的紋理算子，該方法通過圖像量化編碼和直方圖計算，得到圖像紋理特征信息，實現(xiàn)了高精度的SAR圖像分類。局部梯度比率直方圖(local gradient ratio pattern histogram，LGRPH)[9]是一種比率測度算子，克服了SAR圖像的相干斑噪聲和局部梯度變化，有效地用于SAR圖像目標(biāo)識別。

總體而言，目前的局部算子研究都只能用于圖像紋理信息提取。由于LBP算子是基于像素灰度的差值計算，在SAR圖像中受乘性噪聲的嚴(yán)重影響，精確性差，因此在SAR圖像中不適用。而基于局部模式的LPH算子忽略了鄰域像素的相關(guān)性，從而影響SAR圖像特征提取的準(zhǔn)確性[10]。同時基于梯度比率的LGRPH算子缺少對方向角度的描述，因此在SAR圖像中對目標(biāo)的旋轉(zhuǎn)變化不魯棒。針對上述問題，本文分析了LBP與旋轉(zhuǎn)不變LBP的數(shù)學(xué)模型和算法原理，引入了適合SAR圖像噪聲環(huán)境的LGRP算子，并對其進(jìn)行旋轉(zhuǎn)不變改進(jìn)與實驗驗證?；贚GRPH特征的旋轉(zhuǎn)不變特性，設(shè)計了SAR圖像目標(biāo)分類識別實驗和紋理對比實驗，實驗結(jié)果表明本文所改進(jìn)的LGRP特征能克服SAR 圖像乘性噪聲的影響，對目標(biāo)的旋轉(zhuǎn)變化有很好的魯棒性。

1 局部二值模式

1.1 局部二值模式的數(shù)學(xué)基礎(chǔ)

局部二值模式通過對局部二值化的鄰域像素進(jìn)行編碼，能夠有效地提取圖像紋理信息，其計算流程如圖1所示。在3×3鄰域內(nèi)，分別比較周圍像素值gp與中心像素值gc的大小，由判別函數(shù)s(x)得到二值化編碼串的值，即為LBP特征值。計算公式如下：

圖1 LBP算子計算過程Fig.1 Calculation process of the original LBP

1.2 旋轉(zhuǎn)不變局部二值模式

圖像的旋轉(zhuǎn)變化會導(dǎo)致基本LBP算子的二進(jìn)制編碼循環(huán)移位，從而計算的特征值發(fā)生變化，因此引入旋轉(zhuǎn)不變局部二值模式(以下簡稱旋轉(zhuǎn)不變LBP)，記為LBPri。LBPri首先采用圓形鄰域，等間隔采樣點后再分別與中心像素進(jìn)行二值化計算，將具有相同最小或最大編碼的模式合并為一種新的模式。具體計算公式為

式中ROR(x,k)表示對P位二進(jìn)制數(shù)向右循環(huán)移位k次(|k|≤P)。

通過定義旋轉(zhuǎn)不變，使得LBP算子對圖像旋轉(zhuǎn)更加魯棒，進(jìn)一步減少了LBP算子的模式種類。

1.3 光學(xué)與SAR圖像中LBP算子的抗旋轉(zhuǎn)性比較分析

基本LBP和旋轉(zhuǎn)不變LBP均為描述紋理特征的局部算子，相比前者，后者利用循環(huán)位移使算子具有了旋轉(zhuǎn)不變性。下面通過光學(xué)圖像和SAR圖像的實驗對比，分析旋轉(zhuǎn)不變LBP算子對圖像旋轉(zhuǎn)的魯棒性和LBP算子對SAR 圖像的不適用性，如圖2和圖3所示。

圖2 圖像旋轉(zhuǎn)前LBP和旋轉(zhuǎn)不變LBP算子比較Fig.2 Comparison of LBP and rotation invariant LBP operator before image rotation

圖3 圖像旋轉(zhuǎn)后LBP和旋轉(zhuǎn)不變LBP算子比較Fig.3 Comparison of LBP and rotation invariant LBP operator after image rotation

