CN109753887B - 一种基于增强核稀疏表示的sar图像目标识别方法 - Google Patents
一种基于增强核稀疏表示的sar图像目标识别方法 Download PDFInfo
- Publication number
- CN109753887B CN109753887B CN201811540932.XA CN201811540932A CN109753887B CN 109753887 B CN109753887 B CN 109753887B CN 201811540932 A CN201811540932 A CN 201811540932A CN 109753887 B CN109753887 B CN 109753887B
- Authority
- CN
- China
- Prior art keywords
- monogenic
- target
- kernel
- pseudo
- enhanced
- 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.)
- Active
Links
Images
Landscapes
- Image Analysis (AREA)
Abstract
本发明公开了一种基于增强核稀疏表示的SAR图像目标识别方法,该方法提出一种多尺度单演特征提取方法,用于同时提取SAR图像目标的空间和频域信息,设计一个基于增强核稀疏表示的分类器,用于目标识别。设计的基于增强核稀疏表示的分类器率先采用了核主成分分析和核Fisher鉴别分析计算一个增强的伪变换矩阵;接着提出一种基于增强伪变换矩阵的鉴别性特征映射方法,将特征在核空间中进行降维;最后通过最小化L1范数计算稀疏系数,基于稀疏重建的误差即可进行目标类别的识别。本发明基于多尺度单演信号理论及增强核稀疏表示分类器对SAR目标进行识别,能够实现良好的分类和识别效果。
Description
技术领域
本发明属于图像处理和模式识别领域,尤其涉及一种新的基于增强核稀疏表示的SAR图像目标识别方法。
背景技术
合成孔径雷达(Synthetic Aperture Radar,SAR)是一种高分辨率成像雷达,与光学、红外等雷达相比,它的成像受气候等条件的限制程度小,具有全天时、全天候、多视角和高分辨率等特点。基于SAR图像的目标识别在各种军事和民用领域,如军事方面的战场侦察、对地攻击,民用方面的地形测绘、海洋观测、灾情预报、农作物评估等,都具有非常重要的应用,对其深入研究具有重要的理论意义和实用价值。
在现阶段,SAR图像的目标识别方法通常分为三类:模板匹配法、基于模型的方法、基于特征的方法。其中,基于模板匹配的方法旨在对模板库进行搜索,以获取与待识别目标最为匹配的模板,计算目标的类别标签。该类方法最大的局限性在于很难建立完备的模板库;且当目标受背景杂波干扰时,较难获得良好的匹配结果。为此,人们提出了基于模型的方法,该类方法又分为:基于统计学模型的方法和基于物理模型的方法。前者将SAR图像用参数化的统计分布模型进行表示,当模型和待识别目标的统计关系不存在时,识别易失败;后者采用三维计算机辅助设计,建立SAR目标人造模型,这类方法的性能取决于模型建立的准确度,实际目标和仿真目标之间实际存在的差异会导致识别的受限。为此,后续人们又提出了基于特征的方法,该类方法包括两个关键步骤:特征提取和分类器设计。目前常见的SAR图像目标特征提取方法包括基于小波的方法、非负矩阵分解、Zernike矩等;而常用的SAR目标分类器有基于支持向量机的方法、基于提升的方法、基于稀疏表示的方法等。
尽管现有的算法能处理SAR图像目标识别问题,但是它们的性能仍有待进一步的提高:(1)现阶段SAR目标识别时,缺乏完备、紧致、且具有鉴别性的特征提取方法;(2)当提取的多种类型的特征不是线性可分时,如何设计鲁棒、可靠的分类器是一个难点。
发明内容
发明目的:针对以上问题,本发明提出一种新的基于增强核稀疏表示的SAR图像目标识别方法。该方法基于多尺度单演信号理论对SAR图像进行特征提取,学习得到的特征表现力及鲁棒性强。此外,将提取到的特征输入到增强核稀疏表示分类器中,能实现良好的分类和识别效果。
技术方案:为实现本发明的目的,本发明所采用的技术方案是:一种基于增强核稀疏表示的SAR图像目标识别方法,该方法包括如下步骤:
(1)对SAR目标图像进行多尺度单演变换,求取其在不同尺度下的对应的单演信号;
(2)针对每一个尺度下的单演信号,计算SAR图像目标的单演特征;
(3)基于核主成分分析和核Fisher鉴别分析计算一个增强的伪变换矩阵;
(4)利用增强的伪变换矩阵,进行鉴别性特征映射,将特征在核空间中进行降维,并在核空间中构造新的字典以及待测样本向量;
(5)利用最小化L1范数计算稀疏系数,并基于稀疏重建误差进行目标分类识别。
