本發(fā)明屬于通信技術(shù)領(lǐng)域，更進(jìn)一步涉及雷達(dá)目標(biāo)分類識別技術(shù)領(lǐng)域中的一種逆合成孔徑雷達(dá)圖像的質(zhì)量分類方法。本發(fā)明可用于對逆合成孔徑雷達(dá)圖像進(jìn)行質(zhì)量分類，通過特征提取、分類器對特征進(jìn)行分類，實現(xiàn)圖像質(zhì)量的分類，最終可應(yīng)用基于逆合成孔徑雷達(dá)圖像的目標(biāo)識別，從而提高目標(biāo)識別的準(zhǔn)確率。

背景技術(shù)：
逆合成孔徑雷達(dá)圖像與光學(xué)圖像有著顯著的不同，它有很強的斑點噪聲，并且伴隨著重影問題、條紋干擾問題、運動模糊等特有的問題，使逆合成孔徑雷達(dá)圖像的解譯比較困難，最終影響逆合成孔徑雷達(dá)圖像的應(yīng)用。因此，逆合成孔徑雷達(dá)圖像質(zhì)量評估及其應(yīng)用的研究具有重要的意義，專門對逆合成孔徑雷達(dá)圖像進(jìn)行質(zhì)量評估分類是非常重要的。北京航空航天大學(xué)申請的專利“基于對比敏感度特性的SAR圖像質(zhì)量評價方法”(申請?zhí)朇N201310038632，申請日2013.01.31，公開號CN103106660A，公開日2013.05.15)提到了一種圖像質(zhì)量評價分類的方法。該方法利用小波分解，不需要參考SAR圖像，僅依據(jù)人類視覺系統(tǒng)參數(shù)指標(biāo)就能有效的評價圖像質(zhì)量，該方法可以通過人眼視覺中的對比敏感度的多通道特性，并結(jié)合圖像處理中的小波變換的方法對SAR圖像的質(zhì)量進(jìn)行評價分類。人類視覺系統(tǒng)參數(shù)指標(biāo)可以有效的對圖像進(jìn)行質(zhì)量分類，但是該專利技術(shù)仍然存在的不足是，不同于光學(xué)圖像，目標(biāo)在逆合成孔徑雷達(dá)圖像上表現(xiàn)為稀疏的散射單元，不能完整的表現(xiàn)目標(biāo)的輪廓，所以部分人類視覺系統(tǒng)指標(biāo)不能較好的反映逆合成孔徑雷達(dá)圖像的真實情況，導(dǎo)致有用的逆合成孔徑雷達(dá)圖像被刪除，進(jìn)而影響目標(biāo)的識別。李文臣，陸洪濤，宋勝利，李宏，雷剛，張政超在“SAR圖像質(zhì)量外場試驗與評估技術(shù)”(《雷達(dá)科學(xué)與技術(shù)》10(6).2012)提出了一種圖像的質(zhì)量分類方法。該方法利用點目標(biāo)沖激響應(yīng)的空間分辨率、等效分辨率、擴展系數(shù)、積分旁瓣比、峰值旁瓣比來測定點目標(biāo)的圖像質(zhì)量。該方法雖然能夠有效的對點目標(biāo)圖像的質(zhì)量進(jìn)行分類，但是，該方法仍然存在的不足是，對于面目標(biāo)逆合成孔徑雷達(dá)圖像質(zhì)量評價并不全面，導(dǎo)致對面目標(biāo)逆合成孔徑雷達(dá)圖像的質(zhì)量分類不夠準(zhǔn)確。

技術(shù)實現(xiàn)要素：
本發(fā)明的目的在于克服上述已有技術(shù)中逆合成孔徑雷達(dá)圖像的質(zhì)量分類方法的不足，提出一種逆合成孔徑雷達(dá)圖像的質(zhì)量分類方法。該方法充分考慮面目標(biāo)的逆合成孔徑雷達(dá)圖像的特點，以及條紋干擾對圖像質(zhì)量的影響，保證了一定的分類準(zhǔn)確率。