王 璐 張 帆李 偉 謝曉明 胡 偉

(北京化工大學信息科學與技術(shù)學院 北京 100029)

基于Gabor濾波器和局部紋理特征提取的SAR目標識別算法

王 璐 張 帆*李 偉 謝曉明 胡 偉

(北京化工大學信息科學與技術(shù)學院 北京 100029)

該文提出了一種基于Gabor濾波器和Three-Patch Local Binary Patterns(TPLBP)局部紋理特征提取的合成孔徑雷達(Synthetic Aperture Rader,SAR)圖像目標識別算法。首先，利用Gabor濾波器對SAR圖像在不同方向上進行濾波，增強SAR圖像中目標及其陰影的關(guān)鍵特征；然后，利用TPLBP算法對Gabor濾波之后的圖像進行局部紋理特征提取，該算法克服了Local Binary Patterns(LBP)算法無法描述大范圍領(lǐng)域紋理特征的缺陷，并且保持了LBP旋轉(zhuǎn)不變的特性，減少了SAR圖像目標方位變化對識別效果的影響；最后利用極限學習機(Extreme Learning Machine,ELM)分類器實現(xiàn)目標識別。該文通過MSTAR數(shù)據(jù)庫中的3類SAR目標識別實驗驗證了該算法的有效性。

SAR目標識別；Gabor濾波器；Three-Patch LBP；特征提取

Reference format: Wang Lu,Zhang Fan,Li Wei,et al.. A method of SAR target recognition based on Gabor filter and local texture feature extraction[J]. Journal of Radars,2015,4(6): 658–665. DOI: 10.12000/JR15076.

1 引言

合成孔徑雷達(Synthetic Aperture Rader,SAR)是一種成像分辨率較高的雷達，其具有全天候、全天時、分辨率高以及穿透力強等特點，成為目前對地觀測的重要手段[1]。然而，隨著SAR圖像成像技術(shù)的不斷發(fā)展和成熟，SAR目標識別技術(shù)的研究成為國內(nèi)外研究的熱點。

SAR圖像的有效特征提取和分類器的選擇是SAR目標識別中的重要組成部分。目前，模式識別領(lǐng)域已相繼提出了許多有效的特征提取方法和分類識別方法。如主成分分析法(Principal Component Analysis,PCA)[2]、Gabor濾波器方法[3]、局部二值模式法(Local Binary Patterns,LBP)[4]、支持向量機(Support Vector Machine,SVM)分類器[5]以及模板匹配識別[6]等。Gabor濾波器具有良好的多尺度特性和多方向特性，其對于目標圖像，可提取不同尺度和方向上的有效細節(jié)特征，其在人臉識別領(lǐng)域[3]和高光譜圖像分類領(lǐng)域[7]均有效提取了目標圖像的顯著特征，并獲得了良好的識別效果。PCA是模式識別領(lǐng)域中一種比較經(jīng)典的特征提取算法，對于2維圖像，首先將2維數(shù)據(jù)按列轉(zhuǎn)換成1維數(shù)據(jù)，再將其投影到新的坐標空間，因此，PCA算法因未考慮圖像的有效空間信息而對識別效果有所影響。然而，LBP方法雖然算法簡單，但由于其對圖像的空間信息加以利用，因此獲得了較好的識別效果[4]。

本文提出了一種基于Gabor濾波器和Three-Patch Local Binary Patterns(TPLBP)紋理特征的合成孔徑雷達圖像目標識別算法。一般而言，SAR目標識別在特征提取之前，需要進行圖像預(yù)處理，進行噪聲濾除和方位矯正等，而在本文中，首先，采用Gabor濾波器提取SAR目標圖像在不同方向上的全局特征，由于Gabor濾波器對于圖像的邊緣敏感及其具有良好的方向特性，不僅有助于提取SAR目標和背景處的邊緣信息，而且在不進行方位矯正的條件下通過提取不同方位的方向信息進行目標識別；然后，采用TPLBP算法對不同方向上Gabor濾波之后的圖像進行局部紋理特征再提取，TPLBP算法相比于LBP算法，具有更強的紋理特征描述能力；最后，通過極限學習機(Extreme Learning Machine,ELM)分類器進行目標識別。實驗結(jié)果表明該算法具有良好的識別效果。

