合成孔径雷达图像中目标识别方法的实现

合成孔径雷达图像中目标识别方法的实现ImplementationoftargetrecognitionmethodsinSARimages本课题研究的目的、意义及国内外研究概况。研究目的意义：近三十年来，遥感技术得到了飞速的发展，而合成孔径雷达(SyntheticApertureRadar,SAR)作为微波遥感的代表，对比于传统光学、红外等遥感技术，在具有大面积的数据获取能力以及高分辨率的同时，还具有全天时、全天候以及对云层、雾层、地表植物等有一定穿透性的特点，使其在军事、民用的很多领域有着广泛的应用。SAR能够提供全天候条件下的详细的地面测绘资料和图象，这种能力对于现代侦察任务是至关重要的，也是SAR最值得推崇的优越之处。在恶劣气候下雷达是一种合适的探测传感器，其它的传感器在这种环境下不能很好地工作。SAR能够昼夜工作并且能够穿透尘埃、烟雾和其它一些障碍。虽然红外一RI传感器也能够在夜间工作，但是它同其它电光传感器一样，不能在严酷恶劣的气候下产生清晰的图象。SAR具有防区外探测能力，即可以不直接飞越某一地区而能对该地区进行地图测绘。因此，SAR比起一般红外和电光传感器具备更远距的工作能力。另外，与红外和电光传感器不同，SAR的分辨力与距离是无关的，它不会随着距离的增加而降低。鉴于SAR图像正越来越多的应用于军事和民用的各个领域，许多国家的研究机构都致力于SAR自动目标识别系统(AutomaticTargetRecognition,ATR)的研究与开发。目前,世界各主要国家均竞相研究SAR图像的自动目标识别系统,而中国该方面的研究相对滞后,研究并建立自主知识产权的SAR图像自动目标识别系统对中国的国防建设是尤为迫切和重要的。国内外研究概况：合成孔径雷达是上世纪50年代初由美国GoodyearAerospace公司CarlWiley首先提出：利用频率分析方法可以改善雷达的角分辨率。1953年夏，美国密西根大学暑期讨论会上，学者们提出了载机运动可以将雷达的真实天线合成为大孔径的线性天线阵列的新概念。由于SAR图像目标识别在军事上的重要意义，目前世界各国都非常重视这方面的研究，典型的如美国、俄罗斯、德国等，其中尤以美国这方面的研究处于国际领先地位。当前发展较快的SAR图像的目标识别应用系统主要有：①美国陆军实验室(AmericaArmyLaboratory，ARL)的SARATR系统；②美国麻省理工学院林肯实验室基于模板的SARATR系统；③美国运动和静止目标获取与识别(MovingandStationaryTargetAcquisitionandRecognition,MSTAR)计划的基于模型的SARATR系统；④美国Sandia国家实验室的SARATR系统；⑤“北约”组织的RG20项目。国内有关SAR图像的目标识别研究起步较晚，主要的研究单位有：中国科学院电子学研究所、中国科学院遥感所、国防科技大学ATR实验室、华中理工大学图像识别研究所、西安电子科技大学智能信号处理研究所、中国民航学院、北京理工大学、北京航空航天大学等，它们在SAR图像的地物分割、分类和匹配以及舰船、桥梁、道路的识别等方面取得了一定的成果。但是与国外相比，还有相当大的差距。研究内容合成孔径雷达(SAR)在环境监测、资源勘探及军事领域得到广泛应用，合成孔径雷达图像因其良好的穿透性比光学图像包含更丰富的内容，对合成孔径雷达图像解译可以获得覆盖区域的相关信息和知识。目标识别是合成孔径雷达图像解译和分析的重要过程，识别过程主要包括检测、鉴别和识别三个阶段。