文摘
合成孔径雷达(SAR)的目标识别方法相结合提出了线性和非线性特征提取和分类器。主成分分析(PCA)和核主成分分析(KPCA)是用于提取特征向量的原始SAR图像,分别是古典和可靠的特征提取算法。此外,KPCA可以有效地弥补弱线性PCA的描述能力。后来,支持向量机(SVM)和内核稀疏表示分类(KSRC)用于分类KPCA和PCA特征向量,分别。与特征提取的概念类似,KSRC主要介绍内核函数来改善非线性数据的处理和分类能力。通过线性和非线性特性和分类器的组合,SAR图像的内部数据结构之间的对应关系可以更好地测试和训练样本调查。在实验中,该方法的性能测试基于MSTAR数据集。结果表明了该方法的有效性和鲁棒性。
1。介绍
合成孔径雷达(SAR)可以通过高分辨率远程实现全天和全天候的侦察成像。大规模的SAR图像的智能解释已成为一个研究热点。SAR目标识别的目的是确认的范畴对SAR图像的目标,主要通过结合特征提取和分类器(1]。特征提取是用来实现高维降维和压缩SAR图像,从而提高后续分类的效率和准确性。身体相关的功能,包括目标区域,边界,阴影可以提供直观的描述目标(2- - - - - -6]。数据分析算法为代表的主成分分析(PCA)和线性判别分析(LDA) (7,8)已经广泛应用于SAR图像特征提取和目标识别。和他们的有效性已被实验验证。之后,受欢迎的流形学习算法(9- - - - - -11)新的特征提取方法,如非负矩阵分解(NMF) [9)进一步提高目标分类的性能。然而,这些方法基本上都是基于线性分解,它是不够的SAR图像固有的复杂的流形结构进行调查。作为补救措施,研究人员已经改善了非线性处理性能的线性特征提取方法通过引入核函数。典型的代表是内核主成分分析(KPCA) [8]。许多信号分解算法包括小波分析、单基因信号,和经验模态分解也被成功地应用到SAR目标识别(12- - - - - -15]。此外,散射中心特征是流行在SAR目标识别方法的设计16- - - - - -18]。提取特征的分类器设计适当的分类策略输出目标测试样本的标签。目前,一组丰富的SAR目标识别分类器是可用的,包括K最近邻(资讯)分类器7),支持向量机(SVM) [19- - - - - -21(SRC)[],稀疏表示分类22- - - - - -27]。最近,许多SAR目标识别方法是基于深度学习开发工具,其中卷积神经网络(CNN)是一个典型的代表28- - - - - -35]。分类器的设计还需要考虑非线性特征提取的特征。具体地说,当没有非线性提取的特征,有必要改善的整体非线性处理能力通过添加非线性特征分类器识别算法。相反,当提取的特性考虑SAR图像的非线性,非线性的分类器可以削弱一部分需求。这样,提取的优势特性,采用分类器可以组合来提高分类性能。
基于上述分析,本文提出了一种SAR目标识别方法,该方法结合了线性和非线性特征提取和分类。首先,使用PCA和KPCA调查原始SAR图像的线性和非线性特性实现像素分布的综合描述。PCA是一个典型的特征降维算法,具有良好的适应性和鲁棒性。缺点是PCA为非线性数据处理能力相对较低。KPCA提高经典PCA的非线性能力通过引入核函数,这是主成分分析的补充。在分类阶段,支持向量机和内核SRC (KSRC) [36)用于KPCA和PCA特征向量进行分类,分别。KSRC是SRC在内核空间的扩展,这增强了分类算法的非线性能力设计一个合适的核函数。最后,相似度向量输出由两个可靠地通过线性加权融合(37- - - - - -40),和目标类别是根据融合结果决定的。本文有效地结合了线性和非线性特性和分类器的优势提高SAR目标识别方法的鲁棒性。为了测试该方法,基于MSTAR数据集进行实验。实验结果表明了该方法的有效性。
2。特征提取
