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关于图像域目标阴影信息的阴影训练字典关于频域目标幅度信息的频域训练字典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归一化测试阴影向量归一化频域测试向量并拼接得到多信息测试矩阵（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。

主权项

1.一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关于图像域目标阴影信息的阴影训练字典关于频域目标幅度信息的频域训练字典并拼接成一个多信息训练字典D，公式表示为：$D=[{\tilde{D}}_1,{\tilde{D}}_2,{\tilde{D}}_3]$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关于时域目标阴影信息的归一化测试阴影向量关于频域目标幅度信息的归一化频域测试向量并拼接得到多信息测试矩阵（3）根据多信息训练字典D和多信息测试向量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=[D₁,D₂,...,D_K]$Y=[{\tilde{y}}_1,{\tilde{y}}_2,...,{\tilde{y}}_K]$则有：Y=DX或者Y=DX+ε其中，D_k表示第k种信息构成的训练字典，联合稀疏系数矩阵X=[X₁,X₂,...,X_K]，其X_k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；具体分类表达式可表示为：$\widehat{y_k}=D_k{\delta }_j\left(X_k\right)$$j=\underset{j}{\arg \min }\underset{k=1}{\overset{K}{\Sigma }}{w}_k{\left|\right|{\tilde{y}}_k-{\hat{y}}_k\left|\right|}_2^2$其中，wk为第k种信息的权重，表示对归一化测试样本某种信息向量的重构，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_j(X_k)表示取X_k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。