CN112001257A - 基于稀疏表示和级联字典的sar图像目标识别方法和装置 - Google Patents
基于稀疏表示和级联字典的sar图像目标识别方法和装置 Download PDFInfo
- Publication number
- CN112001257A CN112001257A CN202010730866.3A CN202010730866A CN112001257A CN 112001257 A CN112001257 A CN 112001257A CN 202010730866 A CN202010730866 A CN 202010730866A CN 112001257 A CN112001257 A CN 112001257A
- Authority
- CN
- China
- Prior art keywords
- monogenic
- dictionary
- image
- sub
- amplitude
- 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.)
- Withdrawn
Links
- 238000000034 method Methods 0.000 title claims abstract description 33
- 238000012549 training Methods 0.000 claims abstract description 33
- 230000007246 mechanism Effects 0.000 claims abstract description 17
- 230000009466 transformation Effects 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 8
- 238000000605 extraction Methods 0.000 claims description 8
- 238000012360 testing method Methods 0.000 claims description 8
- 230000006870 function Effects 0.000 claims description 6
- 239000011159 matrix material Substances 0.000 claims description 6
- 239000013598 vector Substances 0.000 claims description 6
- 238000001914 filtration Methods 0.000 claims description 4
- 238000003860 storage Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 230000004044 response Effects 0.000 claims description 2
- 230000007480 spreading Effects 0.000 claims description 2
- 238000003892 spreading Methods 0.000 claims description 2
- 238000000844 transformation Methods 0.000 claims description 2
- 230000017105 transposition Effects 0.000 claims description 2
- 240000007594 Oryza sativa Species 0.000 claims 1
- 235000007164 Oryza sativa Nutrition 0.000 claims 1
- 235000009566 rice Nutrition 0.000 claims 1
- 230000000694 effects Effects 0.000 abstract description 4
- 230000000295 complement effect Effects 0.000 abstract description 2
- 238000004422 calculation algorithm Methods 0.000 description 13
- 238000010586 diagram Methods 0.000 description 10
- 238000012545 processing Methods 0.000 description 6
- 238000012706 support-vector machine Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000003909 pattern recognition Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