2 Gabor濾波器和TPLBP特征提取

2.1 Gabor濾波器

Gabor濾波器的頻率和方向表達同人類視覺系統(tǒng)類似，其對于圖像的邊緣敏感，能夠提供良好的方向選擇特性，易于提取SAR目標與背景處的邊緣信息及不同方位目標的方向信息。2維Gabor濾波器[3]是一個正弦平面波調(diào)制的高斯核函數(shù)。在2維坐標(x,y)系統(tǒng)中，Gabor濾波器包含1個實部和1個虛部，其定義如下：

其中λ表示正弦平面波的波長，它的值以像素為單位；θ表示Gabor核函數(shù)的方向，取值范圍是0°～360°；ψ是相位偏移，本文中設(shè)定該值為0和π/2; σ是高斯包絡(luò)的標準差；γ表示空間縱橫比，一般默認值為0.5; σ參數(shù)的值由λ和Gabor濾波器的半響應(yīng)空間頻率帶寬bw來決定，其關(guān)系定義如下：

2.2 TPLBP特征提取

LBP[8]是一種基于像素點的圖像局部二值紋理特征描述器，其具有光照魯棒性以及旋轉(zhuǎn)不變性。本文中采用Three-Patch LBP[9]算法來描述圖像的紋理特征，該算法是在LBP算法的基礎(chǔ)上提出的一種基于模塊化的圖像空間特征信息描述器，它克服了LBP算法無法進行大范圍鄰域內(nèi)的紋理特征描述的缺陷。由于SAR目標圖像本身的特殊性，很難對特征點進行非常精確的定位，因此本文選用對特征點選擇不是很敏感的TPLBP算法對SAR目標進行特征再提取。

首先，對于圖像中的每個像素點，以該像素點為中心得到一個w×w大小的模塊Cp，并且以該模塊為中心，在距離半徑為r的范圍內(nèi)，生成S個同等大小的模塊(如圖1所示)，每個模塊的中心像素點均通過LBP算法生成相應(yīng)的LBP碼值。從S個模塊中取得兩個模塊的中心像素點LBP碼值與中心模塊的中心像素點LBP碼值進行相似度計算(如通過兩中心像素點LBP碼值差值的l2范數(shù)來計算相似度)，α參數(shù)表示所取的兩個模塊在以r為半徑的圓周范圍內(nèi)所間隔的模塊數(shù)量。然后，對兩模塊與中心模塊的中心像素點相似度進行差值計算，從而得到一組二進制串，將其加權(quán)計算得到相應(yīng)的TPLBP碼值，其定義如下[9]：

圖 1 Three-Patch LBP編碼示意圖(S=8,w=3,=2)Fig. 1 The Three-Patch LBP code(S=8,w=3,=2)

其中，Ci和Ci+αmodS是r半徑圓周內(nèi)的兩模塊中心像素點的LBP碼值，Cp是中心模塊的中心像素點的LBP碼值，函數(shù)d(.,.)表示計算兩模塊中心像素點的相似度，本文中相似度采用歐氏距離的計算方法，函數(shù)f的定義如下：

其中，本文中設(shè)定τ=0.01。根據(jù)式(5)計算得到圖像中每個像素點的TPLBP碼值。然后，將整幅圖像分割成非重疊同等大小的矩形窗(B×B)，并計算每個矩形窗中各TPLBP碼值的頻率值，即TPLBP碼值的統(tǒng)計直方圖。最后，將每個矩形窗的直方圖向量串聯(lián)形成整幅圖像的TPLBP特征向量。

