CN103969634A - 基于全极化属性散射中心模型的目标属性特征提取方法 - Google Patents
基于全极化属性散射中心模型的目标属性特征提取方法 Download PDFInfo
- Publication number
- CN103969634A CN103969634A CN201410178887.3A CN201410178887A CN103969634A CN 103969634 A CN103969634 A CN 103969634A CN 201410178887 A CN201410178887 A CN 201410178887A CN 103969634 A CN103969634 A CN 103969634A
- Authority
- CN
- China
- Prior art keywords
- scattering center
- matrix
- scattering
- polarization
- psi
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
- G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
- G01S7/41—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
- G01S7/411—Identification of targets based on measurements of radar reflectivity
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
- G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
- G01S7/024—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using polarisation effects
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明属于雷达技术,涉及一种雷达目标属性特征提取方法,公开了一种基于全极化属性散射中心模型的目标属性特征提取方法,其实现过程是:首先利用噪声样本建立散射中心强度门限,在雷达图像中进行强散射中心检测,并确定散射中心参数的取值集合;然后根据属性散射中心模型构建字典,通过对目标的极化分解系数矩阵分别施加行稀疏约束与矩阵稀疏约束,利用坐标轮回下降法对极化分解系数矩阵与极化散射机理矩阵进行优化,进而可得目标属性散射中心参数及其极化特征。本发明能在属性散射中心重叠情况下有效提取目标属性散射中心及其极化特征,可用于雷达目标分类识别。
Description
技术领域
本发明属于雷达技术,涉及一种雷达目标属性特征提取方法,特别涉及一种基于全极化属性散射中心模型的目标属性特征提取方法,可用于目标属性特征(包括属性散射中心、极化特征)提取,为目标分类识别提供重要的特征信息。
背景技术
雷达图像解译在雷达自动目标识别领域中受到越来越多的重视,其中目标或目标部件的提取与分类对合成孔径雷达自动目标识别具有重要意义。传统雷达成像以及自动目标识别是以点散射模型为基础的,该模型只包含目标散射系数与位置信息,但仅利用目标散射点强度与位置信息构建的识别特征并不能完备表征雷达图像中目标的本质属性。基于几何绕射理论和物理光学理论,Michael J.Gerry和Lee C.Potter提出了一个适用于合成孔径雷达的参数化模型—属性散射中心模型。属性散射中心模型用一组参数描述每个散射中心的位置、形状、方向以及幅度等,这些属性参数提供了关于目标的重要信息;同点散射模型相比,属性散射中心模型包含了更丰富的、反映目标物理特性的特征,更适用于对雷达图像解译与目标或目标部件的分类与识别。单极化雷达为目标特征提取提供信息有限,而全极化雷达能够提供目标精细的信息,如目标散射特性信息,所以全极化与属性散射中心模型的结合更有助于目标特征提取与目标识别。
基于全极化属性散射中心模型进行目标特征提取算法为基于图像分割的近似最大似然算法,该算法通过对全极化合成图像进行图像分割,得到阶数(散射中心个数)较低的目标散射区或者是孤立的散射中心,利用近似最大似然方法估计目标的属性散射中心参数,并通过散射中心的极化散射矩阵及其长度确定散射中心的散射类型。
首先,现有方法利用根据点散射模型得到的雷达图像提取属性散射中心,存在模型失配问题;其次,该类方法是以图像分割为基础的,这类方法要求图像质量较高;此外,当目标某些部件散射强度较弱或者散射中心位置重叠时,通过图像分割方法难以正确检测,这就导致目标的一些重要特征容易丢失;除此以外,现有方法并未充分利用极化信息提取目标极化特征。
发明内容
本发明的目的在于提供一种基于全极化属性散射中心模型的目标属性特征提取方法,以解决现有方法中存在的模型失配和特征易丢失问题。
本发明的技术思路是:雷达图像的全极化观测数据不仅在空域上具有稀疏特性,而且同一分辨单元内散射机理具有稀疏性,即同一分辨单元内散射机理主要由一种或两种主导散射类型组成,由此,对目标的极化分解系数矩阵分别施加行稀疏约束与矩阵稀疏约束,同时提取属性散射中心以及极化特征等属性特征。其中,考虑到极化散射机理字典包含未知参数极化旋转角,本发明采用坐标轮回下降法对极化分解系数矩阵与极化散射机理矩阵进行优化。由最终估计的极化分解系数矩阵与极化散射机理矩阵可以提取属性散射中心的属性特征(属性散射中心参数与极化特征)。通过对属性散射中心的属性特征提取,可以得到目标或目标重要部件的物理信息,更有利于目标部件提取与自动目标识别。