进一步的,步骤(1)中的,对SAR目标图像进行多尺度单演变换,求取其在不同尺度下的对应的单演信号的方法如下:
(1.1)给定一个二维SAR目标图像x(z),其中z表示二维图像空间像素坐标,先对其进行里斯变换得到二维复信号xR(z),则x(z)对应的单演信号xm(z)可定义为x(z)与其里斯变换的xR(z)的线性组合:
xm(z)=x(z)-(i,j)xR(z);
其中,i和j表示虚部单位,(1,i,j)构成三维互相正交的基坐标;
(1.2)采用二维Log-Gabor滤波器hlg(z)分别与二维SAR目标图像x(z)及里斯变换xR(z)进行卷积,则x(z)对应的单演信号xm(z)求解公式修改为:
xm(z)=(hlg(z)*x(z))-(i,j)(hlg(z)*xR(z))
其中,hlg(z)的频域表达式为:
其中,ω是频率变量,ω0是G(ω)的中心频率,σ表示该二维Log-Gabor滤波器带宽的尺度因子;
(1.3)通过修改σ即可以得到不同尺度的Log-Gabor滤波器,利用不同尺度Log-Gabor滤波器与x(z)及xR(z)进行卷积,即可计算不同尺度的单演信号其中,表示第i个尺度下计算求得的x(z)的单演信号,S表示总尺度数。
进一步的,步骤(2)中的单演特征包括:基于单演信号幅度信息的目标能量特征、基于单演信号相位信息的目标结构特征、及基于单演信号方向信息的目标几何特征。
进一步的,步骤(2)中的,针对每一个尺度下的单演信号,计算SAR图像目标的单演特征的方法如下:
(2.1)针对每一个尺度下的二维单演信号xm(z)进行分解,获取其幅度、相位、和方向信息:
其中,xi(z)和xj(z)分别表示单演信号的i虚部的分量和j虚部的分量;
(2.2)由于xm(z)采用(1.2)中的形式,在求解A(z)、θ(z)三分量时,将采用hlg(z)*x(z)代替x(z),hlg(z)*xR(z)代替xR(z)对A(z)、θ(z)分别计算,最终可以得到S个尺度的单演特征:
(2.3)将S个尺度的单演特征进行向量化:
其中,vec(·)表示将矩阵转化为向量的操作,χ表示得到的单演特征向量。
进一步的,步骤(3)中的,基于核主成分分析和核Fisher鉴别分析计算一个增强的伪变换矩阵,方法如下:
(3.1)给定一个具有c个类别的SAR目标分类,设表示目标训练样本集,其中,n表示样本个数,表示一个目标样本图像经过步骤(2)的处理后得到单演特征向量,yi∈{1,2,...,c}表示目标xi对应的类别标签;设Φ为核函数k(·,·)对应的非线性映射函数,为了保证样本之间的区分性,采用Φ将数据从输入空间X映射到高维核特征空间
Φ=[Φ(x1),Φ(x2),...,Φ(xn)]∈RD×n
(3.3)基于(3.2)求得的Φ(x),得到如下稀疏表示:
上式表示,在满足Φ(xt)=Φα的条件下,求解||α||1式子为最小值时的α,在求解α的过程中,选择L1范数,即对||α||1求最小;
PTΦ(xt)=PTΦα;
其中,Pj是变换矩阵P的第j个变换向量,即:P=[P1,...,Pd],βj=[βj,1,...,βj,n]T为Pj对应的伪变换向量,代表的是线性表示系数,由β1,...,βd可以组成伪变换矩阵B:
B=[β1,...,βd]
基于伪变换矩阵B,变换矩阵P可以表示如下:
P=ΦB
(3.6)将P=ΦB代入步骤(3.4)中的公式PTΦ(xt)=PTΦα中,可得:
BTk(·,xt)=BTKα
其中,k(·,xt)=[k(x1,xt),...,k(xn,xt)]T=ΦTΦ(xt),K=ΦTΦ∈Rn×n表示核格拉姆(Gram)矩阵;
(3.7)基于KPCA对伪变换矩阵B进行求解,首先利用KPCA计算伪变换向量βj∈Rn:
Kβ=λβ
然后通过选择d个具有最大特征值λj的特征向量,j=1,...,d,λ1≥λ2≥…≥λd,得到基于KPCA的伪变换矩阵:
B′=[β1,...,βd]∈Rn×d;
(3.8)基于KFDA对伪变换矩阵B进行求解:
(3.9)建立如下增强伪变换矩阵:
B=[B′,B″]
BTK。
进一步的,步骤(4)中的,用增强的伪变换矩阵,进行鉴别性特征映射,将特征在核空间中进行降维的方法如下:先利用步骤(2)得到的单演特征向量,即训练样本xi和测试样本xt,求得映射到核空间的测试样本向量k(·,xt);再利用增强的伪变换矩阵B,实现特征在核空间中的降维以得到降维后的测试样本向量BTk(·,xt)。
进一步的,步骤(5)中的,利用最小化L1范数计算稀疏系数,并基于稀疏重建误差进行目标分类识别,方法如下:
(5.1)利用降维后的测试样本向量BTk(·,xt)和字典BTK得到如下优化问题:
通过对上式进行求解得到稀疏系数α;
(5.2)针对测试样本对应的单演特征向量xt,计算其隶属第i类的近似,即:
BTKδi
其中,i的取值范围为i∈{1,2,...,c},若假设i一定,则δi(αj)表示向量δi的第j个元素的值,而yj代表第j个训练样本对应的真实类别标签,j∈{1,2,...,n};
