本发明专利技术公开了一种遮挡情况下的SAR目标识别方法，主要解决现有识别技术在遮挡情况下识别性能下降的问题。其实现步骤为：对训练图像依次进行对数变换，中值滤波，将图像列向量化，左乘随机矩阵降维和能量归一化的预处理，并用预处理后的数据构造成数据字典D；对待测试图像依次进行对数变换、中值滤波、图像列向量化，随机矩阵降维和能量归一化的预处理，通过该预处理后的测试数据和数据字典D构造非负稀疏表示式；优化后得到非负稀疏分解系数，并用非负稀疏分解系数计算各类的重构误差；根据重构误差最小准则获得目标判别结果。本发明专利技术在待测试目标存在遮挡情况下具有识别率高，性能稳定的优点，适用于目标可能被遮挡情况下的SAR目标识别。
【技术实现步骤摘要】
【技术保护点】
一种遮挡情况下的SAR目标识别方法，包括：?A.训练步骤：?（A1）将训练用的SAR目标图像进行对数变换，得到变换后的图像G；?（A2）将对数变换后的图像G进行中值滤波，得到变换后的图像I；?（A3）根据训练图像大小p×q以及预先设定的降维维数r，通过高斯随机函数randn生成大小为r×pq的随机矩阵R；?（A4）将经过对数变换和中值滤波后的SAR目标图像进行列向量化，得到n＝p·q维列向量si＝vec(Ii),i＝1,...,m，其中vec(·)为列向量化操作，Ii为第i幅经过中值滤波的训练图像数据,m为训练样本总数；?（A5）将向量si左乘上步骤(A3)生成的随机矩阵R，得到降维后的训练样本向量：di=R·si,i＝1,...,m；?（A6）将所有降维后的训练样本向量di进行能量归一化，得到归一化后的训练样本向量：其中||·||2为2范数算子；?（A7）将所有归一化后的训练样本向量拼接成数据字典,并记录每一列样本所属的类别标号vi；?B.测试步骤：?（B1）对需要测试的SAR原始图像进行与训练阶段步骤（A1）具有相同参数的对数变换；?（B2）将对数变换后的图像进行与训练阶段步骤（A2）具有相同参数的中值滤波处理，得到待测试SAR目标图像T；?（B3）将经过对数变换和中值滤波后的待测试SAR目标图像T进行列向量化，得到测试向量（B4）将测试向量左乘上步骤(A3)生成的随机矩阵R，得到降维后的测试样本?向量（B5）将降维后的测试样本向量t进行能量归一化，得到归一化后的测试样本向量（B6）根据训练阶段得到的数据字典D和归一化后的测试样本向量构造非负稀疏表示式；???s.t.,α≥0.?其中，α为待优化变量，λ为根据训练样本数据稀疏性给定的正则化参数，||·||1为1范数算子；?（B7）利用凸优化方法最小化非负稀疏表示式，得到非负稀疏分解系数α*；?s.t.,α≥0.?（B8）根据步骤（B7）得到的非负稀疏分解系数α*，计算各类对归一化后的测试样本向量的重构误差：其中，k＝1,...,C，C为训练集包含的类别数，δ(·)为指标函数，?，为α*的第i个元素；?（B9）根据重构误差最小准则得到识别结果k*：?k＝1，...，C。?FDA0000371544140000011.jpg,FDA0000371544140000012.jpg,FDA0000371544140000013.jpg,FDA0000371544140000014.jpg,FDA0000371544140000015.jpg,FDA0000371544140000021.jpg,FDA0000371544140000022.jpg,FDA0000371544140000023.jpg,FDA0000371544140000024.jpg,FDA0000371544140000025.jpg,FDA0000371544140000026.jpg,FDA0000371544140000027.jpg,FDA0000371544140000028.jpg,FDA00003715441400000210.jpg,FDA00003715441400000211.jpg...
【技术特征摘要】
【专利技术属性】
技术研发人员：刘宏伟，王英华，丁军，纠博，杜兰，王鹏辉，白雪茹，
申请(专利权)人：西安电子科技大学，
类型：发明
国别省市：
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。