基于SOFM神經網絡的SAR圖像目標識別

劉偉偉，胡興平，盧曉敏，宋慧娟

(1.西安飛豹科技發展公司，陜西 西安　710089；2.西安應用光學研究所，陜西 西安　710065)

?

基于SOFM神經網絡的SAR圖像目標識別

劉偉偉1，胡興平1，盧曉敏2，宋慧娟2

(1.西安飛豹科技發展公司，陜西 西安710089；2.西安應用光學研究所，陜西 西安710065)

在SAR圖像的識別中，傳統的識別方法必須提前知道所有目標的類別，不能對任意的目標進行識別。通過分析SAR圖像的特點，選取了一組由Hu不變矩和由三角函數生成法導出的5個新的不變矩組成的特征向量。利用自組織特征映射(SOFM)神經網絡對目標進行了聚類分析。實驗表明，選取的特征向量能夠較準確地描述目標，且SOFM神經網絡能夠自適應，自組織地對目標進行聚類。同時，用測試圖像對訓練好的網絡進行了測試，得到了較為理想的識別效果。

自組織特征映射神經網絡；目標識別；合成孔徑雷達；不變矩；聚類分析；特征提取

0　引言

合成孔徑雷達(synthetic aperture radar，SAR)是微波傳感器中發展最快和最有成效的傳感器之一。它具有全天時、全天候、多極化、高分辨率等特點，非常適合于現代的偵察任務，同時在海洋監視、地質勘測和農業規劃等領域也得到了廣泛得應用[1]。由于SAR圖像的特殊性，傳統的圖像分類方法不能很好地滿足SAR圖像目標的分類和識別，因此SAR圖像中目標識別的問題成為了當前研究的熱點。

傳統的SAR圖像分類方法主要有模板匹配[2-3]、反向傳播(back propagation,BP)神經網絡[4]、支持向量機[5], 小波變換法[6]。其中模板匹配方法在當識別目標種類增加時，無需重新訓練原有的目標模板，只需要加入新增類別的模板即可，但是當模板庫隨著目標種類的增加而增大時，就需要大量的存儲空間，同時對識別速度、正確率都有一定程度的影響。BP神經網絡雖然識別率較好但是卻需要提前知道所有的目標類別，而支持向量機無法處理大規模的數據。鑒于當前SAR圖像目標識別的這些問題，本文提出利用SOFM(self-organizing feature map)神經網絡可以無監督聚類的特性對SAR圖像目標進行識別。

1　SAR圖像的特征選擇與提取

1.1Hu不變矩

區域的矩表示把一個歸一化后的灰度級圖像函數理解為一個二維隨機變量的概率密度。這個隨機變量可以用矩(momnet)來描述。Hu最早提出了矩的概念,并推導出了矩的一些基本性質,并進一步證明了矩具有平移、尺度和旋轉的不變性。Hu矩[7-8]與其他不變性特征提取方法相比，在抗干擾性和圖像的表示能力方面表現更好，能反映出圖像區域內部的細節情況。

對于灰度分布的二維圖像目標f(x,y)的(p+q)階二維矩定義為

(1)

對應的(p+q)階中心矩定義為

p,q=0,1,2，…，

(2)

(3)

定義歸一化的(p+q)階中心矩為

(4)

可以證明以上歸一化后的中心矩特征具有平移和尺度不變性，但是不具有旋轉不變性。為了實現圖像特征對平移、旋轉和尺度變換均具有不變性，Hu首先利用二階和三階歸一化的中心矩構造了7個對平移旋轉和尺度具有不變性的不變矩，具體表達式如下：

C1=I20+I02,

(5)

(6)

C3=(I30-3I12)2+(3I21-I03)2,

(7)

C4=(I30+I12)2+(I21+I03)2，

(8)

C5=(I30-3I12)(I30+I12)[(I30+I12)2-

3(I21+I03)2]+(3I21-I03)(I21+I03)[3(I30+

I12)2-(I21+I03)2] ，

(9)

C6=(I20-I02)[(I30+I12)2-3(I21+I03)2]+

4I11(I30+I12)(I21+I03)，

(10)

C7=(3I21-I03)(I30+I12)[(I30+I12)2-3(I21+

I03)2]-(I30-3I12)(I21+I03)[3(I30+I12)2-

(I21+I03)2].