作为一种重要的数据分析算法在模式识别中,主成分分析已广泛应用于SAR图像特征提取(7,8]。基本的想法是获取一组投影基地维持最大的信息量,同时去除冗余信息。作为监督特征提取方法,PCA需要丰富的训练样本的支持。 记录作为训练样本集,在哪里 ,和训练样本的均值向量计算如下:
的协方差矩阵得到如下:
特征值分解执行如下:
在方程(3)的特征值和特征向量存储在向量和矩阵 ,分别。的特征值从大到小排列,选择几个最大的特征值所对应特征向量构造主成分分析的投影矩阵。
KPCA PCA在内核空间的扩张。通过引入一个适当的内核函数向量内积的计算过程中,非线性特征提取方法的能力可以有效地改善(8]。常用的核函数包括高斯核函数,多项式核函数和对数内核函数。
3所示。分类器
3.1。支持向量机
支持向量机是首次开发的两级分类问题。通过最小化结构风险定义,一个超平面可以优化分离两种类型的模式。后来,一个输入样本 ,SVM是决定如下: 在哪里是包含支持向量机的重量系数向量,它是超平面的相关属性;是不同类型的核函数的非线性情况下;和是偏见。
多级分类任务的需求,传统的SVM使用策略扩展来处理多种类型的模式就像“一对一”、“一对多。“具体地说,一些成熟的工具箱,例如,LIBSVM [41),开发灵活使用SVM进行不同类型的问题,包括模式识别和回归。在SAR目标识别领域,支持向量机被广泛使用和性能验证。然而,它还应该指出,支持向量机的非线性处理能力是有限的,和讨厌的健壮性如噪声和遮挡的情况还不够好。
3.2。KSRC
SRC开发基于压缩传感理论和应用线性表示数据处理。首先,全球词典,即 ,建立了, 包括训练样本我类。然后,对于测试样本 ,稀疏表示是描述如下: 在哪里包含系数有待解决和是重建误差的阈值。
的在方程(5)是一个非凸优化任务,这是很难得到解决。作为补救措施,规范是用来取代规范作为一个近似问题可以顺利解决。此外,其他算法,如正交匹配追踪算法(OMP)和贝叶斯压缩感知(BCS)也可以用来处理问题找到接近的解决方案。估计稀疏系数,由SRC做出决定如下: 在哪里表示相关系数我th培训班,提取 ; 是计算重建误差。
与KPCA的想法类似,KSRC介绍了稀疏表示过程中相应的核函数,从而提高分类器的非线性处理能力。具体过程可以在文献中找到(36]。通过使用KSRC,非线性处理能力在分类阶段可以改善。因此,它可以配合提取的特征来提高最终的分类性能。
3.3。目标识别
为了充分结合线性和非线性特性和分类器的优点,本文采用加权融合的想法做出最后的决定。由KSRC重建误差结果输出,本文首先将它们与以下方程: 在哪里 代表了每个类别的重建误差代表了每个类别和测试样本的相似性。某些类别的重建误差越小,测试样本之间的相似度越高,其类别。这时,KSRC的输出结果作为SVM具有相同的属性,可用于后续的加权融合。
表示相似度向量对应的SVM和KSRC和 ,分别获得的最后的相似性是线性加权融合如下:
在方程(8),和代表了重量和融合后的相似性。非常有限的条件下的先验信息,摘要集 ,假设两个有相同的重要性。
基于上述分析,SAR目标识别方法的基本过程提出了可以总结成以下步骤。步骤1。使用PCA和KPCA提取特性的所有训练样本和测试样本步骤2。使用支持向量机分类KPCA特征向量和KSRC用于主成分分析的特征向量进行分类步骤3。基于线性加权融合,支持向量机和KSRC输出的相似之处是融合步骤4。测试的目标标签样本决定根据融合结果相似
4所示。实验和分析
4.1。MSTAR数据集
MSTAR数据集是目前最权威的数据集验证SAR目标识别方法。它收集十个类型的地面车辆目标的SAR图像,为多级识别提供有效的数据资源的任务。光学和目标的SAR图像观察图1。MSTAR数据集可以提供各种各样的SAR目标识别方法的实验设置全面的测试,包括标准操作条件(SOC)和扩展操作条件(转换端)。为了定量评估方法,几种类型的比较方法是建立在实验中,如下所示。比较方法1使用支持向量机作为分类器和PCA特征提取。比较法2使用SRC作为分类器和KPCA特征提取。比较法3使用KSRC作为分类器和PCA特征提取。可以看出,对比方法1和方法3的开发方法。