毕业设计通过分析合成孔径雷达图像中目标识别方法的基本原理，应用matlab实验程序设计和实现合成孔径雷达图像中目标识别方法。1.合成孔径雷达图像中目标识别方法基本步骤SAR图像目标识别系统，主要包括以下三个阶段：检测、鉴别和识别，SAR图像目标识别系统的目的是在没有人工直接干预的情况下，在较短的时间内检测出目标的位置并辨识出目标的种类。典型目标识别系统一般由以下模块构成：预处理模块，此模块完成的功能是对待识别图像进行噪声抑制，去除由SAR成像机理固有的相干斑噪声，提高后续模块的可靠性。检测模块，该模块的作用是从大范围的图像中找出可能存在目标的感兴趣区域(RegionofInterest，ROI)，从SAR图像中筛选出候选目标区域完成定位潜在目标区域，并且去除背景杂波，能降低后续阶段算法的负载，提高系统的效率。鉴别模块，在这一模块中准确定位候选目标，提取其特征(如纹理，尺寸，对比度，不变矩，线特征等)并排除人工和自然纹斑噪声造成的虚警，对目标区域进行特征提取，组成特征向量，准备特征匹配，鉴别模块的特征提取是系统的核心，也是我们研究内容的一部分。识别模块，对提取出的目标特征和数据库内模型切片的已有特征匹配，采用合适的匹配算法，以达到对目标进行识别的目的。数据库，包括目标样本数据库，目标特征库，仿真数据库和遥感、先验知识库。目标数据库是我们用来存放采集到的目标的库，在一般SAR目标识别系统中，目标库的容量比较大；目标特征库的作用是从中抽取出用于匹配的特征；仿真数据库的内容是根据卫星参数和地面物体的形状，尺寸等参数，通过计算机模拟雷达回波数据而得到目标理论模型；遥感先验知识库用于存放己知的遥感信息参数。预处理模块预处理模块检测模块鉴别模块识别模块解释结果输出遥感知识库先验知识库目标特征库目标样本库目标仿真库SAR成像数据匹配数据库操作图1-1SAR自动目标识别系统结构图2.SAR成像原理及SAR图像特点2.1SAR成像原理SAR是一种高分辨率相干成像雷达，它的工作原理类似于相机，只是SAR利用天线向目标发射能量和接收从目标返回的能量，并用数字设备记录所成图像。孔径指天线长度，SAR系统通过卫星或飞机的向前运动构成合成孔径，即合成一个长的天线，只要目标被发射能量照射到或位于波束宽度之内，该目标就会被成像。距离向：距离向：Range/CrossTrack方位向：Azimuth/AlongTrack图图2.1(a)高高度地距斜距入射角Ө方位向距离向图2.1(b)图2.1是SAR系统成像的几何示意图，图中天线照射方向和飞行方向垂直，入射角为Ө。沿雷达视线的坐标称为距离（range），和距离向正交的坐标称为方位（azimuth）。雷达平台可以是机载或星载平台，随着平台沿方位向以固定的速度前进，雷达以固定的间隔向雷达照射区域发射电磁脉冲，在目标通过由小天线生成的波束时，记录相应回播（包括信号的强度和相位信息），对目标的多次观测结果以合成的长天线方式处理。在成像雷达照射的范围内，被照射的两个目标在距离向和方位向都相隔一定的距离，分辨率是描述雷达判别在空间上相邻的目标的最小距离，定义了能分离目标并能作为独立目标识别的距离。雷达分辨率定义在两个方向上：平行于雷达飞行方向的分辨率称为方位分辨率，垂直于飞行方向的分辨率称为距离分辨率。距离分辨率直接与雷达发射信号的脉冲长度有关，脉冲长度越短（即频率越高），距离分辨率越高。尽管短的脉冲长度会增大距离分辨率，但短脉冲照射目标的能量也会降低，使回波信号太弱难以记录下来，因此不使用短脉冲，而是通过脉冲压缩技术来提高距离分辨率的。SAR的方位分辨率和天线的孔径大小有关，孔径越大，则方位分辨率越高。