為實現(xiàn)上述發(fā)明目的，本發(fā)明的具體步驟如下：(1)數(shù)據(jù)預(yù)處理：使用雷達(dá)錄取的復(fù)數(shù)據(jù)，進(jìn)行逆合成孔徑雷達(dá)成像，得到逆合成孔徑雷達(dá)圖像數(shù)據(jù)，將這些逆合成孔徑雷達(dá)圖像數(shù)據(jù)用能量歸一化；(2)目標(biāo)檢測：(2a)采用恒虛警檢測方法，檢測出歸一化后的逆合成孔徑雷達(dá)圖像數(shù)據(jù)中的目標(biāo)；(2b)采用邊緣信息定位方法，確定目標(biāo)區(qū)域位置；(3)圖像劃分：將目標(biāo)區(qū)域作為一個分區(qū)，采用分塊的方法，將目標(biāo)區(qū)域周圍的部分劃分為八個區(qū)域；(4)特征提?。?4a)采用橫條紋能量比公式，在逆合成孔徑雷達(dá)圖像區(qū)域2、區(qū)域8和區(qū)域5的聯(lián)合區(qū)域中，計算橫條紋能量比特征；(4b)采用豎條紋能量比公式，在逆合成孔徑雷達(dá)圖像區(qū)域4、區(qū)域6和區(qū)域5的聯(lián)合區(qū)域中，計算豎條紋能量比特征；(4c)采用圖像熵公式，在逆合成孔徑雷達(dá)圖像區(qū)域1到區(qū)域9的聯(lián)合區(qū)域中，計算圖像熵特征；(4d)采用剩余能量比公式，在逆合成孔徑雷達(dá)圖像區(qū)域1到區(qū)域9的聯(lián)合區(qū)域中，計算剩余能量比特征；(4e)采用特征向量公式，將橫條紋能量比特征、豎條紋能量比特征、圖像熵特征和剩余能量比特征組成一個特征向量；(5)分類：采用有監(jiān)督分類方法，使用支持向量機SVM分類器，對特征向量進(jìn)行分類，得到分類結(jié)果；(6)分類結(jié)果驗證：采取相互驗證方法對分類結(jié)果進(jìn)行驗證，得到分類的正確率。本發(fā)明與現(xiàn)有技術(shù)相比具有如下優(yōu)點：第一，由于本發(fā)明考慮了部分人類視覺系統(tǒng)指標(biāo)不能較好的反映逆合成孔徑雷達(dá)圖像真實的質(zhì)量情況，利用橫條紋能量比特征、豎條紋能量比特征、圖像熵特征和剩余能量比作為特征向量，克服了現(xiàn)有技術(shù)中部分人類視覺系統(tǒng)指標(biāo)不能較好的反映逆合成孔徑雷達(dá)圖像真實的質(zhì)量的問題，使得本發(fā)明能夠按照質(zhì)量，對逆合成孔徑雷達(dá)圖像進(jìn)行有效的分類。第二，由于本發(fā)明考慮了對面目標(biāo)逆合成孔徑雷達(dá)圖像質(zhì)量評價并不全面，利用橫條紋能量比特征、豎條紋能量比特征、圖像熵特征和剩余能量比為特征向量，對面目標(biāo)逆合成孔徑雷達(dá)圖像質(zhì)量進(jìn)行評價，克服了現(xiàn)有技術(shù)中對面目標(biāo)逆合成孔徑雷達(dá)圖像質(zhì)量評價并不全面的問題，提高了對面目標(biāo)逆合成孔徑雷達(dá)圖像的質(zhì)量分類的準(zhǔn)確性。附圖說明圖1為本發(fā)明的流程圖；圖2為本發(fā)明圖像劃分結(jié)果的示意圖；圖3為本發(fā)明提出的橫條紋能量比、豎條紋能量比、圖像熵、剩余能量比特征的二維分布圖。具體實施方式下面結(jié)合附圖對本發(fā)明作進(jìn)一步的描述。參照圖1，本發(fā)明的具體實施步驟如下。步驟1，數(shù)據(jù)預(yù)處理。使用雷達(dá)錄取的復(fù)數(shù)據(jù)，進(jìn)行逆合成孔徑雷達(dá)成像得到逆合成孔徑雷達(dá)圖像，將這些逆合成孔徑雷達(dá)圖像用能量歸一化，得到歸一化后的逆合成孔徑雷達(dá)圖像i＝1,2,3…K，K表示總的圖像個數(shù)。按照下式計算歸一化后的逆合成孔徑雷達(dá)圖像：其中，表示第i個歸一化后的逆合成孔徑雷達(dá)圖像，Ii表示第i個原始的逆合成孔徑雷達(dá)圖像，表示第i個原始的逆合成孔徑雷達(dá)圖像坐標(biāo)為(m,n)的像素點強度，i＝1,2,3…K，K表示總的圖像個數(shù)，m＝1,2,3…M,n＝1,2,3…N，M和N分別表示Ii的行數(shù)和列數(shù)。