一种基于模型的合成孔径声呐图像目标快速识别方法

朱兆彤 彭石宝 许 稼 许肖梅*

1 引言

合成孔径声呐（SAS）能够获取水下观测场景和目标高分辨率的图像，在民用和军事领域均得到了广泛的应用，如在水下考古、海底资源勘探、海底情报侦察等水下目标识别场所。高分辨率SAS图像成功应用的关键，在于对检测到的目标进行快速而准确的识别。

针对声呐图像目标自动识别问题，目前国内外都已积极展开研究，提出了许多有效的目标识别方法。文献[1]提出采用先验环境信息实现目标特征鲁棒提取的分类方法。文献[2]则提出通过融合多个分类器结果，提升目标识别准确性。文献[3-6]通过实测数据或对目标建模仿真，产生目标在多个观测角度下的仿真声呐图像，之后与实测图像进行匹配，实现水下目标识别。

合成孔径声呐成像与合成孔径雷达（SAR）成像原理相同，图像具有许多共同的特性，如相干斑、阴影、透视效应等，因此SAR目标识别方法与SAS目标识别方法可相互借鉴。近年来，针对合成孔径图像目标识别，提出了许多有效的方法。总体而言，现有研究思路可归纳为两类，一类为基于模板识别的方法[110]-，该类方法通过实际实验或者仿真预先得到目标在各种条件下的先验的模板图像[37]-或特征矢量[1,2,810]-，每个模板提供一种分类假设，分类时通过选择候选目标的图像或特征矢量与模板的最佳匹配来完成的。另一类是基于模型的识别方法[11,12]，该类方法数据库中存储的是目标物理或概念的模型，无需实际的先验模板数据。通过对分类图像或特征矢量估计目标姿态、配置条件、观测几何，实时或近实时产生对应的待分类目标图像。通过合成孔径声呐图像仿真器产生模板时可通过智能地修正目标类型、姿态等的假设，直到它和测量图像，或由测量图像提取的特征矢量匹配得足够好为止。相比基于模板的方法，本文采用的基于模型的方法无需存储大量不同姿态下目标图像，增加或删除备选目标灵活性高。目前，在合成孔径声呐或雷达方面，已有一些公开的仿真算法[1315]-，然而大多数方法较为注重仿真图像的准确性，对于仿真算法的实时性则考虑不多，这也限制了基于模型的识别算法发展。

现有基于模型的方法大都是针对光学和合成孔径雷达（SAR）图像，本文对基于模型的声呐图像识别方法的两个问题进行了改进，进一步提高了基于模型识别方法的运算效率。具体的改进思路如下：首先，提出了基于构造凸壳的目标姿态角快速估计方法，实现了成像几何的快速估计；其次，提出了改进的基于隐藏点移除的目标图像快速仿真方法，近实时产生备选模型的仿真SAS图像模板。仿真实验表明，相比于现有的基于模型的识别方法，该方法在基本不损失识别率条件下，可显著提高目标识别的实时性。文章第2节将详细介绍算法实现方法，第3节将通过仿真说明算法的有效性，第4节将给出全文结论。

2 本文实现方法

基于模型的SAS图像目标识别方法流程如图 1所示，包括如下几个步骤：（1）对输入图像进行预处理，标记目标区域和阴影区域；（2）提取目标参数，主要是估计目标的姿态角；（3）输入声呐系统参数和备选目标模型至仿真系统，产生备选目标的仿真模板；（4）计算备选目标图像与输入目标图像的评价函数，判断是否满足匹配要求，若不满足，则更换备选目标模型，重复步骤（3），若满足，则输出识别结果。本文在该方法的基础上，主要工作体现在两个方面。一是针对目标姿态角估计，提出采用基于构造凸壳的目标姿态角快速估计方法；二是针对仿真模板的生成，提出了改进的基于隐藏点移除的快速图像仿真方法。通过以上两个步骤的优化改进，显著提高了基于模型目标识别算法的效率。具体步骤将在2.1节至2.4节中详细叙述。

图1 识别方法主要流程

2.1 图像预处理

与光学图像不同，通常SAS图像没有清晰的边缘，因此，对SAS图像进行预处理的主要目的就是将目标主体和目标阴影部分从背景噪声中分割出来。本文中输入待识别图像先通过标准直方图均衡方法[9]，让图像幅度均归一化至 （,） [0,1]I x y∈ 。为了降低SAS图像相干噪声的影响，将图像通过一个均值滤波器平滑，之后设定1θ,2θ作为分割目标、背景和阴影区域的阈值。设分割后图像为（,）I'x y，可表示为

