CN109165678A - 基于双谱三维图像纹理特征的辐射源识别方法及装置 - Google Patents
基于双谱三维图像纹理特征的辐射源识别方法及装置 Download PDFInfo
- Publication number
- CN109165678A CN109165678A CN201810848901.4A CN201810848901A CN109165678A CN 109165678 A CN109165678 A CN 109165678A CN 201810848901 A CN201810848901 A CN 201810848901A CN 109165678 A CN109165678 A CN 109165678A
- Authority
- CN
- China
- Prior art keywords
- bispectrum
- image
- submodule
- textural characteristics
- emitter
- 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.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/40—Analysis of texture
- G06T7/41—Analysis of texture based on statistical description of texture
- G06T7/45—Analysis of texture based on statistical description of texture using co-occurrence matrix computation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Probability & Statistics with Applications (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种基于双谱三维图像纹理特征的辐射源识别方法及装置,该方法包含:获取不同辐射源信号的样本数据,通过计算信号双谱,得到双谱三维图像;针对双谱三维图像,通过图像的灰度共生矩阵,提取纹理特征;针对纹理特征,通过支持向量机进行分类并识别辐射源个体。本发明避免单独采用双谱存在的特征维度高以及积分双谱部分分类信息丢失等问题;在探索辐射源个体识别中稳态信号射频指纹的提取,充分利用样本信息,有效提高分类器训练识别的效率、应用范围和鲁棒性,在抗噪性、小样本、多目标、不同调制方式普适性等不同条件下均具有优势,通过实际电台信号验证其在实际电磁环境中的有效性,在提高分类器效率和鲁棒性能上具有重要的研究价值。
Description
技术领域
本发明属于卫星通信安全技术领域,特别涉及一种基于双谱三维图像纹理特征的辐射源识别方法及装置。
背景技术
卫星通信系统中,辐射源个体识别通过处理射频信号的瞬态信号或稳态信号来实现。国内外研究者大多着眼于开关机等暂态信号的研究,但是暂态信号持续时间短,在非协作条件下,检测和捕获极其困难,因此从稳态信号中提取辐射源个体的细微特征有着更为重要的现实意义。在现有稳态信号研究中,双谱算法具有时移不变性、尺度变化性和相位保持性和对高斯噪声的抑制性,但直接应用双谱需要计算复杂的二维匹配模板,导致其识别效率低,且应用范围受限。
发明内容
为此,本发明提供一种基于双谱三维图像纹理特征的辐射源识别方法及装置,从图像处理角度入手,利用双谱图像的纹理特征对辐射源个体进行识别,提高分类器训练识别的效率和鲁棒性。
按照本发明所提供的设计方案,一种基于双谱三维图像纹理特征的辐射源识别方法,包含如下内容:
A)获取不同辐射源信号的样本数据,通过计算信号双谱,得到双谱三维图像;
B)针对双谱三维图像,通过图像的灰度共生矩阵,提取纹理特征;
C)针对纹理特征,通过支持向量机进行分类并识别辐射源个体。
上述的,A)中,将样本数据进行分段处理;通过对每段数据进行三重相关,得到相关序列;对相关序列进行傅里叶变换,获取信号双谱值;将每段数据中获取的信号双谱值进行累加,得到双谱估计;依据双谱估计获取辐射源信号的双谱三维图像。
上述的,B)中,针对双谱三维图像,进行灰度级压缩,获取量化处理后的图像数据;图像数据中任意一点及偏离其的一点构成点对,统计每一种点对灰度值出现次数,并归一化为概率数值,得到灰度共生矩阵;针对灰度共生矩阵,提取其纹理参数,该纹理参数包含能量、对比度、熵和相关性。
优选的,针对能量参数,通过点对的像素分布概率来获取;针对对比度参数,通过相邻像素件的灰度差来获取;针对熵参数,通过辐射源个数及点对的像素分布概率来获取;针对自相关参数,通过点对的像素分布概率相关性来获取。
