基于多特征联合稀疏表示的SAR舰船目标识别方法
发布时间：2021-11-11 07:28
针对合成孔径雷达（Synthetic aperture radar,SAR）图像舰船目标识别问题,提出一种基于多特征联合稀疏表示的方法。分别采用几何尺寸特征矢量、主成分分析（Principal component analysis,PCA）和核主成分分析（Kernel PCA,KPCA）特征矢量描述SAR舰船目标的特性,基于以上特征,采用联合稀疏表示进行分类。根据散射特征的重构误差之和对测试样本的目标类别进行决策。实验中,采用RADARSAT-2 4类典型舰船目标的SAR图像进行性能测试。结果表明,此方法在标准操作条件下可以取得92.5%的平均识别率,高于现有的几类对比方法。另外,此方法在噪声干扰以及少量训练样本的条件下也能保持更强的稳健性,获得优于现有方法的性能。
【文章来源】：火力与指挥控制. 2020,45(10)北大核心CSCD
【文章页数】：5 页
【部分图文】：
基于多特征联合稀疏表示的SAR舰船目标识别基本流程
聂丰英：基于多特征联合稀疏表示的SAR舰船目标识别方法（总第45-）方法类型平均识别率（%）本文方法92.50矩特征88.72KPCA91.16多神经网络91.08CNN92.14［9］中基于多神经网络的方法（记为多神经网络方法）以及文献［11］中基于CNN的方法（记为CNN方法）。图24类舰船目标的光学图像和SAR图像3.2结果与分析3.2.1标准操作条件标准操作条件一般指测试样本与训练样本具有相近的数据获取条件，因此，此时的识别问题较为简单。此处，认为原始的训练和测试样本满足标准操作条件。采用本文方法对4类舰船目标进行识别，其结果展示为如图3所示的混淆矩阵。其中，对角线原始为对应舰船类别的正确识别率，均达到87%以上，最终4类目标的平均识别率为92.50%。表2对比了各类方法对5类目标的平均识别率，本文方法的识别率最高，与基于单一矩特征方法和KPCA的方法相比，本文方法通过兼顾几何尺寸信息和灰度分布信息取得了更好的性能。同时，联合稀疏表示分类可以考察不同特征之间的内在关联，从而进一步促进了识别性能的提高。CNN方法的识别率略低于本文方法，显示其在标准操作条件下的强分类能力。然而，受限于可用的样本规模，深度学习方法在本文设置的实验条件下并不能充分发挥其优势。图3本文方法对4类舰船目标的混淆矩阵表2各方法对4类舰船目标的平均识别率3.2.2噪声干扰噪声干扰是SAR图像获取过程中不可避免的现象。在信噪比较低的条件下，目标特性一定程度被淹没，从而导致提取的特征精度下降。为验证提出方法在噪声干扰条件下的性能，本文首先向原始的4类舰船目标的测试样本中加入不同程度的高斯白噪声，获得不同信噪比（SNR）下的测试样本集。在此基础上，对本文方法和对比方法的性能进行测试，其结果如
疏表示的SAR舰船目标识别方法（总第45-）方法类型平均识别率（%）本文方法92.50矩特征88.72KPCA91.16多神经网络91.08CNN92.14［9］中基于多神经网络的方法（记为多神经网络方法）以及文献［11］中基于CNN的方法（记为CNN方法）。图24类舰船目标的光学图像和SAR图像3.2结果与分析3.2.1标准操作条件标准操作条件一般指测试样本与训练样本具有相近的数据获取条件，因此，此时的识别问题较为简单。此处，认为原始的训练和测试样本满足标准操作条件。采用本文方法对4类舰船目标进行识别，其结果展示为如图3所示的混淆矩阵。其中，对角线原始为对应舰船类别的正确识别率，均达到87%以上，最终4类目标的平均识别率为92.50%。表2对比了各类方法对5类目标的平均识别率，本文方法的识别率最高，与基于单一矩特征方法和KPCA的方法相比，本文方法通过兼顾几何尺寸信息和灰度分布信息取得了更好的性能。同时，联合稀疏表示分类可以考察不同特征之间的内在关联，从而进一步促进了识别性能的提高。CNN方法的识别率略低于本文方法，显示其在标准操作条件下的强分类能力。然而，受限于可用的样本规模，深度学习方法在本文设置的实验条件下并不能充分发挥其优势。图3本文方法对4类舰船目标的混淆矩阵表2各方法对4类舰船目标的平均识别率3.2.2噪声干扰噪声干扰是SAR图像获取过程中不可避免的现象。在信噪比较低的条件下，目标特性一定程度被淹没，从而导致提取的特征精度下降。为验证提出方法在噪声干扰条件下的性能，本文首先向原始的4类舰船目标的测试样本中加入不同程度的高斯白噪声，获得不同信噪比（SNR）下的测试样本集。在此基础上，对本文方法和对比方法的性能进行测试，其结果如图4所示。可以看出，本文?