为了在小孔径天线的情况下得到高的方位分辨率，采用合成孔径技术。合成孔径以多普勒移频频率和基准频率，可以使多个回波聚焦于单个的目标点，因此有效地增加了成像目标点的天线长度。这表明SAR系统是相干系统，即要求雷达的发射信号、接收信号、记录信号和基准信号之间，除了具有有用信息的相位变化外，没有随时间变化的相位差。SAR系统应该具有良好的相干性，因为系统不仅需要信号的幅度信息，还需要相干信号的相位信息来提高分辨率并成像。同时相干信号的叠加会造成成像结果上周期性出现的斑点（speckle）噪声，影响了对图像的处理、理解，所以去除斑点噪声是SAR图像处理中重要而基本的一个步骤。SAR在距离向它通过发射宽带信号，接收时采用各种脉冲压缩技术获得高的径向(距离向)分辨率：在获得方位向分辨率的方法上，合成孔径成像是利用雷达与目标之间的相对运动所产生的目标上两个相邻位置间的多普勒频移增量(也可以称等效极大孔径)来实现。常规雷达实孔径天线的横向距离分辨率为：δ=R(2-l)其中=kλ/D(2-2)这里，R为雷达与目标间的距离，为天线的波束宽度，λ为波长，D为天线孔径，k是与天线加权或天线孔径上的电流有关的常数，一般取0.88(此时相当于均匀孔径权)。可见，波束越窄，横向分辨率就越好。而想要波束窄，就要求大的天线孔径或提高雷达工作频率。但是，往往在工作频率很高时，达到和保持允许的天线机械和电气公差非常困难，或者由于体积和重量等限制，使实孔径天线不可能获得非常窄的波束。显然，天线孔径D越大，对目标的分辨率越高。但是由于实现上的困难，我们不能无限制地增大天线孔径，因而普通雷达的目标分辨率是相当有限的。合成孔径雷达能具有很高的横向分辨率是通过雷达载体(如飞机，卫星等)运动形成一个巨大的有效天线孔径获得的。等效天线孔径Le的联合合成孔径天线波束宽度可近似地表示为(2-3)分母中的2表示合成孔径天线“阵元”到目标电波往返传播了双程距离，由于双程路径，合成阵列的等间隔阵元之间的相位差等于同样间隔的阵列处于单纯“接收”状态时的两倍。合成孔径的最大有效长度并不是无限的，是受被载雷达的实孔径天线对于距离R处的照射范围宽度限制的，有效孔径长度Le不能比式(2-l）给出的照射范围宽度更大，于是，注意该最大有效长度随距离变化。设想用孔径为l的小真实天线的运动来等效地构成一个长天线。可证明，若能满足一定的条件就可以在运动方向上获得一个等效的大的天线孔径(称为合成孔径)L，则雷达对目标的分辨率将提高L/l。从效果上看，SAR等效于空间上的一个长的天线，实际上该天线并不存在，而是由雷达传感器位置的顺移形成的，这就是合成孔径的概念。传统的SAR成像是将雷达回波信号采用匹配滤波方法实现距离、方位二维脉冲压缩，在方位向是通过合成孔径的多普勒“相干积累”实现脉冲压缩，距离向是通过发射并接收线性调频脉冲实现脉冲压缩，从而达到很高的二维成像分辨率。这种成像方法的一个基本假设是观测场景中任一给定点的雷达回波是各向同性的，即在SAR收集数据时间段内，目标处所有不同方位的回波强度将保持为常数，与方位角无关，回波数据的不同仅仅由目标至SAR飞行路径上不同数据收集位置之间的距离延时引起的。这一假设表明，传统SAR成像能有效地增强散射回波呈各向同性物体的能量。目然界中的物体，如植被、海洋等，其回波通常呈现各向同性，雷达接收的回波数据经传统SAR成像能有效聚焦为一个亮点。然而对于人造目标，如船只、车辆等，其散射回波特性不满足上述基本假设。不难假设，人造目标特别是金属目标正侧所在的方位散射回波是高强度的，远大于自然杂波强度，这个假设已经为众多的文章分析证实。