为了达到上述目的,本发明采用一下技术方案予以实现。
一种基于全极化属性散射中心模型的目标属性特征提取方法,其特征在于,包括以下步骤:
步骤1,采集雷达图像,计算雷达图像的噪声强度根据雷达图像的噪声强度设定散射中心的信号强度门限ξ,其中将雷达图像中信号强度大于ξ的像素点确定为散射中心,根据检测到的散射中心坐标(x,y)确定对应的该散射中心长度L与倾斜角最终确定雷达图像中多个散射中心参数构成的集合θ;
步骤2,结合散射中心参数的集合θ,根据属性散射中心模型构建散射中心参数字典D(θ)
D(θ)=[d1,…,di,…,dN]
其中,i表示散射中心参数字典的原子序号,N表示散射中心参数字典的原子个数,di为散射中心参数的集合θ中第i个元素对应的归一化原子,表示为:
其中,vec(·)表示列向量化操作,||·||2为2范数算子,exp(·)为自然指数函数,sinc(·)为辛克函数,f为雷达发射信号频率,φ为雷达波束方位角,c为光速;
进一步地,全极化属性散射中心模型的矩阵形式表示为:
偶极子:pi,1(ψi)=[cos2(ψi),sin(ψi)cos(ψi),sin(ψi)cos(ψi),sin2(ψi)]
偶次散射体:pi,2(ψi)=[cos(2ψi),sin(2ψi),sin(2ψi),-cos(2ψi)]
奇次散射体:pi,3(ψi)=[1,0,0,1]
左螺旋:
右螺旋:
其中,C为目标极化分解系数矩阵,其行向量ci为di对应的属性散射中心的五种散射体下的极化分解系数,即目标极化分解系数矩阵C的第i行元素,i=1,2,…N,N为散射中心个数;Pi(ψi)为di对应的极化散射机理矩阵,ψi为其极化旋转角,pi,k(ψi)为第k种散射机理对应的极化散射系数向量,k=1,2,3,4,5;Z为全极化观测矩阵;n为噪声信号;
步骤3,对目标极化分解系数矩阵C施加行稀疏约束λ1||C||2,1与矩阵稀疏约束λ2||C||1,构造如下式所示的稀疏信号的恢复优化方程,求解未知量目标极化分解系数矩阵C与极化散射机理矩阵Pi(ψi);
其中,||·||F为矩阵范数算子,||·||2为向量的l2范数,|·|为绝对值算子,||·||2,1为矩阵的l2,1范数,λ1为行稀疏约束正则化参数,0<λ1<1;||C||1为矩阵的l1范数,λ2为矩阵稀疏约束正则化参数,0<λ2<1;
步骤4,由极化分解系数矩阵C确定其非零行对应的标号集合Λ,得到属性参数的估计集合由下式表示;
其中θi为集合θ的第i个元素;
步骤5,由所述极化分解系数矩阵C与属性散射中心长度L确定属性散射中心的散射类型,
其中, 由ci中元素ci,k>η的元素标号k确定ci对应散射中心的散射类型,i∈Λ,η为极化分解系数门限,设为
当k=1时,散射中心的散射类型为偶极子;
当k=2时,若Li>0散射中心的散射类型为二面角,若Li=0散射中心的散射类型为帽顶;
当k=3时,若Li>0为分布式奇次散射体,若Li=0为局部式奇次散射体,包含平面、圆柱体;
当k=4时,散射中心的散射类型为左螺旋;
当k=5时,散射中心的散射类型为右螺旋。
上述技术方案的进一步改进和特点说明如下。
(1)步骤3的具体子步骤如下:
设定循环次数M,循环标号m=1,并随机选取极化旋转角ψi初值,i=1,2,…N;并设定M值;
3a)根据极化旋转角ψi以及下式构建极化散射机理字典Pi(ψi),i=1,2,…N;
偶极子:pi,1(ψi)=[cos2(ψi),sin(ψi)cos(ψi),sin(ψi)cos(ψi),sin2(ψi)]
偶次散射体:pi,2(ψi)=[cos(2ψi),sin(2ψi),sin(2ψi),-cos(2ψi)]
奇次散射体:pi,3(ψi)=[1,0,0,1]
左螺旋:
右螺旋:
3b)将所述极化散射机理字典Pi(ψi)代入下面的稀疏信号的恢复优化方程,由凸优化工具包求解式稀疏信号的恢复优化方程估计极化分解系数矩阵C;
其中,C为目标极化分解系数矩阵,ci为di对应的属性散射中心的五种散射体下的极化分解系数,即目标极化分解系数矩阵C的第i行;||·||F表示矩阵的F范数,||·||2为向量的l2范数,||C||2,1为矩阵的l2,1范数;对应于行稀疏约束,λ1为其正则化参数,λ1值越大散射中心的个数越少,当雷达图像的信噪比越小时,λ1值选择越大;||C||1为矩阵的l1范数,对应于矩阵稀疏约束,λ2为其正则化参数,λ2值越大散射类型的成分个数越少,散射类型的成分个数选取1-2个;
3c)将所估计的极化分解系数矩阵C代入下面的稀疏信号的误差最小二乘优化方程,求解可得极化旋转角ψi的估计值,i=1,2,…N;
首先,求解矩阵Pi(ψi)的最小二乘估计值如下式所示
其中,表示矩阵伪逆;
再将向可行方向进行投影,搜索得到极化旋转角ψi的估计值如下式所示
其中,i=1,2,…,N;(·)H表示共轭转置,为的第k行,k=1,2,3,4,5;
3d)将循环标号m增加1,若m<M则转到步骤3a)继续循环;否则,停止循环,输出目标极化分解系数矩阵C与极化散射机理矩阵Pi(ψi)。优选的循环次数M的范围为10-20。
(2)优选地,步骤5中极化分解系数门限
