文摘

小说特征生成算法对合成孔径雷达图像自动目标识别的设计研究中。作为一种自适应二维信号处理技术,采用二维经验模态分解生成多尺度二维的固有模式函数从最初的合成孔径雷达图像,可以更好的获取广泛的光谱信息和目标的细节。原始图像的组合和分解二维的固有模式函数可以充满希望地提供更多的歧视信息正确的目标识别。减少高维度的原始图像和二维的固有模式函数,多重集典型相关性分析采用熔断器作为一个统一的特征向量。合成特征向量高度降低了高维度而包含原始图像之间的内在相关性和分解二维的固有模式函数,这将有助于提高分类精度和效率。在分类阶段,支持向量机作为基本分类器来确定目标测试样本的标签。在实验中,十级目标移动和静止目标获取和识别数据集进行分类探讨该方法的性能。一些操作条件和参考方法设置综合评价。

1。介绍

随着SAR技术的快速进步,大规模的雷达测量很难解读为纯粹的人工干预。在这种背景下,ATR系统开发,包括一个集成的画廊的算法处理不同的任务(1- - - - - -3]。SAIP系统(2),著名的三级SAR ATR处理器设计,即。、检测、歧视和分类。探测器定位ROI通过large-scene图像搜索,这可能覆盖几平方公里的地面。后来,鉴别器操作的初步分类区分人造物体和自然杂波。这些roi,认为是自然杂波被丢弃。分类过程执行最终获得目标标签。SAR ATR系统的核心指标,识别性能直接关系到使用的分类方案。在过去的几十年中,丰富的集合特征提取算法和分类器被用于SAR ATR由于现代模式识别技术的进展。功能是首先提取原始SAR图像分类之前,用于描述目标的特征。SAR ATR的手工制作的特性是通过继承获得光学图像处理技术以及考虑到SAR图像的独特性质,如几何、转换和散射特性。经典的几何特性,采用光学图像处理很长一段时间(4- - - - - -9]。同时,他们是用来描述SAR目标的几何性质,如大小和形状。在[4),目标轮廓的描述符,即。EFS,提取对分类。Amoon和克莱门特时刻的特性,即生成。泽尼克(5]和Krawtchouk [6时刻,分别从二进制目标区域分割SAR图像,之后对目标识别分类。丁等人直接匹配两个二进制目标区域测试样本和对应的模板的SAR目标识别(7]。转换功能是通过构造数学投影或信号处理描述原始图像的亮度分布或光谱属性(10- - - - - -17]。流形学习算法应用于SAR图像特征提取,包括线性和非线性的。线性方法是LDA的典型例子10),主成分分析(10,11],NMF [12]。处理可能的非线性嵌入数据,一些非线性流形算法也为特征提取(开发13,14]。一些信号处理技术扩展到图像处理,如小波分析(15)和单基因信号(16,17]。在[16,17),研究人员介绍了单基因信号分析的特征提取SAR图像,这是证明了SAR ATR高效。与光学成像机制不同,SAR图像反映了目标的电磁散射(18]。从这个意义上说,散射特性,例如,由于散射中心,也足够描述来区分不同类型的目标,提供本地相关目标结构的描述。由于散射中心的有效性实验研究在一些以前的作品19- - - - - -21]。分类器也大大丰富了在过去几十年。SAIP系统采用模板匹配基准分类器。在[22),赵和普林西比支持向量机引入SAR ATR,成为一个在这个领域最受欢迎的分类器(4,5,23,24]。压缩传感理论的发展产生了一个健壮的分类器名为SRC (25- - - - - -28),这是使用Thiagarajan等人处理SAR ATR的问题。等分类演算法(29日),有识别力的图形模式30.),修改极坐标映射标识符(31日,,嗯9]也调查领域的SAR ATR。随着深度学习方法越来越成熟,深分类器的图像解释,例如,CNN (32- - - - - -37),是SAR ATR验证高效。然而,CNN的性能高度可靠的训练样本的数量。作为补救措施,一些CNN-based方法寻求性能增强通过适当的数据对应(34,35]。

