基于MECSM表示的ISAR图像分类方法

沙特国王大学沙特国王大学学报www.ksu.edu.sawww.sciencedirect.comJournal of King Saud University基于MECSM表示的Valli Kumari Vatsavayi，Hari Kishan Kondaveeti*Department of CS SE，AUCE（A），Andhra University，Visakhapatnam，India接收日期：2016年5月10日;修订日期：2016年7月10日;接受日期：2016年2016年8月9日在线发布本文提出了一种基于目标最小封闭圆形状矩阵（MECSM）表示的ISAR图像分类方法。首先，不一致的ISAR图像进行处理，以消除噪声和离群值。接着，使用定向对准方法来垂直对准目标以实现旋转不变性。增强型最小封闭圆计算方法（EnMEC）可查找形状的最小封闭圆（MEC）的半径和圆心。然后，基于本文提出的MECSM表示方法生成的形状矩阵对目标进行分类。MECSM表示克服了传统形状矩阵表示的局限性，例如形状矩阵表示对质心（COM）和目标形状的最大半径的依赖性MECSM表示还在表示目标周围的无关紧要的细节时缩减了无关的插值实验分析表明，该方法对ISAR图像重建和处理机制复杂引起的目标轮廓变形具有较强的鲁棒性。©2016作者。制作和主办由爱思唯尔B.V.代表沙特国王大学。这是一篇基于CC BY-NC-ND许可证的开放获取文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。1. 介绍逆合成孔径雷达（ISAR）是一种主动成像雷达，用于军事监视和海上巡逻，在恶劣的环境中生成目标的图像，*通讯作者。电 子 邮 件 地 址 ： vallikumari@gmail.com （ V.K.Vatsavayi） ，kishan. kondaveeti@gmail.com（香港）Kondaveeti）。沙特国王大学负责同行审查几乎所有的天气条件，白天和黑夜，光学成像技术完全 失 败 （ Chen 和 Anderson ， 1980;Chen ， 2014;Nuthalapati ， 1992; Ozdemir ， 2012; Tang 等 人 ， 2012;Zeljkovic等人， 2010年）。ISAR具有对非合作运动目标成像的能力目标的运动是ISAR图像重建的重要因素，在其他成像雷达的情况下，它会产生模糊效应。ISAR图像表示从来自目标的反射信号合成的目标反射率的二维图（Chen和Anderson，1980; Kozma等人，1984年）。目标在ISAR图像中的形状由视线（LOS）矢量与瞬时距离的叉积生成，http://dx.doi.org/10.1016/j.jksuci.2016.07.0041319-1578© 2016作者制作和主办由爱思唯尔B.V.代表沙特国王大学。这是一篇基于CC BY-NC-ND许可证的开放获取文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。制作和主办：Elsevier关键词逆合成孔径雷达（ISAR）图像; ISAR图像分类;形状矩阵;最小封闭圆（MEC）;自动目标分类自动目标识别（ATR）一种有效的ISAR图像分类方法357目标的角速度矢量。图1显示了不同飞机在任意方位角的ISAR图像。ISAR图像的特征对于识别飞机、舰艇、导弹和军用车辆等雷达目标是非常有效的，这是现有成像雷达图像所不能比拟的。但是，以下障碍使ISAR图像目标分类具有挑战性(i)ISAR图像与光学图像完全不同，并且通常更难以理解（Brett，1997; Skinner等人，1998;Sullivan，2000）;（ii）与光学图像相比，ISAR图像具有严重且不可避免的几何失真;（iii）ISAR图像不包含合理的信息，如目标表面的颜色和纹理，而这些信息对于目标识别和分类至关重要;（iv）ISAR图像对噪声非常敏感，这是由于来自外表面的多次反弹散射、目标表面的粗糙性质和内部运动。图像中存在的噪声和杂波导致了低信噪比（SNR）和低信杂比（SCR）;（v）由于图像重建和处理机制的复杂性，模糊、不连续和变形经常与ISAR图像相关联。这些问题降低了整体性能，分类的重要性。