CN114170486B - 一种多特征自适应加权的sar图像目标识别方法 - Google Patents

Abstract

本发明公开了一种多特征自适应加权的SAR图像目标识别方法，采用主成分分析（PCA）、单演信号以及Zernike矩特征描述原始SAR图像，获得三个对应的特征矢量。基于联合稀疏表示模型对三类特征进行联合表征。针对不同特征条件下的重构误差矢量，采用自适应加权算法进行融合处理，即在线性融合的框架下自适应获得权值，达到良好决策融合效果。最终，根据融合后的误差对目标类别进行判定，大大提高了判定的准确性。

Description

一种多特征自适应加权的SAR图像目标识别方法

技术领域

本发明涉及一种多特征自适应加权的SAR图像目标识别方法。

背景技术

成孔径雷达(SAR)目标识别问题自20世纪90年代以来受到广泛关注，并涌现了大量高性能算法。根据对现有文献的梳理和分析，研究人员主要着力解决特征提取和分类器应用问题。其中，特征提取研究更为广泛和灵活，特征类型覆盖几何形状、投影变换以及电磁散射等类别。几何形状特征描述目标的区域、轮廓分布规律，Zernike矩特征等。投影变换特征可进一步区分为投影类和变换类。前者主要通过训练样本的学习获得最佳投影方向，代表性的是主成分分析(PCA)；后续则通过一系列的信号基底对原始图像进行分解，典型的有小波分解、单演信号等。电磁散射特征重点描述雷达目标的后向散射特性，如属性散射中心。从描述的角度和特征的形式来看，以上三类特征具有不同的能力，因此也具有一定的互补性。分类器通常应用在特征提取之后，通过对特征进行分类进行类别判决。

但是实际上，不同任务的权重是不同的，这种同等权值的思路存在一定的不足。

发明内容

本发明的目的在于克服现有技术的不足，提供一种多特征自适应加权的SAR图像目标识别方法。

本发明的目的是通过以下技术方案来实现的：

一种多特征自适应加权的SAR图像目标识别方法，包括以下步骤：

S1：对SAR图像目标样本进行多特征提取：提取PCA特征、单演信号特征和Zernike矩特征，记测试样本为y，提取得到的PCA特征、单演信号和Zernike矩特征矢量分别为y⁽¹⁾，y⁽²⁾和y⁽³⁾，特征式为：

y^(k)＝A^(k)α^(k)+ε^(k) (k＝1,2,…,3) (1)

其中，A^(k)为第k个特征的字典；α^(k)为相应的稀疏系数矢量；

S2：将提取的PCA特征、单演信号特征和Zernike矩特征联合稀疏表示：

①最小化PCA特征、单演信号特征和Zernike矩特征的整体误差获得最佳的稀疏系数矢量，其公式为：

其中，β＝[α⁽¹⁾ α⁽²⁾ α⁽³⁾]为系数矩阵；

②按特征类别分别进行测试样本重构，计算各类特征的整体重构误差，进而判决目标所属类别，其公式为：

其中，和/>分别与类别i关联的局部字典和稀疏矢量；

S3：联合稀疏表示自适应加权融合：对步骤S2中的稀疏矢量等加入特征的重构误差矢量，所述重构误差矢量分别记为

步骤1：定义

步骤2：采用和/>对/>归一化为0至1的范围；其中，/>分别对应/>的最大值和最小值；/>分别对应/>的最大值和最小值；

步骤3：对升序排列，获得新的序列/>定义

S4：根据最小误差原则判定测试样本的所属类别。

本发明的有益效果是：

采用自适应加权算法进行融合处理，即在线性融合的框架下自适应获得权值，达到良好决策融合效果。最终，根据融合后的误差对目标类别进行判定，大大提高了判定的准确性。

附图说明

图1为本发明的实施流程图；

图2为本发明实施例标准操作条件下本发明方法的结果。

具体实施方式

下面将结合实施例，对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域技术人员在没有付出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。

参阅图1-2，本发明提供一种技术方案：

采用MSTAR公开数据集对本发明方法进行实验与分析。包含坦克、装甲车等。对于每一类目标，MSTAR数据集均采集了较为完备的方位角样本，并覆盖若干俯仰角。表1给出了后续实验中使用的基础训练集和测试集，分别来自17°和15°两个俯仰角。上述设置中，测试集与训练集只有较小的俯仰角差异，整体相似程度较高，一般认为是标准操作条件。在此基础上，可通过模拟手段，如噪声添加、模拟遮挡等方式获得近似扩展操作条件下的测试样本，对方法性能进行进一步验证。