(5.3)针对测试样本对应的单演特征向量xt,通过最小化BTk(·,xt)和BTKδi的残差,即可估计测试样本对应的单演特征向量xt的类别标签:
有益效果:与现有技术相比,本发明的技术方案具有以下有益的技术效果:
(1)本发明的方法基于多尺度单演信号理论对SAR图像进行特征提取,学习得到的特征表现力及鲁棒性强。
(2)本发明的方法将提取到的特征输入到增强核稀疏表示分类器中,能实现良好的分类和识别效果。
附图说明
图1是本发明提出算法的框图;
图2是具体实施例中得出的实验结果。
具体实施方式
下面结合附图和实施例对本发明的技术方案作进一步的说明。
本发明所采用的技术方案是:一种基于增强核稀疏表示的SAR图像目标识别方法,包含SAR图像目标特征提取和分类器设计两个步骤:
所述SAR图像目标特征提取步骤包括以下处理:
(1)对SAR目标图像进行多尺度单演变换,求取其在不同尺度下的对应的单演信号;
(2)针对每一个尺度下的单演信号,计算SAR图像目标的单演特征,包括:基于单演信号幅度信息的目标能量特征、基于单演信号相位信息的目标结构特征、及基于单演信号方向信息的目标几何特征;
所述分类器设计模块包括以下步骤:
(3)基于核主成分分析(Kernel Principle Component Analysis,KPCA)和核Fisher鉴别分析(Kernel Fisher Discriminant analysis,KFDA)计算一个增强的伪变换矩阵;
(4)利用增强的伪变换矩阵,进行鉴别性特征映射,将特征在核空间中进行降维,并在核空间中构造新的字典以及待测样本向量;
(5)利用最小化L1范数计算稀疏系数,并基于稀疏重建误差进行目标分类识别。
步骤(1)中的,对SAR目标图像进行多尺度单演变换,求取其在不同尺度下的对应的单演信号的方法如下:
(1.1)给定一个二维SAR目标图像x(z),其中z表示二维图像空间像素坐标,先对其进行里斯(Riesz)变换得到二维复信号xR(z),则x(z)对应的单演信号xm(z)可定义为x(z)与其里斯(Riesz)变换的xR(z)的线性组合:
xm(z)=x(z)-(i,j)xR(z)
其中,i和j表示虚部单位,(1,i,j)构成三维互相正交的基坐标;
(1.2)采用二维Log-Gabor滤波器hlg(z)分别与二维SAR目标图像x(z)及里斯(Riesz)变换xR(z)进行卷积,则x(z)对应的单演信号xm(z)求解公式修改为:
xm(z)=(hlg(z)*x(z))-(i,j)(hlg(z)*xR(z))
其中,hlg(z)的频域表达式为:
其中,ω是频率变量,ω0是G(ω)的中心频率,σ表示该二维Log-Gabor滤波器带宽的尺度因子;
(1.3)通过修改σ即可以得到不同尺度的Log-Gabor滤波器,利用不同尺度Log-Gabor滤波器与x(z)及xR(z)进行卷积,即可计算不同尺度的单演信号其中,表示第i个尺度下计算求得的x(z)的单演信号,S表示总尺度数;
步骤(2)中的,针对每一个尺度下的单演信号,计算SAR图像目标的单演特征,包括:基于单演信号幅度信息的目标能量特征、基于单演信号相位信息的目标结构特征、及基于单演信号方向信息的目标几何特征的方法如下:
(2.1)针对每一个尺度下的二维单演信号xm(z)进行分解,获取其幅度、相位、和方向信息:
其中,xi(z)和xj(z)分别表示单演信号的i虚部的分量和j虚部的分量。
(2.2)由于xm(z)采用(1.2)中的形式,在求解A(z)、θ(z)三分量时,将采用hlg(z)*x(z)代替x(z),hlg(z)*xR(z)代替xR(z)对A(z)、θ(z)分别计算,最终可以得到S个尺度的单演特征:
(2.3)将S个尺度的单演特征进行向量化:
其中,vec(·)表示将矩阵转化为向量的操作,χ表示得到的单演特征向量。另外,考虑到运算量和识别率的折中,通常选取经验值S=3。
步骤(3)中的,基于核主成分分析(Kernel Principle Component Analysis,KPCA)和核Fisher鉴别分析(Kernel Fisher Discriminant analysis,KFDA)计算一个增强的伪变换矩阵,方法如下:
(3.1)给定一个具有c个类别的SAR目标分类识别问题,设表示目标训练样本集,其中,n表示样本个数,即xi是一个m维的实向量,表示一个目标样本图像经过步骤(2)的处理后得到单演特征向量,参见上述2.3中的χ,yi∈{1,2,...,c}表示目标xi对应的类别标签。设Φ为核函数k(·,·)对应的非线性映射函数。为了保证样本之间的区分性,采用Φ将数据从输入空间X映射到高维核特征空间
Φ=[Φ(x1),Φ(x2),...,Φ(xn)]∈RD×n
(3.3)基于(3.2)求得的Φ(x),得到如下稀疏表示:
上式表示,在满足Φ(xt)=Φα的条件下,求解||α||1式子为最小值时的α。在求解α的过程中,选择L1范数,即对||α||1求最小,目的是获得一个满足稀疏条件的解。
PTΦ(xt)=PTΦα
(3.5)利用基于核主成分分析(Kernel Principle Component Analysis,KPCA)或基于核Fisher鉴别分析(Kernel Fisher Discriminant analysis,KFDA)的核降维方法,将映射向量看做空间图像映射结果的线性组合:
其中,Pj是变换矩阵P的第j个变换向量,即:P=[P1,...,Pd]。βj=[βj,1,...,βj,n]T为Pj对应的伪变换向量,代表的是线性表示系数。由β1,...,βd可以组成伪变换矩阵B:
B=[β1,...,βd]
基于伪变换矩阵B,变换矩阵P可以表示如下:
P=ΦB
(3.6)将P=ΦB代入步骤(3.4)中的公式PTΦ(xt)=PTΦα中,可得:
BTk(·,xt)=BTKα
其中,k(·,xt)=[k(x1,xt),...,k(xn,xt)]T=ΦTΦ(xt)。K=ΦTΦ∈Rn×n表示核格拉姆(Gram)矩阵。
(3.7)基于KPCA对伪变换矩阵B进行求解。首先利用KPCA计算伪变换向量βj∈Rn:
Kβ=λβ
然后通过选择d个具有最大特征值λj,j=1,...,d,λ1≥λ2≥…≥λd,的特征向量,可以得到基于KPCA的伪变换矩阵:
B′=[β1,...,βd]∈Rn×d。
(3.8)基于KFDA对伪变换矩阵B进行求解:
(3.9)为了综合KPCA和KFDA的优势,建立如下增强伪变换矩阵:
B=[B′,B″]
BTK
步骤(4)中的,用增强的伪变换矩阵,进行鉴别性特征映射,将特征在核空间中进行降维的方法如下:
(4.1)先利用步骤(2)得到的单演特征向量,即训练样本xi和测试样本xt,求得映射到核空间的测试样本向量k(·,xt);再利用增强的伪变换矩阵B,实现特征在核空间中的降维,得到降维后的测试样本向量BTk(·,xt)。
步骤(5)中的,利用最小化L1范数计算稀疏系数,并基于稀疏重建误差进行目标分类识别,方法如下:
(5.1)利用降维后的测试样本向量BTk(·,xt)和字典BTK,可以得到如下优化问题:
通过对上式进行求解,可以得到稀疏系数α。
(5.2)针对测试样本对应的单演特征向量xt,计算其隶属第i类的近似,即:
BTKδi
这里,i的取值范围为i∈{1,2,...,c},若假设i一定,则δi(αj)表示向量δi的第j个元素的值,而yj代表第j个训练样本对应的真实类别标签,这里j∈{1,2,...,n}。δi实际上是截取的稀疏系数α中只与第i类字典原子对应的系数片段。
(5.3)针对测试样本对应的单演特征向量xt,通过最小化BTk(·,xt)和BTKδi的残差,即可估计测试样本对应的单演特征向量xt的类别标签:
最后,本发明对公开的SAR目标图像数据库(Moving and Stationary TargetAcquisition and Recognition Dataset,MSTAR))进行实验,从该数据库中选择4类SAR目标:BMP2(坦克),T72(坦克),BTR60(装甲车),T62(坦克),其中BMP2和T72又有几种不同的结构上的变形。对每一个目标类,获取不同的俯角17°and 15°下的图像集。其中,俯角17°下的图像集用于训练,俯角15°下的图像集用于测试。
本发明选用七种不同的SAR图像目标识别算法与本专利提出的方法(记为KSRC-M)进行比较,选用的比较算法是:
(1)KSRC-M1:基于单演特征和KPCA核稀疏表示的分类器;
(2)KSRC-M2:基于单演特征和KFDA核稀疏表示的分类器;
(3)TJSRC-M:基于单演特征和联合稀疏表示的分类器;
(4)SRC-M:基于单演特征和稀疏表示的分类器;
(5)SVM-M:基于单演特征和支持向量机的分类器;
(6)KSRC-I:基于亮度特征和增强核稀疏表示的分类器;
(7)SRC-I:基于亮度特征和稀疏表示的分类器。
图2是所有的方法在随机噪声条件下的目标识别性能比较。结果表明,本发明提出的方法对SAR目标识别效果更好。
Claims (4)
1.一种基于增强核稀疏表示的SAR图像目标识别方法,其特征在于,该方法包括如下步骤:
(1)对SAR目标图像进行多尺度单演变换,求取其在不同尺度下的对应的单演信号;
(2)针对每一个尺度下的单演信号,计算SAR图像目标的单演特征;
(3)基于核主成分分析和核Fisher鉴别分析计算一个增强的伪变换矩阵;
(4)利用增强的伪变换矩阵,进行鉴别性特征映射,将特征在核空间中进行降维,并在核空间中构造新的字典以及待测样本向量;
(5)利用最小化L1范数计算稀疏系数,并基于稀疏重建误差进行目标分类识别;
