[发明专利]基于多信息字典学习的SAR目标识别方法

摘要

本发明属于雷达自动目标识别技术领域，特别涉及基于多信息字典学习的SAR目标识别方法。该基于多信息字典学习的SAR目标识别方法包括以下步骤根据每个训练用SAR目标图像，得出训练用图像域幅度信息初始化字典和训练用频域幅度信息初始化字典；根据训练用图像域幅度信息初始化字典和训练用频域幅度信息初始化字典得出学习后图像域幅度信息字典和学习后频域幅度信息字典；根据测试用SAR目标图像进行配准，得到测试用图像域幅度信息向量和测试用频域幅度信息向量；采用联合动态稀疏表示对测试用图像的两种信息进行稀疏求解，并对测试用SAR目标图像进行重构，并根据重构误差最小化原则得到最终的识别结果。

主权项

基于多信息字典学习的SAR目标识别方法，其特征在于，包括以下步骤：步骤1，获取多个训练用SAR目标图像，分别对多个训练用SAR目标图像进行配准，得到对应的多个训练用配准图像；对每个训练用配准图像进行图像截取，得出对应的训练用截取后图像；根据所有训练用截取后图像，得出训练用图像域幅度信息初始化字典D10；对训练用截取后图像进行二维傅里叶变换，得到对应的训练用频域图像；根据所有训练用频域图像，得到训练用频域幅度信息初始化字典D20；其中，所述步骤1具体包括以下子步骤：(1.1)获取多个训练用SAR目标图像，然后采用质心对齐的方式分别对多个训练用SAR目标图像进行配准，得到对应的多个训练用配准图像；将第i个训练用SAR目标图像对应的配准图像表示为Gi，i取1至Num，Num为训练用SAR目标图像的个数；对每个训练用SAR目标图像进行配准的具体过程为：在对应的训练用SAR目标图像F中，将幅度值为0的像素点的幅度值改为10‑5，其公式为：F(x,y)=10-5F(x,y)=0F(x,y)F(x,y)≠0]]>其中，F(x，y)为对应的训练用SAR目标图像F在像素点(x，y)处的幅度值，x、y分别表示像素点的横坐标和纵坐标；对训练用SAR目标图像F进行对数变化，得到对应的训练用对数变化后图像L，训练用对数变化后图像L中像素点(x，y)处的幅度值为(x，y)，L(x，y)＝log10(F(x，y))；对训练用对数变化后图像L依次进行自适应阈值分割、形态学滤波、几何聚类，得出对应的训练用目标区域二值图像Ta；然后根据训练用SAR目标图像F中每个像素点的幅度值以及训练用目标区域二值图像Ta中每个像素点的幅度值，得出对应的训练用分割后目标图像T；所述训练用分割后目标图像T中像素点(x，y)处的幅度值表示为T(x，y)，T(x，y)的计算公式为：T(x，y)＝Ta(x，y)×F(x，y)由T(x，y)的计算公式可知，当训练用分割后目标图像T中像素点(x，y)位于目标区域时，T(x，y)＝F(x，y)；否则，T(x，y)＝0；然后按照以下公式求解训练用分割后目标图像T的质心x‾=Σx=1Mx·T(x,y)Σx=1MT(x,y)]]>y‾=Σy=1Ny·T(x,y)Σy=1NT(x,y)]]>其中，x取1至M，y取1至N；M、N分别为训练用分割后目标图像T的纵向尺寸和横向尺寸；然后以训练用分割后目标图像T的质心作为对应训练用SAR目标图像的中心，对对应的训练用SAR目标图像进行配准，得到对应的训练用配准图像；(1.2)在每个训练用配准图像中截取尺寸为p×q的矩形中心区域，得到对应的训练用截取后图像，p、q分别表示截取的矩形中心区域的纵向尺寸和横向尺寸；每个训练用截取后图像的中心点为对应的训练用分割后目标图像T的质心；将第i个训练用配准图像Gi对应的训练用截取后图像记为图像Gi′；在每个训练用截取后图像中，提取出所有像素点的幅度值，将提取出的所有像素点的幅度值组成对应的训练用图像域幅度信息向量；第i个训练用截取后图像Gi′对应的训练用图像域幅度信息向量表示为di；然后利用d1至dNum组成训练用图像域幅度信息矩阵H，H＝[d1，d2，...，dNum]；针对训练用图像域幅度信息矩阵H，按照每隔t列抽取一列的方法得到训练用图像域幅度信息初始化字典D10，t为大于0的自然数；(1.3)将每个训练用截取后图像进行二维傅里叶变换，得到对应的训练用频域图像；第i个训练用截取后图像Gi′对应的频域图像表示为图像Qi；在第i个训练用频域图像Qi中，提取出所有像素点的幅度值，将提取出的所有像素点的幅度值组成对应的训练用频域幅度信息向量；第i个训练用频域图像Qi对应的训练用频域幅度信息向量表示为pi；然后利用p1至pNum组成训练用频域幅度信息矩阵P，P＝[p1，p2，...