ISAR目标的分类（Bachmann等人，1992;Botha，1994;Kondaveeti 和 Vatsavayi ， 2016; Kim 等 人 ， 2005; Maki 等人，2001; Musman等人，1996; Rosenbach和Schiller，1995; Saidi等人，2009; Park等人， 2015）是文献中的流行概念，因为难以实现用于实际操作目的的自动分类系统。模板匹配是用于目标分类的最简单的技术（Jain等人，2000），其确定距离或多普勒轮廓之间的匹配。Bachmann 等 （ 1992 ） 、 Maki 等 （ 2001 ） 和 Musman 等（2002）中描述的方法。（1996）主要研究了ISAR图像中舰船目标的分类问题。由于该方法依赖于舰船的三维模型来提取舰船的长度、主桅杆的位置和高度等轮廓参数，因此不能直接应用于飞机等其他类型的目标。Botha（1994），Kondaveeti and Vatsavayi（2016），Kim et al. （2005），Rosenbach和Schiller（1995），Saidi等人，（2009）和Park et al. （2015）处理二维ISAR飞机目标分类。Botha（1994）、Rosenbach和Schiller（1995）和Saidi等人（1996）中描述的方法可以用于制备抗肿瘤药物。（2009）基于ISAR图像的低维局部和几何特征，例如几何矩、形状特征、量化能量特征、Zernike矩和不变矩。他们试图简化分类器的结构，以节省计算资源。但这些特征的区分性较低，可能并不总是成功。Kim等人（2005年）描述了一种用于飞机分类的极坐标映射方法。它依赖于三个步骤的分类器consisting的粗搜索，细搜索和对齐，并最终决定。由于以极坐标形式表示图像所涉及的复杂性及其复杂的分类器结构，该方法在计算上是昂贵的该方法假设所生成图像中的目标的质心（COM）和旋转中心（RC）相同，这并不总是可能的。该方法（Park等人，2015）使用傅立叶幅度图像的极坐标映射来实现平移、旋转和尺度不变特征。该方法通过二维傅立叶变换（2D-FT）自动确定RC为零频点，解决了COM和RC不一致的问题。但是，这种方法增加了在空间域和频率域之间转换图像的这种方法的准确性是值得怀疑的情况下，由于低SNR，变形的目标和模糊的形状在像素强度值的变化Kondaveeti和Vatsavayi（2016）提出的方法取决于形状矩阵（Goshtasby，1985; Taza和Suen，1989）。该方法依赖于目标的形状细节，而不是目标在2D图像平面中的真实散射响应，这使得该方法可靠。但是，该方法在目标形状的变形和不连续的情况下大多失败，因为在该方法中开发的形状表示机制取决于形状的该方法的准确性存在偏差，图1不同飞机在任意方位角的ISAR图像358V.K. Vatsavayi，H.K. 孔达韦蒂Kð Þ2ðÞK2.pK我1 12二、 324 11K我1K312122圆周pXya¼cos-1p2p3-p11-一个p2p2-p2Ij2在COM和最大半径的变化所造成的目标形状的变形和不连续性p<$qxk-xi2y-2ð5Þ本文的工作旨在发展有效的目标分类方法，该方法对目标形状的变形和不连续具有鲁棒性。提出了一种新的基于MECSM的p3¼qxi-xj2y-2ð6Þ目标的代表性。目标的MECSM表示是目标几何形状的低维、简洁表示建议的MECSM表示方法依赖于最小封闭圆（MEC）的散射响应，代表目标在二维ISAR图像。我们在这项工作中的贡献是：（i）发展了一种目标垂直对准方法，以实现旋转不变性2.2. 外接圆对于由集合PR2中的任意三个点Pi<$xi;yi<$;Pj<$xij;yj<$和Pkxk;y构成的三角形，外接圆或Cir-cumcircle是通过三角形的所有顶点的圆。这个圆的圆心叫做外接圆心，它的半径叫做外接圆半径。通过点Pi、Pj和Pk的圆的中心（外接圆心）可以从等式（1）计算。（七）在MECSM中，基于Jaccard分布的目标表示度量衡（ii）发展一种临时方法，增强的最小封闭圆计算方法. ab-aba b-ab（EnMEC），以计算MEC的中心和半径。(iii)ISAR图像分类新方案的发展其中Cx和Cy是圆心（外接圆）的x和y坐标，MECSM表示方法的研究。一年半一年半在第2节中解释。在第3节中给出了所提出的分类算法的详细描述。第四节对所提方法在合成ISAR图像数据库上的性能进行了实验分析和相关讨论。第5节结束了这项工作。2. 