步驟2，目標(biāo)檢測。對歸一化后的逆合成孔徑雷達(dá)圖像，使用恒虛警檢測方法檢測出逆合成孔徑雷達(dá)圖像中的目標(biāo)，采用邊緣信息定位方法，確定目標(biāo)區(qū)域的位置；恒虛警檢測方法檢測逆合成孔徑雷達(dá)圖像中目標(biāo)的具體步驟分為：第一步：按照下式，計算逆合成孔徑雷達(dá)圖像中噪聲的分布特性：其中,p表示逆合成孔徑雷達(dá)圖像中噪聲的分布特性，A表示逆合成孔徑雷達(dá)圖像中噪聲的幅度，|·|表示取模值操作，exp[·]表示指數(shù)函數(shù)，σ2表示逆合成孔徑雷達(dá)圖像中噪聲的方差；第二步：按照下式，計算檢測歸一化后的逆合成孔徑雷達(dá)圖像數(shù)據(jù)中目標(biāo)的門限：其中，T表示檢測歸一化后的逆合成孔徑雷達(dá)圖像數(shù)據(jù)中目標(biāo)的門限，σ2表示逆合成孔徑雷達(dá)圖像中噪聲的方差，Pf表示檢測歸一化后的逆合成孔徑雷達(dá)圖像數(shù)據(jù)中目標(biāo)的虛警率，ln(·)表示取對數(shù)操作；第三步：遍歷逆合成孔徑雷達(dá)圖像中的所有像素點，將大于檢測目標(biāo)門限的像素點組成目標(biāo)區(qū)域，檢測出歸一化后的逆合成孔徑雷達(dá)圖像中的目標(biāo)。邊緣信息定位方法計算目標(biāo)區(qū)域的位置是指，分別將目標(biāo)所包含的像素點投影到逆合成孔徑雷達(dá)圖像的橫坐標(biāo)軸和縱坐標(biāo)軸上，分別得到橫坐標(biāo)軸和縱坐標(biāo)軸上投影的坐標(biāo)范圍，根據(jù)投影兩端的坐標(biāo)位置，確定目標(biāo)區(qū)域的位置。步驟3，圖像劃分。根據(jù)目標(biāo)區(qū)域位置，采用分塊方法，將目標(biāo)區(qū)域周圍的部分按照九宮格的形式劃分為八個區(qū)域，其中九宮格的中心部分是目標(biāo)區(qū)域的分區(qū)，逆合成孔徑雷達(dá)圖像被分為包括目標(biāo)在內(nèi)的九個區(qū)域。參照附圖2，對本發(fā)明的步驟(3)圖像劃分中的分塊方法描述如下。將逆合成孔徑雷達(dá)圖像，按照圖2劃分的形式分為區(qū)域1、區(qū)域2、區(qū)域3、區(qū)域4、區(qū)域5、區(qū)域6、區(qū)域7、區(qū)域8、區(qū)域9合計9個區(qū)域，其中圖2中區(qū)域5表示目標(biāo)區(qū)域。步驟4，特征提取。對逆合成孔徑雷達(dá)圖像，分別通過步驟3的圖像劃分，將逆合成孔徑雷達(dá)圖像分為九個區(qū)域，對這九個區(qū)域進(jìn)行不同的組合，分別計算各種組合中條紋的總能量和目標(biāo)的總能量，提取橫條紋能量比特征、豎條紋能量比特征、圖像熵特征和剩余能量比特征，得到4個特征值，將這4個特征值組成一個特征向量。由于條紋干擾產(chǎn)生的主要原因是強散射點的副瓣過強引起的，所以條紋干擾主要存在于目標(biāo)區(qū)域的延伸范圍內(nèi)，參照附圖2中所示，可以知道條紋干擾主要存在圖2中區(qū)域2、區(qū)域4、區(qū)域6、區(qū)域8中，則可以計算各區(qū)域中的能量來量化條紋干擾的強度。在逆合成孔徑雷達(dá)圖像區(qū)域2、區(qū)域8和區(qū)域5的聯(lián)合區(qū)域中，分別計算區(qū)域8和區(qū)域2中橫條紋的總能量并計算區(qū)域5中目標(biāo)的總能量，計算橫條紋能量比特征。