基于分數譜稀疏表示的sar圖像目標識別方法
【專利摘要】本發明公開了一種基于分數譜稀疏表示的SAR圖像目標識別方法，本發明方法包括：用訓練圖像集構建原子庫和對待測圖像的分類識別兩個過程，具體的在特征提取方面同時提取了分數譜域和圖像像素域兩類特征；在特征分類方面，利用圖像分數譜和像素兩類特征的相關性，設計新的聯合稀疏表示和稀疏分類方法對待測圖像進行分類識別，通過利用分數域時頻變換獲得了信號的高分辨頻譜特征，將其與圖像空間像素域特征進行聯合稀疏表示和稀疏分類，有效地改善了現有方法在特征提取和特征分類中的問題，提高了SAR目標識別的準確率。
【專利說明】基于分數譜稀疏表示的SAR圖像目標識別方法
【技術領域】
[0001]本發明屬于圖像處理【技術領域】中，涉及圖像分類識別方法，具體涉及運用分數譜稀疏表示來進行合成孔徑雷達(SyntheticAperture Radar, SAR)圖像目標識別的方法。
【背景技術】
[0002]合成孔徑雷達是一種工作在微波波段的相干成像雷達，以其高分辨和全天候、全天時、大面積的成像探測能力，成為世界各國普遍重視的對地觀測手段，具有良好的應用前景。SAR目標識別是SAR圖像解譯的一個重要方面，目的是實現對圖像中感興趣目標的自動分類識別。SAR目標識別過程通常包括對特征提取和特征分類兩個環節。
[0003]在特征提取方面，已經提出了如Gabor變換，小波變換，主成分分析，幾何投影變換等多種方法；SAR目標具有多變性特點:除了成像系統固有的乘性噪聲斑點外，SAR目標受到如目標方位角、姿態變化、背景地表變化、有意或無意的遮擋、雜波干擾等多種因素的影響，這使得其識別任務變得非常困難。因此，基于單一特征的識別方式難以達到高精度、高可靠性的要求，需要考慮一種多特征融合的識別技術和手段。目前，在圖像信號分析中，分數域時頻分析(Fractional time-frequency analysis, FrTFA)方法逐漸得到關注，該方法利用時頻旋轉特性及能量聚焦性，獲取信號的高分辨率頻譜。相對于傳統時頻分析方法，分數域分析改善了信號的時頻分布，更好地反映信號的局部特性。目前分數域時頻分析已經被應用于科學研究和工程【技術領域】，如信號檢測與參數估計，其中包括SAR圖像目標檢測。但至今未見有將分數域時頻分析用于SAR目標自動識別的報道。
[0004]在特征分類方面，傳統采用模式識別、機器學習的方法來訓練分類模型。典型的方法有:線性判別分析(LinearDiscriminant Analysis, LDA)、支持向量機(SupportVectorMachine, SVM)、神經網絡等，其中，SVM的使用最為廣泛。這些分類方法一般針對低維空間，在訓練中存在過擬合問題，且計算復雜度較高。近年來，一種基于稀疏表示的分類器(Sparse Representation Classifier, SRC)也應用到SAR目標識別中，獲得了很好的分類效果，且復雜度較低，從而彌補了傳統統計分析理論和機器學習方法的不足。但SRC的存在如下問題:SRC過程是先在訓練圖像集(或原子庫)中選擇出一系列原子，用其對測試圖像進行稀疏線性表示，然后將表示誤差最小的類作為測試圖像的最終類別。在這個過程中，原子選擇非常關鍵，但目前的方法趨向于選擇一組相關的原子來表示一個測試樣本，并不能保證所選原子來源于同一個正確的類，造成相似的局部特征可能會被不同類別的原子組表示，影響了分類結果。
【發明內容】
[0005]本發明的目的是針對現有技術存在的上述缺陷，提出一種基于分數譜稀疏表示的SAR圖像目標識別方法。
[0006]本發明的技術方案是:一種基于分數譜稀疏表示的SAR圖像目標識別方法，具體包括如下步驟:[0007]S1.選擇目標區域:在帶有類別標簽的訓練圖像中選擇目標所在的區域，目標區域內的圖像數據作為目標圖像；
[0008]S2.提取分數譜特征:對目標圖像進行分數域時頻變換，提取其分數譜特征；
[0009]S3.構建原子庫:
[0010]S31.將每幅訓練的目標圖像的數據排列為一列，對其進行降維處理，并將得到的低維列向量作為一原子，加入到圖像特征原子庫，設為Dp，Dp的一列為某訓練圖像的圖像特征數據；
[0011]S32.將每幅訓練的目標圖像經步驟S2處理后的分數譜特征數據排列為一列，對其進行降維處理，并將得到的低維列向量作為一原子，加入到分數譜特征原子庫，設為Df，Df的一列為某訓練圖像的分數譜特征數據； [0012]S33.將圖像特征原子庫與分數譜特征原子庫合并為最終的原子庫，設為D ；