在本文中,我们提出一个新的发电方式区别的特性通过BEMD SAR ATR (38]和MCCA [39]。EMD自适应分解1 d的非平稳信号,提出黄等。40]。没有之前的假设数据属性,例如,线性或平稳性,EMD可以在不同条件下保持其有效性和鲁棒性。自然延伸,BEMD能够分析二维信号,如图片,了解更多细节。通过筛选过程,生成的BIMFs可以提供原始图像的互补信息,从而有利于图像判读图像去噪和图像融合等(41- - - - - -46]。由于这些优点,我们引入BEMD SAR特征提取。通过这种方式,更广泛的光谱性质的原始SAR图像可以被BIMFs下列分类任务。BIMFs也同样大小的原始图像。结果,他们显著提高分类的计算负担。作为一个可行的解决方案,一些特征提取算法可以用来减少他们的独立维度,如采样下来策略中使用的多尺度单基因组件(16]。然而,这样的策略忽略了内心的原始图像和BIMFs之间的相关性,也有利于区分不同的类。作为补救措施,本研究采用MCCA保险丝原始SAR图像和分解BIMFs作为一个统一的特征向量。CCA提供了一种统计的方法来分析两个随机变量之间的关系,并找到最佳投影矩阵来保持他们的相关性47]。MCCA CCA扩展到多维随机变量(48- - - - - -52]。导致特征向量可以显著降低高维度的原始图像和BIMFs,同时保持其内在的相关性;因此,以下分类的效率和有效性可以充满希望地增强。执行分类任务,采用支持向量机作为分类器。支持向量机是一种最受欢迎的分类器应用于SAR ATR。在前面的文献,采用支持向量机分类的各种特性,如目标轮廓描述符,地区的时刻,和PCA特征向量,具有良好的性能。因此,我们通过MCCA使用SVM分类融合特征向量来确定目标测试样本的标签。本研究的主要贡献是提出了一种新的特征提取方法通过BEMD和MCCA的结合。导致功能可以保持原始图像的歧视及其BIMFs显著低维度。因此,高度区别的特性可以有效地提高分类的性能。

本文的其余部分组织如下。部分2介绍了该方法的主要方法包括BEMD MCCA和支持向量机。节3MSTAR数据集上进行了实验调查,评价该方法的性能。部分4讨论了实验结果,以及部分5得出一些结论,总结本文。总结了整个论文中使用缩略词表1。

2。该方法的方法

2.1。BEMD

不同于固定的信号,因此随着时间变化的非平稳的多难以可靠地分析。黄等人提出的。41),EMD分解1 d信号提供了一个自适应方法。与传统的信号分解算法,如傅里叶变换和小波分析,EMD不设计预定的基函数,但自适应地进行分解的属性数据显示。

imf的EMD分解,可用于更好地分析原始图像的时频特性。由于其自适应性和稳定性,EMD已经成功地应用于处理不同类型的信号包括生物、医学和天文学。给定一个原始信号 ,EMD的分解过程(通常称为“筛选”)制定如下: 在哪里 代表国际货币和表示残渣。

如图像处理二维信号,Nunes等人广义BEMD原始EMD。同样,通过BEMD图像分解到几个BIMFs提供更详细的描述。根据Nunes et al。38),对于一个给定的图像 与的大小 ,BEMD的筛选过程概括为以下步骤:一步1。识别局部极值的位置(包括最大值和最小值) 。一步2。生成信封根据最大值和最小值通过二维插值点集,分别。后来,当地的意思计算的平均上(从最大值点)和低(从最小值点)信封。一步3所示。减去原始图像的地方平均proto-BIMF作为 。如果判断是BIMF,去吗一步4所示。相反,它被用作输入重复步骤1和2,直到最新proto-BIMF成为BIMF。EMD筛选迭代是基于柯西标准偏差标准由黄等。设计BEMD的情况下,更新标准如下: 在哪里 是输出的吗kth迭代和 的结果是什么迭代。基于计算SD值,筛选过程判断继续或停止。当SD大于一个预定义的阈值 ,筛选过程不断重复步骤1到3 作为输入。相反, 判定为是BIMF吗 ,这是输出。根据分析(35),我们 本文作为一个合适的阈值的选择。一步4所示。把proto-BIMF作为输入和重复步骤1到3获得下一个BIMF直到过程可以进一步循环。

在筛选过程中,原始图像可以表示成BIMFs的组合如下:

在方程(3), 表示BIMF和 代表最终的残余。在所有BIMFs,描述的最高频率和 代表了最低之间有些组件。因此,多尺度BIMFs可以提供更全面的原始图像的光谱特性的描述。此外,一些细节可以更好地体现在BIMFs,不能反映在原始图像。因此,BIMFs的正确使用,更多的信息可以利用原始图像的解释任务,比如图像去噪,图像融合,图像分类。

BEMD激发我们的优势应用到SAR图像目标识别的特征提取。图1直观地显示的有效性BEMD从MSTAR SAR目标图像芯片数据集,前三个BIMFs显示。它可以观察到,一些细节(例如,主导散射中心)在原始图像可以更好地反映在前两个BIMFs。在第三BIMF,目标变得模糊的相关描述。因此,它为目标识别提供了非常有限的歧视。因此,只有前两个BIMFs用于目标识别在下面。

