基于斯皮尔曼等级相关的单演谱成分选择及其在SAR目标识别中的应用

发布时间：2021-08-23 14:47

　　特征提取是合成孔径雷达（synthetic aperture radar,SAR）目标识别中的关键因素之一.文中提出联合多层次单演谱特征的SAR目标识别方法,采用单演信号对原始SAR图像进行分解,获得不同层次的单演谱成分.基于斯皮尔曼等级相关分析分解的谱成分与原始SAR图像的相关性,设置相似度门限来选取若干具有较强鉴别力的谱成分.采用联合稀疏表示（joint sparse representation, JSR）对筛选得到的谱成分进行表征和分类,并基于MSTAR公开数据集在标准操作条件（standard operating conditions, SOC）和若干扩展操作条件下对多类地面车辆目标进行分类测试.实验结果表明:本文方法在SOC下对10类目标的平均识别率达到98.52%;对30°和45°俯仰角下的10类目标平均识别率分别为98.15%和72.06%;在噪声干扰条件下也可以保持良好的稳健性.综合对比,提出的方法相比现有几类SAR目标识别方法具有一定的性能优势. 

【文章来源】：电波科学学报. 2020,35(03)北大核心CSCD

【文章页数】：8 页

【部分图文】：

原始SAR图像及其对应的单演信号分解结果

本文设计的目标识别方法基本流程如图2所示,主要可分为特征提取、特征选择和联合分类三个阶段. 特征提取阶段,采用单演信号对原始SAR图像进行分解,获得多层次的单演谱成分;特征选择阶段,基于斯皮尔曼等级相关系数计算各层次单演谱成分与对应SAR图像的相似度,然后采用门限法选取若干具有较高相关的谱成分;联合分类阶段,采用JSR对选取的单演谱成分进行表征,根据求取的稀疏表示系数计算各个类别对测试样本的整体重构误差. 最终,根据最小误差原则判定测试样本的目标类别.4 实验与讨论

在测试所提方法的同时,将其与公开文献中的代表性方法及同类方法进行对比分析. 选用文献[18-19]中设计的全卷积神经网络(A-ConvNets)以及迁移网络方法作为深度学习模型方法的代表,两种方法目前已成为SAR目标识别领域的主流. 选用文献[10,13]中设计的基于单演信号的方法作为同类方法进行对比,其中,文献[10]中方法未进行单演谱成分的筛选,文献[13]中方法采用了SRC进行预单演谱成分的预筛选,分别记为单演方法1和单演方法2.4.2 SOC

【参考文献】：
期刊论文
[1]基于斯皮尔曼等级相关性的彩色图像椒盐噪点检测算法[J]. 贾晓芬,郭永存,黄友锐,赵佰亭.  中国科学技术大学学报. 2019(01)
[2]SAR图像多层次正则化增强及在目标识别中的应用[J]. 谢晴,张洪.  电子测量与仪器学报. 2018(09)
[3]基于互补特征层次决策融合的SAR目标识别方法[J]. 赵鹏举,甘凯.  电光与控制. 2018(10)
[4]深度卷积神经网络在迁移学习模式下的SAR目标识别[J]. 李松,魏中浩,张冰尘,洪文.  中国科学院大学学报. 2018(01)
[5]基于Spearman秩相关系数的红外弱小目标检测[J]. 王涛.  科学技术与工程. 2017(02)
[6]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)
[7]一种融合多模式单演特征的人脸识别方法[J]. 李昆明,王玲,闫海停,刘机福.  计算机应用研究. 2014(04)
[8]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)
[9]结合KPCA和稀疏表示的SAR目标识别方法研究[J]. 韩萍,王欢.  信号处理. 2013(12)



本文编号：3358070