优选的,能量ASM的计算公式表示如下:
其中,P(i,j)表示点对(i,j)的像素分布概率,L表示图像数据中的图像最大灰度级;对比度CON的计算公式表示如下:
其中,n表示相邻像素间的灰度差;熵ENT的计算公式表示如下:
其中,k表示辐射源个数;自相关COR的计算公式表示如下:
,其中,
上述的,C)中,将从不同空间方向得到的纹理特征进行组合,获取特征向量;针对特征向量,通过主成分分析去相关后,送入SVM分类器进行训练,以识别辐射源个体。
一种基于双谱三维图像纹理特征的辐射源识别装置,包含:图像获取模块、特征提取模块和训练识别模块,其中,
图像获取模块,用于通过获取不同辐射源信号的样本数据,并通过计算信号双谱,得到双谱三维图像;
特征提取模块,用于针对双谱三维图像,通过图像的灰度共生矩阵,提取纹理特征;
训练识别模块,用于针对纹理特征,通过支持向量机进行分类并识别辐射源个体。
上述的装置中,图像获取模块包含信号处理子模块、双谱估计子模块和双谱图像获取子模块,其中,
信号处理子模块,用于将样本数据进行分段处理;通过对每段数据进行三重相关,得到相关序列;对相关序列进行傅里叶变换,获取信号双谱值;
双谱估计子模块,用于将每段数据中获取的信号双谱值进行累加,得到双谱估计;
双谱图像获取子模块,用于依据双谱估计获取辐射源信号的双谱三维图像。
上述的装置中,特征提取模块包含图像压缩子模块、归一化处理子模块和参数提取子模块,其中,
图像压缩子模块,用于针对双谱三维图像,进行灰度级压缩,获取量化处理后的图像数据;
归一化处理子模块,用于将图像数据中任意一点及偏离其的一点构成点对,统计每一种点对灰度值出现次数,并归一化为概率数值,得到灰度共生矩阵;
参数提取子模块,用于针对灰度共生矩阵,提取其纹理参数,该纹理参数包含能量、对比度、熵和相关性。
上述的装置中,训练识别模块包含特征组合子模块、降维处理子模块和识别子模块,其中,
特征组合子模块,用于将从不同空间方向得到的纹理特征进行组合,获取特征向量;
降维处理子模块,用于针对特征向量,通过主成分分析去相关降维处理;
识别子模块,用于将去相关降维处理后的数据送入SVM分类器进行训练,并识别辐射源个体。
本发明的有益效果:
本发明在双谱基础上,采用图像识别,通过灰度共生矩阵提取双谱三维图像的纹理特征,并通过主成分分析去相关降维后,送入SVM分类识别并识别;通过对仿真信号和实际电台信号的测试,在抗噪性、小样本分类、多目标识别、多样式等方面性能优于同类型辐射源识别技术的研究,识别性能更加稳定、可靠,且高效,具有较强的实际应用价值。
附图说明:
图1为本发明的方法流程图;
图2为实施例中FM信号样本的双谱等高线图;
图3为实施例中FM信号双谱三维图;
图4为实施例中K=3时算法识别率随信噪比变化的曲线图;
图5为实施例中K=4时算法识别率随信噪比变化的曲线图;
图6为实施例中K=5时算法识别率随信噪比变化的曲线图;
图7为实施例中K=6时算法识别率随信噪比变化的曲线图;
图8为实施例中K=3,SNR=15dB时,不同训练样本下识别结果;
图9为实施例中K=2时不同调制方式在SNR=15dB的识别结果;
图10为实施例中K=3时不同调制方式在SNR=15dB的识别结果;
图11为实施例中实测FM调制对讲机信号的识别率结果。
具体实施方式:
下面结合附图和技术方案对本发明作进一步详细的说明,并通过优选的实施例详细说明本发明的实施方式,但本发明的实施方式并不限于此。
针对现有稳态信号提取辐射源个体中直接应用双谱需要计算复杂的二维匹配模板,识别效率受到影响,且应用范围受限等的情形。本发明实施例,参见图1所示,一种基于双谱三维图像纹理特征的辐射源识别方法,包含如下内容:获取不同辐射源信号的样本数据,通过计算信号双谱,得到双谱三维图像;针对双谱三维图像,通过图像的灰度共生矩阵,提取纹理特征;针对纹理特征,通过支持向量机进行分类并识别辐射源个体。
通过计算双谱得到其三维图后,结合图像处理,通过灰度共生矩阵提取纹理特征,避免了单独采用双谱存在的特征维度高以及积分双谱部分分类信息丢失等问题,采用支持向量机分类器完成个体识别;在探索辐射源个体识别中稳态信号射频指纹的提取,充分利用样本信息,有效提高识别效率和应用范围。
通过信号样本数据的双谱计算,获取双谱三维图像中,本发明再一实施例中,将样本数据进行分段处理;通过对每段数据进行三重相关,得到相关序列;对相关序列进行傅里叶变换,获取信号双谱值;将每段数据中获取的信号双谱值进行累加,得到双谱估计;依据双谱估计获取辐射源信号的双谱三维图像。设定样本信号为x(t),对采样数据x(t)进行分段;每段数据进行三重相关,得到相关序列Rxx(m1,m2);根据得到的Rxx(m1,m2)进行傅立叶变换,得到的二维傅里叶变换即信号局部的双谱值根据得到的双谱值结果,累加每段双谱值求均值,得到双谱估计;依据双谱估计画出不同辐射源信号的双谱三维图。
