CN112949555B - 基于目标先验信息的空间目标isar图像分类方法 - Google Patents
基于目标先验信息的空间目标isar图像分类方法 Download PDFInfo
- Publication number
- CN112949555B CN112949555B CN202110304865.7A CN202110304865A CN112949555B CN 112949555 B CN112949555 B CN 112949555B CN 202110304865 A CN202110304865 A CN 202110304865A CN 112949555 B CN112949555 B CN 112949555B
- Authority
- CN
- China
- Prior art keywords
- feature
- training sample
- target
- isar image
- isar
- 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
- 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
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
- G06V10/28—Quantising the image, e.g. histogram thresholding for discrimination between background and foreground patterns
-
- 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
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Multimedia (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Astronomy & Astrophysics (AREA)
- Remote Sensing (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于目标先验信息的空间目标ISAR图像分类方法,主要解决分类器识别率依赖于人工参数设置以及需要大量人工标记的ISAR图像作为训练样本的问题。其步骤为:(1)生成带有空间目标先验信息的训练样本集;(2)提取训练样本的特征;(3)计算训练样本中特征方差值;(4)生成训练样本的分类器函数;(5)提取待分类样本的特征;(6)获得每个特征的分类器函数值;(7)对每个种类的所有特征分类器函数值作融合处理;(8)得到分类结果。本发明利用目标先验信息结合提取得到的目标特征方差,生成分类器函数,有效地提高了空间目标识别率。
Description
技术领域
本发明属于雷达通信技术领域,更进一步涉及雷达信号处理技术领域中的一种基于目标先验信息的空间目标逆合成孔径雷达ISAR(Inverse Synthetic Aperture Radar)图像分类方法。本发明对空间目标ISAR图像,结合空间目标的先验信息,训练得到分类器,完成不同种类的空间目标ISAR图像的分类。
背景技术
空间目标的识别技术是空间目标监视系统的重要环节,对维护空间安全有着重要的意义。使用雷达的回波信号得到ISAR图像,可以更加直观的获得目标的特征,给空间目标的准确分类提供了可靠的保障。使用采集得到的目标ISAR图像,提取特征并训练分类器,可以完成空间目标ISAR图像分类。
北京无线电测量研究所在其申请的专利文献“一种逆合成孔径雷达空间分类方法及系统”(专利申请号:CN201711129995.1,公开号:CN107871123A)中提出了一种空间目标逆合成孔径雷达图像分类方法。该方法的具体步骤是:第一步,根据采集到的目标ISAR图像,确定ISAR图像中目标的散射点强度信息和位置信息;第二步,根据位置信息和预先设置的分布规则,确定目标的特征信息;第三步,根据强度信息、几何结构特征信息和散射分布特征信息确定特征向量;第四步,根据特征向量和预先设置的分类器,确定空间目标ISAR图像的类别。该方法虽然可以从ISAR图像中提取特征并识别,但是,该方法仍然存在的不足之处是,使用了预选设置的分类器来确定空间目标ISAR图像的类别,其性能依赖于人工参数设置以及从ISAR图像中提取得到的特征信息。当信噪较低时,提取得到的特征误差较大,导致分类识别率下降。