本发明中,首先利用噪声样本建立散射中心强度门限,在雷达图像中进行散射中心检测,并确定散射中心参数的取值集合;然后根据属性散射中心模型构建字典,通过对目标的极化分解系数矩阵分别施加行稀疏约束与矩阵稀疏约束,利用坐标轮回下降法对极化分解系数矩阵与极化散射机理矩阵进行优化,进而可得目标属性散射中心参数及其极化特征。本发明能在属性散射中心重叠情况下有效提取目标属性散射中心及其极化特征,可用于雷达目标分类识别。
本发明与现有技术相比具有以下优点:(1)现有基于全极化属性散射中心提取目标特征的方法存在模型失配问题,并且由于图像分割会导致目标的一些重要特征易于丢失。本发明提出的基于稀疏分解的雷达目标属性特征提取方法从频域观测数据出发,通过求解稀疏信号重构问题得到频域观测数据的稀疏表示,可以有效提取目标属性特征。(2)现有方法无法正确提取重叠属性散射中心,本发明方法通过对目标的极化分解系数矩阵分别施加行稀疏约束与矩阵稀疏约束,可以有效提取重叠属性散射中心。(3)本发明方法能够同时有效提取目标的属性散射中心及其极化特征等属性特征,本发明根据估计的目标极化分解矩阵与属性散射中心参数,可以得到目标及其重要部件的散射类型。
附图说明
下面结合附图和具体实施方式对本发明做进一步详细说明。
图1是本发明的基于全极化属性散射中心模型的目标属性特征提取方法的流程图;
图2是目标1的极化分解系数矩阵C的强度最大值归一化图,纵坐标表示原子标号,横坐标表示散射类型标号;
图3是目标2的极化分解系数矩阵C的强度最大值归一化图,纵坐标表示原子标号,横坐标表示散射类型标号。
具体实施方式
首先,说明本发明的基于全极化属性散射中心模型的目标属性特征提取方法的基本技术原理。
根据几何绕射理论和物理光学理论,在光学区雷达目标后向散射场可近似为多个局部散射场的叠加。考虑后向散射场对频率、方位角以及极化状态的依赖关系,全极化属性散射中心模型具体表达式如下:
其中,f为雷达频率,φ为方位角,i表示散射中心序号,N为散射中心个数,表示N个散射中心参数矩阵,θi表示第i个散射中心的参数向量(·)T表示转置。ψ=[ψ1,…,ψi,…,ψN]表示N个散射中心的极化旋转角,Si(ψi)为第i个散射中心的极化散射矩阵。
由极化散射矩阵可以提取散射中心的极化特征,如散射机制、极化旋转角等;第i个散射中心的后向散射场gi(f,φ;θi)可表示为:
其中,exp(·)为自然指数函数,sinc(·)为辛克函数,c为光速,xi为距离维坐标,yi为方位维坐标,αi为频率依赖因子,一般αi∈{-1,-0.5,0,0.5,1},γi为局部式散射中心的方位依赖因子,为分布式散射中心的倾斜角,Li为分布式散射中心在成像平面内的投影长度。
当水平极化方向与方位向相同时,散射中心原始长度L`i与投影长度Li的关系如式<3>所示;
考虑雷达相对带宽B/fc(B为雷达信号带宽)、方位角域都很小,式<2>中包含α与γ部分可以忽略,即认为频率依赖因子α=0,方位依赖因子γ=0,则散射中心后向散射场可以简化为:
根据简化后的属性散射中心模型可以估计散射中心参数
全极化属性散射中心模型的矩阵形式可以表示为:
偶极子:pi,1(ψi)=[cos2(ψi),sin(ψi)cos(ψi),sin(ψi)cos(ψi),sin2(ψi)]
偶次散射体:pi,2(ψi)=[cos(2ψi),sin(2ψi),sin(2ψi),-cos(2ψi)]
奇次散射体:pi,3(ψi)=[1,0,0,1] <7>
左螺旋
右螺旋
其中,C为目标极化分解系数矩阵,其行向量ci为di对应的属性散射中心在式<7>中的五种散射类型下的极化分解系数,即目标极化分解系数矩阵C的第i行元素,i=1,2,…N,N为散射中心个数;Pi(ψi)为di对应的极化散射机理矩阵,ψi为其极化旋转角,pi,k(ψi)为第k种散射机理对应的极化散射系数向量,k=1,2,3,4,5;Z为全极化观测矩阵;n为噪声信号。
对目标极化分解系数矩阵C施加行稀疏约束λ1||C||2,1与矩阵稀疏约束λ2||C||1,求解如式<8>所示的稀疏信号Z的恢复优化问题,可提取目标属性特征。
其中,||·||F为矩阵范数算子,||·||2为向量的l2范数,|·|为绝对值算子,||·||2,1为矩阵的l2,1范数,对应于行稀疏约束,λ1为其正则化参数,一般0<λ1<1,该约束效果是使目标极化分解系数矩阵C趋向于具有较少的非零行即目标后向散射场仅由少数散射中心的后向散射场组成;||C||1为矩阵的l1范数,对应于矩阵稀疏约束,λ2为其正则化参数,一般0<λ2<1,该约束的效果是使目标极化分解系数矩阵C的非零行具有较少的非零元素,即某一散射中心由一种或两种主导散射类型构成。λ1与λ2取值与信噪比成反比。
式<8>中已知量包含全极化观测矩阵Z、散射中心参数字典D(θ),λ1与λ2为设置的参数,可以通过采用坐标轮回下降法对式<8>优化,求解未知量目标极化分解系数矩阵C与极化散射机理矩阵Pi(ψi)。
其次,说明本发明的基于全极化属性散射中心模型的目标属性特征提取方法的具体步骤。
参照图1,本发明的具体实现步骤如下:
步骤1,采集雷达图像,计算雷达图像的噪声强度根据雷达图像的噪声强度设定散射中心的信号强度门限ξ,其中将雷达图像中信号强度大于ξ的像素点确定为散射中心,根据检测到的散射中心坐标(x,y)确定对应的该散射中心长度L与倾斜角最终确定雷达图像中多个散射中心参数构成的集合θ。
步骤2,结合散射中心参数的集合θ,根据属性散射中心模型构建散射中心参数字典D(θ)
D(θ)=[d1,…,di,…,dN] <10>
其中i表示散射中心参数字典的原子序号,N表示散射中心参数字典的原子个数,di为散射中心参数的集合θ中第i个元素对应的归一化原子,可以表示为:
其中vec(·)表示列向量化操作,||·||2为2范数算子,exp(·)为自然指数函数,sinc(·)为辛克函数,f为雷达发射信号频率,φ为雷达波束方位角,c为光速。
进一步地,全极化属性散射中心模型的矩阵形式表示为:
偶极子:pi,1(ψi)=[cos2(ψi),sin(ψi)cos(ψi),sin(ψi)cos(ψi),sin2(ψi)]
偶次散射体:pi,2(ψi)=[cos(2ψi),sin(2ψi),sin(2ψi),-cos(2ψi)]
奇次散射体:pi,3(ψi)=[1,0,0,1] <15>
左螺旋:
右螺旋:
其中,C为目标极化分解系数矩阵,其行向量ci为di对应的属性散射中心在式<15>中的五种散射体下的极化分解系数,即目标极化分解系数矩阵C的第i行元素,i=1,2,…N,N为散射中心个数;Pi(ψi)为di对应的极化散射机理矩阵,ψi为其极化旋转角,pi,k(ψi)为第k种散射机理对应的极化散射系数向量,k=1,2,3,4,5;Z为全极化观测矩阵;n为噪声信号。
步骤3,对目标极化分解系数矩阵C施加行稀疏约束λ1||C||2,1与矩阵稀疏约束λ2||C||1,构造如式<16>所示的稀疏信号的恢复优化方程,求解未知量目标极化分解系数矩阵C与极化散射机理矩阵Pi(ψi);
其中||·||2为向量的l2范数,||·||2,1为矩阵的l2,1范数,λ1为行稀疏约束正则化参数,0<λ1<1;||C||1为矩阵的l1范数,λ2为矩阵稀疏约束正则化参数,0<λ2<1。
对于式<16>中,已知量包含全极化观测矩阵Z、散射中心参数字典D(θ),λ1与λ2为设置的参数,可以通过采用坐标轮回下降法对式<16>优化,求解未知量目标极化分解系数矩阵C与极化散射机理矩阵Pi(ψi)。
其具体子步骤如下:
设定循环次数M,循环标号m=1,并随机选取极化旋转角ψi初值,i=1,2,…N;由于算法收敛性能较好,通常循环次数M设为10就能够得到很好的收敛。
3a)根据极化旋转角ψi以及下式构建极化散射机理字典Pi(ψi),i=1,2,…N;
偶极子:pi,1(ψi)=[cos2(ψi),sin(ψi)cos(ψi),sin(ψi)cos(ψi),sin2(ψi)]
偶次散射体:pi,2(ψi)=[cos(2ψi),sin(2ψi),sin(2ψi),-cos(2ψi)]
奇次散射体:pi,3(ψi)=[1,0,0,1] <18>
左螺旋:
右螺旋:
3b)将所述极化散射机理字典Pi(ψi)代入稀疏信号的恢复优化方程<19>,由凸优化工具包求解式<19>稀疏信号的恢复优化方程估计极化分解矩阵C;优化求解过程,其详细介绍见文献“M.Grant and S.Boyd.CVX:Matlab software for disciplined convexprogramming,December2008.Available at http://www.stanford.edu/~boyd/cvx/”;
其中C为目标极化分解系数矩阵,ci为di对应的属性散射中心在式<15>中的五种散射体下的极化分解系数,即目标极化分解系数矩阵C的第i行;||·||F表示矩阵的F范数,||·||2为向量的l2范数,||C||2,1为矩阵的l2,1范数;对应于行稀疏约束,λ1为其正则化参数,λ1值越大散射中心的个数越少,一般情况下,当雷达图像的信噪比越小时,λ1值选择越大;||C||1为矩阵的l1范数,对应于矩阵稀疏约束,λ2为其正则化参数,λ2值越大散射机理的成分个数越少,一般情况下散射机理的成分个数选取1-2个。
3c)将所估计的极化分解矩阵C代入稀疏信号的误差最小二乘优化方程<20>,求解可得极化旋转角ψi的估计值,i=1,2,…N;
首先求解矩阵Pi(ψi)的最小二乘估计值如式<21>所示;
<21>
其中表示矩阵伪逆;将向可行方向进行投影,搜索得到极化旋转角ψi的估计值如式<22>,i=1,2,…,N;
其中(·)H表示共轭转置,p为的第k行,k=1,2,3,4,5;
3d)将循环标号m增加1,若m<M则转到步骤3a),否则,停止循环,输出目标极化分解系数矩阵C与极化散射机理矩阵Pi(ψi)。
步骤4,由极化分解系数矩阵C确定其非零行对应的标号集合Λ,得到属性参数的估计集合可以由式<23>表示;
其中θi为集合θ的第i个元素;
以仿真实验结果中目标1为例,极化分解系数矩阵C的非零行只有第23行,则标号集合Λ={23},
步骤5,由所述极化分解矩阵C与属性散射中心长度L确定属性散射中心的散射类型,
其中, 由ci中元素ci,k>η的元素标号k确定ci对应散射中心的散射类型,i∈Λ,η为极化分解系数门限,通常设为
当k=1时,散射中心的散射类型为偶极子;
当k=2时,若Li>0散射中心的散射类型为二面角,若Li=0散射中心的散射类型为帽顶;
当k=3时,若Li>0为分布式奇次散射体,若Li=0为局部式奇次散射体,包含平面、圆柱体;
当k=4时,散射中心的散射类型为左螺旋;
当k=5时,散射中心的散射类型为右螺旋。
以仿真实验结果中目标1为例,标号集合Λ={23},k=1,2,且L>0;则散射中心1的散射类型为偶极子,散射中心2的散射类型为二面角。
最后,通过以下仿真实验和实测数据对本发明的效果做进一步详细说明。
1)实验场景:
实验所用数据为FEKO软件的电磁仿真数据。雷达中心频率9GHz,带宽1GHz,频率步进量为40MHz,雷达方位观测角度为(-6°,6°),方位角度间隔为0.2°,成像平面为X-O-Y平面,水平极化方向与垂直极化方向分别为Y轴正方向与Z轴正方向。
