基于多信息字典學(xué)習(xí)的sar目標(biāo)識別方法
【專利摘要】本發(fā)明屬于雷達(dá)自動目標(biāo)識別【技術(shù)領(lǐng)域】，特別涉及基于多信息字典學(xué)習(xí)的SAR目標(biāo)識別方法。該基于多信息字典學(xué)習(xí)的SAR目標(biāo)識別方法包括以下步驟：根據(jù)每個訓(xùn)練用SAR目標(biāo)圖像，得出訓(xùn)練用圖像域幅度信息初始化字典和訓(xùn)練用頻域幅度信息初始化字典；根據(jù)訓(xùn)練用圖像域幅度信息初始化字典和訓(xùn)練用頻域幅度信息初始化字典得出學(xué)習(xí)后圖像域幅度信息字典和學(xué)習(xí)后頻域幅度信息字典；根據(jù)測試用SAR目標(biāo)圖像進(jìn)行配準(zhǔn)，得到測試用圖像域幅度信息向量和測試用頻域幅度信息向量；采用聯(lián)合動態(tài)稀疏表示對測試用圖像的兩種信息進(jìn)行稀疏求解，并對測試用SAR目標(biāo)圖像進(jìn)行重構(gòu)，并根據(jù)重構(gòu)誤差最小化原則得到最終的識別結(jié)果。
【專利說明】基于多信息字典學(xué)習(xí)的SAR目標(biāo)識別方法
【技術(shù)領(lǐng)域】
[0001]本發(fā)明屬于雷達(dá)自動目標(biāo)識別【技術(shù)領(lǐng)域】，特別涉及基于多信息字典學(xué)習(xí)的SAR目標(biāo)識別方法。
【背景技術(shù)】
[0002]雷達(dá)成像技術(shù)是20世紀(jì)50年代發(fā)展起來的，在以后的60年里得到了突飛猛進(jìn)的發(fā)展，目前，已經(jīng)在軍事、農(nóng)林、地質(zhì)、海洋、災(zāi)害、繪測等諸多方面得到廣泛的應(yīng)用。由于SAR(合成孔徑雷達(dá))具有全天候、全天時、分辨率高以及穿透力強(qiáng)等特點(diǎn)，成為目前對地觀測和軍事偵察的重要手段，SAR圖像自動目標(biāo)識別受到越來越廣泛的關(guān)注。
[0003]現(xiàn)有文獻(xiàn)中提出了很多SAR目標(biāo)識別方法，例如支持向量機(jī)SVM、核支持向量機(jī)K-SVM、基于稀疏表不的分類 SRC(Sparse Representation Classification)、聯(lián)合多視角下的JSR(Joint Sparse Representation)及基于多信息聯(lián)合動態(tài)稀疏表示(Joint DynamicSparse Representation, JDSR)的SAR目標(biāo)變體識別方法。在基于多信息聯(lián)合動態(tài)稀疏表示的SAR目標(biāo)變體識別方法中，聯(lián)合了目標(biāo)的多種信息，用這些信息直接構(gòu)成字典，再通過聯(lián)合動態(tài)稀疏表示模型對目標(biāo)進(jìn)行識別。而直接構(gòu)成的字典的原子之間存在很多冗余信息，字典尺寸(字典原子的個數(shù))較大，給后續(xù)的稀疏表示帶來較大的計算量和存儲量，并且當(dāng)字典尺寸變小時，字典中包含的目標(biāo)信息也會隨之急劇減少，對目標(biāo)特別是目標(biāo)變體的識別性能也會有很大的影響。

【發(fā)明內(nèi)容】

[0004]本發(fā)明的目的在于提出基于多信息字典學(xué)習(xí)的SAR目標(biāo)識別方法。本發(fā)明在多信息聯(lián)合動態(tài)稀疏表不的基礎(chǔ)上，綜合利用SAR目標(biāo)圖像域幅度彳目息與頻域幅度/[目息，在訓(xùn)練階段對兩種信息分別進(jìn)行鑒別字典學(xué)習(xí)，在測試階段通過采用聯(lián)合動態(tài)稀疏表示的模型對目標(biāo)進(jìn)行識別。本發(fā)明在字典尺寸較小時也會較全面地包含各類目標(biāo)信息，可以提高SAR目標(biāo)(特別是目標(biāo)變體)的識別率。
