基于稀疏约束的非负矩阵分解的SAR图像目标识别方法技术

技术编号:10898343 阅读:166 留言:0更新日期:2015-01-12 19:29
本发明专利技术属于图像处理技术领域,具体公开了一种基于稀疏约束的非负矩阵分解的SAR图像目标识别方法,主要通过对非负矩阵分解方法的改进来提取更有效的特征以提高识别精度,解决现有技术提取的特征不典型,识别精确度不高的问题。实现方案是:将训练样本图像和测试样本图像都进行同样的预处理并作对数变换,对预处理后训练样本集用稀疏约束的非负矩阵分解进行分解得到基矩阵和系数矩阵,将测试样本集投影在基矩阵构造的子空间中,得到特征矩阵后,用SVM进行分类得到最终的分类精度。本发明专利技术与现有的技术相比提取的特征更有效,能有效地提高识别精度。

【技术实现步骤摘要】
基于稀疏约束的非负矩阵分解的SAR图像目标识别方法
本专利技术属于图像处理
,涉及到一种图像的特征提取方法,即非负矩阵分 解方法,具体是一种基于稀疏约束的非负矩阵分解的SAR图像目标识别方法,可广泛用于 军事和民事应用中。
技术介绍
合成孔径雷达(Synthetic Aperture Radar, SAR)以其全天时、全天候、穿透力强 等特点,是对地观测和军事侦测的重要手段之一。SAR图像目标识别作为SAR图像分析与解 译的关键技术之一,具有很强的商业和军事价值,日益成为国内外的研究热点。 在SAR图像目标识别研究中,主要包括图像特征提取研究和机器学习机研究。图 像特征提取研究的主要目的是为了抑制斑点噪声对识别率的影响并且最大限度地体现SAR 图像本身具有的稀疏性,所以图像特征提取的好坏将直接影响到识别精度。同样,机器学习 机的好坏会影响对目标特征的学习能力,从而影响分类精度。 目前SAR图像目标识别的方法大都基于灰度相关匹配和二维不变矩特征,或是基 于目标边缘检测等方法。其主要思想是通过提取图像域或小波域的参数来构建特征矩阵, 这种基于全局特征的方法虽然可以获得较好的识别精度,但是受噪声影响较大,运算代价 高,速度慢,从而导致实用性不强。 Zongjie Cao 和 Jilan Feng 在 2012 年提出 了基于非负矩阵分解(Non-Negative Matrix Factorization,NMF)与Fisher线性判别的SAR目标识别方法。该方法采用NMF和 Fisher线性判别分析作为特征提取的方法,降低了数据运算量并提高了识别精度。但在该 方法中,没有体现出SAR图像本身具有的稀疏性,且没有用分类精度高的机器学习算法。
技术实现思路
本专利技术的目的在于克服上述已有技术的不足,提出了一种基于稀疏约束的非负矩 阵分解的SAR图像目标识别方法。 本专利技术的技术方案是:一种基于稀疏约束的非负矩阵分解的SAR图像目标识别方 法,其具体步骤包括: 步骤101 :输入训练样本集z = {Zi},i = 1,2···Ν和测试样本集Y = {Yj},j = 1,2…M,其中Zi和Yj是代表一幅图像的矩阵,大小为mXm阶,N为训练样本数,Μ为测试样 本数;对每一幅图像进行预处理,包括调整目标图像的位置到图像中心的位置,截取目标图 像,并对图像幅值作对数变换,对数变换公式如下: 本文档来自技高网
...
基于稀疏约束的非负矩阵分解的SAR图像目标识别方法

【技术保护点】
基于稀疏约束的非负矩阵分解的SAR图像目标识别方法,其特征在于:包括如下步骤:步骤101:输入训练样本集Z={Zi},i=1,2…N和测试样本集Y={Yj},j=1,2…M,其中Zi和Yj是代表一幅图像的矩阵,大小为m×m阶,N为训练样本数,M为测试样本数;对每一幅图像进行预处理,包括调整目标图像的位置到图像中心的位置,截取目标图像,并对图像幅值作对数变换,对数变换公式如下:Z‾i=log(Zi/65535+1)---(1)]]>式(1)中log为自然对数运算符,得到预处理后的训练样本集同理,对测试样本集做同样的预处理后得到Y‾={Y‾j},j=1,2...M,]]>Z‾i]]>和Y‾j]]>都为n×n阶矩阵;步骤102:将训练样本集Z中的每一幅n×n像素的图像表示成一个n×n维的列向量,得到n×n行、N列的训练矩阵V,对测试样本集进行同样的变换得到n×n行、M列的测试矩阵X;步骤103:对矩阵V进行稀疏约束的非负矩阵分解VU*N=WU*ZHZ*N  (2)式(2)中,V为训练矩阵,W为基矩阵,H为系数矩阵,W与H矩阵中的元素必须是非负的,且参数Z要满足得到矩阵W和H;步骤104:以W的列向量为基向量构造子空间,将代表每一幅样本图像的V的每一列vi投影到该子空间,即ei=W+vi,其中W+=(WTW)‑1WT,得到向量ei作为表征该图像的特征向量;将矩阵X的每一列xi投影到该子空间,即yi=W+xi,得到向量yi作为表征该图像的特征向量;步骤105:用支持向量机进行分类,训练样本集为(ei,ti),其中ti∈{1,2,3,4,5}是类别标号,测试样本集为(yi,ti),最终得到分类结果。...

【技术特征摘要】
1. 基于稀疏约束的非负矩阵分解的SAR图像目标识别方法,其特征在于:包括如下步 骤: 步骤101 :输入训练样本集Z=仪丄i= 1,2?N和测试样本集Y= {Y」},j=I,2-M,其中Zi和t是代表一幅图像的矩阵,大小为mXm阶,N为训练样本数,M为测试样本数; 对每一幅图像进行预处理,包括调整目标图像的位置到图像中心的位置,截取目标图像,并 对图像幅值作对数变换,对数变换公式如下:式⑴中log为自然对数运算符,得到预处理后的训练样本集之=!之丨/_ =丨,2…/V;同 理,对测试样本集做同样的预处理后得到F$丨=U…M,之和写.都为nXn阶矩阵; 步骤102 :将训练样本集Z中的每一幅nXn像素的图像表示成一个nXn维的列向量, 得到nXn行、N列的训练矩阵V,对测试样本集进行同样的变换得到nXn行、M列的测试矩 阵X; 步骤103 :对矩阵V进行稀疏约束的非负矩阵分解 V測一Wu*zHz*N (2) 式(2)中,V为训练矩阵,W为基矩阵,H为系数矩阵,W与H矩阵中的元素必须是非负UN 的,且参数Z要满足z< ,得到矩阵w和H; U+N 步骤104 :以W的列向量为基向量构造子空间,将代表每一...

【专利技术属性】
技术研发人员:慕彩红焦李成师萌熊涛刘若辰刘静杨淑媛王爽云智强王孝齐
申请(专利权)人:西安电子科技大学
类型:发明
国别省市:陕西;61

网友询问留言 已有0条评论
  • 还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。

1