文摘

目标识别方法合成孔径雷达(SAR)图像基于复杂的二维经验模态分解(C-BEMD)提出。C-BEMD用于分解原始SAR图像获得多层次复杂的二维的固有模式函数(BIMF),这反映了目标的二维时频特征。在分类阶段,使用多任务的分解表示多级BIMFs稀疏表示。最后,目标类别测试样本的确定根据重建错误相关的不同的培训课程。在实验中,标准的操作条件(SOC)和扩展操作条件(转换端)的设计是基于MSTAR数据集测试和验证该方法。结果证实了该方法的有效性和鲁棒性。

1。介绍

合成孔径雷达(SAR)图像处理在军事和民用领域具有潜在价值(1]。SAR目标识别技术确定的目标类别通过分析目标特征图像,可以使用基于模板的执行(2,3)和mode-based方式(4- - - - - -7]。特征提取是关键步骤之一在SAR目标识别中,主要实现目标特征的提取和表示。在这个阶段,常用的SAR图像特性包括几何的转换,和电磁的。在[8- - - - - -17),该地区(包括目标和阴影的)轮廓被用于描述形状分布的SAR目标识别。转换特性可以概括为两类。一种类型是由数学投影算法处理18- - - - - -22),一般都喜欢主成分分析(PCA) (18)和非负矩阵分解(NMF) [20.]。使用的其他类型图像分解通过信号处理算法,如单基因信号(23)和二维经验模态分解(BEMD) [24]。在[25),视觉显著模型用于区别的功能学习。电磁特性描述目标的后向散射特征反映在SAR成像过程,如极化(26][27)和散射中心(28- - - - - -31日]。SAR目标识别的分类器是另一个关键步骤。分类机制设计对提取的特征进行分类。大量的分类器已经使用在SAR目标识别和验证,包括支持向量机(SVM) [32,33(SRC)[]和稀疏表示分类34- - - - - -36]。近年来,随着深入学习理论和算法的成熟37- - - - - -39),大量的SAR目标识别方法是基于深度学习模型,其中最具代表性的一个是卷积神经网络(CNN) (40- - - - - -46]。

特征提取的结果,作为分类器的输入,很大程度上决定了分类精度。因此,设计并提出新的SAR图像特征提取算法是目标识别具有重要意义。提出了一种基于复杂BEMD SAR目标识别方法(C-BEMD) [47,48]。C-BEMD是传统的EMD的扩展(49,50]和BEMD [24,49复数域),可直接用于复杂图像的处理和分析。在[24),作者BEMD申请SAR图像分解和目标识别,验证了有效性。然而,SAR图像充满了复杂的值的振幅和相位信息。唯一使用的图像强度将失去的歧视相分布。从这个意义上讲,C-BEMD能更有效地反映目标的二维时频特性,从而为下面的分类提供更充分的信息。为二维的固有模式函数(BIMF)通过C-BEMD,本文采用多任务稀疏表示分类的决策阶段。多任务的稀疏表示是一个传统的单任务操作的一般扩展,考虑和利用几个任务之间的关系。由C-BEMD BIMFs分解,可以使用他们的内在相关性的多任务稀疏表示,从而提高整体重建精度。最后,测试样本的目标类别确定的总重建错误测试样本的所有BIMFs通过个人培训课程。在实验中,不同的操作条件是建立基于MSTAR数据集测试该方法。实验结果验证了该方法的有效性和鲁棒性。

2。C-BEMD的基本知识

叶首次开发EMD(自适应分析的非平稳信号48]。与传统的信号分解方法,如小波分析,EMD不强加任何先验假设数据,如线性或平稳性。在过去的研究,EMD数值验证更能描述模式的非平稳、非线性信号。作为一个自然的泛化EMD 2 d空间,BEMD能够描述一幅图像使用几个BIMFs [24,49]。原始图像分解为高,低频成分残留。因此,生成的BIMFs可能更好地反映全球和分解的图像的详细信息。然而,传统的BEMD设计真实的信号,不能处理复杂的信号或图像。叶BEMD扩展到复数域,使之能用于直接分解复杂的矩阵。根据(47,48),C-BEMD算法的具体实现过程可以概括为以下步骤。

步骤1。建设一个二维的带通滤波器 在哪里代表一个矩阵的大小 ; 是一个零矩阵的大小 。的值和决定如下:

步骤2。建设4分析信号 在哪里 表示输入图像的二维傅里叶变换 。

步骤3。得到的二维傅里叶变换 和 和提取他们的真实部分 和 。得到的二维傅里叶变换 和 和提取的图像部分 和 。

第四。应用BEMD分解 , , ,和 ,分别。BIMFs被指示为获得 , , ,和 ,分解的数字 , 。

第5步。应用来处理并获得复杂BIMF 在方程(4),函数被定义为 的详细的推导和实现C-BEMD可以在找到45]。
摘要C-BEMD应用于分解复杂的SAR图像和二维时频特征描述的目标是通过多级BIMFs。图1分解SAR图像(如图1(一)从MSTAR数据集)的振幅部分前三个BIMFs如图1 (b)- - - - - -1 (d),分别。可以看出,分解结果可以有效地描述与目标相关联的特征,而形成一个有效的补充更详细的信息的原始图像。因此,本文由C-BEMD共同使用原始图像和BIMFs分解为以下分类。

3所示。多级分类BIMFs目标识别

3.1。多任务稀疏表示

多任务稀疏表示可以被视为一个统一的和紧凑的形式的几个相关的稀疏表示的任务(51,52]。约束的内在相关性,处理稀疏表示可以产生更精确的比从个人任务和健壮的解决方案。在报道53- - - - - -57),多任务稀疏表示已成功应用到SAR目标识别分类多个视图,特性,决议等。本研究采用的多级分类BIMFs由C-BEMD生成的。假设有米BIMFs表示为 ,从相同的测试样品是吗 ,他们基于稀疏表示表示 在哪里形式的字典BIMF; 商店所有BIMFs的系数向量。

方程(6)的目标是最小化总重建误差,但忽略了不同任务之间的相关性。从相同的图像分解的,不同级别的BIMFs实际上是相关的。所以,多任务的核心稀疏表示的约束系数矩阵和优化问题是改变 在哪里计算系数矩阵的规范;是一个非负常数作为正则化参数。

作为验证,不同组件解决方程的系数向量(7)趋向于相似模式起源于他们的内在相关性。从相关研究的报道53- - - - - -57),这样的修改有效提高重建精度,特别是模式识别问题。估计的系数矩阵 ,重建错误的测试样本对个人培训课程可以获得目标类别的决心 在哪里提取的subdictionarylth BIMF在类;推断相应的系数。

3.2。目标识别

图2显示了该方法的基本流程为SAR目标识别。训练样本是第一个由C-BEMD得到多级BIMFs来分解,和全球词典构造相应的每个人。对于测试样本,使用相同的C-BEMD分解相应的BIMFs水平。然后,测试样本的BIMFs共同代表的支持下构建字典。最后,目标类别测试样本的确定根据方程(重建错误8)。

在实际的操作过程中,BIMFs C-BEMD获得的是复杂的振幅和相位部分,所以他们是分别提取和使用以及原始SAR图像。如图2,KBIMFs的字典K/ 2的分解C-BEMD,前者K/ 2代表振幅和后者K/ 2推断的阶段。特别是本文前三个BIMFs一起使用与原来的SAR图像如图1。全球和本地信息的SAR目标可以由这些组件的特点。因此,该方法可以充分利用二维时频特征复杂的SAR图像提高最终的识别性能。

4所示。实验

4.1。准备

该方法是基于MSTAR数据集进行测试。数据集包含的SAR图像如图10类型的目标3,涵盖0°∼360°方位角度和典型的抑郁症等角度15°,17°30°、45°。由于丰富的数据样本,MSTAR数据集一直基准数据源验证的SAR目标识别方法。根据现有的研究,本研究依赖于MSTAR数据集建立的典型操作条件实验,包括标准操作条件(SOC),扩展操作条件(转换端)配置差异,俯视角的差异,和噪音干扰。

表1显示十级分类任务的训练和测试样本在SOC,来自17°15°抑郁的角度,分别。所有类型的目标是相同的配置,只有一个小差异大萧条的角度。因此,测试和训练样本往往分享高相似之处,因此,识别问题是相对简单的。表2集的训练和测试样本的情况下配置的差异,包括3类型的目标。其中,BMP2的训练和测试样本,T72来自完全不同的配置。表3显示了训练和测试样本不同抑郁角度。在这种情况下,训练样本来自17°俯角但测试的是30°、45°,分别。此外,在实验的基础上设置表1噪音被添加到测试生成测试集样本不同的信噪比(信噪比)29日]。然后,该方法可以评估下噪音干扰。图4显示了一些嘈杂的SAR图像在不同信噪比、噪声的影响可以观察到在目标出现。

六种参考方法选择同时从现有的研究而提出一个在相同的条件下。第一个来自[24),雇佣BEMD SAR图像特征提取。第二个视觉显著模型用于特征提取,指示为特点的方法。第三和第四个方法CNN-based,使用剩余网络(Res-Net) [42和深刻的特性46),分别。最后两个开发基于多任务稀疏表示分类的多个特性(利用主成分分析法(PCA)提取、内核PCA和NMF) (55)和多分辨率表示(56]。他们被缩写为“multifeature”和“多分辨率”,分别。以下实验进行SOC和三个而是EOCs下顺序。所有方法与定量结果得出一些有效的结论。