(11)

1.25種新的不變矩

由于SAR圖像中的目標存在不對稱比例變換，而只用Hu的7個不變矩無法準確地描述目標的特征，因此引入由三角函數生成法[9]導出的5個新的不變矩，具體表達式如下：

C8=2{I11[(I30+I12)2-(I21+I03)]-

(I20-I02)(I30+I12)(I21+I03)}，

(12)

C9=[(I30-3I12)(I30+I12)+(3I21-I03)(I21+I03)]·

(I20-I02)+2I11[(3I21-I03)(I30+I12)-

(I30-3I12)(I21+I03)]，

(13)

C10=[(3I21-I03)(I30+I12)-(I30-3I12)(I21+

I03)](I20-I02)-2I11[(I30-3I12)(I30+I12)+

(3I21-I03)(I21+I03)]，

(14)

C11=(I04+I40-6I22)2+16(I31-I13)2，

(15)

16I11(I31-I13)(I20-I02).

(16)

不變矩C8～C12為5個高階不變矩，這5個不變矩比傳統的7個不變矩具有更好的離散穩定性，其與傳統的7個不變矩相組合可更準確地描述二維形狀的特征。

1.3特征向量的歸一化

由于針對同一樣本的不同階次矩的特征量綱不同,數值上會有很大的差別,差異較大的數據會使網絡收斂速度變慢，并且這些數據可能會成為奇異數據而使網絡無法收斂，因此,在進一步的識別前需要進行歸一化處理。這里，采用如下方法來獲得歸一化后的特征：

Y=(Ymax-Ymin)(X-Xmin)/(Xmax-Xmin)+Ymin，

(17)

式中：[Ymin,Ymax]代表要歸一化所到的區間；X代表要歸一化的向量。

2　基于SOFM神經網絡的目標識別

2.1SOFM神經網絡的結構

SOFM神經網絡，是由芬蘭科學家Kohonen于1981年根據人腦的自組織特性提出的一種無監督的，競爭學習的聚類網絡。它由輸入層、輸出層2部分構成。SOFM神經網絡作為一種無監督的人工神經網絡計算方法[10],在對樣本數據進行聚類的同時,還能夠保持樣本的拓撲有序性[11],適合于解決多種分類和識別問題。SOFM神經網絡的結構如圖1所示。

圖1　SOFM神經網絡結構圖Fig.1　SOFM structure chart

SOFM神經網絡在學習的過程中總是使輸出層內各神經元的權向量保持向輸入向量逼近的趨勢, 從而使得具有相近特征的輸入向量能夠聚集在一起。同時，SOFM神經網絡以多個神經元的輸出狀態來反映輸入向量的聚類結果。因此SOFM神經網絡能夠利用其自組織，自競爭的特點，將一維輸入模式映射到二維神經元陣列上,所以使用SOFM神經網絡可以對任意的目標進行識別。

2.2算法的具體步驟

步驟2： 輸入選取的由12個不變矩組成的第i個特征向量Ui=(ui1,ui2,…,ui12)T。

步驟3： 計算輸入向量和網絡權向量之間的歐氏距離，并確定擁有最小的歐氏距離de的神經元e為獲勝神經元。de由式(18)求出。

j=1,2,…,M.

(18)

步驟4： 按式(19)更新權值向量。

(19)

式中：Ne(t)為神經元e的鄰域。

步驟5： 輸入下一個待輸入向量，并返回步驟3，直到所有特征向量輸入完畢。

(20)

式中：t為學習次數；int[X]為對X取整。

步驟7： 令t=t+1，返回步驟2直到t=T時為止。

3　仿真校驗

3.1校驗的基本流程

本文使用由Sandia國家實驗室(Sandia national laboratory,SNL)采集的,并由美國空軍Wright實驗室發布為公用的MSTAR數據庫中的BMP2(坦克)，BTR70(裝甲運兵車)和T72(坦克)作為實驗用SAR圖像，并對這3類目標進行了聚類分析。其中，選取訓練樣本每類100副共300副圖，選取測試樣本每類200副共600副圖。圖2為所使用的部分俯視角為17°時的SAR圖像。