Images
Classifications
-
- 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
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/30—Noise filtering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Data Mining & Analysis (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Astronomy & Astrophysics (AREA)
- Remote Sensing (AREA)
- Image Analysis (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开了基于稀疏表示和级联字典的SAR图像目标识别方法，首先，该方法基于最大扩展平均相关高度滤波器对样本图像进行模板训练；其次，提取模板图像的单演特征，即表征信号能量的单演幅度、表征信号结构信息的单演相位和表征信号几何信息的单演方位三部分特征信息，由这三种具有互补性质的特征构造子字典，每个子字典即一个分类器，将多个子字典级联；最后，基于稀疏表示系数能量最大和重构误差最小的分类机制实现SAR图像目标分类，能实现良好的分类识别效果。
Description
技术领域
本发明涉及图像处理和模式识别领域，具体涉及合成孔径雷达(SyntheticAperture Radar，SAR)图像目标识别领域的一种基于稀疏表示和级联字典的SAR图像目标识别方法。
背景技术
在军事战场监视与民用实时监测场合，经常需要对目标进行分类或识别。SAR图像目标分类是指雷达对目标进行探测，处理目标反射的回波信息，判定目标的属性、类别或类型。因为目标特征的高维易变性，成像时复杂的背景以及SAR传感器自身的易变因素，导致SAR图像的分类识别成为一个难题。SAR图像在获取的过程中，即使属于同一类别的两个相同目标，配置和结构方面的差异也会导致所成的SAR图像差别很大。
用于SAR图像目标识别的分类器包括传统的K最近邻(K-Nearest Neighbor，KNN)分类器、支持向量机(Support Vector Machine，SVM)、神经网络等。KNN分类器为了保证识别性能，理论上要求样本数目无穷大，显然这样的条件在实际应用中很难满足；SVM分类器利用空间投影，将线性不可分问题转化为线性可分问题，训练带来的庞大计算量严重影响SAR图像目标的分类时间；神经网络分类器利用样本学习训练网络参数和权值，当训练样本类别和数量较多时，相应的计算量也非常大，可能导致训练过程无法收敛。近年来，图像信号的稀疏表示在模式识别领域得到了广泛关注，并被成功地应用于人脸识别和SAR图像的目标分类。基于稀疏表示的SAR图像目标分类识别算法主要从两方面进行设计：一是直接训练字典，对字典进行学习和优化，使其具有判别性；二是利用稀疏系数完成分类。在设计过完备字典时，若是直接由SAR图像的像素或提取训练样本的特征构造过完备字典，会导致字典维数较高，冗余度大，会直接影响后续的稀疏系数求解速度，从而影响测试样本识别的速度。
发明内容
本发明针对现有技术存在的上述技术问题，提供一种基于稀疏表示和级联字典的SAR图像目标识别方法。
一方面，本发明提供了1.基于稀疏表示和级联字典的SAR图像目标识别方法，包括以下步骤：
将含有目标的中心区域从SAR图像分割出来，去除背景噪声得到待识别图像；提取待识别图像的单演幅度、单演相位和单演方位特征；
基于提取的单演幅度、单演相位和单演方位特征以及预先分别针对训练样本图像的单演幅度、单演相位和单演方位特征生成的子字典，利用最小化L1范数计算稀疏系数，利用系数能量最大和重构误差最小的分类机制进行目标分类识别获得识别结果。
第二方面，本发明提供基于稀疏表示和级联字典的SAR图像目标识别装置，包括：待识别图像生成模块、单演特征提取模块、字典生成模块和目标识别模块；
所述待识别图像生成模块，用于将含有目标的中心区域从SAR图像分割出来，去除背景噪声得到待识别图像；
所述单演特征提取模块，用于提取待识别图像的单演幅度、单演相位和单演方位特征；
所述字典生成模块，用于分别针对训练样本图像的单演幅度、单演相位和单演方位特征生成的子字典；
所述目标识别模块，用于基于所述单演特征提取模块提取的待识别样本的单演幅度、单演相位和单演方位特征以及所述字典生成模块生成的子字典，利用最小化L1范数计算稀疏系数，利用系数能量最大和重构误差最小的分类机制进行目标分类识别获得识别结果。
与现有技术相比，本发明所取得的有益技术效果：
(1)本发明的方法利用最小化L1范数计算稀疏系数，利用系数能量最大和重构误差最小的分类机制进行目标分类识别获得识别结果，克服了在利用稀疏表示进行SAR图像目标分类时因字典维数过高导致稀疏求解速度过慢的问题；