金红燕在其发表的论文“ISAR空间目标识别方法研究”(硕士学位论文哈尔滨工业大学2018年)中提出了一种基于反向传播神经网络的空间目标ISAR图像分类方法。该方法具体步骤是:第一步,把采集到的ISAR图像作为训练样本,并对其中的空间目标种类作人工标记;第二步,从训练样本中提取出微动频率特征、傅里叶算子特征和对数螺旋线算子特征等多种特征;第三步,使用标记过类别的训练样本的特征输入反向传播神经网络中,训练该网络,得到训练好的反向传播神经网络分类器;第四步,提取出测试样本的特征输入训练好的分类器,得到测试样本目标的分类结果。该方法虽然可以得到较好的分类准确率,但是,该方法仍然存在的不足之处是,需要大量人工标记的ISAR图像作为训练样本,当训练样本量不足时,分类识别率会下降。
发明内容
本发明的目的是针对上述现有技术存在的不足,提出了一种基于目标先验信息的空间目标ISAR图像分类方法,用于解决现有技术中存在的分类器识别率依赖于人工参数设置以及从ISAR图像中提取得到的特征信息的问题以及需要大量人工标记的ISAR图像作为训练样本的问题。
实现本发明目的的思路是,提取训练集中样本的特征,并结合目标先验信息生成分类器函数,相比较只使用提取得到的特征信息,使用目标的先验信息可以得到更加准确的特征值。同时本发明选择更简单的分类器函数,可以有效的减少对训练样本数量的需求,提高在小样本情况下的识别准确率。
本发明实现的具体步骤包括如下:
(1)生成带有空间目标先验信息的训练样本集:
从连续时间的带有空间目标先验信息的ISAR图像中,每种空间目标随机选取P个ISAR图像组组成训练样本集,P≥20,每个ISAR图像组由三张连续时间的ISAR图像构成;
(2)提取训练样本的特征:
使用基于ISAR图像解译的空间目标特征提取方法,处理训练样本中每个空间目标的ISAR图像组,得到训练样本中每个空间目标的ISAR图像组的主体的长度特征、宽度特征,太阳能板的长度特征、宽度特征,主体长度特征与太阳能板长度特征的比特征值;
(3)利用特征方差值公式,计算训练样本中每个种类的所有ISAR图像组的每个特征方差值;
(4)按照下式,生成训练样本的每个种类中每个特征的分类器函数:
其中,fnq(x)表示第n个种类中第q个特征的分类器函数,q=1,2,...,Q,Q表示特征的总数,n=1,2,...,N,rnt表示训练样本中第n个种类所有ISAR图像组的第t个特征方差值,t=1,2,...,Q,t的取值与q相等,x表示分类器函数的输入值,anq表示训练样本中第n个种类的第q个特征带有的空间目标先验信息特征值;
(5)提取待分类样本的特征:
采用与步骤(2)相同的方法,处理待分类样本中空间目标的ISAR图像组,得到待分类样本中空间目标的ISAR图像组的主体的长度特征、宽度特征,太阳能板的长度特征、宽度特征,主体长度特征与太阳能板长度特征的比特征值等特征;
(6)获得每个特征的分类器函数值:
将每个特征输入到训练样本的每个种类中该特征所对应的特征分类器函数中,输出每个特征在每个种类的该特征分类器函数值;
(7)对每个种类的所有特征分类器函数值作融合处理;
(8)将所有种类融合后的特征分类器函数值中的最大值对应的种类,作为待分类样本的分类结果。
本发明与现有技术相比具有以下优点:
第一,由于本发明使用了带有空间目标先验信息的训练样本,利用了目标的先验信息,克服了用现有技术中存在的分类器识别率依赖于人工参数设置以及从ISAR图像中提取得到的特征信息的问题,使得本发明在生成分类器时,不仅使用了从训练样本集中提取得到的特征信息,还使用了目标的先验信息,可以得到更好性能的分类器,提高了空间目标识别的准确率。
第二,由于本发明直接使用特征方差和目标先验信息生成分类器函数,构造的分类器函数形式简单,克服了现有技术中需要大量人工标记的ISAR图像作为训练样本问题,使得本发明可以在小训练样本集的情况下,识别准确率高的训练得到分类器。
附图说明
图1是本发明的流程图。
具体实施方式
以下结合附图1和实施例,对本发明实现的具体步骤作进一步详细描述。
步骤1.生成带有空间目标先验信息的训练样本集。
从连续时间的带有空间目标先验信息的ISAR图像中,每种空间目标随机选取P个ISAR图像组组成训练样本集,P≥20,每个ISAR图像组由三张连续时间的ISAR图像构成。
本发明的实施例选择了北斗、天宫、阿波罗三个种类的空间目标,每个种类的空间目标随机选取30个带有空间目标先验信息的ISAR图像组,共选取了90个ISAR图像组组成训练样本集。
步骤2.提取训练样本的特征。
使用基于ISAR图像解译的空间目标特征提取方法,处理训练样本中每个空间目标的ISAR图像组,得到训练样本中每个空间目标的ISAR图像组的主体的长度特征、宽度特征,太阳能板的长度特征、宽度特征,主体长度特征与太阳能板长度特征的比特征值。
本发明的实施例分别提取了训练样本中每个图像组的主体的长度特征、宽度特征,太阳能板的长度特征、宽度特征,主体长度特征与太阳能板长度特征的比特征值,每个图像组提取了5个特征。
