基于非下采样剪切波特征提取的SAR图像目标识别方法

发布时间：2020-12-12 23:47

　　针对现有合成孔径雷达(SAR)图像特征提取方面的不足,提出基于非下采样剪切波(NSST)特征提取的SAR目标识别方法。该方法采用NSST对SAR图像进行分解获得多层次的子代图像,这些子代图像具有良好的平移不变性并且可以很好地反映目标的主要和细节特征。在分类阶段,采用联合稀疏表示对多层次NSST子代图像进行联合表征;联合稀疏表示在独立表示各个分量的同时考察了不同分量之间的相关性,因此可以有效提高联合表征的精度;最终,根据整体重构误差判定测试样本的目标类别。基于MSTAR数据集对提出方法进行测试,实验结果分析表明该方法在标准操作条件、型号差异、俯仰角差异以及噪声干扰的条件下均可以保持优异性能。 

【文章来源】：探测与控制学报. 2020年01期 北大核心

【文章页数】：6 页

【部分图文】：

NSST示意图

具体实施中,综合考虑识别精度和效率,分解文献[21]中指出的4个子代图像代入后续联合稀疏表示,其中第1子代图像为低通分量,反映目标的整体信息。对于所有的子代图像,采用文献[13]中的随机投影降维方法得到520维的特征矢量。3 实验与分析

首先基于表1中的实验设置对提出方法在标准操作条件下的识别性能进行测试,具体结果展示如图3所示的混淆矩阵。图中对角线上的元素反映了对应目标在当前条件下的正确识别率,其余元素为错误识别为不同目标的概率。可见,各类目标均可以以98%以上的识别率实现正确分类。通过对各类对比算法进行相同测试,获得各类方法的平均识别率如表2所列。本文方法以99.14%的识别率居首,充分说明了其有效性。CNN方法在标准操作条件下同样可以取得很高的识别率,主要因为在训练样本充分的条件下训练得到的分类网络对于测试样本具有很好的适应性。表2 各类方法在标准操作条件下的平均识别率Tab.2 Average recognition rates of different methods under SOC 方法类型 平均识别率/% 本文方法 99.14 SVM 96.73 SRC 95.94 CNN 99.08

【参考文献】：
期刊论文
[1]基于多层卷积神经网络的SAR图像分类方法[J]. 李倩,裴炳南,常芳芳.  探测与控制学报. 2018(03)
[2]卷积神经网络在SAR目标识别中的应用[J]. 郝岩,白艳萍,张校非,杜敦伟.  重庆理工大学学报(自然科学). 2018(05)
[3]结合NSST和快速非局部均值滤波的刀具图像去噪[J]. 龙云淋,吴一全,周杨.  信号处理. 2017(11)
[4]属性散射中心匹配及其在SAR目标识别中的应用[J]. 丁柏圆,文贡坚,余连生,马聪慧.  雷达学报. 2017(02)
[5]基于NSST和稀疏表示的多源异类图像融合方法[J]. 王志社,杨风暴,彭智浩.  红外技术. 2015(03)
[6]NSST与CSLDP相结合的人脸识别[J]. 杨恢先,翟云龙,蔡勇勇,奉俊鹏,李球球.  计算机工程与应用. 2016(08)
[7]NSST各向异性双变量收缩的图像去噪算法[J]. 陈利霞,文学霖,欧阳宁.  计算机工程与设计. 2014(12)
[8]基于非下采样剪切波及TPCA的人脸识别[J]. 陈慧,闫德勤,吕志超,王洪东.  微型机与应用. 2014(16)
[9]基于小波字典稀疏表示的SAR图像目标识别[J]. 田莉萍,王建国.  雷达科学与技术. 2014(01)
[10]基于NSST和自适应PCNN的图像融合算法[J]. 江平,张强,李静,张锦.  激光与红外. 2014(01)



本文编号：2913475