基于壓縮感知的SAR圖像目標識別

方 慶 張順生 段 昶

(電子科技大學 成都 611731)

1 引言

當前合成孔徑雷達(Synthetic Aperture Radar，SAR)圖像解譯系統的發展遠滯后于信息源的獲取能力，SAR圖像自動目標識別作為SAR圖像解譯和分析的重要組成部分，具有重要的民用和軍事價值，日益成為國內外圖像處理和模式識別領域的研究熱點。壓縮感知(Compressed Sensing，CS)理論是近年來提出的一種信號表示和壓縮方法，其關鍵是信號的稀疏表示問題［1，2］，由于其有效地改善了信號的采樣和壓縮能力，目前在無線通信、雷達成像、醫學圖像等領域受到高度關注。

近年來，壓縮感知理論被逐漸引入到模式識別的各個領域，特別是在人臉識別領域的成功應用，取得了良好的識別效果［3，4］。與信號壓縮應用中可以由多種標準基任意構造稀疏表示的稀疏基不同，人臉識別應用時需由訓練樣本構造稀疏基，測試樣本表示為稀疏基的線性組合。當假設任意亮度和表情變化的人臉圖像取決于一個低維的人臉子空間時，利用壓縮感知的重構算法，可以從稀疏表示的結果中精確恢復出人臉圖像的表示，根據各類訓練樣本的重構圖像與測試樣本之間的距離度量實現對目標的有效識別。基于這種基本思路，壓縮感知理論又被進一步引入到人臉表情識別［5］和三維人臉識別［6］等領域。

本文主要研究將壓縮感知理論應用于SAR圖像目標識別，以獲得對SAR目標更優的識別性能。但是值得注意是，通常SAR圖像反應了圖像像素與散射系數之間的對應關系，不像普通的光學圖像能較完整地反應目標的整體形狀，而且SAR圖像對成像的方位角較敏感，相同目標在不同方位角下的成像結果區別很大，因此，SAR圖像難以由訓練樣本的稀疏線性表示精確重構，所以，通過重構圖像與測試樣本之間的距離度量無法實現對目標的正確識別。

為解決上述問題，本文將壓縮感知應用于SAR圖像目標識別時，將精簡傳統壓縮感知識別算法中的樣本重構和距離度量步驟，從稀疏表示時系數向量的分布特性角度，直接考察稀疏表示中測試樣本的真實類別相對于其它類別之間的可區分能力，根據系數向量的分布特點設計分類算法，實現對目標的有效識別。

2 樣本的稀疏表示與求解

壓縮感知理論的一個重要研究內容是稀疏基的構造問題，稀疏基的選擇對信號表示的稀疏性有直接影響。在信號壓縮應用中，稀疏基可以選擇多種標準基(如 Fourier、Wavelet、Curvelet和Gabor基)構造。但是在目標識別應用中，稀疏基需由訓練樣本構成，測試樣本表示為稀疏基的線性組合。理想情況下，當可利用的訓練樣本數量充足時，可以將測試樣本僅僅表示為與該測試樣本同類型的訓練樣本的線性組合，因此，測試樣本基于全體訓練樣本的線性組合實際上只依賴于部分訓練樣本，滿足壓縮感知中對信號稀疏性的要求。通過求解最優化問題得到稀疏表示的系數向量，基于該系數向量可以實現對測試樣本的有效識別。

模式識別的基本問題是利用已知類別的訓練樣本將測試樣本標記為正確的類別。由第i類目標的ni個訓練樣本組成矩陣的列向量集Ai=［vi，vi，…，vi，n1］∈Rm×ni，在 SAR 圖像目標識別中，矩陣的列向量v∈Rm(m=w×h)由SAR圖像(大小為w×h)的列向量收尾相接而成，因此Ai的列向量是第i類SAR圖像訓練樣本。

當第i類目標具有足夠多的訓練樣本，即Ai=［vi，1，vi，2，…，vi，ni］∈Rm×ni時，任意同類別的測試樣本y∈Rm可以近似表示為該類訓練樣本的線性組合:

其中 αi，j∈ R，j=1，2，…，ni是線性表示的系數。

當測試樣本的類別i未知時，定義所有k類n個訓練樣本集組成矩陣A，即:

因此測試樣本y在全體訓練樣本下的線性表示為:

其中 x0= ［0，…，0，αi，1，αi，2，…，αi，ni，0，…，0］T∈ Rn是系數向量。理想情況下，x0中只有與測試樣本同類的第i類訓練樣本系數可能非0，其它類系數都為0。

由于稀疏線性表示的系數向量x0含有未知目標類別的信息，因此，通過求解公式y=Ax可實現對目標的識別。在SAR圖像目標識別中，公式y=Ax通常是欠定的，沒有唯一解，不能通過求逆的方法直接求解。該問題通常可轉化為l0范數下的最優化問題:

公式(5)的求解是一個NP難題，難以直接求解。近年來對壓縮感知和稀疏表示的研究［7，8］表明:當系數向量x0足夠稀疏時，l0范數的最優化問題等價于l1范數的最優化問題:

