结合NSCT和TPCA的SAR图像目标识别
发布时间：2022-01-06 19:02
提出了一种结合非下采样轮廓波变换（NSCT）和张量主成分分析（TPCA）的合成孔径雷达（SAR）图像目标识别方法。采用NSCT对SAR图像进行分解获得多尺度、多方向的子带图像,从而为目标提供更充分的描述信息。采用TPCA对各个子带图像进行特征提取,降低其中的冗余。基于各个子带图像的特征矩阵,通过线性加权的方法获得测试样本与训练样本之间的距离测度。根据K近邻（K-NN）的基本思想对测试样本进行分类决策。采用MSTAR数据集设置多种实验条件对提出方法进行测试,结果反映了该方法的有效性。
【文章来源】：火力与指挥控制. 2020,45(09)北大核心CSCD
【文章页数】：6 页
【部分图文】：
标准操作条件下十类目标识别混淆矩阵表2标准操作条件各类方法对比
可能出现变化，因此，NSCT提供的多层次描述相比单一的PCA或TPCA具有更好的适应性。因此，本文方法可以在型号变化条件下保持最好的识别性能。表4型号变化条件下的训练和测试样本表5型号变化条件下各类方法对比3.2.3噪声干扰噪声干扰是SAR目标识别中的另一种典型扩展操作条件。收到环境噪声以及雷达系统热噪声等因素的干扰，待识别的测试样本往往具有很低的信噪比（SNR）。为此，本文首先按照文献［5］中的策略通过噪声条件的形式构造噪声样本。对于表1中十类目标的噪声测试样本，基于原始的训练集对其进行识别。图4显示了各类方法在不同信噪比下的识别性能。可以看出，本文方法能够在各个信噪比下保持最佳的识别性能。根据文献报道，NSCT作为一种信号分解方法，具有良好的去噪性能。因此，本文结合NSCT和TPCA获得的特征能够在噪声干扰条件下保持较强的稳健性。最终识别的结果仍然可以保持较高的精度。4结论本文提出结合NSCT和TPCA的SAR图像特征提取及目标识别方法。NSCT通过对SAR图像进行分解获得低频和高频下的多层次描述，从而更充分地描述了原始图像的全局和细节信息。在此基础上，采用TPCA进行进一步的特征提取，获得最终的特征矢量并用于目标识别。基于MSTAR数据集开展验证实验并与其他方法进行对比，结果表明，本文方法在标准操作条件、型号变化，以及噪声干扰的典型条件下均可以保持更好的识别性能，表明了提出方法的有效性。后续的研究中，将针对多子带NSCT图像的自适应权值确定问题展开研究，进一步提高最终的融合性能。参考文献：［1］KHALIE，ERICWG，PETERM，etal.Automatictargetrecognitioninsyntheticapertureradarimagery：astate-of-the-artreview［J］.IEEEAccess，2016（4）：6014-6058.［2］?