步骤(1)中的,对SAR目标图像进行多尺度单演变换,求取其在不同尺度下的对应的单演信号的方法如下:
(1.1)给定一个二维SAR目标图像x(z),其中z表示二维图像空间像素坐标,先对其进行里斯变换得到二维复信号xR(z),则x(z)对应的单演信号xm(z)可定义为x(z)与其里斯变换的xR(z)的线性组合:
xm(z)=x(z)-(i,j)xR(z);
其中,i和j表示虚部单位,(1,i,j)构成三维互相正交的基坐标;
(1.2)采用二维Log-Gabor滤波器hlg(z)分别与二维SAR目标图像x(z)及里斯变换xR(z)进行卷积,则x(z)对应的单演信号xm(z)求解公式修改为:
xm(z)=(hlg(z)*x(z))-(i,j)(hlg(z)*xR(z))
其中,hlg(z)的频域表达式为:
其中,ω是频率变量,ω0是G(ω)的中心频率,σ表示该二维Log-Gabor滤波器带宽的尺度因子;
(1.3)通过修改σ即可以得到不同尺度的Log-Gabor滤波器,利用不同尺度Log-Gabor滤波器与x(z)及xR(z)进行卷积,即可计算不同尺度的单演信号其中,表示第i个尺度下计算求得的x(z)的单演信号,S表示总尺度数;
步骤(2)中的,针对每一个尺度下的单演信号,计算SAR图像目标的单演特征的方法如下:
(2.1)针对每一个尺度下的二维单演信号xm(z)进行分解,获取其幅度、相位、和方向信息:
其中,xi(z)和xj(z)分别表示单演信号的i虚部的分量和j虚部的分量;
(2.2)由于xm(z)采用(1.2)中的形式,在求解A(z)、θ(z)三分量时,将采用hlg(z)*x(z)代替x(z),hlg(z)*xR(z)代替xR(z)对A(z)、θ(z)分别计算,最终可以得到S个尺度的单演特征:
(2.3)将S个尺度的单演特征进行向量化:
其中,vec(·)表示将矩阵转化为向量的操作,χ表示得到的单演特征向量;
步骤(3)中的,基于核主成分分析和核Fisher鉴别分析计算一个增强的伪变换矩阵,方法如下:
(3.1)给定一个具有c个类别的SAR目标分类,设表示目标训练样本集,其中,n表示样本个数,表示一个目标样本图像经过步骤(2)的处理后得到单演特征向量,yi∈{1,2,…,c}表示目标xi对应的类别标签;设Φ为核函数k(·,·)对应的非线性映射函数,为了保证样本之间的区分性,采用Φ将数据从输入空间X映射到高维核特征空间
Φ1=[Φ(x1),Φ(x2),...,Φ(xn)]∈RD×n
(3.3)基于(3.2)求得的Φ(x),得到如下稀疏表示:
上式表示,在满足Φ(xt)=Φ1α的条件下,求解||α||1式子为最小值时的α,在求解α的过程中,选择L1范数,即对||α||1求最小;
PTΦ(xt)=PTΦ1α;
其中,Pj是变换矩阵P的第j个变换向量,即:P=[P1,...,Pd],βj=[βj,1,...,βj,n]T为Pj对应的伪变换向量,代表的是线性表示系数,由β1,...,βd可以组成伪变换矩阵B:
B=[β1,...,βd]
基于伪变换矩阵B,变换矩阵P可以表示如下:
P=Φ1B
(3.6)将P=Φ1B代入步骤(3.4)中的公式PTΦ(xt)=PTΦ1α中,可得:
BTk(·,xt)=BTKα
其中,k(·,xt)=[k(x1,xt),…,k(xn,xt)]T=Φ1 TΦ(xt),K=Φ1 TΦ1∈Rn×n表示核格拉姆(Gram)矩阵;
(3.7)基于KPCA对伪变换矩阵B进行求解,首先利用KPCA计算伪变换向量βj∈Rn:
Kβ=λβ
然后通过选择d个具有最大特征值λj的特征向量,j=1,…,d,λ1≥λ2≥…≥λd,得到基于KPCA的伪变换矩阵:
B′=[β1,...,βd]∈Rn×d;
(3.8)基于KFDA对伪变换矩阵B进行求解:
(3.9)建立如下增强伪变换矩阵:
B=[B′,B″]
BTK。
2.根据权利要求1所述的一种基于增强核稀疏表示的SAR图像目标识别方法,其特征在于,步骤(2)中的单演特征包括:基于单演信号幅度信息的目标能量特征、基于单演信号相位信息的目标结构特征、及基于单演信号方向信息的目标几何特征。
3.根据权利要求1所述的一种基于增强核稀疏表示的SAR图像目标识别方法,其特征在于,步骤(4)中的,用增强的伪变换矩阵,进行鉴别性特征映射,将特征在核空间中进行降维的方法如下:先利用步骤(2)得到的单演特征向量,即训练样本xi和测试样本xt,求得映射到核空间的测试样本向量k(·,xt);再利用增强的伪变换矩阵B,实现特征在核空间中的降维以得到降维后的测试样本向量BTk(·,xt)。
4.根据权利要求3所述的一种基于增强核稀疏表示的SAR图像目标识别方法,其特征在于,步骤(5)中的,利用最小化L1范数计算稀疏系数,并基于稀疏重建误差进行目标分类识别,方法如下:
(5.1)利用降维后的测试样本向量BTk(·,xt)和字典BTK得到如下优化问题:
通过对上式进行求解得到稀疏系数α;
