[發明專利]基于稀疏約束的非負矩陣分解的SAR圖像目標識別方法

有效

• 申請號: 201410474534.8
• 申請日: 2014-09-17
• 公開（公告）號: CN104268510B
• 公開（公告）日: 2017-12-12
• 發明（設計）人: 慕彩紅;焦李成;師萌;熊濤;劉若辰;劉靜;楊淑媛;王爽;云智強;王孝齊
• 申請（專利權）人: 西安電子科技大學
• 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任公司61108
• 代理人: 張恒陽

技術領域

本發明屬于圖像處理技術領域，涉及到一種圖像的特征提取方法，即非負矩陣分解方法，具體是一種基于稀疏約束的非負矩陣分解的SAR圖像目標識別方法，可廣泛用于軍事和民事應用中。

背景技術

合成孔徑雷達(Synthetic Aperture Radar，SAR)以其全天時、全天候、穿透力強等特點，是對地觀測和軍事偵測的重要手段之一。SAR圖像目標識別作為SAR圖像分析與解譯的關鍵技術之一，具有很強的商業和軍事價值，日益成為國內外的研究熱點。

在SAR圖像目標識別研究中，主要包括圖像特征提取研究和機器學習機研究。圖像特征提取研究的主要目的是為了抑制斑點噪聲對識別率的影響并且最大限度地體現SAR圖像本身具有的稀疏性，所以圖像特征提取的好壞將直接影響到識別精度。同樣，機器學習機的好壞會影響對目標特征的學習能力，從而影響分類精度。

目前SAR圖像目標識別的方法大都基于灰度相關匹配和二維不變矩特征，或是基于目標邊緣檢測等方法。其主要思想是通過提取圖像域或小波域的參數來構建特征矩陣，這種基于全局特征的方法雖然可以獲得較好的識別精度，但是受噪聲影響較大，運算代價高，速度慢，從而導致實用性不強。

Zongjie Cao和Jilan Feng在2012年提出了基于非負矩陣分解(Non-Negative Matrix Factorization，NMF)與Fisher線性判別的SAR目標識別方法。該方法采用NMF和Fisher線性判別分析作為特征提取的方法，降低了數據運算量并提高了識別精度。但在該方法中，沒有體現出SAR圖像本身具有的稀疏性，且沒有用分類精度高的機器學習算法。

發明內容

本發明的目的在于克服上述已有技術的不足，提出了一種基于稀疏約束的非負矩陣分解的SAR圖像目標識別方法。

本發明的技術方案是：一種基于稀疏約束的非負矩陣分解的SAR圖像目標識別方法，其具體步驟包括：

步驟101：輸入訓練樣本集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為訓練樣本數，M為測試樣本數；對每一幅圖像進行預處理，包括調整目標圖像的位置到圖像中心的位置，截取目標圖像，并對圖像幅值作對數變換，對數變換公式如下：

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

步驟102：將訓練樣本集Z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列的訓練矩陣V，對測試樣本集進行同樣的變換得到n×n行、M列的測試矩陣X；

步驟103：對矩陣V進行稀疏約束的非負矩陣分解

V_U*N＝W_U*ZH_Z*N(2)

式(2)中，V為訓練矩陣，W為基矩陣，H為系數矩陣，W與H矩陣中的元素必須是非負的，且參數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：用支持向量機進行分類，訓練樣本集為(e_i,t_i)，其中t_i∈{1,2,3,4,5}是類別標號，測試樣本集為(y_i,t_i)，最終得到分類結果。

所述的步驟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進行kmeans聚類，類別數為Z，參數Z同步驟103中的參數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；