林智莘 李璐 盧曉軍

摘 要：本設計采用將長寬比、面積、灰度平均值作為目標切片的特征提取方法，利用BP神經(jīng)網(wǎng)絡、K-近鄰分類器實現(xiàn)了TerraSAR數(shù)據(jù)的艦船目標分類。基于Qt開發(fā)工具在NVIDIA Jetson TX2嵌入式開發(fā)平臺上實現(xiàn)了一套針對合成孔徑遙感圖像的艦船目標快速識別與分類系統(tǒng)，具備SAR圖像動態(tài)載入、目標快速識別與分類、檢測結(jié)果實時顯示等功能，準確率高達80%以上。

關(guān)鍵詞：合成孔徑雷達；艦船識別；艦船特征提??；OpenCV

中圖分類號：TP39；TN409 文獻標識碼：A 文章編號：2095-1302（2018）01-00-03

0 引 言

合成孔徑雷達（Synthetic Aperture Radar， SAR）是一種可自動獲取目標的微波傳感器，能夠全天時、全天候?qū)崿F(xiàn)地面目標的觀測。利用SAR圖像進行艦船目標檢測的研究與開發(fā)在海洋遙感領(lǐng)域得到了廣泛重視，成為SAR數(shù)據(jù)海洋應用的重要內(nèi)容之一，但SAR圖像目標檢測與識別領(lǐng)域還存在許多尚未解決的問題，因此開展SAR圖像艦船目標檢測與識別分類研究意義重大。

1 理論基礎(chǔ)

1.1 SAR圖像艦船目標特征分析

本文主要使用了SAR圖像的灰度統(tǒng)計特征和幾何特征來進行艦船目標的分類與識別。描述目標特征的最基本特征是幾何結(jié)構(gòu)，包括長寬比、面積和質(zhì)量。

由于艦船的形狀和尺寸特征與實際形狀、尺寸相關(guān)，因此對不同的船舶目標具有一定的區(qū)分能力。文中只考慮包含一個艦船目標的目標區(qū)域二值圖 B（m，n）。在B（m，n）中根據(jù)目標的主軸方向找到目標區(qū)域的外接矩形，該外接矩形長邊的長度L即為船舶目標的長度，外接矩形的短邊長度W即為船舶目標的寬度。

該區(qū)域的長寬比定義為艦長與艦寬之比：

SAR圖象中目標的輪廓特征與其實際輪廓相關(guān)，包含了目標長寬等尺寸信息，因此具有較強的目標區(qū)分能力。最常用的提取輪廓特征的方法是先對目標區(qū)域進行分割提取，然后根據(jù)目標區(qū)域的內(nèi)點和外部點之間的差異提取目標輪廓。

1.2 SAR圖像艦船目標分類器介紹

本次研究采用SAR圖像艦船目標分類器設計中經(jīng)常使用的兩種典型模式識別方法——K-近鄰分類器和BP神經(jīng)網(wǎng)絡分類器進行分類。

1.2.1 K-近鄰分類算法

K-近鄰分類器也稱為KNN分類器，它不僅是目標識別中常用的一種分類器，也是最簡單、最好理解的機器學習算法理論。KNN可有效進行監(jiān)督學習，計算新數(shù)據(jù)的特征值并訓練數(shù)據(jù)特征值之間的距離，然后選擇K個距離的特征值進行分類和鑒別。

KNN算法過程如下：

（1）選擇一種計算距離的方法， 計算出新數(shù)據(jù)的特征值和訓練數(shù)據(jù)特征值之間的距離。

（2）按距離遞增排序，選取與當前距離最小的K個點。

（3）對于離散分類，將K個點中出現(xiàn)次數(shù)最多的類別進行預測分類并返回。

1.2.2 BP神經(jīng)網(wǎng)絡分類算法

BP神經(jīng)網(wǎng)絡是一種具有監(jiān)督功能的多層神經(jīng)網(wǎng)絡學習方法，其突出特點在于信號會向前傳播，誤差向后傳播。在不斷交替?zhèn)鞑サ倪^程中完成對BP神經(jīng)網(wǎng)絡權(quán)值和閾值的不斷調(diào)整，盡可能降低整個網(wǎng)絡的平方和誤差值，使網(wǎng)絡輸出結(jié)果與預期輸出結(jié)果相近。BP神經(jīng)網(wǎng)絡由一個輸入層、n個隱層和一個輸出層構(gòu)成，圖1所示為一個三層BP網(wǎng)絡示意圖。

BP算法實現(xiàn)過程：

若網(wǎng)絡共包含m層，其中，第m層中第j個節(jié)點的輸出設為ymj，則y0j為第0層輸出，其值等于第j個節(jié)點的輸入Xj。Wmij表示從ym-1j到y(tǒng)mj的連接權(quán)值，m代表層號。