基本几何形状设P1;P2;P3;... . P ng是二维欧氏空间中给定的n个点的有限集，P2R和nx;yn; nx;yn n.a2¼yj-yia02¼yjyia3¼xj-xia03¼xjxia4¼x k-xia04¼xkxia5¼yk-yja05¼x k-xjb1<$a3a0<$a2a0b2<$a4a04<$a1a01b3<$a3a5-a2a05为了检查给定三个点的共线性，3在Eq.（7）计算。如果这三个点是颈-近，项b3的值等于零，他们不能xn;yn是的坐标的的点P1;P2... Pn分别2.1. 余弦定理定义一个圆。否则，这三个点可以定义一个圆。一旦计算出圆心，半径rcircum圆的半径（外接圆半径）可以从方程计算（八）r¼qxC余弦定律将三角形的边长ð8Þ它的一个角的余弦。这个定律就是求一条边的长度或一个角的大小。根据这一定律，对于由集合P2 R2中任意三点Pi <$xi;yi <$;Pj <$xi;yj <$和Pk <$xi; yj <$所构成的三角形，其顶点Pi、Pj和Pk分别与a、b和c成角. 角度a、b和c的大小可以从等式2计算。（1）.222Σ2p pð1Þ其中，xp和yp分别是圈2.3.最小包围圈（MEC）最小包围圆（MEC）是包围所有点P1、P2、P3、P4、P5、P6、P8、P9、P10、P11、P12、P13、P14、P15、P16、P17、P18、P19、. Pn在集合P2R2中。在由n个点P形成的多边形的情况;P在n.. .P集合P2R2，最小包围圈（MEC）是最小的-b¼cos-12 2 23 1 22p3p1ð2Þ最后一个圆完全包含多边形。MEC的以下性质对于找到给定点集的MEC至关重要c/cos1 2 32p1p2ð3Þ(i) 有限集P2R2的MEC是唯一的.(ii) 有限集合P2R2的MEC可以由下式确定：其中p1、p2和p3是边PjPk、PkPi的长度，Pi Pj。可以使用等式来计算侧p1、p2和p3的长度。（4）-（ 6）q22p1¼xj-xkþ ðyj-ykÞð4ÞP中的两个或三个点。(iii) 如果MEC由P中的三个点确定，则由这些点形成的三角形总是锐角或直角，即三角形中的最大角总是小于或等于90μm。C;Cð7ÞXy2b32b3MEC构造中涉及的基本几何形状是我p2一种有效的ISAR图像分类方法359K.¼KXMEC不同于Circum Circle。每个多边形都有一个唯一的MEC，并且每个多边形可能没有外接圆，即。给定多边形的所有顶点不需要位于圆上。3. 拟议分类方法3.1. 预处理ISAR图像受到噪声和杂波的严重破坏。为了提高分类的准确性，必须在提取特征之前对它们进行处理。预处理涉及降噪和方向对准。下面的小节简要解释了预处理过程。3.1.1. 降噪斑点噪声或颗粒噪声通常与雷达生成的图像相关联。散斑噪声本质上是乘性的。然而，处理加性噪声的滤波器不适合处理这种噪声。使用全局均值的分割是处理 这 种 噪 声 的 简 单 有 效 的 方 法 （ Franceschetti 和Lanari，1999; Kim等人，2005;Park等人，2015），此时SNR和SCR相对较高。在所提出的方法中，不是使用简单的平均阈值，而是基于灰度直方图（Otsu，1979）来选择阈值，以便即使在低信噪比的情况下也能有效地为了确定最佳阈值f，假设图像I包含两类像素即前景和背景，并遵循双峰直方图。然后，通过最小化它们的类内方差或最大化类间方差来计算阈值。使用所获得的阈值f 的经处 理 的 图 像I0表示为等 式 （ 1 ） 。（九）、在I 0上执行区域打开之后获得的图像可以被表示为等式（1）。（十一）I00¼caI011全局阈值f和区域开运算参数k的取值在去除不需要的细节中起着至关重要的作用，保留了分类的判别信息。值选择不当可能导致目标形状不连续和变形。因此，在选择最佳值时必须小心。这些值的最佳选择需要进一步的研究。在降噪之后，经处理的图像100被传递到下一阶段。3.1.2. 取向配准为了实现形状矩阵表示的旋转不变性，现有方法（Goshtasby，1985）将目标形状的最大半径作为基本径向线来初始化表示。然而，形状矩阵表示对目标形状的最大半径的依赖性可能使分类器准确度有偏差，因为由于目标形状的变形而导致的最大半径的变化可能导致形状矩阵表示的变化该方法不考虑目标形状的最大半径来初始化形状矩阵表示。相反，它将所有目标对准特定方向，然后从水平轴0°的径向线开始形状矩阵表示。