也就是说，人造目标的方位角响应呈现一个高强度的窄峰，散射能量集中在某一小段合成孔径上，而自然背景杂波分布是各向同性的，其杂波能量更为均匀地分布于整个合成孔径。2.2SAR图像的特点目标边缘模糊，这是由于雷达波反射不均匀造成的，图像分辨率较低，虽然合成孔径雷达相对其他雷达分辨率是较高的，但SAR图像中的目标物相对于地面物体仍然分辨率不高，难以识别，本文识别系统使用的星载合成孔径雷达成像的分辨率约5而像素，待识别目标在图像中仅呈现为几个像素；图像对地面物体的敏感度不高，一般光学图像成像结果层次感强，而SAR所成图像对地物回波的强弱不敏感，层次感较差；SAR图像中的目标物成像结果呈比较离散的形式，边缘一般不连续，这也给后面的边缘特征提取带来了一些困难；背景斑纹杂波较多，如上所述，是因为自然背景目标散射系数较小，散射表现为各向同性，均匀散射的结果；人造目标物反应为强的电磁信号回波，由于其散射系数较强;自然目标回波较弱，基本被吸收，在图像上表现为低灰度值；由SAR图像的可以看出其背景区域占整幅图像的比例较高，而目标区域在图像中占有面积较小，含目标区域和背景区域灰度均值和方差有明显的差异，利用这一信息将有助于我们提取潜在目标区域，这将在后面的SAR图像预处理当中进一步阐述。3.SAR图像相干斑抑制SAR图像相干斑抑制的方法有成像前的多视处理技术和成像后的滤波技术两大类。多视处理技术在距离向或方位向上分割SAR系统频带，把每一部分产生的较低分辨率的单视图像所对应的像素进行非相干迭加，平均后得到多视图像，此过程可平滑掉相干斑点噪声，但是要以牺牲图像空间分辨率为代价。随着SAR图像应用的不断扩展，对其空间分辨率的要求不断提高，多视处理技术不能满足高分辨率的要求。成像后的滤波技术从上世纪80年代开始得到了国内外众多研究者的关注，提出了许多经典的相干斑滤波方法，它们又可以分为空间域滤波技术和频率域滤波技术两个分支，其中以前者为基础的相干斑抑制方法大量出现，成为研究的主流。本章在对SAR图像相干斑噪声的机理、模型和特性介绍的基础上，主要分析和研究SAR图像斑点噪声的空间域滤波技术。3.1相干斑特性相干斑噪声是雷达图像所固有的，其成因要从雷达的成像原理和回波信号的统计特性来分析。合成孔径雷达工作在微波波段，分辨单元总是比发射信号的波长大得多，对分布目标而言每个分辨单元都可以看作由许多尺寸与波长相近的散射体组成，这一单元的总回波是各散射体回波的矢量叠加。由于采用相干微波源进行照射，所以各散射点的回波是相干叠加，造成合成矢量的振幅和相位都有一定的起伏，而且其幅度和相位与回波的方向有很大关系。这样，当相干电磁波照射实际目标时，其散射回来的总回波并不完全由地物目标的散射系数决定，而是围绕这些散射系数值有很大的随机起伏，使SAR对目标散射系数的测量产生很大偏差，使最终得到的图像出现相干斑噪声。形象地讲，SAR图像上原本具有常数后向散射系数的均匀同质区域，其灰度并不均匀，而是围绕某一均值有随机起伏，造成像素间出现亮度变化，形成相干斑噪声。3.2相干斑噪声模型SAR图像的强度观测值、分辨单元的期望反射强度和相干斑之间的关系是一种相当复杂的非线性关系，在简单的假设下，SAR图像中可观测到的强度值可以简化为地面分辨单元期望反射强度和与之不相关的斑点噪声之积，即为乘积模型，表示为:I(t)=R(t)*u(t) (3-1)其中t=(i,j)是图像的空间坐标，表示实际地面的一个分辨单元，I(t)是在t=(i,j)的图像观测强度，R(t)表示分辨单元的期望反射强度，u(t)表示相干斑噪声，与R(t)独立，其均值为u=1，方差var(u)与图像视数有关。