第12卷第3期 智能系统学报 Vol.12 No.3 2017年6月 CAAI Transactions on Intelligent Systems Jun.2017 D0I:10.11992/is.201603025 网络出版地址:http:/kns.cmki.net/kcms/detail/23.1538.TP.20170705.1657.012.html 基于梯度比率的SAR图像局部特征提取方法研究 王庆,唐涛,项德良,粟毅 (国防科技大学电子科学与工程学院,湖南长沙410073) 摘要:本文研究了基于像素灰度差值计算的LB即P算子和基于梯度比率的LGRP算子等局部二值模式。首先介绍 了基本LBP算子和其他几种LBP算子的变形模式,并通过光学图像和实测SAR图像对LBP算子进行性能评估。针 对LBP对SAR图像乘性噪声敏感的问题,利用梯度比率计算的LGRP算子,并结合旋转不变LBP的抗旋转性,本文 提出了一种改进的SAR图像LGRP特征,获得了对SAR图像的抗噪性和抗旋转性能。实验结果表明,由本文方法提 取的SAR图像局部特征具有较好的不变性,可用于姿态角变化下的目标识别与图像纹理切片匹配。 关键词:SAR图像:特征提取:局部二值模式:梯度比率:旋转不变 中图分类号:TP751.1 文献标志码:A文章编号:1673-4785(2017)03-0286-07 中文引用格式:王庆,唐涛,项德良,等.基于梯度比率的SAR图像局部特征提取方法研究[J].智能系统学报,2017,12(3): 286-292. 英文引用格式:WANG Qing,TANG Tao,XIANG Deliang,etal.Research on local feature extraction of SAR images based on gradient ratio[J].CAAI transactions on intelligent systems,2017,12(3):286-292. Research on local feature extraction of SAR images 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) Abstract: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. Keywords:SAR image;feature extraction;local binary pattern;gradient ratio;rotation-invariant SAR固有的相干成像方式会导致描述同一目描述中心像素点与周围像素点灰度大小关系的纹 标场景的多幅图像之间出现几何和辐射差异。图 理算法,该方法计算简单且具有部分尺度、旋转和 像匹配通过将两幅图像的相似性进行比较,根据比 亮暗不变性等优点,被广泛地应用于人脸图像分 较结果快速地进行SAR图像识别,成为进一步挖掘 析、目标检测与跟踪等领域2-)。为提高纹理特征 目标场景信息变化的前提)。 的准确性,Maenpa等[o通过限制二值化编码中O/I 图像之间的相似性度量可以通过构建SAR图 或1/0跳变的次数,将基本LBP模式分为统一模式 像特征描述子进行衡量,国内外学者对特征描述子 和非统一模式,大大提高了图像信息获取的指向 的相关算法进行了大量研究。在光学图像领域中, 性。Ojla等[)对统一模式进一步划分,将不同方向 局部二值模式(local binary pattern,LBP)[是一种 上表示相同结构的统一模式合并归类,提出了旋转 不变统一LBP方法,使提取到的图像信息具备抗旋 收稿日期:2016-03-16.网络出版日期:2017-07-05. 转性能。在SAR图像领域中,局部模式直方图 基金项目:国家自然科学基金(61401477). 通信作者:王庆.E-mail:290720609@gg.com. (local pattern histogram,LPH)[8)是一种针对SAR图
第 12 卷第 3 期 智 能 系 统 学 报 Vol.12 №.3 2017 年 6 月 CAAI Transactions on Intelligent Systems Jun. 2017 DOI:10.11992 / tis. 201603025 网络出版地址:http: / / kns.cnki.net / kcms/ detail / 23.1538.TP.20170705.1657.012.html 基于梯度比率的 SAR 图像局部特征提取方法研究 王庆,唐涛,项德良,粟毅 (国防科技大学 电子科学与工程学院,湖南 长沙 410073) 摘 要:本文研究了基于像素灰度差值计算的 LBP 算子和基于梯度比率的 LGRP 算子等局部二值模式。 首先介绍 了基本 LBP 算子和其他几种 LBP 算子的变形模式,并通过光学图像和实测 SAR 图像对 LBP 算子进行性能评估。 针 对 LBP 对 SAR 图像乘性噪声敏感的问题,利用梯度比率计算的 LGRP 算子,并结合旋转不变 LBP 的抗旋转性,本文 提出了一种改进的 SAR 图像 LGRP 特征,获得了对 SAR 图像的抗噪性和抗旋转性能。 实验结果表明,由本文方法提 取的 SAR 图像局部特征具有较好的不变性,可用于姿态角变化下的目标识别与图像纹理切片匹配。 关键词:SAR 图像;特征提取;局部二值模式;梯度比率;旋转不变 中图分类号:TP751.1 文献标志码:A 文章编号:1673-4785(2017)03-0286-07 中文引用格式:王庆,唐涛,项德良,等.基于梯度比率的 SAR 图像局部特征提取方法研究[ J]. 智能系统学报, 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. Research on local feature extraction of SAR images 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) Abstract: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. Keywords: SAR image; feature extraction; local binary pattern; gradient ratio; rotation⁃invariant 收稿日期:2016-03-16. 网络出版日期:2017-07-05. 基金项目:国家自然科学基金(61401477). 