针对双谱三维图像,本发明的再一个实施例中,首先对其进行灰度级压缩,获取量化处理后的图像数据;图像数据中任意一点及偏离其的一点构成点对,统计每一种点对灰度值出现次数,并归一化为概率数值,得到灰度共生矩阵;针对灰度共生矩阵,提取其纹理参数,该纹理参数包含能量、对比度、熵和相关性。直接利用双谱图像,借助图像处理中纹理分析的方法提取细微特征,既保留了双谱算法的优势,又巧妙地将维数较高的双谱值转换为维数较低的图像纹理特征。其中,利用图像灰度共生矩阵提取的纹理特征识别辐射源个体流程可设计如下:
步骤201、为了减少计算量,对原始图像灰度级压缩,将灰度图像量化成8级;
步骤202、在图像中任意一点及偏离它的一点构成点对。设该点对的灰度值为(i,j),假设图像的最大灰度级为L,则L与L的组合共有L×L种。对于整幅图像,统计每一种(i,j)值出现的次数,然后归一化为出现的概率P,即灰度共生矩阵,其计算式为P(i,j|d,θ)=P{i,j|x=i,y=j};
步骤203、对灰度共生矩阵计算纹理参数。通常用来表示灰度共生矩阵的特征有:能量、对比度、熵和相关性。纹理特征参数估计的计算方法可表示如下:
(1)能量(Angular Second Moment,ASM)
能量是灰度共生矩阵元素值的平方和,反映了图像灰度分布均匀程度和纹理粗细度。
(2)对比度(contrast)
直接体现了某个像素值及其领域像素值的亮度的对比情况,反映了图像的清晰度和纹理沟纹深浅的程度。
(3)熵(entropy)
熵是图像所具有的信息量的度量,它表示了图像中纹理的非均匀程或复杂程度。
(4)自相关(correlation)
其中,
自相关反应了图像纹理的一致性。
针对灰度共生矩阵的纹理特征参数,本发明实施例,将从不同空间方向得到的参数组合在一起得到一个16维的特征向量,经过PCA主成分分析法去相关降维后,送入SVM分类器进入训练、识别。
基于上述的方法,本发明实施例还提供一种基于双谱三维图像纹理特征的辐射源识别装置,包含:图像获取模块、特征提取模块和训练识别模块,其中,
图像获取模块,用于通过获取不同辐射源信号的样本数据,并通过计算信号双谱,得到双谱三维图像;
特征提取模块,用于针对双谱三维图像,通过图像的灰度共生矩阵,提取纹理特征;
训练识别模块,用于针对纹理特征,通过支持向量机进行分类并识别辐射源个体。
上述的装置中,图像获取模块包含信号处理子模块、双谱估计子模块和双谱图像获取子模块,其中,
信号处理子模块,用于将样本数据进行分段处理;通过对每段数据进行三重相关,得到相关序列;对相关序列进行傅里叶变换,获取信号双谱值;
双谱估计子模块,用于将每段数据中获取的信号双谱值进行累加,得到双谱估计;
双谱图像获取子模块,用于依据双谱估计获取辐射源信号的双谱三维图像。
上述的装置中,特征提取模块包含图像压缩子模块、归一化处理子模块和参数提取子模块,其中,
图像压缩子模块,用于针对双谱三维图像,进行灰度级压缩,获取量化处理后的图像数据;
归一化处理子模块,用于将图像数据中任意一点及偏离其的一点构成点对,统计每一种点对灰度值出现次数,并归一化为概率数值,得到灰度共生矩阵;
参数提取子模块,用于针对灰度共生矩阵,提取其纹理参数,该纹理参数包含能量、对比度、熵和相关性。
上述的装置中,训练识别模块包含特征组合子模块、降维处理子模块和识别子模块,其中,
特征组合子模块,用于将从不同空间方向得到的纹理特征进行组合,获取特征向量;
降维处理子模块,用于针对特征向量,通过主成分分析去相关降维处理;
识别子模块,用于将去相关降维处理后的数据送入SVM分类器进行训练,并识别辐射源个体。
为进一步验证本发明的有效性,下面通过仿真实验做进一步解释说明:
1)对比算法:
Zhang等提出利用选择双谱作为径向基神经网络的分类特征识别辐射源个体,作为对比方法1。任东方等提出提取基于固有时间尺度分解的Hilbert谱图的纹理特征,作为对比方法2。
2)仿真条件:
功放的非线性作用是辐射源设备指纹特征产生的重要原因,采用泰勒多项式模型来描述功放的系统响应可以仿真发射信号的产生。利用该模型产生仿真辐射源信号进行识别,辐射源功率放大器的输出信号为:
其中,l表示泰勒多项式系数,l=1,2…,Ls,包含了通信辐射源的指纹特征,k表示辐射源个数,k=1,2,…,K。
为了分析所提算法的性能,通过四方面的测试,200次蒙特卡罗实验测得的平均识别率为评估标准。
在没有特殊提及的时候,仿真实验参数如下:仿真信号采用FM调制,每类信号训练样本和测试样本数目均为100,参见图2和3所示。信号采样率为8KHz,每个观测样本包含512个采样点。载频为3KHz。泰勒多项式阶数L=3,系数设置:α[1]=[1,0.5,0.3],α[2]=[1,0.08,0.6],α[3]=[1,0.01,0.01],α[4]=[1,0.01,0.8],α[5]=[1,0.6,0.04],α[6]=[1,0.4,0.07]。