，pNum]；针对训练用频域幅度信息矩阵P，按照每隔t列抽取一列的方法得到训练用频域幅度信息初始化字典D20；步骤2，分别对训练用图像域幅度信息初始化字典D10和训练用频域幅度信息初始化字典D20进行能量归一化处理，得到训练用图像域幅度信息归一化后初始化字典以及训练用频域幅度信息归一化后初始化字典根据训练用图像域幅度信息归一化后初始化字典以及训练用频域幅度信息归一化后初始化字典通过鉴别字典学习得出学习后图像域幅度信息字典D1和学习后频域幅度信息字典D2；其中，所述步骤2包括以下子步骤：(2.1)首先按照以下公式分别对训练用图像域幅度信息初始化字典D10和训练用频域幅度信息初始化字典D20进行能量归一化处理：d‾n10=dn10||dn10||2,d‾n20=dn20||dn20||2]]>其中，表示D10中的第n列向量，表示D20中的第n列向量，n取1至N′，N′为D10或D20的尺寸，||·||2为l2范数；然后，利用至组成训练用图像域幅度信息归一化后初始化字典利用至组成训练用频域幅度信息归一化后初始化字曲(2.2)根据训练用图像域幅度信息归一化后初始化字典训练用频域幅度信息归一化后初始化字典训练用图像域幅度信息矩阵H以及训练用频域幅度信息矩阵P，采用LC‑KSVD方法通过鉴别字典学习得出学习后图像域幅度信息字典D1和学习后频域幅度信息字典D2；其中，LC‑KSVD方法的模型表达式为：<Dk,Fk,Xk>=argminDk,F,Xk||Yk-DkXk||22+α||Qk-FkXk||22s.t.∀i,||xik||0≤S,]]>其中，k取1至K，K表示目标信息的种类数，K＝2；Yk表示训练样本的第k种信息矩阵，Y1具体为训练用图像域幅度信息矩阵H，Y2具体为训练用频域幅度信息矩阵P；Dk表示第k种信息字典，第1种信息字典D1具体为学习后图像域幅度信息字典，第2种信息字典D2具体为学习后频域幅度信息字典；Xk表示Yk对应的稀疏系数矩阵；Qk表示第k种稀疏编码矩阵；Fk表示第k种线性变换矩阵；α表示用于调整重构误差和可鉴别稀疏编码误差之间的权重；S表示设定的稀疏度；||·||2表示l2范数，||·||0表示l0范数；步骤3，对测试用SAR目标图像进行配准，得到测试用配准图像Q；对测试用配准图像Q进行图像截取，得出测试用截取后图像Q′；根据所述测试用截取后图像Q′，得出测试用图像域幅度信息向量y1；对所述测试用截取后图像Q′进行二维傅里叶变换，得到测试用频域图像P′；根据所述测试用频域图像P′，得出测试用频域幅度信息向量y2；步骤4，分别对测试用图像域幅度信息向量y1和测试用频域幅度信息向量y2进行能量归一化处理，得到测试用图像域幅度信息归一化向量以及测试用频域幅度信息归一化向量根据学习后图像域幅度信息字典D1和学习后频域幅度信息字典D2，采用联合动态稀疏表示模型，对测试用图像域幅度信息归一化向量测试用频域幅度信息归一化向量进行稀疏求解，利用求解得到的测试用稀疏系数矩阵对测试用SAR目标图像进行重构，并根据重构误差最小化原则得到最终的分类结果；在步骤4中，在得出测试用图像域幅度信息归一化向量以及测试用频域幅度信息归一化向量之后，将测试用图像域幅度信息归一化向量测试用频域幅度信息归一化向量学习后图像域幅度信息字典D1以及学习后频域幅度信息字典D2输入到联合动态稀疏表示模型中，求解得出测试用稀疏系数矩阵Xtest，分别表示测试用稀疏系数矩阵Xtest的第1列和第2列；在得出测试用稀疏系数矩阵Xtest之后，在列向量中，将与第j类目标对应的位置处的元素保留，将其他元素的取值变为0，得出列向量j取1至J，J为所有训练用SAR目标图像包含的目标类别数；然后建立如下分类表达式：y^k=Dkδj(Xktest)]]>j^=argminjΣk=12wk||y‾k-y^k||22]]>其中，||·||2为l2范数，k取1至2，wk为yk的设定权重，w1+w2＝1；代表测试用SAR目标图像中的目标类别。