實際應用中考慮到噪聲以及模型誤差等因素的影響，引入誤差容限ε，公式(6)的求解可以轉化為如下形式的最小l1范數問題:

通過求解該凸優化問題可以獲得稀疏表示的近似系數向量。

這種測試樣本基于全體訓練樣本的稀疏表示有三個特點:a.訓練樣本系數值的大小反應了測試樣本與該訓練樣本的相似性程度，系數值越大相似性越高，反之亦然;b.測試樣本的類別不再依賴于單個或小部分訓練樣本，而是由所有訓練樣本系數的相對大小共同決定，避免了單個訓練樣本最終決定測試樣本類別的偶然性;c.當訓練樣本的種類或數量越多時，越容易取得更稀疏的樣本表示結果，也越有利于實現對樣本的正確識別。這些特點為后續識別算法的設計提供了指導，有利于本文方法取得更好的識別率和魯棒性。

3 基于壓縮感知的識別算法

對于給定的測試樣本y和訓練樣本集合，基于公式(7)的求解獲得稀疏表示的系數向量。理想情況下系數向量的非0系數應該集中于測試樣本所屬類上，只要提取出非0系數在中的位置就可以獲得測試樣本y的類別。但是，實際應用中受成像方位角、相干斑噪聲和模型誤差等因素影響，使得許多相對較小的非0系數分散到其它多個類上，但是，總體上測試樣本y所屬類中仍然集中了多數相對較大的非0系數，由此可見，稀疏表示的系數向量本身對測試樣本類別具有可區分能力。因此，本文設計的分類算法首先計算每一類訓練樣本的系數之和，然后將測試樣本歸類到樣本系數之和最大的類別。

其中，ri(y)=sum［δi()］是向量 δi()的系數之和。下面總結了本文基于壓縮感知的SAR圖像目標識別流程。其中l1范數的最優化問題通過梯度投影法(Gradient Projection for Sparse Reconstruction，GPSR)求解［9］。

步驟1輸入:k類訓練樣本組成的矩陣A=［A1，A2，…，Ak］∈Rm×n，任一測試樣本 y∈Rm。

步驟2解最小l1范數問題:

4 實驗結果與分析

4.1 實驗數據及其切片形式

本文所用的研究數據是MSTAR計劃錄取的實測SAR地面靜止軍用目標數據。包括3大類:BMP2(裝甲車)、BMP70(裝甲車)、T72(主戰坦克)，成像分辨率是0.3m×0.3m，方位角覆蓋范圍是0～360°，圖像大小為128×128。實驗使用該計劃推薦的訓練樣本是目標在俯視角為17°時的成像數據，測試樣本是目標在俯視角為15°時的成像數據。表1是本實驗中訓練樣本和測試樣本的類別及其對應的圖像數量。

SAR圖像背景雜波和相干斑噪聲干擾，以及目標的平移和目標散射中心的不均勻分布都會影響識別性能。為了克服這些影響獲得利于識別的訓練樣本矩陣A和待測樣本y，本文將對SAR圖像進行必要的預處理，預處理步驟依次主要包括:基于馬爾可夫隨機場(Markov Random Field，MRF)的目標分割［10］、形態學濾波和聚類［11］、圖像增強和歸一化處理。最后，以目標中心點為參考裁剪出直接用于識別的目標切片圖像，目標切片圖像的大小為50×50像素。

表1 訓練樣本、測試樣本類別和數量

4.2 稀疏系數分布

根據第2節的分析可知，當測試樣本的稀疏表示求解準確時，將得到具有可區分能力的系數向量，即系數向量的非0系數將主要集中于測試樣本所屬類別的訓練樣本上。本文通過實驗考察測試樣本的總體系數分布和個別系數分布，從這兩個方面研究系數向量的這種分布特性。

測試樣本的總體系數分布可通過所有單獨類的總體系數分布來考察。假設(y1，y2，…，yN)是某一類的所有 N 個測試樣本，(，…)是其對應的N 個系數向量，定義S(y1，y2，…，yN)∈Rn為同一類中所有測試樣本的系數向量的絕對值之和，(y1，y2，…，yN)∈Rn為 S(y1，y2，…，yN)的歸一化向量，則可通過(y1，y2，…，yN)來考察測試樣本的總體系數分布，即:

圖1表明當測試樣本的類別分別為 BMP2、BTR70和T72時的總體系數分布情況。由圖可以看出，測試樣本在相同類別訓練樣本上的系數分布數值更大，密度更集中，從總體上直觀地反應出本文方法可以實現對目標的有效識別。

圖2是在三類目標中任意抽取的單個測試樣本的系數分布。圖2(a)是預處理后分割出的圖像切片，圖2(b)是圖像切片基于訓練樣本的系數分布。可以看出單個測試樣本時，系數向量的分布同樣集中于與之類別相同的訓練樣本上，因此，將測試樣本歸類為樣本系數之和最大的類別將有利于實現對目標的正確識別。另外，注意到系數分布圖內的圖像切片對應于系數值最大的訓練樣本，可以看出該訓練樣本與測試樣本在目標形狀和散射分布上都很相似，這說明系數向量中的系數值大小反應了測試樣本與訓練樣本之間的相似程度。

