联合多特征的MSTAR数据集SAR目标识别方法.docx资源-CSDN文库

版权申诉

158 浏览量 2023-02-23 20:32:13 上传评论收藏 1.01MB DOCX 举报

资源推荐

资源详情

资源评论

摘要

提出联合 Zernike 矩、核主成分分析（kernel principal component analysis，KPCA）及单演

信号特征的合成孔径雷达（synthetic aperture radar，SAR）目标识别方法，3 类特征分别描述

SAR 目标几何形状特征、投影特征及图像分解特征，联合使用可以有效增强对目标的描述。分类阶

段采用联合稀疏表示对测试样本的 3 类特征进行表征。对于 3 类特征的输出误差矢量，采用多组权

值矢量进行加权融合，进而根据最终融合的误差判定测试样本的目标类别。基于 MSTAR(moving

and stationary target acquisition and recognition)数据集的标准操作条件、扩展操作条件及

少量训练样本条件对所提方法进行测试，结果验证了所提方法的有效性、稳健性及对少量训练样本

的适应性。

Abstract

A synthetic aperture radar(SAR) target recognition method is proposed via joint use

of Zernike moment,kernel principal component analysis(KPCA),and monogenic

signal.The three features describe the geometrical,projection,and image

decomposition properties of SAR,and their joint use can enhance the depictions of

the targets.In the classification phase,the joint sparse representation is employed to

represent the three features of the test samples.For the output error vectors of the

three types of features,multiple weight vectors are used to fuse them.The target

label of the test sample is finally determined based on the fused reconstruction

errors.The proposed method is tested based on the standard operating

condition,extended operating conditions,and few training samples of moving and

stationary target acquisition and recognition（MSTAR） data set.The experimental

results confirm the effectiveness,robustness and adaptivity to few training samples

of the proposed method.