本仿真实验极化分解系数门限由于实验中对极化分解矩阵C进行最大值归一,所以实验中极化分解系数门限η=0.3。
2)实验内容:
2a)目标1由两个散射中心构成,参数如表1所示。在信噪比为5dB情况下,当λ1=0.047,λ2=0.25,极化旋转角随机选取初值为5°时,利用坐标轮回下降法分别估计极化分解系数矩阵C与极化散射机理矩阵Pi(ψi)。
表1目标1散射中心参数
图2为目标1的极化分解系数矩阵C,其中两个散射中心共享同一个原子d23,由极化分解系数矩阵C可得构成目标1的两个散射中心参数及其极化特征,如表2所示。
表2估计的目标1散射中心参数
比较表1与表23可知,本发明能够准确提取两个重叠的散射中心及其极化特征。
2b)目标2由两个散射中心构成,参数如表3所示。在信噪比为0dB情况下,当λ1=0.64,λ2=0.22,极化旋转角随机选取初值为10°时,利用坐标轮回下降法分别估计极化分解系数矩阵C与极化散射机理矩阵Pi(ψi)。
表3目标2散射中心参数
图3为目标2的极化分解系数矩阵C,其中两个散射中心分别对应原子d16与原子d19,由矩阵C可得构成目标1的两个散射中心参数及其极化特征,如表4所示。
表4估计的目标1散射中心参数
比较表3与表4可知,本发明能够准确提取两个重叠的散射中心及其极化特征。
3)实验结果分析:
由图2可知,本发明的方法所提取的目标1的两个散射中心参数相同(共享同一个原子d23),而散射类型不同:散射中心1为偶极子,散射中心2为分布式偶次散射体即二面角,结果与散射中心的真实散射类型相同;
由图3可知,本发明所提取的两个散射中心分别对应原子d16与原子d19,不仅参数不同,而且散射类型也不同:散射中心1为二面角,散射中心2为分布式奇次散射体。
由实验结果可知,当属性散射中心存在重叠时,本发明通过对观测施加空域稀疏与极化散射特性稀疏约束能够同时完成散射中心及其极化特征的提取,更有利于目标部件提取与自动目标识别。
Claims (4)
1.一种基于全极化属性散射中心模型的目标属性特征提取方法,其特征在于,包括以下步骤:
步骤1,采集雷达图像,计算雷达图像的噪声强度根据雷达图像的噪声强度设定散射中心的信号强度门限ξ,其中将雷达图像中信号强度大于ξ的像素点确定为散射中心,根据检测到的散射中心坐标(x,y)确定对应的该散射中心长度L与倾斜角最终确定雷达图像中多个散射中心参数构成的集合θ;
步骤2,结合散射中心参数的集合θ,根据属性散射中心模型构建散射中心参数字典D(θ)
D(θ)=[d1,…,di,…,dN]
其中,i表示散射中心参数字典的原子序号,N表示散射中心参数字典的原子个数,di为散射中心参数的集合θ中第i个元素对应的归一化原子,表示为:
其中,vec(·)表示列向量化操作,||·||2为2范数算子,exp(·)为自然指数函数,sinc(·)为辛克函数,f为雷达发射信号频率,φ为雷达波束方位角,c为光速;
进一步地,全极化属性散射中心模型的矩阵形式表示为:
偶极子:pi,1(ψi)=[cos2(ψi),sin(ψi)cos(ψi),sin(ψi)cos(ψi),sin2(ψi)]
偶次散射体:pi,2(ψi)=[cos(2ψi),sin(2ψi),sin(2ψi),-cos(2ψi)]
奇次散射体:pi,3(ψi)=[1,0,0,1]
左螺旋:
右螺旋:
其中,C为目标极化分解系数矩阵,其行向量ci为di对应的属性散射中心的五种散射体下的极化分解系数,即目标极化分解系数矩阵C的第i行元素,i=1,2,…N,N为散射中心个数;Pi(ψi)为di对应的极化散射机理矩阵,ψi为其极化旋转角,pi,k(ψi)为第k种散射机理对应的极化散射系数向量,k=1,2,3,4,5;Z为全极化观测矩阵;n为噪声信号;
步骤3,对目标极化分解系数矩阵C施加行稀疏约束λ1||C||2,1与矩阵稀疏约束λ2||C||1,构造如下式所示的稀疏信号的恢复优化方程,求解未知量目标极化分解系数矩阵C与极化散射机理矩阵Pi(ψi);
其中,||·||2为向量的l2范数,||·||2,1为矩阵的l2,1范数,λ1为行稀疏约束正则化参数,0<λ1<1;||C||1为矩阵的l1范数,λ2为矩阵稀疏约束正则化参数,0<λ2<1;
步骤4,由极化分解系数矩阵C确定其非零行对应的标号集合Λ,得到属性参数的估计集合由下式表示;
其中θi为集合θ的第i个元素;
步骤5,由所述极化分解矩阵C与属性散射中心长度L确定属性散射中心的散射类型,
其中, 由ci中元素ci,k>η的元素标号k确定ci对应散射中心的散射类型,i∈Λ,η为极化分解系数门限,设为
当k=1时,散射中心的散射类型为偶极子;
当k=2时,若Li>0散射中心的散射类型为二面角,若Li=0散射中心的散射类型为帽顶;
当k=3时,若Li>0为分布式奇次散射体,若Li=0为局部式奇次散射体,包含平面、圆柱体;
当k=4时,散射中心的散射类型为左螺旋;
当k=5时,散射中心的散射类型为右螺旋。
2.根据权利要求1所述的基于全极化属性散射中心模型的目标属性特征提取方法,其特征在于,
步骤3的具体子步骤如下:
设定循环次数M,循环标号m=1,并随机选取极化旋转角ψi初值,i=1,2,…N;并设定M值;
3a)根据极化旋转角ψi以及下式构建极化散射机理字典Pi(ψi),i=1,2,…N;
偶极子:pi,1(ψi)=[cos2(ψi),sin(ψi)cos(ψi),sin(ψi)cos(ψi),sin2(ψi)]
偶次散射体:pi,2(ψi)=[cos(2ψi),sin(2ψi),sin(2ψi),-cos(2ψi)]