最后，分别在目标区域和阴影区域中选择最大连通区域，若目标最大连通区域大于给定阈值，则视为检测到目标，完成图像预处理。预处理过程见图2。

2.2 基于构造凸壳的目标姿态角估计

对于SAS图像，现有基于直接模板和模型的目标识别方法都受限于目标姿态多变带来的不确定性。为了消除“千姿百态”图像的不确定性，最有效的方法是对目标的成像几何进行有效估计。

最小外接矩形方法是一种有效的目标姿态角估计方法（Minimum Bounding Rectangle, MBR）[16]，一般包括以下步骤：如图 3所示，首先在目标周围画一个边长为l1×l2的矩形，保证该矩形与目标相切。之后，每次都以一定的角度α旋转该矩形，直到符合一定的准则。判定的准则有目标-背景面积比最大、周长最小和边界相交点数最多等。通常认为，边界点数最多准则精度较高[9,16]，因此本文采用边界相交点数最多为MBR方法为判定准则。

图2 图像预处理过程

图3 基于最小外接矩形的目标姿态角估计

为提高姿态角估计速度，本文假设最小外接矩形的一条边必然与目标凸壳的一边重合[17]。基于这个假设，搜索 MBR时，可以避免遍历所有可能的角度带来的大运算量，将 MBR搜索数量减小到目标凸壳的边的数量，同时保证估计精度没有下降。为验证算法的有效性，本文分别对传统旋转实现MBR的方法[9]和基于构造凸壳实现MBR的方法进行了仿真，其中，基于旋转实现的方法每次旋转间隔分别设置为2°和5°。仿真时分别对同一目标不同姿态角下的72幅仿真模板进行姿态角估计。具体仿真结果见表 1。从表 1可以看出，基于构造凸壳实现MBR方法相比于传统基于旋转的MBR方法，精度和效率均得到了提高。需要说明的是，由于姿态角的估计范围为 θ ∈ [ 0°, 180°），假定最终估计得到的角度是θ，则可能的目标姿态角为两个，分别为θ和θ+ 1 80°。

2.3 基于截断2维sinc函数的目标图像快速仿真方法

在图1所示的基于模型的识别算法中，影响算法效率的另一个关键节点是“仿真模板生成”。文献[13]中提出了一种基于隐藏点移除的SAR目标图像快速仿真方法，为了进一步快速得到目标的仿真模板，本文在文献[13]的基础上，提出基于点响应截断的快速仿真方法，进一步提高算法的运算速度。包括以下4个主要步骤：

表1 3种姿态角估计方法性能比较

（1）仿真产生3维场景，其中背景部分为高斯随机分布的粗糙表面，目标可输入任意物体的3维模型。之后通过插值，获得整个场景的点云模型；

（2）通过隐藏点移除（HPR）[18]算法估计散射点可视性；

（3）估计可见散射点的强度；

（4）根据声呐成像参数、可见散射点的强度将 3维场景投影到2维成像平面。理想的SAS点目标响应可以用一个2维sinc函数描述，由于SAS成像是一个线性系统，因而，最终的SAS仿真模板可以由所有可见散射点的响应相加得到。

在步骤（3）中，SAS成像理想点目标可表示为

其中，rect（.）为矩形窗函数，定义为式（3），xi, yi为第i个散射点的位置，A为目标强度函数，ˆv为等效平台速度，c为水中声速，λ为波长， Br为发射信号带宽， Bd为多普勒带宽，可通过式（4）得到，其中D为声呐基阵孔径，T为合成孔径总时间，T为距离向采样时间，为方位向慢时间，ˆt为距离向快时间。假定目标共有L个可视散射点，方位向采样点数为M，距离向采样点数为N。这样，将所有散射点响应函数进行累加时需要进行L×M×N次复数加法，计算量巨大。

考虑到 2维sinc函数主要能量集中在主瓣附近，因而，如果对点目标响应函数的副瓣部分进行适当的截断，只会对最终成像结果造成有限的影响，同时，可将总运算量降低至2LK×次复数加法，其中K为截断后2维sinc函数长度，为保证截断响应函数的对称性，K通常取奇数。截断后，理想点目标可表示如下：

图4所示为完整2维sinc函数和截断2维sinc函数对比示意图，如图可见截断2维sinc函数保留了完整2维sinc函数的大部分能量，两函数的相关系数为0.9886。仿真中 M = N = 2 56, K = 6 3。