3 ELM分類器

ELM[10]是只包含1個隱含層和1個輸出層的神經(jīng)網(wǎng)絡(luò)。其最顯著的特點是，它的隱含層參數(shù)不需要進行調(diào)試，而是隨機設(shè)定的，具有較強的泛化能力。假設(shè)ELM的隱含層包含L個節(jié)點，則其輸出函數(shù)如下：

對于給定任意n個樣本，則有

H可以寫成如下形式：

為了提高該神經(jīng)網(wǎng)絡(luò)的泛化能力，ELM在最小化訓(xùn)練誤差的同時，將輸出權(quán)重的范數(shù)也進行最小化，其表達式如下：

其中，H+是H矩陣Moore-Penrose廣義逆，并且H+=HT(HHT)–1。

為了更好地提高算法穩(wěn)定性和泛化能力，式(12)被重新定義成如下形式[10]：

其中，C是一個回歸系數(shù)。

文獻[11]在ELM的基礎(chǔ)上，又提出了一種基于核函數(shù)的ELM算法。該算法是用核函數(shù)來隱藏ELM原有的激勵函數(shù)H，從而更好地提高了算法的泛化能力。對于某一樣本xi，其輸出函數(shù)表達式如下：

本文中采用了核函數(shù)的ELM算法進行SAR圖像的目標識別，并選擇徑向基核函數(shù)(RBF)作為核函數(shù)。

4 基于Gabor濾波器和TPLBP特征提取的SAR圖像目標識別過程

本文提出的基于Gabor濾波器和TPLBP特征提取的SAR圖像目標識別過程由兩個部分組成，其流程如圖2所示。

圖 2 基于Gabor濾波器和TPLBP特征提取的SAR圖像目標識別方法流程圖Fig. 2 The process of the SAR target recognition method based on Gabor filter and TPLBP feature extraction

(1) 特征提?。菏紫?，對SAR圖像在不同方向上進行Gabor濾波，提取SAR圖像在不同方向上的紋理特征，如圖3所示。其中，圖3(a)是17°俯仰角下BMP2-9563中的一張原目標圖像，圖3(b)–圖3(i)分別為8個不同方向上[0,π/8,π/4,3π/8,π/2,5π/8,3π/4,7π/8]Gabor濾波之后的圖像，不難看出，由于Gabor濾波器對于邊緣敏感，Gabor濾波之后的圖像中，SAR目標與背景之間灰度值差異顯著(目標和背景灰度分離)，使SAR目標在圖像中更加清晰，并且在不同方向上的Gabor濾波圖像具有很強的方向性。然后，將Gabor濾波之后的每張圖像分成互不重疊同等大小的矩形塊，對每個矩形塊進行TPLBP編碼，并統(tǒng)計TPLBP碼值的直方圖，將直方圖串接形成每張SAR圖像的紋理特征描述。由于TPLBP算法是在LBP算法的基礎(chǔ)上描述了領(lǐng)域模塊LBP之間的相互關(guān)系，因此其具有更強的紋理特征描述能力，能夠更好地描述SAR目標圖像的局部紋理特征。

圖 3 Gabor濾波之后的圖像(以17°俯仰角的SAR圖像為例，Gabor濾波器取8個方向)Fig. 3 The Gabor filtered images (take 17° angle for example,Gabor filter is set with eight directions)

(2) 分類過程：采用ELM分類器對所提取的有效目標特征進行分類并輸出識別結(jié)果。

5 實驗結(jié)果及分析

5.1 實驗數(shù)據(jù)與設(shè)置

為了驗證本文算法的有效性，本文所使用的數(shù)據(jù)[12]是MSTAR公開數(shù)據(jù)集，該數(shù)據(jù)的分辨率為0.3 m×0.3 m，圖像大小為128×128像素。本文所用數(shù)據(jù)集包含俯仰角為17°和15°的坦克、戰(zhàn)車、裝甲車等3大類、7種型號目標，具體如下：BMP2(包含SN_9563,SN_9566和SN_C21),BTR70(包含SN_C71),T72(包含SN_132,SN_812和SN_S7)，每類目標的方位覆蓋范圍均為0°～360°。