为了将目标对准到特定方向，基于Jaccard距离度量（Jaccard，1901）开发了目标对准方法该方法依赖于ISAR图像中目标形状的几何形状来垂直对齐飞机目标形状的垂直镜面对称性的优点被认为是垂直对准的关键以下程序说明了目标垂直对齐的过程：I01 ifI>f0如果I6fð9Þ步骤1.最初，从前一阶段获得的经处理的图像100获得翻转图像。一个失败强度值超过给定阈值f的图像像素被认为是1，其余像素被设置为零。因为纹理信息没有任何用处-图像是原始图像在垂直轴上的镜像反转。 我 在Eq.（12）表示从I0 0获 得 的 翻转 图 像。在ISAR情况下用于目标识别的充分信息图像的所有灰度级强度值以上的给定我..我...¼垂直翻转2019年12月12日将阈值转换为1以获得黑白图像。大多数情况下，由于先前实施例中的自动全局阈值选择的限制，步骤2. 根据原始图像I 00和翻转图像I 0 f 0 lop计算Jaccard距离dJaccard<$I0 0;I0f0lop <$，如等式2中所给出。（十三）步离群点是一些位于远处的连通分量-dI00;I00[I0f0lopj -jI00\I0f0lopj]ð13Þ不属于实际目标的形状必须删除异常值，因为它们Jaccard翻牌jI00[I0f0lopj对MEC的产生产生不利影响区域开放操作通过移除面积小于给定参数k的连接组件来消除离群值的影响。让我们把图像I0看作是一组连通的分量，kP0则在给定参数下I0的面积开口ca如以下等式中定义距离k。（十）：caI0fx2I0j面积CI0Pkg10其中jI00\I0f0lopj和jI00[I0f0lopj]是分别是图像I00和I0f0lop的交集和并集。Jaccard距离的值d Jaccard位于0和1之间。如果目标的形状垂直定向，则dJaccar dI00;I0f0lop接近0。 选择更接近零的阈值距离值作为过程的停止标准。步骤3.检查是否的Jaccard距离，dJaccard其中，CxI0是图像I0的连通分量，在上述步骤中获得的小于或等于给定的阈值如果满足条件，则停止程序x点。360V.K. Vatsavayi，H.K. 孔达韦蒂集合X中的S连通分支，其中X^fXj^ng1/4fgð Þ ð Þ ðÞ发送Si的基数，其中S¼⊂fSiji1：ng;S为并返回图像，否则将图像I00顺时针旋转1°，重复步骤（1）、（2）和（3）。图图2描绘了在靶的垂直对准过程中的不同阶段产生的图像。图2（a）和(e)是两个输入图像。（a）中的目标相对于垂直轴以某一任意角度定向，并且（e）中的目标垂直定向，即，相对于垂直轴的0°方向图图2（b）、（c）和（d）分别表示（a）的翻转图像、两个图像（a）和（b）的相交和合并。当目标与垂直轴成任意角度时，两幅图像的交和并不相同，且dJaccard偏离给定阈值。这个目标必须旋转，直到dJaccard接近上述过程中图图2（f）、（g）和（h）表示（e）的翻转图像，两个图像的交集和并集(e)和（f）。当目标已经垂直定向时，两幅图像的交和并相同，并且dJaccard接近给定阈值。不需要对图像（e）执行旋转定向从该步骤获得的输出，垂直对齐的图像被传递到下一部分。3.2. MECSM表示设X是二维欧氏空间中表示目标的连通分支的有限集合，X2R2和Xi是第一步：其中n是集合X中连通分量的个数。在目标的形状中没有析 取 的 情 况 下 ， 集 合 X仅 包 含 一 个 连 通 分 量 ， 即 X1/4X1。一个连通分支Xi表示一个有限的点集，jXij表示Xi的基数。设Si表示构成连通成分Si的边界的点的集合，jSij表示：22一般来说，集合S分别为l m。在目标的形状由于分离和不连续而严重失真的最坏情况下。找到目标的MEC的中心和半径的复杂性随着表示目标的点的数量而增加，即计算复杂性随着l而增加。因此，为了降低MEC生成的复杂性，我们选择了包含形成目标的连通分量的边界点的集合S。通过求S的凸包进一步减少了点的数目。S的凸包是构成包含S的最小凸区域的点的集合。3.2.1. 使用EnMEC计算MEC的中心和半径所提出的增强型最小封闭圆计算方法（EnMEC）通过减少通过从凸包中的点集合中选择三个连续点以移除点而形成的圆的半径的重复计算来降低Gadelmawla（2010）中使用EnMEC计算MEC中心和半径的程序如下：步骤1.计算给定图像中连接组件的数量。步骤2.如果count为1，则提取给定形状的边界点否则，提取属于给定形状的每个连通分量的边界点并移至步骤3。