(5.2)针对测试样本对应的单演特征向量xt,计算其隶属第i类的近似,即:
BTKδi
其中,i的取值范围为i∈{1,2,…,c},若假设i一定,则δi(αj)表示向量δi的第j个元素的值,而yj代表第j个训练样本对应的真实类别标签,j∈{1,2,…,n};
(5.3)针对测试样本对应的单演特征向量xt,通过最小化BTk(·,xt)和BTKδi的残差,即可估计测试样本对应的单演特征向量xt的类别标签:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811540932.XA CN109753887B (zh) | 2018-12-17 | 2018-12-17 | 一种基于增强核稀疏表示的sar图像目标识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811540932.XA CN109753887B (zh) | 2018-12-17 | 2018-12-17 | 一种基于增强核稀疏表示的sar图像目标识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109753887A CN109753887A (zh) | 2019-05-14 |
CN109753887B true CN109753887B (zh) | 2022-09-23 |
Family
ID=66402739
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811540932.XA Active CN109753887B (zh) | 2018-12-17 | 2018-12-17 | 一种基于增强核稀疏表示的sar图像目标识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109753887B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111753700A (zh) * | 2020-06-18 | 2020-10-09 | 天津工业大学 | 一种基于非负稀疏编码的sar图像变化检测方法 |
CN112288044B (zh) * | 2020-12-24 | 2021-07-27 | 成都索贝数码科技股份有限公司 | 基于树型结构的多尺度残差网络的新闻画面属性识别方法 |
CN116310401A (zh) * | 2022-12-19 | 2023-06-23 | 南京航空航天大学 | 一种基于单演特征联合稀疏表示的跨视角sar识别方法 |
CN117036753A (zh) * | 2023-07-18 | 2023-11-10 | 北京观微科技有限公司 | 一种基于模板匹配和InfoGAN的SAR图像扩容方法 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103425998A (zh) * | 2013-08-23 | 2013-12-04 | 西安电子科技大学 | 遮挡情况下的sar目标识别方法 |
CN103824093A (zh) * | 2014-03-19 | 2014-05-28 | 北京航空航天大学 | 一种基于kfda及svm的sar图像目标特征提取与识别方法 |
WO2014106747A1 (en) * | 2013-01-07 | 2014-07-10 | Isis Innovation Limited | Methods and apparatus for image processing |
CN104268593A (zh) * | 2014-09-22 | 2015-01-07 | 华东交通大学 | 一种小样本情况下多稀疏表示的人脸识别方法 |
CN104361337A (zh) * | 2014-09-10 | 2015-02-18 | 苏州工业职业技术学院 | 计算和存储空间受限下的稀疏核主成分分析方法 |
CN105403883A (zh) * | 2015-10-29 | 2016-03-16 | 河南工业大学 | 一种探地雷达地下目标位置检测方法 |
CN106991132A (zh) * | 2017-03-08 | 2017-07-28 | 南京信息工程大学 | 一种基于图集重构与图核降维的图分类方法 |
CN107229923A (zh) * | 2017-06-12 | 2017-10-03 | 电子科技大学 | 一种sar目标识别方法 |
CN107330463A (zh) * | 2017-06-29 | 2017-11-07 | 南京信息工程大学 | 基于cnn多特征联合和多核稀疏表示的车型识别方法 |
