CN103426001A - Sar图像目标识别方法 - Google Patents

Abstract

本发明公开一种SAR图像目标识别方法，主要解决现有技术的样本特征维数过大，计算复杂，时间消耗长的问题。其实现步骤为：(1)对SAR图像初始化，得到训练样本矩阵和测试样本矩阵；(2)利用Johnson–Lindenstrauss推论和有限等距RIP条件，构造稀疏测量矩阵；(3)根据稀疏测量矩阵，对训练样本矩阵和测试样本矩阵进行降维并归一化，获得归一化后的样本矩阵；(4)根据归一化后的样本矩阵，利用最近邻分类器，得到测试样本的类别标号。本发明与现有技术相比降低了样本的特征维数和计算复杂度，提高了SAR目标识别的精度和运算速度，可用于图像处理。

Description

SAR图像目标识别方法

技术领域

本发明属于图像处理技术领域，特别涉及合成孔径雷达SAR自动目标识别。

背景技术

SAR自动目标识别综合了现在的模式识别理论和信号处理技术，利用计算机对信息进行自动分析，检测，定位，分类和识别目标。SAR图像自动目标识别作为SAR图像解译和分析的重要组成部分，具有重要的民用和军事价值，日益成为国内外图像处理和模式识别领域的研究热点。

SAR图像自动目标识别主要包括三个步骤，图像的预处理、特征提取和目标分类。其中特征提取是目标识别的关键问题，它直接影响着识别的效果。目前为止，国内外对特征提取的研究已日趋成熟并出现了很多特征提取方法，比如基于K-L变换、Radon变换和流形学习等，但它们仍存在特征维数过大，计算复杂，时间消耗长的问题，严重影响了SAR自动目标的识别率。

发明内容

本发明的目的是针对上述现有SAR图像目标识别存在的问题，提出一种快速的SAR图像自动目标识别方法，以有效降低特征维数，提高识别率，降低计算复杂度，减少运行时间。

实现本发明目的技术方案是基于压缩感知理论，利用符合压缩感知RIP条件的随机感知矩阵对多尺度图像特征进行降维，再在降维后的特征集上采用简单的最近邻分类器进行分类，其步骤包括如下：

(1)输入SAR图像，并对其进行Haar小波变换，得到训练样本矩阵X∈R^m×N和测试样本矩阵X′∈R^m×N′，其中，R表示实数集合，m表示原样本的特征维数，N表示训练样本的个数，N′表示测试样本的个数；

(2)根据Johnson–Lindenstrauss推论和RIP条件得出一个稀疏测量矩阵W∈R^n×m，其矩阵元素为：

$w_{\mathrm{ab}}=\sqrt{s}\×\left\{\begin{array}{cc}1& p=\frac{1}{2s}\\ 0& p=1-\frac{1}{s}\\ -1& p=\frac{1}{2s}\end{array}\right.,$

其中，w_ab表示稀疏测量矩阵W的第a行第b列的元素，a∈{1,2,···,n}，n为稀疏测量矩阵的维数，b∈{1,2,···,m}，s为稀疏测量矩阵的量化参数，p为稀疏测量矩阵中元素出现的概率；

(3)将步骤(2)中得到的稀疏测量矩阵W，分别与训练样本矩阵X和测试样本矩阵X′相乘进行降维，得到降维后的训练样本矩阵Z_train∈R^n×N和测试样本矩阵Z_test∈R^n×N′，并对该降维后的训练样本矩阵和测试样本矩阵进行归一化，得到归一化的训练样本矩阵

和测试样本矩阵

(4)对N个训练样本设置类别标号Y∈R^1×N；

(5)计算归一化后的测试样本矩阵

和N个已知类别的训练样本之间的距离：

$d_i\left(x_l^{\′}\right)=\underset{j=\mathrm{1,2},\·\·\·,N}{\min }\left|\right|x_l^{\′}-x_j^{\left(i\right)}\left|\right|$

l=1,2,···,N';