3)仿真实验:
仿真一:训练样本、测试样本均固定为100,仿真AWGN信道改变信噪比,分析所提方法的抗噪声性能。
图4所示为当K=3三种算法在不同信噪比的高斯白噪声信道的识别性能。可以看出本文算法在SNR=10dB时,识别率已经达到97%以上,分析结果可知,在较低信噪比情况下,基于双谱三维图提取的纹理特征,相比较单独选择双谱的方法或者其他时频分析法结合图像纹理特征的优势明显,抗噪性能更好。
仿真二:改变辐射源个数K,测试算法在辐射源个数不断增加情况下的稳定性。其中,K=2时取前两个辐射源信号为样本,K=3取前3个,以此类推。
图5~图7所示分别为K=4、5、6时三种算法在高斯白噪声信道的识别性能。结合图4可以看出本发明方法在辐射源个数增加的过程中识别率始终保持很高。更适合实际战场环境中辐射源数目杂多的复杂情况。
仿真三:每次实验均随机选取训练样本数目为50,60,70,80,90,100,测试样本数固定为100,分析算法对训练库的依赖度。
图8所示为K=3,SNR=15dB时,三种方法在不同训练样本下的识别曲线,实验结果表明,随着样本数的减少各个算法性能均有下降,但本发明方法识别率仍然较高,即使只有50个训练样本,识别率仍在95%以上。说明本文所提算法在小样本的情况下仍然有效。
仿真四:同时改变所有辐射源的调制方式,但保证符号速率相同,测试方法在不同调制方式下的普适性。
图9、图10分别表述了SNR为15dB,K分别取2、3时,各方法在不同调制方式下的识别率。实验结果表明,本发明方法优势明显,对于不同数字调制方式的识别性能均优良,具有一定的普适性,尤其是对幅度或者频率上有调制的信号效果更适合,这是因为双谱三维图在频率和幅度的特性反映上差异更大。针对MPSK信号,一方面随着M增大,相位间隔减小,增加了区分难度;另一方面,相同的符号速率,M越大码元速率越大,从而增加分类信息,而两者共同决定了识别性能。
为验证本发明在工程上的实用性,本发明通过如下内容做进一步说明:
1)实验条件:利用实际FM调制对讲机信号对3种方法识别性能进行实验验证。实测信号来自同型号、同批次的6台的FM调制moto对讲机,用Ti(i=1,2,3,4,5,6)表示。信号的采样率为500KHz,使用的衰减器为40dB。
针对实测信号,每台手持机共截取1000个稳态信号段作为总样本,取一半分别作为训练样本和测试样本,每段信号样本包含512个样点。辐射源K的取法同仿真信号。
2)实验结果:由图11可知,本发明提出的方法在实际电台信号的识别实验中有效,且相比Zhang和Ren的方法具有更高的识别率。
通过如上仿真试验和实际电台信号的测试,进一步证明了本发明技术方案在抗噪性、小样本分类、多目标识别、多样式等方面性能优于同类型辐射源个体识别的研究。本发明从图像处理角度入手,利用双谱图像的纹理特征对辐射源个体进行识别,本发明技术方案在抗噪性、小样本、多目标、不同调制方式普适性等不同条件下均具有优势,并通过实际电台信号验证其在实际电磁环境中的有效性,在提高分类器效率和鲁棒性能上具有重要的研究价值。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
结合本文中所公开的实施例描述的各实例的单元及方法步骤,能够以电子硬件、计算机软件或者二者的结合来实现,为了清楚地说明硬件和软件的可互换性,在上述说明中已按照功能一般性地描述了各示例的组成及步骤。这些功能是以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。本领域普通技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不认为超出本发明的范围。
本领域普通技术人员可以理解上述方法中的全部或部分步骤可通过程序来指令相关硬件完成,所述程序可以存储于计算机可读存储介质中,如:只读存储器、磁盘或光盘等。可选地,上述实施例的全部或部分步骤也可以使用一个或多个集成电路来实现,相应地,上述实施例中的各模块/单元可以采用硬件的形式实现,也可以采用软件功能模块的形式实现。本发明不限制于任何特定形式的硬件和软件的结合。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本申请。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下,在其它实施例中实现。因此,本申请将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (10)
1.一种基于双谱三维图像纹理特征的辐射源识别方法,其特征在于,包含如下内容:
A)获取不同辐射源信号的样本数据,通过计算信号双谱,得到双谱三维图像;
B)针对双谱三维图像,通过图像的灰度共生矩阵,提取纹理特征;
