CN110210403B - 一种基于特征构造的sar图像目标识别方法 - Google Patents
一种基于特征构造的sar图像目标识别方法 Download PDFInfo
- Publication number
- CN110210403B CN110210403B CN201910480356.2A CN201910480356A CN110210403B CN 110210403 B CN110210403 B CN 110210403B CN 201910480356 A CN201910480356 A CN 201910480356A CN 110210403 B CN110210403 B CN 110210403B
- Authority
- CN
- China
- Prior art keywords
- feature
- original
- characteristic
- feature set
- features
- 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
Classifications
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/13—Satellite images
Abstract
本发明属于雷达自动目标识别领域,具体提供一种基于特征构造的SAR目标识别方法;本发明能够在并不破坏原始图像特征前提下,利用符号回归(Symbolic Regression)和多项式(PolynomialFeatures)方法构造SAR图像特征,线性融合原始特征和构造得到的特征,再利用全局特征维数约简方法实现高判别能力特征提取,最后通过分类器分类;本发明充分利用原始图像像素间的空间结构关系构造出鉴别能力更强的特征,然后与原始SAR图像特征相融合,进而有效提升SAR图像目标识别性能。
Description
技术领域
本发明属于雷达自动目标识别领域,特别涉及一种基于图像特征构造的合成孔径雷达图像目标识别方法。
背景技术
合成孔径雷达(Synthetic Aperture Radar,SAR)因其抗干扰能力强,全天时全天候的工作模式,在遥感领域应用非常广泛。SAR图像目标识别一般分为预处理、特征提取、分类器设计;其中,特征提取作为最重要的步骤,直接影响分类器的最高识别性能。SAR图像一般是由目标,阴影,背景杂波构成,所以在复杂的SAR图像中提取出稳健的鉴别特征一直是SAR目标识别算法的研究重点之一。
早期已有学者在原始SAR图像的纹理特性、几何特征、散射点特性等方面做过大量研究,已有较多的SAR图像特征提取算法被提出;但由于独特的SAR成像机制,SAR图像对目标的方位角、俯仰角以及环境噪声是非常敏感的,所以SAR图像特征一直是一个挑战性问题。
目前,众多SAR图像特征提取算法的最大缺点是忽视了SAR成像中的相关特性,在特征提取过程中丢掉了SAR图像特征间的结构关系,因此稳健的SAR图像特征仍很难被提取。事实上,通过考虑SAR图像像素间空间结构关系,对图像经过向量特征或原始特征的运算,能够得到目标增强的特征。统计学习中特征工程方法中,特征的构造方法早已成熟应用。
鉴于此,本发明提出一种基于特征构造的SAR目标识别方法。
发明内容
本发明的目的在于针对上述SAR自动目标识别技术的不足,提供一种基于特征构造的SAR目标识别方法;本发明能够在并不破坏原始图像特征前提下,利用原始图像像素间的空间结构关系构造出鉴别能力更强的特征,然后与原始SAR图像特征相融合,进而提高SAR图像目标识别性能。
为实现上述目的,本发明所采用的技术方案如下:
一种基于特征构造的SAR目标识别方法,包括以下步骤:
步骤1:对原始图像做向量化,得到原始特征集X=[x1,x2,...,xn];
步骤2:对原始特征集X采用符号回归构造特征集X1;
步骤3:对原始特征集X采用多项式特征构造特征集X2;
步骤4:线性融合原始特征X与特征集X1、特征集X2,得到构造特征集X′;
步骤5:采用主成分分析对构造特征集X′进行降维,得到判别特征集;
步骤6:采用分类器对判别特征集进行目标识别。
进一步的,步骤2的具体过程为:
步骤2.1:对原始特征集X中相邻特征之间进行“+”、“-”、“×”、“÷”四则运算;则,特征x1与x2构造为x1、x2、x1+x2、x1-x2、x1×x2、x1÷x2;
步骤2.2:计算每一维特征与样本类别的皮尔逊相关系数,若相关系数为正、则保留该特征,否则、删除;剩余特征构成特征集X1。
进一步的,步骤3的具体过程为:
对原始特征集X中每个特征构造多项式特征,则特征x1构建为x1、x1 2。
需要说明的是:
步骤2中,构造的x1,x2,x1+x2,x1-x2,x1×x2,x1÷x2特征,SAR图像特征之间的运算能够得到图像本身的隐藏特征,根据如图2的SAR图像的类别分布可知,具体能够提供的有益效果:对于x1+x2相邻特征的求和能够将目标区域增强,强散射信号能够实现更高幅度的提升;对于噪声区域,x1-x2能够削减噪声的影响,克服SAR图像的相干斑噪声影响;对于图像特征而言,特征的变化是对模型影响最敏感的;对于x1×x2,特征值的乘法反映的是特征区域信息,目标区域的乘法,和噪声区域的乘法,得到的结果是成倍数的增加,对于相关系数的筛选中,更大的数据变化能够影响数据的相关系数;对于x1÷x2得到的是原始特征的变化比率,将图像的相干斑噪声区域特征趋于平整,能够有效的遏制噪声;最终形成的特征组合中,包含提升后的目标区域和抑制之后的噪声区域,有效提高识别能力。
