CN107403136B - 基于结构保持字典学习的sar目标型号识别方法 - Google Patents

Abstract

本发明公开了一种基于结构保持字典学习的SAR目标型号识别方法，主要解决现有技术在低信噪比条件下进行目标识别时效果不好的问题。其实现步骤是：预处理，去除背景杂波，得到训练样本图像和测试样本图像的归一化子图像；字典学习，利用feature‑sigh search算法与K‑SVD算法迭代训练，获得和训练样本类别数量相同的多个字典矩阵；利用OMP算法计算测试样本的稀疏描述向量；计算重构误差；基于最小重构误差准则，确定识别结果。本发明与现有技术相比提高了识别算法的鲁棒性，具有低信噪比条件下高精度识别的能力。

Description

基于结构保持字典学习的SAR目标型号识别方法

技术领域

本发明属于图像处理技术领域，具体涉及一种基于结构保持字典学习的合成孔径雷达(Synthetic aperture radar，SAR)图像目标识别方法。

背景技术

SAR由于其全天时、全天候的强大优势，已被广泛应用于诸多领域。从复杂的地物场景中有效的检测到目标，并对检测到的目标进行识别的SAR自动目标识别技术受到了越来越多的关注。

不同于传统的SAR目标类型识别，目标型号识别的难度更大，其意在要把属于同一类型的具有细节差异的目标区分开来。例如，同一类型的坦克上有没有机关枪或者油箱，坦克上的天线是否打开等。目标型号识别的研究在目标细节特征分析、战场感知以及精确打击等应用领域中具有重要的意义。

SAR目标图像由于其独特的相干成像机理，使其不可避免的遭受方位角敏感特性的影响，也就是说同类别目标在不同方位角下的差异往往要大于不同类别目标在相似方位角下的差异。对于目标的型号识别而言，这个问题更加严峻。如何实现目标细节特征的准确捕获与描述，获得高鲁棒性、高抗噪性、高精度的目标型号识别急需解决。

基于稀疏描述的目标识别算法可获得较高精度的目标识别结果，然而这些算法的鲁棒性和抗噪性较差，这是因为现有的基于稀疏描述的SAR目标识别算法均采用预先定义的字典。

发明内容

本发明的目的在于，提供一种基于结构保持字典学习的SAR目标识别方法，通过迭代优化获得对噪声具有鲁棒性的字典矩阵，以解决现有技术在含噪条件下目标识别效果不好的问题。

为了实现上述任务，本发明采用以下技术方案：

一种基于结构保持字典学习的SAR目标识别方法，包括以下步骤：

步骤一，输入训练样本图像集和测试样本图像集，分别求取训练样本图像集中每一个训练样本图像和测试样本图像集中每一个测试样本图像的归一化子图像；

步骤二，分别构造训练样本图像集中每一类训练样本图像的局部结构保持因子和远距离结构保持因子；

步骤三，融合局部结构保持因子和远距离结构保持因子，获得合成的数据结构特性保持因子；

步骤四，结合合成的数据结构特性保持因子，构造字典学习目标函数，计算训练样本图像在所述的字典下的稀疏描述向量；

步骤五，利用所述的稀疏描述向量，更新该类字典矩阵；

步骤六，迭代步骤四和步骤五，直到所述的字典矩阵收敛；

步骤七，利用字典矩阵，分别计算测试样本图像在不同类别字典矩阵下的稀疏描述向量；

步骤八，利用测试样本图像和各字典矩阵以及对应的稀疏描述向量，计算测试样本图像的各重构误差；

步骤九，基于测试样本图像的重构误差确定识别结果。

进一步地，步骤二中，所述的局部结构保持因子的构造为：

上式中，α_ip,α_iq∈A_i表示对应训练样本图像x_ip,x_iq的稀疏描述向量，x_ip,x_iq表示类别i下的第p个和第q个训练样本图像，A_i表示对应第i类目标的字典矩阵，i＝1,2,...,C，C表示字典矩阵的总数，N_i表示第i类训练样本图像的总个数，||·||₂表示2范数操作；Sⁱ为对应第i类目标的相似性度量函数，其每个元素

为：

其中，t₁表示常数，N_k(x_ip)表示取x_ip的k近邻操作，N_k(x_iq)表示取x_iq的k近邻操作。

进一步地，步骤二中，所述的远距离结构保持因子构造如下：

上式中，Dⁱ为对应第i类目标的差异性矩阵，其每个元素

为：

上式中，t₂表示常数，F_m(x_iq)表示取x_iq的m远邻操作，F_m(x_ip)表示取x_ip的m远邻操作。

进一步地，步骤三中，所述的合成的数据结构特性保持因子构造如下：

上式中，Tr(·)表示矩阵的求迹运算，T表示求矩阵的转置，L_i＝L_i1-L_i2，L_i1＝H_i1-Sⁱ和L_i2＝H_i2-Dⁱ为拉普拉斯矩阵，H_i1和H_i2为对角矩阵，他们的对角线元素分别为

