基于样本产生与核局部特征融合的SAR图像仿生识别方法技术

本发明专利技术提供了一种基于样本产生与核局部特征融合的SAR图像仿生识别方法，属于图像处理技术及SAR目标识别领域。该方法先构建了超完备训练样本集，进行训练得到几何流形，然后再对待识别样本进行识别，具体对各样本先采用K-SVD字典学习方法进行图像去噪，再用目标质心方法实现目标区域提取；然后结合局部相位量化（LPQ）与Gabor滤波方法分别进行特征提取，并进行特征融合，最后通过高维几何流形的覆盖进行分类，运用仿生模式进行识别。本发明专利技术方法的图像相干噪声抑制效果较为显著，能有效地提取SAR图像特征，解决了SAR图像因姿态角变化引起提取的特征不稳定的问题，识别精度高，具有很好的鲁棒性。

【技术实现步骤摘要】

本专利技术属于图像处理技术及SAR目标识别领域，特别涉及一种基于样本产生与核局部特征融合的SAR图像仿生识别方法，可应用于军事和民用的目标识别中。
技术介绍
合成孔径雷达(Synthetic Aperture Radar,简称SAR)由于其能够全天候、全天时获取地面战场数据，在现代战场感知、对地军事打击等领域有良好的应用前景，使得基于SAR图像的自动目标识别(Automatic Target Recognition,简称ATR)受到了越来越多研究学者的重视，并且已经逐渐成为国内外的研究热点之一。在SAR目标识别的研究中，目前国内外许多研究机构大多都是基于由美国DARPA/AFRL MSTAR项目组提供的运动、静止目标探测和识别(Moving and Stationary Target Acquisition and Recognition,简称MSTAR)数据库进行的，MSTAR数据库对SAR图像目标识别的研究工作发挥了至关重要的作用。该数据库中所成的SAR图像包含幅度、相位和极化等丰富的特征信息，同时在SAR图像中还存在大量的乘性噪声。另一影响识别的重要因素是目标姿态角的变化导致难以提取有效稳定的特征。因此，如何消除或减少噪声对目标识别的影响，以及如何有效地克服目标姿态角变化，以便提取目标旋转不变的稳定特征，成为了提高目标识别精度的关键技术之一。目前，对于消除噪声的干扰方法，通常采用同态滤波的方法，在对数域内进行噪声消除，然后再用指数变换生成原图像，但这一方法对于抑制SAR图像的相干噪声难以取得理想的方法。而对于目标姿态角变化的难点问题，通常采用对目标进行姿态角按区间分类的方法，构造多个分类器进行分类。这一解决方法需要已知目标姿态角或者估计目标姿态角，而且需要构造多个分类器，因此，复杂度较高。另一方面，寻找符合SAR目标特征特性的有效分类器，这也是SAR目标图像识别的难点问题之一。
技术实现思路
基于上述已有技术的缺陷与不足，本专利技术提出了一种样本产生与核局部特征融合的SAR图像识别方法。本专利技术方法可有效出去SAR图像中相干噪声干扰，并克服SAR图像姿态角变化引起特征提取不稳定的问题，从而提高SAR图像目标识别的正确识别率的目的。本专利技术提供的一种基于样本产生与核局部特征融合的SAR图像仿生识别方法，其具体步骤如下步骤1:构建超完备训练样本集；对输入每一类SAR的原始训练图像分别采用样本旋转的方法产生虚拟训练样本图，由真实的SAR的原始训练图像和所产生的所有虚拟训练样本图构成最终的超完备训练样本集；步骤2 :采用K-SVD字典学习算法对输入的每个样本图像，进行噪声处理；步骤3 :对噪声处理后的各样本图像，采用质心方法提取目标识别区域；步骤4 :采用高斯核函数将所有经步骤3输出的样本图像映射到高维特征空间；步骤5 :采用二维Gabor滤波器对步骤4得到的样本图像进行特征提取，得到样本图像的特征图；步骤6 :采用局部相位量化方法对步骤4得到的样本图像进行特征提取，得到样本图像的特征图；步骤7 :将步骤5和步骤6得到的同一样本图像的特征图进行加权融合，得到各样本图像的融合特征图；步骤8 :根据超完备训练样本集中的各样本图像的融合特征图，构建超完备训练样本集中所有样本图像的仿生流形；所构建的仿生流形优选采用”超香肠”神经元模型；步骤9 :对待识别的样本图像输入步骤2中，经过步骤2至步骤7的处理，得到待识别的样本图像的融合特征图，然后采用仿生模式识别方法进行SAR目标图像识别。所述的步骤2具体是设Y为输入的样本集中一幅要进行噪声处理的原始样本图像，将样本图像Y分割成N ±夹，则有r = ，Yi表示样本图像Y分割后的第i ±夹，则通过K-SVD字典学习算法，找出一个最优字典D和最优稀疏分解系数矩阵X表示原始样本图像Y，设随机初始化的字典Dftl) SNXK的矩阵，D(°)为当前的目标训练字典，令迭代次数J初始为1，然后进行如下步骤步骤2.1 :优化每个图像小块yi对应的稀疏分解局部系数<，得到更新的稀疏分解系数矩阵X。保持当前的目标训练字典D(H)不变，采用追踪算法循环计算最优稀疏分解局部系数.< 4尤化公式如下本文档来自技高网...