[0013]S4.聯合稀疏表示:根據步驟S33獲得的原子庫D，對輸入的某測試圖像進行聯合稀疏表示，其具體過程如下:
[0014]S41.將輸入的某測試圖像，按步驟SI進行目標定位與降維，并將降維后的圖像數據矢量化為一列作為待測圖像特征數據，設為tp ；
[0015]按步驟S2提取分數譜特征，將分數譜特征數據矢量化為一列作為待測試圖像的分數譜特征數據，設為tf ;
[0016]將兩個特征數據聯合形成最終的測試數據，設為T，即T = [tp, tf]；
[0017]S42.使用原子庫D，對測試數據T進行稀疏分解；
[0018]S5.聯合稀疏識別:根據原子庫原子的類別標簽，對每一類別，只用稀疏分解得到的該類的原子和對應系數分別對tp和tf進行重建，計算兩個重建誤差的累計；選擇累計誤差最小的類別為輸入測試圖像的類別。
[0019]進一步的，步驟S2所述的提取其分數譜特征的具體過程如下:對圖像的每一行和每一列分別進行分數譜特征的提取，設目標圖像的某行(或列)信號為g(t)，則特征提取按如下步驟進行:
[0020]S21.尋找分數域時頻變換的最優旋轉階次r*:
【權利要求】
1.一種基于分數譜稀疏表示的SAR圖像目標識別方法，具體包括如下步驟: 51.選擇目標區域:在帶有類別標簽的訓練圖像中選擇目標所在的區域，目標區域內的圖像數據作為目標圖像； 52.提取分數譜特征:對目標圖像進行分數域時頻變換，提取其分數譜特征； 53.構建原子庫，具體過程如下: 531.將每幅訓練的目標圖像的數據排列為一列，對其進行降維處理，并將得到的低維列向量作為一原子，加入到圖像特征原子庫，設為Dp，Dp的一列為某訓練圖像的圖像特征數據； 532.將每幅訓練的目標圖像經步驟S2處理后的分數譜特征數據排列為一列，對其進行降維處理，并將得到的低維列向量作為一原子，加入到分數譜特征原子庫，設為Df，Df的一列為某訓練圖像的分數譜特征數據； 533.將圖像特征原子庫與分數譜特征原子庫合并為最終的原子庫，設為D； 54.聯合稀疏表示:根據步驟S33獲得的原子庫D，對輸入的某測試圖像進行聯合稀疏表示，具體過程如下: 541.將輸入的某測試圖像，按步驟SI進行目標定位與降維，并將降維后的圖像數據矢量化為一列作為待測圖像特征數據，設為tp ； 按步驟S2提取分數譜 特征，將分數譜特征數據矢量化為一列作為待測試圖像的分數譜特征數據，設為tf ; 將兩個特征數據聯合形成最終的測試數據，設為T，即T = [tp, tf]； 542.使用原子庫D，對測試數據T進行稀疏分解； 55.聯合稀疏識別:根據原子庫原子的類別標簽，對每一類別，只用稀疏分解得到的該類的原子和對應系數分別對tp和tf進行重建，計算兩個重建誤差的累計；選擇累計誤差最小的類別為輸入測試圖像的類別。
2.根據權利要求1所述的基于分數譜稀疏表示的SAR圖像目標識別方法，其特征在于，步驟S2所述的提取其分數譜特征的具體過程如下:對圖像的每一行和每一列分別進行分數譜特征的提取，設目標圖像的某行(或列)信號為g(t)，則特征提取按如下步驟進行: S21.尋找分數域時頻變換的最優旋轉階次r% r* = mWnhi{(W； (g) + W；(h)f2 -(Wjig) + Wf (h)f2}(I)
r 其中，h為窗函數，這里等號右邊的h表示分數階傅里葉變換時的旋轉階次，在每個階次時求H括號內的值，然后比較哪個值最小，當H括號內的值最小時，即得到優旋轉階次氺r ； Wt (g)為g(t)的時間寬度，其形式為: W,(g)=J————⑵
IkI 其中，I Igl I為g(t)的2范數，即g(t)中各個元素平方之和再開根號，q為
\t\g(t)\ dt
(3)Wfj r (g)為g(t)的頻率寬度,其形式為:
3.根據權利要求1或2所述的基于分數譜稀疏表示的SAR圖像目標識別方法，其特征在于，步驟S42所述的稀疏分解的具體過程如下: 設分解的系數X= [Xp, Xf]，其中，χρ對應tp在Dp上的分解系數，xf對應1^在01?上的分解系數，則求解如下最優化問題得到X:
【文檔編號】G06K9/66GK104021400SQ201410270929
【公開日】2014年9月3日 申請日期:2014年6月16日 優先權日:2014年6月16日
【發明者】何艷敏, 甘濤, 彭真明 申請人:電子科技大學