仿真校驗的流程圖如圖3所示。

3.2SOFM網絡的參數設計

輸入層設計：輸入層選擇12個神經元對應于12個不變矩。

輸出層設計：輸出層采用通常認為最好排列方式的六邊形網格和2維神經元排列結構[12]。通過多次實驗，選擇8×6的結構可得到較好的網絡訓練結果。設計好的SOFM網絡拓撲結構如圖4所示。

圖2　用于仿真校驗的部分SAR圖像Fig.2　Some SAR graphic used for simulation

圖3　仿真校驗流程圖Fig.3　Flow chart of simulation verification

圖4　SOFM拓撲結構圖Fig.4　SOFM topology

3.3仿真結果及分析

在10 000次的訓練后，網絡權值已經基本保持不變。由于SOFM神經網絡是無監督的聚類網絡，無法給出目標的具體類別，但是可以通過神經元的分布來判斷出這些具體的類別，并且這種分析的方式易于解釋和理解。神經元權值分布圖如圖5所示。

圖5　神經元權值分布圖Fig.5　SOFM neighbor weight distances

圖5中顏色越深的神經元(顏色由淺到深為黃，紅，黑)代表著距離越遠。從圖中可以看到，中間深色部分的神經元將神經元區域分成了3部分，相連黃色部分代表一類。這樣3部分區域剛好代表著BMP2(坦克)，BTR70(裝甲運兵車)和T72(坦克)3類目標。

將600副測試圖像放入訓練好的網絡中，定義識別率=正確識別樣本數/總樣本數。將分類后的神經元劃歸至訓練樣本，將聚類后的神經元區域內的樣本定為正確識別的樣本。最后計算所得3類目標的識別率見表1。

表1　目標識別率

將本文方法與傳統的模板匹配法[13]、支持向量機法[14]以及隱馬爾可夫法[15]3種算法進行對比，其對比結果如表2所示。從表2中可以看出，本文提出的算法具有相對較高的識別率。

表2　幾種算法對比的平均識別率

仿真中雖需要10 000次甚至更多的訓練次數，但SOFM神經網絡的訓練是一個離線過程，當在線應用時，只需輸入當前的目標特征距并借助于訓練好的神經網格中，便能夠快速得到分類結果，可以滿足實時性要求。

4　結束語

本文通過選取一組由Hu不變矩和5個新導出的不變矩作為特征向量，利用SOFM神經網絡無監督聚類的特性對MSTAR數據庫中3類目標進行了聚類分析。實驗結果表明，SOFM神經網絡能夠自組織，自競爭地對目標進行聚類。將測試圖像放入訓練好的網絡，得到了較為理想的識別效果。同時，該算法解決了傳統算法無法識別未知目標的問題，為SAR圖像目標的識別提供了新的思路。

[1]李衛斌. SAR圖像處理的若干關鍵技術 [D].西安：西安電子科技大學，2004.

LI Wei-bin.Key Techniques on SAR Image Processing [D].Xi’an:Xidian University,2004.

[2]LANCE M, ROMAIN M. Effect of Signal-to-Clutter Ratio on Template-Based ATR[C]∥Proc. SPIE 3370, 1998: 408-419.

[3]陸洪濤，陸靜，郭軍. 一種基于相關測度的SAR干擾效果評估方法 [J].現代防御技術，2008,36(3):97-99.

LU Hong-tao,LU Jing,GUO Jun.The Evaluation Methods of the Jamming Effect of SAR Based on the Pertinency [J]. Modern Defence Technology,2008,36(3):97-99.

[4]韓春林，雷飛，王建國，等.合成孔徑雷達圖像目標分類研究 [J].電子科技大學學報,2004,33(1):1-4.

HAN Chun-lin,LEI Fei,WANG Jian-guo,et al.Research on Object of SAR Image Classification[J].Journal of University of Electronic Science and Technology of China,2004,33(1):1-4.

[5]宦若虹，楊汝良，岳晉.一種合成孔徑雷達圖像特征提取與目標識別的新方法[J].電子與信息學報,2008,30(3):554-558.

