基于稀疏約束的非負矩陣分解的sar圖像目標識別方法
【專利摘要】本發明屬于圖像處理【技術領域】，具體公開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，主要通過對非負矩陣分解方法的改進來提取更有效的特征以提高識別精度，解決現有技術提取的特征不典型，識別精確度不高的問題。實現方案是：將訓練樣本圖像和測試樣本圖像都進行同樣的預處理并作對數變換，對預處理后訓練樣本集用稀疏約束的非負矩陣分解進行分解得到基矩陣和系數矩陣，將測試樣本集投影在基矩陣構造的子空間中，得到特征矩陣后，用SVM進行分類得到最終的分類精度。本發明與現有的技術相比提取的特征更有效，能有效地提高識別精度。
【專利說明】基于稀疏約束的非負矩陣分解的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】，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】
[0002] 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。
[0003] 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。
[0004] 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。
[0005] 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】
[0006] 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。
[0007] 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：
[0008] 步驟101 :輸入訓練樣本集z = {Zi}，i = 1，2···Ν和測試樣本集Y = {Yj}，j = 1，2…M，其中Zi和Yj是代表一幅圖像的矩陣，大小為mXm階，N為訓練樣本數，Μ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：
[0009]
【權利要求】
1. 基于稀疏約束的非負矩陣分解的SAR圖像目標識別方法，其特征在于：包括如下步 驟： 步驟101 :輸入訓練樣本集Z=儀丄i= 1，2?N和測試樣本集Y= {Y」}，j=I，2"-M，其中Zi和t是代表一幅圖像的矩陣，大小為mXm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⑴中log為自然對數運算符，得到預處理后的訓練樣本集之=!之丨/_ =丨,2…/V;同 理，對測試樣本集做同樣的預處理后得到F$丨=U…M，之和寫.都為nXn階矩陣； 步驟102 :將訓練樣本集Z中的每一幅nXn像素的圖像表示成一個nXn維的列向量， 得到nXn行、N列的訓練矩陣V，對測試樣本集進行同樣的變換得到nXn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測一Wu*zHz*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UN 的，且參數Z要滿足z< ，得到矩陣w和H; U+N 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Vi 投影到該子空間，即ei =w+Vi，其中W+= (wTwrwT，得到向量4作為表征該圖像的特征向量； 將矩陣X的每一列Xi投影到該子空間，即yi =W+Xi,得到向量yi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（ei，，其中he{1，2, 3, 4, 5}是類 別標號，測試樣本集為（yi，h)，最終得到分類結果。
2. 根據權利要求1所述的基于稀疏約束的非負矩陣分解的SAR圖像目標識別方法，其 特征在于：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wz ;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； 步驟202 :在經典的非負矩陣分解的目標函數上增加了向量2-范數約束，目標函數定 義如下：
式（3)中，Y為非負待定參數； 則稀疏約束的非負矩陣分解定義為如下優化問題：
式（4)中，Sh代表H矩陣的稀疏性大小； 由式（4)可得迭代公式：
式（5)中，Uh為迭代步長，由式（5)迭代公式得到最終的W矩陣和H矩陣。
【文檔編號】G06K9/62GK104268510SQ201410474534
【公開日】2015年1月7日 申請日期:2014年9月17日 優先權日:2014年9月17日
【發明者】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 申請人:西安電子科技大學