[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

技術領域

本發明屬于圖像處理技術及SAR目標識別領域，特別涉及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，可應用于軍事和民用的目標識別中。

背景技術

合成孔徑雷達(Synthetic?Aperture?Radar，簡稱SAR)由于其能夠全天候、全天時獲取地面戰場數據，在現代戰場感知、對地軍事打擊等領域有良好的應用前景，使得基于SAR圖像的自動目標識別(Automatic?Target?Recognition，簡稱ATR)受到了越來越多研究學者的重視，并且已經逐漸成為國內外的研究熱點之一。在SAR目標識別的研究中，目前國內外許多研究機構大多都是基于由美國DARPA/AFRL?MSTAR項目組提供的運動、靜止目標探測和識別（Moving?and?Stationary?Target?Acquisition?and?Recognition,簡稱MSTAR）數據庫進行的，MSTAR數據庫對SAR圖像目標識別的研究工作發揮了至關重要的作用。該數據庫中所成的SAR圖像包含幅度、相位和極化等豐富的特征信息，同時在SAR圖像中還存在大量的乘性噪聲。另一影響識別的重要因素是目標姿態角的變化導致難以提取有效穩定的特征。

因此，如何消除或減少噪聲對目標識別的影響，以及如何有效地克服目標姿態角變化，以便提取目標旋轉不變的穩定特征，成為了提高目標識別精度的關鍵技術之一。目前，對于消除噪聲的干擾方法，通常采用同態濾波的方法，在對數域內進行噪聲消除，然后再用指數變換生成原圖像，但這一方法對于抑制SAR圖像的相干噪聲難以取得理想的方法。而對于目標姿態角變化的難點問題，通常采用對目標進行姿態角按區間分類的方法，構造多個分類器進行分類。這一解決方法需要已知目標姿態角或者估計目標姿態角，而且需要構造多個分類器，因此，復雜度較高。另一方面，尋找符合SAR目標特征特性的有效分類器，這也是SAR目標圖像識別的難點問題之一。

發明內容

基于上述已有技術的缺陷與不足，本發明提出了一種樣本產生與核局部特征融合的SAR圖像識別方法。本發明方法可有效出去SAR圖像中相干噪聲干擾，并克服SAR圖像姿態角變化引起特征提取不穩定的問題，從而提高SAR圖像目標識別的正確識別率的目的。

本發明提供的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，其具體步驟如下：

步驟1：構建超完備訓練樣本集；對輸入每一類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，由真實的SAR的原始訓練圖像和所產生的所有虛擬訓練樣本圖構成最終的超完備訓練樣本集；

步驟2：采用K-SVD字典學習算法對輸入的每個樣本圖像，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，得到各樣本圖像的融合特征圖；

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：對待識別的樣本圖像輸入步驟2中，經過步驟2至步驟7的處理，得到待識別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。

所述的步驟2具體是：設Y為輸入的樣本集中一幅要進行噪聲處理的原始樣本圖像，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，找出一個最優字典D和最優稀疏分解系數矩陣X表示原始樣本圖像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，然后進行如下步驟：

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。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：