HUAN Ruo-hong,YANG Ru-liang,YUE Jin.A New Method for Synthetic Aperture Radar Images Feature Extraction and Target Recognition[J].Journal of Electonics & Information Technology,2008,30(3):554-558.

[6]李勇，王德功，常碩，等. 一種SAR圖像特征提取和目標分類的新方法 [J].現代防御技術，2013,41(4):126-130.

LI Yong,WANG De-gong,CHANG Shuo,et al.New Method for Synthetic Aperture Radar Images Feature Extraction and Target Classification [J]. Modern Defence Technology,2013, 41(4):126-130.

[7]HU Ming-kuei. Visual Pattern Recognition by Moment Invariants [J].IEEE Trans on Information Theory, 1962,8(2): 170-179.

[8]張偉，何金國. Hu不變矩的構造與推廣 [J].計算機應用,2010,30(9):2449-2452.

ZHANG Wei,HE Jin-guo.Construction and Generalization of Hu Moment Invariants [J].Journal of Computer Applications,2010, 30(9):2449-2452.

[9]劉進，張天序.圖像不變矩的推廣[J].計算機學報，2004,27(5)：668-674.

LIU Jin,ZHANG Tian-xu.The Generalization of Moment Invariants[J]. Chinese Journal of Computers,2004,27(5):668-674.

[10]曾松林，王文惲，劉陽，等.高速機動反艦導彈對艦艇編隊的威脅估計研究 [J].現代防御技術，2012,40(6):33-38.

ZENG Song-lin, WANG Wen-yun,LIU Yang, et al. Threat Evaluation of High-Speed Maneuvering Antiship Missile to Fleet [J]. Modern Defence Technology, 2012, 40(6):33-38.

[11]王磊明. SOFM算法在圖像識別中的應用研究 [D].沈陽: 遼寧工程技術大學，2011.

WANG Lei-ming. Research on Self-Organizing Feature Map Neural Network Algorithm in Image Recognition [D].Shenyang: Liaoning Technical University,2011.

[12]KOHONEN T. Self-Organizing Maps [M] .3r ded.Berlin:Springer,2001.

[13]ROSS T D, WORRELL S W, VELTEN V J, et al. Standard SAR ATR Evaluation Experiments Using the MSTAR Public Release Data Set[C]∥Proc. SPIE 3370, 1998: 566-573.

[14]ZHAO Qun, PRINCIPE J C. Support Vector Machines for SAR Automatic Target Recognition.[J]. IEEE Transactions on Aerospace and Electronic Systems, 2001, 37(2): 643-654.

[15]NILUBOL C, PHAM Q H, MERSEREAU R M, et al. Translational and Rotational-Invariant Hidden Markov Model for Automatic Target Recognition[C]∥Proc. SPIE 3374,1998: 179-185

SAR Image Target Recognition Method Based on SOFM Neural Network

LIU Wei-wei1,HU Xing-ping1, LU Xiao-min2, SONG Hui-juan2

(1. Xi′an Feibao Science and Technology Development Company, Shaanxi Xi’an 710089, China;2. Xi′an Institute of Applied Optics, Shaanxi Xi’an 710065, China)

In recognition of synthetic aperture radar (SAR) images, the traditional method of identification needs to know all the categories of objectives in advance, and cannot recognize random target. Through the analysis of the characteristics of SAR, a group of Hu invariant moments and trigonometric function generated 5 new moment invariants formed feature vector. The goal of clustering analysis is conducted by using self-organizing feature map (SOFM) neural network. Experiments show that, SOFM neural network can use its adaptive and self-organizing characteristics to cluster the target. At the same time, to test the trained network with the test image, the proposed method can obtain better results.

self-organizing feature map (SOFM); target recognition; synthetic aperture radar (SAR); invariant moments; cluster analysis; feature extraction

2015-06-13；

2015-10-15

劉偉偉(1983-)，男，山東菏澤人。工程師，碩士，主要從事航空電子綜合化及飛航空火力控制。

通信地址：710089陜西省西安市閻良區航空三路40號E-mail：15249250997@163.com

10.3969/j.issn.1009-086x.2016.04.010

TP183;TN958

A

1009-086X(2016)-04-0056-05