和

进一步地，步骤四中，所述的字典学习目标函数为：

在式6中：arg(·)表示求目标函数的最值时的变量值，η₁和η₂为常数，X_i表示第i类目标的训练样本集，Φ_i表示对应第i类目标的字典矩阵，||·||₁表示1范数操作，||·||_F表示F范数操作。

进一步地，步骤八中，测试样本图像的重构误差通过下式计算：

e_i＝||y-Φ_iα_i||₂ 式7

上式中，e_i表示测试样本图像对应类别i的重构误差，y表示测试样本图像，α_i表示测试样本对应类别i的稀疏描述向量。

进一步地，步骤九中，所述的识别结果为：

其中，k∈[1,C]表示最终识别的结果，C表示样本类别总数。

本发明与现有技术相比具有以下技术特点：

第一，本发明通过构建局部结构保持因子和远距离结构保持因子，并将两者进行融合，实现了数据结构的全面捕获与描述，有效减弱了SAR目标方位角敏感特性对识别的不利影响，提高了SAR目标型号识别的精度。

第二，由于本发明采用学习的字典进行稀疏描述，获得的字典具有更好的鲁棒性，使得本发明可用于含噪条件下的SAR目标型号识别。

附图说明

图1是本发明的流程图；

图2是7个型号目标的光学图像和SAR图像的对比图像；

图3是基于稀疏描述的识别方法的混淆矩阵示意图；

图4是本发明识别方法的混淆矩阵示意图；

图5是受噪声污染的SAR图像示意图；

图6是受噪声污染条件下本发明和基于稀疏描述的识别方法获得的识别结果示意图。

具体实施方式

本发明提出了一种基于结构保持字典学习的SAR目标型号识别方法，流程图如图1所示，具体技术方案介绍如下：

步骤一，输入训练样本图像集和测试样本图像集，分别求取训练样本图像集中每一个训练样本图像和测试样本图像集中每一个测试样本图像的归一化子图像；

本实施例中，以训练样本图像和测试样本图像的几何中心为基准，分别截取80×80像素的子图像，以达到减弱SAR图像中背景噪声对识别性能不利影响的目的。用截取后的每一幅子图像中像素的幅度值，分别除以该子图像中所有像素幅度的最大值，得到训练样本图像或测试样本图像的归一化子图像，以减弱SAR图像不均匀的散射特性对识别性能的不利影响。

步骤二，利用训练样本图像，分别构造训练样本图像集中每一类训练样本图像的局部结构保持因子，使得归一化子图像在原始空间的局部结构在稀疏空间得到保持。

局部结构保持因子的构造为：

上式中，min(·)表示求最小值操作，α_ip,α_iq∈A_i表示对应训练样本图像x_ip,x_iq的稀疏描述向量，x_ip,x_iq表示类别i下的第p个和第q个训练样本图像形成的列向量，A_i表示对应第i类目标的字典矩阵，i＝1,2,...,C，C表示字典矩阵的总数，N_i表示第i类训练样本图像的总个数，||·||₂表示2范数操作；Sⁱ为对应第i类目标的相似性度量函数，其每个元素

为：

其中，t₁表示常数，N_k(x_ip)表示取x_ip的k近邻操作，N_k(x_iq)表示取x_iq的k近邻操作。

利用训练样本图像，分别构造训练样本图像集中每一类训练样本图像的远距离结构保持因子；使得归一化子图像在原始空间的远距离结构在稀疏空间得到保持。远距离结构保持因子构造如下：

上式中，max(·)表示求最大值操作，Dⁱ为对应第i类目标的差异性矩阵，其每个元素

为：

上式中，t₂表示常数，F_m(x_iq)表示取x_iq的m远邻操作，F_m(x_ip)表示取x_ip的m远邻操作。

步骤三，融合局部结构保持因子和远距离结构保持因子，获得合成的数据结构特性保持因子，使得数据的结构特性得到全面描述；合成的数据结构特性保持因子构造如下：

上式中，Tr(·)表示矩阵的求迹运算，T表示求矩阵的转置，L_i＝L_i1-L_i2，L_i1＝H_i1-Sⁱ和L_i2＝H_i2-Dⁱ为拉普拉斯矩阵，H_i1和H_i2为对角矩阵，他们的对角线元素分别为