4.2。SOC

依靠实验设置表1该方法是在SOC测试和验证。图5显示了分类混淆矩阵的10个类型的目标。水平和垂直坐标图中代表真正的和测试的预测标签样本,分别。因此,对角元素是不同的目标的分类精度。本研究定义了识别率 ,在哪里和表示正确分类的数量和总测试样本,分别。的平均识别率10类型的目标通过各种方法如表所示4。可以看出,不同的方法可以实现SOC下高识别性能。相比之下,该方法比五个参考方法,平均识别率为99.34%。在SOC,训练样本和测试样本有很高的相似性,可有效覆盖各种各样的问题在测试集,导致CNN-based方法的良好性能,即,Res-Net和深度特性。特别是与BEMD方法相比,本文使用C-BEMD有效探索原始的时频特征复杂的SAR图像和获得更有效的特征描述。因此,该方法的最终性能比BEMD方法。multifeature和多分辨率的方法,他们使用的多任务稀疏表示分类阶段,提出了一个也一样。越高提出一个显示BIMFs分解的C-BEMD辨别力高于多个特性或决议。

4.3。配置差异

依靠实验设置表2下,该方法测试和验证配置的差异。表5列出了分类结果对每个从BMP2和T72配置 ,和所有的配置的平均识别率达到98.52%。各种方法的识别性能如表所示6。与SOC情况相比,年代不同的方法在一定程度上减少由于配置不同。特别,Res-Net和深度功能训练样本不足的方法有明显下降的情况下在测试集。与传统的BEMD方法相比,该方法的一些改进,证明C-BEMD能更有效地提取SAR图像的复数域特性,从而提高整体识别性能。此外,更好的性能比multifeature和多分辨率方法验证歧视C-BEMD BIMFs分解的越高。

4.4。俯视角的差异

依靠实验设置表3,该方法测试条件下的俯视角的差异。执行的所有方法的分类抑郁症30°、45°角,分别总结了如图的结果6。抑郁症30°角,各种方法的平均识别率可保持在93%以上,表明图像差异造成的俯角差异相对较小。然而,在45°俯角,各种方法的性能显著下降。在这种情况下,图像的差异造成的俯角差异更显著。本文提出的方法保持最高的在这两种情况下,证明了其鲁棒性抑郁角的差异。与BEMD方法相比,本文的性能大大改善,这说明C-BEMD对SAR图像特征提取的有效性。之间有显著差异的训练和测试样本,Res-Net和深度特性方法经验最大的退化在45°俯角的所有方法中由于训练网络很难辨别这些测试样本与训练的相似性较低。

4.5。噪声干扰

依靠构造噪声在不同信噪比测试集,该方法在噪声干扰条件下评估。图7土地平均识别率的曲线通过不同的方法参照信噪比。该方法达到最高在每个噪声水平,验证其鲁棒性噪声干扰。C-BEMD用于分析和复数域从SAR图像中提取特征,最后获得功能强大的噪音干扰。在分解,一定去噪过程实际上是执行,可以观察到C-BEMD的实现步骤。在分类过程中,鉴别不同BIMFs结合和融合的多任务稀疏表示。因此,该方法可以保持一个高水平的噪声干扰条件下的性能。在五个参考方法,BEMD方法优于其余的,进一步验证分解BIMFs的噪声鲁棒性。两个CNN-based方法实现最低的年代,特别是在低信噪比,因为网络训练的SAR图像在高信噪比有弱的自适应性与噪音的测试集。

5。结论

摘要C-BEMD适用于SAR图像特征提取和目标识别。C-BEMD是传统BEMD在复数域的扩展,可以直接用来处理复杂的矩阵。摘要C-BEMD用于提取复杂的SAR图像的特点与多级复杂BIMFs,可有效反映SAR目标的时频特征。在分类阶段,多任务用于特征提取的BIMFs稀疏表示,和目标类别测试样本的确定根据重建错误。MSTAR数据集的基础上,该方法测试和验证在SOC和典型的而是EOCs包括配置差异,俯角差异,和噪音干扰。实验结果反映了最高的平均识别率提议在SOC的99.34%。同时,三下的鲁棒性而是EOCs也高于参考方法。

数据可用性

MSTAR数据集用于支持这项工作的结果是网上http://www.sdms.afrl.af.mil/datasets/mstar/。

的利益冲突

作者宣称没有利益冲突。