1.3.1 光學(xué)圖像實驗

從圖2(c)和圖3(c)可以看出，旋轉(zhuǎn)前后LBP算子計算的直方圖有明顯變化，說明基本LBP算子對圖像旋轉(zhuǎn)變化不具有魯棒性。從圖2(f)和圖3(f)可以看出，旋轉(zhuǎn)不變LBP算子在圖像旋轉(zhuǎn)前后計算的直方圖基本保持不變，說明旋轉(zhuǎn)不變LBP算子對光學(xué)圖像旋轉(zhuǎn)具備抗旋轉(zhuǎn)性。

1.3.2 SAR圖像實驗

選用MSTAR數(shù)據(jù)庫中T72、BMP2和BTR70等3種不同類型目標(biāo)的圖片數(shù)據(jù)，仿真分析LBP算子和旋轉(zhuǎn)不變LBP算子在SAR 圖像中的適用性。實驗分為兩個部分：1)對不同姿態(tài)角的T72目標(biāo)SAR圖像進(jìn)行特征提取，分析LBP和旋轉(zhuǎn)不變LBP的性能；2)對多種目標(biāo)進(jìn)行特征提取，分析LBP和旋轉(zhuǎn)不變LBP算子的識別性能。

仿真結(jié)果表明，圖4(e)和圖5(e)、圖4(f)和圖5(f)中圖像旋轉(zhuǎn)前后計算得到的直方圖無明顯變化，出現(xiàn)這種結(jié)果有以下兩種解釋：1)基本LBP和旋轉(zhuǎn)不變LBP算子在SAR圖像中對目標(biāo)姿態(tài)角度變化不敏感；2)LBP算子在SAR 圖像中失效，提取的特征不穩(wěn)健。

圖4 T72旋轉(zhuǎn)前LBP和旋轉(zhuǎn)不變LBP對比實驗Fig.4 Comparison of LBP and rotation invariant LBP operator before T72 image rotation

為了分析上述兩種解釋的真實性，下面分別用BMP2和BTR70數(shù)據(jù)圖像對基本LBP和旋轉(zhuǎn)不變LBP進(jìn)行實驗，仿真結(jié)果如圖6和圖7所示。

實驗對比表明，對于SAR圖像目標(biāo)，在相同角度和不同角度的情況下，以及相同目標(biāo)和不同目標(biāo)圖像，基本LBP和旋轉(zhuǎn)不變LBP計算的直方圖都基本相似，說明基本LBP和旋轉(zhuǎn)不變LBP算子對SAR 圖像不適用。

圖5 T72旋轉(zhuǎn)后LBP和旋轉(zhuǎn)不變LBP對比實驗Fig.5 Comparison of LBP and rotation invariant LBP operator after T72 image rotation

圖6 BTR70系列圖像實驗Fig.6 Experiments on BTR70 series image

圖7 BMP2系列圖像實驗Fig.7 Experiments on BMP2 series image

分析原因如下：對SAR圖像而言，由于圖像存在大量相干斑噪聲，根據(jù)像素差值計算的二值編碼串易受乘性噪聲影響，因此LBP算法不能有效克服相干斑噪聲，不能有效地描述SAR 圖像目標(biāo)特性。

針對LBP算子的不適用性，本文提出的解決方案是將比率測度引入局部二值模式，從而有效地克服SAR圖像的乘性噪聲，最終運用于SAR圖像的特征提取。

2 改進(jìn)的LGRP特征提取方法

2.1 局部梯度比率二值模式

LBP算法易受乘性相干斑噪聲的影響，對圖像局部梯度變化不敏感，例如在邊緣、角點處LBP特征描述并不有效。針對SAR圖像相干斑噪聲和圖像局部梯度特性，項德良等[9]提出了基于局部梯度比率特征的二值模式。

對于局部梯度比率特征的構(gòu)建，首先計算每個鄰域像素gp與中心像素gi,j的灰度差值的絕對值作為該鄰域像素的梯度值計算過程如式(3)：

將該鄰域像素的梯度值與其自身灰度值的比值作為該鄰域像素的梯度比率特征值 (gradient ratio pattern，GRP)，即

然后，將所有鄰域像素的GRP均值分配給中心像素作為其GRP，其中P為鄰域像素個數(shù)，具體如式(5)：

最后，計算每個鄰域像素與中心像素的GRP之差，再由判別函數(shù)s(x)生成二值化編碼串，計算其值作為中心像素的LGRP特征值，其中R為鄰域半徑，如式(6)所示：