步骤3. 求出点的集合CC1;C2;C3;. 其中n是凸包中的点的数量，并且x1;y1 ;x2;y2 ...x n;y n是点C1，C2的坐标Cn分别。将凸壳中的每个点Ci与从1到n的唯一idUid一起存储，即1; 2; 3; 4;. ; n-2; n-1; ng在查找表LT中所有Si的超集。然后，很明显，XR2;SR2和的X. 如果l代表所有控制点的总数m表示集合X中所有连通分量的边界点的总数，以唯一地标识每个点。步骤4.形成n个有序组合，每三个凸壳中的点的cessive唯一id。对于第一个点，使用第二个和最后一个点的唯一ID图2对预处理后的图像进行方向对齐。（a）在某个任意方位的原始图像I 00;（b）从I 0生成的触发图像I0f0lop;（c）（a）和（b）的交叉图像;（d）（a）和（b）的联合图像;（e）在垂直方位（0°方位）的原始图像J 00;（b）从J 0 0生成的触发图像J0f0lop;（c）（a）和（b）的交叉图像;（d）（a）和（b）的联合图像。一种有效的ISAR图像分类方法361×-FGf-gf- -gf-gfgffgfgf-gfggfgfg f-g-×f- -- gf-- -gf--g点，对于最后一个点，使用凸包中倒数第二个点和第一个点的唯一ID。例如，在第一次迭代中，由凸包中n个点的三个连续唯一id形成的有序组合是一，二，三，二，三，四， ; n1;n; 1;n;1; 2.步骤5.创建一个大小为n2的矩阵M 在矩阵M的每一行中，第一列保存来自查找表LT的三个连续的唯一id的组合，第二列保存通过对应于同一行的第一列中的唯一id的组合的三个点的圆的半径的值。最初，用来自查找表LT的三个连续唯一id的组合填充每行的第一列，并用零填充每行的第二列的所有元素。步骤6.对于矩阵M中包含唯一有序组合的每行，如果不计算即如果相应行的第二列中的值为零，则找到与有序组合的唯一id对 应 的 点 ， 并 使 用 等 式 计 算 通 过三个点的圆的半径。（7）和（8）并将该值保存在矩阵M的相应行的第二列中。否则，移到下一行。 例如，考虑用于唯一id 1;2;3;2;3;4;. ; n3; n2; n1;n2;n1;n; n1; n ;n; 1和n; 1; 2为100，98，. . 、97、105、96和102。半径值105属于唯一ID的组合 n2 ; n 1 ; n 被 认 为 是 最 大 值 。步 骤 7. 找 到 组 合 a;b;c ， 其 中 a;b 和 c 属 于 Uid 和16a;b;c6n，半径值最大。从凸包中移除中间唯一idb和唯一idCb对应的点并且从矩阵M中移除包含具有唯一idb的组合的行。从上面的示例中，半径值为最大为的组合fn-2; n-1; ng. 因此，唯一id n-1和对应于唯一id C n-1的点应当从查找表LT中移除，并且包含唯一id与唯一id n-1的组合的行也应当从矩阵M中移除。包含唯一id为n - 1的唯一id组合的行（n个3;n2;n1个;n2;n1;n和n1;n; 1）在矩阵M中，并且包含唯一id n的行1在图3中突出显示了查找表LT中的所有信息。查找表LT和矩阵M通过移除高亮行来更新。步骤8.在更新查找表LT之后，再次如步骤4中那样形成具有查找表LT中的点的每三个连续唯一id的有序组合。步骤9. 对于每个新的唯一id组合，检查该组合是否存在于矩阵M中。如果矩阵M中不存在组合，则将该组合添加到矩阵中。否则就去下一个组合。图4描绘了具有更新的行的矩阵M，所述更新的行具有来自更新的查找表LT的唯一id的新组合。步骤10.重复步骤6、7、8和9，直到查找表LT中仅剩下三个点，矩阵M.由这三个点组成的三角形称为MEC三角形。步骤11.使用公式计算MEC三角形的三个角。（1）步骤12.如果最大角度小于或等于90度，则使用方程计算MEC的中心OMEC和半径rMEC。（7）和（8）。否则，MEC将是通过MEC三角形最大边的两个端点的直径圆。图5描绘了使用EnMEC方法针对飞行器目标获得的MEC的中心 OMEC 和半径 rMEC 。例如，（139，207）、（196，173）和（139，96）是构成MEC三角形的三个点。从等式（7）和（8）的OMEC为（144.5，151.5），rMEC为55.7753。这些值被传递到下一步骤以获得形状矩阵。3.2.2. 形状矩阵表示为了获得大小为m n的形状矩阵，在目标上构造具有n个同心圆和m条径向线的假想极坐标网格，并且从径向线和同心圆的交点采样强度值，如图6（a）和（b）所示。