(2)本发明的方法提取表征信号能量的单演幅度、表征信号结构信息的单演相位和表征信号几何信息的单演方位特征构造字典，能够实现良好的分类识别效果。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍。
图1是本发明具体实施例提出算法的框图；
图2是本发明具体实施SAR图像处理时提取以识别目标为中心的样本图像；
图3是本发明具体实施利用EMACH训练生成的MSTAR数据库中五类模板图像，其中3(a)为BRDM2模板，3(b)为2S1模板，3(c)为T72模板,3(d)为SLICY模板，3(e)为ZSU234模板。
具体实施方式
下面将结合附图和实施例对本发明的技术方案作进一步的说明。
实施例一、基于稀疏表示和级联字典的SAR图像目标识别方法，流程示意图如图1所示，包括：
将含有目标的中心区域从SAR图像分割出来，去除背景噪声得到待识别图像，提取待识别图像的单演幅度、单演相位和单演方位特征；
基于提取的单演幅度、单演相位和单演方位特征以及预先分别针对训练样本图像的单演幅度、单演相位和单演方位特征生成的子字典，利用最小化L1范数计算稀疏系数，利用系数能量最大和重构误差最小的分类机制进行目标分类识别获得识别结果。
本实施例中，可选地，输入训练样本，若训练样本中的目标没有从中心区域分割出来，首先将训练样本中含有目标的中心区域分割出来，去除大量的背景噪声，得到所有训练样本图像，本实施例中训练样本图像大小为45×45，如图2所示；生成子字典的具体方法包括：
(2.1)生成训练图像样本的模板图像，对二维图像f空间上任一点，记作z＝(x,y)，对应的里斯变换核在空间域的表达式定义为：
ηs＝(ηx,ηy)，
其中，ηx是坐标x的变换核函数，ηy是坐标y的变换核函数；
(2.2)假定ω＝(μ,υ)，μ和υ表示频域的两个坐标，Log-Gabor对数滤波器的频域响应为：
其中，ω0为中心频率，σ为Log-Gabor滤波带宽的尺度；
(2.3)二维图像f经滤波产生的带通信号表示为：
h＝f*F-1(G(ω))
其中，“*”为卷积操作符，F-1表示傅里叶逆变换；
hx＝h*ηx，
hy＝h*ηy，
其中，h为单演变换的实部，hx和hy称为单演变换的两个虚部；
(2.4)对于给定的图像f，单演幅度A，单演相位
和单演方位θ通过如下公式计算得出：
θ＝arctan(hy/hx)，
(2.5)求取S个尺度Log-Gabor滤波器下第i个模板图像的单演特征，记作：
其中，Ai,S为第S个尺度Log-Gabor滤波器下第i个模板图像的单演幅度，
为第S个尺度Log-Gabor滤波器下第i个模板图像的单演相位，θi,S为第S个尺度Log-Gabor滤波器下第i个模板图像的单演方位；
(2.6)将单演特征拉成一维向量，得到：
(2.7)假设训练样本总数为n，子字典Dk表示为：
其中，
为第1个尺度Log-Gabor滤波器下第1个模板图像的单演幅度，
为第S个尺度Log-Gabor滤波器下第n个模板图像的单演幅度，
第1个尺度Log-Gabor滤波器下第1个模板图像的单演相位,
为第S个尺度Log-Gabor滤波器下第n个模板图像的单演相位，
第1个尺度Log-Gabor滤波器下第1个模板图像的单演方位；
为第S个尺度Log-Gabor滤波器下第n个模板图像的单演方位；
(2.8)每个子字典Dk都视为一个分类器，获得三个子字典级联构成的级联字典，k＝1，2，或3。
根据生成的子字典利用最小化L1范数计算稀疏系数，基于系数能量最大和重构误差最小的分类机制进行目标分类识别获得识别结果的具体方法包括：
(4.1)求解欠定线性方程χA＝D1αA和
找到最优系数解：
其中，χA为待识别样本的单演幅度，
为待识别样本的单演相位，αA是χA在子字典D1上的稀疏系数，
是
在子字典D2上的稀疏系数，ε是最小误差；D1为单演幅度A的子字典，D2为单演相位
的子字典；
假设共有C类训练样本，第k类样本总数为nk，计算针对单演幅度A的C类系数的能量和identity(A)，以及针对单演相位
的C类系数的能量和
根据系数能量最大机制确定所属类别k，计算方法如下：
其中，
是待识别样本的单演幅度χA在子字典D1上第k类所有原子对应的稀疏系数，
是待识别样本的单演相位
在子字典D2上第k类所有原子对应的稀疏系数；
若
输出待识别图像样本所属类别为identity(I)＝k，确定识别结果；
否则转(4.2)确定识别结果：
(4.2)求解欠定线性方程χθ＝D3αθ，找到最优系数解：
其中，χθ为待识别样本的单演方位，D3为单演方位θ的子字典，αθ是χθ在子字典D3上的稀疏系数；
计算针对单演方位θ的C类系数能量和dentity(θ)，根据系数能量最大机制确定所属类别k：
其中，
是待识别样本的单演方位χθ在子字典D3上第k类所有原子对应的稀疏系数；
若identity(θ)＝identity(A)，输出测试图像所属类别为identity(I)＝k，分类结束；若
