基于分数谱稀疏表示的SAR图像目标识别方法技术

本发明专利技术公开了一种基于分数谱稀疏表示的SAR图像目标识别方法，本发明专利技术方法包括：用训练图像集构建原子库和对待测图像的分类识别两个过程，具体的在特征提取方面同时提取了分数谱域和图像像素域两类特征；在特征分类方面，利用图像分数谱和像素两类特征的相关性，设计新的联合稀疏表示和稀疏分类方法对待测图像进行分类识别，通过利用分数域时频变换获得了信号的高分辨频谱特征，将其与图像空间像素域特征进行联合稀疏表示和稀疏分类，有效地改善了现有方法在特征提取和特征分类中的问题，提高了SAR目标识别的准确率。

【技术实现步骤摘要】
基于分数谱稀疏表示的SAR图像目标识别方法
本专利技术属于图像处理
中，涉及图像分类识别方法，具体涉及运用分数谱稀疏表示来进行合成孔径雷达(SyntheticApertureRadar，SAR)图像目标识别的方法。
技术介绍
合成孔径雷达是一种工作在微波波段的相干成像雷达，以其高分辨和全天候、全天时、大面积的成像探测能力，成为世界各国普遍重视的对地观测手段，具有良好的应用前景。SAR目标识别是SAR图像解译的一个重要方面，目的是实现对图像中感兴趣目标的自动分类识别。SAR目标识别过程通常包括对特征提取和特征分类两个环节。在特征提取方面，已经提出了如Gabor变换，小波变换，主成分分析，几何投影变换等多种方法；SAR目标具有多变性特点：除了成像系统固有的乘性噪声斑点外，SAR目标受到如目标方位角、姿态变化、背景地表变化、有意或无意的遮挡、杂波干扰等多种因素的影响，这使得其识别任务变得非常困难。因此，基于单一特征的识别方式难以达到高精度、高可靠性的要求，需要考虑一种多特征融合的识别技术和手段。目前，在图像信号分析中，分数域时频分析(Fractionaltime-frequencyanalysis，FrTFA)方法逐渐得到关注，该方法利用时频旋转特性及能量聚焦性，获取信号的高分辨率频谱。相对于传统时频分析方法，分数域分析改善了信号的时频分布，更好地反映信号的局部特性。目前分数域时频分析已经被应用于科学研究和工程
，如信号检测与参数估计，其中包括SAR图像目标检测。但至今未见有将分数域时频分析用于SAR目标自动识别的报道。在特征分类方面，传统采用模式识别、机器学习的方法来训练分类模型。典型的方法有：线性判别分析(LinearDiscriminantAnalysis，LDA)、支持向量机(SupportVectorMachine，SVM)、神经网络等，其中，SVM的使用最为广泛。这些分类方法一般针对低维空间，在训练中存在过拟合问题，且计算复杂度较高。近年来，一种基于稀疏表示的分类器(SparseRepresentationClassifier，SRC)也应用到SAR目标识别中，获得了很好的分类效果，且复杂度较低，从而弥补了传统统计分析理论和机器学习方法的不足。但SRC的存在如下问题：SRC过程是先在训练图像集(或原子库)中选择出一系列原子，用其对测试图像进行稀疏线性表示，然后将表示误差最小的类作为测试图像的最终类别。在这个过程中，原子选择非常关键，但目前的方法趋向于选择一组相关的原子来表示一个测试样本，并不能保证所选原子来源于同一个正确的类，造成相似的局部特征可能会被不同类别的原子组表示，影响了分类结果。
技术实现思路