CN108564130A (zh) * | 2018-04-24 | 2018-09-21 | 南京师范大学 | 一种基于单演特征与多核学习的红外目标识别方法 |
CN108664941A (zh) * | 2018-05-16 | 2018-10-16 | 河南工程学院 | 基于测地映射分析的核稀疏描述人脸识别方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7831094B2 (en) * | 2004-04-27 | 2010-11-09 | Honda Motor Co., Ltd. | Simultaneous localization and mapping using multiple view feature descriptors |
US8873844B2 (en) * | 2011-11-21 | 2014-10-28 | Nec Laboratories America, Inc. | Large-scale strongly supervised ensemble metric learning |
-
2018
- 2018-12-17 CN CN201811540932.XA patent/CN109753887B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2014106747A1 (en) * | 2013-01-07 | 2014-07-10 | Isis Innovation Limited | Methods and apparatus for image processing |
CN103425998A (zh) * | 2013-08-23 | 2013-12-04 | 西安电子科技大学 | 遮挡情况下的sar目标识别方法 |
CN103824093A (zh) * | 2014-03-19 | 2014-05-28 | 北京航空航天大学 | 一种基于kfda及svm的sar图像目标特征提取与识别方法 |
CN104361337A (zh) * | 2014-09-10 | 2015-02-18 | 苏州工业职业技术学院 | 计算和存储空间受限下的稀疏核主成分分析方法 |
CN104268593A (zh) * | 2014-09-22 | 2015-01-07 | 华东交通大学 | 一种小样本情况下多稀疏表示的人脸识别方法 |
CN105403883A (zh) * | 2015-10-29 | 2016-03-16 | 河南工业大学 | 一种探地雷达地下目标位置检测方法 |
CN106991132A (zh) * | 2017-03-08 | 2017-07-28 | 南京信息工程大学 | 一种基于图集重构与图核降维的图分类方法 |
CN107229923A (zh) * | 2017-06-12 | 2017-10-03 | 电子科技大学 | 一种sar目标识别方法 |
CN107330463A (zh) * | 2017-06-29 | 2017-11-07 | 南京信息工程大学 | 基于cnn多特征联合和多核稀疏表示的车型识别方法 |
CN108564130A (zh) * | 2018-04-24 | 2018-09-21 | 南京师范大学 | 一种基于单演特征与多核学习的红外目标识别方法 |
CN108664941A (zh) * | 2018-05-16 | 2018-10-16 | 河南工程学院 | 基于测地映射分析的核稀疏描述人脸识别方法 |
Non-Patent Citations (5)
Title |
---|
Kernel eigenspace-based MLLR adaptation using multiple regression classes;R. Hsiao et al;《 IEEE International Conference on Acoustics, Speech, and Signal Processing,2005.》;20050509;985-988页 * |
Kernel Sparse Representation-Based Classifier;Li Zhang et al;《IEEE Transactions on Signal Processing》;20111213;第60卷(第4期);1684-1693页 * |
Pedestrian Detection using KPCA and FLD Algorithms;Ying-hong Liang et al;《2007 IEEE International Conference on Automation and Logistics》;20070808;1572-1575页 * |
