-
文中基于MSTAR数据集对提出方法进行测试。该数据集采集了X波段下多类地面车辆目标的SAR图像,分辨率可到0.3 m,具备区分战术目标的能力。图2所示为该公开数据集中最为常用的十类目标的光学图像,对应的SAR图像覆盖完整的方位角和部分典型俯仰角。此外,部分目标还采集了多个不同型号的SAR图像,进一步丰富了可用的实验场景。文中在该数据集的基础上设置多种场景对提出方法进行测试,全面考察其分类性能。
在进行文中方法实验的同时,同步与现有方法进行对比,分别取自参考文献[13],参考文献[14]和参考文献[16],分别简记为多视角方法1(Multi-view 1),多视角方法2(Multi-view 2)和多视角方法3(Multi-view 3)。此外,文中还选用当下最为流行的深度学习方法进行对比,即参考文献[10]中基于CNN的方法,该方法直接基于单视角SAR图像进行分类。后续实验基于MSTAR数据样本,进行测试条件设置,并在典型情况下进行比较分析。
-
标准操作条件(Standard operating conditions,SOC)的训练和测试集设置如表1所示。其中,训练和测试样本分别取自17°和15°俯仰角,差异较小。两者包含的各类目标具有完全相同的型号,图像相关性较强,分类问题相对简单。该条件下文中方法的分类结果如图3所示。其中,横纵坐标标准目标类别,对角线为相应的正确分类率。可以看出,各类目标的分类性能均达到98%以上,表明方法在标准操作条件下的有效性。对四类对比方法进行同样测试并统计计算它们的分类性能。表2给出了所有方法在标准操作条件下对十类目标的平均分类率。文中方法以99.36%的分类率优于三类对比方法。此外可以发现有两类多视角方法的平均分类率均高于CNN方法,主要是因为多视角互补信息的引入有利于提高决策的稳健性。由于标准操作条件下训练样本可有效描述测试样本的图像特性,训练得到的CNN对于测试样本具有很好的适应性,因此其在单视角的条件下也可以取得高于99%的分类率。
Type Training set Test set BMP2 231 193 BTR70 231 194 T72 230 194 T62 297 271 BRDM2 296 272 BTR60 254 193 ZSU23/4 297 272 D7 297 272 ZIL131 297 272 2S1 297 272 Table 1. Setup of samples under SOC
Method Average classification accuracy Proposed 99.36% Multi-view 1 98.74% Multi-view 2 99.13% Multi-view 3 99.21% CNN 99.08% Table 2. Comparison of average classificationrates under SOC
-
设置如表3所示的训练和测试集对提出方法在型号差异条件下的分类性能进行测试。表中共含四类目标,其中BMP2和T72两类存在型号的不同,给分类问题带来一定的挑战。此外,训练集中增加了BDRM2和BTR70两类混淆目标进一步提高分类难度。在此条件下对各类方法进行测试,获得如表4所示的结果。文中方法可取得最高的正确分类率,显示其优势。基于最大非线性相关信息熵筛选得到的多视角子集能够更好地适应型号差异测试样本的分类问题。因此,通过采用这部分视角进行联合表示有利于提高算法对于不同型号样本的分类识别能力。与基于单一视角的CNN方法形变,四类多视角方法均具有更高的分类率,表明联合多视角有利于提升型号差异条件下的分类性能。
BMP2 BDRM2 BTR70 T72 Training set 231 (Sn_9563) 296 231 230 (Sn_132) Test set 424 (Sn_812) 426 (Sn_9566) 0 0 571 (Sn_A04) 427 (Sn_C21) 571 (Sn_A05) 571 (Sn_A07) 565 (Sn_A10) Table 3. Setup of samples for configuration variance
Method Average classification accuracy Proposed 98.86% Multi-view 1 96.78% Multi-view 2 97.92% Multi-view 3 98.17% CNN 96.02% Table 4. Comparison of average classification rates under configuration variance
-
设置如表5所示的训练和测试样本测试方法对于存在俯仰角差异样本的分类识别能力。训练和测试样本共同包含了3类目标的3个不同俯仰角,其中17°用于训练,30°和45°用于测试分类。由于SAR图像具有较强的视角敏感性,较大俯仰角差异带来的图像变化(相对于测试样本)大大增加了分类问题的难度。图4直观显示了两个俯仰角差异情况下各类方法的平均分类率。可见,文中方法对于不同俯仰角的差异样本具有分类有效性。从原理上来说,基于最大熵原则获得的多视角SAR图像对于俯仰角差异的情况具有更强的针对性。在利用这部分视角进行联合分析时可以获得更为可靠的决策结果。同样,俯仰角差异条件下,多视角方法的分类性能优于基于单一视角的CNN方法。
Depression angle/(°) 2S1 BDRM2 ZSU23/4 Training set 17 297 296 297 Test set 30 286 285 286 45 301 301 301 Table 5. Setup of samples under depression angle variance
-
噪声干扰时图像处理领域必须考虑的问题,考察SAR目标分类方法对于噪声干扰的稳健性十分必要。在表1列出的训练和测试样本的基础上,对测试样本进行噪声添加处理,生成不同噪声水平(利用信噪比(SNR)表征)的测试集。据此,可对文中方法以及对比方法在噪声影响条件下的分类性能进行测试[7]。图5所示为各类方法在噪声干扰条件下的分类性能。伴随噪声干扰的加剧,即信噪比的降低,各方法均表现出性能下降。经对比,文中方法的分类率下降最为平缓,且在各个信噪比下均取得了最高的平均分类率,充分表明文中方法对噪声干扰具有更强的稳健性。通过最大熵筛选得到的多视角有效剔除了部分受到噪声严重污染的视角,保证了后续联合稀疏表示中的多视角内在关联性。因此,文中方法可以更为有效地克服噪声干扰下的SAR目标分类难题。
Multi-view SAR target classification method based on principle of maximum entropy
doi: 10.3788/IRLA20210233
- Received Date: 2021-05-25
- Rev Recd Date: 2021-06-30
- Publish Date: 2021-12-31
-
Key words:
- synthetic aperture radar /
- target classification /
- multiple views /
- nonlinear correlation information entropy /
- joint sparse representation
Abstract: For the synthetic aperture radar (SAR) target classification method, a multi-view was developed based on the principle of the maximum entropy. The mutual-correlation matrix between multi-view SAR images was established based on the classical image correlation. Afterwards, the nonlinear correlation information entropy (NCIE) of different view sets was calculated. NCIE is capable of analyzing the statical properties of multiple variables and entropy value reflects the inner correlation of different variables. The view set with the highest nonlinear correlation information entropy was chosen, in which the multiple views share the highest correlation. The joint sparse representation was employed to represent the selected multi-view SAR images and the target label was determined based on the total reconstruction errors. The joint sparse representation is capable of handling several sparse representation problems and enhancing the reconstruction precision when these problems share some correlations. The proposed method could effectively analyze the inner correlations of multiple views and employ joint sparse representation to exploit such correlations so the classification accuracy can be improved. Typical experimental setups were designed based on the MSTAR dataset to test the performance of the proposed method while compared with some other methods under different test conditions. The results show the validity of the principle of the maximum entropy and the superior performance of the proposed method for SAR target classification.