本专利技术的目的是针对现有技术存在的上述缺陷，提出一种基于分数谱稀疏表示的SAR图像目标识别方法。本专利技术的技术方案是：一种基于分数谱稀疏表示的SAR图像目标识别方法，具体包括如下步骤：S1.选择目标区域：在带有类别标签的训练图像中选择目标所在的区域，目标区域内的图像数据作为目标图像；S2.提取分数谱特征：对目标图像进行分数域时频变换，提取其分数谱特征；S3.构建原子库：S31.将每幅训练的目标图像的数据排列为一列，对其进行降维处理，并将得到的低维列向量作为一原子，加入到图像特征原子库，设为Dp,Dp的一列为某训练图像的图像特征数据；S32.将每幅训练的目标图像经步骤S2处理后的分数谱特征数据排列为一列，对其进行降维处理，并将得到的低维列向量作为一原子，加入到分数谱特征原子库，设为Df，Df的一列为某训练图像的分数谱特征数据；S33.将图像特征原子库与分数谱特征原子库合并为最终的原子库，设为D；S4.联合稀疏表示：根据步骤S33获得的原子库D，对输入的某测试图像进行联合稀疏表示，其具体过程如下：S41.将输入的某测试图像，按步骤S1进行目标定位与降维，并将降维后的图像数据矢量化为一列作为待测图像特征数据，设为tp；按步骤S2提取分数谱特征，将分数谱特征数据矢量化为一列作为待测试图像的分数谱特征数据，设为tf；将两个特征数据联合形成最终的测试数据，设为T，即T＝[tp,tf]；S42.使用原子库D，对测试数据T进行稀疏分解；S5.联合稀疏识别：根据原子库原子的类别标签，对每一类别，只用稀疏分解得到的该类的原子和对应系数分别对tp和tf进行重建，计算两个重建误差的累计；选择累计误差最小的类别为输入测试图像的类别。进一步的，步骤S2所述的提取其分数谱特征的具体过程如下：对图像的每一行和每一列分别进行分数谱特征的提取，设目标图像的某行(或列)信号为g(t)，则特征提取按如下步骤进行：S21.寻找分数域时频变换的最优旋转阶次r*：其中，h为窗函数，这里等号右边的h表示分数阶傅里叶变换时的旋转阶次，在每个阶次时求{}括号内的值，然后比较哪个值最小，当{}括号内的值最小时，即得到优旋转阶次r*；Wt(g)为g(t)的时间宽度，其形式为：其中，||g||为g(t)的2范数，即g(t)中各个元素平方之和再开根号，ζt为Wf,r(g)为g(t)的频率宽度，其形式为：其中，为g(t)的傅里叶变换，ζf为S22.计算该最优旋转阶次r*下的最优窗函数h*：其中，FT(x)表示x的傅里叶变换；S23.根据谱峰度系数最大准则，求解如下最优化问题，得到最优变换阶次q*：其中，为g(t)的q阶傅里叶变换，表示x的复共轭，E[x]表示求x的数学期望。S24.在最优窗函数h*和最优变换阶次q*下，对g(t)进行短时傅里叶变换，得到分数域时频分布FT(t,u)：其中，u为频率，τ为积分变量；S25.对分数域时频分布FT(t,u)进行局部区域能量聚焦分析，提取能量衰减斜率特征作为图像的分数谱特征F。进一步的，步骤S42所述的稀疏分解的具体过程如下：设分解的系数x＝[xp,xf]，其中，xp对应tp在Dp上的分解系数，xf对应tf在Df上的分解系数，则求解如下最优化问题得到x：其中，L为设定的稀疏度，Class(z)表示系数类别判定算子，其具体描述为：·取系数z的非零元素组成矢量设z有L个非零元素，则有zi≠0,i＝1,2,3,...,L；·求的元素所对应的原子的类别标签，设所对应原子的类别标签为ci，则有Class(z)＝[c1,c2,c3,…,cL]。这里可以看出，在原子选择上要满足以下3个条件：(1)仅用Dp中的原子来分解tp部分；(2)仅用Df中的原子来分解tf部分；(3)每次原子选择时，在Dp和Df中选择的原子都来源于同类训练图像。本专利技术的有益效果：本专利技术方法利用分数域时频变换获得了信号的高分辨频谱特征，将其与图像空间像素域特征进行联合稀疏表示和稀疏分类，有效地改善了现有方法在特征提取和特征分类中的问题，提高了SAR目标识别的准确率。附图说明图1为本专利技术方法流程示意图；图2为MSTAR图像数据库中的T72，BTR70与BMP23种目标及其对应的SAR图像、分数谱特征图像示例图。具体实施方式下面结合附图和具体的实施例对本专利技术作进一步详细的描述：本专利技术实施例提供的方法包括：用训练图像集构建原子库和对待测图像的分类识别两个过程，具体的在特征提取方面同时提取了分数谱域和图像像素域两类特征；在特征分类方面，利用图像分数谱和像素本文档来自技高网...

