没有合适的资源?快使用搜索试试~ 我知道了~
联合多特征的MSTAR数据集SAR目标识别方法.docx
1.该资源内容由用户上传,如若侵权请联系客服进行举报
2.虚拟产品一经售出概不退款(资源遇到问题,请及时私信上传者)
2.虚拟产品一经售出概不退款(资源遇到问题,请及时私信上传者)
版权申诉
0 下载量 158 浏览量
2023-02-23
20:32:13
上传
评论
收藏 1.01MB DOCX 举报
温馨提示
试读
11页
联合多特征的MSTAR数据集SAR目标识别方法.docx
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:
∫2π0∫10[Vnl(r,θ)]Vmk(r,θ)rdrdθ=πn+1δmnδkl∫02π∫01Vnl(r,θ)Vmk(r,θ)rdrdθ=πn+1δmnδkl
(2)
式中:δmn、δkl为常数。
在此基础上构造旋转不变量如下:
Znl=Znl×Zn,−l(l=0,1,2,⋯)Znl=Znl×Zn,-l(l=0,1,2,⋯)
(3)
基于上述公式,可计算输入图像的任意阶 Zernike 矩,其中,高阶矩可有效反映图像中的细节信
息,有利于提高识别性能。本文选用 Zernike 矩的 3~8 阶矩描述 SAR 目标区域,由此构成特征
矢量。
1.2 核主成分分析
主成分分析(principal component analysis,PCA)通过分析大量样本的数据结构计算最佳的
投影方向,从而实现数据降维
[ 11]
。对于样本集
X={x1,x2,⋯,xn}X=x1,x2,⋯,xn
,
X∈Rm×nX∈Rm×n
其均值 X¯¯¯和协方差矩阵 Q为
X¯¯¯=1n∑i=1nxiX¯=1n∑i=1nxi
(4)
Q=∑i=1n(xi−X¯¯¯)T(xi−X¯¯¯)Q=∑i=1n(xi-X¯)T(xi-X¯)
(5)
式中:Rm×n为实数矩阵。
计算协方差矩阵的特征值及特征矢量:
[V,D]=EIG(Q)V,D=EIG(Q)
(6)
式中:V 为列向量存储特征值;D为矩阵存储特征向量。向量 V 中的每个特征值与矩阵 D 中的特
征向量相对应。选取若干较大特征值对应的特征矢量构建投影矩阵,用于样本的特征提取。
KPCA 是对 PCA 在非线性空间的扩展,可以更为高效地处理具有非线性结构的数据集
[ 11,1 2 ]
。KPCA
通过引入核函数(典型的有多项式、径向基核等)首先对数据进行处理,然后在高维度上进行 PCA
操作。本文使用 KPCA 对 SAR 图像进行处理,获得 80 维的特征矢量用于后续分类。
1.3 单演信号
单演信号是 一种二 维信号 分解算 法,可 有效分 析原始图像的多层次频谱特性
[ 15 ]
。对于输入 图像
f(z),其 Riesz 变换为 fR(z),其中,z=(x,y)T,代表二维坐标。相应的单演信号 fM(z)计算如下:
剩余10页未读,继续阅读
资源评论
罗伯特之技术屋
- 粉丝: 3560
- 资源: 1万+
下载权益
C知道特权
VIP文章
课程特权
开通VIP
上传资源 快速赚钱
- 我的内容管理 展开
- 我的资源 快来上传第一个资源
- 我的收益 登录查看自己的收益
- 我的积分 登录查看自己的积分
- 我的C币 登录后查看C币余额
- 我的收藏
- 我的下载
- 下载帮助
安全验证
文档复制为VIP权益,开通VIP直接复制
信息提交成功