C)针对纹理特征,通过支持向量机进行分类并识别辐射源个体。
2.根据权利要求1所述的基于双谱三维图像纹理特征的辐射源识别方法,其特征在于,A)中,将样本数据进行分段处理;通过对每段数据进行三重相关,得到相关序列;对相关序列进行傅里叶变换,获取信号双谱值;将每段数据中获取的信号双谱值进行累加,得到双谱估计;依据双谱估计获取辐射源信号的双谱三维图像。
3.根据权利要求1所述的基于双谱三维图像纹理特征的辐射源识别方法,其特征在于,B)中,针对双谱三维图像,进行灰度级压缩,获取量化处理后的图像数据;图像数据中任意一点及偏离其的一点构成点对,统计每一种点对灰度值出现次数,并归一化为概率数值,得到灰度共生矩阵;针对灰度共生矩阵,提取其纹理参数,该纹理参数包含能量、对比度、熵和相关性。
4.根据权利要求3所述的基于双谱三维图像纹理特征的辐射源识别方法,其特征在于,针对能量参数,通过点对的像素分布概率来获取;针对对比度参数,通过相邻像素件的灰度差来获取;针对熵参数,通过辐射源个数及点对的像素分布概率来获取;针对自相关参数,通过点对的像素分布概率相关性来获取。
5.根据权利要求3或4所述的基于双谱三维图像纹理特征的辐射源识别方法,其特征在于,能量ASM的计算公式表示如下:
其中,P(i,j)表示点对(i,j)的像素分布概率,L表示图像数据中的图像最大灰度级;对比度CON的计算公式表示如下:
其中,n表示相邻像素间的灰度差;熵ENT的计算公式表示如下:
其中,k表示辐射源个数;自相关COR的计算公式表示如下:
,
其中,
6.根据权利要求1所述的基于双谱三维图像纹理特征的辐射源识别方法,其特征在于,C)中,将从不同空间方向得到的纹理特征进行组合,获取特征向量;针对特征向量,通过主成分分析去相关后,送入SVM分类器进行训练,以识别辐射源个体。
7.一种基于双谱三维图像纹理特征的辐射源识别装置,其特征在于,包含:图像获取模块、特征提取模块和训练识别模块,其中,
图像获取模块,用于通过获取不同辐射源信号的样本数据,并通过计算信号双谱,得到双谱三维图像;
特征提取模块,用于针对双谱三维图像,通过图像的灰度共生矩阵,提取纹理特征;
训练识别模块,用于针对纹理特征,通过支持向量机进行分类并识别辐射源个体。
8.根据权利要求7所述的基于双谱三维图像纹理特征的辐射源识别装置,其特征在于,图像获取模块包含信号处理子模块、双谱估计子模块和双谱图像获取子模块,其中,
信号处理子模块,用于将样本数据进行分段处理;通过对每段数据进行三重相关,得到相关序列;对相关序列进行傅里叶变换,获取信号双谱值;
双谱估计子模块,用于将每段数据中获取的信号双谱值进行累加,得到双谱估计;
双谱图像获取子模块,用于依据双谱估计获取辐射源信号的双谱三维图像。
9.根据权利要求7所述的基于双谱三维图像纹理特征的辐射源识别装置,其特征在于,特征提取模块包含图像压缩子模块、归一化处理子模块和参数提取子模块,其中,
图像压缩子模块,用于针对双谱三维图像,进行灰度级压缩,获取量化处理后的图像数据;
归一化处理子模块,用于将图像数据中任意一点及偏离其的一点构成点对,统计每一种点对灰度值出现次数,并归一化为概率数值,得到灰度共生矩阵;
参数提取子模块,用于针对灰度共生矩阵,提取其纹理参数,该纹理参数包含能量、对比度、熵和相关性。
10.根据权利要求7所述的基于双谱三维图像纹理特征的辐射源识别装置,其特征在于,训练识别模块包含特征组合子模块、降维处理子模块和识别子模块,其中,
特征组合子模块,用于将从不同空间方向得到的纹理特征进行组合,获取特征向量;
降维处理子模块,用于针对特征向量,通过主成分分析去相关降维处理;
识别子模块,用于将去相关降维处理后的数据送入SVM分类器进行训练,并识别辐射源个体。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810848901.4A CN109165678A (zh) | 2018-07-28 | 2018-07-28 | 基于双谱三维图像纹理特征的辐射源识别方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810848901.4A CN109165678A (zh) | 2018-07-28 | 2018-07-28 | 基于双谱三维图像纹理特征的辐射源识别方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109165678A true CN109165678A (zh) | 2019-01-08 |
Family
ID=64898629