（1）隨機設置每個權(quán)重值，同時確保網(wǎng)絡不會被大的權(quán)重值影響。

（2）從訓練數(shù)據(jù)集中取出一組數(shù)據(jù)對（Xk，Tk），并將輸入向量添加至m=0的輸入層（k表示向量類號）：

（3）信號通過網(wǎng)絡向前傳播，可以使用如下公式計算從第一層開始每一層中全部節(jié)點i的輸出ymj，直至計算完輸出層所有節(jié)點的輸出：

（4）使用如下公式計算輸出層每個節(jié)點的實際輸出和要求目標值之差（Sigmod函數(shù)）：

（5）使用如下公式計算每層節(jié)點的誤差值，并按層次計算反傳錯誤，直到計算出每層中所有節(jié)點的錯誤值：

（6）利用加權(quán)修正公式（6）和關(guān)系公式（7）調(diào)整所有連接權(quán)。一般的訓練速率系數(shù)η在0.01～1之間。

（7）返回步驟（2），對下一組輸入數(shù)據(jù)重復上述過程，持續(xù)到輸出誤差符合規(guī)定的標準為止。

2 系統(tǒng)詳細設計與實現(xiàn)

2.1 系統(tǒng)總體設計方案

本系統(tǒng)的硬件平臺方案和工作流程圖分別如圖2和圖3所示。

先對輸入的經(jīng)過海陸分割的圖像進行預處理，提高特征提取的效果后，再進行特征提取，根據(jù)搭建的BP神經(jīng)網(wǎng)絡和KNN算法對目標進行分類，最后根據(jù)輸出的結(jié)果，在原圖上標記。

2.2 核心算法設計與實現(xiàn)

2.2.1 預處理

預處理的目的在于改善圖像數(shù)據(jù)的品質(zhì)，使得下一步特征提取更為容易。對于本次設計來說，因為需要提取艦船目標的輪廓，而原圖中的灰度值變化范圍非常大，導致輪廓提取困難，因此需要先對圖像進行膨脹、腐蝕和二值化等灰度變換處理，然后準確利用矩形框架從原圖得到目標切片。經(jīng)過預處理的圖像如圖4所示。

2.2.2 特征提取

在本次設計中，把艦船目標的長寬比、面積和目標切片的灰度平均值等特征作為分類與識別的依據(jù)。在提取長寬特征時，對傳統(tǒng)的最小外接矩形方法進行改進，采用Hough變換與最小外接矩形相結(jié)合的方式。首先對圖像進行Hough變換，提取艦船目標主軸方向角，結(jié)合切片中心利用最小矩形目標參數(shù)估計中的目標-背景像素個數(shù)比最大（TBR）準則，得到目標的長和寬，最終計算出艦船目標切片的長寬比，同時結(jié)合艦船目標切片的灰度值信息，得到該目標的灰度平均值。

2.2.3 目標識別與分類

本次設計通過BP神經(jīng)網(wǎng)絡分類器和K-近鄰分類器分別實現(xiàn)對SAR艦船目標的識別與分類，將所有的艦船目標分為大船、小船和非船三類。這兩種分類方法各有優(yōu)劣，實現(xiàn)的方法亦不同。BP神經(jīng)網(wǎng)絡分類器將分類、識別過程分為“訓練”和“識別”階段。在訓練階段實現(xiàn)對整個網(wǎng)絡的訓練，將150組特征信息（每類各50個）輸入網(wǎng)絡建立一個特征模型；在識別與分類階段，將提取出SAR艦船目標的特征信息輸入網(wǎng)絡，得到一個最優(yōu)輸出。BP神經(jīng)網(wǎng)絡分類器的原理示意圖如圖5所示。

K-近鄰分類器先將150組（每類各50個）特征信息及分類信息讀入網(wǎng)絡，經(jīng)交叉驗證誤差統(tǒng)計選擇法統(tǒng)計分析誤差后，將K值取8，然后再將需要識別的SAR艦船目標特征信息輸入網(wǎng)絡，計算出輸入的新數(shù)據(jù)的特征值與訓練數(shù)據(jù)特征值之間的距離，把8個點中出現(xiàn)次數(shù)最多的類別作為預測分類。

2.3 圖形界面設計

文中使用Qt完成了圖形界面的設計，該界面為使用者提供了一個可視化的操作界面。該界面由圖標、顯示模塊、算法選擇模塊和功能按鈕組成。

顯示模塊用于顯示檢測算法的運行時間、分類結(jié)果、檢測結(jié)果的正確分類率，整個處理界面有詳細的標注，可以清楚看到大船、小船和非船的數(shù)量及識別的正確率。