和

其中p、q表示矩阵的行、列。

具体地，数据结构特性保持因子的融合过程为：

步骤四，结合合成的数据结构特性保持因子，构造字典学习目标函数，然后利用feature-sigh search方法计算训练样本图像在所述的字典下的稀疏描述向量。

所述的字典学习目标函数为：

在式6中：arg(·)表示求目标函数的最值时的变量值，η₁和η₂为常数，本方案中，公式中涉及的常数，均需要根据具体数据来确定；X_i表示第i类目标的训练样本集，Φ_i表示对应第i类目标的字典矩阵，||·||₁表示1范数操作，||·||_F表示F范数操作。所示的字典指的是由一系列基向量构成的矩阵，即Φ_i，训练样本图像的类别就是字典的标号，有几种目标就有几类训练样本，有几类训练样本图像就有几类字典。

Feature-sigh search算法的具体过程可参考文献：

(1)H.Lee,A.Battle,R.Raina,and A.Ng.Efficient sparse codingalgorithms.Advances in Neural Information Processing Systems,2007,19:801–808.

步骤五，利用所述的稀疏描述向量，通过K-SVD算法更新该类字典矩阵；

K-SVD算法的具体过程可参考文献：

(2)M.Aharon,M.Elad,and A.Bruckstein.K-SVD:an algorithm for designingovercomplete dictionaries for sparse representation.IEEE Transactions onSignal Processing,2006,54(11):4311-4322.

步骤六，迭代步骤四和步骤五，直到该类目标的所述的字典矩阵收敛；该类目标即为对应标号的目标，标号是几就表示第几类目标；

步骤七，利用字典矩阵，通过正交匹配追踪(Orthogonal matching pursuit，OMP)分别计算测试样本图像在不同类别字典矩阵下的稀疏描述向量；

不同类别字典矩阵，即对应不同目标的字典矩阵，例如标号都为1的训练样本图像(对应第一类目标)，则对应第一类字典矩阵。总的来说就是，每个目标都会有一个训练样本集，我们利用每个目标的训练样本集(式6中的X_i)，求解式6，得到对应该目标的字典矩阵Φ_i。

正交匹配追踪OMP算法的具体过程可参考文献：

(3)J.Tropp and A.Gilbert.Signal recovery from random measurements viaorthogonal matching pursuit.IEEE Transactions on Information Theory,2007,53(12):4655-4666.

步骤八，利用测试样本图像和各字典矩阵以及对应的稀疏描述向量，计算测试样本图像的各重构误差；

测试样本图像的重构误差通过下式计算：

e_i＝||y-Φ_iα_i||₂ 式7

上式中，e_i表示测试样本图像对应类别i的重构误差，y表示测试样本图像，α_i表示测试样本对应类别i的稀疏描述向量。

步骤九，基于测试样本图像的重构误差确定识别结果。找到重构误差的最小值，将最小值对应的目标类别作为最终的识别结果，具体如下：

其中，k∈[1,C]表示最终识别的结果，C表示样本类别总数，即上述的字典矩阵的总数。

本发明的效果可以结合仿真图通过以下实验进一步说明。

一、仿真条件：

仿真实验环境为：MATLAB R2015a，Intel(R)Core(TM)2Duo CPU 2.53GHz，Window7专业版。

二、仿真内容与结果分析：

仿真1

本发明的实验数据，采用美国国防高级研究计划局“运动和静止目标获取与识别”项目组，在互联网上公开的实测数据。

本发明的训练样本选取为SAR在俯仰角17°时录取的数据，测试样本选取为SAR在俯仰角15°时录取的数据，以下面3类7个型号目标为例说明本发明的有效性。实验数据如表1所示。

表1 本发明仿真实验所采用的实验数据

每幅图像的大小均为128×128个像素，目标的方位覆盖范围是0°-360°。表1中的BMP2、BTR70和T72分别表示不同的目标，BMP2为步兵战车，BTR70为装甲车，T72为主战坦克，BMP2-9563、BMP2-9566和BMP2-C21表示具有局部差异的同一类目标BMP2的3种不同型号，T72-132、T72-812以及T72-S7则表示同一类目标T72的3种不同型号，7个型号目标的光学图像和SAR图像的对比图像如图2所示。本发明和基于稀疏描述的识别方法获得的识别结果表2所示。

表2 本发明和基于稀疏描述的识别方法的识别率对比

在特征维数为1024维时，图3给出了基于稀疏描述的识别方法的混淆矩阵示意图，图4给出了本发明识别方法的混淆矩阵示意图。可以看出，本发明的识别率要高于基于稀疏描述的识别方法的识别率，说明了本发明进行目标型号识别的有效性。