統(tǒng)計所有像素的LGRP值形成的灰度直方圖就是LGRPH。以一幅N×M大小的圖像為例，計算整幅圖像的LGRPH:

其中K為LGRP最大的編碼值，函數(shù)f的表達(dá)式為

具體計算過程如圖8所示。

圖8 LGRP特征計算過程Fig.8 Calculation process of the LGRP feature

2.2 旋轉(zhuǎn)不變LGRP特征提取方法

基于梯度比率的LGRP算子對乘性相干斑不敏感，對梯度變化也有一定魯棒性，但對SAR 圖像中目標(biāo)姿態(tài)角變化沒有魯棒性。針對LGRP特征對SAR圖像中目標(biāo)姿態(tài)角變化不敏感的問題，本文提出一種改進(jìn)的旋轉(zhuǎn)不變LGRP特征提取方法。首先根據(jù)LGRP特征的計算思路求得所有像素的二進(jìn)制編碼，再通過循環(huán)位移對二進(jìn)制模式進(jìn)行合并，構(gòu)建旋轉(zhuǎn)不變LGRP特征。具體步驟如下：

1)根據(jù)前文介紹的LGRP算子計算公式，計算得到所有鄰域像素的GRP值，再由判別函數(shù)s(x)生成二進(jìn)制編碼串。

2)對循環(huán)移位后可得到相同最小二進(jìn)制模式的編碼模式進(jìn)行合并。以4位的二進(jìn)制編碼為例，編碼1110(14)、1101(13)、1011(11)和0111(7)通過循環(huán)移位均可達(dá)到最小的編碼0111。根據(jù)旋轉(zhuǎn)不變LBP思路，這4種模式將會合并為一種新的模式。以8鄰域采樣點為例，合并過程如圖9所示。

圖9 合并模式的映射關(guān)系Fig.9 The mapping relation of merging pattern

3)對于合并后得到的新模式，分別計算其值作為相應(yīng)像素的特征值。

4)計算得到旋轉(zhuǎn)不變LGRP特征后，采用對稱KL準(zhǔn)則SKLD(symmetry kullback-leibler divergence)[11]來比較不同圖像的特征。其流程圖如圖10所示。

圖10 相似度計算流程Fig.10 Calculation process of the similarity

3 實驗結(jié)果與分析

3.1 實驗參數(shù)討論

本文實驗數(shù)據(jù)包括美國國防高級研究計劃署和空軍研究室對外發(fā)布的MSTAR(moving and stationary target acquisition and recognition) SAR數(shù)據(jù)集和X波段Terra-SAR的香港地區(qū)遙感圖像。

實驗選用MSTAR中BMP的圖像數(shù)據(jù)，并將鄰域半徑最小值Rmin設(shè)為1，收斂步長d設(shè)為1，控制高斯函數(shù)寬度的參數(shù)σ設(shè)為2，分析鄰域采樣點數(shù)P和最大鄰域半徑Rmax對旋轉(zhuǎn)不變LGRP特征構(gòu)造的影響。

如圖11(a)示，當(dāng)固定Rmax取值時，P=4 或P=8計算得到的LGRP相似度對噪聲都有一定的魯棒性，但P=8時相似度曲線波動性更小，這是由于鄰域選擇 8個點比選擇4個點利用的局部信息更豐富，從而對噪聲魯棒性更強。在圖11(b)中，當(dāng)固定P取值時，不同Rmax取值曲線的走向一致，且取值越大穩(wěn)定性越好，同時計算也越耗時。表1和表2 分別給出了曲線的具體取值。

(a)P對相似度的影響曲線

(b)Rmax對相似度的影響曲線圖11 參數(shù)P和Rmax對相似度曲線的影響Fig.11 The influence of parameter P and Rmax on similarity curve