本文選擇17°俯仰角的目標圖像作為訓(xùn)練樣本，選擇15°俯仰角的目標圖像作為測試樣本。為了更好地驗證算法的有效性，本文設(shè)置兩種實驗場景：3類目標識別和7種不同編號識別，其訓(xùn)練樣本和測試樣本的樣本數(shù)量設(shè)置如表1，表2所示。

表 1 實驗場景Ⅰ的訓(xùn)練樣本和測試樣本設(shè)置Tab. 1 The training samples and test samples configuration of experiment Ⅰ

表 2 實驗場景Ⅱ的訓(xùn)練樣本和測試樣本設(shè)置Tab. 2 The training samples and test samples configuration of experiment Ⅱ

實驗場景I：3類目標識別

在該實驗場景中，訓(xùn)練樣本只包含每一類目標的某一種編號，測試樣本包含每一類目標的所有編號，因此，該場景設(shè)置主要驗證本文算法對不同編號的同一類目標的識別效果。

實驗場景II：7種不同編號識別

在該實驗場景中，訓(xùn)練樣本和測試樣本均包含每一類目標的所有編號，因此，該場景設(shè)置主要驗證本文算法對不同編號目標的識別效果。

5.2 不同算法參數(shù)對識別效果的影響

本節(jié)選擇實驗場景Ⅰ，研究Gabor濾波器和TPLBP特征提取算法的不同參數(shù)對識別效果的影響，具體如下：

首先對SAR圖像在各個方向上進行Gabor濾波，然后對不同方向上Gabor濾波之后的圖像進行TPLBP局部紋理特征提取。在Gabor濾波過程中，本實驗研究了Gabor濾波器的半響應(yīng)空間頻率帶寬bw和Gabor核函數(shù)方向θ對識別效果的影響。實驗中，分別設(shè)定兩組Gabor濾波器參數(shù)：(1)bw=4,θ取6個方向[0,π/6,π/3,π/2,2π/3,5π/6]; (2)bw=5,θ取8個方向[0,π/8,π/4,3π/8,π/2,5π/8,3π/4,7π/8]。

其次，在TPLBP算法提取局部紋理特征方面，本實驗研究了距離半徑r和矩形窗口大小(B×B)對識別效果的影響。實驗中，分別設(shè)定r取值為[4,6,8,10,12,14,16]，B取值為[20,40,60,80]，另外，固定S取值為8,w取值為3,α取值為1。實驗中的分類過程均采用核函數(shù)的ELM算法。實驗結(jié)果如表3所示。

表 3 Gabor濾波器bw=4,θ取6個方向情況下的識別準確率(%)Tab. 3 The recognition accuracy with bw=4,θ in six directions (%)

由表3和表4可以看出，Gabor濾波器和TPLBP局部特征提取達到識別效果最優(yōu)時(約為94.80%)的參數(shù)設(shè)置是：Gabor濾波器的bw=4，θ取6個方向[0,π/6,π/3,π/2,2π/3,5π/6]; TPLBP局部特征提取時，r=12,B=20。

5.3 不同大小的訓(xùn)練樣本對識別效果的影響

本節(jié)選擇實驗場景Ⅰ和實驗場景Ⅱ，研究不同大小的訓(xùn)練樣本對識別效果的影響。Gabor濾波器和TPLBP局部特征提取的參數(shù)均選擇上一節(jié)的最優(yōu)參數(shù)：bw=4,θ取6個方向[0,π/6,π/3,π/2,2π/3,5π/6],r=12,B=20，訓(xùn)練樣本大小m取[80,100,120,140,160,180,200,220]。本實驗中所用的訓(xùn)練樣本均從訓(xùn)練樣本庫中隨機選取，因此，為了減小隨機操作對識別效果的影響，每組不同大小的訓(xùn)練樣本隨機選取10次，最后將10次識別效果進行平均作為最終的識別效果。實驗結(jié)果如表4所示。