奇次散射体:pi,3(ψi)=[1,0,0,1]
左螺旋:
右螺旋:
3b)将所述极化散射机理字典Pi(ψi)代入下面的稀疏信号的恢复优化方程,由凸优化工具包求解式稀疏信号的恢复优化方程估计极化分解系数矩阵C;
其中,C为目标极化分解系数矩阵,ci为di对应的属性散射中心的五种散射体下的极化分解系数,即目标极化分解系数矩阵C的第i行;||·||F表示矩阵的F范数,||·||2为向量的l2范数,||C||2,1为矩阵的l2,1范数;对应于行稀疏约束,λ1为其正则化参数,λ1值越大散射中心的个数越少,当雷达图像的信噪比越小时,λ1值选择越大;||C||1为矩阵的l1范数,对应于矩阵稀疏约束,λ2为其正则化参数,λ2值越大散射类型的成分个数越少,散射类型的成分个数选取1-2个;
3c)将所估计的极化分解矩阵C代入下面的稀疏信号的误差最小二乘优化方程,求解可得极化旋转角ψi的估计值,i=1,2,…N;
首先,求解矩阵Pi(ψi)的最小二乘估计值如下式所示
其中,表示矩阵伪逆;
再将向可行方向进行投影,搜索得到极化旋转角ψi的估计值如下式所示
其中,i=1,2,…,N;(·)H表示共轭转置,为的第k行,k=1,2,3,4,5;
3d)将循环标号m增加1,若m<M则转到步骤3a)继续循环;否则,停止循环,输出目标极化分解系数矩阵C与极化散射机理矩阵Pi(ψi)。
3.根据权利要求2所述的基于全极化属性散射中心模型的目标属性特征提取方法,
其特征在于,循环次数M的范围为10-20。
4.根据权利要求1所述的基于全极化属性散射中心模型的目标属性特征提取方法,其特征在于,所述步骤5中极化分解系数门限
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410178887.3A CN103969634B (zh) | 2014-04-29 | 2014-04-29 | 基于全极化属性散射中心模型的目标属性特征提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410178887.3A CN103969634B (zh) | 2014-04-29 | 2014-04-29 | 基于全极化属性散射中心模型的目标属性特征提取方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103969634A true CN103969634A (zh) | 2014-08-06 |
CN103969634B CN103969634B (zh) | 2016-08-24 |
Family
ID=51239364
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410178887.3A Active CN103969634B (zh) | 2014-04-29 | 2014-04-29 | 基于全极化属性散射中心模型的目标属性特征提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103969634B (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105044722A (zh) * | 2015-08-03 | 2015-11-11 | 西安电子科技大学 | 合成孔径雷达目标的全贝叶斯特征提取方法 |
CN108389196A (zh) * | 2018-02-26 | 2018-08-10 | 北京环境特性研究所 | 基于极化特征的分布式散射中心快速提取方法和装置 |
CN109581370A (zh) * | 2018-10-16 | 2019-04-05 | 北京理工大学 | 基于多向量anm的多极化hrrp散射中心提取方法 |
CN109781594A (zh) * | 2019-01-18 | 2019-05-21 | 云南师范大学 | 球形金属纳米粒子消光、散射和吸收特性检测方法及系统 |
CN110618340A (zh) * | 2019-03-11 | 2019-12-27 | 广东工业大学 | 一种变压器状态评估方法 |
CN111220960A (zh) * | 2020-01-19 | 2020-06-02 | 北京环境特性研究所 | 多站雷达下的目标特征提取方法和装置 |
CN111458689A (zh) * | 2020-04-14 | 2020-07-28 | 上海无线电设备研究所 | 基于极化散射中心的多径散射特征分类方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100150513A1 (en) * | 2008-12-17 | 2010-06-17 | 3M Innovative Properties Company | Light extraction film with nanoparticle coatings |
US20100321234A1 (en) * | 2009-06-19 | 2010-12-23 | U.S. Government As Represented By The Secretary Of The Army | Computationally efficent radar processing method and sytem for sar and gmti on a slow moving platform |
