文摘

合成孔径雷达(SAR)目标识别方法提出了基于图像阻塞和匹配。测试SAR图像首先分为四块,分别分析和匹配。对于每个块,单基因信号是用来描述它的时频分布和局部细节特征向量。稀疏表示分类(SRC)用于分类四个单基因特征向量和生产重建误差向量。之后,一个随机权重矩阵的一组丰富的权重向量用于线性融合特征向量和统计方法的结果进行了分析。最后,决定设计值是基于统计分析来确定目标标签。该方法测试移动和静止目标获取与识别(MSTAR)数据集,结果证实了该方法的有效性。

1。介绍

高分辨率合成孔径雷达(SAR)图像高效、准确的情报解释提供依据(1]。运动和静止目标获取与识别(MSTAR)数据集提供了一个基准的研究和评估SAR目标识别算法(2,3]。分辨率的SAR图像数据集可以达到0.3米,可以有效地用于车辆的分类目标,如坦克、装甲车和大炮。有近30年的发展,MSTAR数据集上的SAR目标识别方法在性能取得了很大的进步。然而,这些研究还显示当前方法的缺陷扩展操作条件(而是EOCs)。而是EOCs在SAR目标识别目标配置,可能是由于变化背景,传感器等。4]。结果,测试样本识别与建立训练样本可能有显著差异。因此,标准的操作条件下的识别问题(SOC)不具有挑战性和更多的焦点应该是对而是EOCs[下解决麻烦的情况下5,6]。

SAR目标识别方法通常结合特征提取和分类器设计。这两个步骤密切耦合提高识别性能。在特征提取方面,一组丰富的功能被应用到SAR目标识别,通常可概括为几何,转换和电磁的。几何特性描述目标的形状包括地区、轮廓和阴影。在[7- - - - - -10),泽尼克和切比雪夫时刻被用作基本特征来描述目标区域。在[11- - - - - -13),SAR图像中的目标区域直接与形态学操作的支持。在[14- - - - - -16),采用目标轮廓或轮廓进行目标识别。转换特性通常是基于像素分布中提取SAR图像。等典型的算法包括投影的主成分分析(PCA) (17)和非负矩阵分解(NMF) [18)和单基因等分解的信号(19,20.)和经验模态分解(EMD) [21]。电磁特性描述目标的后向散射特性等属性散射中心(ASC)和极化(22- - - - - -25]。在分类阶段,决定了从测试样本中提取的特性。为转换特性与统一的形式和尺寸,再等传统分类器(资讯)17),支持向量机(26,27(支持向量机),稀疏表示分类(SRC) [27- - - - - -29日)可以直接用于分类。不定期的安排和不一致的特性,比如目标轮廓点和散射中心,有必要使用一些特别设计的分类策略,如散射中心集的相似性度量方法设计(22- - - - - -25]。近年来,深度学习模型也广泛应用于SAR目标识别像卷积神经网络(CNN) (30.- - - - - -32]。深度学习模型直接训练和学习基于原始图像,避免了传统人工特征提取过程。研究结果验证了深度学习的有效性模型SAR目标识别的前提下充分的训练样本。而是EOCs,相关的训练样本非常有限,导致贫困深度学习的适应性SAR目标识别的方法。

本文提出一种基于图像的SAR目标识别方法阻塞和匹配。原始图像分为几个街区和目标标签是由比较和分析每一块。而是EOCs下,目标SAR图像中可能有本地更改造成的噪音,遮挡,等等。但在本质上,损坏的测试样本仍然可以分享高相似性与相应的样本实际的培训课程。从这个意义上说,通过观察和评估当地的差异和SAR图像之间的一致性,而是EOCs与高有效性是可以克服的。该方法将SAR图像划分为4个相等的区域块与目标中心参考点。对于每个块,单基因信号用于特征提取,构造一个统一的特征向量。根据单基因信号的性质,构造特征可以有效地反映目标的光谱特征和当地分布。从每个特征向量构造块,SRC用于为基本分类器和重建误差向量可以获得不同的培训课程。结果4块,一个随机的重量与大规模的权重向量矩阵是线性融合发展。正确的类,较低的块重建错误占绝大多数,因此其相应的重建误差的四块较小的均值和方差。 On the contrary, for the wrong class, the mean value of the four reconstruction errors tends to be relatively large and also the variance because of the randomness. Based on statistical analysis, a decision value is defined as the measure to determine the target label. In the experiments, the proposed method is investigated on the MSTAR dataset under different scenarios. The experimental results show its significant superiority over the compared methods under both SOC and EOCs.