2.2。MCCA

CCA提供了一种统计的方法来确定两组随机变量之间的关系。CCA的泛化,MCCA能够分析多组变量之间的关系(48- - - - - -52]。假设有随机向量 和他们每个人集中 ,在这对应的维数 。MCCA旨在找到线性组合 的 给出的 与色散矩阵如下: 在哪里代表之间的协方差矩阵 和 和表示向量的协方差矩阵 ,和向量 。MCCA搜索投影向量 ,典型变量之间的相关性最大化 。一项措施,评估他们的相关性可以制定的协方差矩阵。然后,测量的可以与一些约束优化的规定标准。一位著名的标准称为“SUMCOR”是在以下方程:

在方程(解决这个问题6),可以使用拉格朗日乘子法。它可以作为方程(新配方7求解广义特征值问题):

最优投影向量随着共轭特征向量计算 对应于第一个 特征值 在方程(7)。后来,多重集典型相关向量可以得到以下方程: 在哪里 代表了投影矩阵的每一组随机变量。

正如上面所讨论的,MCCA能够利用在既定和between-set在多个向量之间的相关性。因此,它可用于融合多个随机变量来减少冗余,同时保持相关性。在这部作品中,串行融合策略(彭et al。48)采用如下方程: 在哪里表示融合特征向量。

2.3。目标识别通过支持向量机

选择支持向量机作为分类器进行分类生成的功能,为目标识别。自第一个提议由Vapnik等人1995年,支持向量机已广泛应用于模式识别问题。2001年,由赵引入SAR ATR和普林西比22]。之后,SVM在SAR ATR成为最流行的一种分类器。根据结构风险最小化原则,初步支持向量机发现一个超平面分离模式从两个不同的类。测试样本的决策函数在支持向量机可以制定如下:

在方程(10), 代表一个训练样本的支持向量 其相应的标签。 和(偏见)的参数估计在训练。代表了核函数。选择不同的核函数,训练支持向量机可以处理不同种类的分类包括线性和非线性的问题。多项式的内核和RBF核函数是两个典型的核函数的支持向量机。

研究人员通过one-versus-one广义两种SVM多类一个或one-versus-rest策略。通过这种方式,可以直接用于支持向量机分类同时许多类型的目标。著名的LIBSVM [53)是一个很好的工具箱使用支持向量机对不同的用法,也用于这项工作。采用RBF内核的多类支持向量机进行分类任务的基础上生成的功能。

这部小说生成的特征向量BEMD和MCCA通过支持向量机进行分类,如图2。考虑到原始图像和BIMFs都是二维矩阵,他们被重塑为一维向量。后来,MCCA采用融合统一的特征向量。在细节,以下步骤实现执行目标识别的任务。步骤1:BEMD用于从训练样本中提取多尺度BIMFs步骤2:前两个BIMFs和原始图像作为随机变量来计算使用MCCA投影矩阵步骤3:每个训练样本和其相应的BIMFs融合基于投影矩阵从步骤2到建立一个新的训练集第四步:测试样本获得的融合特征向量以同样的方式使用BEMD和MCCA训练样本第五步:测试样本的特征向量是由支持向量机分类来确定目标标签

3所示。实验

3.1。数据集和方法比较

MSTAR数据集是用于实验评价在这项研究中,它被广泛用于开发和测试SAR ATR算法。有10个代表地面目标中包含的数据集,其光学外表显示如图3。x波段SAR图像的目标是获得传感器的分辨率0.3×0.3。每个目标的角度方面覆盖全0°∼360°抑郁症在不同的角度,如15°,17°,30°、45°。此外,一些目标(例如,BMP2和T72)有几种不同的配置有一些结构性的修改。

作为一个必要的部分验证了该方法的性能,一些基线算法,广泛应用于SAR ATR,进行了比较。他们的实现细节项目如下。(我)支持向量机+ PCA (11]:80 -维投影特性,利用主成分分析法(PCA)提取用于表示原始SAR图像。支持向量机作为分类器在分类阶段。(2)支持向量机+泽尼克(5]:二进制目标地区的泽尼克时刻作为基本特征。支持向量机作为分类器在分类阶段。(3)支持向量机+ EFS [4):目标轮廓的描述符,即。EFS,用作基本特征。支持向量机作为分类器在分类阶段。(iv)SRC (25]:采用随机投影来减少1024 -维SAR图像特征向量。支持向量机作为分类器在分类阶段。(v)给事先(32]:原始图像强度直接用于表示原始图像。all-convolutional网络作为分类器。(vi)ESENet [33]:ESENet用于SAR ATR。(七)JSRDeep [36]:CNN开发功能学习生成多层特征图。然后,采用联合稀疏表示分类特征向量。