[0005]本發(fā)明的技術(shù)思路為:首先在訓(xùn)練階段采用LC_KSVD(Label Consistent K-SVD)方法分別對訓(xùn)練樣本的目標(biāo)圖像域幅度信息、目標(biāo)頻域幅度信息進(jìn)行字典學(xué)習(xí)，得到兩種信息對應(yīng)的字典，然后在測試階段采用聯(lián)合動態(tài)稀疏表示JDSR(Joint Dynamic SparseRepresentation)模型，聯(lián)合使用圖像域目標(biāo)區(qū)域幅度信息、頻域幅度信息以及兩種信息對應(yīng)的學(xué)習(xí)后的字典，對測試樣本的兩種信息進(jìn)行聯(lián)合動態(tài)稀疏求解，并對測試樣本兩種信息進(jìn)行重構(gòu)，根據(jù)重構(gòu)誤差對測試目標(biāo)進(jìn)行識別。字典學(xué)習(xí)采用的LC-KSVD方法是在原來的K-SVD字典學(xué)習(xí)方法中引入了鑒別信息，屬于同一類目標(biāo)的信息(特征)有相似的稀疏編碼形式，而不同類的目標(biāo)的信息的編碼形式則有差異，限制了各類目標(biāo)的稀疏編碼模式，這樣學(xué)習(xí)后的字典更有利于后續(xù)目標(biāo)的識別。JDSR模型強(qiáng)調(diào)多種信息或多特征的稀疏系數(shù)非零值位置不是嚴(yán)格限制在相同位置，而是擴(kuò)展到同一類別，其更符合聯(lián)合稀疏表示的實(shí)際情況，適用性更強(qiáng)。多種信息的稀疏系數(shù)共同構(gòu)成稀疏系數(shù)矩陣，利用稀疏系數(shù)來重構(gòu)測試樣本，而后通過計算測試樣本的重構(gòu)估計值與該測試樣本間的重構(gòu)誤差，按照重構(gòu)誤差最小準(zhǔn)則進(jìn)行識別。
[0006]對于SAR目標(biāo)，特別是目標(biāo)變體，在字典尺寸較小時，即使利用多種信息也容易產(chǎn)生錯分現(xiàn)象。而本發(fā)明的方法對多種信息先通過字典學(xué)習(xí)，利用學(xué)習(xí)后的字典再結(jié)合多種信息進(jìn)行聯(lián)合動態(tài)稀疏表示，尋找多種信息在字典中的共性，利用多種信息的重構(gòu)誤差共同對目標(biāo)進(jìn)行識別，因此可以更好地解決SAR目標(biāo)變體識別問題。
[0007]為實(shí)現(xiàn)上述技術(shù)目的，本發(fā)明采用如下技術(shù)方案予以實(shí)現(xiàn)。
[0008]基于多信息字典學(xué)習(xí)的SAR目標(biāo)識別方法包括以下步驟:
[0009]步驟1，獲取多個訓(xùn)練用SAR目標(biāo)圖像，分別對多個訓(xùn)練用SAR目標(biāo)圖像進(jìn)行配準(zhǔn)，得到對應(yīng)的多個訓(xùn)練用 配準(zhǔn)圖像；對每個訓(xùn)練用配準(zhǔn)圖像進(jìn)行圖像截取，得出對應(yīng)的訓(xùn)練用截取后圖像；根據(jù)所有訓(xùn)練用截取后圖像，得出訓(xùn)練用圖像域幅度信息初始化字典Dltl ；對訓(xùn)練用截取后圖像進(jìn)行二維傅里葉變換，得到對應(yīng)的訓(xùn)練用頻域圖像；根據(jù)所有訓(xùn)練用頻域圖像，得到訓(xùn)練用頻域幅度信息初始化字典D2tl ；