【参考文献】：
期刊论文
[1]航母编队反潜目标识别和威胁评估仿真[J]. 陈龙,马亚平. 火力与指挥控制. 2019(03)
[2]基于CNN的SAR图像舰船目标检测算法[J]. 曲长文,刘晨,周强,李智,李健伟. 火力与指挥控制. 2019(01)
[3]基于矩与支持向量机的舰船目标识别方法[J]. 徐芳,韩树奎. 传感器与微系统. 2018(08)
[4]复杂舰船目标毁伤评估模型建立方法研究[J]. 马晓明,晏卫东,刘延青. 火力与指挥控制. 2018(07)
[5]基于高分辨率SAR的目标识别技术研究[J]. 张国宾,韩如雪,陈晨. 科技资讯. 2018(13)
[6]基于分块CNN的多尺度SAR图像目标分类算法[J]. 曲长文,刘晨,周强,李智,李健伟. 雷达科学与技术. 2018(02)
[7]基于KPCA与KFDA的SAR图像舰船目标识别[J]. 刘磊,孟祥伟,于柯远. 舰船科学技术. 2017(13)
[8]基于不变矩和支持向量机理论的舰船目标识别[J]. 袁爱民. 舰船科学技术. 2017(10)
[9]基于Gabor变换和KPCA的SAR图像舰船目标鉴别[J]. 刘磊. 舰船电子工程. 2016(11)
[10]高分辨率SAR图像舰船目标几何结构特征提取[J]. 甄勇,刘伟,陈建宏,赵拥军. 信号处理. 2016(04)
本文编号：3488447
【文章来源】：火力与指挥控制. 2020,45(10)北大核心CSCD
【文章页数】：5 页
【部分图文】：
基于多特征联合稀疏表示的SAR舰船目标识别基本流程
聂丰英：基于多特征联合稀疏表示的SAR舰船目标识别方法（总第45-）方法类型平均识别率（%）本文方法92.50矩特征88.72KPCA91.16多神经网络91.08CNN92.14［9］中基于多神经网络的方法（记为多神经网络方法）以及文献［11］中基于CNN的方法（记为CNN方法）。图24类舰船目标的光学图像和SAR图像3.2结果与分析3.2.1标准操作条件标准操作条件一般指测试样本与训练样本具有相近的数据获取条件，因此，此时的识别问题较为简单。此处，认为原始的训练和测试样本满足标准操作条件。采用本文方法对4类舰船目标进行识别，其结果展示为如图3所示的混淆矩阵。其中，对角线原始为对应舰船类别的正确识别率，均达到87%以上，最终4类目标的平均识别率为92.50%。表2对比了各类方法对5类目标的平均识别率，本文方法的识别率最高，与基于单一矩特征方法和KPCA的方法相比，本文方法通过兼顾几何尺寸信息和灰度分布信息取得了更好的性能。同时，联合稀疏表示分类可以考察不同特征之间的内在关联，从而进一步促进了识别性能的提高。CNN方法的识别率略低于本文方法，显示其在标准操作条件下的强分类能力。然而，受限于可用的样本规模，深度学习方法在本文设置的实验条件下并不能充分发挥其优势。图3本文方法对4类舰船目标的混淆矩阵表2各方法对4类舰船目标的平均识别率3.2.2噪声干扰噪声干扰是SAR图像获取过程中不可避免的现象。在信噪比较低的条件下，目标特性一定程度被淹没，从而导致提取的特征精度下降。为验证提出方法在噪声干扰条件下的性能，本文首先向原始的4类舰船目标的测试样本中加入不同程度的高斯白噪声，获得不同信噪比（SNR）下的测试样本集。在此基础上，对本文方法和对比方法的性能进行测试，其结果如
