发明名称 |
基于多信息联合动态稀疏表示的SAR目标变体识别方法 |
摘要 |
本发明公开了一种基于多信息联合动态稀疏表示的SAR目标变体识别方法,包括步骤:(1)以将训练样本的原始SAR图像为基础,构建关于图像域目标幅度信息的目标训练字典<img file="DDA0000460663350000011.GIF" wi="434" he="83" />关于图像域目标阴影信息的阴影训练字典<img file="DDA0000460663350000012.GIF" wi="408" he="83" />关于频域目标幅度信息的频域训练字典<img file="DDA0000460663350000013.GIF" wi="451" he="83" />并拼接成一个多信息训练字典D;(2)以测试样本SAR图像为基础,构建归一化测试目标向量<img file="DDA0000460663350000014.GIF" wi="73" he="74" />归一化测试阴影向量<img file="DDA0000460663350000015.GIF" wi="88" he="75" />归一化频域测试向量<img file="DDA0000460663350000016.GIF" wi="74" he="68" />并拼接得到多信息测试矩阵<img file="DDA0000460663350000017.GIF" wi="322" he="75" />(3)根据多信息训练字典D和多信息测试矩阵Y,构造联合稀疏表达式,求解联合稀疏系数矩阵X;(4)利用得到的联合稀疏系数矩阵X,对测试样本进行重构,根据重构误差最小化原则,得到最终的分类结果。 |
申请公布号 |
CN103824088B |
申请公布日期 |
2017.04.19 |
申请号 |
CN201410030065.0 |
申请日期 |
2014.01.23 |
申请人 |
西安电子科技大学 |
发明人 |
王英华;齐会娇;刘宏伟;丁军;杜兰;纠博;白雪茹;王鹏辉;陈渤 |
分类号 |
G06K9/66(2006.01)I |
主分类号 |
G06K9/66(2006.01)I |
代理机构 |
西安睿通知识产权代理事务所(特殊普通合伙) 61218 |
代理人 |
惠文轩 |
主权项 |
一种基于多信息联合动态稀疏表示的SAR目标变体识别方法,其特征在于,包括以下步骤:(1)以将训练样本的原始SAR图像为基础,构建关于图像域目标幅度信息的目标训练字典<img file="FDA0001214742400000011.GIF" wi="433" he="71" />关于图像域目标阴影信息的阴影训练字典<img file="FDA0001214742400000012.GIF" wi="409" he="72" />关于频域目标幅度信息的频域训练字典<img file="FDA0001214742400000013.GIF" wi="449" he="72" />并拼接成一个多信息训练字典D,公式表示为:<maths num="0001"><math><![CDATA[<mrow><mi>D</mi><mo>=</mo><mo>[</mo><msub><mover><mi>D</mi><mo>~</mo></mover><mn>1</mn></msub><mo>,</mo><msub><mover><mi>D</mi><mo>~</mo></mover><mn>2</mn></msub><mo>,</mo><msub><mover><mi>D</mi><mo>~</mo></mover><mn>3</mn></msub><mo>]</mo></mrow>]]></math><img file="FDA0001214742400000014.GIF" wi="326" he="71" /></maths>其中Num为训练样本的总数;(2)以测试样本SAR图像为基础,构建关于时域目标幅度信息的归一化测试目标向量<img file="FDA0001214742400000015.GIF" wi="83" he="70" />关于时域目标阴影信息的归一化测试阴影向量<img file="FDA0001214742400000016.GIF" wi="86" he="70" />关于频域目标幅度信息的归一化频域测试向量<img file="FDA0001214742400000017.GIF" wi="83" he="72" />并拼接得到多信息测试矩阵<img file="FDA0001214742400000018.GIF" wi="318" he="61" />(3)根据多信息训练字典D和多信息测试矩阵Y,构造联合稀疏表达式,求解联合稀疏系数矩阵X;联合稀疏表达式如下所示:D=[D<sub>1</sub>,D<sub>2</sub>,...,D<sub>K</sub>]<maths num="0002"><math><![CDATA[<mrow><mi>Y</mi><mo>=</mo><mo>[</mo><msub><mover><mi>y</mi><mo>~</mo></mover><mn>1</mn></msub><mo>,</mo><msub><mover><mi>y</mi><mo>~</mo></mover><mn>2</mn></msub><mo>,</mo><mo>...</mo><mo>,</mo><msub><mover><mi>y</mi><mo>~</mo></mover><mi>K</mi></msub><mo>]</mo></mrow>]]></math><img file="FDA0001214742400000019.GIF" wi="358" he="61" /></maths>则有:Y=DX或者Y=DX+ε其中,D<sub>k</sub>表示第k种信息构成的训练字典,联合稀疏系数矩阵X=[X<sub>1</sub>,X<sub>2</sub>,...,X<sub>K</sub>],其X<sub>k</sub>表示第k类信息的稀疏系数向量,k=1,2,...,K为信息的种类,ε为噪声或误差向量;其中,K=3,k=1表示时域目标幅度信息;k=2表示时域目标阴影信息;k=3表示频域目标幅度信息;(4)利用得到的联合稀疏系数矩阵X,对测试样本进行重构,根据重构误差最小化原则,得到最终的分类结果;具体分类表达式表示为:<maths num="0003"><math><![CDATA[<mrow><msub><mover><mi>y</mi><mo>^</mo></mover><mi>k</mi></msub><mo>=</mo><msub><mi>D</mi><mi>k</mi></msub><msub><mi>δ</mi><mi>j</mi></msub><mrow><mo>(</mo><msub><mi>X</mi><mi>k</mi></msub><mo>)</mo></mrow></mrow>]]></math><img file="FDA0001214742400000021.GIF" wi="302" he="65" /></maths><maths num="0004"><math><![CDATA[<mrow><mi>j</mi><mo>=</mo><munder><mi>argmin</mi><mi>j</mi></munder><munderover><mo>Σ</mo><mrow><mi>k</mi><mo>=</mo><mn>1</mn></mrow><mi>K</mi></munderover><msub><mi>w</mi><mi>k</mi></msub><mo>|</mo><mo>|</mo><msub><mover><mi>y</mi><mo>~</mo></mover><mi>k</mi></msub><mo>-</mo><msub><mover><mi>y</mi><mo>^</mo></mover><mi>k</mi></msub><mo>|</mo><msubsup><mo>|</mo><mn>2</mn><mn>2</mn></msubsup></mrow>]]></math><img file="FDA0001214742400000022.GIF" wi="544" he="126" /></maths>其中,w<sub>k</sub>为第k种信息的权重,<img file="FDA0001214742400000023.GIF" wi="214" he="127" /><img file="FDA0001214742400000024.GIF" wi="53" he="77" />表示对归一化测试样本第k种信息向量的重构,j=1,2,...,J为训练样本集包含的类别数,k=1,2,...,K表示信息的种类,δ(·)为指标函数,δ<sub>j</sub>(X<sub>k</sub>)表示取X<sub>k</sub>中与第j类目标对应的位置处的系数值,而其对应的其他类别位置处的系数值为0。 |
地址 |
710071 陕西省西安市太白南路2号 |