一种基于增强核稀疏表示的SAR图像目标识别方法技术

本发明专利技术公开了一种基于增强核稀疏表示的SAR图像目标识别方法，首先，提出一种多尺度单演特征提取方法，用于同时提取SAR图像目标的空间和频域信息。其次，设计一个基于增强核稀疏表示的分类器，用于目标识别。与传统的核稀疏表示分类器不同，设计的基于增强核稀疏表示的分类器率先采用了核主成分分析(Kernel Principle Component Analysis，KPCA)和核Fisher鉴别分析(Kernel Fisher Discriminant analysis，KFDA)计算一个增强的伪变换矩阵；接着提出一种基于增强伪变换矩阵的鉴别性特征映射方法，将特征在核空间中进行降维；最后通过最小化L1范数计算稀疏系数，基于稀疏重建的误差即可进行目标类别的识别。本发明专利技术基于多尺度单演信号理论及增强核稀疏表示分类器对SAR目标进行识别，能够实现良好的分类和识别效果。

A SAR Image Target Recognition Method Based on Enhanced Kernel Sparse Representation

【技术实现步骤摘要】
一种基于增强核稀疏表示的SAR图像目标识别方法
本专利技术属于图像处理和模式识别领域，尤其涉及一种新的基于增强核稀疏表示的SAR图像目标识别方法。
技术介绍
合成孔径雷达(SyntheticApertureRadar，SAR)是一种高分辨率成像雷达，与光学、红外等雷达相比，它的成像受气候等条件的限制程度小，具有全天时、全天候、多视角和高分辨率等特点。基于SAR图像的目标识别在各种军事和民用领域，如军事方面的战场侦察、对地攻击，民用方面的地形测绘、海洋观测、灾情预报、农作物评估等，都具有非常重要的应用，对其深入研究具有重要的理论意义和实用价值。在现阶段，SAR图像的目标识别方法通常分为三类：模板匹配法、基于模型的方法、基于特征的方法。其中，基于模板匹配的方法旨在对模板库进行搜索，以获取与待识别目标最为匹配的模板，计算目标的类别标签。该类方法最大的局限性在于很难建立完备的模板库；且当目标受背景杂波干扰时，较难获得良好的匹配结果。为此，人们提出了基于模型的方法，该类方法又分为：基于统计学模型的方法和基于物理模型的方法。前者将SAR图像用参数化的统计分布模型进行表示，当模型和待识别目标的统计关系不存在时，识别易失败；后者采用三维计算机辅助设计，建立SAR目标人造模型，这类方法的性能取决于模型建立的准确度，实际目标和仿真目标之间实际存在的差异会导致识别的受限。为此，后续人们又提出了基于特征的方法，该类方法包括两个关键步骤：特征提取和分类器设计。目前常见的SAR图像目标特征提取方法包括基于小波的方法、非负矩阵分解、Zernike矩等；而常用的SAR目标分类器有基于支持向量机的方法、基于提升的方法、基于稀疏表示的方法等。尽管现有的算法能处理SAR图像目标识别问题，但是它们的性能仍有待进一步的提高：(1)现阶段SAR目标识别时，缺乏完备、紧致、且具有鉴别性的特征提取方法；(2)当提取的多种类型的特征不是线性可分时，如何设计鲁棒、可靠的分类器是一个难点。
技术实现思路
专利技术目的：针对以上问题，本专利技术提出一种新的基于增强核稀疏表示的SAR图像目标识别方法。该方法基于多尺度单演信号理论对SAR图像进行特征提取，学习得到的特征表现力及鲁棒性强。此外，将提取到的特征输入到增强核稀疏表示分类器中，能实现良好的分类和识别效果。技术方案：为实现本专利技术的目的，本专利技术所采用的技术方案是：一种基于增强核稀疏表示的SAR图像目标识别方法，该方法包括如下步骤：(1)对SAR目标图像进行多尺度单演变换，求取其在不同尺度下的对应的单演信号；(2)针对每一个尺度下的单演信号，计算SAR图像目标的单演特征；(3)基于核主成分分析和核Fisher鉴别分析计算一个增强的伪变换矩阵；(4)利用增强的伪变换矩阵，进行鉴别性特征映射，将特征在核空间中进行降维，并在核空间中构造新的字典以及待测样本向量；(5)利用最小化L1范数计算稀疏系数，并基于稀疏重建误差进行目标分类识别。