所述的基于ISAR图像解译的空间目标特征提取方法的步骤如下:
第一步,使用基于CGAN的ISAR图像分割方法处理训练样本中空间目标的ISAR图像,得到训练样本中空间目标主体的ISAR图像和太阳能板的ISAR图像。
第二步,使用基于因子分解法的ISAR图像三维散射中心重构方法处理训练样本中每个ISAR图像组的三张连续时间主体的ISAR图像,得到训练样本每个ISAR图像组中主体的散射中心的三维坐标。
第三步,使用基于PCA尺寸特征提取方法处理训练样本每个ISAR图像组中主体的散射中心的三维坐标,得到训练样本中主体的长度特征、宽度特征。
第四步,使用基于因子分解法的ISAR图像三维散射中心重构方法处理训练样本中每个ISAR图像组的三张连续时间太阳能板的ISAR图像,得到训练样本每个ISAR图像组中太阳能板的散射中心的三维坐标。
第五步,使用基于PCA尺寸特征提取方法处理训练样本每个ISAR图像组中太阳能板的散射中心的三维坐标,得到训练样本中太阳能板的长度特征、宽度特征。
第六步,利用公式,计算训练样本中每个ISAR图像组中主体长度特征与太阳能板长度特征的比特征值,其中,bnp5表示训练样本中第n个种类中空间目标第p个ISAR图像组中主体长度特征与太阳能板长度特征的比特征值,bnp1表示训练样本中第n个种类中空间目标第p个ISAR图像组中主体长度特征值,bnp3表示训练样本中第n个种类中空间目标第p个ISAR图像组中主体长度特征值,p=1,2,...,P,n=1,2,...,N,N表示空间目标类别的总数。
所述基于CGAN的ISAR图像分割方法的步骤如下:
第一步,生成训练数据集。
第二步,构建条件生成对抗网络CGAN模型。
第三步,使用训练数据集对条件生成对抗网络CGAN进行迭代训练。
第四步,将待处理的ISAR图像输入到训练好的条件生成对抗网络CGAN’中,得到主体的ISAR图像和太阳能板的ISAR图像。
所述基于因子分解法的ISAR图像三维散射中心重构方法的步骤如下:
第一步,对待处理的ISAR图像组中连续的3张ISAR图像作局部峰值处理,得到每张ISAR图像中局部峰值点坐标。
第二步,对待处理的ISAR图像组中连续的3张ISAR图像局部峰值点坐标使用最近邻方法作关联,得到同一散射中心在3张ISAR图像中的坐标值。
第三步,按照下式,生成测量矩阵:
其中,x1f,x2f和x3f分别表示第f个散射中心在三张时间连续的ISAR图像中的横坐标值,f=1,2,...,F,y1f,y2f和y3f分别表示第f个散射中心在三张时间连续的ISAR图像中的纵坐标值。
所述的基于PCA尺寸特征提取方法步骤如下:
第二步,按照下式,计算协方差矩阵:
C=(U0-mean(U0))·(U0-mean(U0))T
其中,mean(U0)表示对U0矩阵按行取平均值,(·)T表示取转置操作。
第三步,对协方差矩阵作特征值分解,得到最大特征值对应的特征向量和第二大特征值对应的特征向量。
第四步,按照下式,计算目标的长度特征:
其中,max(·)表示取最大值操作,min(·)表示取最小值操作,s1表示最大特征值对应的特征向量。
第五步,按照下式,计算目标的长度特征:
其中,s2表示最大特征值对应的特征向量。
步骤3.利用特征方差值公式,计算训练样本中每个种类的所有ISAR图像组的每个特征方差值。
本发明的实施例使用每个种类所有训练样本的每个特征值,计算得到对应种类对应特征的方差值,共可得到15个特征方差值。例如,使用天宫目标种类所有30个训练样本ISAR图像组的主体长度特征值,可以计算出天宫目标种类的主体长度特征方差值。
所述的特征方差值公式如下:
其中,rnq表示训练样本中第n个种类所有ISAR图像组的第t个特征方差值,t=1,2,...,Q,Σ表示求和,bnpq表示训练样本中第n个种类的第p个ISAR图像组第q个特征值,q的取值与t相等。
步骤4.按照下式,生成训练样本的每个种类中每个特征的分类器函数:
其中,fnq(x)表示第n个种类中第q个特征的分类器函数,q=1,2,...,Q,Q表示特征的总数,n=1,2,...,N,rnt表示训练样本中第n个种类所有ISAR图像组的第t个特征方差值,t=1,2,...,Q,t的取值与q相等,x表示分类器函数的输入值,anq表示训练样本中第n个种类的第q个特征带有的空间目标先验信息特征值。
本发明的实施例使用了每个种类每个特征方差值,以及每个种类每个特征的先验信息特征值,可以生成对应种类对应特征的分类器函数,共可得到15个分类器函数。例如,使用天宫目标种类的主体长度特征方差值和天宫目标种类的主体长度先验信息特征值可以生成天宫目标种类主体长度的分类器函数。
步骤5.提取待分类样本的特征。