通信作者:王庆. E⁃mail:290720609@ qq.com. SAR 固有的相干成像方式会导致描述同一目 标场景的多幅图像之间出现几何和辐射差异。 图 像匹配通过将两幅图像的相似性进行比较,根据比 较结果快速地进行 SAR 图像识别,成为进一步挖掘 目标场景信息变化的前提[1] 。 图像之间的相似性度量可以通过构建 SAR 图 像特征描述子进行衡量,国内外学者对特征描述子 的相关算法进行了大量研究。 在光学图像领域中, 局部二值模式( local binary pattern,LBP) [2] 是一种 描述中心像素点与周围像素点灰度大小关系的纹 理算法,该方法计算简单且具有部分尺度、旋转和 亮暗不变性等优点,被广泛地应用于人脸图像分 析、目标检测与跟踪等领域[2-5] 。 为提高纹理特征 的准确性,Mäenpää 等[6]通过限制二值化编码中0 / 1 或 1 / 0 跳变的次数,将基本 LBP 模式分为统一模式 和非统一模式,大大提高了图像信息获取的指向 性。 Ojala 等[7]对统一模式进一步划分,将不同方向 上表示相同结构的统一模式合并归类,提出了旋转 不变统一 LBP 方法,使提取到的图像信息具备抗旋 转性能。 在 SAR 图 像 领 域 中, 局 部 模 式 直 方 图 (local pattern histogram,LPH) [8]是一种针对 SAR 图
第3期 王庆,等:基于梯度比率的SAR图像局部特征提取方法研究 .287. 像的纹理算子,该方法通过图像量化编码和直方图 LBP),记为LBP“。LBP首先采用圆形邻域,等间隔 计算,得到图像纹理特征信息,实现了高精度的 采样点后再分别与中心像素进行二值化计算,将具 SAR图像分类。局部梯度比率直方图(local gradient 有相同最小或最大编码的模式合并为一种新的模 ratio pattern histogram,LGRPH)【9)是一种比率测度 式。具体计算公式为 算子,克服了SAR图像的相干斑噪声和局部梯度变 LBP"&min(ROR(LBP2.R,i)li=0,1,...,P-1) 化,有效地用于SAR图像目标识别。 式中ROR(x,k)表示对P位二进制数向右循环移位 总体而言,目前的局部算子研究都只能用于图 k次(Ik|≤P)。 像纹理信息提取。由于LBP算子是基于像素灰度 通过定义旋转不变,使得LBP算子对图像旋转 的差值计算,在SAR图像中受乘性噪声的严重影 更加鲁棒,进一步减少了LBP算子的模式种类。 响,精确性差,因此在SAR图像中不适用。而基于 1.3光学与SAR图像中LBP算子的抗旋转性比较 局部模式的LPH算子忽略了邻域像素的相关性,从 分析 而影响SAR图像特征提取的准确性O)。同时基于 基本LBP和旋转不变LBP均为描述纹理特征 梯度比率的LGRPH算子缺少对方向角度的描述, 的局部算子,相比前者,后者利用循环位移使算子 因此在SAR图像中对目标的旋转变化不鲁棒。针 具有了旋转不变性。下面通过光学图像和SAR图 对上述问题,本文分析了LBP与旋转不变LBP的数 像的实验对比,分析旋转不变LBP算子对图像旋转 学模型和算法原理,引入了适合SAR图像噪声环境 的鲁棒性和LBP算子对SAR图像的不适用性,如图 的LGRP算子,并对其进行旋转不变改进与实验验 2和图3所示。 证。基于LGRPH特征的旋转不变特性,设计了 SAR图像目标分类识别实验和纹理对比实验,实验 结果表明本文所改进的LGRP特征能克服SAR图 像乘性噪声的影响,对目标的旋转变化有很好的鲁 棒性。 1局部二值模式 (a)lena图 (b)LBP模式图 (cLBP"模式图 ×10时 2.5 1.1局部二值模式的数学基础 2.0 2.0 1.5 局部二值模式通过对局部二值化的邻域像素 310 进行编码,能够有效地提取图像纹理信息,其计算 05 05 0u 流程如图1所示。在3×3邻域内,分别比较周围像 100200300 100200300 100200300 像素个数 像素个数 像素个数 素值g。与中心像素值g。的大小,由判别函数s(x) (d)直方图 (eLBP直方图 (①LBP”直方图 得到二值化编码串的值,即为LBP特征值。计算公 图2图像旋转前LBP和旋转不变LBP算子比较 式如下: Fig.2 Comparison of LBP and rotation invariant LBP operator before image rotation LBPP.R= ∑s(g。-g)2 式中:P为邻域像素个数:R为邻域半径:判别函数 的表达式为s(x)= 1, x≥0 0 x<0 759 101 366 0 1 *(01101101) (a)旋转后的Lena图 b)LBP模式图 (cLBP模式图 8104 110 g*10 7 10 2.5 3×3领域 二值化结果 二进制编码 2.0 1.5 图1LBP算子计算过程 1.0 2 无明显变化 0.5 Fig.1 Calculation process of the original LBP u 100200300 0100200300 0100200300 1.2旋转不变局部二值模式 像素个数 像素个数 像素个数 图像的旋转变化会导致基本LBP算子的二进 (d旋转后的图像直方图 (e)LBP直方图 (LBP直方图 图3图像旋转后LBP和旋转不变LBP算子比较 制编码循环移位,从而计算的特征值发生变化,因 Fig.3 Comparison of LBP and rotation invariant LBP 此引入旋转不变局部二值模式(以下简称旋转不变 operator after image rotation
像的纹理算子,该方法通过图像量化编码和直方图 计算,得到图像纹理特征信息, 实现了高精度的 SAR 图像分类。 局部梯度比率直方图(local gradient ratio pattern histogram,LGRPH) [9] 是一种比率测度 算子,克服了 SAR 图像的相干斑噪声和局部梯度变 化,有效地用于 SAR 图像目标识别。 总体而言,目前的局部算子研究都只能用于图 像纹理信息提取。 由于 LBP 算子是基于像素灰度 的差值计算,在 SAR 图像中受乘性噪声的严重影 响,精确性差,因此在 SAR 图像中不适用。 而基于 局部模式的 LPH 算子忽略了邻域像素的相关性,从 而影响 SAR 图像特征提取的准确性[10] 。 同时基于 梯度比率的 LGRPH 算子缺少对方向角度的描述, 因此在 SAR 图像中对目标的旋转变化不鲁棒。 针 对上述问题,本文分析了 LBP 与旋转不变 LBP 的数 学模型和算法原理,引入了适合 SAR 图像噪声环境 的 LGRP 算子,并对其进行旋转不变改进与实验验 证。 