疏表示的SAR舰船目标识别方法（总第45-）方法类型平均识别率（%）本文方法92.50矩特征88.72KPCA91.16多神经网络91.08CNN92.14［9］中基于多神经网络的方法（记为多神经网络方法）以及文献［11］中基于CNN的方法（记为CNN方法）。图24类舰船目标的光学图像和SAR图像3.2结果与分析3.2.1标准操作条件标准操作条件一般指测试样本与训练样本具有相近的数据获取条件，因此，此时的识别问题较为简单。此处，认为原始的训练和测试样本满足标准操作条件。采用本文方法对4类舰船目标进行识别，其结果展示为如图3所示的混淆矩阵。其中，对角线原始为对应舰船类别的正确识别率，均达到87%以上，最终4类目标的平均识别率为92.50%。表2对比了各类方法对5类目标的平均识别率，本文方法的识别率最高，与基于单一矩特征方法和KPCA的方法相比，本文方法通过兼顾几何尺寸信息和灰度分布信息取得了更好的性能。同时，联合稀疏表示分类可以考察不同特征之间的内在关联，从而进一步促进了识别性能的提高。CNN方法的识别率略低于本文方法，显示其在标准操作条件下的强分类能力。然而，受限于可用的样本规模，深度学习方法在本文设置的实验条件下并不能充分发挥其优势。图3本文方法对4类舰船目标的混淆矩阵表2各方法对4类舰船目标的平均识别率3.2.2噪声干扰噪声干扰是SAR图像获取过程中不可避免的现象。在信噪比较低的条件下，目标特性一定程度被淹没，从而导致提取的特征精度下降。为验证提出方法在噪声干扰条件下的性能，本文首先向原始的4类舰船目标的测试样本中加入不同程度的高斯白噪声，获得不同信噪比（SNR）下的测试样本集。在此基础上，对本文方法和对比方法的性能进行测试，其结果如图4所示。可以看出，本文?
【参考文献】：
期刊论文
[1]航母编队反潜目标识别和威胁评估仿真[J]. 陈龙,马亚平. 火力与指挥控制. 2019(03)
[2]基于CNN的SAR图像舰船目标检测算法[J]. 曲长文,刘晨,周强,李智,李健伟. 火力与指挥控制. 2019(01)
[3]基于矩与支持向量机的舰船目标识别方法[J]. 徐芳,韩树奎. 传感器与微系统. 2018(08)
[4]复杂舰船目标毁伤评估模型建立方法研究[J]. 马晓明,晏卫东,刘延青. 火力与指挥控制. 2018(07)
[5]基于高分辨率SAR的目标识别技术研究[J]. 张国宾,韩如雪,陈晨. 科技资讯. 2018(13)
[6]基于分块CNN的多尺度SAR图像目标分类算法[J]. 曲长文,刘晨,周强,李智,李健伟. 雷达科学与技术. 2018(02)
[7]基于KPCA与KFDA的SAR图像舰船目标识别[J]. 刘磊,孟祥伟,于柯远. 舰船科学技术. 2017(13)
[8]基于不变矩和支持向量机理论的舰船目标识别[J]. 袁爱民. 舰船科学技术. 2017(10)
[9]基于Gabor变换和KPCA的SAR图像舰船目标鉴别[J]. 刘磊. 舰船电子工程. 2016(11)
[10]高分辨率SAR图像舰船目标几何结构特征提取[J]. 甄勇,刘伟,陈建宏,赵拥军. 信号处理. 2016(04)
本文编号：3488447
本文链接：https://www.wllwen.com/kejilunwen/chuanbolw/3488447.html