表 4 Gabor濾波器bw=5,θ取8個方向情況下的識別準確率(%)Tab. 4 The recognition accuracy with bw=5,θ in eight dirctions (%)

由表5和表6可以看出，隨著訓(xùn)練樣本數(shù)量的增加，SAR圖像目標識別效果趨于更優(yōu)。其中，BTR70目標的識別效果最為顯著，可以達到100%，因為該類目標僅存在一種編號(BTR70-C71)，不受其他同類目標不同編號的影響。此外，當訓(xùn)練樣本量較小時，該算法對于實驗場景Ⅰ的識別效果優(yōu)于實驗場景Ⅱ的識別效果，而當訓(xùn)練樣本量較大時，該算法對于實驗場景Ⅱ的識別效果優(yōu)于實驗場景Ⅰ的識別效果。因此，當訓(xùn)練樣本量較小時，本文算法更利于對某類的目標進行識別，而當訓(xùn)練樣本量較大時，本文算法更利于對不同編號的目標進行識別。

表 5 在實驗場景Ⅰ下，不同大小的訓(xùn)練樣本的識別準確率(%)Tab. 5 The recognition accuracy of different training samples in Experiment set Ⅰ (%)

表 6 在實驗場景Ⅱ下，不同大小的訓(xùn)練樣本的識別準確率(%)Tab. 6 The recognition accuracy of different training samples in Experiment set Ⅱ (%)

5.4 與其他算法比較分析

為了驗證本文算法的識別效果，分別進行以下兩組對比實驗。

(1) 與其他特征提取算法對比

作為對比，本實驗將所提出的算法與其他特征提取算法進行對比。該實驗選擇實驗場景Ⅰ，特征提取算法均選擇各自的最優(yōu)參數(shù)，目標識別過程均采用核函數(shù)的ELM算法。對比實驗結(jié)果如圖4所示。

由圖4可以看出，本文所提出的特征提取算法的目標識別準確率明顯高于其他特征提取算法。Gabor濾波器提取的是SAR圖像的全局特征，而LBP算法和TPLBP算法提取的是SAR圖像的局部紋理特征，因此，在全局特征的基礎(chǔ)上提取局部紋理特征可以獲得更加魯棒的SAR圖像特征，從而，Gabor+LBP算法的識別效果優(yōu)于簡單的LBP局部紋理特征算法的識別效果。此外，本文算法的識別準確率明顯高于一般的線性特征提取(PCA)算法。

圖 4 本文算法與其他特征提取算法的目標識別效果對比Fig. 4 The comparison of the method and other feature extraction method in recognition perfomance

(2) 與其他分類算法對比

作為對比，本實驗將所提出的算法與其他分類算法進行對比。SRC是一種基于稀疏表達的分類方法，SVM是目前應(yīng)用較廣的一種經(jīng)典分類方法，這兩種方法均在實驗場景Ⅰ的情況下進行實驗，為了體現(xiàn)本文特征提取算法對SAR目標識別的有利影響，均不對SAR目標圖像進行去噪等預(yù)處理過程。在分類過程之前，均采用Gabor濾波、TPLBP特征提取方法。文獻[13]首先利用傅里葉描述子表示目標輪廓和陰影輪廓，然后用基于最大相關(guān)法進行模板匹配，最后用基于串接的融合器進行融合識別。以上其他分類算法與本文算法的目標識別效果對比如表7所示。

由表7可以看出，本文算法的識別準確率明顯優(yōu)于只提取目標輪廓特征的模板匹配分類算法和應(yīng)用較廣的SVM算法。雖然，本文算法的識別準確率與SRC算法相差不大，但其算法運行效率遠遠優(yōu)于SRC算法。

表 7 本文算法與其他分類算法的識別效果對比Tab. 7 The recognition performance of the method and other classification method