基于 LGRPH 特征的旋转不变特性, 设计了 SAR 图像目标分类识别实验和纹理对比实验,实验 结果表明本文所改进的 LGRP 特征能克服 SAR 图 像乘性噪声的影响,对目标的旋转变化有很好的鲁 棒性。 1 局部二值模式 1.1 局部二值模式的数学基础 局部二值模式通过对局部二值化的邻域像素 进行编码,能够有效地提取图像纹理信息,其计算 流程如图 1 所示。 在 3×3 邻域内,分别比较周围像 素值 gp 与中心像素值 gc 的大小,由判别函数 s( x) 得到二值化编码串的值,即为 LBP 特征值。 计算公 式如下: LBP P,R = ∑ P-1 P = 0 s(gp - gc)2 P 式中:P 为邻域像素个数;R 为邻域半径;判别函数 的表达式为 s(x)= 1, x≥0 0, x<0 { 。 图 1 LBP 算子计算过程 Fig.1 Calculation process of the original LBP 1.2 旋转不变局部二值模式 图像的旋转变化会导致基本 LBP 算子的二进 制编码循环移位,从而计算的特征值发生变化,因 此引入旋转不变局部二值模式(以下简称旋转不变 LBP),记为 LBP ri 。 LBP ri首先采用圆形邻域,等间隔 采样点后再分别与中心像素进行二值化计算,将具 有相同最小或最大编码的模式合并为一种新的模 式。 具体计算公式为 LBP ri P,R = min{ROR(LBP P,R ,i) i = 0,1,…,P - 1} 式中 ROR(x,k)表示对 P 位二进制数向右循环移位 k 次( | k |≤P)。 通过定义旋转不变,使得 LBP 算子对图像旋转 更加鲁棒,进一步减少了 LBP 算子的模式种类。 1.3 光学与 SAR 图像中 LBP 算子的抗旋转性比较 分析 基本 LBP 和旋转不变 LBP 均为描述纹理特征 的局部算子,相比前者,后者利用循环位移使算子 具有了旋转不变性。 下面通过光学图像和 SAR 图 像的实验对比,分析旋转不变 LBP 算子对图像旋转 的鲁棒性和 LBP 算子对 SAR 图像的不适用性,如图 2 和图 3 所示。 图 2 图像旋转前 LBP 和旋转不变 LBP 算子比较 Fig.2 Comparison of LBP and rotation invariant LBP operator before image rotation 图 3 图像旋转后 LBP 和旋转不变 LBP 算子比较 Fig.3 Comparison of LBP and rotation invariant LBP operator after image rotation 第 3 期 王庆,等:基于梯度比率的 SAR 图像局部特征提取方法研究 ·287·
·288· 智能系统学报 第12卷 1.3.1光学图像实验 从图2(c)和图3(c)可以看出,旋转前后LBP 算子计算的直方图有明显变化,说明基本LBP算子 对图像旋转变化不具有鲁棒性。从图2()和图 3()可以看出,旋转不变LBP算子在图像旋转前后 (a)姿态角变化后 (b)LBP模式图 (c)LBP模式图 计算的直方图基本保持不变,说明旋转不变LBP算 的T72图像 子对光学图像旋转具备抗旋转性。 ×10 103 知400 3 妈5 1.3.2SAR图像实验 30C 2 选用MSTAR数据库中T72、BMP2和BTR70等 200 100 知1 3种不同类型目标的图片数据,仿真分析LBP算子 0100200300 和旋转不变LBP算子在SAR图像中的适用性。实 0100200300 0100200300 像素个数 像素个数 像素个数 验分为两个部分:1)对不同姿态角的T72目标SAR (d姿态角变化后 (eLBP直方图 (DLBP直方图 图像直方图 图像进行特征提取,分析LBP和旋转不变LBP的性 图5T72旋转后LBP和旋转不变LBP对比实验 能:2)对多种目标进行特征提取,分析LBP和旋转 Fig.5 Comparison of LBP and rotation invariant LBP 不变LBP算子的识别性能。 operator after T72 image rotation 仿真结果表明,图4(e)和图5(e)、图4(f)和图 ×10 *10 5()中图像旋转前后计算得到的直方图无明显变 3 化,出现这种结果有以下两种解释:1)基本LBP和 旋转不变LBP算子在SAR图像中对目标姿态角度 变化不敏感:2)LBP算子在SAR图像中失效,提取 0 100200300 100200300 像素个数 像素个数 的特征不稳健。 (a)旋转前BTR70 (b)旋转前对应的 (©)旋转前对应的 图像 LBP直方图 LBP直方图 ×103 *10 5 4 0 100200300 0 100200300 (a)T72图像 (b)LBP模式图 (c)LBP模式图 像素个数 像素个数 ×10时 ×101 (d)旋转后BTR70 (e)旋转后对应的 ()旋转后对应的 玛400 30 5 起300 2.5 图像 LBP直方图 LBPr直方图 图6BTR70系列图像实验 200 色20 3 Fig.6 Experiments on BTR70 series image 100 0.5 10 ×109 0 100200300 0 100200300 0100200300 四3引 知5 像素个数 像素个数 像素个数 (d)直方图 (e)LBP直方图 (fLBP"直方图 2 图4T72旋转前LBP和旋转不变LBP对比实验 Fig.4 Comparison of LBP and rotation invariant LBP 0 100200300 0 100200300 像素个数 像素个数 operator before T72 image rotation (a)旋转前BMP2图像 (b)旋转前对应的 (©)旋转前对应的 为了分析上述两种解释的真实性,下面分别用 LBP直方图 LBPn直方图 ×105 *10 BMP2和BTR70数据图像对基本LBP和旋转不变 4 LBP进行实验,仿真结果如图6和图7所示。 3 2 实验对比表明,对于SAR图像目标,在相同角 度和不同角度的情况下,以及相同目标和不同目标 01002003000 100200300 像素个数 图像,基本LBP和旋转不变LBP计算的直方图都基 像素个数 (d旋转后BMP2 (C)旋转后对应的 ()旋转后对应的 本相似,说明基本LBP和旋转不变LBP算子对SAR 图像 LBP直方图 LBP直方图 图7BMP2系列图像实验 图像不适用。 Fig.7 Experiments on BMP2 series image