可变光照和遮挡条件下的人脸识别技术研究及其应用;魏道敏;《中国优秀博硕士学位论文全文数据库(硕士)信息科技辑》;20120715;第2012年卷(第07期);25-30页 * |
基于KPCA与KFDA的SAR图像舰船目标识别;刘磊等;《船舶科学技术》;20170708;第39卷(第7期);149-152页 * |
Also Published As
Publication number | Publication date |
---|---|
CN109753887A (zh) | 2019-05-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109753887B (zh) | 一种基于增强核稀疏表示的sar图像目标识别方法 | |
Deng et al. | SAR automatic target recognition based on Euclidean distance restricted autoencoder | |
Cui et al. | Image data augmentation for SAR sensor via generative adversarial nets | |
Wang et al. | Application of deep-learning algorithms to MSTAR data | |
CN103020654B (zh) | 基于样本产生与核局部特征融合的sar图像仿生识别方法 | |
CN104899549A (zh) | 基于距离像时频图鉴别字典学习的sar目标识别方法 | |
CN102682306B (zh) | 用于sar图像的小波金字塔极化纹理基元特征提取方法 | |
CN107133648B (zh) | 基于自适应多尺度融合稀疏保持投影的一维距离像识别方法 | |
CN112836671A (zh) | 一种基于最大化比率和线性判别分析的数据降维方法 | |
Lin et al. | Using CNN to classify hyperspectral data based on spatial-spectral information | |
CN104021399B (zh) | 基于距离像时频图非负稀疏编码的sar目标识别方法 | |
Sun et al. | A two-stage vehicle type recognition method combining the most effective Gabor features | |
Li et al. | POLSAR Target Recognition Using a Feature Fusion Framework Based on Monogenic Signal and Complex-Valued Nonlocal Network | |
CN116311067A (zh) | 基于高维特征图谱的目标综合识别方法、装置及设备 | |
CN112131962B (zh) | 基于电磁散射特征和深度网络特征的sar图像识别方法 | |
CN112396089B (zh) | 基于lfgc网络和压缩激励模块的图像匹配方法 | |
CN111539284B (zh) | 基于多核k均值和判别随机场的极化sar图像分类方法 | |
CN108830290B (zh) | 基于稀疏表示和高斯分布的sar图像分类方法 | |
CN109344767B (zh) | 一种基于多方位多特征协同表示的sar目标识别方法 | |
Chen et al. | Sparse autoencoder based manifold analyzer model of multi-angle target feature | |
Cao et al. | NMF and FLD based feature extraction with application to synthetic aperture radar target recognition | |
Zhu et al. | A New Target Classification Method for Synthetic Aperture Radar Images based on Wavelet Scattering Transform | |
CN110135280A (zh) | 一种基于稀疏表征分类的多视图sar自动目标识别方法 | |
CN114519812A (zh) | 基于双向二维主成分投影的sar图像识别方法、装置及设备 | |
CN108985445A (zh) | 一种基于机器学习理论的sar目标方位鉴别方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |