基于激光回波时频图纹理特征的飞机目标分类方法

发布时间：2019-07-11 06:35

【摘要】：为实现直升机、螺旋桨飞机和喷气式飞机的激光遥感探测分类,研究了基于时频图的飞机目标微动纹理特征提取算法。根据旋翼微多普勒模型仿真三类飞机旋转部件回波信号,将平滑伪魏格纳-维利变换得到的时频分布生成灰度图像。采用大津(OTSU)法结合灰度拉伸对图像进行阈值去噪处理,提取目标灰度共生矩阵(GLCM)特征以及Tamura特征,并针对时频图差异进行特征优化,最后使用支持向量机(SVM)实现飞机目标分类。仿真数据分类结果表明:GLCM特征对噪声表现敏感,经所提方法对时频图去噪,信噪比(SNR)RSN=0dB时的分类正确率可达96.4%。Tamura特征在高信噪比条件下分类正确率较高,但当RSN5dB时下降明显。因此提取时频图纹理特征可以达到较为理想的飞机分类效果,且利用改进GLCM特征能够实现低信噪比条件下的目标准确分类。
文内图片：

图６三类飞机Ｔａｍｕｒａ特征分布Ｆｉｇ．６Ｔａｍｕｒａｆｅａｔｕｒｅｄｉｓｔｒｉｂｕｔｉｏｎｏｆｔｈｒｅｅｔｙｐｅｓｏｆａｉｒｃｒａｆｔ

图片说明：ｐａｒａｍｅｔｅｒｖａｌｕｅｓＡｉｒｃｒａｆｔＦｃｒｓＦｃｏｎＦｌｉｎＨｅｌｉｃｏｐｔｅｒ３５．９００．０５９０．９０Ｐｒｏｐｅｌｌｅｒ２２．０３０．２２５０．６４Ｔｕｒｂｏｊｅｔａｉｒｃｒａｆｔ２２．７５０．０７３０．８７从数据中可以看出，，直升机时频图粗糙度数值明显高于其他两类，具有很强的区分度；三类飞机对比度参量差异明显，易于进行分类；螺旋桨飞机线性度较差，相比其他两类有较好的区分效果。为直观体现样本差异，将三种特征结合，绘制三类目标各１５０组样本特征分布图，如图６所示。图６三类飞机Ｔａｍｕｒａ特征分布Ｆｉｇ．６Ｔａｍｕｒａｆｅａｔｕｒｅｄｉｓｔｒｉｂｕｔｉｏｎｏｆｔｈｒｅｅｔｙｐｅｓｏｆａｉｒｃｒａｆｔ在图６中，三类目标特征分布基本无交叉重叠，但直升机样本分布较为分散，与喷气式飞机特征区域接近，可能在分类中产生误判。螺旋桨飞机区域分布集中，特征稳健性较好，与其他两类目标具有很强的区分度。４目标分类与分析４．１ＳＶＭＳＶＭ是一种基于统计学习理论的一种机器学习方法，广泛用于统计分类以及回归分析中［１６］。其将低维空间的输入特征通过某种核函数映射到高维空间中，在解决小样本、非线性以及高维模式识别中具有优势。ＳＶＭ的预测模型为ｇ（ｑ）＝∑Ｎｎ＝１εｎＫ（ｑ，ｑｎ）＋ε０，（１６）式中εｎ＝（ε１，…，εＮ）表示权值，Ｎ表示样本数量，ｑｎ表示训练样本，Ｋ表示核函数。ＳＶＭ通过最小化函数ｆ求解权值ε，从而在特征空间构建最优分类面。其中ｆ＝ｍｉｎ１２ｗ２＋Ｃ∑Ｎｉ＝１φｉ－∑Ｎｉ
【作者单位】：电子工程学院脉冲功率激光技术国家重点实验室;
【基金】：国家自然科学基金(61271353,61671454)
【分类号】：E926.4;TP751

【相似文献】