1.3.1 光学图像实验 从图 2(c)和图 3( c)可以看出,旋转前后 LBP 算子计算的直方图有明显变化,说明基本 LBP 算子 对图像旋转变化不具有鲁棒性。 从图 2 ( f) 和图 3(f)可以看出,旋转不变 LBP 算子在图像旋转前后 计算的直方图基本保持不变,说明旋转不变 LBP 算 子对光学图像旋转具备抗旋转性。 1.3.2 SAR 图像实验 选用 MSTAR 数据库中 T72、BMP2 和 BTR70 等 3 种不同类型目标的图片数据,仿真分析 LBP 算子 和旋转不变 LBP 算子在 SAR 图像中的适用性。 实 验分为两个部分:1)对不同姿态角的 T72 目标 SAR 图像进行特征提取,分析 LBP 和旋转不变 LBP 的性 能;2)对多种目标进行特征提取,分析 LBP 和旋转 不变 LBP 算子的识别性能。 仿真结果表明,图 4(e)和图 5(e)、图 4(f)和图 5(f)中图像旋转前后计算得到的直方图无明显变 化,出现这种结果有以下两种解释:1)基本 LBP 和 旋转不变 LBP 算子在 SAR 图像中对目标姿态角度 变化不敏感;2) LBP 算子在 SAR 图像中失效,提取 的特征不稳健。 图 4 T72 旋转前 LBP 和旋转不变 LBP 对比实验 Fig.4 Comparison of LBP and rotation invariant LBP operator before T72 image rotation 为了分析上述两种解释的真实性,下面分别用 BMP2 和 BTR70 数据图像对基本 LBP 和旋转不变 LBP 进行实验,仿真结果如图 6 和图 7 所示。 实验对比表明,对于 SAR 图像目标,在相同角 度和不同角度的情况下,以及相同目标和不同目标 图像,基本 LBP 和旋转不变 LBP 计算的直方图都基 本相似,说明基本 LBP 和旋转不变 LBP 算子对 SAR 图像不适用。 图 5 T72 旋转后 LBP 和旋转不变 LBP 对比实验 Fig.5 Comparison of LBP and rotation invariant LBP operator after T72 image rotation 图 6 BTR70 系列图像实验 Fig.6 Experiments on BTR70 series image 图 7 BMP2 系列图像实验 Fig.7 Experiments on BMP2 series image ·288· 智 能 系 统 学 报 第 12 卷
第3期 王庆,等:基于梯度比率的SAR图像局部特征提取方法研究 ·289. 分析原因如下:对SAR图像而言,由于图像存 具体计算过程如图8所示。 在大量相干斑噪声,根据像素差值计算的二值编码 串易受乘性噪声影响,因此LBP算法不能有效克服 14219354 相干斑噪声,不能有效地描述SAR图像目标特性。 200125168 4813736 针对LBP算子的不适用性,本文提出的解决方 案是将比率测度引入局部二值模式,从而有效地克 箭头表示编 0 码方向,从 服SAR图像的乘性噪声,最终运用于SAR图像的 中心像素的 特征提取。 s(G(g)-G(g)) 左侧逆时针 0 编码 2改进的LGRP特征提取方法 LGRP编码:01010100 LGRP值:84 2.1局部梯度比率二值模式 图8LGRP特征计算过程 LBP算法易受乘性相干斑噪声的影响,对图像 Fig.8 Calculation process of the LGRP feature 局部梯度变化不敏感,例如在边缘、角点处LBP特 2.2旋转不变LGRP特征提取方法 征描述并不有效。针对SAR图像相干斑噪声和图 基于梯度比率的LGRP算子对乘性相干斑不敏 像局部梯度特性,项德良等]提出了基于局部梯度 感,对梯度变化也有一定鲁棒性,但对SAR图像中 比率特征的二值模式。 目标姿态角变化没有鲁棒性。针对LGRP特征对 对于局部梯度比率特征的构建,首先计算每个 SAR图像中目标姿态角变化不敏感的问题,本文提 邻域像素g。与中心像素g,的灰度差值的绝对值作 出一种改进的旋转不变LGRP特征提取方法。首先 为该邻域像素的梯度值计算过程如式(3): 根据LGRP特征的计算思路求得所有像素的二进制 Gih(8n)=lg。-gdl (3) 编码,再通过循环位移对二进制模式进行合并,构 将该邻域像素的梯度值与其自身灰度值的比 建旋转不变LGRP特征。具体步骤如下: 值作为该邻域像素的梯度比率特征值(gradient 1)根据前文介绍的LGRP算子计算公式,计算 ratio pattern,GRP),即 得到所有邻域像素的GRP值,再由判别函数s(x) Gm(gp)=- dfterence(gp) (4) 生成二进制编码串。 Ep 2)对循环移位后可得到相同最小二进制模式 然后,将所有邻域像素的GP均值分配给中心像 的编码模式进行合并。以4位的二进制编码为例, 素作为其GRP,其中P为邻域像素个数,具体如式(5): 编码1110(14)、1101(13)、1011(11)和0111(7)通 三6 Gnn(g)= (5) 过循环移位均可达到最小的编码0111。根据旋转 最后,计算每个邻域像素与中心像素的GRP之 不变LBP思路,这4种模式将会合并为一种新的模 差,再由判别函数s(x)生成二值化编码串,计算其 式。以8邻域采样点为例,合并过程如图9所示。 值作为中心像素的LGRP特征值,其中R为邻域半 →8880 径,如式(6)所示: 000000 LGRPP.R(gi)= (G)(2 =0 (6) 统计所有像素的LGRP值形成的灰度直方图就 图9合并模式的映射关系 是LGRPH。以一幅N×M大小的图像为例,计算整 Fig.9 The mapping relation of merging pattern 幅图像的LGRPH: 3)对于合并后得到的新模式,分别计算其值作 LGRPH()= 立RLCRP,,ke[o, 为相应像素的特征值。 其中K为LGRP最大的编码值,函数f的表达式为 4)计算得到旋转不变LGRP特征后,采用对称KL fx,y)=0. x=y 准则SKLD(symmetry kullback-leibler divergence)[来 其他 比较不同图像的特征。其流程图如图10所示
