-
在MSTAR数据集上开展测试验证,考核所提方法的性能,其包含的10类目标示意图见图3。相应目标的SAR图像覆盖0°~360°方位角以及15°,17°,30°,45°等典型俯仰角。由于数据样本丰富,MSTAR数据集长期以来是SAR目标识别算法验证的标准数据集。文中据此设置4类测试场景,包括:标准操作条件、型号差异、俯仰角差异以及噪声干扰。
表1显示了标准操作条件下10类目标分类的训练和测试样本,分别来自17°和15°俯仰角。各类目标均来自相同的型号(不涉及多子型号的目标采用缺省符号“—”表示其固有型号),仅存在较小的俯仰角差异。因此,此时的测试和训练样本相似度较高,整体难度相对较低。型号差异条件下的训练和测试集按表2设置,共包含3类目标。其中,BMP2和T72的测试样本与训练样本来自完全不同的型号。表3显示了俯仰角差异条件下的训练集(17°俯仰角)和测试集(两个子集,分别对应30°和45°俯仰角)。此外,在表1实验设置的基础上,通过对原始测试样本进行噪声添加,构造不同信噪比(signal-to-noise ratio,SNR)的测试集,进而可以对提出方法在噪声干扰条件下的性能进行测试和验证。
Class Training set (17°) Test sample set (15°) Configuration (SN) Scale of samples Configuration (SN) Scale of samples BMP2 9563 233 9563 195 BTR70 — 233 — 196 T72 132 232 132 196 812 195 S7 191 T62 — 299 — 273 BRDM2 — 298 — 274 BTR60 — 256 — 195 ZSU23/4 — 299 — 274 D7 — 299 — 274 ZIL131 — 299 — 274 2S1 — 299 — 274 Table 1. Description of SOC
Class Training set (17°) Test sample set (15°) Configuration (SN) Scale of samples Configuration (SN) Scale of samples BMP2 9563 233 9566 196 C21 196 BTR70 — 233 — 196 T72 132 232 812 195 S7 191 Table 2. Description of configruation variance
Class Training set Test sample set Pitch angle/(°) Scale of samples Pitch angle/(°) Scale of samples 2S1 17 299 30 288 45 303 BDRM2 17 298 30 287 45 303 ZSU23/4 17 299 30 288 45 303 Table 3. Description of pitch angle variance
-
从现有文献选取4类对比方法与提出方法进行同步实验与对比,从而定量评估方法的有效性和稳健性。对比方法如下:参考文献[4]中基于NMF的方法,记为“NMF”;参考文献[5]中基于单演信号的方法,记为“Mono”;参考文献[17]中基于传统BEMD的方法,记为“BEMD”;参考文献[10]中基于CNN的方法,记为“CNN”。其中,前3类方法主要通过特征提取提高目标识别性能。CNN方法则是在当前基于深度学习模型的方法选取的代表性案例。
-
标准操作条件针对表1中的10类目标测试SAR图像进行识别。图4显示了文中方法对这10类目标的分类混淆矩阵。图中横纵坐标分别代表样本真实标签以及分类预测标准,对角线元素则为不同目标的识别率。各类方法对10类目标的平均识别率统计如表4所示。可见,各类方法在标准操作条件下均可以取得很高的识别性能。对比而言,文中方法以99.34%的平均识别率优于4类对比方法。标准操作条件下,训练样本与测试样本相似度高,能够较好涵盖测试样本中的各种情形,以及基于深度学习的CNN可以充分发挥其分类能力。特别地,与传统BEMD方法相比,文中通过采用C-BEMD更为有效地发掘了原始复数SAR图像的时频特性,获得更为有效的特征描述。因此,文中方法最终的识别性能优于传统的BEMD方法。
Method type Average recognition rate Proposed method 99.34% NMF 98.26% Mono 98.74% BEMD 99.04% CNN 99.08% Table 4. Results under SOC
-
依托表2中的实验设置对提出方法在型号差异条件下的性能进行测试验证。各类方法的平均识别率统计如表5所示。与标准操作条件相比,型号差异条件下的识别结果呈现几点不同。一是各类方法的识别性能均出现不同的下降。二是CNN方法的性能下降最为显著。由于训练样本与测试样本存在较大差异,训练得到的深度网络分类性能会出现下降。与传统BEMD方法相比,文中方法的识别率具有一定优势,证明了C-BEMD可以更为有效地提取SAR图像的复数域特征,从而提高整体识别性能。
Method type Average recognition rate Proposed method 99.12% NMF 97.26% Mono 96.36% BEMD 98.27% CNN 98.68% Table 5. Results under configuration variance
-
依托表3中的实验设置测试文中方法在俯仰角差异条件下的识别性能。分别测试各类方法在30°和45°俯仰角下的识别结果,统计如图5所示。在30°俯仰角下,各类方法的正确识别率均能保持在93%以上,说明此时俯仰角差异带来的图像差异相对较小。对于俯仰角45°的测试子集,从识别结果可以看出此时正确识别的难度显著增大,体现了较大俯仰角差异带来的影响。在两个测试子集上,文中方法均取得优势性能,表明其更为可靠的性能。对比BEMD方法,文中方法在两个角度下性能均有较大提升,说明了C-BEMD对于SAR图像特征提取的有效性。
-
依托构造的多信噪比测试样本测试提出方法在噪声干扰条件下的识别性能。图6绘出了不同方法平均识别率随着信噪比变化的曲线。尽管文中方法识别率随着噪声加剧而降低,但仍优于几类对比方法。文中使用的C-BEMD在复数域对SAR图像进行分析,分解得到的BIMF对于噪声干扰具有一定的鲁棒性。同时,在迭代分解的过程中考虑了噪声影响(体现在最终分解得到的残差),因此进一步增强了对噪声的处理能力。在分类过程中,通过联合稀疏表示分类结合不同特征成分的鉴别力。因此,提出方法能够在噪声干扰下的性能可以保持较高水平。
Application of complex bidimensional empirical mode decomposition in SAR target recognition
doi: 10.3788/IRLA20200309
- Received Date: 2020-12-02
- Rev Recd Date: 2021-01-17
- Publish Date: 2021-05-21
-
Key words:
- synthetic aperture radar (SAR) /
- target recognition /
- complex bidimensional empirical mode decomposition (C-BEMD) /
- joint sparse representation
Abstract: The complex bidimensional empirical mode decomposition (C-BEMD) was applied to target recognition of synthetic aperture radar (SAR) image. As an extension of traditional BEMD to complex domain, C-BEMD could directly process the complex SAR images (including the amplitude and phase information). C-BEMD was employed to decompose SAR images to obtain multi-layer bidimensional intrinsic mode functions (BIMF), which could reflect the time-frequency properties of images. These BIMFs had individual description capabilities, which reflected the target characteristics from different aspects. Also, they shared inner correlations, which were originated from the same target. The classification algorithm was developed based on the joint sparse representation, which used the inner correlations to improve the representation precision. The multi-class SAR images in the MSTAR dataset were used to test and validate the proposed method. The results confirm its reliable recognition performance under the standard operating condition (SOC) and extended operating conditions (EOC).