输出测试图像所属类别为identity(I)＝k，分类结束；否则转(4.3)；
(4.3)根据重构误差最小机制确定测试样本的所属类别k：
εA＝||χA-D1αA||
εθ＝||χθ-D3αθ||
其中，εA是待识别样本的单演幅度χA的重构误差，
是待识别样本的单演相位
的重构误差，εθ是待识别样本的单演方位χθ的重构误差。
实施例二、在实施例一的基础上，本实施例提供了基于稀疏表示和级联字典的SAR图像目标识别方法，所述方法还包括：
利用EMACH滤波器训练样本图像，按每设定方位角(本实施例中设定每12度)生成训练样本图像的模板图像，具体包括；
(3.1)输入N幅训练样本图像，从左到右，从上到下逐行把每个像素点展成一维向量xi，其中i＝1,2,…,N，计算xi向量的均值m；
(3.2)定义h为EMACH滤波器，FFT()表示傅立叶运算，令β∈(0,1)，M＝FFT(m)，Xi＝FFT(xi)，计算中间参数
和
如下式：
其中，符号“+”代表矩阵转置；
(3.3)当式
取值最大时，h是
矩阵最大的选定个数的特征值对应的特征向量，将h还原成二维矩阵就是滤波器模板，选定个数根据实际需要设定。
图3是利用EMACH滤波器训练的MSTAR数据库中的五类样本的模板图像。本发明对公开的SAR目标图像数据库(Moving and Stationary Target Acquisition andRecognition Dataset，MSTAR)进行实验，从该数据库中选择5类SAR目标：BRDM2、2S1、T72、SLICY和ZSU234。对每一个目标类，获取不同的俯角17°和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。
本发明具体实施例选用四种不同的SAR图像目标识别算法与本专利提出的方法(记为专利算法)进行比较，选用的比较算法是：
(1)算法1：支持向量机SVM分类器；
(2)算法2：最近邻KNN分类器；
(3)算法3：由像素直接构造字典的稀疏分类器；
(4)算法4：由广义二维主分量特征构造过完备字典的稀疏分类器。
表1是本发明具体实施采用五种目标识别方法对MSTAR数据库中五类样本的识别率、平均识别率和识别时间的数据信息。
表1采用五种目标识别方法获得的结果对比情况
表1中的结果表明，本发明提出的识别算法在SAR图像目标的识别准确率和识别时间上优于传统的SVM算法、KNN算法和直接由像素构造字典的稀疏分类算法，尽管专利算法在识别率上略低于由广义二维主分量特征构造过完备字典的稀疏分类器，但是分类识别速度却有绝对的优势。
本发明方法基于最大扩展平均相关高度滤波器对样本图像进行模板训练；其次，提取模板图像的单演特征，即表征信号能量的单演幅度、表征信号结构信息的单演相位和表征信号几何信息的单演方位三部分特征信息，由这三种具有互补性质的特征构造子字典，每个子字典即一个分类器，将多个子字典级联；最后，基于稀疏表示系数能量最大和重构误差最小的分类机制实现SAR图像目标分类，能实现良好的分类识别效果。
与以上实施例相对应的，实施例三，提供了基于稀疏表示和级联字典的SAR图像目标识别装置，包括：待识别图像生成模块、单演特征提取模块、字典生成模块和目标识别模块；
所述待识别图像生成模块，用于将含有目标的中心区域从SAR图像分割出来，去除背景噪声得到待识别图像；
所述单演特征提取模块，用于提取待识别图像的单演幅度、单演相位和单演方位特征；
所述字典生成模块，用于分别针对训练样本图像的单演幅度、单演相位和单演方位特征生成的子字典；
所述目标识别模块，用于基于所述单演特征提取模块提取的待识别样本的单演幅度、单演相位和所述字典生成模块生成的子字典，利用最小化L1范数计算稀疏系数，利用系数能量最大和重构误差最小的分类机制进行目标分类识别获得识别结果。
在实施三的基础上，本发明实施例四提供了基于稀疏表示和级联字典的SAR图像目标识别装置，所述字典生成模块包括模板图像生成模块、模板图像特征提取模块以及子字典生成模块，
所述模板图像生成模块，用于生成训练样本图像的模板图像；
所述模板图像特征提取模块，用于提取模板图像的单演幅度、单演相位和单演方位特征；
所述子字典生成模块，用于根据模板图像特征提取模块获得的特征生成单演幅度的子字典、单演相位的子字典和单演方位的子字典。
需要说明的是，实施例三以及本实施例中各个模块的具体实现方法与上述实施例中所述方法一一对应，在此不再详细介绍。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上结合附图对本发明的实施例进行了描述，但是本发明并不局限于上述的具体实施方式，上述的具体实施方式仅仅是示意性的，而不是限制性的，本领域的普通技术人员在本发明的启示下，在不脱离本发明宗旨和权利要求所保护的范围情况下，还可做出很多形式，这些均属于本发明的保护之内。
Claims (6)
1.基于稀疏表示和级联字典的SAR图像目标识别方法，其特征在于，包括以下步骤：