3.3相干斑统计特性SAR的回波是一个复变量，均匀区域的单极化SAR回波是一个复多元高斯随机变量，也就是说实部和虚部的幅值服从高斯分布，并且其均值为零。由于均匀区域的纹理因子为常数，因此其回波的统计特性实际上就是相干斑的统计特性。设x，y分别为均匀区域相干斑的实部和虚部的幅值，则x，y服从均值为零，方差为正态分布。因此相干斑强度u为：（3-2）可证明u服从指数分布，其概率密度函数(PDF)为：u>0其它 (3-3)u>0其它其数字特征为：,由乘性模型可知：E(u)=1，所以。u>0其它所以相干斑强度uu>0其它 （3-4）A>0其它容易推得相干斑幅度的PDF为：A>0其它 (3-5)这是瑞利分布，其数字特征为：,多视处理后相干斑的强度u为： （3-6）u>0其它u>0其它 （3-7）这是一个Gamma分布，即u～Γ(L，L)，其数字特征为：E(u)=1，var(u)=1/L （3-8）多视处理后的相干斑幅度，可以证明A的PDF为：A>0其它 (3-9)A>0其它这是Chi分布，其数字特征为：， （3-10）3.4相干斑噪声的乘积模型SAR图像的强度观测值、目标的RCS值和相干斑噪声之间的关系是一种很复杂的非线性关系。在最简单的假设下，高分辨率SAR图像中可观测到的强度值可以简化成地面分辨单元内各散射中心的平均RCS和与之不相关的斑块噪声之积，称之为乘积模型。表示为：I=wn （3-11）其中，I表示图像强度(观测值)，w表示地面分辨单元的平均RCS（未受污染的理论值），n表示斑点噪声。归一化斑点噪声n的数学期望等于1，方差与图像的等效视数有关，等于1/L。所谓滤波，就是在已知强度I的情况下，求w的过程。3.5Lee滤波器在Lee滤波器，使用的模型：I=w+w(n-1) （3-12）Lee滤波器通过线性逼近，将噪声模型由乘性变为加性，从而可以将加性噪声滤波器应用到乘性噪声中。由噪声的乘性模型可知，通过估计被噪声污染的图像局部的局部均值和方差var(I)，由此可以得到去除噪声后的图像的均值和方差var(w)。通过关于(w,n)的一阶泰勒展开，根据线性最小均方差（LMMSE）估计准则，Lee得到了w的估计： (3-13)其中，给出强度I的方差var(I)、反射系数w与归一化斑点噪声n之间的关系如下：（3-14）写成下面的形式： （3-15）由于，n的数学期望等于1，且w与n不相关，有，所以，可得：和因为，在均匀区域内，有，所以 (3-16)于是得，在均匀区域内相干斑的方差为： （3-17）图3-1SAR图像a图3-2Lee滤波效果图a图3-3SAR图像b图3-4Lee滤波效果图b图3-3、图3-4分别为对图3-1、图3-2的SAR图像进行lee滤波后的图像。Lee滤波方法的优点是计算简单，速度快，只要知道斑点噪声的先验均值和方差，就可以运用此方法进行滤波，缺点是边缘区域的斑点噪声没有得到很好的平滑：在选择较小窗口的情况下，可得到较好的效果，但随着处理窗口的增大，会使图像边沿模糊，损失掉一些细节信息。3.6Kuan滤波器由乘性模型及局部线性最小均方差估计准则，得到Kuan滤波器为： (3-18)其中，是w的局部均值估计，var(w)是w的局部方差估计。由于，则有： (3-19)其中。图3-5Kuan滤波效果图a图3-6Kuan滤波效果图b图3-5、图3-6分别为对图3-1、图3-2的SAR图像进行Kuan滤波后的图像，由图2-5可以看出，Kuan滤波方法在灰度变化较为平缓的区域，噪声平滑效果较好，但是对于纹理信息较丰富或灰度分布有较明显改变的边缘区域而言，相干斑噪声的抑制效果不够理想。