Tab.1 Specific value of similarity curve under the influence ofP

采樣點數(shù)10°20°30°40°50°P=80.9960.9940.9950.9970.994P=40.7120.6620.6790.7260.646

表2Rmax對相似度的影響曲線具體取值

Tab.2 Specific value of similarity curve under the influence ofRmax

最大鄰域半徑10°20°30°40°50°Rmax=50.9860.9850.9840.9810.983Rmax=40.9800.9770.9740.9750.973Rmax=30.9760.9730.9700.9720.971

3.2 MSTAR目標(biāo)識別實驗

實驗分為兩個部分：1)同類目標(biāo)不同姿態(tài)角的相似度比較，仿真選用0°～30°范圍BMP的圖片數(shù)據(jù)，驗證LGRP相似度的穩(wěn)定性；2)相同姿態(tài)角不同目標(biāo)的交叉識別，仿真選用相同角度的BMP2_0和BTR70_0以及T72_0等3種不同型號的目標(biāo)圖片，驗證LGRP特征可用于目標(biāo)識別。實驗仿真結(jié)果如圖12所示。

(a)0°～30°同類目標(biāo)相似度曲線

(b)相同角度不同類型目標(biāo)的交叉識別圖12 同類目標(biāo)比較和不同目標(biāo)識別的相似度曲線Fig.12 The similarity curves of similar objective comparison and different target recognition

從圖12(a)中曲線可以看出，對于不同姿態(tài)角的BMP2目標(biāo)，旋轉(zhuǎn)不變LGRP計算的特征相似度取值穩(wěn)定，說明旋轉(zhuǎn)不變LGRP 對目標(biāo)姿態(tài)角變化具有魯棒性。從圖12(b)可以看出，LGRP 對于不同目標(biāo)具有分辨能力，可用于SAR 圖像目標(biāo)識別中。

3.3 SAR圖像紋理識別實驗

實驗數(shù)據(jù)選用不同旋轉(zhuǎn)角度的香港地區(qū)Terra-SAR圖像中同類型地物的紋理切片(見圖13)，選擇4個不同角度下的同類地物紋理切片進(jìn)行仿真實驗。實驗中對圖像切片分別提取LBP特征、LGRP特征和LPH特征，并且分析其與原始角度下的圖像切片特征的相似度大小，考察上述3種紋理特征算子對不同旋轉(zhuǎn)角度紋理切片的識別能力。

圖13 四種不同角度的城區(qū)紋理切片F(xiàn)ig.13 The texture slices of urban in different

由圖14的仿真結(jié)果可以看出， LBP算子計算的特征穩(wěn)定性最低，不適用于SAR 圖像的紋理特征提取與識別，原因在2.3節(jié)已經(jīng)分析過。LPH算子的穩(wěn)定性劣于旋轉(zhuǎn)不變LGRP算子，原因如下：1)LPH算子是對中心像素的灰度值與鄰域像素進(jìn)行比較二值化，在SAR 圖像中單個像素灰度值易受相干斑噪聲干擾，穩(wěn)定性差；2)LPH算子在合并子直方圖時省略了部分信息，有可能導(dǎo)致某些重要特征丟失，使最后計算的特征不夠穩(wěn)定；3)LPH算子是在選定的鄰域范圍內(nèi)構(gòu)建直方圖，忽視了鄰域像素之間的相關(guān)性[10]。通過實驗結(jié)果分析，本文提出的改進(jìn)后的LGRP算子對旋轉(zhuǎn)變化下的紋理切片識別具有較好的魯棒性。

圖14 不同算子間性能比較相似度曲線 Fig.14 Performance comparison curve between different operators

4 結(jié)束語

本文研究了用于描述SAR圖像特征的局部二值模式，通過實測SAR圖像的不同角度對比實驗以及旋轉(zhuǎn)變化下的紋理識別實驗，驗證了本文改進(jìn)的LGRP算子對SAR圖像目標(biāo)的姿態(tài)角變化有一定的魯棒性，能有效用于SAR圖像目標(biāo)分類、識別等應(yīng)用。將具有抗旋轉(zhuǎn)性的LGRP算子運用到SIFT算子的特征描述中，結(jié)合SIFT算子的優(yōu)勢尋找一種適合SAR圖像特征提取的新方法將是下一步工作的重點。

[1]SONG C, YANG F, LI P. Rotation invariant texture measured by local binary pattern for remote sensing image classification[C].Education Technology and Computer Science (ETCS), 2010 Second International Workshop on. IEEE, 2010, 3: 3-6.