进一步的，步骤(1)中的，对SAR目标图像进行多尺度单演变换，求取其在不同尺度下的对应的单演信号的方法如下：(1.1)给定一个二维SAR目标图像x(z)，其中z表示二维图像空间像素坐标，先对其进行里斯变换得到二维复信号xR(z)，则x(z)对应的单演信号xm(z)可定义为x(z)与其里斯变换的xR(z)的线性组合：xm(z)＝x(z)-(i,j)xR(z)；其中，i和j表示虚部单位，(1,i,j)构成三维互相正交的基坐标；(1.2)采用二维Log-Gabor滤波器hlg(z)分别与二维SAR目标图像x(z)及里斯变换xR(z)进行卷积，则x(z)对应的单演信号xm(z)求解公式修改为：xm(z)＝(hlg(z)*x(z))-(i,j)(hlg(z)*xR(z))其中，hlg(z)的频域表达式为：其中，ω是频率变量，ω0是G(ω)的中心频率，σ表示该二维Log-Gabor滤波器带宽的尺度因子；(1.3)通过修改σ即可以得到不同尺度的Log-Gabor滤波器，利用不同尺度Log-Gabor滤波器与x(z)及xR(z)进行卷积，即可计算不同尺度的单演信号其中，表示第i个尺度下计算求得的x(z)的单演信号，S表示总尺度数。进一步的，步骤(2)中的单演特征包括：基于单演信号幅度信息的目标能量特征、基于单演信号相位信息的目标结构特征、及基于单演信号方向信息的目标几何特征。进一步的，步骤(2)中的，针对每一个尺度下的单演信号，计算SAR图像目标的单演特征的方法如下：(2.1)针对每一个尺度下的二维单演信号xm(z)进行分解，获取其幅度、相位、和方向信息：其中，xi(z)和xj(z)分别表示单演信号的i虚部的分量和j虚部的分量；(2.2)由于xm(z)采用(1.2)中的形式，在求解A(z)、θ(z)三分量时，将采用hlg(z)*x(z)代替x(z)，hlg(z)*xR(z)代替xR(z)对A(z)、θ(z)分别计算，最终可以得到S个尺度的单演特征：(2.3)将S个尺度的单演特征进行向量化：其中，vec(·)表示将矩阵转化为向量的操作，χ表示得到的单演特征向量。进一步的，步骤(3)中的，基于核主成分分析和核Fisher鉴别分析计算一个增强的伪变换矩阵，方法如下：(3.1)给定一个具有c个类别的SAR目标分类，设表示目标训练样本集，其中，n表示样本个数，表示一个目标样本图像经过步骤(2)的处理后得到单演特征向量，yi∈{1,2,...,c}表示目标xi对应的类别标签；设Φ为核函数k(·,·)对应的非线性映射函数，为了保证样本之间的区分性，采用Φ将数据从输入空间X映射到高维核特征空间其中，Φ(x)∈RD表示图像x在空间上的映射结果，D＞＞m是特征空间的维数，且φj(x)∈R，其中j＝1,...,D，目标样本图像xi在空间上的映射结果为Φ(xi),i＝1,...,n；(3.2)给定一个测试样本图像处理后的单演特征向量xt，在核特征空间上对其进行线性表示如下：其中，α＝[α1,α2,...,αn]T为系数向量，αi为Φ(xi)对应的系数，在特征空间上的样本矩阵可以表示如下：Φ＝[Φ(x1),Φ(x2),...,Φ(xn)]∈RD×n(3.3)基于(3.2)求得的Φ(x)，得到如下稀疏表示：上式表示，在满足Φ(xt)＝Φα的条件下，求解||α||1式子为最小值时的α，在求解α的过程中，选择L1范数，即对||α||1求最小；(3.4)采用基于核降维的方式对(3.3)中的稀疏表示问题进行求解，设P∈RD×d为变换矩阵，基于该变换矩阵，对(3.2)中的进行如下变换：PTΦ(xt)＝PTΦα；(3.5)利用基于核主成分分析或基于核Fisher鉴别分析的核降维方法，将映射向量看做空间图像映射结果的线性组合：其中，Pj是变换矩阵P的第j个变换向量，即：P＝[P1,...,Pd]，βj＝[βj,1,...,βj,n]T为Pj对应的伪变换向量，代表的是线性表示系数，由β1,...,βd可以组成伪变换矩阵B：B＝[β1,...,βd]基于伪变换矩阵B，变换矩阵P可以表示如下：P＝ΦB(3.6)将P＝ΦB代入步骤(3.4)中的公式PTΦ(xt)＝PTΦα中，可得：BTk(·,xt)＝BTKα其中，k(·,xt)＝[k(x1,xt),本文档来自技高网...