如果能够在滤波窗口内选取包括中心像素在内的相对均匀区域作为滤波区域，则更加符合Kuan滤波方法的思想。3.7基于Gamma分布的MAP滤波根据上述的乘积模型，可以得到强度、RCS以及相干斑噪声之间的一、二阶距的关系。由于地面分辨单元内各散射中心的RCS和与相干斑噪声是不相关的，所以有 （3-20）由于，且噪声的均值和方差分别为E(n)=1，（L为视数），则有(3-21)其中，、、分别指强度I、RCSw以及斑点噪声n的归一化方差。通过上式可以得到：。由Bayes准则可知， (3-22)其中，p(w|I)是基于实测强度I的条件后验概率分布，p(I|w)是受到污染的强度概率密度分布函数，p(w)是RCS的先验概率分布函数。因此，滤波可以看成是已知观测强度I估计期望反射强度w的最大后验概率（MAP）问题。由于p(I)与w无关，因此可以不用考虑。于是，有： （3-23）即，如果已知p(I|w)和p(w)，就可以求出p(w|I)。一般地，认为高分辨SAR图像的RCS服从Gamma分布： (3-24)其中v为阶参数，为RCS的均值。对于单通道单极化L视SAR数据，p(I|w)可表示为：（3-25）则有： (3-26）对上式两边取自然对数：（3-27）再将其对w求导数，令。可得 （3-28）另外，由于，则有(3-29)其中，均值可用所选取的窗口内的像素平均值来代替，即，阶参数v为：，图3-7GammaMap滤波效果图a图3-8GammaMap滤波效果图b图3-7、图3-8分别为对图3-1、图3-2的SAR图像进行GammaMap滤波后的图像。3.8Frost滤波的方法Frost于1982年提出这种滤波方法，这种方法假定斑点噪声是乘性噪声模型，并假设SAR图像和噪声都是平稳的，根据最小均方误差(MMSE)准则来估计x，滤波的参数由局域方差系数决定。假设滤波器的冲激响应为m，相应的传输函数为M(f)，有 （3-30）均方误差 （3-31）为了获取最小的均方误差ε，可以把滤波器的传输函数写成 （3-32）信号z的自相关函数和双边功率谱密度的形式如下： （3-33） （3-34）其中a是一个常数因子。白噪声v的自相关函数和双边功率谱密度的形式分别如下： （3-35） （3-36）将式(3-33)、式(3-35)代入式(3-31)中，得到了滤波器的冲激相应为 （3-37）其中滤波参数α可以从下式得出 （3-38）从而能推导出滤波参数α与图像方差系数有如下关系 （3-39）则可以得到Frost滤波方法的表达式为 （3-40）其中为滤波窗口内各像素的灰度值，为窗口内各像素的权值 i=1,…,n (3-41)图3-8Frost滤波效果图a图3-10Frost滤波效果图b图3-9、图3-10分别为对图3-1、图3-2的SAR图像进行Frost滤波后的图像。Frost滤波方法是在假定乘性噪声模型，并且假设SAR图像是平稳过程的基础上，推导出来的滤波算法，这对于均质区域是合理的，但对于异质区域，假设不再适用，此时边缘保持能力有所下降，图像会变得模糊。4、SAR图像特征提取4.1特征提取与选择的基本理论与准则通过对对象进行测量，可以得到对象的一种描述，即用测量空间的一个点来表示这个对象。如一个物体的图像，可以用二维的灰度矩阵来表示。显然一般情况下不能直接使用这样的测量值，在测量空间中进行分类器的设计。首先因为测量空间的维数很高(每个象素点就是一维)，不适宜于分类器的设计。更重要的是因为这样的描述并不能直接反映对象的本质，且它随摄像机位置、照度等因素的变化而变化。为了进行分类器设计，需要把图像从测量空间变换到维数大大减少的特征空间，被研究的图像在这个特征空间中就由一个特征向量来表示。