[0010]步驟2，分別對訓(xùn)練用圖像域幅度信息初始化字典Dltl的每一列和訓(xùn)練用頻域幅度信息初始化字典D2tl的每一列進(jìn)行能量歸一化處理，得到訓(xùn)練用圖像域幅度信息歸一化后
初始化字典為1(]以及訓(xùn)練用頻域幅度信息歸一化后初始化字典Ip ；根據(jù)訓(xùn)練用圖像域幅
度信息歸一化后初始化字典辱(1、以及訓(xùn)練用頻域幅度信息歸一化后初始化字典氧O，通過
鑒別字典學(xué)習(xí)得出學(xué)習(xí)后圖像域幅度信息字典D1和學(xué)習(xí)后頻域幅度信息字典D2 ；
[0011]步驟3，對測試用SAR目標(biāo)圖像進(jìn)行配準(zhǔn)，得到測試用配準(zhǔn)圖像Q ;對測試用配準(zhǔn)圖像Q進(jìn)行圖像截取，得出測試用截取后圖像Q’ ；根據(jù)所述測試用截取后圖像Q’，得出測試用圖像域幅度信息向量Y1 ;對所述測試用截取后圖像Q’進(jìn)行二維傅里葉變換，得到測試用頻域圖像P’ ；根據(jù)所述測試用頻域圖像P’，得出測試用頻域幅度信息向量y2 ；
[0012]步驟4，分別對測試用圖像域幅度信息向量yi和測試用頻域幅度信息向量y2進(jìn)行能量歸一化處理，得到測試用圖像域幅度信息歸一化向量具以及測試用頻域幅度信息歸一化向量咒；根據(jù)學(xué)習(xí)后圖像域幅度信息字典D1和學(xué)習(xí)后頻域幅度信息字典D2,采用聯(lián)合動態(tài)稀疏表示模型對測試用圖像域幅度信息歸一化向量具、測試用頻域幅度信息歸一化向量Λ進(jìn)行稀疏求解，利用求解得到的測試用稀疏系數(shù)矩陣對測試用SAR目標(biāo)圖像進(jìn)行重構(gòu)，
并根據(jù)重構(gòu)誤差最小化原則得到最終的分類結(jié)果。
[0013]本發(fā)明的特點(diǎn)和進(jìn)一步改進(jìn)在于:
[0014]所述步驟I具體包括以下子步驟:
[0015](1.1)獲取多個訓(xùn)練用SAR目標(biāo)圖像，然后采用質(zhì)心對齊的方式分別對多個訓(xùn)練用SAR目標(biāo)圖像進(jìn)行配準(zhǔn)，得到對應(yīng)的多個訓(xùn)練用配準(zhǔn)圖像;第i個訓(xùn)練用SAR目標(biāo)圖像對應(yīng)的配準(zhǔn)圖像為第i個訓(xùn)練用配準(zhǔn)圖像Gi, i取I至Num，Num為訓(xùn)練用SAR目標(biāo)圖像的個數(shù)；
[0016]對每個訓(xùn)練用SAR目標(biāo)圖像進(jìn)行配準(zhǔn)的具體過程為:在對應(yīng)的訓(xùn)練用SAR目標(biāo)圖像F中，將幅度值為O的像素點(diǎn)的幅度值改為10-5，其公式為:
【權(quán)利要求】
1.基于多信息字典學(xué)習(xí)的SAR目標(biāo)識別方法，其特征在于，包括以下步驟: 步驟1，獲取多個訓(xùn)練用SAR目標(biāo)圖像，分別對多個訓(xùn)練用SAR目標(biāo)圖像進(jìn)行配準(zhǔn)，得到對應(yīng)的多個訓(xùn)練用配準(zhǔn)圖像；對每個訓(xùn)練用配準(zhǔn)圖像進(jìn)行圖像截取，得出對應(yīng)的訓(xùn)練用截取后圖像；根據(jù)所有訓(xùn)練用截取后圖像，得出訓(xùn)練用圖像域幅度信息初始化字典Dltl ;對訓(xùn)練用截取后圖像進(jìn)行二維傅里葉變換，得到對應(yīng)的訓(xùn)練用頻域圖像；根據(jù)所有訓(xùn)練用頻域圖像，得到訓(xùn)練用頻域幅度信息初始化字典D2tl ； 