图6（a）包含由24条径向线和4个同心圆形成的极坐标网格，即图3在计算半径值之后的查找表LT和矩阵M。(a)包含集合中的点的可解LTC及其对应的唯一id;（b）矩阵M，包含每行第二列中的半径值。包含以下内容的行突出显示了矩阵M中具有唯一id n - 1; f n - 3 ; n - 2 ; n - 1; n g ; f n - 2 ; n - 1 ; n g和f n - 1 ;n ; 1 g的唯一id的组合以及查找表LT中包含唯一id n - 1的行。362V.K. Vatsavayi，H.K. 孔达韦蒂××ðÞ×-MNðÞ图4第一次迭代后更新的查找表LT和矩阵M。（a）包含来自集合C的剩余点及其在删除行之后的对应的唯一id的可查找表LT;（b）包含具有来自查找表LT的三个连续唯一id的新组合的更新行的矩阵M。图5使用EnMEC方法获得的飞机目标MEC的中心和半径。m24和n24。Rmax和Rmin表示网格中的最大和最小采样圆的半径，并且DH和DR分别表示径向线和采样圆之间的采样间隔。图6（b）包含由形状细节的极采样生成的形状矩阵。本文简要地介绍了从MEC的中心OMEC和半径rMEC出发的m×n步骤1.作n个同心圆，半径为r MEC=n 1; 2 r MEC=n 1;. .n1rMEC=n1，以OMEC为中心.步骤2.生成m个角度为360=m的相等圆弧，将n个同心圆分成m条径向线。步骤3.然后，从m个径向线和n个同心圆的交点处采样m n个像素，如果采样点属于形状，则用1填充形状矩阵的元素，否则填充0，以形成大小为m × n的形状矩阵。图图6（c）描绘了由10条径向线和5个采样圆构成的假想极坐标网格，该网格覆盖在飞机目标上，图6（d）表示从目标的极坐标量化获得的大小为10 5的形状矩阵。形状矩阵的大小被认为是任意为10 5说明的目的。图7（a）和（b）分别描绘了在形状矩阵生成过程中由现有（Goshtasby，1985）和建议的方法生成的假想极坐标网格。如前所述，用现有方法（Goshtasby，1985）生成的极坐标网格取决于COM和形状的最大半径。它导致对如图7（a）所示的对象周围的不重要的细节进行采样，这些细节对目标辨别没有任何贡献。所提出的方法依赖于通过EnMEC计算方法获得的MEC的中心和半径来生成极坐标网格，这避免了对目标周围的不重要细节进行采样，如图7（b）所示。由于所提出的方法中的极量化比使用相同数量的采样点的现有方法考虑更多的影响细节，因此由所提出的方法生成的形状矩阵是目标的更准确的表示并且更具鉴别力。3.3. 分类所提出的分类方法遵循典型的分类过程，包括训练数据库的构建首先，包含飞机目标ISAR图像的图像数据集被分为训练数据和测试数据。在训练阶段，从训练数据中选择图像来训练分类器。这些图像进行预处理，并使用所提出的方法获得它们的形状矩阵，并存储在数据库中与其相应的类标签。在测试阶段，旋转和缩小的图像作为输入。对测试图像进行了预处理，得到了它们的形状矩阵.然后，使用等式中描述的度量来计算测试图像和训练图像的形状矩阵之间的相似性值（十四）、相似度1-14S其中，S是通过在从给定的两个目标图像获得的形状矩阵之间执行异或XOR运算而得到的所有匹配的和，m和n是形状矩阵的行数和列数。所述相似度值一种有效的ISAR图像分类方法363图6飞机目标的极化量化生成形状矩阵。（a）由编号m=24和No.（b）通过具有No.的行，m=24和No.（c）飞机图像上的极坐标网格，m=10和No.（d）从具有No.的行，m=10和No.列，n=5。介于0和1之间。如果两幅图像的形状矩阵之间的相似性值接近于零，则这两幅图像是不相似的，并且如果该值接近于1，则这两幅图像是最相似的。给定测试图像的类标签被确定为获得最大相似度值的训练图像的类标签。图8描绘了所提出的分类方法的总体描述。4. 实验结果进行实验分析以比较所提出的方法与传统分类方法、极坐标映射方法（Kim等人，2005）和基于2D傅立叶变换的极坐标映射方法（Park等人，2015年）。传统的分类方法是基于欧几里德距离的，并且Kim中描述的方法364V.K. Vatsavayi，H.K. 孔达韦蒂ðÞ图7形状矩阵生成过程中生成的假想极坐标网格比较（a）由现有（Goshtasby，1985）生成的假想极坐标网格，其具有COM作为中心和形状的最大半径作为半径。