[發明專利]基于樣本產生與核局部特征融合的SAR圖像仿生識別方法

有效

• 申請號: 201210537473.6
• 申請日: 2012-12-12
• 公開（公告）號: CN103020654A
• 公開（公告）日: 2013-04-03
• 發明（設計）人: 李景文;翟懿奎;朱燕青
• 申請（專利權）人: 北京航空航天大學
• 主分類號: G06K9/66
• 分類號: G06K9/66
• 代理公司: 北京永創新實專利事務所 11121
• 代理人: 周長琪

1.一種基于樣本產生與核局部特征融合的SAR圖像仿生識別方法，其特征在于，通過以下步驟實現：

步驟1：構建超完備訓練樣本集，具體是：對輸入的每一類SAR的原始訓練圖像分別采用樣本旋轉的方法產生虛擬訓練樣本圖，由SAR的原始訓練圖像和所產生的虛擬訓練樣本圖構成最終的超完備訓練樣本集，將超完備訓練樣本集輸入步驟2中；

步驟2：對樣本集中的每個樣本圖像，采用K-SVD字典學習算法進行噪聲處理；

步驟3：對噪聲處理后的各樣本圖像，采用質心方法提取目標識別區域；

步驟4：采用高斯核函數將所有經步驟3輸出的樣本圖像映射到高維特征空間；

步驟5：采用二維Gabor濾波器對步驟4得到的樣本圖像進行特征提取，得到樣本圖像的特征圖；

步驟6：采用局部相位量化方法對步驟4得到的樣本圖像進行特征提取，得到樣本圖像的特征圖；

步驟7：將步驟5和步驟6得到的同一樣本圖像的特征圖進行加權融合，得到融合的特征圖；

步驟8：根據超完備訓練樣本集中的各樣本圖像的融合特征圖，構建超完備訓練樣本集中所有樣本圖像的仿生流形；所構建的仿生流形優選采用”超香腸”神經元模型；

步驟9：對待識別樣本集中的各樣本圖像輸入步驟2中，經過步驟2至步驟7的處理，得到待測試的樣本圖像的融合特征圖，然后采用仿生模式識別方法進行SAR目標圖像識別。

2.根據權利要求1所述的SAR圖像仿生識別方法，其特征在于，步驟1中所述的采用樣本旋轉的方法產生虛擬訓練樣本圖，具體是：

步驟1.1：確定旋轉角度θ₁；

步驟1.2：確定每一類SAR的原始訓練圖像的虛擬訓練樣本圖的數量為：(360°/θ₁)-1；

步驟1.3：將SAR的原始訓練圖像每旋轉一次角度θ₁，得到對應旋轉角度下的虛擬訓練樣本圖。

3.根據權利要求1所述的SAR圖像仿生識別方法，其特征在于，所述的步驟2具體是：設Y為輸入的樣本集中一幅原始樣本圖像，將樣本圖像Y分割成N塊，則有y_i表示樣本圖像Y分割后的第i塊，則通過K-SVD字典學習算法，尋找最優的目標訓練字典D和最優的稀疏分解系數矩陣X來表示樣本圖像Y，設隨機初始化的字典D⁽⁰⁾為N×K的矩陣，D⁽⁰⁾為當前的目標訓練字典，令迭代次數J初始為1，然后進行下面步驟：

步驟2.1：優化每個圖像小塊y_i對應的稀疏分解局部系數得到更新的稀疏分解系數矩陣X；具體優化稀疏分解局部系數的方法是：保持當前的目標訓練字典D^(J-1)不變，采用追蹤算法循環計算最優稀疏分解局部系數優化公式如下：

minxi{||yi-Dxir||22}subjectto∀i,||xir||0≤T0,]]>(i＝1,2,…,N)

subject?to表示約束條件，表示任意i，表示稀疏分解系數矩陣X的第i列，||·||₀為向量的0范數，Ｔ_０為稀疏度控制閾值，D為當前的目標訓練字典D^（J-1)；

步驟2.2：更新目標訓練字典，具體是：保持步驟2.1優化得到的圖像小塊y_i的稀疏分解局部系數保持不變，對圖像小塊y_i進行循環學習，更新當前的目標訓練字典D^(J-1)的第k列原子d_k，k＝1,2,3,…,K，具體過程為：

步驟2.2.1：獲取當前目標訓練字典D^(J-1)的原子d_k；

字典D⁽⁰⁾的第k列原子d_k的第i行元素d_k(i)為：表示稀疏分解系數矩陣X的第k行第i列元素；

步驟2.2.2：確定誤差矩陣E_k：其中，d_j為字典D的第j列原子，為稀疏分解系數矩陣X的第j行向量；

步驟2.2.3：將誤差矩陣E_k乘以矩陣R_k得到新的誤差矩陣其中R_k為N×|d_k|的矩陣，|d_k|為d_k的模；

步驟2.2.4：對誤差矩陣進行奇異值分解：Δ為所要求取的奇異值矩陣，U和V^T為兩個正交矩陣，用正交矩陣U的第一列原子u₁更新第k列原子d_k：d_k＝u₁；

步驟2.2.5：重復步驟2.2.2至步驟2.2.4，對目標訓練字典D^(J-1)中的每列原子都進行更新，更新完畢后得到新的目標訓練字典D^(J)，目標訓練字典D^(J)；

步驟2.3：更新迭代次數J＝J+1；然后判斷迭代次數J是否達到設定的最大迭代次數，若是，停止學習，輸出目標優化字典D^(J-1)以及相對應的稀疏分解系數矩陣X；若否，判斷當前得到的目標優化字典D^(J-1)是否滿足總優化公式的約束條件，若是，輸出目標優化字典D^(J-1)以及相對應的稀疏分解系數矩陣X，否則轉步驟2.1繼續執行；

總優化公式為：(i＝1,2,…,N)；F表示F范數，D為當前得到的目標優化字典D^(J-1)；

步驟2.4：對樣本圖像Y進行去除噪聲處理，得到新圖像Y″＝D^(J-1)X。