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810848901.4A Pending CN109165678A (zh) | 2018-07-28 | 2018-07-28 | 基于双谱三维图像纹理特征的辐射源识别方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109165678A (zh) |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109978028A (zh) * | 2019-03-12 | 2019-07-05 | 北京理工大学 | 一种基于集成深度学习的特定辐射源识别方法 |
CN110018447A (zh) * | 2019-04-09 | 2019-07-16 | 电子科技大学 | 基于双谱分析与卷积神经网络的信号发射机个体识别方法 |
CN110197209A (zh) * | 2019-05-15 | 2019-09-03 | 电子科技大学 | 一种基于多特征融合的辐射源识别方法 |
CN110691050A (zh) * | 2019-09-10 | 2020-01-14 | 中国人民解放军战略支援部队信息工程大学 | 基于c-e特征的辐射源指纹提取方法、装置及个体识别系统 |
CN111276158A (zh) * | 2020-01-22 | 2020-06-12 | 嘉兴学院 | 一种基于语谱图纹理特征的音频场景识别方法 |
CN111382803A (zh) * | 2020-03-18 | 2020-07-07 | 电子科技大学 | 一种基于深度学习的特征融合方法 |
CN111568409A (zh) * | 2020-04-27 | 2020-08-25 | 南京航空航天大学 | 基于双谱分析和图傅里叶变换的心电信号特征提取方法 |
CN111709457A (zh) * | 2020-05-25 | 2020-09-25 | 中国电子科技集团公司第二十九研究所 | 一种基于双谱特征的电磁目标智能化聚类方法 |
CN111814703A (zh) * | 2020-07-13 | 2020-10-23 | 四川大学 | 一种非重构条件下基于hb的信号联合特征提取方法 |
CN112312457A (zh) * | 2020-10-29 | 2021-02-02 | 上海电机学院 | 一种基于复数深度残差网络的通信辐射源个体识别方法 |
CN114940142A (zh) * | 2022-05-31 | 2022-08-26 | 中国人民解放军国防科技大学 | 一种基于辐射源个体验证的汽车防盗方法、系统及车辆 |
CN115456035A (zh) * | 2022-11-10 | 2022-12-09 | 中铁第一勘察设计院集团有限公司 | 基于对角相关局部积分双谱的射频指纹识别方法 |
US11734948B2 (en) | 2019-03-11 | 2023-08-22 | Moqi Technology (beijing) Co., Ltd. | Device and method for contactless fingerprint acquisition |
CN117788841A (zh) * | 2024-02-23 | 2024-03-29 | 青岛大学 | 一种基于双谱分析和cnn的永磁电机退磁故障诊断方法 |
US12003289B2 (en) | 2021-06-13 | 2024-06-04 | Levl Parent, Llc | System and method for radio frequency fingerprinting |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106780449A (zh) * | 2016-12-06 | 2017-05-31 | 嘉兴学院 | 一种基于纹理特征的无参考图像质量评价方法 |
-
2018
- 2018-07-28 CN CN201810848901.4A patent/CN109165678A/zh active Pending
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106780449A (zh) * | 2016-12-06 | 2017-05-31 | 嘉兴学院 | 一种基于纹理特征的无参考图像质量评价方法 |
Non-Patent Citations (3)
Title |
---|
任东方 等: "基于ITD与纹理分析的特定辐射源识别方法", 《通信学报》 * |
官建平: "基于双谱的辐射源个体识别技术", 《中国优秀硕士学位论文全文数据库信息科技辑》 * |
王占领 等: "雷达辐射源信号双谱二次特征提取方法", 《空军工程大学学报(自然科学版)》 * |