J表示分解尺度，lj为第j个尺度上方向滤波器组中滤波器的个数，aj代表第j尺度上的低频子带图像，则bj，k是第j尺度上第k个方向的子带图像。图1显示了NSCT两级分解的示意图。其中，I1为分解后的低通分量，反映原始图像的主要信息（如目标区域）；I2和I3均为高频分量，反映原始图像的细节信息（如目标轮廓、边缘）。因此，采用多尺度、多方向的NSCT子带图像可以更好地描述原始图像中的目标特征。鉴于NSCT具有的诸多优良特性，本文将其应用于SAR图像的特征提龋图1NSCT两级分解示意图1.2TPCATPCA是PCA和张量分析结合的产物，它可以直接对二维甚至高维数据进行直接主成分分析，因此，避免了矢量化的操作，更好地保持原始数据结构特性。本文采用二阶TPCA对NSCT分解得到的·42·1568
【参考文献】：
期刊论文
[1]基于增补小波变换和PCNN的NSCT域图像融合算法[J]. 王健,张修飞,任萍,院文乐. 计算机工程与科学. 2018(10)
[2]轮廓定位下的人头NSCT特征提取方法[J]. 孙万春,张建勋,马慧,朱佳宝. 重庆理工大学学报(自然科学). 2018(07)
[3]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)
[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)
[6]基于非负矩阵分解的SAR图像目标识别[J]. 龙泓琳,皮亦鸣,曹宗杰. 电子学报. 2010(06)
本文编号：3573002
【文章来源】：火力与指挥控制. 2020,45(09)北大核心CSCD
【文章页数】：6 页
【部分图文】：
标准操作条件下十类目标识别混淆矩阵表2标准操作条件各类方法对比
可能出现变化，因此，NSCT提供的多层次描述相比单一的PCA或TPCA具有更好的适应性。因此，本文方法可以在型号变化条件下保持最好的识别性能。表4型号变化条件下的训练和测试样本表5型号变化条件下各类方法对比3.2.3噪声干扰噪声干扰是SAR目标识别中的另一种典型扩展操作条件。收到环境噪声以及雷达系统热噪声等因素的干扰，待识别的测试样本往往具有很低的信噪比（SNR）。为此，本文首先按照文献［5］中的策略通过噪声条件的形式构造噪声样本。对于表1中十类目标的噪声测试样本，基于原始的训练集对其进行识别。图4显示了各类方法在不同信噪比下的识别性能。可以看出，本文方法能够在各个信噪比下保持最佳的识别性能。根据文献报道，NSCT作为一种信号分解方法，具有良好的去噪性能。因此，本文结合NSCT和TPCA获得的特征能够在噪声干扰条件下保持较强的稳健性。最终识别的结果仍然可以保持较高的精度。4结论本文提出结合NSCT和TPCA的SAR图像特征提取及目标识别方法。NSCT通过对SAR图像进行分解获得低频和高频下的多层次描述，从而更充分地描述了原始图像的全局和细节信息。在此基础上，采用TPCA进行进一步的特征提取，获得最终的特征矢量并用于目标识别。基于MSTAR数据集开展验证实验并与其他方法进行对比，结果表明，本文方法在标准操作条件、型号变化，以及噪声干扰的典型条件下均可以保持更好的识别性能，表明了提出方法的有效性。后续的研究中，将针对多子带NSCT图像的自适应权值确定问题展开研究，进一步提高最终的融合性能。参考文献：［1］KHALIE，ERICWG，PETERM，etal.Automatictargetrecognitioninsyntheticapertureradarimagery：astate-of-the-artreview［J］.IEEEAccess，2016（4）：6014-6058.［2］?
J表示分解尺度，lj为第j个尺度上方向滤波器组中滤波器的个数，aj代表第j尺度上的低频子带图像，则bj，k是第j尺度上第k个方向的子带图像。图1显示了NSCT两级分解的示意图。其中，I1为分解后的低通分量，反映原始图像的主要信息（如目标区域）；I2和I3均为高频分量，反映原始图像的细节信息（如目标轮廓、边缘）。因此，采用多尺度、多方向的NSCT子带图像可以更好地描述原始图像中的目标特征。鉴于NSCT具有的诸多优良特性，本文将其应用于SAR图像的特征提龋图1NSCT两级分解示意图1.2TPCATPCA是PCA和张量分析结合的产物，它可以直接对二维甚至高维数据进行直接主成分分析，因此，避免了矢量化的操作，更好地保持原始数据结构特性。本文采用二阶TPCA对NSCT分解得到的·42·1568
【参考文献】：
期刊论文
[1]基于增补小波变换和PCNN的NSCT域图像融合算法[J]. 王健,张修飞,任萍,院文乐. 计算机工程与科学. 2018(10)
[2]轮廓定位下的人头NSCT特征提取方法[J]. 孙万春,张建勋,马慧,朱佳宝. 重庆理工大学学报(自然科学). 2018(07)
[3]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)
[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)
[6]基于非负矩阵分解的SAR图像目标识别[J]. 龙泓琳,皮亦鸣,曹宗杰. 电子学报. 2010(06)
本文编号：3573002
本文链接：https://www.wllwen.com/kejilunwen/xinxigongchenglunwen/3573002.html