分析原因如下:对 SAR 图像而言,由于图像存 在大量相干斑噪声,根据像素差值计算的二值编码 串易受乘性噪声影响,因此 LBP 算法不能有效克服 相干斑噪声,不能有效地描述 SAR 图像目标特性。 针对 LBP 算子的不适用性,本文提出的解决方 案是将比率测度引入局部二值模式,从而有效地克 服 SAR 图像的乘性噪声,最终运用于 SAR 图像的 特征提取。 2 改进的 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声的影响,对图像 局部梯度变化不敏感,例如在边缘、角点处 LBP 特 征描述并不有效。 针对 SAR 图像相干斑噪声和图 像局部梯度特性,项德良等[9] 提出了基于局部梯度 比率特征的二值模式。 对于局部梯度比率特征的构建,首先计算每个 邻域像素 gp 与中心像素 gi,j的灰度差值的绝对值作 为该邻域像素的梯度值计算过程如式(3): Gdifference(gp) = gp - gi,j (3) 将该邻域像素的梯度值与其自身灰度值的比 值作为该邻域像素的梯度比率特征值 ( gradient ratio pattern,GRP),即 Gratio gp ( ) = Gdifference gp ( ) gp (4) 然后,将所有邻域像素的 GRP 均值分配给中心像 素作为其 GRP,其中 P 为邻域像素个数,具体如式(5): Gratio(g) = 1 P∑ P p = 1 Gratio(gp) (5) 最后,计算每个邻域像素与中心像素的 GRP 之 差,再由判别函数 s( x)生成二值化编码串,计算其 值作为中心像素的 LGRP 特征值,其中 R 为邻域半 径,如式(6)所示: LGRP P,R(gi,j) = ∑ P-1 P = 0 s(Gratio(gP ) - Gratio(g))2 P (6) 统计所有像素的 LGRP 值形成的灰度直方图就 是 LGRPH。 以一幅 N×M 大小的图像为例,计算整 幅图像的 LGRPH: LGRPH(k) = ∑ N i = 1 ∑ M j = 1 f(LGRPP,R(gi.j),k), k ∈ [0,K] 其中 K 为 LGRP 最大的编码值,函数 f 的表达式为 f(x,y) = 1, x = y {0, 其他 具体计算过程如图 8 所示。 图 8 LGRP 特征计算过程 Fig.8 Calculation process of the LGRP feature 2.2 旋转不变 LGRP 特征提取方法 基于梯度比率的 LGRP 算子对乘性相干斑不敏 感,对梯度变化也有一定鲁棒性,但对 SAR 图像中 目标姿态角变化没有鲁棒性。 针对 LGRP 特征对 SAR 图像中目标姿态角变化不敏感的问题,本文提 出一种改进的旋转不变 LGRP 特征提取方法。 首先 根据 LGRP 特征的计算思路求得所有像素的二进制 编码,再通过循环位移对二进制模式进行合并,构 建旋转不变 LGRP 特征。 具体步骤如下: 1)根据前文介绍的 LGRP 算子计算公式,计算 得到所有邻域像素的 GRP 值,再由判别函数 s( x) 生成二进制编码串。 2)对循环移位后可得到相同最小二进制模式 的编码模式进行合并。 以 4 位的二进制编码为例, 编码 1110(14)、1101(13)、1011(11)和 0111(7)通 过循环移位均可达到最小的编码 0111。 根据旋转 不变 LBP 思路,这 4 种模式将会合并为一种新的模 式。 以 8 邻域采样点为例,合并过程如图 9 所示。 图 9 合并模式的映射关系 Fig.9 The mapping relation of merging pattern 3)对于合并后得到的新模式,分别计算其值作 为相应像素的特征值。 4)计算得到旋转不变 LGRP 特征后,采用对称 KL 准则 SKLD(symmetry kullback⁃leibler divergence) [11]来 比较不同图像的特征。 其流程图如图 10 所示。 第 3 期 王庆,等:基于梯度比率的 SAR 图像局部特征提取方法研究 ·289·
·290. 智能系统学报 第12卷 、开始 1.00画 0.95 0.90 -R=5 -·-R=4 计算得到两幅图旋转不变LGRP特征P和O 0.85 ◇R3 挺0.80 075 年0.709 0.65 0.60 0.55 [SKLD(P,O) 由Sim=exp 将SKLD映射到O,1] 0.5 10 20 30 40 50 不同角度(°) (b)R对相似度的影响曲线 图10相似度计算流程 图11参数P和R,对相似度曲线的影响 Fig.10 Calculation process of the similarity Fig.11 The influence of parameter P and R on similarity 3 实验结果与分析 curve 表1采样点数P对相似度的影响曲线具体取值 3.1实验参数讨论 Tab.1 Specific value of similarity curve under the 本文实验数据包括美国国防高级研究计划署 influence of P 和空军研究室对外发布的MSTAR(moving and 采样点数10° 20 30° 40° 50° stationary target acquisition and recognition)SAR P=8 0.996 0.994 0.995 0.997 0.994 据集和X波段Tera-SAR的香港地区遥感图像。 P=4 0.712 0.662 0.679 0.726 0.646 实验选用MSTAR中BMP的图像数据,并将邻 表2Rm对相似度的影响曲线具体取值 Tab.2 Specific value of similarity curve under the 域半径最小值R设为1,收敛步长d设为1,控制 influence of R 高斯函数宽度的参数σ设为2,分析邻域采样点数 最大邻域 P和最大邻域半径R对旋转不变LGRP特征构造 10 20° 30° 40° 50° 半径 的影响。 R=5 0.986 0.985 0.984 0.981 0.983 如图11(a)示,当固定R取值时,P=4或P= R=4 0.980 0.977 0.974 0.975 0.973 8计算得到的LGRP相似度对噪声都有一定的鲁棒 Run=3 0.976 0.973 0.9700.972 0.971 性,但P=8时相似度曲线波动性更小,这是由于邻 3.2 MSTAR目标识别实验 域选择8个点比选择4个点利用的局部信息更丰 实验分为两个部分:1)同类目标不同姿态角的 富,从而对噪声鲁棒性更强。在图11()中,当固定 相似度比较,仿真选用0°~30°范围BMP的图片数 P取值时,不同R取值曲线的走向一致,且取值越 据,验证LGRP相似度的稳定性:2)相同姿态角不同 大稳定性越好,同时计算也越耗时。表1和表2分 目标的交叉识别,仿真选用相同角度的BMP2_0和 别给出了曲线的具体取值。 BTR70_0以及T72_0等3种不同型号的目标图片, 验证LGRP特征可用于目标识别。实验仿真结果如 1.00p- -P=8 图12所示 0.95 -P=4 1.00 0.90 0-P=8,R=4 0.85 0.95 坦0.80 0.90 0.85 0.65 0.60 0.80 0.55 0.50 0 203040 50 BMP2型号不同角度(°) 0.704-10 -6-2261014 不同角度/°) (a)P对相似度的影响曲线 (a)0°~30°同类目标相似度曲线