4.2。结果和分析
4.2.1。准备SOC
SOC首先视为基本情况与表中所示的实验装置1。10个目标,其中BMP2的训练和测试样本,T72有一些配置差异。图2显示了该方法在十的混淆矩阵类型的目标。其中,水平和垂直坐标对应的实际目标类别和目标类别的预测方法,分别。因此,对角线上的元素是正确识别各种目标的利率。可以看出,所有十种目标可以正确分类的概率超过98%,最后平均识别率达到99.02%。比较各种方法的平均识别率十种目标表所示2。本文方法比三种类型的比较方法,证明了其有效性。与比较法2和比较法3相比,本文方法有效地提高了最终的识别性能通过线性加权方法的融合结果,验证该方法的优点结合线性和非线性特性。
4.2.2。配置差异
相同类型的目标可能包括不同的配置(如BMP2和T72表1)。此外,我们可以看到从混淆矩阵图1,配置差异也会导致相对较低识别率BMP2和T72目标。因此,它是一个具有挑战性的问题来处理配置方差在SAR目标识别。本实验使用训练集和测试集表所示3,BMP2的训练集和测试集和T72目标完全不同的配置。各种方法的平均识别率的情况下配置变化如表所示4。本文的方法取得了平均识别率为96.24%,高于其他方法。结果验证其鲁棒性最强配置方差。在这种情况下,配置不同的训练和测试样本的非线性空间中可以找到。通过结合线性和非线性特性和分类器,配置方差可以提高整体的鲁棒性。
4.2.3。俯视角方差
俯视角的变化将导致相同的SAR图像目标出现有显著差异。为了测试该方法的性能条件下改变萧条的角度,这个实验设置表中所示的训练集和测试集5。其中,训练集是2 s1, BDRM2,和ZSU23/4三种类型的SAR图像海拔17°角和测试集是海拔30°、45°角,分别。抑郁症的平均识别利率不同的方法在两个角度比较表所示6。可以看出,本文方法明显优于比较法两个抑郁症的角度,全面验证其鲁棒性抑郁角方差。在俯角方差,有些非线性变化或训练和测试样本之间的差异。该方法充分考虑了可能的非线性特征在特征提取和分类的能力处理俯角方差可以改善。
4.2.4。噪音腐败
SAR图像测量在实际环境中往往受到噪声的影响,导致低信噪比(信噪比)。在这个时候,噪声干扰下的SAR目标识别问题是更具挑战性。原MSTAR数据集的基础上,本文模拟噪声样本的生成根据的想法17,42]。的基本过程描述如下。首先,噪声能量决定基于像素的原始SAR图像的信噪比预期噪声样本。然后,噪音数据的生成是基于加性高斯白噪声的形式。最后,添加到原始图像的噪声数据,因此预设的嘈杂的图像对应的信噪比。对于构造噪声测试样本集,本文对各种方法进行测试,得到结果如图3。可以看出,噪声水平有很大的影响在各种方法的识别性能。相比较,该方法的识别率的下降趋势曲线是最慢的,显示出其较强的噪声鲁棒性。
5。结论
本文设计一种SAR目标识别方法结合线性和非线性特性和分类器。使用PCA和KPCA提取原始SAR图像的线性和非线性特性。支持向量机和KSRC用于分类的特征提取KPCA和PCA,分别。最后,使用线性加权策略有效融合的结果支持向量机和KSRC提高决策的可靠性。基于MSTAR数据集,SOC的四种典型的条件下进行实验,配置方差,俯角方差,和噪音腐败。结果表明该方法的有效性。
数据可用性
可用的数据集用于支持本研究。
的利益冲突
作者宣称没有利益冲突。
确认
这项工作是由天津重大科学技术研究计划资助下16 zxhlsf00160,工业大学合作的合作教育项目教育部高等教育主管部门拨款202101012003,和天津教委科研项目的心理健康教育在格兰特2020 zxxl-gx45特殊任务。