2。SAR图像阻塞

先前的研究表明,而是EOCs SAR图像中大部分是与目标的局部变化有关。例如,在配置变化的情况下,测试目标只有一些当地的结构差异与引用一个训练集,也可以反映在局部像素分布和SAR图像几何结构。因此,它对全面调查有意义的本地更改目标而是EOCs处理。传统方法通常是基于总体SAR图像特征提取和分类。在这种情况下,当地的变化可能引起全球变化特性变化。因此,全球特征匹配的想法可能会失去一些目标分类的精度。作为补救措施,本研究将原始SAR图像划分为几块,然后分析他们每个人单独的目标特征。最后,一个可靠的分类结果可以实现基于联合分析的结果从不同的块。

具体来说,所使用的图像阻塞算法可以实现主要在两个步骤。首先,原始图像采用集中和目标质心作为以下的参考点。之后,原始图像被划分在范围和交叉范围方向获得4子图象。图1显示了阻塞从MSTAR SAR图像数据集的结果。每个独立子图象处理。因此,当一个特定的子图象有一些当地的变化,其对其他子图象分类结果几乎没有影响。它有利于获得真正的相关性测试样本和训练课程,从而提高分类精度。

3所示。特征提取

为每个子图象的间歇阶段,传统的目标识别过程与特征提取和分类工作。单基因信号用于特征提取的子图象(19,20.]。表示 在二维空间坐标;是要处理的图像或矩阵。相对应的单基因信号计算如下: 在哪里代表的黎兹变换 ; 和是图像的图像单元沿着两个维度。进行进一步的分解与三种类型的组件,例如当地,当地的振幅,相位,当地的取向,如下: 在哪里和是造成的 - - - - - -虚构的, - - - - - -虚部的 ,分别。

一般来说,基于单基因信号的目标识别方法开发的三个组件,因为他们可以全面描述目标理财学。反映了当地的振幅,描述了强度分布。和描述目标的结构和几何性质,分别。本研究基于单基因构造特征向量组件参考(15),特殊的参数确定单基因分解和重组结果连接向量。

4所示。方法描述

4.1。SRC

对提取的单基因的特性,采用SRC的分类器(27- - - - - -29日]。稀疏表示的概念假设测试样本可以是线性重构来自同一个类的训练样本。 作为一个本地字典 维样本kth类;测试样品表示如下: 在哪里 包括线性系数。

当测试样本来自一个未知类线性表示应该执行在所有潜在的类。所以,SRC通常进行全球字典的表示如下: 在哪里 是全球词典由样本吗C培训课程; 是全球系数向量解决;是错误的宽容。

作为一个不确定性多项式(NP)难题,优化任务在方程(4)需要解决的是复杂的。有两种主要的方法来处理这个问题在以前的作品。一个是替换规范的规范制定一个凸优化目标函数光滑的解决方案。另一个是使用贪心算法,如正交匹配追踪(OMP),获得一个接近的结果。

4.2。与随机决策融合权重矩阵

从不同的子图象分类结果,他们应该结合和融合做出最后决定。虽然有不同的信息融合算法在之前的作品中,线性重融合是一个简单但适合本研究的一个。此外,处理可能不稳定的一个固定的权向量,随机权重矩阵设计有多个选择的权重向量,在每一行的元素受到以下限制:

不同的权重向量的权重矩阵,不成比例的重要性是对不同的子图象。一组丰富的权重向量,复杂的情况在不同的子图象可以全面分析。融合过程执行随机权重矩阵如下:

在这里,代表一个行向量相关的培训类,包含元素对应于重建误差子图象。对应于融合误差向量在不同随机权重向量的选择。然后,对于不同的培训课程,有融合向量表示为 , ,…, 。

当测试样本的实际上是类,融合中的错误往往是小的。否则,这些错误可能是在高水平。此外,错误在不同权重向量可能不同集约和无序。这些统计现象可以用来评估真正的测试样本和训练类之间的关系。起初,均值和方差计算为 和 。然后,相似度度量开发如下正确评估测试样本和之间的关系培训课程:

因此,较低的和 ,一个更高的可以实现,这表明更高的相似性。在获得测试样本之间的相似之处和不同的类,可以确定目标标签如下:

图2显示了该方法的基本实现过程。图像阻塞算法用于处理所有的训练样本,和一个特征向量提取每个子图象基于单基因的信号。后来,构造不同的子图象的字典。对于测试样本,同样的阻塞算法用于处理和特征提取。然后,得到了相应的四个单基因特征向量。SRC用于分类的特征向量4块,和重建误差向量。最后,4使用随机误差向量融合权重矩阵和目标确定标签的测试样本。

5。实验和分析

5.1。MSTAR数据集的基本知识

实验的设计和实施是基于MSTAR数据集,一个受欢迎的和权威的数据来源的评估SAR目标识别算法。十个典型目标如图所示3测量与成千上万的0.3 m-resolution SAR图像,这是适合用于目标识别。的支持丰富的SAR图像,可以用于各种条件或情况下实验验证。

客观地评估提出的性能,我们还画几个以前的方法在这一领域比较。第一个使用泽尼克时刻的目标特性,由SVM分类决策(7]。第二个采用了单基因信号,产生三种类型的特征是由联合稀疏表示分类(20.]。第三个工作对asc的特性和开发了一种匹配算法(23]。第四个开发出一种新颖的CNN架构,即所有完全卷积神经网络(给事先)SAR目标识别(31日),选择基于深度学习算法的一种表现。以下测试下转达了SOC和而是EOCs提供该方法的综合评价。

5.2。条件1:SOC

作为前文本解释,SOC是一个简单但代表在SAR目标识别。表1建立了基于MSTAR数据集设置为SOC。训练和测试样本2°俯角方差被认为是高度相似。图4显示了该方法的识别结果混淆矩阵。如图所示,x和y标签对应的10个目标识别率和对角元素标记不同的类。我们定义的平均识别率10类 ,在这表示正确分类样本的数量和是所有测试样品的总数。相应的,该方法的计算为99.48%。表2总结了年代所有的方法。与泽尼克方法相比,整体形象的阻塞和决策融合显著提高最终结果。与单基因方法相比,联合使用的块进一步提高了识别性能。中排名第二的给事先方法这些方法,验证高深度学习的有效性模型,当测试样本与训练的分享高相似性。

5.3。条件2:配置变量

地面目标,通常是看到他们的变异为不同的场景。MSTAR数据集的10个目标也有配置变异和选择一些如表所示3建立实验设置。BMP2和T72目标,测试样本包括配置比训练集。BTR70的使用,在这种情况下,主要是造成混淆,从而提高识别的难度问题。表4列出了年代不同方法的比较。最高的性能,该方法保持最好的配置下鲁棒性变异。ASC匹配方法五个方法中排名第二。局部描述符,造成结构性的修改配置变体可以感觉到由ASC参数。与泽尼克和单基因方法相比,阻塞和融合策略方法导致更高的识别性能。

5.4。条件三:俯角方差

当测试样本和训练样本来自两个抑郁症角度大差异,相似度也大幅减少,提高识别的困难问题。表5建立了实验装置的配置变量。这三个目标的训练样本来自17°俯角,但相应的测试样本来自30°、45°,分别。图5显示了所有方法的性能两个抑郁症角度的比较。首先,表现在30°俯角远远高于在45°,大萧条,这表明角变化导致密集对识别结果的影响。第二,在抑郁的角度,该方法达到了最高年代因为阻塞补丁可以更好地处理图像变化引起的俯视角的变化。在参考方法,ASC匹配方法获得最佳性能的鲁棒性特征。

5.5。状况4:噪音腐败

当测试样本测量与低信噪比(信噪比),它是假定有许多不同的高信噪比。原MSTAR图像主要是获得高信噪比。测试方法在噪声腐败,我们第一次模拟噪声测试集基于最初的测试样品。原始SAR图像的能量被用作参考和加性高斯噪声生成根据所需的信噪比(24]。最后,这些声音被添加到SAR图像获取的图像。基于噪声测试集在不同的信噪比,获得的所有方法的性能,如图6。值得注意的是,声音的产生重大影响的所有方法的识别性能。相比之下,该方法达到了最高年代在不同的噪声水平,验证其优越的噪声鲁棒性。阻塞算法将整幅图像分成几个补丁。一个烤的声音将不会影响其他的。因此,噪声干扰在一定程度上可以缓解。此外,单基因功能有一些噪声鲁棒性。因此,该方法的总体噪声鲁棒性可以进一步提高。

5.6。情况5:部分阻塞

可能的阻塞情况下也被认为是在实验中。例如,当有一个建筑或目标之间的障碍和SAR传感器沿雷达视图方向,目标的某些部分可能阻挡,不会反映在实测SAR图像。根据前面的工作,采用定向闭塞模型在这个实验中(24]。一定比例的目标区域从原始图像中删除生成阻挡样本。基于模拟测试集在不同闭塞的水平,获得的所有方法的性能,如图7。类似于噪声腐败的情况下,定向遮挡减少识别性能。最高的年代在不同的闭塞的水平,验证了该方法的鲁棒性好。阻止了补丁,遮挡在其中一个不会影响其余的。在这个意义上,可以更好的处理遮挡,确保融合决策更准确。

6。结论

本文提出了一种基于块匹配的SAR图像目标识别方法。原始SAR图像处理在4块,并且每个子块反映地方特色的不同的方向。单声道信号用于描述每个子块的光谱特征和地方特色,构建特征向量。4子块的单型的特征向量进行分类,SRC获得重建误差向量。基于随机权重矩阵,4子块的重建误差向量加权和融合。通过融合结果的统计分析在多组权重向量,决策变量是用来获取样本类别。实验设置4 MSTAR数据集的测试条件,包括标准操作条件和操作条件。实验结果表明,该方法与现有方法相比有显著的性能优势。

数据可用性

数据集可以在请求访问相应的作者。

的利益冲突

作者宣称没有利益冲突。