本发明具体实施方式为：

S1：对SAR图像目标样本进行多特征提取：提取PCA特征、单演信号特征和Zernike矩特征，记测试样本为y，提取得到的PCA特征、单演信号和Zernike矩特征矢量分别为y⁽¹⁾，y⁽²⁾和y⁽³⁾，特征式为：

y^(k)＝A^(k)α^(k)+ε^(k) (k＝1,2，…,3) (1)

其中，A^(k)为第k个特征的字典；α^(k)为相应的稀疏系数矢量；

S2：将提取的PCA特征、单演信号特征和Zernike矩特征联合稀疏表示：

①最小化PCA特征、单演信号特征和Zernike矩特征的整体误差获得最佳的稀疏系数矢量，其公式为：

其中，β＝[α⁽¹⁾ α⁽²⁾ α⁽³⁾]为系数矩阵；

②按特征类别分别进行测试样本重构，计算各类特征的整体重构误差，进而判决目标所属类别，其公式为：

其中，和/>分别与类别i关联的局部字典和稀疏矢量；

S3：联合稀疏表示自适应加权融合：对步骤S2中的稀疏矢量等加入特征的重构误差矢量，重构误差矢量分别记为

步骤1：定义

步骤2：采用和/>对/>归一化为0至1的范围；其中，/>分别对应/>的最大值和最小值；/>分别对应/>的最大值和最小值；

步骤3：对升序排列，获得新的序列/>定义

S4：根据最小误差原则判定测试样本的所属类别。

作为对比，实验中设置了几类对比方法。其中，PCA、单演信号以及Zernike矩方法。多特征联合使用的三类特征进行联合稀疏表示，并对不同特征的重构结果进行直接相加。

表1实验中使用的基础上训练和测试集

Table 1 Basic training and test sets used in the experiments.

获得参数后，对本发明方法在标准操作条件下进行测试。图2以混淆矩阵的形式反映了方法的识别结果。根据横纵坐标的对应关系可知，对角线元素为不同类别的正确识别率。定义平均识别率Pav为获得正确分类的测试样本占整个测试集的比例，计算本发明方法的Pav＝99.43％。本发明方法的平均识别率高，显示其有效性。

表2 测试条件1下的结果

Table 2 Results under test condition 1.

方法	Pav(％)
		本发明方法	99.43
PCA	98.12
		单演信号	98.76
Zernike	98.35
		多特征联合	99.06
CNN	99.08

表2按照相同的过程分别对5类对比方法进行测试，并统计结果与所提方法进行对比展示，与使用单一特征的3类方法相比，多特征方法的优势较为明显，体现了不同特征之间的互补性，而CNN方法在标准操作条件下的性能也保持较高水平，表明深度学习模型的优越性。与多特征联合方法相比，本发明通过引入自适应加权融合进一步提高了整体识别性能，显示了所提策略的有效性。

以上所述仅是本发明的优选实施方式，应当理解本发明并非局限于本发明所披露的形式，不应看作是对其他实施例的排除，而可用于各种其他组合、修改和环境，并能够在本发明所述构想范围内，通过上述教导或相关领域的技术或知识进行改动。而本领域人员所进行的改动和变化不脱离本发明的精神和范围，则都应在本发明所附权利要求的保护范围内。

Claims (1)

1.一种多特征自适应加权的SAR图像目标识别方法，其特征在于：包括以下步骤：

S1：对SAR图像目标样本进行多特征提取：提取PCA特征、单演信号特征和Zernike矩特征，记测试样本为^y，提取得到的PCA特征、单演信号和Zernike矩特征矢量分别为^y(1)，^y(2)和^y(3)，特征式为：

y^(k)＝A^(k)α^(k)+ε^(k) (k＝1,2,…,3) (1)

其中，A^(k)为第k个特征的字典；α^(k)为相应的稀疏系数矢量；

S2：将提取的PCA特征、单演信号特征和Zernike矩特征联合稀疏表示：

①最小化PCA特征、单演信号特征和Zernike矩特征的整体误差获得最佳的稀疏系数矢量，其公式为：

其中，β＝[α⁽¹⁾ α⁽²⁾ α⁽³⁾]为系数矩阵；

②按特征类别分别进行测试样本重构，计算各类特征的整体重构误差，进而判决目标所属类别，其公式为：

其中，和/>分别与类别i关联的局部字典和稀疏矢量；

S3：联合稀疏表示自适应加权融合：对步骤S2中的稀疏矢量等加入特征的重构误差矢量，所述重构误差矢量分别记为

步骤1：定义

步骤2：采用和/>对/>归一化为0至1的范围；其中，/>分别对应/>的最大值和最小值；/>分别对应/>的最大值和最小值；

步骤3：对升序排列，获得新的序列/>定义

S4：根据最小误差原则判定测试样本的所属类别。