译

关键词

合成孔径雷达; 目标识别; Zernike 矩; 核主成分分析; 单演信号; 联合稀疏表示; MSTAR 数据集

Keywords

synthetic aperture radar; target recognition; Zernike moment; kernel principal

component analysis（KPCA）; monogenic signal; joint sparse

representation; moving and stationary target acquisition and recognition dataset

译

合成孔径雷达（synthetic aperture radar，SAR）通过二维高分辨率成像获得有效对地观测数据，

支撑军民领域的相关应用。SAR 目标识别通过对 SAR 图像进行特征分析和分类决策判定其中的目

标类别

［ 1］

。特征提取获得 SAR 图像中有关目标的有效特征描述，包括几何形状、散射中心以及投

影变换特征等。文献［2-7］基于目标区域、轮廓、阴影等几何形状特征设计 SAR 目标识别方法；

文献［2，3］采用 Zernike 矩描述了目标区域；文献［4］提出一种基于目标区域匹配的识别方法；

文献［6］基于椭圆傅立叶描述了子对目标轮廓分布建模；Papson 等

［ 7］

提出了基于阴影特征的 SAR

目标识别方法。散射中心特征描述了高频条件下目标后向电磁散射特性，典型代表是属性散射中心；

文献［8-10］以属性散射中心为基本特征研究了 SAR 目标识别方法。投影变换特征可进一步区分

为投影特征和图像分解特征，投影特征主要运用数学变换算法，如核主成分分析（kernel principal

component analysis， KPCA）

［ 11 ， 1 2 ］

、非负矩阵分解（non-negative matrix factorization，

NMF）

［ 13］

等。图像分解手段包括小波分解

［ 14］

、单演信号

［ 15］

、二维经验模态分解（bi-dimensional

empirical mode decomposition，BEMD）

［ 16］

等。上述方法均是基于单一特征开展目标识别算

法设计，实际上通过结合多种不同特征可有效提升 SAR 目标识别性能。文献［17］采用多任务压

缩感知对 SAR 图像的多类特征实施联合分类；文献［18］提出了一种多特征层次化决策融合方法；

文献［19］提出了一种多特征-多表示融合的目标识别方法，根据提取的特征类别，分类器进行相

应分析决策，获得了未知样本的目标类别；文献［20］提出基于 k 近邻的 SAR 目标识别方法；文

献［21］以支持向量机（support vector machine,SVM）

［ 19，20］

为基础分类器设计 SAR 目标识

别方法；文献［ 12 ， 22 ］基于稀疏表示分类（ sparse representation-based

classification,SRC ）进行了 SAR 目标识别。随着近年来深度学习的发展，卷积神经网络

（convolutional neural network,CNN）逐渐成为 SAR 目标识别中炙手可热的工具，衍生出一

批代表性方法

［ 23-25］

。同样，分类器融合也在 SAR 目标识别中得以运用和验证。文献［21］采用 SVM

和 SRC 进行融合分类；文献［24］结合 CNN 和 SVM 进一步提升了分类性能。

本文提出一种联合多特征的 SAR 目标识别方法，通过结合 Zernike 矩、KPCA 和单演信号 3 类特

征的优势提升整体性能。Zernike 矩描述目标的几何形状，具有平移旋转不变、物理意义清晰、反

映目标细节等优势

［ 2 ， 3， 1 9 ］

；KPCA 提取原始图像的投影特征，能够获得简洁的特征矢量并具有一

定的非线性描述能力

［ 11 ， 12 ］

；单演信号可有效分解 SAR 图像，获得多层次、多频段的描述特性

［ 15］

。因此，3 类特征在描述维度和空间上具有良好的互补性，可以为分类决策提供更为充分的鉴

别性信息。分类阶段采用联合稀疏表示对 3 类特征进行表征

［ 5 ， 1 5 ， 2 6 ］

，获得相应的重构误差矢量。

在此基础上，设计多组线性权值对 3 类特征的重构误差矢量进行加权融合，获得最终的融合误差，

并据此判定测试样本的目标类别。实验基于 MSTAR （ moving and stationary target

acquisition and recognition）数据集在标准操作条件、扩展操作条件以及少量训练样本条件下

对提出方法进行了测试，识别结果与对比分析验证了本文方法的有效性和稳健性。

1 SAR 图像多特征提取

1.1　Zernike 矩

Zernike 矩具有平移旋转不变性及噪声稳健性等优点，在 SAR 目标区域描述中得以广泛运用

［ 2 ， 3，

19］

。对于极坐标下的图像 I(r,θ)（其中，r 为极坐标下的半径，θ 为极坐标下的角度），它的 n阶 l

重 Zernike 矩计算如下：

Znl=n+1π∫2π0∫10[Vnl(r,θ)]I(r,θ)rdrdθZnl=n+1π∫02π∫01Vnl(r,θ)I(r,θ)rdrdθ

（1）

式中：n=0,1,⋯,∞；l=0,±1,⋯,∞；n−|l|为偶数且|l|≤n。

Zernike 多项式 Vnl(r,θ)=f(r)eilθ为单位圆 x2+y2≤1上 1 组正交的完整复数值函数，并满足以下

条件：

剩余10页未读，继续阅读

评论收藏

内容反馈

版权申诉

罗伯特之技术屋

粉丝: 3560
资源: 1万+

联合多特征的MSTAR数据集SAR目标识别方法.docx

基于卷积神经网络端到端的SAR图像自动目标识别源码.zip

包括3个G的MSTAR数据集，用于SAR目标识别领域

MSTAR目标检测SAR数据集汇总，内涵2G数据，baidu网盘下载

MSTAR数据集最全

MSTAR官方数据集.zip_MSTAR图像_MSTAR数据集_SAR图像数据_SAR识别_mstar数据

MstarSARDatebase.zip_SAR图像数据集_SAR目标识别_mSTAR + SAR_mstar sar_sar

MSTAR-10_数据集_MSTAR-10_MSTAR数据集.zip

MSTAR SAR 数据集 2.28Gb

论文研究-一种有效的SAR图像目标识别方法.pdf

论文研究-基于稀疏表示的SAR图像目标识别方法.pdf

MSTAR-10-train_SAR数据集_MSTAR-10_MSTAR数据集_train_SAR目标数据集_

MSTAR-10-test_SAR数据集_SAR_mstar_数据集_

Mstar数据集（全）云盘连接

MSTAR数据集.zip

MSTAR，SAR数据集格式转换为JPG

MSTAR_SAR_1784.zip_MSTAR数据库_SAR_mSTAR + SAR_matlab sar 图像_数据库MST

基于稀疏表示的SAR图像目标识别方法

相关实用应用程序（Windows可用）

免费可用的ChatGPT网页版.zip

农村公交与异构无人机协同配送优化

ChatGPT使用总结：150个ChatGPT提示词模板（完整版）

chromedriver-win64.zip

全国计算机二级WPSoffice精选350道选择题题库（含答案）.pdf

哈尔滨工业大学-ChatGPT调研报告-2023.3.6-94页.pdf

4个亲测好用的ChatGPT4渠道

2023泛娱乐社交出海手册-ZEGO即构科技

大模型在金融领域的应用技术与安全白皮书.pdf

最新资源