US20120268309A1 (en) * | 2011-02-10 | 2012-10-25 | The Arizona Board Of Regents On Behalf Of The University Of Arizona | Virtual aperture radar (var) imaging |
CN103064071A (zh) * | 2012-10-25 | 2013-04-24 | 西安电子科技大学 | 基于稀疏分解的雷达目标属性散射中心特征提取方法 |
US20130286903A1 (en) * | 2012-04-25 | 2013-10-31 | Nec Laboratories America, Inc. | Interference Cancellation for Full-Duplex Communications |
CN103440500A (zh) * | 2013-08-30 | 2013-12-11 | 西北工业大学 | 高光谱遥感图像分类与识别方法 |
CN103745487A (zh) * | 2013-12-20 | 2014-04-23 | 西北工业大学 | 基于结构化稀疏先验的贝叶斯高光谱解混压缩感知方法 |
-
2014
- 2014-04-29 CN CN201410178887.3A patent/CN103969634B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100150513A1 (en) * | 2008-12-17 | 2010-06-17 | 3M Innovative Properties Company | Light extraction film with nanoparticle coatings |
US20100321234A1 (en) * | 2009-06-19 | 2010-12-23 | U.S. Government As Represented By The Secretary Of The Army | Computationally efficent radar processing method and sytem for sar and gmti on a slow moving platform |
US20120268309A1 (en) * | 2011-02-10 | 2012-10-25 | The Arizona Board Of Regents On Behalf Of The University Of Arizona | Virtual aperture radar (var) imaging |
US20130286903A1 (en) * | 2012-04-25 | 2013-10-31 | Nec Laboratories America, Inc. | Interference Cancellation for Full-Duplex Communications |
CN103064071A (zh) * | 2012-10-25 | 2013-04-24 | 西安电子科技大学 | 基于稀疏分解的雷达目标属性散射中心特征提取方法 |
CN103440500A (zh) * | 2013-08-30 | 2013-12-11 | 西北工业大学 | 高光谱遥感图像分类与识别方法 |
CN103745487A (zh) * | 2013-12-20 | 2014-04-23 | 西北工业大学 | 基于结构化稀疏先验的贝叶斯高光谱解混压缩感知方法 |
Non-Patent Citations (4)
Title |
---|
LEE C.POTTER ET AL.: ""Attributed Scattering Centers for SAR ATR"", 《IEEE TRANSACTIONS ON IMAGE PROCESSING》 * |
WILLIAM L.CAMERON ET AL.: ""Simulated Polarimetric Signatures of Primitive Geometrical Shapes"", 《SIMULATED POLARIMETRIC SIGNATURES OF PRIMITIVE GEOMETRICAL SHAPES》 * |
XU SHAOKUN ET AL.: ""Parameter Estimation and Performance Analysis of Coherent Polarization Attributed Scattering Center Model"", 《CHINESE JOURNAL OF ELECTRONICS》 * |
段佳: ""独立属性散射中心参数降耦合估计方法"", 《电子与信息学报》 * |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105044722A (zh) * | 2015-08-03 | 2015-11-11 | 西安电子科技大学 | 合成孔径雷达目标的全贝叶斯特征提取方法 |
CN105044722B (zh) * | 2015-08-03 | 2018-09-25 | 西安电子科技大学 | 合成孔径雷达目标的全贝叶斯特征提取方法 |
CN108389196A (zh) * | 2018-02-26 | 2018-08-10 | 北京环境特性研究所 | 基于极化特征的分布式散射中心快速提取方法和装置 |
CN108389196B (zh) * | 2018-02-26 | 2020-06-26 | 北京环境特性研究所 | 基于极化特征的分布式散射中心快速提取方法和装置 |
CN109581370A (zh) * | 2018-10-16 | 2019-04-05 | 北京理工大学 | 基于多向量anm的多极化hrrp散射中心提取方法 |
CN109781594A (zh) * | 2019-01-18 | 2019-05-21 | 云南师范大学 | 球形金属纳米粒子消光、散射和吸收特性检测方法及系统 |
CN109781594B (zh) * | 2019-01-18 | 2023-06-09 | 云南师范大学 | 球形金属纳米粒子消光、散射和吸收特性检测方法及系统 |
CN110618340A (zh) * | 2019-03-11 | 2019-12-27 | 广东工业大学 | 一种变压器状态评估方法 |
CN111220960A (zh) * | 2020-01-19 | 2020-06-02 | 北京环境特性研究所 | 多站雷达下的目标特征提取方法和装置 |
CN111220960B (zh) * | 2020-01-19 | 2022-01-07 | 北京环境特性研究所 | 多站雷达下的目标特征提取方法和装置 |
CN111458689A (zh) * | 2020-04-14 | 2020-07-28 | 上海无线电设备研究所 | 基于极化散射中心的多径散射特征分类方法 |
CN111458689B (zh) * | 2020-04-14 | 2022-07-05 | 上海无线电设备研究所 | 基于极化散射中心的多径散射特征分类方法 |
Also Published As
Publication number | Publication date |
---|---|
CN103969634B (zh) | 2016-08-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103969634A (zh) | 基于全极化属性散射中心模型的目标属性特征提取方法 | |
CN103593669B (zh) | 一种极化合成孔径雷达影像四分量分解的方法 | |
CN103654789A (zh) | 磁共振快速参数成像方法和系统 | |
US10339409B2 (en) | Method and a device for extracting local features of a three-dimensional point cloud | |
CN103824088A (zh) | 基于多信息联合动态稀疏表示的sar目标变体识别方法 | |
CN103941244A (zh) | 一种雷达目标一维距离像局部最优子空间识别方法 | |
CN103529447A (zh) | 面向城市区域的极化四分量分解方法 | |
CN103675787A (zh) | 一种雷达目标一维距离像最优正交非线性子空间识别方法 | |
CN110412573A (zh) | 极化sar图像分解方法及存储介质 | |
CN103605121B (zh) | 基于快速稀疏贝叶斯学习算法的宽带雷达数据融合方法 | |
CN102122355B (zh) | 基于核稀疏表示的sar目标识别方法 | |
CN104122554B (zh) | 高分辨率sar图像目标的属性散射中心特征提取方法 | |
CN103901415A (zh) | 极化相似度匹配下的极化相干矩阵散射能量分解方法 | |
CN103679719A (zh) | 一种图像分割方法 | |
CN104091335A (zh) | 极化sar图像舰船目标检测方法 | |
CN105068062A (zh) | 基于稀疏散射中心提取的距离像数据外推方法 | |
CN104616280A (zh) | 基于最大稳定极值区域和相位一致性的图像配准方法 | |
CN105809182B (zh) | 一种图像分类的方法及装置 | |
CN103413296B (zh) | 在特征域内对极化sar目标的检测方法 | |
CN110865340B (zh) | 一种基于极化特性辅助的海面角反射器干扰对抗方法 | |
CN104376539A (zh) | 一种极化sar目标散射成分的分解方法和装置 | |
CN104459656B (zh) | 一种全极化合成孔径雷达的目标取向角补偿方法 | |
Zou et al. | Light‐weight deep learning method for active jamming recognition based on improved MobileViT | |
CN104698447B (zh) | 自适应选择酉变换的全极化合成孔径雷达目标分解方法 | |
Gao et al. | Scattering Characteristic-Aware Fully Polarized SAR Ship Detection Network Based on a Four-Component Decomposition Model |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant |