[发明专利]基于分数谱稀疏表示的SAR图像目标识别方法

说明书

技术领域

本发明属于图像处理技术领域中，涉及图像分类识别方法，具体涉及运用分数谱稀疏表示来进行合成孔径雷达(Synthetic Aperture Radar，SAR)图像目标识别的方法。

背景技术

合成孔径雷达是一种工作在微波波段的相干成像雷达，以其高分辨和全天候、全天时、大面积的成像探测能力，成为世界各国普遍重视的对地观测手段，具有良好的应用前景。SAR目标识别是SAR图像解译的一个重要方面，目的是实现对图像中感兴趣目标的自动分类识别。SAR目标识别过程通常包括对特征提取和特征分类两个环节。

在特征提取方面，已经提出了如Gabor变换，小波变换，主成分分析，几何投影变换等多种方法；SAR目标具有多变性特点：除了成像系统固有的乘性噪声斑点外，SAR目标受到如目标方位角、姿态变化、背景地表变化、有意或无意的遮挡、杂波干扰等多种因素的影响，这使得其识别任务变得非常困难。因此，基于单一特征的识别方式难以达到高精度、高可靠性的要求，需要考虑一种多特征融合的识别技术和手段。目前，在图像信号分析中，分数域时频分析(Fractional time-frequency analysis，FrTFA)方法逐渐得到关注，该方法利用时频旋转特性及能量聚焦性，获取信号的高分辨率频谱。相对于传统时频分析方法，分数域分析改善了信号的时频分布，更好地反映信号的局部特性。目前分数域时频分析已经被应用于科学研究和工程技术领域，如信号检测与参数估计，其中包括SAR图像目标检测。但至今未见有将分数域时频分析用于SAR目标自动识别的报道。

在特征分类方面，传统采用模式识别、机器学习的方法来训练分类模型。典型的方法有：线性判别分析(Linear Discriminant Analysis，LDA)、支持向量机(Support Vector Machine，SVM)、神经网络等，其中，SVM的使用最为广泛。这些分类方法一般针对低维空间，在训练中存在过拟合问题，且计算复杂度较高。近年来，一种基于稀疏表示的分类器(Sparse Representation Classifier，SRC)也应用到SAR目标识别中，获得了很好的分类效果，且复杂度较低，从而弥补了传统统计分析理论和机器学习方法的不足。但SRC的存在如下问题：SRC过程是先在训练图像集(或原子库)中选择出一系列原子，用其对测试图像进行稀疏线性表示，然后将表示误差最小的类作为测试图像的最终类别。在这个过程中，原子选择非常关键，但目前的方法趋向于选择一组相关的原子来表示一个测试样本，并不能保证所选原子来源于同一个正确的类，造成相似的局部特征可能会被不同类别的原子组表示，影响了分类结果。

发明内容

本发明的目的是针对现有技术存在的上述缺陷，提出一种基于分数谱稀疏表示的SAR图像目标识别方法。

本发明的技术方案是：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；

S3.构建原子库：

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D_p,D_p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D_f，D_f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，其具体过程如下：

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t_p；

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t_f；

将两个特征数据联合形成最终的测试数据，设为T，即T＝[t_p,t_f]；

S42.使用原子库D，对测试数据T进行稀疏分解；