計算橫條紋能量比特征的具體步驟分為計算聯(lián)合區(qū)域中橫條紋的總能量、計算聯(lián)合區(qū)域中目標(biāo)的總能量、計算聯(lián)合區(qū)域中的橫條紋能量比特征：按照下式，計算聯(lián)合區(qū)域中橫條紋的總能量：其中，E1表示聯(lián)合區(qū)域中橫條紋的總能量，表示第k個歸一化后逆合成孔徑雷達(dá)圖像，k1表示歸一化后逆合成孔徑雷達(dá)圖像中區(qū)域2中的像素點，k2表示歸一化后逆合成孔徑雷達(dá)圖像中區(qū)域8中的像素點，∑表示求和操作。按照下式，計算聯(lián)合區(qū)域中目標(biāo)的總能量：其中，E2表示聯(lián)合區(qū)域中目標(biāo)的總能量，表示歸一化后逆合成孔徑雷達(dá)圖像中的像素點強度，k3表示歸一化后逆合成孔徑雷達(dá)圖像中區(qū)域5中的像素點，∑表示求和操作。按照下式，計算聯(lián)合區(qū)域中的橫條紋能量比特征：其中，T1表示聯(lián)合區(qū)域中的橫條紋能量比特征，E1表示聯(lián)合區(qū)域中橫條紋的總能量,E2表示聯(lián)合區(qū)域中目標(biāo)的總能量。在逆合成孔徑雷達(dá)圖像區(qū)域4、區(qū)域6和區(qū)域5的聯(lián)合區(qū)域中，分別計算區(qū)域4和區(qū)域6中橫條紋的總能量并計算區(qū)域5中目標(biāo)的總能量，計算豎條紋能量比特征。計算豎條紋能量比特征的具體步驟分為計算聯(lián)合區(qū)域中豎條紋的總能量、計算聯(lián)合區(qū)域中目標(biāo)的總能量、計算聯(lián)合區(qū)域中的豎條紋能量比特征：按照下式，計算聯(lián)合區(qū)域中豎條紋的總能量：其中，E3表示聯(lián)合區(qū)域中豎條紋的總能量，表示第k個歸一化后逆合成孔徑雷達(dá)圖像，k4表示歸一化后逆合成孔徑雷達(dá)圖像中區(qū)域4中的像素點，k5表示歸一化后逆合成孔徑雷達(dá)圖像中區(qū)域6中的像素點，∑表示求和操作。按照下式，計算聯(lián)合區(qū)域中的豎條紋能量比特征：其中，T2表示聯(lián)合區(qū)域中的豎條紋能量比特征，E3表示聯(lián)合區(qū)域中豎條紋的總能量,E2表示聯(lián)合區(qū)域中目標(biāo)的總能量。在逆合成孔徑雷達(dá)圖像區(qū)域1到區(qū)域9的聯(lián)合區(qū)域中，計算圖像熵特征。按照下式，計算圖像熵特征：其中，T3表示聯(lián)合區(qū)域中的圖像熵特征，p表示像素點出現(xiàn)的概率，log2(·)表示取對數(shù)操作，，k6表示歸一化后逆合成孔徑雷達(dá)圖像區(qū)域1到區(qū)域9中的像素點,∑表示求和操作。在逆合成孔徑雷達(dá)圖像區(qū)域1到區(qū)域9的聯(lián)合區(qū)域中，分別計算區(qū)域1到區(qū)域9的總能量并計算區(qū)域5中目標(biāo)的總能量，計算剩余能量比特征。計算剩余能量比特征的具體步驟分為計算聯(lián)合區(qū)域的總能量、計算聯(lián)合區(qū)域中目標(biāo)的總能量、計算聯(lián)合區(qū)域中的豎條紋能量比特征：按照下式，計算聯(lián)合區(qū)域的總能量：其中，E4表示聯(lián)合區(qū)域的總能量，表示第k個歸一化后逆合成孔徑雷達(dá)圖像，k6表示歸一化后逆合成孔徑雷達(dá)圖像中區(qū)域1到區(qū)域9中的像素點，∑表示求和操作。按照下式，計算聯(lián)合區(qū)域中的剩余能量比特征：其中，T4表示聯(lián)合區(qū)域中的剩余能量比特征，E4表示聯(lián)合區(qū)域的總能量,E2表示聯(lián)合區(qū)域中目標(biāo)的總能量。采用特征向量公式，將橫條紋能量比特征、豎條紋能量比特征、圖像熵特征和剩余能量比特征組成一個特征向量；按照下式，計算特征向量：T＝[T1T2T3T4]其中，T表示橫條紋能量比特征、豎條紋能量比特征、圖像熵特征和剩余能量比特征組成的特征向量，T1表示橫條紋能量比特征，T2表示豎條紋能量比特征，T3表示圖像熵特征，T4表示剩余能量比特征；步驟5，分類。