Cited By (25)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11734948B2 (en) | 2019-03-11 | 2023-08-22 | Moqi Technology (beijing) Co., Ltd. | Device and method for contactless fingerprint acquisition |
CN109978028A (zh) * | 2019-03-12 | 2019-07-05 | 北京理工大学 | 一种基于集成深度学习的特定辐射源识别方法 |
CN110018447A (zh) * | 2019-04-09 | 2019-07-16 | 电子科技大学 | 基于双谱分析与卷积神经网络的信号发射机个体识别方法 |
CN110197209A (zh) * | 2019-05-15 | 2019-09-03 | 电子科技大学 | 一种基于多特征融合的辐射源识别方法 |
CN110197209B (zh) * | 2019-05-15 | 2022-07-26 | 电子科技大学 | 一种基于多特征融合的辐射源识别方法 |
CN110691050B (zh) * | 2019-09-10 | 2022-01-21 | 中国人民解放军战略支援部队信息工程大学 | 基于c-e特征的辐射源指纹提取方法、装置及个体识别系统 |
CN110691050A (zh) * | 2019-09-10 | 2020-01-14 | 中国人民解放军战略支援部队信息工程大学 | 基于c-e特征的辐射源指纹提取方法、装置及个体识别系统 |
CN111276158A (zh) * | 2020-01-22 | 2020-06-12 | 嘉兴学院 | 一种基于语谱图纹理特征的音频场景识别方法 |
CN111382803A (zh) * | 2020-03-18 | 2020-07-07 | 电子科技大学 | 一种基于深度学习的特征融合方法 |
CN111382803B (zh) * | 2020-03-18 | 2022-06-03 | 电子科技大学 | 一种基于深度学习的通信信号特征融合方法 |
CN111568409A (zh) * | 2020-04-27 | 2020-08-25 | 南京航空航天大学 | 基于双谱分析和图傅里叶变换的心电信号特征提取方法 |
CN111568409B (zh) * | 2020-04-27 | 2021-03-16 | 南京航空航天大学 | 基于双谱分析和图傅里叶变换的心电信号特征提取方法 |
CN111709457B (zh) * | 2020-05-25 | 2022-08-26 | 中国电子科技集团公司第二十九研究所 | 一种基于双谱特征的电磁目标智能化聚类方法 |
CN111709457A (zh) * | 2020-05-25 | 2020-09-25 | 中国电子科技集团公司第二十九研究所 | 一种基于双谱特征的电磁目标智能化聚类方法 |
CN111814703B (zh) * | 2020-07-13 | 2022-05-24 | 四川大学 | 一种非重构条件下基于hb的信号联合特征提取方法 |
CN111814703A (zh) * | 2020-07-13 | 2020-10-23 | 四川大学 | 一种非重构条件下基于hb的信号联合特征提取方法 |
CN112312457A (zh) * | 2020-10-29 | 2021-02-02 | 上海电机学院 | 一种基于复数深度残差网络的通信辐射源个体识别方法 |
CN112312457B (zh) * | 2020-10-29 | 2023-07-21 | 上海电机学院 | 一种基于复数深度残差网络的通信辐射源个体识别方法 |
US12003289B2 (en) | 2021-06-13 | 2024-06-04 | Levl Parent, Llc | System and method for radio frequency fingerprinting |
CN114940142A (zh) * | 2022-05-31 | 2022-08-26 | 中国人民解放军国防科技大学 | 一种基于辐射源个体验证的汽车防盗方法、系统及车辆 |
CN114940142B (zh) * | 2022-05-31 | 2023-10-13 | 中国人民解放军国防科技大学 | 一种基于辐射源个体验证的汽车防盗方法、系统及车辆 |
CN115456035A (zh) * | 2022-11-10 | 2022-12-09 | 中铁第一勘察设计院集团有限公司 | 基于对角相关局部积分双谱的射频指纹识别方法 |
CN115456035B (zh) * | 2022-11-10 | 2023-04-07 | 中铁第一勘察设计院集团有限公司 | 基于对角相关局部积分双谱的射频指纹识别方法 |
