[发明专利]基于分数谱稀疏表示的SAR图像目标识别方法

摘要

本发明公开了一种基于分数谱稀疏表示的SAR图像目标识别方法，本发明方法包括用训练图像集构建原子库和对待测图像的分类识别两个过程，具体的在特征提取方面同时提取了分数谱域和图像像素域两类特征；在特征分类方面，利用图像分数谱和像素两类特征的相关性，设计新的联合稀疏表示和稀疏分类方法对待测图像进行分类识别，通过利用分数域时频变换获得了信号的高分辨频谱特征，将其与图像空间像素域特征进行联合稀疏表示和稀疏分类，有效地改善了现有方法在特征提取和特征分类中的问题，提高了SAR目标识别的准确率。

主权项

一种基于分数谱稀疏表示的SAR图像目标识别方法，具体包括如下步骤：S1.选择目标区域：在带有类别标签的训练图像中选择目标所在的区域，目标区域内的图像数据作为目标图像；S2.提取分数谱特征：对目标图像进行分数域时频变换，提取其分数谱特征；提取其分数谱特征的具体过程如下：对图像的每一行和每一列分别进行分数谱特征的提取，设目标图像的某行或列信号为g(t)，则特征提取按如下步骤进行：S21.寻找分数域时频变换的最优旋转阶次r*：r*=argminr{(Wt2(g)+Wt2(h))1/2·(Wf,r2(g)+Wf2(h))1/2}---(1)]]>其中，h为窗函数，这里等号右边的h表示分数阶傅里叶变换时的旋转阶次，在每个阶次时求{}括号内的值，然后比较哪个值最小，当{}括号内的值最小时，即得到最优旋转阶次r*；Wt(g)为g(t)的时间宽度，其形式为：Wt(g)=[∫(t-ζt)2|g(t)|2dt]1/2||g||---(2)]]>其中，||g||为g(t)的2范数，即g(t)中各个元素平方之和再开根号，ζt为ζt=∫t|g(t)|2dt||g||2---(3)]]>Wf,r(g)为g(t)的频率宽度，其形式为：Wf,r(g)=[∫(f-ζf)2|g~r(f)|2df]1/2||g||---(4)]]>其中，为g(t)的傅里叶变换，ζf为ζf=∫f|g~r(f)|2df||g||2---(5)]]>S22.计算该最优旋转阶次r*下的最优窗函数h*：h*=FT(e-πt2Wf,r*(g)/Wt(g))---(6)]]>其中，FT(x)表示x的傅里叶变换；S23.根据谱峰度系数最大准则，求解如下最优化问题，得到最优变换阶次q*：q*=argmaxq(E[g~q2(f)(g~q(f)‾)2]E[g~q(f)g~q(f)‾]2-2)---(7)]]>其中，为g(t)的q阶傅里叶变换，表示x的复共轭，E[x]表示求x的数学期望；S24.在最优窗函数h*和最优变换阶次q*下，对g(t)进行短时傅里叶变换，得到分数域时频分布FT(t,u)：FT(t,u)=∫-∞∞g(τ)h*(t-τ)1-jcot(q*π/2)2πexp(j(τ2+u2)2tan(q*π/2)-jτusin(q*π/2))dτ---(8)]]>其中，u为频率，τ为积分变量；S25.对分数域时频分布FT(t,u)进行局部区域能量聚焦分析，提取能量衰减斜率特征作为图像的分数谱特征F；S3.构建原子库，具体过程如下：S31.将每幅训练的目标图像的数据排列为一列，对其进行降维处理，并将得到的低维列向量作为一原子，加入到图像特征原子库，设为Dp,Dp的一列为某训练图像的图像特征数据；S32.将每幅训练的目标图像经步骤S2处理后的分数谱特征数据排列为一列，对其进行降维处理，并将得到的低维列向量作为一原子，加入到分数谱特征原子库，设为Df，Df的一列为某训练图像的分数谱特征数据；S33.将图像特征原子库与分数谱特征原子库合并为最终的原子库，设为D；S4.联合稀疏表示：根据步骤S33获得的原子库D，对输入的某测试图像进行联合稀疏表示，具体过程如下：S41.将输入的某测试图像，按步骤S1进行目标定位与降维，并将降维后的图像数据矢量化为一列作为待测图像特征数据，设为tp；按步骤S2提取分数谱特征，将分数谱特征数据矢量化为一列作为待测试图像的分数谱特征数据，设为tf；将两个特征数据联合形成最终的测试数据，设为T，即T＝[tp,tf]；S42.使用原子库D，对测试数据T进行稀疏分解；S5.联合稀疏识别：根据原子库原子的类别标签，对每一类别，只用稀疏分解得到的该类的原子和对应系数分别对tp和tf进行重建，计算两个重建误差的累计；选择累计误差最小的类别为输入测试图像的类别。