特征形成根据被识别的对象产生出一组基本特征，可以使计算出来的，也可以使仪表或传感器测量出来的测量值，很多情况原始测量就可以作为原始特征，而有些情况则需要计算得出一组原始特征。特征提取原始特征的数量可能很大，或者说样本是处于一个高维空间中，通过映射(或变换)的方法可以用低维空间来表示样本，这个过程较特征提取。映射后的特征叫二次特征，他们是原始特征的某种组合(通常是线性组合)。所谓特征提取在广义上就是指一种变换。若Y是测量空间，X是特征空间，则变换A:Y~X就叫做特征提取器。特征选择从一组特征中挑选出一些最有效的特征以达到降低特征空间维数的目的，这个过程叫特征选择。有时特征提取和选择并不是截然分开的。例如，可以先将原始特征空间映射到维数较低的空间，在这个空间中再进行选择以进一步降低维数。也可以先经过选择取掉那些明显没有分类信息的特征，再进行映射以降低维数。为有效实现特征提取与选择，需要首先制定特征提取与选择的准则，可直接以反映类内类间距离的函数作为准则，也可以使用类别判决函数作为准则，还可以构造与误判概率有关的盘局来刻画特征对分类识别的贡献或者有效性。4.2纹理特征纹理定义:任何事物构成成分的分布或特征，尤其是涉及外观或触觉的品质。反映一个区域内象素灰度级的空间分布的属性。特点:常具有周期性，可提供区域的平滑、稀疏、规则性等特性。区域描绘的一种重要方法是将区域的纹理量化。一般来说，纹理图像中灰度分布具有某种周期性，即便灰度变化是随机的，它也具有一定的统计特性。这种描绘提供了对诸如平滑度、粗糙度和规律性等特性的度量。在图像处理中用于描述区域纹理的3种主要方法是统计方法、结构化方法和频谱方法。（a）统计方法指诸如平滑、粗糙、粒状等纹理的特征描述。（b）结构化技术处理图像元的排列，认为复杂的纹理可由一些简单的纹理基元以一定的有规律的形式重复排列组合而成。诸如基于均匀空间分布的平行线纹理描述。（c）频谱技术基于傅立叶频谱特性，傅里叶频谱中突起的峰值对应纹理模式的主方向;这些峰在频域平面的位置对应模式的基本周期;如果用滤波把周期性成分除去，剩下的非周期成分将可用统计方法描述。4.3二维不变矩特征机器视觉系统在识别图像目标时，一个基本要求是:无论被识别的图像在视场中作何种平移、旋转、放大或缩小，都能正确识别。为解决这个问题，就希望图像特征本身具有不变性。因此，不变性特征的研究一直是感知科学和计算机视觉的研究重点。这方面的研究己取得了一些重要的成果，其中不变矩是一经典的方法。不变矩方法就是通过提取具有平移、旋转及比例不变性的数学特征，从而进行图像识别的算法。Hu首先于1962年提出了连续函数矩的定义和关于矩的基本性质，在Hu研究的基础上，wong进一步给出了离散情况下的各阶矩的计算方法，图像匹配实验结果表明:比例因子的选取对离散不变矩影响较大。针对这一问题，有研究提出了归一化中心矩方法，经过证明一组新的不变矩特征在离散状态下具有平移、旋转及比例不变性。4.4灰度统计特征在实际使用中，我们对互相关法做了一些改进，以达到提高识别速度的要求，下面介绍两种基于图像灰度分布的特征，这些特征直接由SAR图像的灰度得到:（a）椭圆相似矢量特征由于我们需要提取的典型目标多为椭圆形，因此我们构造了椭圆特征矢量，其算法原理如下。在这里我们由样本获得一椭圆形目标物的边缘以生成特征量，由模板和待搜索SAR大图的两组特征矢量求相关系数，根据相关系数与阐值的关系判断模板覆盖下的子图是否为待检测的椭圆目标。（b）栅格特征矢量SAR图像数据目标周围存在噪声干扰，待识别目标边缘不可能和模板精确匹配，一般都会有一些移位，为降低