2.4 基于目标-阴影联合匹配方法

对于SAS图像，其高光部分和阴影部分均包含目标的重要特征，因此，本文引入文献[3]中提出的归一化回波-阴影联合匹配（Normalized Shadow-Echo Matching, NSEM）方法。首先，基于2.1节中结果，目标图像I（ x, y）经过预处理，得到I'（x, y） 。同时根据2.3节内容产生的仿真模板J（ x, y），经过同样的预处理方法，得到目标模板J'（x, y）。之后将I'（x, y）, J'（x, y） 的高光部分和阴影部分进行分割，得到高光部分（x, y ） = max（J'（x, y ）,0）,（x, y）=max（I'（x, y ） ,0） ，阴影部分（x, y ） = min（J'（x, y ）,0）,（x, y ） = |min（I'（x, y ）,0）|。 同 时 定 义 补 模 板（complementary templates），其中高光部分补模板定义为

构造目标图像（,）I x y和模板图像（,）J x y的匹配度评价函数，该函数可以通过式（7）计算：

式（7）中⊗运算符表示进行互相关运算。易知，当I（ x, y ） = J （ x, y） 时， f（ I, J）= 1 。式（7）相对公平地估计了高光区域和阴影区域对于两幅图像相关性的贡献。

由于 2.2节的方法估计目标姿态角时，对于每个目标，都存在两个可能的姿态角，因而，若存在N类备选目标，需要仿真产生2N个模板图像与目标图像匹配，计算f（ I, J）并设定阈值ρ，构造分类函数为

当没有模板能超过阈值时，分类器输出为0，否则，输出分类结果。

3 数值实验验证

为了实现SAS图像的目标识别算法，需要建立一个包含多种模型的仿真及训练样本库。在合成孔径雷达（SAR）图像的识别算法研究中，MSTAR数据库为公认的算法测试库。然而，目前在针对SAS图像的识别算法研究领域，还没有这样一个公开的测试集。因此，通过2.3节提出的仿真方法产生3类目标的仿真模板作为测试样本集，每类目标的数据集各包含 72幅图像，姿态角设置为（0°,5°,1 0°,…,355°），每幅图像大小为256×256像素。仿真参数如表 2所示。仿真时，成像区域大小约为25.6 m× 2 5.6 m，3类仿真潜艇目标长度均设置为12 m。仿真结果如图5所示，图5中每个目标只给出了一个姿态角下的仿真模板。

图4 完整2维sinc函数和截断2维sinc函数对比

图5 3类潜艇目标3维模型与仿真图像

表2 仿真参数

为了验证本文提出的基于截断2维sinc函数快速仿真算法的性能，分别通过常规完整2维sinc函数方法和基于截断2维sinc函数的方法来仿真产生图像，结果对比见表 3。仿真结果表明，相比常规完整2维sinc函数方法，基于截断2维sinc函数方法得到的图像与未截断情况下得到的仿真模板的相关系数为 0.9830，两图像几乎完全一致，而截断后仿真时间相比于未截断情况下的仿真时间减少了到原来的 1/12.69。同时，两次仿真中L相同，M×N / A2= 1 6.51。仿真结果与理论预期结果接近。仿真平台为CPU: Intel Core I5, 3.0 GHz，内存：8 GB，操作系统：Windows 7 64位，软件平台：Matlab 2012a。

采用本文方法与角度估计时固定角度间隔的方法[9]和仿真中采用完整 2维点响应函数方法分别作为对比。本文方法与固定角度间隔的方法的不同之处在于目标姿态角估计方法不同，目标仿真模板均采用本文提出的改进的隐藏点移除快速仿真方法；完整2维点响应函数方法与本文方法的不同，在于目标仿真模板的产生方法不同，完整2维点响应函数仿真方法目标可见点投影时没有进行截断处理，而本文方法采用点响应函数截断处理。仿真中计算了 3种算法的混淆矩阵和平均每幅图像的分类时间，混淆矩阵描述了目标分类算法的分裂程度。3种算法的仿真混淆矩阵见表 4，仿真结果表明，相对另外两种算法，本文方法在正确识别率上接近固定步长旋转模板相关的方法达到 93.5%，较固定步长旋转姿态角估计方法识别准确率更高，与完整 2维sinc函数识别结果相同；但本文方法运算效率要略快于固定步长旋转模型相关方法，远快于完整 2维点响应函数模型图像仿真方法。

表3 常规完整2维sinc函数方法和基于截断2维sinc函数方法的仿真结果对比

4 结论

本文提出了一种改进的基于模型实时仿真的高分辨率SAS图像目标识别算法。针对传统的基于模型的识别方法，在两个方面进行了改进。一是通过改进的目标姿态角估计算法，快速估计目标的成像几何参数；二是提出改进的基于隐藏点移除的目标图像快速仿真方法，通过点响应函数的截断降低仿真过程中的运算量，实现目标仿真模板的快速生成。另外，在仿真模板生成方面考虑了SAS背景场景的影响，提高了模板生成的逼真度。仿真结果显示，本文提出的SAS图像目标识别方法保证了较高识别率的同时显著地降低了运算量，提高了算法的实时性。

表4 3种方法混淆矩阵

[1] Williams D P and Fakiris E. Exploiting environmental information for improved underwater target classification in sonar imagery[J]. IEEE Transactions on Geoscience and Remote Sensing, 2014, 52（10）: 6284-6297.