[2]OJALA T, M, HARWOOD D. A comparative study of texture measures with classification based on featured distributions[J]. Pattern recognition, 1996, 29(1): 51-59.

[3]AHONEN T, HADID A, M. Face description with local binary patterns: Application to face recognition[J]. IEEE transactions on pattern analysis and machine intelligence, 2006, 28(12): 2037-2041.

[4]AHONEN T, HADID A, M. Face recognition with local binary patterns[J].European conference on computer vision, 2004 ,3021 (12) : 469-481.

[5]NING J, ZHANG L, ZHANG D, et al. Robust object tracking using joint color-texture histogram[J]. International journal of pattern recognition and artificial intelligence, 2009, 23(07): 1245-1263.

[6]Topi M， Timo O， Matti P, et al. Robust texture classification by subsets of local binary patterns[C]//Proceedings of the 15th International Conference on Pattern Recognition. 2000. IEEE, 2000, 3(3): 935-938.

[7] Ojala T, Pietik?inen M, M?enp?? T. Multiresolution gray-scale and rotation invariant texture classification with local binary patterns[J]. IEEE transactions on pattern analysis and machine intelligence,2002, 24(7): 971-987.

[8]DAI D, YANG W, SUN H. Multilevel local pattern histogram for SAR image classification[J]. IEEE geoscience and remote sensing letters, 2011, 8(2): 225-229.

[9]項德良,粟毅,趙凌君,等. 一種基于局部梯度比率特征度量SAR圖像相似性的新方法[J]. 電子學(xué)報,2014,01:9-13. XIANG Deliang, SU Yi, ZHAO Lingjun, et al. A new algorithm for SAR imagery similarity measure based on local gradient ratio pattern[J].Acta electronica sinica,2014,01: 9-13.

[10]GUAN Dongdong, TANG Tao, ZHAO Ling-jun, et al. A feature combining spatial and structural information for SAR image classification[C].Geoscience and Remote Sensing Symposium (IGARSS), 2015 IEEE International. IEEE, 2015: 4396-4399.

[11]LI L, TONG C S, CHOY S K. Texture classification using refined histogram[J]. IEEE transactions on image processing, 2010, 19(5):

Research on local feature extraction of SARimages based on gradient ratio

WANG Qing, TANG Tao, XIANG Deliang, SU Yi

(School of Electronic Science and Engineering, National University of Defense Technology, Changsha 410073， China)

In this study, we investigate a local binary pattern (LBP) operator based on a difference calculation and a local gradient ratio pattern (LGRP) operator based on a gradient ratio. First, we introduce a basic and several other LBP operators and evaluate the performance of the LBP operators using optical image and synthetic aperture radar (SAR) image analysis. To address the problem of LBP’s sensitivity to multiplicative noise in SAR images, we use the LGRP calculator based on the gradient ratio, combined with the anti-rotation characteristics of a rotation-invariant LBP, and propose an improved rotation-invariant LGRP characteristic for SAR images. Our experimental results demonstrate that the proposed feature has good invariant performance in target recognition and image texture slice matching with changes in the angle of attitude.

SAR image; feature extraction; local binary pattern; gradient ratio; rotation-invariant

10.11992/tis. 201603025

http://kns.cnki.net/kcms/detail/23.1538.TP.20170705.1657.012.html

2016-03-16. 網(wǎng)絡(luò)出版日期：2017-07-05.

國家自然科學(xué)基金(61401477).

王慶. E-mail：290720609@qq.com.

TP751.1

A

1673-4785(2017)03-0286-07

王慶,女，1990年，碩士研究生，主要研究方向為新體制雷達(dá)。

唐濤，男，1980年，講師，主要研究方向為遙感圖像解譯、SAR圖像目標(biāo)特征提取。

項德良，男，1989年，博士研究生，主要研究方向為SAR圖像處理。