图 10 相似度计算流程 Fig.10 Calculation process of the similarity 3 实验结果与分析 3.1 实验参数讨论 本文实验数据包括美国国防高级研究计划署 和空 军 研 究 室 对 外 发 布 的 MSTAR ( moving and stationary target acquisition and recognition) SAR 数 据集和 X 波段 Terra⁃SAR 的香港地区遥感图像。 实验选用 MSTAR 中 BMP 的图像数据,并将邻 域半径最小值 Rmin设为 1,收敛步长 d 设为 1,控制 高斯函数宽度的参数 σ 设为 2,分析邻域采样点数 P 和最大邻域半径 Rmax对旋转不变 LGRP 特征构造 的影响。 如图 11(a)示,当固定 Rmax取值时,P = 4 或 P = 8 计算得到的 LGRP 相似度对噪声都有一定的鲁棒 性,但 P = 8 时相似度曲线波动性更小,这是由于邻 域选择 8 个点比选择 4 个点利用的局部信息更丰 富,从而对噪声鲁棒性更强。 在图 11(b)中,当固定 P 取值时,不同 Rmax取值曲线的走向一致,且取值越 大稳定性越好,同时计算也越耗时。 表 1 和表 2 分 别给出了曲线的具体取值。 (a)P 对相似度的影响曲线 (b)Rmax对相似度的影响曲线 图 11 参数 P 和 Rmax对相似度曲线的影响 Fig.11 The influence of parameter P and Rmax on similarity curve 表 1 采样点数 P 对相似度的影响曲线具体取值 Tab.1 Specific value of similarity curve under the influence of P 采样点数 10° 20° 30° 40° 50° P= 8 0.996 0.994 0.995 0.997 0.994 P= 4 0.712 0.662 0.679 0.726 0.646 表 2 Rmax对相似度的影响曲线具体取值 Tab.2 Specific value of similarity curve under the influence of Rmax 最大邻域 半径 10° 20° 30° 40° 50° Rmax = 5 0.986 0.985 0.984 0.981 0.983 Rmax = 4 0.980 0.977 0.974 0.975 0.973 Rmax = 3 0.976 0.973 0.970 0.972 0.971 3.2 MSTAR 目标识别实验 实验分为两个部分:1)同类目标不同姿态角的 相似度比较,仿真选用 0° ~ 30°范围 BMP 的图片数 据,验证 LGRP 相似度的稳定性;2)相同姿态角不同 目标的交叉识别,仿真选用相同角度的 BMP2_0 和 BTR70_0 以及 T72_0 等 3 种不同型号的目标图片, 验证 LGRP 特征可用于目标识别。 实验仿真结果如 图 12 所示。 (a)0° ~ 30°同类目标相似度曲线 ·290· 智 能 系 统 学 报 第 12 卷
第3期 王庆,等:基于梯度比率的SAR图像局部特征提取方法研究 ·291. 1.007 之间的相关性1o。通过实验结果分析,本文提出的 0.90 0.80 改进后的LGRP算子对旋转变化下的纹理切片识别 0.70 具有较好的鲁棒性。 0.60 0.50 1.00 0.40 -BMP2 0.90 0.30 --BTR70 -LBP◆ 0-T72 0.80 -●-MLGRPH 0.20 0.70 =◇-MLPH 0.10 0.60 0 MP2 BTR70 T72 墨0s0 同角度不同型号比较相似度 是0.40 ■ 0.30 (b)相同角度不同类型目标的交叉识别 0.20 图12同类目标比较和不同目标识别的相似度曲线 0.10 0 Fig.12 The similarity curves of similar objective 切片1 切片2 切片3 切片4 comparison and different target recognition 同类纹理的不同切片 从图12(a)中曲线可以看出,对于不同姿态角 图14不同算子间性能比较相似度曲线 的BMP2目标,旋转不变LGRP计算的特征相似度 Fig.14 Performance comparison curve between 取值稳定,说明旋转不变LGRP对目标姿态角变化 different operators 具有鲁棒性。从图12(b)可以看出,LGRP对于不 4 结束语 同目标具有分辨能力,可用于SAR图像目标识 别中。 本文研究了用于描述SAR图像特征的局部二 3.3SAR图像纹理识别实验 值模式,通过实测SAR图像的不同角度对比实验以 实验数据选用不同旋转角度的香港地区Tema- 及旋转变化下的纹理识别实验,验证了本文改进的 SAR图像中同类型地物的纹理切片(见图13),选择 LGRP算子对SAR图像目标的姿态角变化有一定的 4个不同角度下的同类地物纹理切片进行仿真实 鲁棒性,能有效用于SAR图像目标分类、识别等应 验。实验中对图像切片分别提取LBP特征、LGRP 用。将具有抗旋转性的LGRP算子运用到SIFT算 特征和LPH特征,并且分析其与原始角度下的图像 子的特征描述中,结合SFT算子的优势寻找一种适 切片特征的相似度大小,考察上述3种纹理特征算 合SAR图像特征提取的新方法将是下一步工作的 子对不同旋转角度纹理切片的识别能力。 重点。 参考文献: [1]SONG C,YANG F,LI P.Rotation invariant texture meas- ured by local binary pattern for remote sensing image classi- (a)40° (b)50 (c)60° (d)709 fication[C].Education Technology and Computer Science 图13四种不同角度的城区纹理切片 ETCS),2010 Second International Workshop on.IEEE, Fig.13 The texture slices of urban in different 2010.3:3-6. 