基于乘性稀疏表示和Gamma分布的SAR目标识别方法技术

本发明专利技术公开了一种基于乘性稀疏表示和Gamma分布的SAR目标识别方法，输入训练样本图像集和测试样本图像并进行归一化处理，分别求取训练样本图像集中训练样本图像对应的训练样本列向量，以及测试样本图像对应的测试样本列向量；根据目标类别构造字典矩阵，然后对测试样本列向量进行建模；根据最大后验概率准则，求解测试样本列向量在字典矩阵下的稀疏表示向量，利用稀疏表示向量和字典矩阵求解重构误差；根据重构误差确定最终的识别结果。本发明专利技术将乘积模型和稀疏表示相结合，更准确的描述SAR图像，捕获图像的本质特征，为高精度目标识别创造有利环境；利用Gamma分布拟合相干斑的统计分布，减弱了相干斑对识别的影响，提高了识别的鲁棒性。

【技术实现步骤摘要】
基于乘性稀疏表示和Gamma分布的SAR目标识别方法
本专利技术属于图像处理
，涉及一种基于乘性稀疏表示和Gamma分布的合成孔径雷达(Syntheticapertureradar，SAR)图像目标识别方法。本专利技术可以实现高精度的SAR目标识别。
技术介绍
合成孔径雷达图像的目标识别技术可实现对SAR图像中感兴趣目标的类别或者属性的判定，是当前SAR应用领域的一个主要方面，也是SAR图像处理和理解的一个重要组成部分，其在环境监测、灾害评估、敌我识别、精确打击等军事和民用领域有着广泛的应用SAR是一种相干成像传感器，信号的相干性既是提高SAR图像分辨率的关键，同时也使得SAR图像中不可避免的存在乘性相干斑。乘性相干斑的存在使得基于SAR图像的目标识别非常困难。现有的基于稀疏表示的目标识别方法通常采用加法模型对SAR图像建模，不能准确的对SAR图像进行描述，无法获得高精度的识别结果。
技术实现思路
针对现有技术中存在的问题，本专利技术提供一种基于乘性稀疏表示和Gamma分布的SAR目标识别方法，采用乘积模型对SAR图像进行建模，将乘积模型和稀疏表示相结合，以更准确的对SAR图像进行描述，利用Gamma分布拟合相干斑的统计分布，以减弱相干斑对目标识别的影响。为了实现上述任务，本专利技术采用以下技术方案：基于乘性稀疏表示和Gamma分布的SAR目标识别方法，包括以下步骤：输入训练样本图像集和测试样本图像并进行归一化处理，分别求取训练样本图像集中训练样本图像对应的训练样本列向量，以及测试样本图像对应的测试样本列向量；根据目标类别构造字典矩阵，然后对测试样本列向量进行建模；根据最大后验概率准则，求解测试样本列向量在字典矩阵下的稀疏表示向量，利用稀疏表示向量和字典矩阵求解重构误差；根据重构误差确定最终的识别结果。进一步地，所述的根据目标类别构造字典矩阵，包括：对于第c类目标的训练样本列向量构造字典矩阵Dc，其中，c＝1,2,...,C，C表示目标类别的总数。进一步地，所述的对测试样本列向量按照如下公式建模：其中，y表示测试样本列向量，Dc表示第c类目标的训练样本列向量构造的字典矩阵，αc表示对应的稀疏表示向量，εc表示测试样本列向量中的斑点噪声向量，表示点乘运算。进一步地，所述的根据最大后验概率准则，求解测试样本列向量在字典矩阵Dc下的稀疏表示向量αc，包括：其中，p(αc|y)表示后验概率分布函数，p(y|αc)表示似然函数，p(αc)表示先验概率分布函数；似然函数p(y|αc)利用Gamma分布进行建模；先验概率分布函数p(αc)利用Laplace分布进行建模。进一步地，所述的似然函数p(y|αc)利用Gamma分布进行建模，具体公式为：其中，l表示SAR图像的视数，Γ(·)表示Gamma函数，d表示测试样本列向量中的元素个数，yi表示测试样本列向量中的第i个元素，i＝1,2,...,d，rci表示Rc的第i个元素，Rc＝Dcαc＝[rc1,rc2,...,rcd]T，exp(·)表示指数函数，T表示求矩阵转置。进一步地，所述的先验概率分布函数p(αc)利用Laplace分布进行建模，具体公式为：p(αc)∝exp(-η||αc||1)其中，η为常数，可采用5折交叉验证的方法从集合{10-2,10-1,100,101,102}中选取，||·||1表示求1范数操作。进一步地，对训练样本图像集进行归一化的处理过程包括：对于训练样本图像集中的每一幅训练样本图像，以训练样本图像的几何中心为基准截取n像素*n像素的子图像，n为整数；将子图像中每一个像素的幅度值分别除以该子图像中所有像素幅度值的最大值，得到训练样本图像的归一化子图像。进一步地，所述的利用稀疏表示向量和字典矩阵求解重构误差，具体公式为：ec＝||y-Dcαc||2其中，||·||2表示求2范数操作。进一步地，所述的根据重构误差确定最终的识别结果，包括：获得全部的重构误差后，将最小重构误差对应的目标类别作为最终的识别结果。本专利技术具有以下技术特点：第一，本专利技术利用乘积模型对SAR图像建模，将乘积模型和稀疏表示相结合，更准确的描述SAR图像，捕获图像的本质特征，为高精度目标识别创造有利环境。第二，本专利技术利用Gamma分布拟合相干斑的统计分布，减弱了相干斑对识别的影响，提高了识别的鲁棒性。附图说明图1为本专利技术的流程图；图2为本专利技术所采用的MSTAR数据中目标的SAR图像和光学图像对比图。具体实施方式参照图1，本专利技术提供了一种基于乘性稀疏表示和Gamma分布的SAR目标识别方法，包括以下步骤：步骤1，输入训练样本图像集和测试样本图像并进行归一化处理具体地，输入训练样本图像集和测试样本图像，分别进行归一化处理，得到训练样本图像集中每一幅训练样本图像的归一化子图像以及测试样本图像的归一化子图像；所述的归一化处理的过程为：对于训练样本图像集中的每一幅训练样本图像，以训练样本图像的几何中心为基准截取n像素*n像素的子图像，n为整数；将子图像中每一个像素的幅度值分别除以该子图像中所有像素幅度值的最大值，得到训练样本图像的归一化子图像；按照相同的方法，得到测试样本图像的归一化子图像。步骤2，分别求取训练样本图像集中训练样本图像对应的训练样本列向量，以及测试样本图像对应的测试样本列向量；具体地：针对每一幅训练样本图像的归一化子图像，均将归一化子图像中的所有像素值按列取出，排成一个训练样本列向量，使每一幅训练样本图像对应一个训练样本列向量；针对测试样本图像的归一化子图像，将归一化子图像中的所有像素值按列取出，排成测试样本列向量。步骤3，根据目标类别构造字典矩阵；对于第c类目标的训练样本列向量构造字典矩阵Dc，其中，c＝1,2,...,C，C表示目标类别的总数。步骤4，对测试样本列向量进行建模，具体公式为：其中，y表示测试样本列向量，Dc表示第c类目标的训练样本列向量构造的字典矩阵，αc表示对应的稀疏表示向量，εc表示测试样本列向量中的斑点噪声向量，表示点乘运算。步骤5，根据最大后验概率准则，求解测试样本列向量在字典矩阵Dc下的稀疏表示向量αc；其中，p(αc|y)表示后验概率分布函数，p(y|αc)表示似然函数，p(αc)表示先验概率分布函数；似然函数p(y|αc)利用Gamma分布进行建模，具体公式为：其中，l表示SAR图像的视数，Γ(·)表示Gamma函数，d表示测试样本列向量中的元素个数，yi表示测试样本列向量中的第i个元素，i＝1,2,...,d，rci表示Rc的第i个元素，Rc＝Dcαc＝[rc1,rc2,...,rcd]T，exp(·)表示指数函数，T表示求矩阵转置；先验概率分布函数p(αc)利用Laplace分布进行建模，具体公式为：p(αc)∝exp(-η||αc||1)其中，η为常数，可采用5折交叉验证的方法从集合{10-2,10-1,100,101,102}中选取，||·||1表示求1范数操作。步骤6，利用稀疏表示向量αc和字典矩阵Dc求解重构误差ec；ec＝||y-Dcαc||2其中，||·||2表示求2范数操作。步骤7，根据重构误差确定最终的识别结果，具体地：获得全部的C个重构误差后，将最小重构误差对应的目标类别作为最终的识别结果，按照如下公式进行：仿真实本文档来自技高网...