【技术保护点】
1.一种基于增强核稀疏表示的SAR图像目标识别方法，其特征在于，该方法包括如下步骤：(1)对SAR目标图像进行多尺度单演变换，求取其在不同尺度下的对应的单演信号；(2)针对每一个尺度下的单演信号，计算SAR图像目标的单演特征；(3)基于核主成分分析和核Fisher鉴别分析计算一个增强的伪变换矩阵；(4)利用增强的伪变换矩阵，进行鉴别性特征映射，将特征在核空间中进行降维，并在核空间中构造新的字典以及待测样本向量；(5)利用最小化L1范数计算稀疏系数，并基于稀疏重建误差进行目标分类识别。

【技术特征摘要】
1.一种基于增强核稀疏表示的SAR图像目标识别方法，其特征在于，该方法包括如下步骤：(1)对SAR目标图像进行多尺度单演变换，求取其在不同尺度下的对应的单演信号；(2)针对每一个尺度下的单演信号，计算SAR图像目标的单演特征；(3)基于核主成分分析和核Fisher鉴别分析计算一个增强的伪变换矩阵；(4)利用增强的伪变换矩阵，进行鉴别性特征映射，将特征在核空间中进行降维，并在核空间中构造新的字典以及待测样本向量；(5)利用最小化L1范数计算稀疏系数，并基于稀疏重建误差进行目标分类识别。2.根据权利要求1所述的一种基于增强核稀疏表示的SAR图像目标识别方法，其特征在于，步骤(2)中的单演特征包括：基于单演信号幅度信息的目标能量特征、基于单演信号相位信息的目标结构特征、及基于单演信号方向信息的目标几何特征。3.根据权利要求1或2所述的一种基于增强核稀疏表示的SAR图像目标识别方法，其特征在于，步骤(1)中的，对SAR目标图像进行多尺度单演变换，求取其在不同尺度下的对应的单演信号的方法如下：(1.1)给定一个二维SAR目标图像x(z)，其中z表示二维图像空间像素坐标，先对其进行里斯变换得到二维复信号xR(z)，则x(z)对应的单演信号xm(z)可定义为x(z)与其里斯变换的xR(z)的线性组合：xm(z)＝x(z)-(i,j)xR(z)；其中，i和j表示虚部单位，(1,i,j)构成三维互相正交的基坐标；(1.2)采用二维Log-Gabor滤波器hlg(z)分别与二维SAR目标图像x(z)及里斯变换xR(z)进行卷积，则x(z)对应的单演信号xm(z)求解公式修改为：xm(z)＝(hlg(z)*x(z))-(i,j)(hlg(z)*xR(z))其中，hlg(z)的频域表达式为：其中，ω是频率变量，ω0是G(ω)的中心频率，σ表示该二维Log-Gabor滤波器带宽的尺度因子；(1.3)通过修改σ即可以得到不同尺度的Log-Gabor滤波器，利用不同尺度Log-Gabor滤波器与x(z)及xR(z)进行卷积，即可计算不同尺度的单演信号其中，表示第i个尺度下计算求得的x(z)的单演信号，S表示总尺度数。4.根据权利要求3所述的一种基于增强核稀疏表示的SAR图像目标识别方法，其特征在于，步骤(2)中的，针对每一个尺度下的单演信号，计算SAR图像目标的单演特征的方法如下：(2.1)针对每一个尺度下的二维单演信号xm(z)进行分解，获取其幅度、相位、和方向信息：其中，xi(z)和xj(z)分别表示单演信号的i虚部的分量和j虚部的分量；(2.2)由于xm(z)采用(1.2)中的形式，在求解A(z)、θ(z)三分量时，将采用hlg(z)*x(z)代替x(z)，hlg(z)*xR(z)代替xR(z)对A(z)、θ(z)分别计算，最终可以得到S个尺度的单演特征：(2.3)将S个尺度的单演特征进行向量化：其中，vec(·)表示将矩阵转化为向量的操作，χ表示得到的单演特征向量。5.根据权利要求4所述的一种基于增强核稀疏表示的SAR图像目标识别方法，其特征在于，步骤(3)中的，基于核主成分分析和核Fisher鉴别分析计算一个增强的伪变换矩阵，方法如下：(3.1)给定一个具有c个类别的SAR目标分类，设表示目标训练样本集，其中，n表示样本个数，表示一个目标样本图像经过步骤(2)的处理后得到单演特征向量，yi∈{1,2,...,c}表示目标xi对应的类别标签；设Φ为核函数k(·,·)对应的非线性映射函数，为了保证样本之间的区分性，采用Φ将数据从输入空间X映射到高维核特征空间其中，Φ(x)∈RD表示图像x在空间上的映射结果，D＞＞m是特征空间的维数，且φj(...

【专利技术属性】
技术研发人员：宁晨，曾毓敏，
申请(专利权)人：南京师范大学，
类型：发明
国别省市：江苏,32