為了更好地對合成孔徑雷達(dá)（SAR）圖像進(jìn)行分類,文中提出一種基于局部線性嵌入方法（LLE）和隨機(jī)拉普拉斯特征映射方法（SLEM）相融合的算法。在拉普拉斯特征映射方法的基礎(chǔ)上引入隨機(jī)過程的概念,并將局部線性嵌入方法與隨機(jī)拉普拉斯映射方法進(jìn)行函數(shù)融合,兩種方法的融合為提取高維空間中嵌入的低維特征提供了更詳細(xì)的結(jié)構(gòu)信息,保留了原始數(shù)據(jù)集的幾何特征;將算法應(yīng)用于MSTAR數(shù)據(jù)集,再通過KNN分類器進(jìn)行分類;最后,實(shí)驗(yàn)結(jié)果證明了該算法的有效性。 

【文章來源】：現(xiàn)代雷達(dá). 2020,42(04)北大核心

【文章頁數(shù)】：5 頁

【部分圖文】：

三類不同目標(biāo)的光學(xué)圖像和SAR圖像

在Matlab2014a實(shí)驗(yàn)環(huán)境下,對SAR圖像進(jìn)行實(shí)驗(yàn)以驗(yàn)證本文算法的有效性。首先,分別使用維納濾波、EDS濾波、高斯去噪三種不同的去噪方法對圖像進(jìn)行預(yù)處理,部分圖像去噪結(jié)果如圖2所示。通過流形學(xué)習(xí)方法分別提取五種不同維度的特征,分類結(jié)果如圖3所示。與其他四種維度的特征相比,當(dāng)維度d=50時(shí)的識別效果更好,識別率最高為99.7%,同時(shí)高斯濾波去噪后的分類效果也優(yōu)于其他兩種方法。圖3 不同去噪方法的分類結(jié)果對比

圖2 三種濾波方法去噪結(jié)果接下來先對剪裁后的圖像進(jìn)行高斯去噪,再采用不同的流形學(xué)習(xí)算法對預(yù)處理以后的圖像進(jìn)行特征提取,取同樣維度m=55,分類結(jié)果如表1所示。

【參考文獻(xiàn)】：
期刊論文
[1]基于數(shù)據(jù)擴(kuò)維的SAR目標(biāo)識別性能提升技術(shù)[J]. 羅震宇,于俊朋,劉振華.  現(xiàn)代雷達(dá). 2019(05)
[2]基于KNN的合成孔徑雷達(dá)目標(biāo)識別[J]. 郝巖,白艷萍,張校非.  火力與指揮控制. 2018(09)
[3]卷積神經(jīng)網(wǎng)絡(luò)在SAR目標(biāo)識別中的應(yīng)用[J]. 郝巖,白艷萍,張校非,杜敦偉.  重慶理工大學(xué)學(xué)報(bào)(自然科學(xué)). 2018(05)
[4]基于卷積神經(jīng)網(wǎng)絡(luò)遷移學(xué)習(xí)的SAR圖像目標(biāo)分類[J]. 劉晨,曲長文,周強(qiáng),李智,李健偉.  現(xiàn)代雷達(dá). 2018(03)
[5]基于卷積神經(jīng)網(wǎng)絡(luò)的高分辨距離像目標(biāo)識別[J]. 楊予昊,孫晶明,虞盛康,彭雄偉.  現(xiàn)代雷達(dá). 2017(12)



本文編號：3011575