【技术保护点】
一种基于分数谱稀疏表示的SAR图像目标识别方法，具体包括如下步骤：S1.选择目标区域：在带有类别标签的训练图像中选择目标所在的区域，目标区域内的图像数据作为目标图像；S2.提取分数谱特征：对目标图像进行分数域时频变换，提取其分数谱特征；S3.构建原子库，具体过程如下：S31.将每幅训练的目标图像的数据排列为一列，对其进行降维处理，并将得到的低维列向量作为一原子，加入到图像特征原子库，设为Dp,Dp的一列为某训练图像的图像特征数据；S32.将每幅训练的目标图像经步骤S2处理后的分数谱特征数据排列为一列，对其进行降维处理，并将得到的低维列向量作为一原子，加入到分数谱特征原子库，设为Df，Df的一列为某训练图像的分数谱特征数据；S33.将图像特征原子库与分数谱特征原子库合并为最终的原子库，设为D；S4.联合稀疏表示：根据步骤S33获得的原子库D，对输入的某测试图像进行联合稀疏表示，具体过程如下：S41.将输入的某测试图像，按步骤S1进行目标定位与降维，并将降维后的图像数据矢量化为一列作为待测图像特征数据，设为tp；按步骤S2提取分数谱特征，将分数谱特征数据矢量化为一列作为待测试图像的分数谱特征数据，设为tf；将两个特征数据联合形成最终的测试数据，设为T，即T＝[tp,tf]；S42.使用原子库D，对测试数据T进行稀疏分解；S5.联合稀疏识别：根据原子库原子的类别标签，对每一类别，只用稀疏分解得到的该类的原子和对应系数分别对tp和tf进行重建，计算两个重建误差的累计；选择累计误差最小的类别为输入测试图像的类别。...

【技术特征摘要】
1.一种基于分数谱稀疏表示的SAR图像目标识别方法，具体包括如下步骤：S1.选择目标区域：在带有类别标签的训练图像中选择目标所在的区域，目标区域内的图像数据作为目标图像；S2.提取分数谱特征：对目标图像进行分数域时频变换，提取其分数谱特征；提取其分数谱特征的具体过程如下：对图像的每一行和每一列分别进行分数谱特征的提取，设目标图像的某行或列信号为g(t)，则特征提取按如下步骤进行：S21.寻找分数域时频变换的最优旋转阶次r*：其中，h为窗函数，这里等号右边的h表示分数阶傅里叶变换时的旋转阶次，在每个阶次时求{}括号内的值，然后比较哪个值最小，当{}括号内的值最小时，即得到最优旋转阶次r*；Wt(g)为g(t)的时间宽度，其形式为：其中，||g||为g(t)的2范数，即g(t)中各个元素平方之和再开根号，ζt为Wf,r(g)为g(t)的频率宽度，其形式为：其中，为g(t)的傅里叶变换，ζf为S22.计算该最优旋转阶次r*下的最优窗函数h*：其中，FT(x)表示x的傅里叶变换；S23.根据谱峰度系数最大准则，求解如下最优化问题，得到最优变换阶次q*：其中，为g(t)的q阶傅里叶变换，表示x的复共轭，E[x]表示求x的数学期望；S24.在最优窗函数h*和最优变换阶次q*下，对g(t)...

【专利技术属性】
技术研发人员：何艳敏，甘涛，彭真明，
申请(专利权)人：电子科技大学，
类型：发明
国别省市：四川;51