發(fā)布時(shí)間：2022-01-06 19:02

　　提出了一種結(jié)合非下采樣輪廓波變換（NSCT）和張量主成分分析（TPCA）的合成孔徑雷達(dá)（SAR）圖像目標(biāo)識(shí)別方法。采用NSCT對(duì)SAR圖像進(jìn)行分解獲得多尺度、多方向的子帶圖像,從而為目標(biāo)提供更充分的描述信息。采用TPCA對(duì)各個(gè)子帶圖像進(jìn)行特征提取,降低其中的冗余。基于各個(gè)子帶圖像的特征矩陣,通過(guò)線性加權(quán)的方法獲得測(cè)試樣本與訓(xùn)練樣本之間的距離測(cè)度。根據(jù)K近鄰（K-NN）的基本思想對(duì)測(cè)試樣本進(jìn)行分類決策。采用MSTAR數(shù)據(jù)集設(shè)置多種實(shí)驗(yàn)條件對(duì)提出方法進(jìn)行測(cè)試,結(jié)果反映了該方法的有效性。 

【文章來(lái)源】：火力與指揮控制. 2020,45(09)北大核心CSCD

【文章頁(yè)數(shù)】：6 頁(yè)

【部分圖文】：

標(biāo)準(zhǔn)操作條件下十類目標(biāo)識(shí)別混淆矩陣表2標(biāo)準(zhǔn)操作條件各類方法對(duì)比

可能出現(xiàn)變化，因此，NSCT提供的多層次描述相比單一的PCA或TPCA具有更好的適應(yīng)性。因此，本文方法可以在型號(hào)變化條件下保持最好的識(shí)別性能。表4型號(hào)變化條件下的訓(xùn)練和測(cè)試樣本表5型號(hào)變化條件下各類方法對(duì)比3.2.3噪聲干擾噪聲干擾是SAR目標(biāo)識(shí)別中的另一種典型擴(kuò)展操作條件。收到環(huán)境噪聲以及雷達(dá)系統(tǒng)熱噪聲等因素的干擾，待識(shí)別的測(cè)試樣本往往具有很低的信噪比（SNR）。為此，本文首先按照文獻(xiàn)［5］中的策略通過(guò)噪聲條件的形式構(gòu)造噪聲樣本。對(duì)于表1中十類目標(biāo)的噪聲測(cè)試樣本，基于原始的訓(xùn)練集對(duì)其進(jìn)行識(shí)別。圖4顯示了各類方法在不同信噪比下的識(shí)別性能�？梢钥闯�，本文方法能夠在各個(gè)信噪比下保持最佳的識(shí)別性能。根據(jù)文獻(xiàn)報(bào)道，NSCT作為一種信號(hào)分解方法，具有良好的去噪性能。因此，本文結(jié)合NSCT和TPCA獲得的特征能夠在噪聲干擾條件下保持較強(qiáng)的穩(wěn)健性。最終識(shí)別的結(jié)果仍然可以保持較高的精度。4結(jié)論本文提出結(jié)合NSCT和TPCA的SAR圖像特征提取及目標(biāo)識(shí)別方法。NSCT通過(guò)對(duì)SAR圖像進(jìn)行分解獲得低頻和高頻下的多層次描述，從而更充分地描述了原始圖像的全局和細(xì)節(jié)信息。在此基礎(chǔ)上，采用TPCA進(jìn)行進(jìn)一步的特征提取，獲得最終的特征矢量并用于目標(biāo)識(shí)別�；贛STAR數(shù)據(jù)集開(kāi)展驗(yàn)證實(shí)驗(yàn)并與其他方法進(jìn)行對(duì)比，結(jié)果表明，本文方法在標(biāo)準(zhǔn)操作條件、型號(hào)變化，以及噪聲干擾的典型條件下均可以保持更好的識(shí)別性能，表明了提出方法的有效性。后續(xù)的研究中，將針對(duì)多子帶NSCT圖像的自適應(yīng)權(quán)值確定問(wèn)題展開(kāi)研究，進(jìn)一步提高最終的融合性能。參考文獻(xiàn)：［1］KHALIE，ERICWG，PETERM，etal.Automatictargetrecognitioninsyntheticapertureradarimagery：astate-of-the-artreview［J］.IEEEAccess，2016（4）：6014-6058.［2］?

J表示分解尺度，lj為第j個(gè)尺度上方向?yàn)V波器組中濾波器的個(gè)數(shù)，aj代表第j尺度上的低頻子帶圖像，則bj，k是第j尺度上第k個(gè)方向的子帶圖像。圖1顯示了NSCT兩級(jí)分解的示意圖。其中，I1為分解后的低通分量，反映原始圖像的主要信息（如目標(biāo)區(qū)域）；I2和I3均為高頻分量，反映原始圖像的細(xì)節(jié)信息（如目標(biāo)輪廓、邊緣）。因此，采用多尺度、多方向的NSCT子帶圖像可以更好地描述原始圖像中的目標(biāo)特征。鑒于NSCT具有的諸多優(yōu)良特性，本文將其應(yīng)用于SAR圖像的特征提齲圖1NSCT兩級(jí)分解示意圖1.2TPCATPCA是PCA和張量分析結(jié)合的產(chǎn)物，它可以直接對(duì)二維甚至高維數(shù)據(jù)進(jìn)行直接主成分分析，因此，避免了矢量化的操作，更好地保持原始數(shù)據(jù)結(jié)構(gòu)特性。本文采用二階TPCA對(duì)NSCT分解得到的·42·1568

【參考文獻(xiàn)】：
期刊論文
[1]基于增補(bǔ)小波變換和PCNN的NSCT域圖像融合算法[J]. 王健,張修飛,任萍,院文樂(lè).  計(jì)算機(jī)工程與科學(xué). 2018(10)
[2]輪廓定位下的人頭NSCT特征提取方法[J]. 孫萬(wàn)春,張建勛,馬慧,朱佳寶.  重慶理工大學(xué)學(xué)報(bào)(自然科學(xué)). 2018(07)
[3]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)
[4]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)
[5]基于小波字典稀疏表示的SAR圖像目標(biāo)識(shí)別[J]. 田莉萍,王建國(guó).  雷達(dá)科學(xué)與技術(shù). 2014(01)
[6]基于非負(fù)矩陣分解的SAR圖像目標(biāo)識(shí)別[J]. 龍泓琳,皮亦鳴,曹宗杰.  電子學(xué)報(bào). 2010(06)



本文編號(hào)：3573002