【技术保护点】
一种基于样本产生与核局部特征融合的SAR图像仿生识别方法，其特征在于，通过以下步骤实现：步骤1：构建超完备训练样本集，具体是：对输入的每一类SAR的原始训练图像分别采用样本旋转的方法产生虚拟训练样本图，由SAR的原始训练图像和所产生的虚拟训练样本图构成最终的超完备训练样本集，将超完备训练样本集输入步骤2中；步骤2：对样本集中的每个样本图像，采用K?SVD字典学习算法进行噪声处理；步骤3：对噪声处理后的各样本图像，采用质心方法提取目标识别区域；步骤4：采用高斯核函数将所有经步骤3输出的样本图像映射到高维特征空间；步骤5：采用二维Gabor滤波器对步骤4得到的样本图像进行特征提取，得到样本图像的特征图；步骤6：采用局部相位量化方法对步骤4得到的样本图像进行特征提取，得到样本图像的特征图；步骤7：将步骤5和步骤6得到的同一样本图像的特征图进行加权融合，得到融合的特征图；步骤8：根据超完备训练样本集中的各样本图像的融合特征图，构建超完备训练样本集中所有样本图像的仿生流形；所构建的仿生流形优选采用”超香肠”神经元模型；步骤9：对待识别样本集中的各样本图像输入步骤2中，经过步骤2至步骤7的处理，得到待测试的样本图像的融合特征图，然后采用仿生模式识别方法进行SAR目标图像识别。...

【技术特征摘要】
1.一种基于样本产生与核局部特征融合的SAR图像仿生识别方法，其特征在于，通过以下步骤实现 步骤1:构建超完备训练样本集，具体是对输入的每一类SAR的原始训练图像分别采用样本旋转的方法产生虚拟训练样本图，由SAR的原始训练图像和所产生的虚拟训练样本图构成最终的超完备训练样本集，将超完备训练样本集输入步骤2中； 步骤2 :对样本集中的每个样本图像，采用K-SVD字典学习算法进行噪声处理； 步骤3 :对噪声处理后的各样本图像，采用质心方法提取目标识别区域； 步骤4 :采用高斯核函数将所有经步骤3输出的样本图像映射到高维特征空间； 步骤5 :采用二维Gabor滤波器对步骤4得到的样本图像进行特征提取，得到样本图像的特征图； 步骤6 :采用局部相位量化方法对步骤4得到的样本图像进行特征提取，得到样本图像的特征图； 步骤7 :将步骤5和步骤6得到的同一样本图像的特征图进行加权融合，得到融合的特征图； 步骤8:根据超完备训练样本集中的各样本图像的融合特征图，构建超完备训练样本集中所有样本图像的仿生流形；所构建的仿生流形优选采用”超香肠”神经元模型； 步骤9 :对待识别样本集中的各样本图像输入步骤2中，经过步骤2至步骤7的处理，得到待测试的样本图像的融合特征图，然后采用仿生模式识别方法进行SAR目标图像识别。2.根据权利要求1所述的SAR图像仿生识别方法，其特征在于，步骤I中所述的采用样本旋转的方法产生虚拟训练样本图，具体是 步骤1.1 :确定旋转角度9 !; 步骤1.2 :确定每一类SAR的原始训练图像的虚拟训练样本图的数量为(360° /0 1) _1 ; 步骤1. 3 :将SAR的原始训练图像每旋转一次角度9 :，得到对应旋转角度下的虚拟训练样本图。3.根据权利要求1所述的SAR图像仿生识别方法，其特征在于，所述的步骤2具体是设Y为输入的样本集中一幅原始样本图像，将样本图像Y分割成N块，则有r = +丨yi表示样本图像Y分割后的第i ±夹，则通过K-SVD字典学习算法，寻找最优的目标训练字典D和最优的稀疏分解系数矩阵X来表示样本图像Y，设随机初始化的字典D(°)为NXK的矩阵，Dw为当前的目标训练字典，令迭代次数J初始为I，然后进行下面步骤 步骤2.1 :优化每个图像小块71对应的稀疏分解局部系数<，得到更新的稀疏分解系数矩阵X ;具体优化稀疏分解局部系数<的方法是保持当前的目标训练字典Dq-1)不变，采用追踪算法循环计算最优稀疏分解局部系数.< 4尤化公式如下4.根据权利要求1所述的SAR图像仿...

【专利技术属性】
技术研发人员：李景文，翟懿奎，朱燕青，
申请(专利权)人：北京航空航天大学，
类型：发明
国别省市：