【技术保护点】
1.基于乘性稀疏表示和Gamma分布的SAR目标识别方法，其特征在于，包括以下步骤：输入训练样本图像集和测试样本图像并进行归一化处理，分别求取训练样本图像集中训练样本图像对应的训练样本列向量，以及测试样本图像对应的测试样本列向量；根据目标类别构造字典矩阵，然后对测试样本列向量进行建模；根据最大后验概率准则，求解测试样本列向量在字典矩阵下的稀疏表示向量，利用稀疏表示向量和字典矩阵求解重构误差；根据重构误差确定最终的识别结果。

【技术特征摘要】
1.基于乘性稀疏表示和Gamma分布的SAR目标识别方法，其特征在于，包括以下步骤：输入训练样本图像集和测试样本图像并进行归一化处理，分别求取训练样本图像集中训练样本图像对应的训练样本列向量，以及测试样本图像对应的测试样本列向量；根据目标类别构造字典矩阵，然后对测试样本列向量进行建模；根据最大后验概率准则，求解测试样本列向量在字典矩阵下的稀疏表示向量，利用稀疏表示向量和字典矩阵求解重构误差；根据重构误差确定最终的识别结果。2.如权利要求1所述的基于乘性稀疏表示和Gamma分布的SAR目标识别方法，其特征在于，所述的根据目标类别构造字典矩阵，包括：对于第c类目标的训练样本列向量构造字典矩阵Dc，其中，c＝1,2,...,C，C表示目标类别的总数。3.如权利要求1所述的基于乘性稀疏表示和Gamma分布的SAR目标识别方法，其特征在于，所述的对测试样本列向量按照如下公式建模：其中，y表示测试样本列向量，Dc表示第c类目标的训练样本列向量构造的字典矩阵，αc表示对应的稀疏表示向量，εc表示测试样本列向量中的斑点噪声向量，表示点乘运算。4.如权利要求1所述的基于乘性稀疏表示和Gamma分布的SAR目标识别方法，其特征在于，所述的根据最大后验概率准则，求解测试样本列向量在字典矩阵Dc下的稀疏表示向量αc，包括：其中，p(αc|y)表示后验概率分布函数，p(y|αc)表示似然函数，p(αc)表示先验概率分布函数；似然函数p(y|αc)利用Gamma分布进行建模；先验概率分布函数p(αc)利用Laplace分布进行建模。5.如权利要求4所述的基于乘性稀疏表示和Gamma分布的SAR目标识别方法，其特征在于，所述的似然函数...

【专利技术属性】
技术研发人员：刘明，
申请(专利权)人：陕西师范大学，
类型：发明
国别省市：陕西,61