由图14的仿真结果可以看出,LBP算子计算 [2]0JALA T,M,HARWOOD D.A comparative study of texture 的特征稳定性最低,不适用于SAR图像的纹理特征 measures with classification based on featured distributions[J 提取与识别,原因在2.3节已经分析过。LPH算子 Pattern recognition,1996,29(1):51-59. [3]AHONEN T,HADID A,M.Face description with local bi- 的稳定性劣于旋转不变LGRP算子,原因如下: nary patterns:Application to face recognition[J].IEEE 1)LPH算子是对中心像素的灰度值与邻域像素进行 transactions on pattern analysis and machine intelligence, 比较二值化,在SAR图像中单个像素灰度值易受相 2006,28(12):2037-2041. 干斑噪声干扰,稳定性差:2)LPH算子在合并子直 [4]AHONEN T,HADID A,M.Face recognition with local bi- nary patterns[J].European conference on computer vision, 方图时省略了部分信息,有可能导致某些重要特征 2004,3021(12):469-481. 丢失,使最后计算的特征不够稳定:3)LPH算子是 [5]NING J,ZHANG L.ZHANG D,et al.Robust object track- 在选定的邻域范围内构建直方图,忽视了邻域像素 ing using joint color-texture histogram[J].International
(b)相同角度不同类型目标的交叉识别 图 12 同类目标比较和不同目标识别的相似度曲线 Fig.12 The similarity curves of similar objective comparison and different target recognition 从图 12(a)中曲线可以看出,对于不同姿态角 的 BMP2 目标,旋转不变 LGRP 计算的特征相似度 取值稳定,说明旋转不变 LGRP 对目标姿态角变化 具有鲁棒性。 从图 12( b) 可以看出,LGRP 对于不 同目标具有分辨能力, 可用于 SAR 图像目标识 别中。 3.3 SAR 图像纹理识别实验 实验数据选用不同旋转角度的香港地区 Terra⁃ SAR 图像中同类型地物的纹理切片(见图 13),选择 4 个不同角度下的同类地物纹理切片进行仿真实 验。 实验中对图像切片分别提取 LBP 特征、LGRP 特征和 LPH 特征,并且分析其与原始角度下的图像 切片特征的相似度大小,考察上述 3 种纹理特征算 子对不同旋转角度纹理切片的识别能力。 图 13 四种不同角度的城区纹理切片 Fig.13 The texture slices of urban in different 由图 14 的仿真结果可以看出, LBP 算子计算 的特征稳定性最低,不适用于 SAR 图像的纹理特征 提取与识别,原因在 2.3 节已经分析过。 LPH 算子 的稳定性劣于旋转不变 LGRP 算子, 原因如下: 1)LPH算子是对中心像素的灰度值与邻域像素进行 比较二值化,在 SAR 图像中单个像素灰度值易受相 干斑噪声干扰,稳定性差;2) LPH 算子在合并子直 方图时省略了部分信息,有可能导致某些重要特征 丢失,使最后计算的特征不够稳定;3) LPH 算子是 在选定的邻域范围内构建直方图,忽视了邻域像素 之间的相关性[10] 。 通过实验结果分析,本文提出的 改进后的 LGRP 算子对旋转变化下的纹理切片识别 具有较好的鲁棒性。 图 14 不同算子间性能比较相似度曲线 Fig.14 Performance comparison curve between different operators 4 结束语 本文研究了用于描述 SAR 图像特征的局部二 值模式,通过实测 SAR 图像的不同角度对比实验以 及旋转变化下的纹理识别实验,验证了本文改进的 LGRP 算子对 SAR 图像目标的姿态角变化有一定的 鲁棒性,能有效用于 SAR 图像目标分类、识别等应 用。 将具有抗旋转性的 LGRP 算子运用到 SIFT 算 子的特征描述中,结合 SIFT 算子的优势寻找一种适 合 SAR 图像特征提取的新方法将是下一步工作的 重点。 参考文献: [1]SONG C, YANG F, LI P. Rotation invariant texture meas⁃ ured by local binary pattern for remote sensing image classi⁃ fication[ 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 bi⁃ nary 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 bi⁃ nary patterns[ J].European conference on computer vision, 2004 ,3021 (12) : 469-481. [5]NING J, ZHANG L, ZHANG D, et al. Robust object track⁃ ing using joint color⁃texture histogram [ J ]. International 第 3 期 王庆,等:基于梯度比率的 SAR 图像局部特征提取方法研究 ·291·