步驟2，分別對訓(xùn)練用圖像域幅度信息初始化字典Dltl和訓(xùn)練用頻域幅度信息初始化字典D2tl進(jìn)行能量歸一化處理，得到訓(xùn)練用圖像域幅度信息歸一化后初始化字典以及訓(xùn)練用頻域幅度信息歸一化后初始化字典；根據(jù)訓(xùn)練用圖像域幅度信息歸一化后初始化字典、以及訓(xùn)練用頻域幅度信息歸一化后初始化字典，通過鑒別字典學(xué)習(xí)得出學(xué)習(xí)后圖像域幅度信息字典D1和學(xué)習(xí)后頻域幅度信息字典D2 ； 步驟3，對測試用SAR目標(biāo)圖像進(jìn)行配準(zhǔn)，得到測試用配準(zhǔn)圖像Q ;對測試用配準(zhǔn)圖像Q進(jìn)行圖像截取，得出測試用截取后圖像Q’ ；根據(jù)所述測試用截取后圖像Q’，得出測試用圖像域幅度信息向量Y1 ;對所述測試用截取后圖像Q’進(jìn)行二維傅里葉變換，得到測試用頻域圖像P’ ；根據(jù)所述測試用頻域圖像P’，得出測試用頻域幅度信息向量y2 ； 步驟4，分別對測試用圖像域幅度信息向量yi和測試用頻域幅度信息向量y2進(jìn)行能量歸一化處理，得到測試用圖像域幅度信息歸一化向量Λ以及測試用頻域幅度信息歸一化向量兄；根據(jù)學(xué)習(xí)后 圖像域幅度信息字典D1和學(xué)習(xí)后頻域幅度信息字典D2,采用聯(lián)合動態(tài)稀疏表示模型，對測試用圖像域幅度信息歸一化向量Λ、測試用頻域幅度信息歸一化向量Λ進(jìn)行稀疏求解，利用求解得到的測試用稀疏系數(shù)矩陣對測試用SAR目標(biāo)圖像進(jìn)行重構(gòu)，并根據(jù)重構(gòu)誤差最小化原則得到最終的分類結(jié)果。
2.如權(quán)利要求1所述的基于多信息字典學(xué)習(xí)的SAR目標(biāo)識別方法，其特征在于，所述步驟I具體包括以下子步驟: (1.D獲取多個訓(xùn)練用SAR目標(biāo)圖像，然后采用質(zhì)心對齊的方式分別對多個訓(xùn)練用SAR目標(biāo)圖像進(jìn)行配準(zhǔn)，得到對應(yīng)的多個訓(xùn)練用配準(zhǔn)圖像；將第i個訓(xùn)練用SAR目標(biāo)圖像對應(yīng)的配準(zhǔn)圖像表示為Gi, i取I至Num, Num為訓(xùn)練用SAR目標(biāo)圖像的個數(shù)； 對每個訓(xùn)練用SAR目標(biāo)圖像進(jìn)行配準(zhǔn)的具體過程為:在對應(yīng)的訓(xùn)練用SAR目標(biāo)圖像F中，將幅度值為O的像素點(diǎn)的幅度值改為10-5，其公式為: m 、J I0...5 F(X5V) = O F(x,y) = \ ^、 Λ

F(x, ν) ^ O 其中，F(xiàn)(x, y)為對應(yīng)的訓(xùn)練用SAR目標(biāo)圖像F在像素點(diǎn)(x，y)處的幅度值，x、y分別表示像素點(diǎn)的橫坐標(biāo)和縱坐標(biāo)； 對訓(xùn)練用SAR目標(biāo)圖像F進(jìn)行對數(shù)變化，得到對應(yīng)的訓(xùn)練用對數(shù)變化后圖像L，訓(xùn)練用對數(shù)變化后圖像L中像素點(diǎn)(X，y)處的幅度值為(x，y),L(x，y) = 1g10 (F (x, y))； 對訓(xùn)練用對數(shù)變化后圖像L依次進(jìn)行自適應(yīng)閾值分割、形態(tài)學(xué)濾波、幾何聚類，得出對應(yīng)的訓(xùn)練用目標(biāo)區(qū)域二值圖像Ta ；然后根據(jù)訓(xùn)練用SAR目標(biāo)圖像F中每個像素點(diǎn)的幅度值以及訓(xùn)練用目標(biāo)區(qū)域二值圖像1中每個像素點(diǎn)的幅度值，得出對應(yīng)的訓(xùn)練用分割后目標(biāo)圖像T ;所述訓(xùn)練用分割后目標(biāo)圖像T中像素點(diǎn)(X，y)處的幅度值表示為T (X，y) ,T(x, y)的計算公式為:
T(x, y) = Ta(x，y) XF(x, y) 由T(x，y)的計算公式可知，當(dāng)訓(xùn)練用分割后目標(biāo)圖像T中像素點(diǎn)(x，y)位于目標(biāo)區(qū)域時，T (X，y) =F (X，y);否則，T (x, y) = O ； 然后按照以下公式求解訓(xùn)練用分割后目標(biāo)圖像T的質(zhì)心:

3.如權(quán)利要求2所述的基于多信息字典學(xué)習(xí)的SAR目標(biāo)識別方法，其特征在于，所述步驟2包括以下子步驟: (2.1)首先按照以下公式分別對訓(xùn)練用圖像域幅度信息初始化字典Dltl和訓(xùn)練用頻域幅度信息初始化字典D2tl進(jìn)行能量歸一化處理:
4.如權(quán)利要求1所述的基于多信息字典學(xué)習(xí)的SAR目標(biāo)識別方法，其特征在于，所述步驟3具體包括以下子步驟: (3.1)對測試用SAR目標(biāo)圖像進(jìn)行配準(zhǔn)，得到測試用配準(zhǔn)圖像Q ;對測試用SAR目標(biāo)圖像進(jìn)行配準(zhǔn)的過程，與對每個訓(xùn)練用SAR目標(biāo)圖像進(jìn)行配準(zhǔn)的過程相同； (3.2)在測試用配準(zhǔn)圖像Q中截取尺寸為PXq的矩形中心區(qū)域，得到測試用截取后圖像Q’，得到測試用截取后圖像Q’的過程和得到對應(yīng)的訓(xùn)練用截取后圖像的過程相同；在測試用截取后圖像Q’中，提取出所有像素點(diǎn)的幅度值，將提取出的所有像素點(diǎn)的幅度值組成測試用圖像域幅度信息向量乂:； (3.3)對測試用截取后圖像Q’進(jìn)行二維傅里葉變換，得到測試用頻域圖像P’；在測試用頻域圖像P’中，提取出所有像素點(diǎn)的幅度值，將提取出的所有像素點(diǎn)的幅度值組成測試用頻域幅度?目息向里! Y2。
5.如權(quán)利要求1所述的基于多信息字典學(xué)習(xí)的SAR目標(biāo)識別方法，其特征在于，在步驟4中，分別對測試用圖像域幅度信息向量yi和測試用頻域幅度信息向量y2進(jìn)行能量歸一化處理，得到測試用圖像域幅度信息歸一化向量以及測試用頻域幅度信息歸一化向量爲(wèi)； _
6.如權(quán)利要求1所述的基于多信息字典學(xué)習(xí)的SAR目標(biāo)識別方法，其特征在于，在步驟4中，在得出測試用圖像域幅度信息歸一化向量Λ以及測試用頻域幅度信息歸一化向量Λ之后，將測試用圖像域幅度信息歸一化向量具、測試用頻域幅度信息歸一化向量Λ、學(xué)習(xí)后圖像域幅度信息字典D1以及學(xué)習(xí)后頻域幅度信息字典D2輸入到聯(lián)合動態(tài)稀疏表示模型中，求解得出測試用稀疏系數(shù)矩陣
7.如權(quán)利要求6所述的基于多信息字典學(xué)習(xí)的SAR目標(biāo)識別方法，其特征在于，在步驟4中，在得出測試用稀疏系數(shù)矩陣Xtost之后，在列向量Xtestk中，將與第j類目標(biāo)對應(yīng)的位置處的元素保留，將其他元素的取值變?yōu)镺，得出列向量&(Xtestk)，j取I至j，J為所有訓(xùn)練用SAR目標(biāo)圖像包含的目標(biāo)類別數(shù)； 然后建立如下分類表達(dá)式:
【文檔編號】G06K9/00GK104008373SQ201410243072
【公開日】2014年8月27日 申請日期:2014年6月3日 優(yōu)先權(quán)日:2014年6月3日
【發(fā)明者】劉宏偉, 王英華, 齊會嬌, 丁軍, 杜蘭, 糾博, 白雪茹, 王鵬輝, 陳渤 申請人:西安電子科技大學(xué)