将含有目标的中心区域从SAR图像分割出来，去除背景噪声得到待识别图像；提取待识别图像的单演幅度、单演相位和单演方位特征；
基于提取的单演幅度、单演相位和单演方位特征以及预先分别针对训练样本图像的单演幅度、单演相位和单演方位特征生成的子字典，利用最小化L1范数计算稀疏系数，利用系数能量最大和重构误差最小的分类机制进行目标分类识别获得识别结果。
2.根据权利要求1所述的基于稀疏表示和级联字典的SAR图像目标识别方法，其特征在于，生成子字典的具体方法包括：
(2.1)生成训练样本图像的模板图像，对二维图像f空间上任一点，记作z＝(x,y)，对应的里斯变换核在空间域的表达式定义为：
ηs＝(ηx,ηy)，
其中，ηx是坐标x的变换核函数，ηy是坐标y的变换核函数；
(2.2)假定ω＝(μ,υ)，μ和υ表示频域的两个坐标，Log-Gabor对数滤波器的频域响应为：
其中，ω0为中心频率，σ为Log-Gabor滤波带宽的尺度；
(2.3)二维图像f经滤波产生的带通信号表示为：
h＝f*F-1(G(ω))，
其中，“*”为卷积操作符，F-1表示傅里叶逆变换；
hx＝h*ηx，
hy＝h*ηy，
其中，h为单演变换的实部，hx和hy称为单演变换的两个虚部；
(2.4)对于给定的图像f，单演幅度A，单演相位
和单演方位θ通过如下公式计算得出：
θ＝arctan(hy/hx)，
(2.5)求取S个尺度Log-Gabor滤波器下第i个模板图像的单演特征，记作：
其中，Ai,S为第S个尺度Log-Gabor滤波器下第i个模板图像的单演幅度，
为第S个尺度Log-Gabor滤波器下第i个模板图像的单演相位，θi,S为第S个尺度Log-Gabor滤波器下第i个模板图像的单演方位；
(2.6)将单演特征拉成一维向量，得到：
(2.7)假设训练样本总数为n，子字典Dk表示为：
其中，
为第1个尺度Log-Gabor滤波器下第1个模板图像的单演幅度，
为第S个尺度Log-Gabor滤波器下第n个模板图像的单演幅度，
第1个尺度Log-Gabor滤波器下第1个模板图像的单演相位,
为第S个尺度Log-Gabor滤波器下第n个模板图像的单演相位，
第1个尺度Log-Gabor滤波器下第1个模板图像的单演方位；
为第S个尺度Log-Gabor滤波器下第n个模板图像的单演方位；
(2.8)每个子字典Dk都视为一个分类器，获得三个子字典级联构成的级联字典，k＝1，2，或3。
3.根据权利要求2所述的基于稀疏表示和级联字典的SAR图像目标识别方法，其特征在于，利用EMACH滤波器训练样本图像，按每设定方位角生成训练样本图像的模板图像，具体包括；
(3.1)输入N幅训练样本图像，从左到右，从上到下逐行把每个像素点展成一维向量xi，其中i＝1,2,…,N，计算xi向量的均值m；
(3.2)定义h为EMACH滤波器，FFT()表示傅立叶运算，令β∈(0,1)，M＝FFT(m)，Xi＝FFT(xi)，计算中间参数
和
如下式：
其中，符号“+”代表矩阵转置；
(3.3)当式
取值最大时，h是
矩阵最大的设定个数的特征值对应的特征向量，将h还原成二维矩阵就是滤波器模板。
4.根据权利要求1所述的基于稀疏表示和级联字典的SAR图像目标识别方法，其特征在于，根据生成的子字典利用最小化L1范数计算稀疏系数，基于系数能量最大和重构误差最小的分类机制进行目标分类识别获得识别结果的具体方法包括：
(4.1)求解欠定线性方程χA＝D1αA和
找到最优系数解：
其中，χA为待识别样本的单演幅度，
为待识别样本的单演相位，αA是χA在子字典D1上的稀疏系数，
是
在子字典D2上的稀疏系数，ε是最小误差；D1为单演幅度A的子字典，D2为单演相位
的子字典；
假设共有C类训练样本，第k类样本总数为nk，计算针对单演幅度A的C类系数的能量和identity(A)，以及针对单演相位
的C类系数的能量和
根据系数能量最大机制确定所属类别k，计算方法如下：
其中，
是待识别样本的单演幅度χA在子字典D1上第k类所有原子对应的稀疏系数，
是待识别样本的单演相位
在子字典D2上第k类所有原子对应的稀疏系数；
若
输出待识别图像样本所属类别为identity(I)＝k，确定识别结果；
否则转(4.2)确定识别结果：
(4.2)求解欠定线性方程χθ＝D3αθ，找到最优系数解：
其中，χθ为待识别样本的单演方位，D3为单演方位θ的子字典，αθ是χθ在子字典D3上的稀疏系数；
计算针对单演方位θ的C类系数能量和dentity(θ)，根据系数能量最大机制确定所属类别k：
其中，
是待识别样本的单演方位χθ在子字典D3上第k类所有原子对应的稀疏系数；
若identity(θ)＝identity(A)，输出测试图像所属类别为identity(I)＝k，分类结束；若
输出测试图像所属类别为identity(I)＝k，分类结束；否则转(4.3)；
(4.3)根据重构误差最小机制确定测试样本的所属类别k：
εA＝||χA-D1αA||
εθ＝||χθ-D3αθ||
其中，εA是待识别样本的单演幅度χA的重构误差，