采用与步骤2相同的方法,处理待分类样本中空间目标的ISAR图像组,得到待分类样本中空间目标的ISAR图像组的主体的长度特征、宽度特征,太阳能板的长度特征、宽度特征,主体长度特征与太阳能板长度特征的比特征值等特征。
本发明的实施例使用了一个未知种类目标的ISAR图像组作为待分类样本,提取得到该待分类样本的主体的长度特征、宽度特征,太阳能板的长度特征、宽度特征,主体长度特征与太阳能板长度特征的比特征值等特征,共提取出该待分类样本的5个特征。
步骤6.获得每个特征的分类器函数值。
将每个特征输入到训练样本的每个种类中该特征所对应的特征分类器函数中,输出每个特征在每个种类的该特征分类器函数值。
本发明的实施例把待分类样本的5个特征分别输入到每个种类对应的特征分类器函数中,得到每个特征在每个种类对应的特征分类器函数值。例如,将待分类样本的主体长度特征分别输入到天宫目标种类的主体长度分类器函数,北斗目标种类的主体长度分类器函数和阿波罗目标种类的主体长度分类器函数中,得到主体长度在天宫目标种类主体长度特征分类器函数值,主体长度在北斗目标种类主体长度的特征分类器函数值以及主体长度在阿波罗目标种类主体长度的特征分类器函数值。
步骤7.对每个种类的所有特征分类器函数值作融合处理。
所述对每个种类的所有特征分类器函数值作融合处理是由下式完成的:
其中,Fn表示第n个种类融合后的特征分类器函数值,snq表示第n个种类中第q个特征分类器函数值。
本发明的实施例把每个种类的所有特征值作融合处理,得到每个种类的融合后的特征分类器函数值。例如,将天宫目标种类的主体长度特征分类器函数值,主体宽度特征分类器函数值,太阳能板的长度特征分类器函数值,太阳能板的宽度特征分类器函数值,主体长度特征与太阳能板长度特征的比特征值等特征分类器函数值作融合处理,得到天宫目标种类的融合后的特征分类器函数值。
步骤8.将所有种类融合后的特征分类器函数值中的最大值对应的种类,作为待分类样本的分类结果。
本发明的实施例求解天宫目标种类融合后的特征分类器函数值,北斗目标种类融合后的特征分类器函数值和阿波罗目标种类融合后的特征分类器函数值这三个函数值中的最大值,得到天宫目标种类融合后的特征分类器函数值最大,那么待分类样本的分类结果为天宫目标。
下面结合仿真实验对本发明的效果做进一步的描述。
1、仿真实验条件:
本发明的仿真实验的硬件平台为:处理器为Intel(R)Core(TM)i7-7700 CPU,主频为3.6GHz,内存8GB。
本发明的仿真实验的软件平台为:Windows 10操作系统和Matlab 2017a。
本发明的仿真实验所使用的训练样本与测试样本均是使用MATLAB生成的三类卫星的ISAR图像。成像雷达的参数为:中心频率16.67GHz,脉冲重复频率25Hz,采样率2.4GHz,带宽2GHz。仿真所用的训练样本中的三类卫星及所用ISAR图像组的个数是:北斗30组、天宫30组、阿波罗30组。仿真所用的测试样本中的三类卫星及所用ISAR图像组的个数是:北斗48组、天宫53组、阿波罗40组,图像格式为mat。
2、实验内容及结果分析:
本发明仿真实验是采用本发明和一个现有技术的逆合成孔径雷达空间分类方法,分别对3类空间目标的ISAR图像进行仿真实验。
现有技术的逆合成孔径雷达空间分类方法是指:北京无线电测量研究所在其申请的专利文献“一种逆合成孔径雷达空间分类方法及系统”(专利申请号:CN201711129995.1,公开号:CN107871123A)中提出的一种空间目标逆合成孔径雷达图像分类方法。
本发明使用训练样本得到分类器,并将测试样本输入分类器中得到分类结果。其中,40个阿波罗测试样本有38个正确分类,有2个错分为北斗目标,48个北斗测试样本有47个正确分类,有1个错分为阿波罗目标,53个天宫目标全部正确分类。可以计算出阿波罗测试样本的识别率为95.12%,北斗测试样本的是识别率为97.92%,天宫测试样本的是识别率为100%,平均识别率为97.68%。
现有技术的方法对测试样本进行分类得到分类结果,其中,40个阿波罗测试样本有37个正确分类,有3个错分为北斗目标,48个北斗测试样本有46个正确分类,有2个错分为阿波罗目标,53个天宫目标全部正确分类。可以计算出阿波罗测试样本的识别率为92.5%,北斗测试样本的是识别率为95.83%,天宫测试样本的是识别率为100%,平均识别率为96.11%。现有方法的识别率比本发明的识别率低。
综上所述,本发明提出的基于目标先验信息的空间目标ISAR图像分类方法使用了目标的先验信息并结合提取出的目标特征方差,相较于现有技术,有着较高的识别率,且各类目标的识别率均高于95%。可见,本发明方法是一种有效的且性能更好的空间目标分类方法。
Claims (3)
1.一种基于目标先验信息的空间目标ISAR图像分类方法,其特征在于,利用训练集中样本的特征方差和目标先验信息生成分类器函数,该方法的步骤包括如下:
(1)生成带有空间目标先验信息的训练样本集:
从连续时间的带有空间目标先验信息的ISAR图像中,每种空间目标随机选取P个ISAR图像组组成训练样本集,P≥20,每个ISAR图像组由三张连续时间的ISAR图像构成;
(2)提取训练样本的特征:
使用基于ISAR图像解译的空间目标特征提取方法,处理训练样本中每个空间目标的ISAR图像组,得到训练样本中每个空间目标的ISAR图像组的主体的长度特征、宽度特征,太阳能板的长度特征、宽度特征,主体长度特征与太阳能板长度特征的比特征值;
所述基于ISAR图像解译的空间目标特征提取方法的具体步骤如下:
第一步,使用基于CGAN的ISAR图像分割方法处理训练样本中空间目标的ISAR图像,得到训练样本中空间目标主体的ISAR图像和太阳能板的ISAR图像;
第二步,使用基于因子分解法的ISAR图像三维散射中心重构方法处理训练样本中每个ISAR图像组的三张连续时间主体的ISAR图像,得到训练样本每个ISAR图像组中主体的散射中心的三维坐标;
第三步,使用基于PCA尺寸特征提取方法处理训练样本每个ISAR图像组中主体的散射中心的三维坐标,得到训练样本中主体的长度特征、宽度特征;
第四步,使用基于因子分解法的ISAR图像三维散射中心重构方法处理训练样本中每个ISAR图像组的三张连续时间太阳能板的ISAR图像,得到训练样本每个ISAR图像组中太阳能板的散射中心的三维坐标;
第五步,使用基于PCA尺寸特征提取方法处理训练样本每个ISAR图像组中太阳能板的散射中心的三维坐标,得到训练样本中太阳能板的长度特征、宽度特征;
第六步,利用公式,计算训练样本中每个ISAR图像组中主体长度特征与太阳能板长度特征的比特征值,其中,bnp5表示训练样本中第n个种类中空间目标第p个ISAR图像组中主体长度特征与太阳能板长度特征的比特征值,bnp1表示训练样本中第n个种类中空间目标第p个ISAR图像组中主体长度特征值,bnp3表示训练样本中第n个种类中空间目标第p个ISAR图像组中主体长度特征值,p=1,2,...,P,n=1,2,...,N,N表示空间目标类别的总数;
(3)利用特征方差值公式,计算训练样本中每个种类的所有ISAR图像组的每个特征方差值;
(4)按照下式,生成训练样本的每个种类中每个特征的分类器函数:
其中,fnq(x)表示第n个种类中第q个特征的分类器函数,q=1,2,...,Q,Q表示特征的总数,rnt表示训练样本中第n个种类所有ISAR图像组的第t个特征方差值,t=1,2,...,Q,t的取值与q相等,x表示分类器函数的输入值,anq表示训练样本中第n个种类的第q个特征带有的空间目标先验信息特征值;
(5)提取待分类样本的特征:
采用与步骤(2)相同的方法,处理待分类样本中空间目标的ISAR图像组,得到待分类样本中空间目标的ISAR图像组的主体的长度特征、宽度特征,太阳能板的长度特征、宽度特征,主体长度特征与太阳能板长度特征的比特征值特征;
(6)获得每个特征的分类器函数值:
将每个特征输入到训练样本的每个种类中该特征所对应的特征分类器函数中,输出每个特征在每个种类的该特征分类器函数值;
(7)对每个种类的所有特征分类器函数值作融合处理;
(8)将所有种类融合后的特征分类器函数值中的最大值对应的种类,作为待分类样本的分类结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110304865.7A CN112949555B (zh) | 2021-03-17 | 2021-03-17 | 基于目标先验信息的空间目标isar图像分类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110304865.7A CN112949555B (zh) | 2021-03-17 | 2021-03-17 | 基于目标先验信息的空间目标isar图像分类方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112949555A CN112949555A (zh) | 2021-06-11 |
CN112949555B true CN112949555B (zh) | 2023-03-24 |
Family
ID=76227575
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110304865.7A Active CN112949555B (zh) | 2021-03-17 | 2021-03-17 | 基于目标先验信息的空间目标isar图像分类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112949555B (zh) |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2304464B1 (en) * | 2008-06-26 | 2013-08-21 | Raytheon Company | Inverse synthetic aperture radar image processing |