具体地说,本文采用LIBSVM包由林等人执行多类支持向量机分类。SparseLab包(54是用来解决SRC的稀疏表示问题。,CNN是TensorFlow训练平台。

以下实验下进行SOC和而是EOCs全面评估该方法的有效性。最后,该方法的性能比较和基线算法在不同条件下达到更直观的评价方法。

3.2。结果在SOC

该方法首先是调查在SOC,可以视为一个初步验证。表2显示了训练和测试样本在SOC的10类。图像在17°俯角训练的分类15°俯角测试样品。具体来说,BMP2的测试图像和T72包含两个配置(即。分别,SNs)比他们的训练集。混淆矩阵是用来显示该方法的分类结果如图4,X和Y分别坐标代表预测和实际的标签。它表明每个类可以分类识别率超过97.5%。,10个目标的整体识别率平均是99.03%。因为现有的配置差异训练集和测试集,BMP2 T72得到两个认可率最低的目标。根据报告结果,该方法在SOC的高性能特征验证。生成的BIMFs BEMD区别的特性,它能保持最初的目标特征。此外,MCCA结合原始图像及其多尺度BIMFs作为一个统一的特征向量,同时保持内心的歧视。最后,作为高性能分类方案,支持向量机决策目标标签基于融合特征。所有这些因素都会影响该方法在SOC的性能优良。

3.3。识别转换端下

在SAR ATR而是EOCs是常见的情况。如表中所示2,同一个目标可能有不同的配置。此外,由于变化的背景和其他传感器,而是EOCs俯角方差和噪声等腐败也严重障碍SAR ATR系统的顺利实施。因此,在本部分中,三个典型的而是EOCs设置测试该方法的鲁棒性。第一个转换端配置和训练和测试样本方差显示在表中3。BMP2 T72,测试样本来自完全不同的SNs与训练的。此外,BDRM2和BTR70被用作训练集两个混淆目标,进而增加正确分类的困难。训练和测试样本第二曲线端展示在表4包括四个目标的SAR图像(2 s1, BDRM2、ZSU23/4 T72 (SN_A64))从不同抑郁角度。样品在17°俯角被训练为测试样本的分类抑郁症30°、45°角,分别。相对大萧条角方差减少训练和测试样本之间的相似性在SAR图像(55),如图5。第三个转换端是指出“噪音腐败。“根据思想16,32],吵闹的样本添加到原始的随机噪音测试获得的图像在表2。在细节,一定比例的原始SAR图像像素被冲动,即。,像素大的强度。图6说明了一些嘈杂的样品在不同的噪声水平。

基于上述转换端实验设置,该方法的鲁棒性测试。表5显示了该方法的分类结果EOC-1之下。BMP2的测试配置和T72都可以分类识别利率超过96%。,整体识别率为98.08%。如图1,多尺度BIMFs可以更好地反映原始SAR图像的详细信息。当地的变化引起的配置可以可能体现在BIMFs方差。因此,原始图像的组合和BIMFs有助于提高分类精度下配置方差。该方法的分类结果EOC-2呈现在桌子底下6。平均识别利率抑郁症30°、45°角通过该方法分别为98.18%和73.43%,分别。伟大的识别率下降45°俯角可能是造成低相似性的训练和测试样本,可以观察到在图5。表7列出了平均识别利率在不同的噪声水平,这显示了随机噪声的敏感性识别性能的腐败。噪音水平20%,整体识别率跃升至62.12%,大大低于最初的测试样品。作为总结,研究了该方法在SOC和三个典型的而是EOCs。与而是EOCs相比,性能在SOC要好得多,因为测试样品更类似于培训的。在每个转换端,分类精度恶化程度密切相关,可直接从EOC-2中的结果和EOC-3。

