[發明專利]基于分數譜稀疏表示的SAR圖像目標識別方法

有效

• 申請號: 201410270929.6
• 申請日: 2014-06-16
• 公開（公告）號: CN104021400B
• 公開（公告）日: 2017-07-14
• 發明（設計）人: 何艷敏;甘濤;彭真明
• 申請（專利權）人: 電子科技大學
• 主分類號: G06K9/66
• 分類號: G06K9/66
• 代理公司: 成都宏順專利代理事務所(普通合伙)51227
• 代理人: 周永宏

技術領域

本發明屬于圖像處理技術領域中，涉及圖像分類識別方法，具體涉及運用分數譜稀疏表示來進行合成孔徑雷達(Synthetic Aperture Radar，SAR)圖像目標識別的方法。

背景技術

合成孔徑雷達是一種工作在微波波段的相干成像雷達，以其高分辨和全天候、全天時、大面積的成像探測能力，成為世界各國普遍重視的對地觀測手段，具有良好的應用前景。SAR目標識別是SAR圖像解譯的一個重要方面，目的是實現對圖像中感興趣目標的自動分類識別。SAR目標識別過程通常包括對特征提取和特征分類兩個環節。

在特征提取方面，已經提出了如Gabor變換，小波變換，主成分分析，幾何投影變換等多種方法；SAR目標具有多變性特點：除了成像系統固有的乘性噪聲斑點外，SAR目標受到如目標方位角、姿態變化、背景地表變化、有意或無意的遮擋、雜波干擾等多種因素的影響，這使得其識別任務變得非常困難。因此，基于單一特征的識別方式難以達到高精度、高可靠性的要求，需要考慮一種多特征融合的識別技術和手段。目前，在圖像信號分析中，分數域時頻分析(Fractional time-frequency analysis，FrTFA)方法逐漸得到關注，該方法利用時頻旋轉特性及能量聚焦性，獲取信號的高分辨率頻譜。相對于傳統時頻分析方法，分數域分析改善了信號的時頻分布，更好地反映信號的局部特性。目前分數域時頻分析已經被應用于科學研究和工程技術領域，如信號檢測與參數估計，其中包括SAR圖像目標檢測。但至今未見有將分數域時頻分析用于SAR目標自動識別的報道。

在特征分類方面，傳統采用模式識別、機器學習的方法來訓練分類模型。典型的方法有：線性判別分析(Linear Discriminant Analysis，LDA)、支持向量機(Support Vector Machine，SVM)、神經網絡等，其中，SVM的使用最為廣泛。這些分類方法一般針對低維空間，在訓練中存在過擬合問題，且計算復雜度較高。近年來，一種基于稀疏表示的分類器(Sparse Representation Classifier，SRC)也應用到SAR目標識別中，獲得了很好的分類效果，且復雜度較低，從而彌補了傳統統計分析理論和機器學習方法的不足。但SRC的存在如下問題：SRC過程是先在訓練圖像集(或原子庫)中選擇出一系列原子，用其對測試圖像進行稀疏線性表示，然后將表示誤差最小的類作為測試圖像的最終類別。在這個過程中，原子選擇非常關鍵，但目前的方法趨向于選擇一組相關的原子來表示一個測試樣本，并不能保證所選原子來源于同一個正確的類，造成相似的局部特征可能會被不同類別的原子組表示，影響了分類結果。

發明內容

本發明的目的是針對現有技術存在的上述缺陷，提出一種基于分數譜稀疏表示的SAR圖像目標識別方法。

本發明的技術方案是：一種基于分數譜稀疏表示的SAR圖像目標識別方法，具體包括如下步驟：

S1.選擇目標區域：在帶有類別標簽的訓練圖像中選擇目標所在的區域，目標區域內的圖像數據作為目標圖像；

S2.提取分數譜特征：對目標圖像進行分數域時頻變換，提取其分數譜特征；

S3.構建原子庫：

S31.將每幅訓練的目標圖像的數據排列為一列，對其進行降維處理，并將得到的低維列向量作為一原子，加入到圖像特征原子庫，設為D_p,D_p的一列為某訓練圖像的圖像特征數據；

S32.將每幅訓練的目標圖像經步驟S2處理后的分數譜特征數據排列為一列，對其進行降維處理，并將得到的低維列向量作為一原子，加入到分數譜特征原子庫，設為D_f，D_f的一列為某訓練圖像的分數譜特征數據；

S33.將圖像特征原子庫與分數譜特征原子庫合并為最終的原子庫，設為D；

S4.聯合稀疏表示：根據步驟S33獲得的原子庫D，對輸入的某測試圖像進行聯合稀疏表示，其具體過程如下：

S41.將輸入的某測試圖像，按步驟S1進行目標定位與降維，并將降維后的圖像數據矢量化為一列作為待測圖像特征數據，設為t_p；

按步驟S2提取分數譜特征，將分數譜特征數據矢量化為一列作為待測試圖像的分數譜特征數據，設為t_f；

將兩個特征數據聯合形成最終的測試數據，設為T，即T＝[t_p,t_f]；

S42.使用原子庫D，對測試數據T進行稀疏分解；