步骤3中,构造2阶SAR图像特征,其中最重要的特征是每一维特征的平方项,有益效果是:原始特征的平方,数值变化是直线上升的,能够在原始特征对比时,表现为最重要的目标特征。
步骤4中,线性融合的策略能够有效的克服SAR图像特征没有实际物理意义的特点,对于“盲特征”,直接拼接的好处是不影响原始特征的分布信息。
综上,本发明的有益效果在于:
本发明提供一种基于特征构造的SAR目标识别方法,利用符号回归(SymbolicRegression)和多项式(Polynomial Features)方法构造SAR图像特征,线性融合原始特征和构造得到的特征,再利用全局特征维数约简方法实现高判别能力特征提取,最后通过分类器分类,特征构造能够有效提升SAR目标识别的准确率。
附图说明
图1为本发明一种基于特征构造的SAR目标识别方法的流程示意图。
图2为本发明实施例中2S1类别的图像分布三维视图。
具体实施方式
以下将对发明内容的实施方法进行详细说明,以便于更清晰地体现出本发明的技术要点,以及能够解决的具体问题。
本实施例提供一种基于特征构造的SAR图像识别方法,其流程如图1所示,包括以下步骤:
步骤1:假设SAR图像大小为a×b,对SAR图像进行向量化预处理,得到维度为(a×b)的行向量;得到原始特征集X=[x1,x2,...,xn];
步骤2:符号回归提取数据算术运算特征,作为扩充数据集X1,特征构造步骤为:
步骤2.1:符号回归属于监督学习,用于验证加入公式对结果的影响,具体算法为遗传算法(Genetic Algorithm),开始时,会产生一些简单的运算符,本发明中采用“+”、“-”、“×”,“÷”四种运算用于表示特征之间的关系;
步骤2.2:对原始特征集X中相邻特征之间进行“+”、“-”、“×”、“÷”四则运算;则,特征x1与x2构造为x1、x2、x1+x2、x1-x2、x1×x2、x1÷x2;假设原始特征为n维,经过符号回归计算拓充为n+(n÷2×4),即3n维;
步骤2.3:计算每一维特征与样本类别的皮尔逊相关系数,若相关系数为正、则保留该特征,否则、删除;剩余特征构成特征集X1;
步骤3:对原始特征集X采用多项式特征构造特征集X2;对原始特征集X中每个特征构造多项式特征,则特征x1构建为x1、x1 2;其维度拓展为2n;
步骤4:线性融合原始特征X与特征集X1、特征集X2,得到构造特征集X′;此时的特征维度扩展为原始数据集的5倍,即得到M×(a×b×5)大小的数据集;
步骤5:经过特征构造之后数据的扩充引起了较大的“维数爆炸”问题,因此使用表现效果较好的全局特征提取方案,主成分分析(Principal Component Analysis)提取特征,保存100%信息量,也可将数据保存固定的维数;
步骤6:目标识别,通过改进的K近邻(K-Nearest Neighbor)分类器实现目标识别,KNN改进方法为对于待分类样本的距离加权,使得极端情况的样本分布,能够根据加权后的数值得到更加精准的分类。
本实施例中,应用步骤5中最终选定的构造特征作为本发明的特征判别依据,使用改进的KNN分类器进行分类识别。训练测试样本分布如图2所示,验证方法采用MSTAR标准数据集,采用十个不同类别的地面目标:BMP2、BRDM_2、BTR70、BTR60、T72、2S1、D7、T62、ZIL131、ZSU23_4,分别使用A-J字母表;图像大小统一采用128×128像素;如表1所示:
表1
本实施例中,表2给出了原始特征直接降维的识别率混淆矩阵,表3给出了使用本发明方法的识别混淆矩阵;统计结果显示,本发明的识别率达到95.90%,效果明显优于扩充的原始特征。
表2
表3
以上所述,仅为本发明的具体实施方式,本说明书中所公开的任一特征,除非特别叙述,均可被其他等效或具有类似目的的替代特征加以替换;所公开的所有特征、或所有方法或过程中的步骤,除了互相排斥的特征和/或步骤以外,均可以任何方式组合。
Claims (2)
1.一种基于特征构造的SAR图像目标识别方法,包括以下步骤:
步骤1:对原始图像做向量化,得到原始特征集X=[x1,x2,...,xn];
步骤2:对原始特征集X采用符号回归构造特征集X1;具体过程为:
步骤2.1:对原始特征集X中相邻特征之间进行“+”、“-”、“×”、“÷”四则运算;则,特征x1与x2构造为x1、x2、x1+x2、x1-x2、x1×x2、x1÷x2;
步骤2.2:计算每一维特征与样本类别的皮尔逊相关系数,若相关系数为正、则保留该特征,否则、删除;剩余特征构成特征集X1;
步骤3:对原始特征集X采用多项式特征构造特征集X2;
步骤4:线性融合原始特征X与特征集X1、特征集X2,得到构造特征集X′;
步骤5:采用主成分分析对构造特征集X′进行降维,得到判别特征集;
步骤6:采用分类器对判别特征集进行目标识别。
2.按权利要求1所述基于特征构造的SAR图像目标识别方法,其特征在于,步骤3的具体过程为:
对原始特征集X中每个特征构造多项式特征,则特征x1构建为x1、x1 2。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910480356.2A CN110210403B (zh) | 2019-06-04 | 2019-06-04 | 一种基于特征构造的sar图像目标识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910480356.2A CN110210403B (zh) | 2019-06-04 | 2019-06-04 | 一种基于特征构造的sar图像目标识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110210403A CN110210403A (zh) | 2019-09-06 |