CN105353376A (zh) * | 2015-11-24 | 2016-02-24 | 北京环境特性研究所 | 一种基于isar图像的空间目标姿态反演方法 |
CN107871123A (zh) * | 2017-11-15 | 2018-04-03 | 北京无线电测量研究所 | 一种逆合成孔径雷达空间目标分类方法及系统 |
KR20180066669A (ko) * | 2016-12-09 | 2018-06-19 | 포항공과대학교 산학협력단 | 트레이스 변환을 이용한 역합성 개구면 레이더 영상의 표적 분류 장치 및 그 방법 |
CN109523514A (zh) * | 2018-10-18 | 2019-03-26 | 西安电子科技大学 | 对逆合成孔径雷达isar的批量成像质量评估方法 |
CN110705508A (zh) * | 2019-10-15 | 2020-01-17 | 中国人民解放军战略支援部队航天工程大学 | 一种isar图像的卫星识别方法 |
CN110969212A (zh) * | 2019-12-06 | 2020-04-07 | 西安电子科技大学 | 基于空间变换三通道卷积的isar图像分类方法 |
CN110991354A (zh) * | 2019-12-06 | 2020-04-10 | 西安电子科技大学 | 基于逆空间变换网络的isar图像识别方法 |
CN111583276A (zh) * | 2020-05-06 | 2020-08-25 | 西安电子科技大学 | 基于cgan的空间目标isar图像部件分割方法 |
CN112052762A (zh) * | 2020-08-27 | 2020-12-08 | 西安电子科技大学 | 基于高斯原型的小样本isar图像目标识别方法 |
CN112132104A (zh) * | 2020-10-09 | 2020-12-25 | 哈尔滨工业大学 | 一种基于环路生成对抗网络的isar舰船目标图像域增强识别方法 |
-
2021
- 2021-03-17 CN CN202110304865.7A patent/CN112949555B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2304464B1 (en) * | 2008-06-26 | 2013-08-21 | Raytheon Company | Inverse synthetic aperture radar image processing |
CN105353376A (zh) * | 2015-11-24 | 2016-02-24 | 北京环境特性研究所 | 一种基于isar图像的空间目标姿态反演方法 |
KR20180066669A (ko) * | 2016-12-09 | 2018-06-19 | 포항공과대학교 산학협력단 | 트레이스 변환을 이용한 역합성 개구면 레이더 영상의 표적 분류 장치 및 그 방법 |
CN107871123A (zh) * | 2017-11-15 | 2018-04-03 | 北京无线电测量研究所 | 一种逆合成孔径雷达空间目标分类方法及系统 |
CN109523514A (zh) * | 2018-10-18 | 2019-03-26 | 西安电子科技大学 | 对逆合成孔径雷达isar的批量成像质量评估方法 |
CN110705508A (zh) * | 2019-10-15 | 2020-01-17 | 中国人民解放军战略支援部队航天工程大学 | 一种isar图像的卫星识别方法 |
CN110969212A (zh) * | 2019-12-06 | 2020-04-07 | 西安电子科技大学 | 基于空间变换三通道卷积的isar图像分类方法 |
CN110991354A (zh) * | 2019-12-06 | 2020-04-10 | 西安电子科技大学 | 基于逆空间变换网络的isar图像识别方法 |
CN111583276A (zh) * | 2020-05-06 | 2020-08-25 | 西安电子科技大学 | 基于cgan的空间目标isar图像部件分割方法 |
CN112052762A (zh) * | 2020-08-27 | 2020-12-08 | 西安电子科技大学 | 基于高斯原型的小样本isar图像目标识别方法 |