3.4。与基线算法性能比较

在本部分中,该方法评估在不同的操作条件下对基线算法。表8比较了在SOC和EOC-1所有方法的性能。该方法优于其他两种情况。与其他三个基于svm方法相比,该方法达到了2.11%,2.89%,和2.61%的增量在PCA识别率,在SOC泽尼克和EFS功能。增量变化至3.21%,2.94%和2.88% EOC-1之下。更好的性能通过该方法验证中使用的优越特性的有效性分类阶段。因此,生成的特性通过BIMFs和MCCA更有识别力的投影特性,利用主成分分析法(PCA)提取,区域特征(例如,泽尼克时刻)和目标轮廓(例如,EFS描述符)。图7同时比较了识别的所有抑郁症在不同角度的方法。与类似的趋势发生在该方法,基线算法都大幅减少当俯角开关从30°、45°。在每个俯角,该方法获得的最高精度主要是因为生成的功能可以更好地反映当地的变化引起的俯角方差。特别是在45°俯角,我们的方法的优势变得更加明显和识别率超过3.41%的最小增量与基线相比算法。不同的方法在随机噪声的性能错误如图8。尽管随噪声水平的加剧,该方法的识别率高于基线算法。生成的特点是比另一个更健壮的特性实验结果。泽尼克和EFS功能表现相对更好的基线算法中,因为这两种类型的特征提取是基于二进制目标地区,使得更健壮的比强度分布下随机噪音。CNN-based方法,相对来说更容易受到随机噪声比其余的腐败。根据深度学习分类方案,性能是高度归因于训练集的报道。在高水平的随机噪音,测试样品的操作条件不能覆盖的原始训练样本。结果,分类精度大幅减少。根据性能比较的结果,该方法的优越性在SOC和而是EOCs验证。,主要性能良好的合理性在于生成特性的高可分别通过BIMFs和MCCA的结合。

4所示。讨论

作了一些讨论在本节中进一步解释MSTAR数据集上的实验结果,该特征验证了该方法的性能优越。结果的合理性和可行性可以从以下方面进行讨论。(1)高歧视能力生成的特性通过BEMD和MCCA:提取的多尺度BIMFs BEMD可以获取更广泛的光谱信息的SAR图像。作为显示在图1,目标的更多细节可以反映在BIMFs比原始图像。因此,结合原始图像分解BIMFs,更有识别力的信息可用于以下分类。作为一个统计信息融合算法,MCCA可以把原始图像和分解BIMFs统一与低维特征向量,同时保持它们之间的内在相关性。因此,生成的特性通过BEMD和MCCA是SAR ATR的歧视。(2)支持向量机的有效性和鲁棒性目标分类:支持向量机在模式识别中是一个古典和流行的分类器应用程序。同时,它被广泛用于SAR ATR不同类型的特征具有良好的扩展能力。因此,这是一个合适的分类器生成的功能在我们的研究中。(3)实验结果在SOC: SOC指的操作条件下,测试和训练样本保持很高的相似性。因此,可以预见,在SOC识别算法能够很好地执行。该方法在SOC的识别率达到99.12%,高于基线算法。结果验证该方法的优越性。(4)实验结果在而是EOCs:转换端指的是操作条件下,测试和训练样本有显著的差异。因此,这是一个更加困难比SOC问题分类任务。三个典型的而是EOCs(配置方差、俯角方差和随机噪声腐败)是设置全面检查提出的鲁棒性。与基线算法相比,提出的而是EOCs达到更好的性能在不同类型之一。

5。结论

提出了一种特征生成SAR图像目标识别方法。的多尺度BIMFs由BEMD首先获得原始图像,提供更详细的信息的目标。提高分类精度和效率在接下来的阶段,MCCA用来将原始图像和分解BIMFs作为一个统一的特征向量。因为MCCA构造投影矩阵通过考虑不同组件之间的关系,导致特征向量实际上反映了原始图像的内在相关性和分解BIMFs。采用支持向量机作为分类器对生成的特征向量进行分类。根据MSTAR数据集上的实验调查在不同的操作条件下,可以达到一些结论如下:(1)BEMD可以提取有识别力的表征,即。BIMFs,从SAR图像。多尺度BIMFs帮助获取更广泛的光谱信息和反映原始图像的更多细节。因此,他们可以补充原始图像提供更多歧视来提高识别性能。(2)MCCA是一种有效的方法将原始SAR图像和分解BIMFs。生成的低维特征向量包含不同组件之间的内在相关性。 (3) As an overall evaluation, the proposed achieves better performance than some baseline SAR ATR methods. Especially, the robustness of the proposed method under several typical EOCs including configuration variance, depression angle variance, and random noise corruption is much more superior. In the future, in order to better handle the uncertainties caused by EOCs, feature extraction, etc., the fuzzy theory [56,57)可能是一个潜在的方法来进一步提高识别性能。

数据可用性

MSTAR数据集是对外公开的。

的利益冲突

作者宣称没有利益冲突有关的出版。

确认

这项工作是由2020年科技专员培训项目浙江经贸学院“衢州校园食品直接供应技术服务项目”(20 kjtpy01)和项目的所有中国供销合作社联合会”探索和研究新农村电子商务实用人才的孵化模式下的“新常态”(GX1556)。