圖1 測試樣本的總體系數分布

圖2 單個測試樣本的系數分布

4.3 識別性能與比較

最后，將通過識別率來考察本文方法的識別性能。識別率是測試樣本的正確識別數和總識別數的比值，是衡量識別算法的最重要指標。表2給出了本文方法基于表1實驗數據的識別率情況，可以看出本文方法對三類典型目標均取得了很高的識別率，其中對T72的識別率最高達到98.63%。

表2 各類目標識別率(%)

將本文基于壓縮感知的識別方法得到的識別率與其它幾種典型方法相比較，比較結果如表3所示。其中文獻［12］給出了一種支持向量機分類方法，該方法沒有經過特征提取，以30°為方位單元，在每個方位單元內對圖像樣本用支持向量機完成分類。文獻［13］給出了一種基于非負矩陣分解的SAR圖像目標識別，該方法對分割后的目標圖像運用非負矩陣分解獲得特征向量，再依據Fisher線性判別構成分類器實現對目標的識別。文獻［14］提出了一種基于AdaBoost算法的SAR圖像目標識別方法，該方法首先對SAR圖像目標進行規則化調整和分割，然后組合目標的多種特征形成特征向量，最后利用AdaBoost算法實現目標識別。由表3可見，本文方法得到的平均識別率明顯高于其他幾種識別方法得到的識別率。

表3 幾種識別方法的識別率比較(%)

5 結論

本文提出了一種基于壓縮感知的SAR圖像目標識別方法，該方法利用壓縮感知理論將測試樣本表示為訓練樣本的線性組合，通過求解最優化問題得到了具有可區分能力的近似稀疏系數，分析了該稀疏系數在訓練樣本上的分布特性，從理論和實驗兩方面研究了該識別方法的原理和可行性。實驗結果表明，該方法可以實現對目標的有效識別，能明顯提高對目標的正確識別率。值得注意的是，SAR圖像目標識別系統仍存在許多難以預料的擴展工作條件，在后續的研究中將考慮把本文方法推廣到更復雜的環境之中。

［1］Donoho D L.Compressed sensing［J］.IEEE Trans.on Information Theory，2006，52(4):1289－1306.

［2］Candes E J，Wakin M B.An introduction to compressive sampling［J］.IEEE Signal Processing Magazine，2008，25(2):21－30.

［3］John W，Allen Y Y，Arvind G，et al.Robust face recognition via sparse representation［J］.IEEE Trans.on Pattern Analysis and Machine Intelligence，2009，30(2):210－227.

［4］John W，Yi M，Julien M，et al.Sparse representation for computer vision and pattern recognition［J］.Proceedings of The IEEE，2010，98(6):1031－1044.

［5］Cotter S F.Sparse representation for accurate classification of corrupted and occluded facial expressions［C］//IEEE International Conference on Acoustics Speech and Signal Processing.New York，USA，2010:838－841.

［6］Zhang C，Zhang Y N，Lin Z G，et al.An efficiently 3D face recognizing method using rangeimage and sparse representation［C］//IEEE International Conference on Computational Intelligence and Software Engineering，Wuhan，China，2010:1－4

［7］Donoho D L，Elad M，Temlyakov V N.Stable recovery of sparse overcomplete representations in the presence of noise［J］.IEEE Trans.on Information Theory，2006，52(1):6－18.

［8］Candes E，Romberg J，Tao T.Robust uncertainty principles:exact signal reconstruction from highly incomplete frequency information［J］. IEEE Trans.on Information Theory，2006，52(2):489－509.

［9］Figueiredo M T，Nowak R D，Stephen J W.Gradient projection for sparse reconstruction:application to compressed sensing and other inverse problems［J］.IEEE Journal of Selected Topics in Signal Processing，2007，1(4):586－597.

［10］賈亞飛，趙鳳軍，禹衛東等.基于擴散方程和MRF的SAR圖像分割［J］.電子與信息學報，2011，33(2):363－368.

［11］Gonzalez R C，Woods R E.Digital image processing［M］.Second edition，Beijing:Publishing House of Electronics Industry，2002.

［12］Zhao Q and Principe J C.Support vector machines for SAR automatic target recognition［J］.IEEE Trans.on Aerospace and Electronic Systems，2001，37(2):643－654.

［13］龍泓琳，皮亦鳴，曹宗杰.基于非負矩陣分解的SAR圖像目標識別［J］.電子學報，2010，38(6):1425－1429.

［14］Guo W，Qi Q W，Jiang L L，et al.A new method of SAR image target recognition based on AdaBoost algorithm［C］//IEEE International Conference on Geoscience and Remote Sensing Symposium，Boston，USA，2008:1194－1197.