6 結(jié)論

本文提出了一種基于Gabor濾波器和TPLBP特征提取的SAR圖像目標識別算法。利用Gabor濾波器提取SAR圖像的全局特征，在此基礎(chǔ)上，利用TPLBP算法提取SAR圖像的局部紋理特征，最后利用核函數(shù)的ELM分類器進行目標識別。本文算法針對基于MSTAR數(shù)據(jù)庫中的3類SAR目標圖像進行了實驗分析，實驗結(jié)果表明，本文所提出的算法對于SAR目標的識別效果優(yōu)于其他一些特征提取算法(PCA,Gabor+LBP,LBP)和其他一些分類算法(SRC、模板匹配、SVM)。此外，當訓(xùn)練樣本量較小時，本文算法針對某類目標的識別效果更優(yōu)，而當訓(xùn)練樣本量較大時，本文算法針對不同編號的目標識別效果更優(yōu)。

[1]丁軍,劉宏偉,王英華. 基于非負稀疏表示的SAR圖像目標識別方法[J]. 電子與信息學報,2014,36(9): 2194–2200. Ding Jun,Liu Hong-wei,and Wang Ying-hua. SAR image target recognition based on non-negative sparse representation[J]. Journal of Electronics & Information Technology,2014,36(9): 2194–2200.

[2]梁勝杰,張志華,崔立林,等. 基于主成分分析與核獨立成分分析的降維方法[J]. 系統(tǒng)工程與電子技術(shù),2011,33(9): 2144–2148. Liang Sheng-jie,Zhang Zhi-hua,Cui Li-lin,et al.. A reduced dimension method based on PCA and KICA[J]. Systems Engineering and Electronics,2011,33(9): 2144–2148.

[3]周家銳,紀震,沈琳琳,等. 基于Gabor小波與Memetic算法的人臉識別方法[J]. 電子學報,2012,40(4): 642–646. Zhou Jia-rui,Ji Zhen,Shen Lin-lin,et al.. Face recognition using Gabor wavelets and Memetic algorithm[J]. Acta Electronica Sinica,2012,40(4): 642–646.

[4]高濤,何明一,戴玉超,等. 多級LBP直方圖序列特征的人臉識別[J]. 中國圖象圖形學報,2009,14(2): 202–207. Gao Tao,He Ming-yi,Dai Yu-chao,et al.. Face recognition using multi-level histogram sequence local binary pattern[J]. Journal of Image and Graphics,2009,14(2): 202–207.

[5]Patel V,Nasraba N,and Chellappa R. Sparsity-motivated automatic target recognition[J]. Applied Optics,2011,50(10): 1425–1433.

[6]Novak L M,Owirka G J,and Brower W S. Performance of 10-and 20-target MSE classification[J]. IEEE Transactions on Aerospace and Electronic Systems,2000,36(4): 1279–1289.

[7]Li W and Du Q. Gabor-Filtering based nearest regularized subspace for hyperspectral image classification[J]. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing,2014,7(4): 1012–1022.

[8]Ojala T,Pietikainen M,and Maenpaa T. Multiresolution gray-scale and rotation invariant texture classification withlocal binary pattern[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence,2002,24(7): 971–987.

[9]Lior W,Tal H,and Yaniv T. Descriptor based methods in the wild[C]. Real-Life Images Workshop at the European Conference on Computer Vision (ECCV),Marseille,France,2008: 1–14.

[10]張文博,姬紅兵. 融合極限學習機[J]. 電子與信息學報,2013,35(11): 2728–2732. Zhang Wen-bo and Ji Hong-bing. Fusion of extreme learning machines[J]. Journal of Electronics & Information Technology,2013,35(11): 2728–2732.

[11]Zhou Y,Peng J,and Chen C. Extreme learning machine with composite kernels for hyperspectral image classification[J]. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing,2015,8(6): 2351–2360.

[12]Moving and Stationary Target Acquisition and Recognition (MSTAR) Public Dataset[OL]. https://www.sdms.afrl. af.mil/datasets/mstar/.