在算法選擇模塊中，點擊knn和bp兩個單選框，可選擇BP神經(jīng)網(wǎng)絡分類算法或K-近鄰分類器算法。

功能按鈕由“打開”“開始”和“退出”按鈕組成，單擊“打開”按鈕可以打開圖像選擇界面；點擊“開始”按鈕會運行特征提取與分類識別算法；點擊“退出”按鈕可結(jié)束程序的運行。

界面會顯示處理前后的圖像。如果圖像較大，可以由滾動條來控制圖像上下移動，觀看全圖。單擊鼠標左鍵并選擇要放大的區(qū)域，可以對處理前后的圖像進行局部細節(jié)的同步5倍放大。SAR圖像特征提取與識別結(jié)果界面如圖6所示。

3 系統(tǒng)功能測試及性能分析

在對輸入的經(jīng)過海陸分割的SAR圖像進行特征提取與識別分類處理后，在原圖上對輸出艦船目標的識別分類結(jié)果進行標記，使用藍色方框標記大的艦船目標，使用綠色方框標記小的艦船目標，使用紅色方框標記非艦船目標。圖7～9 （左圖為BP神經(jīng)網(wǎng)絡分類輸出，右圖為K-近鄰分類器輸出）是對三幅SAR圖像分別使用BP神經(jīng)網(wǎng)絡分類器和K-近鄰分類器進行艦船目標識別分類的分析與結(jié)果。

從圖7～9和表1、表2可以看出，BP神經(jīng)網(wǎng)絡分類器的分類結(jié)果明顯優(yōu)于K-近鄰分類器分類結(jié)果，但前者運行時間較長。同時，得益于硬件平臺在圖像處理方面得天獨厚的優(yōu)勢，大大降低了系統(tǒng)處理時間。但對目標分類并非完全正確，一方面是因為在利用開閉形態(tài)學處理時，海陸分割的邊緣會有一些陸地塊被切割出來，一些陸地邊緣上的亮點會給艦船識別帶來干擾；另一方面在于對圖像進行二值化處理過程中，存在海浪等環(huán)境因素使得艦船目標的灰度值下降甚至被過濾掉，從而影響分類結(jié)果。

4 結(jié) 語

對SAR圖像艦船進行目標特征提取和分類識別一直是SAR應用中的重要研究方向。本設計系統(tǒng)闡述了SAR圖像艦船目標分類識別的關(guān)鍵技術(shù)，完成了SAR圖像艦船目標快速識別與分類系統(tǒng)的設計。

該系統(tǒng)將NVIDIA Jetson TX2作為硬件平臺，能夠在一個友好的Qt界面上實現(xiàn)SAR圖像動態(tài)載入、目標快速識別與分類、檢測結(jié)果實時顯示，實現(xiàn)了艦船目標的特征提取，并分別利用BP神經(jīng)網(wǎng)絡和KNN分類器對特征進行了分類。

在本次設計中，雖然已經(jīng)對SAR圖像艦船目標特征提取和識別方法的分類進行了研究，但受時間和本人能力等因素的限制，系統(tǒng)還存在許多有待完善和擴展的地方，主要包括以下兩方面：

（1）進一步對程序進行優(yōu)化，盡可能減少系統(tǒng)的運行時間和識別與分類效果；

（2）考慮選擇其他特征分類與識別算法，如SVM分類器，考慮利用不同分類器之間的信息互補設計一個組合分類器。

參考文獻

[1]甄勇，劉偉，陳建宏，等.高分辨率SAR圖像艦船目標幾何結(jié)構(gòu)特征提取[J].信號處理，2016，32（4）：424-429.

[2]蔣明哲.SAR圖像艦船檢測與分類方法研究[D].合肥：合肥工業(yè)大學，2016.

[3]李德勝，孟祥偉，張顥，等.SAR圖像艦船目標長寬特征提取技術(shù)[J].艦船科學技術(shù)，2016，38（5）：115-119.

[4]張建強，高世家，趙霽紅.艦船RCS特征提取與GA-BP神經(jīng)網(wǎng)絡分類研究[J].艦船科學技術(shù)，2016，38（3）：125-130.

[5]李德勝，孟祥偉，張顥，等.基于PCA算法的SAR圖像艦船目標長寬特征提取[J].船電技術(shù)，2015，35（9）：1-5.

[6]陳文婷.SAR圖像艦船目標特征提取與分類識別方法研究[D].長沙：國防科學技術(shù)大學，2012.

[7]曹峰.SAR圖像艦船目標檢測與鑒別技術(shù)研究[D].長沙：國防科學技術(shù)大學，2012.

[8]山鵬. SAR圖像艦船目標檢測及特征提取方法研究[D].哈爾濱：哈爾濱工程大學，2012.