基于稀疏表示的SAR图像目标识别方法

摘要

本发明公开了一种基于稀疏表示的SAR图像自动目标识别方法，主要解决现有方法预处理复杂、方位角估计难的问题。其实现步骤为：(1)提取图像的局部特征，并通过多样性密度函数学具有判别性的字典；(2)用字典对每个局部特征进行稀疏编码，再利用空域金字塔结构对分割的各个子区域进行空间池化，得到训练集和测试集样本各个子区域的特征向量；(3)根据测试样本各个子区域的稀疏性，对测试样本对应的子区域加权；(4)将加权后的子区域组合在一起用稀疏表示方法对图像进行识别。本发明与现有技术相比，对于遮挡和局部噪声有很强的鲁棒性，在无需方位角估计的情况下，提高了SAR目标识别的精度，可用于图像处理。

主权项

一种基于稀疏表示的SAR图像自动目标识别方法，包括如下步骤：(1)输入训练样本集和测试样本集中的SAR图像，对这两个样本集中的每个样本，以6像素为步长均匀采样，并提取每个采样点周围16×16大小子块的d维尺度不变特征SIFT，得到样本的SIFT特征矩阵X＝[x₁,x₂,…,x_i,…,x_N]∈R^d×N，其中R表示实数集合，x_i表示第i个SIFT特征，i＝1,2,...,N，N表示样本中特征的个数，d表示SIFT特征维数d＝128；(2)从训练集得到的SIFT特征中，随机抽取E＝8000个特征，根据多样性密度函数构造具有判别性的字典D；(3)对训练集和测试集中的每个样本得到的SIFT特征，通过判别性的字典D进行稀疏编码，获得编码特征v_i∈R^M×1，i＝1,2,...,N，N表示样本中特征的个数，M表示编码特征的维度；(4)根据空域金字塔方法，将训练集和测试集中的每个样本分割成逐渐精细的子区域，建立l层金字塔，每一层包含2^l‑1×2^l‑1个子区域，其中，l＝1,2,3，即将金字塔的第一层分割成1×1个子区域，第二层分割成2×2个子区域，第三层分割成4×4个子区域，共21个子区域；(5)对训练集和测试集中每个样本的子区域包含的编码特征进行最大池化操作，提取子区域中的池化特征；(6)针对测试集中的每个样本，根据样本中子区域的稀疏性对子区域进行加权：6a)将训练集中所有样本相应子区域的池化特征按列排列形成子区域字典，记为A_k∈R^P×n，对应的测试样本子区域的池化特征为：y_k∈R^P×1，其中k＝1,2,...,21，根据稀疏表示方法，对测试样本的各个子区域进行稀疏表示，计算稀疏系数u_k，其中k表示子区域的个数，k＝1,2,...,21，P表示池化特征的维度，n表示训练集样本的个数；6b)根据稀疏系数u_k，用L2‑范数计算每个子区域的残差r_k，将残差的倒数作为权值w_k，即w_k＝1/r_k，对测试样本对应的子区域池化特征y_k进行加权，得到子区域的加权特征：6c)串联测试样本各个子区域的加权特征得到全局特征y^*；6d)串联训练集的子区域字典A_k，得到全局字典A：其中，T表示转置操作；(7)根据稀疏表示方法，用全局字典A，对测试样本的全局特征y^*进行稀疏表示，计算全局系数q；(8)根据压缩感知重构理论，用测试样本得到的全局系数q计算测试样本对训练集各类的重构误差R_b，其中b＝1,2,...,B，b表示类别标号，B表示训练集样本的类别数；(9)根据重构误差最小准则，得到测试样本的识别结果b^*：b^*＝min_b R_b，b＝1,2,…,B。