仿真2

为进一步验证本发明对噪声的鲁棒性，进行含噪条件下的识别实验，同样采用表1所示的数据进行实验。首先给每一幅SAR图像添加噪声，具体如下：在SAR图像中随机选择一部分像素，然后将对应像素值用符合均匀分布的随机值进行代替，被替换的像素百分比分别设置为0％、5％、10％以及15％，对应的SAR图像如图5所示。本发明和基于稀疏描述的识别方法获得的识别结果如图6所示，可见，在所有不同的噪声条件下，本发明的识别结果均好于基于稀疏描述的识别算法。由于本发明所使用的字典为学习得到的，其不仅具有极强的结构特征捕获与描述能力，还对噪声具有很强的鲁棒性，可实现高精度的SAR目标型号识别。

Claims (4)

1.一种基于结构保持字典学习的SAR目标识别方法，其特征在于，包括以下步骤：

步骤一，输入训练样本图像集和测试样本图像集，分别求取训练样本图像集中每一个训练样本图像和测试样本图像集中每一个测试样本图像的归一化子图像；

步骤二，分别构造训练样本图像集中每一类训练样本图像的局部结构保持因子和远距离结构保持因子；

所述的局部结构保持因子的构造为：

上式中，α_ip,α_iq∈A_i表示对应训练样本图像x_ip,x_iq的稀疏描述向量，x_ip,x_iq表示类别i下的第p个和第q个训练样本图像，A_i表示对应第i类目标的稀疏描述向量矩阵，i＝1,2,...,C，C表示字典矩阵的总数，N_i表示第i类训练样本图像的总个数，||·||₂表示2范数操作；Sⁱ为对应第i类目标的相似性度量函数，其每个元素

为：

其中，t₁表示常数，N_k(x_ip)表示取x_ip的k近邻操作，N_k(x_iq)表示取x_iq的k近邻操作；

所述的远距离结构保持因子构造如下：

上式中，Dⁱ为对应第i类目标的差异性矩阵，其每个元素

为：

上式中，t₂表示常数，F_m(x_iq)表示取x_iq的m远邻操作，F_m(x_ip)表示取x_ip的m远邻操作；

步骤三，融合局部结构保持因子和远距离结构保持因子，获得合成的数据结构特性保持因子；

步骤四，结合合成的数据结构特性保持因子，构造字典学习目标函数，计算训练样本图像在所述的字典下的稀疏描述向量；

所述的字典学习目标函数为：

在式6中：Tr(·)表示矩阵的求迹运算，T表示求矩阵的转置，L_i＝L_i1-L_i2，L_i1＝H_i1-Sⁱ和L_i2＝H_i2-Dⁱ为拉普拉斯矩阵，H_i1和H_i2为对角矩阵，它们的对角线元素分别为

和

arg(·)表示求目标函数的最值时的变量值，η₁和η₂为常数，X_i表示第i类目标的训练样本集，Φ_i表示对应第i类目标的字典矩阵，||·||₁表示1范数操作，||·||_F表示F范数操作；

步骤五，利用所述的稀疏描述向量，更新该类字典矩阵；

步骤六，迭代步骤四和步骤五，直到所述的字典矩阵收敛；

步骤七，利用字典矩阵，分别计算测试样本图像在不同类别字典矩阵下的稀疏描述向量；

步骤八，利用测试样本图像和各字典矩阵以及对应的稀疏描述向量，计算测试样本图像的各重构误差；

步骤九，基于测试样本图像的重构误差确定识别结果。

2.如权利要求1所述的基于结构保持字典学习的SAR目标识别方法，其特征在于，步骤三中，所述的合成的数据结构特性保持因子构造如下：

上式中，Tr(·)表示矩阵的求迹运算，T表示求矩阵的转置，L_i＝L_i1-L_i2，L_i1＝H_i1-Sⁱ和L_i2＝H_i2-Dⁱ为拉普拉斯矩阵，H_i1和H_i2为对角矩阵，它们的对角线元素分别为

和

3.如权利要求1所述的基于结构保持字典学习的SAR目标识别方法，其特征在于，步骤八中，测试样本图像的各重构误差通过下式计算：

e_i＝||y-Φ_iα_i||₂ 式7

上式中，e_i表示测试样本图像对应类别i的重构误差，y表示测试样本图像，α_i表示测试样本对应类别i的稀疏描述向量。

4.如权利要求1所述的基于结构保持字典学习的SAR目标识别方法，其特征在于，步骤九中，所述的识别结果为：

其中，k∈[1,C]表示最终识别的结果。

Images