其中，x_l′是归一化后测试样本矩阵

的第l个样本，是训练样本

中的第j个样本，属于类别标号Y中的第i类，c是训练样本的类别数；

(6)将步骤(5)中得到的距离，带入到类别判定公式中，得到测试样本的最终类别标号：

$k=\arg \left[\min \underset{1\≤i\≤c}{d_i}\left(x_l^{\′}\right)\right]$

其中，k是测试样本x_l′的最终类别标号。

本发明具有如下优点：

1、本发明基于压缩感知理论，用一个符合RIP条件的稀疏测量矩阵W分别与训练样本矩阵和测试样本矩阵相乘，得到降维后的特征矩阵，由于该特征矩阵是原样本矩阵从高维空间到低维空间的映射，因而可以完全保持原来样本的特性，有效降低了特征维数，提高了识别率。

2、本发明由于根据Johnson–Lindenstrauss推论和RIP条件得出的稀疏测量矩阵W，因而矩阵结构简单，降低了计算复杂度，缩短了运行时间。

附图说明

图1是本发明的流程图。

具体实施方式

参照图1，本发明的具体实施步骤如下：

步骤1、输入SAR图像，并对其进行Haar小波变换，得到训练样本矩阵和测试样本矩阵。

(1a)输入MSTAR数据库中俯角为1７°时的N幅SAR目标图片作为训练样本，输入MSTAR数据库中俯角为1５°时的N′幅SAR目标图片作为测试样本；

(1b)对输入的N幅训练样本图像和N′幅测试样本图像分别进行Haar小波变换，得到所有图像的小波低频系数，并将其按列拼接，得到SAR图像训练样本矩阵X=(x₁,x₂,...,x_N)∈R^m×N和测试样本矩阵X′=(x₁′,x₂′,...,x_N′′)∈R^m×N′，其中m表示一幅SAR图像的低频系数个数，R表示实数集合，在本发明实例中，N＝698，N′＝1365，m＝1024；

步骤2、构造稀疏测量矩阵W

根据RIP条件生成一个零元素矩阵T^n×m，在该零元素矩阵中随机抽取位置将其赋值为1、0或者-1，得到一个稀疏测量矩阵W∈R^n×m，其具体元素为：

$w_{\mathrm{ab}}=\sqrt{s}\×\left\{\begin{array}{cc}1& p=\frac{1}{2s}\\ 0& p=1-\frac{1}{s}\\ -1& p=\frac{1}{2s}\end{array}\right.,$

其中，w_ab表示稀疏测量矩阵W的第a行第b列的元素，a∈{1,2,...,n}，n为稀疏测量矩阵的维数，b∈{1,2,...,m}，s为稀疏测量矩阵的量化参数，p为稀疏测量矩阵中元素出现的概率，在本发明实例中，n＝230，s＝3。

步骤3、对训练样本矩阵和测试样本矩阵进行降维并归一化。

(3a)将步骤2中得到的稀疏测量矩阵W，分别与训练样本矩阵X和测试样本矩阵X′相乘进行降维处理，得到降维后的训练样本矩阵Z_train∈R^n×N和测试样本矩阵Z_test∈R^n×N′；

(3b)将降维后的训练样本矩阵和测试样本矩阵分别除以两者中的最大值，得到归一化后的训练样本矩阵

和测试样本矩阵

步骤4、对N个训练样本分别设置类别标号，得到类别标号矩阵Y＝(ω₁,ω₂,...,ω_c)，其中，ω₁表示第一类训练样本的类别标号，ω₂表示第二类训练样本的类别标号，ω_c表示第c类训练样本的类别标号，c是训练样本的类别数，c＞1，在本发明实例中，c＝3。

