[發(fā)明專利]基于稀疏約束的非負(fù)矩陣分解的SAR圖像目標(biāo)識別方法

有效

• 申請?zhí)枺?/td>: 201410474534.8
• 申請日: 2014-09-17
• 公開（公告）號: CN104268510B
• 公開（公告）日: 2017-12-12
• 發(fā)明（設(shè)計）人: 慕彩紅;焦李成;師萌;熊濤;劉若辰;劉靜;楊淑媛;王爽;云智強(qiáng);王孝齊
• 申請（專利權(quán)）人: 西安電子科技大學(xué)
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62
• 代理公司: 西安吉盛專利代理有限責(zé)任公司61108
• 代理人: 張恒陽

1.基于稀疏約束的非負(fù)矩陣分解的SAR圖像目標(biāo)識別方法，其特征在于：包括如下步驟：

步驟101：輸入訓(xùn)練樣本集Z＝{Z_i},i＝1,2…N和測試樣本集Y＝{Y_j},j＝1,2…M，其中Z_i和Y_j是代表一幅圖像的矩陣，大小為m×m階，N為訓(xùn)練樣本數(shù)，M為測試樣本數(shù)；對每一幅圖像進(jìn)行預(yù)處理，包括調(diào)整目標(biāo)圖像的位置到圖像中心的位置，截取目標(biāo)圖像，并對圖像幅值作對數(shù)變換，對數(shù)變換公式如下：

Z‾i=log(Zi/65535+1)---(1)]]>

式(1)中l(wèi)og為自然對數(shù)運算符，得到預(yù)處理后的訓(xùn)練樣本集同理，對測試樣本集做同樣的預(yù)處理后得到和都為n×n階矩陣；

步驟102：將訓(xùn)練樣本集中的每一幅n×n像素的圖像表示成一個n×n維的列向量，得到n×n行、N列的訓(xùn)練矩陣V，對測試樣本集進(jìn)行同樣的變換得到n×n行、M列的測試矩陣X；

步驟103：對矩陣V進(jìn)行稀疏約束的非負(fù)矩陣分解

V_U*N＝W_U*ZH_Z*N (2)

式(2)中，V為訓(xùn)練矩陣，W為基矩陣，H為系數(shù)矩陣，W與H矩陣中的元素必須是非負(fù)的，且參數(shù)Z要滿足得到矩陣W和H；

步驟104：以W的列向量為基向量構(gòu)造子空間，將代表每一幅樣本圖像的V的每一列v_i投影到該子空間，即e_i＝W⁺v_i，其中W⁺＝(W^TW)^-1W^T，得到向量e_i作為表征該圖像的特征向量；將矩陣X的每一列x_i投影到該子空間，即y_i＝W⁺x_i，得到向量y_i作為表征該圖像的特征向量；

步驟105：用支持向量機(jī)進(jìn)行分類，訓(xùn)練樣本集為(e_i,t_i)，其中t_i∈{1,2,3,4,5}是類別標(biāo)號，測試樣本集為(y_i,t_i)，最終得到分類結(jié)果；

步驟103包括如下步驟：

步驟201：用kmeans聚類方法初始化W矩陣和H矩陣，對初始矩陣V進(jìn)行kmeans聚類，類別數(shù)為Z，參數(shù)Z同步驟103中的參數(shù)Z，得到Z個中心向量w_Z；用這Z個中心向量順序排列初始化基矩陣W，用H＝V/W初始化H矩陣；

步驟202：在經(jīng)典的非負(fù)矩陣分解的目標(biāo)函數(shù)上增加了向量2-范數(shù)約束，目標(biāo)函數(shù)定義如下：

D(V||WH)=12Σij(Vij-(WH)ij)2-12γΣijWij2---(3)]]>

式(3)中，γ為非負(fù)待定參數(shù)；

則稀疏約束的非負(fù)矩陣分解定義為如下優(yōu)化問題：

minW,HD(V||WV)s.tW,H≥0ΣiWij=1,∀jsparseness(hi)=Sh,∀i---(4)]]>

式(4)中，S_h代表H矩陣的稀疏性大小；

由式(4)可得迭代公式：

H←H-μHWT(WH-V)W←W(VHT)(WHHT)-γWWUN←WUNΣlWlN---(5)]]>

式(5)中，μ_H為迭代步長，由式(5)迭代公式得到最終的W矩陣和H矩陣；

首先對訓(xùn)練樣本和測試樣本進(jìn)行預(yù)處理得到預(yù)處理后的訓(xùn)練樣本和測試樣本，然后對預(yù)處理后的訓(xùn)練樣本和測試樣本進(jìn)行稀疏約束NMF分解后，得到特征矩陣，最后用支持向量機(jī)進(jìn)行分類得到識別結(jié)果；通過選取合適的稀疏約束，使得在特征提取后，能夠最大限度的體現(xiàn)出SAR圖像的本身具有的稀疏性，通過更少的特征點來描述目標(biāo)的特征，提高了不同目標(biāo)之間特征的差異性，從而提高了識別率。