CN112132104A (zh) * | 2020-10-09 | 2020-12-25 | 哈尔滨工业大学 | 一种基于环路生成对抗网络的isar舰船目标图像域增强识别方法 |
Non-Patent Citations (5)
Title |
---|
Image Based Robust Target Classification for Passive ISAR;Andrea Manno-Kovacs 等;《IEEE SENSORS JOURNAL》;20181031;1-8 * |
ISAR Target Recognition Based on Two-dimensional Locality Preserving Projection;Hong CAI 等;《Journal of Physics: Conference Series》;20181231;1-7 * |
ISAR空间目标识别方法研究;金红燕;《中国优秀硕士学位论文全文数据库 信息科技辑(月刊)》;20190115;第2019年卷(第01期);I136-1595 * |
基于Laplace先验的复贝叶斯压缩感知ISAR高分辨成像算法;朱晓秀 等;《系统工程与电子技术》;20181231;第40卷(第12期);2689-2698 * |
基于模型的ISAR图像空间目标典型结构类型识别技术研究;王志会;《中国优秀硕士学位论文全文数据库 信息科技辑(月刊)》;20200215;第2020年卷(第02期);I136-1940 * |
Also Published As
Publication number | Publication date |
---|---|
CN112949555A (zh) | 2021-06-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111259930B (zh) | 自适应注意力指导机制的一般性目标检测方法 | |
CN111160176B (zh) | 基于融合特征的一维卷积神经网络地面雷达目标分类方法 | |
CN107657279B (zh) | 一种基于少量样本的遥感目标检测方法 | |
CN109766835B (zh) | 基于多参数优化生成对抗网络的sar目标识别方法 | |
CN107451614B (zh) | 基于空间坐标与空谱特征融合的高光谱分类方法 | |
CN107103338B (zh) | 融合卷积特征和集成超限学习机的sar目标识别方法 | |
CN107563433B (zh) | 一种基于卷积神经网络的红外小目标检测方法 | |
CN108537102B (zh) | 基于稀疏特征与条件随机场的高分辨sar图像分类方法 | |
CN105718942B (zh) | 基于均值漂移和过采样的高光谱图像不平衡分类方法 | |
CN106443632B (zh) | 基于标签保持多任务因子分析模型的雷达目标识别方法 | |
CN108256436A (zh) | 一种基于联合分类的雷达hrrp目标识别方法 | |
CN110163275B (zh) | 基于深度卷积神经网络的sar图像目标分类方法 | |
CN105116397B (zh) | 基于mmfa模型的雷达高分辨率距离像目标识别方法 | |
CN108764310B (zh) | 基于多尺度多特征深度森林的sar目标识别方法 | |
CN103413146B (zh) | 基于Freeman熵和自学习的极化SAR图像精细分类方法 | |
CN108447057B (zh) | 基于显著性和深度卷积网络的sar图像变化检测方法 | |
CN114429156A (zh) | 雷达干扰多域特征对抗学习与检测识别方法 | |
CN112001270A (zh) | 基于一维卷积神经网络的地面雷达自动目标分类识别方法 | |
CN105116400B (zh) | 基于iMMFA模型的雷达高分辨距离像的目标识别方法 | |
CN110688968B (zh) | 基于多示例深度卷积记忆网络的高光谱目标检测方法 | |
CN109948722B (zh) | 一种识别空间目标的方法 | |
CN111126361A (zh) | 基于半监督学习和特征约束的sar目标鉴别方法 | |
CN111401168A (zh) | 一种无人机的多层雷达特征提取与选择方法 | |
CN111626380A (zh) | 一种基于超像素和卷积网络的极化sar图像分类方法 | |
CN104537384B (zh) | 一种结合似然比判决的sar目标鉴别方法 |
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 |