[13]尹奎英,金林,李成,等. 融合目標輪廓和陰影輪廓的SAR 圖像目標識別[J]. 空軍工程大學學報(自然科學版),2011,12(1): 24–28. Yin Kui-ying,Jin Lin,Li Cheng,et al.. An SAR ATR based on fusion of target contour and shadow contour[J]. Journal of Air Force Engineer University (Natural Science Edition),2011,12(1): 24–28.

王 璐(1991–)，女，北京人，2013年獲得北京化工大學通信工程專業(yè)學士學位，同年保送至本校計算機技術(shù)專業(yè)攻讀碩士學位。研究方向為模式識別與圖像處理。

E-mail：beijingpgwl@sina.com

張 帆(1981–)，男，2008年畢業(yè)于中科院電子所信號與信息處理專業(yè)，獲得工學博士學位，同年在中科院電子所從事博士后研究，現(xiàn)為北京化工大學副教授，碩士生導(dǎo)師。主要研究方向為SAR系統(tǒng)模擬、高性能計算、科學可視化等。

E-mail：zhangf@mail.buct.edu.cn

李 偉(1985–)，男，2012年畢業(yè)于美國密西西比州立大學電氣與計算機工程專業(yè)，獲得工學博士學位，同年至美國加州大學戴維斯分校從事博士后研究，現(xiàn)為北京化工大學教授，博士生導(dǎo)師。主要研究方向為模式識別、高光譜圖像分析與應(yīng)用、數(shù)據(jù)壓縮等。

E-mail：liw@mail.buct.edu.cn

謝曉明(1969–)，男，1998年畢業(yè)于華中理工大學信息與通信工程專業(yè)，獲得工學博士學位，現(xiàn)為北京化工大學副教授，碩士生導(dǎo)師。主要研究方向為移動通信技術(shù)、寬帶通信技術(shù)等。

E-mail：xmxie@mail.buct.edu.cn

胡 偉(1979–)，男，2006年畢業(yè)于清華大學計算機系，獲得工學博士學位，現(xiàn)為北京化工大學副教授，碩士生導(dǎo)師。主要研究方向為真實感圖形實時繪制、圖像與視頻處理等。

E-mail：huwei@mail.buct.edu.cn

A Method of SAR Target Recognition Based on Gabor Filter and Local Texture Feature Extraction

Wang Lu Zhang Fan Li Wei Xie Xiao-ming Hu Wei
(College of Information Science and Technology,Beijing University of Chemical Technology,Beijing 100029,China)

This paper presents a novel texture feature extraction method based on a Gabor filter and Three-Patch Local Binary Patterns (TPLBP) for Synthetic Aperture Rader (SAR) target recognition. First,SAR images are processed by a Gabor filter in different directions to enhance the significant features of the targets and their shadows. Then,the effective local texture features based on the Gabor filtered images are extracted by TPLBP. This not only overcomes the shortcoming of Local Binary Patterns (LBP),which cannot describe texture features for large scale neighborhoods,but also maintains the rotation invariant characteristic which alleviates the impact of the direction variations of SAR targets on recognition performance. Finally,we use an Extreme Learning Machine (ELM) classifier and extract the texture features. The experimental results of MSTAR database demonstrate the effectiveness of the proposed method.

SAR target recognition; Gabor filter; Three-Patch Local Binary Patterns (TPLBP); Feature extraction

s: The National Natural Science Foundation of China (61302164),The Fundamental Research Funds for the Central Universities (YS1404),The Beijing Higher Education Young Elite Teacher Project (YETP0500)

TP751

A

2095-283X(2015)-06-0658-08

10.12000/JR15076

10.12000/JR15076.

2015-06-17；改回日期：2015-10-16；網(wǎng)絡(luò)出版：2015-11-06

張帆 zhangf@mail.buct.edu.cn

國家自然科學基金(61302164)，中央高校基本科研業(yè)務(wù)費專項資金(YS1404)，北京高等學校青年英才計劃(YETP0500)

引用格式：王璐,張帆,李偉,等. 基于Gabor濾波器和局部紋理特征提取的SAR目標識別算法[J]. 雷達學報,2015,4(6): 658–665.