基于变分模态分解的SAR图像目标识别方法

发布时间：2021-09-30 17:59

　　为提升合成孔径雷达（synthetic aperture Radar,SAR）目标识别性能,提出基于变分模态分解算法（variational mode decomposition,VMD）的SAR图像目标识别方法。首先采用二维变分模态分解算法（bidimensional VMD,BVMD）对SAR图像进行分解,从而获得多模态的表示;然后采用联合稀疏表示对SAR图像的多模态特征进行同时表征;最后基于最小重构误差的原则判定目标类别。在MSTAR数据集上对提出方法进行性能测试,结果显示,在标准操作条件（standard operating condition,SOC）下对10类目标的识别率达到99. 24%,在型号差异、俯仰角差异、噪声干扰条件下的性能也优于现有几类方法,证实了方法的有效性。 

【文章来源】：国土资源遥感. 2020,32(02)北大核心CSCD

【文章页数】：7 页

【部分图文】：

基于变分模态分解的SAR目标识别方法流程

采用MSTAR数据集对提出方法进行性能测试实验。该数据集采集了包括坦克、装甲车、运输车等10类具有相近外形的地面军事目标SAR图像，空间分辨率达到0.3 m。图2展示了10类目标的光学图像及名称。MSTAR数据集中包含了各类目标在不同俯仰角下的SAR图像，如15°，17°，30°，45°等。此外，部分目标包括多个子型号的SAR图像，如BMP2,T72。因此，基于该数据集可以设置丰富的实验场景对提出方法进行全面测试。测试过程中，选用几种现有的SAR目标识别算法与本文方法进行对比，包括基于SVM的方法，基于SRC的方法，基于卷积神经网络(convolutional neural network,CNN)的方法以及文献[12]中基于单演信号特征的方法。其中，SVM方法采用PCA进行特征提取;SRC方法采用随机投影进行降维;CNN基于像素灰度进行训练分类;单演信号方法则是采用多尺度单演信号谱特征进行识别。后续验证中，首先在标准操作条件(即，测试样本与训练样本相似度较高)展开测试;接着，设置了若干典型扩展操作条件(standard operating condition,SOC)(即，测试样本与训练样本差异较大)进行了测试。3.2 测试结果与分析

SOC条件下，训练集样本和测试集样本俯仰角差异很小，两者的相似度较高。然而，随着测试集和训练集俯仰角变化程度的加剧，两者的差异也会逐渐增大，导致识别问题的难度加大。表6给出了带有较大俯仰角差异的训练和测试集，3类目标17°俯仰角的SAR图像作为训练集，测试样本则分别来自30°和45°俯仰角。通过在2个俯仰角下分别进行测试，获得不同方法的性能对比如图3所示。本文方法在2个角度下均取得最高的识别率，显示其对于俯仰角变化的稳定性。在较大俯仰角差异的情况下，同一目标的2幅图像之间存在局部的“畸变”，但仍然存在当前目标的共同特性。采用BVMD分解得到的多模态表示可以有效地反映这种共性特征，从而为正确分类提供支撑。3.2.4 噪声干扰

【参考文献】：
期刊论文
[1]基于变分模态分解和去趋势波动分析的柴油机振动信号去噪方法[J]. 任刚,贾继德,梅检民,贾翔宇,韩佳佳.  内燃机工程. 2019(02)
[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]基于变分模态分解和小波分析的语音信号去噪方法[J]. 陆振宇,卢亚敏,夏志巍,黄现云.  现代电子技术. 2018(13)
[4]基于三维电磁散射参数化模型的SAR目标识别方法[J]. 文贡坚,朱国强,殷红成,邢孟道,杨虎,马聪慧,闫华,丁柏圆,钟金荣.  雷达学报. 2017(02)
[5]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)
[6]基于二维变分模态分解和自适应中值滤波的图像去噪方法[J]. 刘嘉敏,彭玲,袁佳成,刘军委.  计算机应用研究. 2017(10)
[7]基于小波变换和深层稀疏编码的SAR目标识别[J]. 李帅,许悦雷,马时平,倪嘉成,王坤.  电视技术. 2014(13)
[8]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：3416382