為提升合成孔徑雷達(dá)（synthetic aperture Radar,SAR）目標(biāo)識(shí)別性能,提出基于變分模態(tài)分解算法（variational mode decomposition,VMD）的SAR圖像目標(biāo)識(shí)別方法。首先采用二維變分模態(tài)分解算法（bidimensional VMD,BVMD）對(duì)SAR圖像進(jìn)行分解,從而獲得多模態(tài)的表示;然后采用聯(lián)合稀疏表示對(duì)SAR圖像的多模態(tài)特征進(jìn)行同時(shí)表征;最后基于最小重構(gòu)誤差的原則判定目標(biāo)類別。在MSTAR數(shù)據(jù)集上對(duì)提出方法進(jìn)行性能測(cè)試,結(jié)果顯示,在標(biāo)準(zhǔn)操作條件（standard operating condition,SOC）下對(duì)10類目標(biāo)的識(shí)別率達(dá)到99. 24%,在型號(hào)差異、俯仰角差異、噪聲干擾條件下的性能也優(yōu)于現(xiàn)有幾類方法,證實(shí)了方法的有效性。 

【文章來(lái)源】：國(guó)土資源遙感. 2020,32(02)北大核心CSCD

【文章頁(yè)數(shù)】：7 頁(yè)

【部分圖文】：

基于變分模態(tài)分解的SAR目標(biāo)識(shí)別方法流程

采用MSTAR數(shù)據(jù)集對(duì)提出方法進(jìn)行性能測(cè)試實(shí)驗(yàn)。該數(shù)據(jù)集采集了包括坦克、裝甲車、運(yùn)輸車等10類具有相近外形的地面軍事目標(biāo)SAR圖像，空間分辨率達(dá)到0.3 m。圖2展示了10類目標(biāo)的光學(xué)圖像及名稱。MSTAR數(shù)據(jù)集中包含了各類目標(biāo)在不同俯仰角下的SAR圖像，如15°，17°，30°，45°等。此外，部分目標(biāo)包括多個(gè)子型號(hào)的SAR圖像，如BMP2,T72。因此，基于該數(shù)據(jù)集可以設(shè)置豐富的實(shí)驗(yàn)場(chǎng)景對(duì)提出方法進(jìn)行全面測(cè)試。測(cè)試過(guò)程中，選用幾種現(xiàn)有的SAR目標(biāo)識(shí)別算法與本文方法進(jìn)行對(duì)比，包括基于SVM的方法，基于SRC的方法，基于卷積神經(jīng)網(wǎng)絡(luò)(convolutional neural network,CNN)的方法以及文獻(xiàn)[12]中基于單演信號(hào)特征的方法。其中，SVM方法采用PCA進(jìn)行特征提取;SRC方法采用隨機(jī)投影進(jìn)行降維;CNN基于像素灰度進(jìn)行訓(xùn)練分類;單演信號(hào)方法則是采用多尺度單演信號(hào)譜特征進(jìn)行識(shí)別。后續(xù)驗(yàn)證中，首先在標(biāo)準(zhǔn)操作條件(即，測(cè)試樣本與訓(xùn)練樣本相似度較高)展開(kāi)測(cè)試;接著，設(shè)置了若干典型擴(kuò)展操作條件(standard operating condition,SOC)(即，測(cè)試樣本與訓(xùn)練樣本差異較大)進(jìn)行了測(cè)試。3.2 測(cè)試結(jié)果與分析

SOC條件下，訓(xùn)練集樣本和測(cè)試集樣本俯仰角差異很小，兩者的相似度較高。然而，隨著測(cè)試集和訓(xùn)練集俯仰角變化程度的加劇，兩者的差異也會(huì)逐漸增大，導(dǎo)致識(shí)別問(wèn)題的難度加大。表6給出了帶有較大俯仰角差異的訓(xùn)練和測(cè)試集，3類目標(biāo)17°俯仰角的SAR圖像作為訓(xùn)練集，測(cè)試樣本則分別來(lái)自30°和45°俯仰角。通過(guò)在2個(gè)俯仰角下分別進(jìn)行測(cè)試，獲得不同方法的性能對(duì)比如圖3所示。本文方法在2個(gè)角度下均取得最高的識(shí)別率，顯示其對(duì)于俯仰角變化的穩(wěn)定性。在較大俯仰角差異的情況下，同一目標(biāo)的2幅圖像之間存在局部的“畸變”，但仍然存在當(dāng)前目標(biāo)的共同特性。采用BVMD分解得到的多模態(tài)表示可以有效地反映這種共性特征，從而為正確分類提供支撐。3.2.4 噪聲干擾

【參考文獻(xiàn)】：
期刊論文
[1]基于變分模態(tài)分解和去趨勢(shì)波動(dòng)分析的柴油機(jī)振動(dòng)信號(hào)去噪方法[J]. 任剛,賈繼德,梅檢民,賈翔宇,韓佳佳.  內(nèi)燃機(jī)工程. 2019(02)
[2]SAR圖像多層次正則化增強(qiáng)及在目標(biāo)識(shí)別中的應(yīng)用[J]. 謝晴,張洪.  電子測(cè)量與儀器學(xué)報(bào). 2018(09)
[3]基于變分模態(tài)分解和小波分析的語(yǔ)音信號(hào)去噪方法[J]. 陸振宇,盧亞敏,夏志巍,黃現(xiàn)云.  現(xiàn)代電子技術(shù). 2018(13)
[4]基于三維電磁散射參數(shù)化模型的SAR目標(biāo)識(shí)別方法[J]. 文貢堅(jiān),朱國(guó)強(qiáng),殷紅成,邢孟道,楊虎,馬聰慧,閆華,丁柏圓,鐘金榮.  雷達(dá)學(xué)報(bào). 2017(02)
[5]屬性散射中心匹配及其在SAR目標(biāo)識(shí)別中的應(yīng)用[J]. 丁柏圓,文貢堅(jiān),余連生,馬聰慧.  雷達(dá)學(xué)報(bào). 2017(02)
[6]基于二維變分模態(tài)分解和自適應(yīng)中值濾波的圖像去噪方法[J]. 劉嘉敏,彭玲,袁佳成,劉軍委.  計(jì)算機(jī)應(yīng)用研究. 2017(10)
[7]基于小波變換和深層稀疏編碼的SAR目標(biāo)識(shí)別[J]. 李帥,許悅雷,馬時(shí)平,倪嘉成,王坤.  電視技術(shù). 2014(13)
[8]結(jié)合KPCA和稀疏表示的SAR目標(biāo)識(shí)別方法研究[J]. 韓萍,王歡.  信號(hào)處理. 2013(12)



本文編號(hào)：3416382