·292· 智能系统学报 第12卷 journal of pattern recognition and artificial intelligence, [11]LI L,TONG CS,CHOY S K.Texture classification using re- 2009,23(07):1245-1263. fined histogram[J].IEEE transactions on image processing, [6]Topi M,Timo O,Matti P,et al.Robust texture classification 2010,19(5): by subsets of local binary patterns[C]//Proceedings of the 作者简介: 15th Interational Conference on Pattern Recognition.2000. 王庆,女,1990年,硕士研究生,主 EEE,2000,3(3):935-938. 要研究方向为新体制雷达。 [7]Ojala T,Pietikainen M,Maenpaa T.Multiresolution gray- scale and rotation invariant texture classification with local bi- nary pattems[].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[].IEEE geoscience and remote 唐涛,男,1980年,讲师,主要研究 sensing letters,2011,8(2):225-229. 方向为遥感图像解译、SAR图像目标特 [9]项德良,粟毅,赵凌君,等.一种基于局部梯度比率特征 征提取。 度量SAR图像相似性的新方法[J].电子学报,2014,01: 9-13. XIANG Deliang,SU Yi,ZHAO Lingjun,et al.A new algo- rithm for SAR imagery similarity measure based on local gra- dient ratio pattern[].Acta electronica sinica,2014,01: 项德良,男,1989年,博士研究生, 9-13. 主要研究方向为SAR图像处理。 [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. EEE,2015:4396-4399. 第十二届中国生物特征识别大会 2017 Chinese Conferenceon on Biometric Recognition 中国生物特征识别大会(Chinese Conference on Biometric Recognition)是由中国人工智能学会(CAAI)主办的 国内生物特征识别领域的学术盛会。自2000年始,CCBR已经在北京、杭州、西安、广州、济南、沈阳、天津和成都 等地成功举办了11届,有力促进了国内本领域的学术和技术发展。 第十二届中国生物特征识别大会(CCBR2017)将于2017年10月28-29日在深圳举行,由深圳大学计算机与 软件学院和哈尔滨工业大学(深圳)计算机科学与技术学院联合承办。本届会议将汇聚国内从事生物特征识别理 论与应用研究的广大科研工作者,并邀请国际同行,共同分享我国生物特征识别研究的最新理论和技术成果,为 大家提供精彩的学术盛宴。 征文范围包括(不局限于): 生物特征获取装置 步态识别 生物特征信号质量评价与增强 其他生物特征的识别与处理 基于生物特征的情感计算 多模态生物识别与信息融合 人脸检测、识别与跟踪 生物特征数据库建设与合成 指纹、掌纹、静脉识别 大规模生物特征识别系统 虹膜识别 生物特征识别系统防伪与安全 说话人识别 生物特征识别系统评估及应用 笔迹(含签名)识别 会议网站:http:/cv.szu.edu.cn/ccbr2017/
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, Pietikäinen M, Mäenpää T. Multiresolution gray⁃ scale and rotation invariant texture classification with local bi⁃ nary 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]项德良,粟毅,赵凌君,等. 一种基于局部梯度比率特征 度量 SAR 图像相似性的新方法[J]. 电子学报,2014,01: 9-13. XIANG Deliang, SU Yi, ZHAO Lingjun, et al. A new algo⁃ rithm for SAR imagery similarity measure based on local gra⁃ dient 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 re⁃ fined histogram[J]. IEEE transactions on image processing, 2010, 19(5): 作者简介: 王庆,女,1990 年,硕士研究生,主 要研究方向为新体制雷达。 唐涛,男,1980 年,讲师,主要研究 方向为遥感图像解译、SAR 图像目标特 征提取。 项德良,男,1989 年,博士研究生, 主要研究方向为 SAR 图像处理。 第十二届中国生物特征识别大会 2017 Chinese Conferenceon on Biometric Recognition 中国生物特征识别大会(Chinese Conference on Biometric Recognition)是由中国人工智能学会(CAAI)主办的 国内生物特征识别领域的学术盛会。 自 2000 年始,CCBR 已经在北京、杭州、西安、广州、济南、沈阳、天津和成都 等地成功举办了 11 届,有力促进了国内本领域的学术和技术发展。 第十二届中国生物特征识别大会(CCBR2017)将于 2017 年 10 月 28-29 日在深圳举行,由深圳大学计算机与 软件学院和哈尔滨工业大学(深圳)计算机科学与技术学院联合承办。 本届会议将汇聚国内从事生物特征识别理 论与应用研究的广大科研工作者,并邀请国际同行,共同分享我国生物特征识别研究的最新理论和技术成果,为 大家提供精彩的学术盛宴。 征文范围包括(不局限于): 生物特征获取装置 生物特征信号质量评价与增强 基于生物特征的情感计算 人脸检测、识别与跟踪 指纹、掌纹、静脉识别 虹膜识别 说话人识别 笔迹(含签名)识别 步态识别 其他生物特征的识别与处理 多模态生物识别与信息融合 生物特征数据库建设与合成 大规模生物特征识别系统 生物特征识别系统防伪与安全 生物特征识别系统评估及应用 会议网站:http: / / cv.szu.edu.cn / ccbr2017 / ·292· 智 能 系 统 学 报 第 12 卷