步骤5、计算归一化后的测试样本矩阵

和N个已知类别的训练样本之间的最小距离：

$d_i=\left(x_l^{\′}\right)=\underset{j=\mathrm{1,2},\·\·\·,N}{\min }\left|\right|x_l^{\′}-x_j^{\left(i\right)}\left|\right|$

l=1，2，···，N'；

其中，x_l′是测试样本矩阵

的第l个样本，

是训练样本

中的第j个样本，

的类别标号是ω_i，ω_i∈Y。

步骤6、将步骤5中得到的最小距离，代入到类别判定公式中，得到测试样本的最终类别标号：

$k=\arg \left[\min \underset{1\≤i\≤N}{d_i}\left(x_l^{\′}\right)\right],$

其中，k就是测试样本x_l′的最终类别标号。

本发明的效果通过以下仿真进一步说明：

1、仿真条件与内容：

实验使用的软件平台为MATLAB7.1；

使用的MSTAR数据库是由美国DARPA/AFL MSTAR项目组提供的实测SAR地面静止目标数据，它是当前SAR目标识别性能评估的一个公开数据库，其包括：BMP2型号的装甲车、BMP70型号的装甲车、T72型号的主战坦克，成像分辨率是0.3m×0.3m，方位角覆盖范围是0～36０°，图像大小为128×128，实验使用的训练样本是目标在俯仰角为1７°时的成像数据，测试样本是目标在俯仰角为1５°时的成像数据，如表1所示。

表1实验所使用的训练样本和测试样本的类型和样本数

2、仿真内容与结果：

用现有的小波域系数、主分量分析方法和本发明在MSTAR数据库上进行实验，为了便于对比，都采用最小距离分类器，进行仿真比较，仿真结果如表2所示。

表2三种方法对MSTAR数据库在维数、时间和识别率上的对比

从表2可以看出，本发明与小波域系数方法相比，有效降低了特征维数，缩短了运行时间，提高了识别率；主分量分析法虽然降低了特征维数，但是计算复杂，运行时间较长，不如本发明的识别性能好。

Claims (2)

1.一种SAR图像自动目标识别方法，包括如下步骤：

(1)输入SAR图像，并对其进行Haar小波变换，得到训练样本矩阵X∈R^m×N和测试样本矩阵X′∈R^m×N′，其中，R表示实数集合，m表示原样本的特征维数，N表示训练样本的个数，N′表示测试样本的个数；

(2)根据Johnson–Lindenstrauss推论和RIP条件得出一个稀疏测量矩阵W∈R^n×m，其矩阵元素为：

$w_{\mathrm{ab}}=\sqrt{s}\×\left\{\begin{array}{cc}1& p=\frac{1}{2s}\\ 0& p=1-\frac{1}{s}\\ -1& p=\frac{1}{2s}\end{array}\right.,$

其中，w_ab表示稀疏测量矩阵W的第a行第b列的元素，a∈{1,2,...,n}，n为稀疏测量矩阵的维数，b∈{1,2,...,m}，s为稀疏测量矩阵的量化参数，p为稀疏测量矩阵中元素出现的概率；

(3)将步骤(2)中得到的稀疏测量矩阵W，分别与训练样本矩阵X和测试样本矩阵X′相乘进行降维，得到降维后的训练样本矩阵Z_train∈R^n×N和测试样本矩阵Z_test∈R^n×N′，并对该降维后的训练样本矩阵和测试样本矩阵进行归一化，得到归一化的训练样本矩阵和测试样本矩阵

(4)对N个训练样本设置类别标号Y∈R^1×N；

(5)计算归一化后的测试样本矩阵

和N个已知类别的训练样本之间的距离：

$d_i=\left(x_l^{\′}\right)=\underset{j=\mathrm{1,2},\·\·\·,N}{\min }\left|\right|x_l^{\′}-x_j^{\left(i\right)}\left|\right|$

,，l＝1,2,...,N′；

其中，x_l′是归一化后测试样本矩阵

的第l个样本，

是训练样本

中的第j个样本，属于类别标号Y中的第i类，c是训练样本的类别数；

(6)将步骤(5)中得到的距离，带入到类别判定公式中，得到测试样本的最终类别标号：

$k=\arg \left[\min \underset{1\≤i\≤c}{d_i}\left(x_l^{\′}\right)\right]$

其中，k是测试样本x_l′的最终类别标号。

2.根据权利要求1所述的SAR目标识别方法，其中步骤(3)所述的对降维后的训练样本矩阵和测试样本矩阵进行归一化，是将降维后的训练样本矩阵Z_train和测试样本矩阵Z_test分别除以两者中的最大值。