（b）由所提出的方法生成的假想极坐标网格，其具有最小封闭圆的中心OMEC作为中心和最小封闭圆的半径rMEC作为半径。图8拟议分类方法的总体说明等人（2005）基于ISAR图像从carbohydrated域到r ; h的极坐标映射。图像的极坐标映射是平移不变性的。旋转不变性通过将旋转转换为平移来实现。此方法假设RC和COM相同。该方法提出的分类器依靠三层决策系统来缩小搜索空间。在该方法中，分类器决策取决于粗分类器中选择的样本的数量g和c精细搜索阶段。由于没有预定义的方法来选择最佳阈值g和c，因此我们简单地考虑了论文中使用的相同值（Kim等人，2005）在该方法的实验评价中。描述于（Park等人，2015）利用二维傅立叶变换和极坐标映射的特性对ISAR图像进行有效分类。在该方法中，ISAR图像从空间域转换到频率域使用2D-一种有效的ISAR图像分类方法365对二维傅立叶变换图像进行傅立叶变换和极坐标映射，以实现旋转不变性。然后，在分类阶段，使用简单相关将测试图像与训练图像对齐，并使用2D-PCA对压缩后的训练图像和测试图像应用简单最近邻分类器得到最终分类结果。4.1. 常规分类法传统的分类方法依赖于图像之间的欧氏距离来找到输入图像的类别标签。在训练阶段，一些ISAR图像是从数据集中选择的训练。利用第3节中描述的方法对所选择的ISAR图像进行预处理，分配类别标签并存储在称为训练数据库的数据库中。在测试阶段，选择测试图像并进行预处理。然后，计算处理后的测试图像和训练数据库之间的欧氏距离。 将与测试图像的欧氏距离最小的训练图像的类别标签确定为它的类别标签。4.2. 绩效评价研究了所提出的方法的性能，并与传统的极坐标映射（Kim等人， 2005）和傅立叶极坐标映射（Park等人， 2015）方案。实验分析在两个数据集上进行，SynI- SAR（Kondaveeti，2016）和dataset-2。SynISAR由7个飞机模型的ISAR图像和数据集2组成图9描绘了来自数据集SynISAR的飞机在任意方位角的ISAR图像。数据集-2中各种飞机模型的2D-ISAR图像由其基本3D-CAD模型合成。通过对飞行器绕偏航轴逆时针方向运动的模拟，得到了1°~ 180 °范围内，间隔1 °的图像偏航运动是飞行器的机头围绕垂直于飞行器的机翼和飞行器的中心线所在的平面的轴线的顺时针或逆时针运动。图10描绘了运动飞机绕偏航轴逆时针方向旋转。合成的ISAR图像在二维图像中模拟了飞机的基本轮廓，与真实场景中生成的ISAR图像非常接近。在合成ISAR图像时更加小心，以类似于真实的ISAR图像。所有算法都用MATLAB编程实现，并在Intel Core2 Duo 2.93 GHz CPU上进行了实验。在SynISAR中，对应于每个目标的ISAR图像的数目是181，因此整个数据集包括1267个ISAR图像。类似地，数据集2包含5架飞机的905幅ISAR图像，每个目标对应181幅图像。这两个数据集在表1中有明确的描述。分别对两个数据集SynISAR（Kondaveeti，2016）和dataset-2进行了实验分析，并在以下小节中介绍和讨论了结果。为了分析该方法在SynISAR数据集上的分类性能，对每个目标在1° ~ 180 °范围内的图像进行均匀采样，并以5 °的差值建立训练数据库，得到252幅图像，其中每个目标对应36幅图像。其余1015张图像用于测试目的。类似地，对于数据集-2，训练数据库通过对每个目标的36个图像进行均匀采样来构建，产生180个图像，剩余的725个图像用于测试。在这两个数据集中，20%的数据用于训练，其余80%的数据用于测试。用于训练的ISAR图像不考虑用于测试。为了使分类器对ISAR图像中的变形具有鲁棒性，所提出的方法中的分类器以这样一种方式进行训练，即训练数据由不同失真水平的ISAR图像组成。每个目标的均匀采样的36幅图像被分成5组，第一组8幅图像，其余4组中的每一组7幅图像。第一组中的图像用全局阈值f和区域开口参数k进行预处理，使用MECSM表示以形状矩阵形式表示并保存在训练数据库中。剩下的四套包含7个图像最初通过改变全局阈值f的值进行预处理，通过将其值增加10-图9来自数据集SynISAR（Kondaveeti，2016）的飞机在任意方位角的ISAR图像。366V.K. Vatsavayi，H.K. 孔达韦蒂×¼¼-ISAR图像中的目标。最初，通过保持比例因子恒定来进行所有实验，然后，通过在1和1=p<$2π的测试ISAR图像。