局部流形学习在SAR目标分类中的应用

发布时间：2021-01-31 21:06

　　为了更好地对合成孔径雷达（SAR）图像进行分类,文中提出一种基于局部线性嵌入方法（LLE）和随机拉普拉斯特征映射方法（SLEM）相融合的算法。在拉普拉斯特征映射方法的基础上引入随机过程的概念,并将局部线性嵌入方法与随机拉普拉斯映射方法进行函数融合,两种方法的融合为提取高维空间中嵌入的低维特征提供了更详细的结构信息,保留了原始数据集的几何特征;将算法应用于MSTAR数据集,再通过KNN分类器进行分类;最后,实验结果证明了该算法的有效性。 

【文章来源】：现代雷达. 2020,42(04)北大核心

【文章页数】：5 页

【部分图文】：

三类不同目标的光学图像和SAR图像

在Matlab2014a实验环境下,对SAR图像进行实验以验证本文算法的有效性。首先,分别使用维纳滤波、EDS滤波、高斯去噪三种不同的去噪方法对图像进行预处理,部分图像去噪结果如图2所示。通过流形学习方法分别提取五种不同维度的特征,分类结果如图3所示。与其他四种维度的特征相比,当维度d=50时的识别效果更好,识别率最高为99.7%,同时高斯滤波去噪后的分类效果也优于其他两种方法。图3 不同去噪方法的分类结果对比

图2 三种滤波方法去噪结果接下来先对剪裁后的图像进行高斯去噪,再采用不同的流形学习算法对预处理以后的图像进行特征提取,取同样维度m=55,分类结果如表1所示。

【参考文献】：
期刊论文
[1]基于数据扩维的SAR目标识别性能提升技术[J]. 罗震宇,于俊朋,刘振华.  现代雷达. 2019(05)
[2]基于KNN的合成孔径雷达目标识别[J]. 郝岩,白艳萍,张校非.  火力与指挥控制. 2018(09)
[3]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)
[4]基于卷积神经网络迁移学习的SAR图像目标分类[J]. 刘晨,曲长文,周强,李智,李健伟.  现代雷达. 2018(03)
[5]基于卷积神经网络的高分辨距离像目标识别[J]. 杨予昊,孙晶明,虞盛康,彭雄伟.  现代雷达. 2017(12)



本文编号：3011575