是待识别样本的单演相位
的重构误差，εθ是待识别样本的单演方位χθ的重构误差。
5.基于稀疏表示和级联字典的SAR图像目标识别装置，其特征在于，包括：待识别图像生成模块、单演特征提取模块、字典生成模块和目标识别模块；
所述待识别图像生成模块，用于将含有目标的中心区域从SAR图像分割出来，去除背景噪声得到待识别图像；
所述单演特征提取模块，用于提取待识别图像的单演幅度、单演相位和单演方位特征；
所述字典生成模块，用于分别针对训练样本图像的单演幅度、单演相位和单演方位特征生成的子字典；
所述目标识别模块，用于基于单演特征提取模块提取的待识别样本的单演幅度、单演相位和单演方位特征以及所述字典生成模块生成的子字典，利用最小化L1范数计算稀疏系数，利用系数能量最大和重构误差最小的分类机制进行目标分类识别获得识别结果。
6.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1～4任意一项权利要求所述方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010730866.3A CN112001257A (zh) | 2020-07-27 | 2020-07-27 | 基于稀疏表示和级联字典的sar图像目标识别方法和装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010730866.3A CN112001257A (zh) | 2020-07-27 | 2020-07-27 | 基于稀疏表示和级联字典的sar图像目标识别方法和装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112001257A true CN112001257A (zh) | 2020-11-27 |
Family
ID=73467794
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010730866.3A Withdrawn CN112001257A (zh) | 2020-07-27 | 2020-07-27 | 基于稀疏表示和级联字典的sar图像目标识别方法和装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112001257A (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113093164A (zh) * | 2021-03-31 | 2021-07-09 | 西安电子科技大学 | 一种平移不变和噪声稳健的雷达图像目标识别方法 |
| CN114170486A (zh) * | 2022-02-14 | 2022-03-11 | 电子科技大学成都学院 | 一种多特征自适应加权的sar图像目标识别方法 |
| CN114463619A (zh) * | 2022-04-12 | 2022-05-10 | 西北工业大学 | 基于集成融合特征的红外弱小目标检测方法 |
| 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 |
-
2020
- 2020-07-27 CN CN202010730866.3A patent/CN112001257A/zh not_active Withdrawn
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113093164A (zh) * | 2021-03-31 | 2021-07-09 | 西安电子科技大学 | 一种平移不变和噪声稳健的雷达图像目标识别方法 |
| CN114170486A (zh) * | 2022-02-14 | 2022-03-11 | 电子科技大学成都学院 | 一种多特征自适应加权的sar图像目标识别方法 |
| CN114170486B (zh) * | 2022-02-14 | 2024-05-24 | 电子科技大学成都学院 | 一种多特征自适应加权的sar图像目标识别方法 |
| CN114463619A (zh) * | 2022-04-12 | 2022-05-10 | 西北工业大学 | 基于集成融合特征的红外弱小目标检测方法 |
| 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 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Pei et al. | SAR automatic target recognition based on multiview deep learning framework | |
| CN112001257A (zh) | 基于稀疏表示和级联字典的sar图像目标识别方法和装置 | |