的两个变体图10用于数据集生成以及用于训练集和测试集采样剩余的四组图像用增加因子10的全局阈值F进行预处理，剩余的三组图像分别用增加因子20、30和40的全局阈 值F 进行 预处 理然后 ，将 预处 理后的 图像 用MECSM表示法表示为形状矩阵形式，并保存在训练数据库中。当全局阈值f值以恒定因子递增时，ISAR图像中的失真和变形的水平增加。通过考虑平均正确分类率Pc对测试数据进行了实验分析。正确分类率Pc被定义为正确分类的输入图像的数量与针对分类给出的输入图像的数量之比。Pc可以表示为等式（十五）方法（Park等人， 2015年，在实验中使用。第一种变体是不对图像进行上采样，第二种变体是在应用2D-FT之前通过零填充对图像进行上采样。在所有方法中，考虑相同数量的点100× 100用于目标的极性量化以实现一致性，即在方法的情况下为Nh100和Nr100（Kim等人，2005和Park等人，2015），并且在所提出的方法的情况下，形状矩阵的大小被认为是100× 100。在所有的实验中，所提出的方法一致地执行，因为所提出的分类方法依赖于目标形状的二进制表示，而不是依赖于目标的真实灰度值表示实验分析所考虑的情景、三种分类方法的性能和相关讨论在以下小节中详细介绍实验在这个实验中，四种方法的性能进行了比较，当SNRdB在5和30 dB之间变化，增量为5 dB，而不改变测试图像的规模。图11描绘了四种方法的性能。所有四种方法在SNRdB值在10和30 dB之间时的性能几乎相似。然而，当ISAR图像被SNRdB低于2 dB的噪声破坏下一个实验-这表明了所提出的方法的强度。数量：正确分类的测试图像Pc¼编号：为分类提供的测试图像ð15Þ为了避免分类错误，在10次观测中获得的识别率的平均值被认为是。分别在数据集SynISAR和dataset-2上进行了实验分析，通过改变测试ISAR图像中目标形状的模糊度、信噪比SNRdB和变形程度来模拟真实场景。在实验中，测试ISAR图像被缩小，在角度p到p之间任意旋转，并在范围[±100，±100]内平移。这里，尺度是指目标在ISAR图像中占据的面积。类似地，旋转和平移表示对象的方向和位置图11所提出的方法与传统方法、极坐标映射方法（Kim等人， 2005）和傅立叶极坐标映射方法的两个变体（Park等人，2015）在数据集SynISAR上，当SNR dB在5和30 dB之间以5 dB的增量变化时。表1数据集的描述数据集细节图像总数班级数每个类方向数图像尺寸SynISAR（Kondaveeti，2016）数据集-2126790575181181180180300 ×300300 ×300一种有效的ISAR图像分类方法367XX实验在这个实验中，四种方法的性能进行了比较，当SNRdB在0.25和1.5 dB之间变化图12描绘了四种方法的性能。在较高的SNRdB下，所有四种方法都表现得同样好。但是，当SNRdB低于2dB时，传统的极化映射方法完全失效，傅立叶极化映射方法的性能急剧下降。无论是传统方法还是极坐标映射方法，低信噪比都会导致识别信息丢失。像素强度值的变化也会导致傅立叶频谱的突然变化，因为破坏图像的噪声不是周期性的。在极坐标映射中描述的简单噪声去除过程（Kim等人，2005）和傅立叶极坐标映射（Park等人，2015）方法无法应付更高水平的噪音。保留在预处理图像中的离群值高度影响假想极坐标网格的构建，这反过来又在（Kim等人，2005年）。所提出的方法即使在低SNR值下也不断地执行，因为所提出的方法中描述的噪声去除过程对噪声水平和离群值是鲁棒的。实验在这个实验中，四种方法的性能进行了比较，在不同程度的图像模糊，信噪比为25分贝。在实际应用中，运动目标的ISAR图像由于运动补偿不成功而产生模糊效应。为了研究这四种方法的抗模糊性能，将二维有限冲激响应（FIR）滤波器应用于ISAR图像。具有恒定权重W的FIR滤波器通常被称为具有引起模糊效应的低通频率响应的2D运行平均滤波器2D-FIR的响应可以表示为等式：（十六）L我模糊了你的心LWi;jIxp-i;yq-j16图12所提出的方法与传统方法、极坐标映射方法（Kim等人， 2005）和傅立叶极坐标映射方法的两个变体（Park等人，2015）在数据集SynISAR上，当SNR dB在0.25和1.5 dB之间变化时，增量为0.25 dB。i¼-Lj¼-L其中I blur是在原始ISAR图像Iblurx p; y q上应用具