文摘

提出了一种合成孔径雷达(SAR)图像目标识别方法使用多个视图和内部相关分析。由于SAR图像的方位敏感性,内在相关性多视图图像参与识别不够稳定。为此,该方法首先集群多视图SAR图像基于图像相关和非线性相关信息熵(NCIE)为了获得多个视图集,并有很强的内部相关性。为每个视图集,多任务稀疏表示用于重建的SAR图像获得高精度重建。最后,线性加权法是用来从不同的视图集融合重建误差和目标类别根据融合的错误决定。在这个实验中,测试MSTAR数据集的基础上进行的,结果验证了该方法的有效性。

1。介绍

不断增强的合成孔径雷达(SAR)数据采集功能,它已成为可能获得的SAR图像相同的目标从多个视图,它提供了更多的可用信息正确目标识别(1]。早期的SAR目标识别方法主要是基于单一视图SAR图像,即确定目标类别在一个单一的SAR图像通过有效的特征提取(2- - - - - -18和分类19- - - - - -32在训练样本的支持。有相对较少的研究基于多视图的SAR图像目标识别方法,其基本思想可以分为两类33- - - - - -43]。一种认为SAR图像从不同观点是相对独立的。因此,多个视图可以通过并行的算法合并决策。在[33),研究人员利用SAR图像从多个视图基于贝叶斯theory-fused决策获得更可靠的识别结果。欢等人第一次使用支持向量机(SVM)做出独立决定为每个视图,然后提出了一个决策融合算法基于投票机制的不同观点(38]。另一组认为,各种观点之间存在着内在联系,应该调查。张等人首次提出一种基于联合稀疏表示的多视图SAR目标识别方法(39]。这种方法探讨了内部通过联合稀疏表示不同观点之间的联系,从而提高每个视图的稀疏表示的准确性。随后,许多改进算法继续出现在这个框架下,如(40- - - - - -42]。理论上,从不同的看法相同的SAR图像目标必须是相关的。然而,由于强烈的方位敏感性的SAR图像,这种相关性的强度还不够稳定。换句话说,当两种观点之间的差异很小,它们之间存在着强烈的关联。相反,当两种观点之间的差异很大,它们之间的相关性是微弱,不足以反映的内在相关性。因此,两个独立的检查和联合表示太武断,不能充分反映多视图SAR图像中包含的信息。

基于上述分析,本文全面探讨了内在相关性的多视图SAR图像目标识别。首先,两个SAR图像从不同视图之间的相关性定义基于图像相关性。在此基础上,多视图SAR图像之间的相关系数矩阵可以反映构造不同的观点之间的内在关联。然后,非线性关联信息熵(NCIE)用于计算原始多视图的一个子集的相关性SAR图像(44,45]。熵表示的相关性选择的视角。因此,一些多视图的子集,并有很强的相关性可以根据熵。最后,多任务处理算法,联合稀疏表示[39- - - - - -41)是用于SAR图像的每组调查的内部相关性不同的观点。应该指出,有可能只是一个视图在某些集合,和联合稀疏表示将沦为传统稀疏表示分类(SRC)。决定价值(重建错误)输出的每个视图集,融合错误的形式得到了线性加权。和目标确定标签的多视图SAR图像重建误差最小的准则。在实验中,MSTAR数据集用于全面评价该方法。结果表明本文方法的有效性。

2。聚类的多视图SAR图像

由于SAR成像机制,目标图像之间的相对视角本身密切相关和雷达传感器。这导致SAR图像,并有很强的方位敏感性。在实际多视图SAR目标识别中,决策所涉及的观点来自不同方位角度;整体差异和间隔是未知的。这个时候,如果一些视图的方位角度的角度有很大的不同,他们的内在相关性较弱。直接的联合稀疏表示他们可能引入错误的约束。相反,如果方位角度的视角相对较近,它们之间有很强的相关性。如果他们是任意独立分析,有效的信息将丢失。因此,有必要preanalyze它们的内部关系,然后采用一些适当的分类算法。

2.1。对SAR图像相似性度量

考虑到独立和多视图SAR图像之间的相关性,本研究使用的概念聚类预处理。具体来说,图像中定义的相关方程(1)作为基本的相似性措施用于不同的观点: 在哪里 和 代表两个SAR图像, 和 分别是他们的像素的平均值,然后呢 和 表示模板的滑动距离图像沿方位角和距离方向。SAR图像的相关性是一个多视图集群在这项研究的先决条件。事实上,有很多措施来评估相关的图片。本研究选择一个更经典的图像相关系数,见方程(1)。相关系数检验两者之间的灰度分布差异SAR图像进行像素级的比较。同时,可能目标登记错误补偿翻译操作的两个维度(距离和方位)。因此,定义的图像相关方程(1)更适用于SAR图像的评价相关研究中。

2.2。聚类的多视图基于NCIE SAR图像

为了有效地屏幕多视图SAR图像可靠,本文选择了NCIE为基本评价标准对不同的视图集的内部相关性(43,44]。首先,根据定义的相似度测量方程(1),多个视图之间的相关矩阵构造如下: 在哪里 是单位矩阵和 代表了SAR图像之间的互相关矩阵 不同的观点。根据特征值的 ,的NCIE 计算如下:

根据方程(3),当所有视图有完全不同的分布,相关系数矩阵是一个单位,所有特征值是1。这时,NCIE是最小值0。当视角之间的相似性大于0,相关系数矩阵的特征值不再是平等的。当不同的视角有完全相同的分布,NCIE最大值1。因此,根据NCIE的值,不同组合之间的内在相关性的观点。

在这项研究中,NCIE用于选择最佳视图集。候选人的SAR图像有不同的观点,他们是根据预先确定的规则获取相结合P不同角度的子集。然后,方程(3)用于计算每个视图的NCIE集。最后,根据熵值排序,第一个问选择视图集的后续多视图识别算法。

3所示。提出了识别算法

3.1。多任务稀疏表示

受压缩传感理论的启发,稀疏表示理论发展和广泛应用于模式识别领域39- - - - - -41]。SRC的基本思想是使用多级训练样本线性表示与未知的目标测试样品标签,同时有很强的稀疏表示系数的限制。假设测试样品 ,训练样本是 ,下标1∼哪里米对应于不同的培训课程 训练样本的数量吗kth类;稀疏表示可以由以下方程描述: 在哪里 稀疏表示系数,也就是说,只有少量的非零元素。

最初的SRC主要用于单个信号或图像。事实上,当有多个相互关联的任务稀疏表示与此同时,它们之间的相关性可以用来提高表达的准确性。因此,提出了联合稀疏表示和应用。让K相关的任务是 ;他们的联合稀疏表示问题如下: 在哪里 , ,和 代表测试样本,训练样本字典,表示系数稀疏表示下任务,分别。为了共同解决多个任务的稀疏表示系数向量,所示的优化目标函数方程(6)可以使用: 在哪里 是一个包含稀疏系数矩阵。

方程(6)忽略了不同任务之间的相关性在优化的解决方案。为了进一步提高联合稀疏表示的准确性,稀疏表示系数矩阵可以适当限制利用协会的每个任务,如下所示: 在哪里 表示 规范。通过添加这正则项,可以限制的稀疏表示不同的任务,也有类似的稀疏分布特征(即非零系数的分布规律),以探讨它们之间的内在关系。为了解决这个问题,算法(39- - - - - -41)可以用来解决稀疏表示系数矩阵。最后,每个培训班的重建误差对多任务测试样本可以计算如下: 在哪里 和 代表了词典和稀疏表示系数对应于类下kth任务,分别。

3.2。识别过程

在这项研究中,一个新的分类策略是设计用于多视图SAR图像的目标识别问题。通过多视图集群、独立和相关的多视图SAR图像有效地调查。然后,联合稀疏表示用于独立与内在相关性分析每组意见获得重建错误。每个视图集的输出重建误差表示 。然后,使用线性加权融合他们如下: 在哪里 是权重系数。在这项研究中,确定了重量根据SAR图像的数量设置为每个视图 ,在哪里 图像的数量吗我视图设置。最后,确定目标标签根据每个培训类的加权重建误差。

图1显示了该方法的基本过程,包括多视图集群、多视图联合稀疏表示和线性加权融合每个视图的结果集。最后可以提高识别性能通过检查独立和相关的多视图SAR图像。在具体实现中,为了减少维数的SAR图像,一个随机投影算法将其转换为一个520维的特征向量根据(39]。值得注意的是,当一些聚类结果只包含一个SAR图像,传统的SRC联合稀疏表示退化,这并不影响该方法的实现。


图1
过程基于聚类的目标识别和多视图SAR图像的联合表示。

4所示。实验

4.1。MSTAR数据集

本研究使用十种MSTAR的SAR图像目标(光学图像如图2该方法)来测试。所有的SAR图像具有相同的分辨率为0.3米×0.3米。一个典型的实验设置表中列出1。其中,训练样本收集从一个17°俯角,和测试样本采集自15°俯角。此外,通过一些模拟算法,如噪音加法和遮挡,可以生成更多的实验条件,进一步评估该方法。

(一)
(一)
(b)
(b)
(c)
(c)
(d)
(d)
(e)
(e)
(f)
(f)
(g)
(g)
(h)
(h)
(我)
(我)
(j)
(j)
图2
的10个目标图像的实验。(一)BMP2 (b) BTR70 (c) T72 (d) BTR60 (e) 2 s1, (f) BRDM2 (g) D7 (h) T62 (i) ZIL131 ZSU23/4 (j)。
表1
一个典型的基于MSTAR数据集的实验装置。

相比之下,本文建立了几种类型的参考方法,包括传统的单一视图的和最近出版的多视图SAR目标识别的。基于SRC的单一视图SAR目标识别方法(23)和基于卷积神经网络(CNN)的方法(28)选择作为参考。在SRC方法中,随机投影是用来减少原始SAR图像520维特征向量,这是与本文方法一致。CNN的方法是直接基于SAR图像的原始灰度值进行训练和分类。多视图的方法(38,39)选择比较,记录为“平行多视图”和“联合多视图”方法,分别。并行多视图方法认为,每个角度都是相互独立的,每个角度,使决策,最后合并。联合多视图方法被认为是多视图SAR图像本质上是相关的,所以它们是统一的,共同表达,和目标确定标签根据最终的重建误差的总和。

4.2。结果和分析
4.2.1。准备初步验证

首先,该方法测试条件下固定数量的观点。当视图设置为3的数量和不同视角的方位角区间是2°,该方法的识别结果对10种目标条件下表1可以表示为混淆矩阵如图3。可以看出,正确识别各种目标的利率(对应图中的对角元素)在98.5%以上,平均识别率为99.42%。表2显示的平均识别率在当前条件下各种参考方法。一般,因为目标多视图SAR图像提供的信息更加全面、多视图方法的三种类型的识别利率保持一个相对较高的水平,比单一视图的。CNN可以获得强大的分类能力,当训练样本是足够的,所以它也实现了较高的识别性能。比较结果表明,本文的方法是最有效的十种目标识别问题。


图3
十级识别通过该方法的结果。
表2
平均识别利率通过不同的方法来实现。
4.2.2。性能在不同数量的观点

视图是一个重要的参数的数量多视图SAR目标识别方法。由于这个原因,这个实验测试该方法的识别性能在不同角度的看法。当不同视角的方位角区间设置为2°,平均识别率的三种类型的多视图方法随观察角度,如图4。本文方法的识别性能增加随着视角的数量的增加。对于并行多视图方法,识别率也增加,但整体水平仍然相对较低。联合多视图方法,当观点的数量小于4,识别率不断增加。然而,可视角度大的数量时,识别率略有减少。这主要是因为,在这个时候,视角的一部分有相对较弱的内部相关性由于大型方位角不同,从而导致减少联合稀疏表示的准确性。


图4
多视图方法的识别性能在不同的视图数据。
4.2.3。噪音腐败

该方法的识别性能在噪声干扰条件下研究了通过添加不同程度的高斯白噪声的测试样品表1。特定的噪声添加过程中可以找到(17]。图5显示了各种方法在噪声干扰条件下的识别性能。其中,多视图方法的视角的数量设置为3,和方位角区间是2°。方法本文保持最高的平均识别率在每个信噪比(信噪比),验证其噪声鲁棒性腐败。与单一视图方法相比,三种类型的多视图方法的性能更好,主要是由于这一事实多视图SAR图像可以提供更有效的信息分类。方法本文进一步提高识别方法对噪声干扰的鲁棒性仔细检查独立和相关的多视图SAR图像。


图5
不同的方法在不同信噪比的识别性能。

5。结论

提出了一种多视图SAR目标识别方法。多个视图参与决策,他们的内在相关性首先分析基于图像相关性和NCIE。几个视图集的内部相关性。联合稀疏表示是用于调查的内部协会SAR图像在每个视图组。最后,一个更加健壮的决策变量是通过线性加权融合,以更准确地确定目标标签。基于MSTAR数据集的实验结果表明,本文的方法可以实现良好的识别性能在各种实验条件下,验证其有效性。

数据可用性

数据集用来支持这个研究的发现了从相应的作者。

的利益冲突

作者宣称没有利益冲突。

确认

这项工作是支持的特殊研发和推广项目的河南省,在格兰特212102210492。