[2] Tai F, Kraus D, and Zoubir A M. Contributions to automatic target recognition systems for underwater mine classification[J]. IEEE Transactions on Geoscience and Remote Sensing,2015, 53（1）: 505-518.

[3] Myers V and Fawcett J. A template matching procedure for automatic target recognition in synthetic aperture sonar imagery[J]. IEEE Signal Processing Letters, 2010, 17（7）:683-686.

[4] Myers V and Williams D P. Adaptive multiview target classification in synthetic aperture sonar images using a partially observable markov decision process[J]. IEEE Journal of Oceanic Engineering, 2012, 37（1）: 45-55.

[5] Groen J, Coiras E, Del Rio Vera J, et al.. Model-based sea mine classification with synthetic aperture sonar[J]. IET Radar, Sonar & Navigation, 2010, 4（1）: 62-73.

[6] Williams D P. Bayesian data fusion of multiview synthetic aperture sonar imagery for seabed classification[J]. IEEE Transactions on Image Processing, 2009, 18（6）: 1239-1254.

[7] Dobeck G J and Hyland J C. Automated detection and classification of sea mines in sonar imagery[J]. SPIE, 1997,Vol. 3097: 90-110.

[8] Zhang H, Nasrabadi N M, Zhang Y, et al.. Multi-view automatic target recognition using joint sparse representation[J]. IEEE Transactions on Aerospace and Electronic Systems, 2012, 48（3）: 2481-2497.

[9] Sun Y, Liu Z, Todorovic S, et al.. Adaptive boosting for SAR automatic target recognition[J]. IEEE Transactions on Aerospace and Electronic Systems, 2007, 43（1）: 112-125.

[10] Xing X, Ji K, Zou H, et al.. Sparse representation based SAR vehicle recognition along with aspect angle[J]. The Scientific World Journal, 2014, 2014（1）: 1-10.

[11] Dong G, Wang N, and Kuang G. Sparse representation of monogenic signal: with application to rarget recognition in SAR images[J]. IEEE Signal Processing Letters, 2014, 21（8）:952-956.

[12] Huang Y, Peia J, Yanga J, et al.. Neighborhood geometric center scaling embedding for SAR ATR[J]. IEEE Transactions on Aerospace and Electronic Systems, 2014,50（1）: 180-192.

[13] Zhu Z, Peng S, Xu J, et al.. A fast SAS image simulator based on HPR algorithm[C]. Oceans - San Diego, 2013, San Diego,CA, USA, 2013: 1-5.

[14] 刘维, 张春华, 刘纪元. 合成孔径声呐三维数据仿真研究[J].系统仿真学报, 2008, 20（14）: 3838-3841.Liu Wei, Zhang Chun-hua, and Liu Ji-yuan. Research on synthetic aperture sonar 3-D data simulation[J]. Journal of System Simulation, 2008, 20（14）: 3838-3841.

[15] 熊文昌, 王宏琦, 唐侃. 基于面元投影模型的 SAR 建筑物快速图像仿真[J]. 电子与信息学报, 2014, 36（5）: 1062-1068.Xiong Wen-chang, Wang Hong-qi, and Tang Kan. Fast SAR imaging simulation for urban structures based on facet projection model[J]. Journal of Electronics & Information Technology, 2014, 36（5）: 1062-1068.

[16] 倪心强. SAR图像分类与自动目标识别技术研究[D]. [博士论文], 中国科学院大学, 2007.Ni Xin-qiang. Research of classification and automatic target recognition using SAR imagery[D]. [Ph.D. dissertation],University of Chinese Academy of Sciences, 2007.

[17] 程鹏飞, 闫浩文, 韩振辉. 一个求解多边形最小面积外接矩形的算法[J]. 工程图学学报, 2008, 29（1）: 122-126.Cheng Peng-fei, Yan Hao-wen, and Han Zhen-hui. An algorithm for computing the minimum area bounding rectangle of an arbitrary polygon[J]. Journal of Engineering Graphics, 2008, 29（1）: 122-126.

[18] Katz S, Tal A, and Basri R. Direct visibility of point sets[J].ACM Transactions on Graphics, 2007, 26（3）: 1-24.