CN117788841A (zh) * | 2024-02-23 | 2024-03-29 | 青岛大学 | 一种基于双谱分析和cnn的永磁电机退磁故障诊断方法 |
CN117788841B (zh) * | 2024-02-23 | 2024-05-17 | 青岛大学 | 一种基于双谱分析和cnn的永磁电机退磁故障诊断方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109165678A (zh) | 基于双谱三维图像纹理特征的辐射源识别方法及装置 | |
Amoon et al. | Automatic target recognition of synthetic aperture radar (SAR) images based on optimal selection of Zernike moments features | |
Kandaswamy et al. | Efficient texture analysis of SAR imagery | |
US20110248827A1 (en) | System and Method for Radio-Frequency Fingerprinting as a Security Layer in RFID Devices | |
US8131074B2 (en) | Specific emitter identification using histogram of oriented gradient features | |
CN110244271A (zh) | 基于多重同步压缩变换的雷达辐射源分选识别方法及装置 | |
CN103605958A (zh) | 一种基于灰度共生矩阵和小波分析的活体人脸检测方法 | |
Sequeira et al. | Iris liveness detection methods in mobile applications | |
Das et al. | Lip biometric template security framework using spatial steganography | |
CN102034288A (zh) | 基于多生物特征识别的智能门禁系统 | |
CN102063907B (zh) | 一种针对音频扩频隐写的隐写分析方法 | |
CN108960088A (zh) | 特定环境的面部活体特征检测、识别方法 | |
Wilson et al. | Effect of resolution and image quality on combined optical and neural network fingerprint matching | |
CN104778457A (zh) | 基于多示例学习的视频人脸识别算法 | |
CN103824093A (zh) | 一种基于kfda及svm的sar图像目标特征提取与识别方法 | |
CN103279744A (zh) | 基于多尺度三模式纹理特征的仿造指纹检测方法和系统 | |
CN108766464A (zh) | 基于电网频率波动超矢量的数字音频篡改自动检测方法 | |
CN103310235A (zh) | 一种基于参数识别与估计的隐写分析方法 | |
Alpar | Online signature verification by continuous wavelet transformation of speed signals | |
CN113436646A (zh) | 一种采用联合特征与随机森林的伪装语音检测方法 | |
CN103136546A (zh) | 线上签名的多维度验证方法、装置 | |
Wyzykowski et al. | Multiresolution synthetic fingerprint generation | |
Davarzani et al. | Image authentication using LBP-based perceptual image hashing | |
CN110069969A (zh) | 一种基于伪随机整合的认证指纹识别方法 | |
Saigaa et al. | An effective biometric identification system using enhanced palm texture features: Adjustable local binary pattern: a new scheme for images texture analysis |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20190108 |