采用有監(jiān)督分類方法，利用支持向量機SVM分類器，對特征向量進(jìn)行分類。將步驟4得到的逆合成孔徑雷達(dá)圖像樣本的特征向量樣本，等分為訓(xùn)練樣本和測試樣本兩部分，使用訓(xùn)練樣本訓(xùn)練支持向量機SVM分類器，改變分類器參數(shù)的值，計算分類器的性能達(dá)到最好時對應(yīng)的參數(shù)值，完成分類器的訓(xùn)練，將測試樣本輸入訓(xùn)練好的支持向量機SVM分類器中，得到分類結(jié)果。步驟6，分類結(jié)果驗證。采取相互驗證方法對分類結(jié)果進(jìn)行驗證，得到分類的正確率。將步驟5中的測試樣本作為訓(xùn)練樣本訓(xùn)練支持向量機SVM分類器，改變分類器參數(shù)的值，計算分類器的性能達(dá)到最好時對應(yīng)的參數(shù)值，完成分類器的訓(xùn)練，將步驟5中的訓(xùn)練樣本作為測試數(shù)據(jù)輸入訓(xùn)練好的支持向量機SVM分類器中，得到分類結(jié)果，統(tǒng)計兩次的分類結(jié)果得到正確的分辨率。本發(fā)明的效果可以通過以下仿真實驗驗證：1.仿真條件：本發(fā)明的仿真實驗運行系統(tǒng)為Intel(R)Core(TM)i7-2600CPU@3.40GHz，32位Windows操作系統(tǒng)，仿真軟件采用MATLAB(R2008a)。2.仿真內(nèi)容和結(jié)果分析：本發(fā)明的仿真實驗所用實測數(shù)據(jù)包含兩類質(zhì)量的逆合成孔徑雷達(dá)圖像：質(zhì)量好的逆合成孔徑雷達(dá)圖像、質(zhì)量差的逆合成孔徑雷達(dá)圖像。訓(xùn)練樣本近似認(rèn)為是完備數(shù)據(jù)。用本發(fā)明介紹的方法，按照上述步驟提取逆合成孔徑雷達(dá)圖像的橫條紋能量比、豎條紋能量比、圖像熵和剩余能量比特征。將橫條紋能量比、豎條紋能量比、圖像熵和剩余能量比特征作為識別特征計算分類。采取相互驗證方法對分類結(jié)果進(jìn)行驗證，得到分類的正確率。參照附圖3所示，對本發(fā)明步驟(4)提出的橫條紋能量比、豎條紋能量比、圖像熵、剩余能量比特征的二維分布圖描述如下。圖3(a)中的橫坐標(biāo)表示橫條紋能量比特征，縱坐標(biāo)表示豎條紋能量比特征，圖3(b)中的橫坐標(biāo)表示豎條紋能量比特征，縱坐標(biāo)表示圖像熵特征，圖3(c)中的橫坐標(biāo)表示圖像熵特征，縱坐標(biāo)表示剩余能量比特征,圖中標(biāo)注點為逆合成孔徑雷達(dá)的特征所對應(yīng)的位置，其中以“+”標(biāo)注的點表示質(zhì)量差的圖像對應(yīng)特征的值，“o”標(biāo)注的點表示質(zhì)量好的圖像對應(yīng)特征的值。從圖3(a)、3(b)、3(c)中可以看出，本文提取的4維特征都能較好的區(qū)分好質(zhì)量和差質(zhì)量的圖像。采取現(xiàn)有技術(shù)的相互驗證方法對本發(fā)明質(zhì)量分類結(jié)果的正確率進(jìn)行驗證，得到本發(fā)明質(zhì)量分類的正確率如表1所示：表1質(zhì)量分類的正確率從表1中可以看出，對于本次試驗數(shù)據(jù)，部分圖像質(zhì)量好的圖像被誤判為質(zhì)量差的圖像，可能由于樣本偏少使得分類平面偏移所導(dǎo)致的，質(zhì)量差的圖像能夠較好的進(jìn)行判別。由表1所示的結(jié)果可以得出，對于該組實測數(shù)據(jù)，本文提取的4種特征能夠較好的完成兩類質(zhì)量圖像的分類任務(wù)，提高了對面目標(biāo)逆合成孔徑雷達(dá)圖像的質(zhì)量分類的準(zhǔn)確性。