CN110210403B true CN110210403B (zh) | 2022-10-14 |
Family
ID=67790616
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910480356.2A Active CN110210403B (zh) | 2019-06-04 | 2019-06-04 | 一种基于特征构造的sar图像目标识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110210403B (zh) |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8369622B1 (en) * | 2009-10-29 | 2013-02-05 | Hsu Shin-Yi | Multi-figure system for object feature extraction tracking and recognition |
CN103778482A (zh) * | 2014-02-12 | 2014-05-07 | 中国农业大学 | 基于多尺度分析的水产养殖溶解氧短期预测方法 |
CN104268577A (zh) * | 2014-06-27 | 2015-01-07 | 大连理工大学 | 一种基于惯性传感器的人体行为识别方法 |
CN105044298A (zh) * | 2015-07-13 | 2015-11-11 | 常熟理工学院 | 一种基于机器嗅觉的蟹类新鲜度等级检测方法 |
CN106203515A (zh) * | 2016-07-13 | 2016-12-07 | 西华大学 | 多准则融合应用于高维小样本数据特征选择的方法 |
CN107239740A (zh) * | 2017-05-05 | 2017-10-10 | 电子科技大学 | 一种多源特征融合的sar图像自动目标识别方法 |
CN107506699A (zh) * | 2017-08-02 | 2017-12-22 | 合肥工业大学 | 一种基于纹理特征和dbn的sar图像分类方法 |
CN107947830A (zh) * | 2017-11-15 | 2018-04-20 | 电子科技大学 | 一种可抵抗多径干扰的射频指纹识别方法 |
CN108345903A (zh) * | 2018-01-25 | 2018-07-31 | 中南大学湘雅二医院 | 一种基于模态距离约束的多模态融合图像分类方法 |
CN108960922A (zh) * | 2018-07-09 | 2018-12-07 | 中国联合网络通信集团有限公司 | 终端的更换预测方法及装置 |
-
2019
- 2019-06-04 CN CN201910480356.2A patent/CN110210403B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8369622B1 (en) * | 2009-10-29 | 2013-02-05 | Hsu Shin-Yi | Multi-figure system for object feature extraction tracking and recognition |
CN103778482A (zh) * | 2014-02-12 | 2014-05-07 | 中国农业大学 | 基于多尺度分析的水产养殖溶解氧短期预测方法 |
CN104268577A (zh) * | 2014-06-27 | 2015-01-07 | 大连理工大学 | 一种基于惯性传感器的人体行为识别方法 |
CN105044298A (zh) * | 2015-07-13 | 2015-11-11 | 常熟理工学院 | 一种基于机器嗅觉的蟹类新鲜度等级检测方法 |
CN106203515A (zh) * | 2016-07-13 | 2016-12-07 | 西华大学 | 多准则融合应用于高维小样本数据特征选择的方法 |
CN107239740A (zh) * | 2017-05-05 | 2017-10-10 | 电子科技大学 | 一种多源特征融合的sar图像自动目标识别方法 |
CN107506699A (zh) * | 2017-08-02 | 2017-12-22 | 合肥工业大学 | 一种基于纹理特征和dbn的sar图像分类方法 |
CN107947830A (zh) * | 2017-11-15 | 2018-04-20 | 电子科技大学 | 一种可抵抗多径干扰的射频指纹识别方法 |
CN108345903A (zh) * | 2018-01-25 | 2018-07-31 | 中南大学湘雅二医院 | 一种基于模态距离约束的多模态融合图像分类方法 |
CN108960922A (zh) * | 2018-07-09 | 2018-12-07 | 中国联合网络通信集团有限公司 | 终端的更换预测方法及装置 |
Non-Patent Citations (4)
Title |
---|
Cloud Detection for High-Resolution Satellite Imagery Using Machine Learning and Multi-Feature Fusion;Ting Bai等;《Remote Sensing》;20160831;第8卷(第9期);第1-21页 * |
Combining implicit polynomials and geometric features for hand recognition;Cenker Oden等;《Pattern Recognition Letters》;20031231;第24卷;第2145-2152页 * |
基于多源遥感图像的立体目标识别;马冰;《中国优秀硕士学位论文全文数据库 信息科技辑》;20190115(第1期);第I140-2600页 * |
面向认知的多源数据学习理论和算法研究进展;杨柳等;《软件学报》;20171130;第28卷(第11期);第2971-2991页 * |
Also Published As
Publication number | Publication date |
---|---|
CN110210403A (zh) | 2019-09-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11195051B2 (en) | Method for person re-identification based on deep model with multi-loss fusion training strategy | |
Yang et al. | Pipeline magnetic flux leakage image detection algorithm based on multiscale SSD network | |
Suhao et al. | Vehicle type detection based on deep learning in traffic scene | |
CN109871902B (zh) | 一种基于超分辨率对抗生成级联网络的sar小样本识别方法 | |
CN108510467B (zh) | 基于深度可变形卷积神经网络的sar图像目标识别方法 | |
CN111753828B (zh) | 一种基于深度卷积神经网络的自然场景水平文字检测方法 | |
CN112395987B (zh) | 基于无监督域适应cnn的sar图像目标检测方法 | |
CN110598029A (zh) | 基于注意力转移机制的细粒度图像分类方法 | |
Zhu et al. | SAR target classification based on radar image luminance analysis by deep learning | |
CN103353989B (zh) | 基于先验和融合灰度与纹理特征的sar图像变化检测方法 | |
Liu et al. | Remote sensing image change detection based on information transmission and attention mechanism | |
CN108122008A (zh) | 基于稀疏表示和多特征决策级融合的sar图像识别方法 | |
CN102914302B (zh) | 一种无人机着陆视觉导航合作目标鲁棒检测方法 | |
CN106023257A (zh) | 一种基于旋翼无人机平台的目标跟踪方法 | |
CN110991257B (zh) | 基于特征融合与svm的极化sar溢油检测方法 | |
CN112487900A (zh) | 一种基于特征融合的sar图像舰船目标检测方法 | |
CN109558803B (zh) | 基于卷积神经网络与np准则的sar目标鉴别方法 | |
CN103218823B (zh) | 基于核传播的遥感图像变化检测方法 | |
Wang et al. | SAR ship detection in complex background based on multi-feature fusion and non-local channel attention mechanism | |
CN113313128B (zh) | 一种基于改进YOLOv3网络的SAR图像目标检测方法 | |
Liu et al. | A Multi-scale Feature Pyramid SAR Ship Detection Network with Robust Background Interference | |
CN110210403B (zh) | 一种基于特征构造的sar图像目标识别方法 | |
CN116311067A (zh) | 基于高维特征图谱的目标综合识别方法、装置及设备 | |
Wang et al. | FPA-DNN: a forward propagation acceleration based deep neural network for ship detection | |
CN115272882A (zh) | 一种基于遥感影像的离散建筑物检测方法及系统 |
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 |