CN104077610A - 二维非线性投影特征的sar图像目标识别的方法 - Google Patents
二维非线性投影特征的sar图像目标识别的方法 Download PDFInfo
- Publication number
- CN104077610A CN104077610A CN201410326417.7A CN201410326417A CN104077610A CN 104077610 A CN104077610 A CN 104077610A CN 201410326417 A CN201410326417 A CN 201410326417A CN 104077610 A CN104077610 A CN 104077610A
- Authority
- CN
- China
- Prior art keywords
- phi
- matrix
- projection
- overbar
- sar image
- 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
Landscapes
- Image Analysis (AREA)
Abstract
本发明属于合成孔径雷达(SAR,Synthetic Aperture Radar)自动目标识别技术领域,尤其涉及二维非线性投影特征的SAR图像目标识别。本发明的具体步骤如下:S1、确定SAR图像训练样本矩阵;S2、确定核函数和核样本矩阵,通过所述核样本矩阵确定核类间散布矩阵和核内散布矩阵,通过所述核类间散布矩阵和核内散布矩阵构造目标准则函数,求得投影矩阵和投影子空间;S3、确定输入SAR图像的非线性投影特征子集,确定非线性投影特征子像与投影子空间的距离,确定输入SAR图像目标所属类别。本发明利用所有训练样本的某一列向量构造核向量,巧妙的构造核样本矩阵,在高维空间中采用投影特征提取方法,提高了分类效率,在提高分类正确率的同时,对样本的依赖度有所降低。
Description
技术领域
本发明属于合成孔径雷达(SAR,Synthetic Aperture Radar)自动目标识别技术领域,尤其涉及二维非线性投影特征的SAR图像目标识别。
背景技术
SAR图像目标识别的原理是根据已知训练样本目标类别信息建立特征库,对待测样本进行特征提取,并选择与库中具有最高相似度所对应的训练样本的类型作为测试样本的分类结果。
SAR技术的迅猛发展使得其所成图像分辨率获得了很大提高,SAR图像中的目标信息也呈现爆炸性的增长,这就带来了相应数据量的大幅度增加,面对巨大的数据量,必须对目标检测和识别中的关键技术进行改进。SAR图像自动目标识别(ATR)是提高SAR检测图像利用率的重要技术,其目的是在没有人工直接干预的条件下,在较短时间内从场景中自动检测出可能的目标并识别出目标所属类别,具有重要的民用和军事应用价值,并日益成为国内外图像处理和模式识别领域的研究热点。
SAR图像具有复杂的特点,从同一目标回波中抽取的特征难免存在一定的相关性,而这种相关性往往是不易察觉的,冗余特征不仅会使运算量增大,还可能降低最终分类结果。C.J.Enderli等采用非线性的KLDA对SAR图像进行目标识别,将二维SAR图像矩阵转化为一维向量进行处理,会损失目标的空间结构信息,且易出现维数灾难问题。Zhang等采用二维LDA对SAR图像目标进行特征提取,无法获取图像的非线性特征。
发明内容
本发明的目的是针对现有技术存在的不足,提出一种二维非线性投影特征的SAR图像目标识别的方法,实现对SAR图像中目标类别的准确判别。
本发明的技术方案是:将二维SAR图像矩阵按列表示,选择适当的核函数,对一幅特定的SAR图像的某一列向量作非线性变换,利用所有训练样本的同一列向量构造该列向量的核向量,这样,每一个图像矩阵的列向量由其核向量代替,可以构造一个相应的核样本矩阵,利用投影特征提取方法获取每类目标的二维投影特征子像,构成投影子空间,当输入SAR图像时,根据其二维非线性投影特征子像与投影子空间的欧式距离确定输入SAR图像目标所属类别。
本发明的具体步骤如下:
S1、确定SAR图像训练样本矩阵:根据目标数据选取N幅m×n的训练样本SAR图像A1,A2,...,Al,...,AN,其中,所述N幅m×n的训练样本SAR图像分属c个类别,N1,N2,...,Nc表示各个类的样本量,N1+N2+...+Nc=N;
S2、确定核函数和核样本矩阵,通过所述核样本矩阵确定核类间散布矩阵和核内散布矩阵,通过所述核类间散布矩阵和核内散布矩阵构造目标准则函数,求得投影矩阵和投影子空间,具体方法如下:
S21、将S1所述训练样本SAR图像Al表示为其中,l=1,2,...,N,k=1,2,...,n,表示Al的第k列;
S22、对S21所述训练样本SAR图像Al进行非线性映射φ,得到核空间H中的图像样本 则高维空间中的类间离散矩阵为
S23、根据S22所述高维空间中的类间离散矩阵和类内离散矩阵选择适当的核函数,对一幅特定的SAR图像Al的某一列向量,利用S1所述N幅m×n的训练样本SAR图像A1,A2,...,Al,...,AN构造该列向量的核向量,得到相应的N×n的核样本矩阵Kl;
S24、以S23所述核样本矩阵Kl,得出高维空间中的类间散布矩阵和高维空间中的类内散布矩阵其中,Kij表示第i类的第j个训练样本图像的核样本矩阵,表示第i类核样本矩阵的平均矩阵,表示所有核样本矩阵的平均矩阵;
S25、根据S24所述高维空间中的类间散布矩阵和高维空间中的类内散布矩阵构造目标准则函数其中,w为任一N维的非零列矢量;
S26、通过最大化目标准则函数J(w),得到最优判别矢量对所述wopt进行广义特征方程求解,得到
S27、取S26所述中前d个较大特征值所对应的特征向量构成最优投影矩阵W=[w1,w2,...,wd],其中,d≤n(c-1);
S28、将S23所述核样本矩阵Kl向S27所述最优投影矩阵W上投影,得到投影特征子像Zl=WTKl,每类目标的所有训练SAR图像的头像特征子像构成各自的投影子空间,c类目标有c个投影子空间,分别记为Pi,其中,i=1,2,...,c;
S3、确定输入SAR图像的非线性投影特征子集,确定非线性投影特征子像与投影子空间的距离,确定输入SAR图像目标所属类别。
进一步地,S23所述核样本矩阵构造具体如下:
S231、对S1所述训练样本SAR图像Al进行非线性变换其中,κ(·,·)为内积核函数;
S232、令Ψ=(φ(A1),φ(A2),...,φ(AN)),设
S233、将S232所述看作N个子块,则第s个子块为
S234、对照S231所述Kl得出Kl的第j行是以的对角元为元素的行向量,则 其中,Diag{·}表示以方阵·的对角元为元素的行向量,Kl为核样本矩阵。
进一步地,S3所述具体方法如下:
S31、对于给定的输入待测图像A=(a1,a2,...,an),经过非线性变换,将所述A的每一列映射到核空间中,得到所述A的核样本矩阵
对应的投影特征子像为Z=WTK;
S32、采用基于欧式距离的最近邻分类器对目标进行分类识别,对任意两个投影特征子像 和 定义距离为 对S1所述训练样本SAR图像A1,A2,...,AN,每一个样本都属于确定的类别ξi,对应的投影特征子像分别为Z1,Z2,...,ZN,计算S31所述投影特征子像Z与c个投影子空间的距离D(Z,Pi)=min[D(Z,Zij)],其中,Zij为第i类样本的第j个投影特征子像;
S33、将S32所述min[D(Z,Zij)]所属的类别作为待测样本的类别,若有D(Z,Pi)=min[D(Z,Zl)],l=1,2,...,N,且Zl∈ξi,则分类的结果是Z∈ξi,即输入待测图像A∈ξi。
本发明的有益效果是:
采用二维非线性变换有效地利用SAR图像中的非线性特征,充分保留了二维图像的空间结构信息。利用所有训练样本的某一列向量构造核向量,巧妙的构造核样本矩阵,在高维空间中采用投影特征提取方法,使得不同类别之间的样本尽可能分开,同类样本尽可能凝聚,同时降低了特征维数,提高了分类效率,在提高分类正确率的同时,对样本的依赖度有所降低。
附图说明
图1是本发明的流程图。
图2是仿真实验一的结果。
具体实施方式
下面结合附图介绍本发明的具体实施方式。
如图1所示,本发明的实施过程如下:
步骤1、根据目标数据选取N幅m×n的训练样本SAR图像A1,A2,...,AN,分属c个类别,N1,N2,...,Nc表示各个类的样本量,N1+N2+...+Nc=N。
步骤2.1、将Al按列表示为l=1,2,...,N,表示Al的第k列,k=1,2,...,n。对Al经过非线性映射φ后,得到核空间H中的图像样本为则高维空间中的类间离散矩阵和类内离散矩阵为
从(1)、(2)式可以看出,其本质就是对图像的列采取相应的运算。选择适当的核函数,对一幅特定的SAR图像的某一列向量,利用所有训练样本的同一列向量构造该列向量的核向量,这样,每一个图像矩阵的列向量由其核向量代替,可以构造一个相应的核样本矩阵。对Al的列作如下的非线性变换:(3),其中,κ(·,·)为内积核函数。令Ψ=(φ(A1),φ(A2),...,φ(AN)),设
将看成N个子块,第s个子块(5),其中,s=1,2,...,N。
对照(3)式可看出,Kl的第s行是以的对角元为元素的行向量,即 (6),其中,Diag{·}表示以方阵·的对角元为元素的行向量,Kl称为核样本矩阵。
步骤2.2、以Kl为核训练样本矩阵,由公式(1)和(2)确定核类间散布矩阵和核类内散布矩阵
其中,Kij表示第i类的第j个训练样本图像的核样本矩阵,表示第i类核样本矩阵的平均矩阵,表示所有核样本矩阵的平均矩阵。
步骤2.3、由和构造目标准则函数w为任一N维的非零列矢量,通过最大化目标函数式得到最优判别矢量
wopt可以通过求解广义特征方程得到其中,wopt为式(10)最大特征值对应的特征向量。取前d个较大特征值所对应的特征向量构成最优投影矩阵W=[w1,w2,...,wd],将核样本矩阵Kl向最优投影矩阵W上投影,得到投影特征子像Zl=WTKl,其中,d≤n(c-1)。将每类训练SAR图像样本的投影特征子像构成投影子空间,c类目标有c个投影子空间,记为Pi(i=1,2,...,c)。
步骤3.1、对于某个给定的输入待测图像A=(a1,a2,...,an),将其每一列映射到核空间中,得到其核样本矩阵
对应的投影特征子像为Z=WTK。
步骤3.2、确定非线性投影特征子像与投影子空间的距离。
采用基于欧式距离的最近邻分类器对目标进行分类识别,对任意两个投影特征子像 和 p,q=1,2,...,N,且p≠q定义距离为
对所有的训练样本A1,A2,...,AN,每一个样本都属于某个确定的类别ξi(i=1,2,...,c),对应的投影特征子像分别为Z1,Z2,...,ZN。计算待测样本图像的投影特征子像Z与c个投影子空间的距离D(Z,Pi)=min[D(Z,Zij)](13),其中,Zij为第i类样本的第j(j=1,2,...,Ni)个投影特征子像。
步骤3.3、确定输入SAR图像目标所属类别:
将距离最小的训练样本所属的类别作为该待测样本的类别。若有
D(Z,Pi)=min[D(Z,Zl)](14),Zl∈ξi,l=1,2,...,N,i=1,2,...,c,则分类的结果是Z∈ξi,即输入待测图像A∈ξi。
本发明的实施例采用的是MSTAR计划录取的实测SAR地面静止目标数据,包括3大类:BMP2(装甲车)、BTR70(装甲车)、T72(主战坦克),方位角覆盖范围0~360°。实验所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。其中,测试目标数据集中的3大类包含7个型号,相同类型不同型号的目标在配置上有些差别。
图2所示的仿真实验一是在三类目标中随机抽取部分图像作为训练样本,利用本发明方法(曲线-o-表示)和非线性一维投影特征提取法(曲线-·-表示)对SAR图像进行目标识别,实验采用径向基核函数其中σ2=0.5。由图可以看出,随着训练样本数的减少,两种方法的平均识别率均降低,但本发明方法的平均识别率明显高于一维非线性投影特征提取法,说明本发明方法对样本数依赖度低。
仿真实验二利用本发明方法和二维线性投影特征提取法分别建立三种目标对应的投影子空间,对这三类目标七种型号的测试数据集进行分类识别,实验中采用多项式核函数κ(ai,aj)=((ai·aj)+1)2,识别结果列于下表中,从表中数据可看出,本发明方法对每类目标的识别率均高于二维线性投影特征提取法。
Claims (3)
1.二维非线性投影特征的SAR图像目标识别的方法,其特征在于,包括如下步骤:
S1、确定SAR图像训练样本矩阵:根据目标数据选取N幅m×n的训练样本SAR图像A1,A2,...,Al,...,AN,其中,所述N幅m×n的训练样本SAR图像分属c个类别,N1,N2,...,Nc表示各个类的样本量,N1+N2+...+Nc=N;
S2、确定核函数和核样本矩阵,通过所述核样本矩阵确定核类间散布矩阵和核内散布矩阵,通过所述核类间散布矩阵和核内散布矩阵构造目标准则函数,求得投影矩阵和投影子空间,具体方法如下:
S21、将S1所述训练样本SAR图像Al表示为其中,l=1,2,...,N,k=1,2,...,n,表示Al的第k列;
S22、对S21所述训练样本SAR图像Al进行非线性映射φ,得到核空间H中的图像样本 则高维空间中的类间离散矩阵为
S23、根据S22所述高维空间中的类间离散矩阵和类内离散矩阵选择适当的核函数,对一幅特定的SAR图像Al的某一列向量,利用S1所述N幅m×n的训练样本SAR图像A1,A2,...,Al,...,AN构造该列向量的核向量,得到相应的N×n的核样本矩阵Kl;
S24、以S23所述核样本矩阵Kl,得出高维空间中的类间散布矩阵和高维空间中的类内散布矩阵其中,Kij表示第i类的第j个训练样本图像的核样本矩阵,表示第i类核样本矩阵的平均矩阵,表示所有核样本矩阵的平均矩阵;
S25、根据S24所述高维空间中的类间散布矩阵和高维空间中的类内散布矩阵构造目标准则函数其中,w为任一N维的非零列矢量;
S26、通过最大化目标准则函数J(w),得到最优判别矢量对所述wopt进行广义特征方程求解,得到
S27、取S26所述中前d个较大特征值所对应的特征向量构成最优投影矩阵W=[w1,w2,...,wd],其中,d≤n(c-1);
S28、将S23所述核样本矩阵Kl向S27所述最优投影矩阵W上投影,得到投影特征子像Zl=WTKl,每类目标的所有训练SAR图像的头像特征子像构成各自的投影子空间,c类目标有c个投影子空间,分别记为Pi,其中,i=1,2,...,c;
S3、确定输入SAR图像的非线性投影特征子集,确定非线性投影特征子像与投影子空间的距离,确定输入SAR图像目标所属类别。
2.根据权利要求1所述的二维非线性投影特征的SAR图像目标识别的方法,其特征在于:S23所述核样本矩阵构造具体如下:
S231、对S1所述训练样本SAR图像Al进行非线性变换其中,κ(·,·)为内积核函数;
S232、令Ψ=(φ(A1),φ(A2),...,φ(AN)),设
S233、将S232所述看作N个子块,则第s个子块为
S234、对照S231所述Kl得出Kl的第j行是以的对角元为元素的行向量,则 其中,Diag{·}表示以方阵·的对角元为元素的行向量,Kl为核样本矩阵。
3.根据权利要求1所述的二维非线性投影特征的SAR图像目标识别的方法,其特征在于:S3所述具体方法如下:
S31、对于给定的输入待测图像A=(a1,a2,...,an),经过非线性变换,将所述A的每一列映射到核空间中,得到所述A的核样本矩阵
对应的投影特征子像为Z=WTK;
S32、采用基于欧式距离的最近邻分类器对目标进行分类识别,对任意两个投影特征子像 和 定义距离为 对S1所述训练样本SAR图像A1,A2,...,AN,每一个样本都属于确定的类别ξi,对应的投影特征子像分别为Z1,Z2,...,ZN,计算S31所述投影特征子像Z与c个投影子空间的距离D(Z,Pi)=min[D(Z,Zij)],其中,Zij为第i类样本的第j个投影特征子像;
S33、将S32所述min[D(Z,Zij)]所属的类别作为待测样本的类别,若有D(Z,Pi)=min[D(Z,Zl)],l=1,2,...,N,且Zl∈ξi,则分类的结果是Z∈ξi,即输入待测图像A∈ξi。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410326417.7A CN104077610B (zh) | 2014-07-10 | 2014-07-10 | 二维非线性投影特征的sar图像目标识别的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410326417.7A CN104077610B (zh) | 2014-07-10 | 2014-07-10 | 二维非线性投影特征的sar图像目标识别的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104077610A true CN104077610A (zh) | 2014-10-01 |
CN104077610B CN104077610B (zh) | 2017-03-29 |
Family
ID=51598856
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410326417.7A Expired - Fee Related CN104077610B (zh) | 2014-07-10 | 2014-07-10 | 二维非线性投影特征的sar图像目标识别的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104077610B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107037417A (zh) * | 2017-06-13 | 2017-08-11 | 电子科技大学 | 雷达真假目标一维像非线性最近邻子空间特征提取方法 |
CN107992893A (zh) * | 2017-12-08 | 2018-05-04 | 北京小米移动软件有限公司 | 压缩图像特征空间的方法及装置 |
CN108629371A (zh) * | 2018-05-02 | 2018-10-09 | 电子科技大学 | 一种对二维时频数据的数据降维方法 |
CN113052200A (zh) * | 2020-12-09 | 2021-06-29 | 江苏科技大学 | 一种基于yolov3网络的声呐图像目标检测方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2050065A2 (en) * | 2006-07-20 | 2009-04-22 | Harris Corporation | Geospatial modeling system providing non-linear inpainting for voids in geospatial model frequency domain data and related methods |
CN103020654A (zh) * | 2012-12-12 | 2013-04-03 | 北京航空航天大学 | 基于样本产生与核局部特征融合的sar图像仿生识别方法 |
CN103870836A (zh) * | 2014-01-10 | 2014-06-18 | 浙江工业大学 | 基于凸集投影超分辨率重构的合成孔径雷达图像目标识别方法 |
-
2014
- 2014-07-10 CN CN201410326417.7A patent/CN104077610B/zh not_active Expired - Fee Related
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2050065A2 (en) * | 2006-07-20 | 2009-04-22 | Harris Corporation | Geospatial modeling system providing non-linear inpainting for voids in geospatial model frequency domain data and related methods |
CN103020654A (zh) * | 2012-12-12 | 2013-04-03 | 北京航空航天大学 | 基于样本产生与核局部特征融合的sar图像仿生识别方法 |
CN103870836A (zh) * | 2014-01-10 | 2014-06-18 | 浙江工业大学 | 基于凸集投影超分辨率重构的合成孔径雷达图像目标识别方法 |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107037417A (zh) * | 2017-06-13 | 2017-08-11 | 电子科技大学 | 雷达真假目标一维像非线性最近邻子空间特征提取方法 |
CN107037417B (zh) * | 2017-06-13 | 2019-08-23 | 电子科技大学 | 雷达真假目标一维像非线性最近邻子空间特征提取方法 |
CN107992893A (zh) * | 2017-12-08 | 2018-05-04 | 北京小米移动软件有限公司 | 压缩图像特征空间的方法及装置 |
CN107992893B (zh) * | 2017-12-08 | 2022-01-04 | 北京小米移动软件有限公司 | 压缩图像特征空间的方法及装置 |
CN108629371A (zh) * | 2018-05-02 | 2018-10-09 | 电子科技大学 | 一种对二维时频数据的数据降维方法 |
CN108629371B (zh) * | 2018-05-02 | 2020-06-16 | 电子科技大学 | 一种对二维时频数据的数据降维方法 |
CN113052200A (zh) * | 2020-12-09 | 2021-06-29 | 江苏科技大学 | 一种基于yolov3网络的声呐图像目标检测方法 |
CN113052200B (zh) * | 2020-12-09 | 2024-03-19 | 江苏科技大学 | 一种基于yolov3网络的声呐图像目标检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN104077610B (zh) | 2017-03-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110443143B (zh) | 多分支卷积神经网络融合的遥感图像场景分类方法 | |
US10255691B2 (en) | Method and system of detecting and recognizing a vehicle logo based on selective search | |
Di et al. | Active learning via multi-view and local proximity co-regularization for hyperspectral image classification | |
Si et al. | Learning hybrid image templates (hit) by information projection | |
CN101551856B (zh) | 基于稀疏最小二乘支撑向量机的sar目标识别方法 | |
CN103824093B (zh) | 一种基于kfda及svm的sar图像目标特征提取与识别方法 | |
CN102622607A (zh) | 一种基于多特征融合的遥感图像分类方法 | |
Ye et al. | Classification based on 3-D DWT and decision fusion for hyperspectral image analysis | |
CN105528794A (zh) | 基于混合高斯模型与超像素分割的运动目标检测方法 | |
CN102324047A (zh) | 基于稀疏核编码skr的高光谱图像地物识别方法 | |
CN110516525B (zh) | 基于gan和svm的sar图像目标识别方法 | |
CN103955701A (zh) | 多层次结合的多视合成孔径雷达图像目标识别方法 | |
CN111639587B (zh) | 基于多尺度谱空卷积神经网络的高光谱图像分类方法 | |
CN104008394B (zh) | 基于近邻边界最大的半监督高光谱数据降维方法 | |
CN103996047A (zh) | 基于压缩谱聚类集成的高光谱图像分类方法 | |
CN101196564A (zh) | 拉普拉斯正则化最小二乘合成孔径雷达自动目标识别方法 | |
CN104463248A (zh) | 基于深度玻尔兹曼机提取高层特征的高分辨率遥感图像飞机检测方法 | |
CN104077610A (zh) | 二维非线性投影特征的sar图像目标识别的方法 | |
CN104680169A (zh) | 一种面向高空间分辨率遥感图像专题信息提取的半监督诊断性特征选择方法 | |
CN103295031A (zh) | 一种基于正则风险最小化的图像目标计数方法 | |
CN103440508A (zh) | 基于视觉词袋模型的遥感图像目标识别方法 | |
CN103177265A (zh) | 基于核函数与稀疏编码的高清图像分类方法 | |
CN109034213B (zh) | 基于相关熵原则的高光谱图像分类方法和系统 | |
Hu et al. | A comparative study of sampling analysis in scene classification of high-resolution remote sensing imagery | |
CN104732248A (zh) | 基于Omega形状特征的人体目标检测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20170329 Termination date: 20180710 |