| Su et al. | A fast forgery detection algorithm based on exponential-Fourier moments for video region duplication | |
| Naresh Boddeti et al. | Correlation filters for object alignment | |
| Singh et al. | Svm-bdt pnn and fourier moment technique for classification of leaf shape | |
| CN100426314C (zh) | 一种基于特征分组的多分类器组合人脸识别方法 | |
| CN110991547A (zh) | 一种基于多特征最优融合的图像显著性检测方法 | |
| Khalid et al. | A comparative study of feature extraction methods for wood texture classification | |
| Radha et al. | Neural network based face recognition using RBFN classifier | |
| CN113592030B (zh) | 基于复值奇异谱分析的图像检索方法和系统 | |
| Cexus et al. | Target recognition from ISAR image using polar mapping and shape matrix | |
| CN104008389A (zh) | 结合Gabor小波和SVM进行物体识别的方法 | |
| CN112001231A (zh) | 加权多任务稀疏表示的三维人脸识别方法、系统及介质 | |
| CN110956177A (zh) | 一种混合型验证码的识别方法及系统 | |
| AU2020101825A4 (en) | Ear Recognition Method Based On Invariant Features | |
| Bharathi et al. | Discriminative DCT: An efficient and accurate approach for off-line signature verification | |
| Liao et al. | A new subspace learning method in Fourier domain for texture classification | |
| CN109344767B (zh) | 一种基于多方位多特征协同表示的sar目标识别方法 | |
| Premk et al. | Automatic latent fingerprint segmentation using convolutional neural networks | |
| US8953875B2 (en) | Multiscale modulus filter bank and applications to pattern detection, clustering, classification and registration | |
| CN112257792A (zh) | 一种基于svm的实时视频目标动态分类方法 | |
| Kuban et al. | A NOVEL MODIFICATION OF SURF ALGORITHM FOR FINGERPRINT MATCHING. | |
| Acula et al. | Offline Signature Verification System using CNN Algorithm Combined with Histogram of Oriented Gradients | |
| Yosif et al. | Visual Object Categorization Using Combination Rules For Multiple Classifiers | |
| Jagirdar et al. | Feature Descriptors based on Circular Forms of Local Patterns for Texture Classification |
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 | ||
| WW01 | Invention patent application withdrawn after publication | ||
| WW01 | Invention patent application withdrawn after publication |
Application publication date: 20201127 |