[发明专利]基于稀疏表示和级联字典的SAR图像目标识别方法和装置

说明书

本发明公开了基于稀疏表示和级联字典的SAR图像目标识别方法，首先，该方法基于最大扩展平均相关高度滤波器对样本图像进行模板训练；其次，提取模板图像的单演特征，即表征信号能量的单演幅度、表征信号结构信息的单演相位和表征信号几何信息的单演方位三部分特征信息，由这三种具有互补性质的特征构造子字典，每个子字典即一个分类器，将多个子字典级联；最后，基于稀疏表示系数能量最大和重构误差最小的分类机制实现SAR图像目标分类，能实现良好的分类识别效果。

技术领域

本发明涉及图像处理和模式识别领域，具体涉及合成孔径雷达(SyntheticAperture Radar，SAR)图像目标识别领域的一种基于稀疏表示和级联字典的SAR图像目标识别方法。

背景技术

在军事战场监视与民用实时监测场合，经常需要对目标进行分类或识别。SAR图像目标分类是指雷达对目标进行探测，处理目标反射的回波信息，判定目标的属性、类别或类型。因为目标特征的高维易变性，成像时复杂的背景以及SAR传感器自身的易变因素，导致SAR图像的分类识别成为一个难题。SAR图像在获取的过程中，即使属于同一类别的两个相同目标，配置和结构方面的差异也会导致所成的SAR图像差别很大。

用于SAR图像目标识别的分类器包括传统的K最近邻(K-Nearest Neighbor，KNN)分类器、支持向量机(Support Vector Machine，SVM)、神经网络等。KNN分类器为了保证识别性能，理论上要求样本数目无穷大，显然这样的条件在实际应用中很难满足；SVM分类器利用空间投影，将线性不可分问题转化为线性可分问题，训练带来的庞大计算量严重影响SAR图像目标的分类时间；神经网络分类器利用样本学习训练网络参数和权值，当训练样本类别和数量较多时，相应的计算量也非常大，可能导致训练过程无法收敛。近年来，图像信号的稀疏表示在模式识别领域得到了广泛关注，并被成功地应用于人脸识别和SAR图像的目标分类。基于稀疏表示的SAR图像目标分类识别算法主要从两方面进行设计：一是直接训练字典，对字典进行学习和优化，使其具有判别性；二是利用稀疏系数完成分类。在设计过完备字典时，若是直接由SAR图像的像素或提取训练样本的特征构造过完备字典，会导致字典维数较高，冗余度大，会直接影响后续的稀疏系数求解速度，从而影响测试样本识别的速度。

发明内容

本发明针对现有技术存在的上述技术问题，提供一种基于稀疏表示和级联字典的SAR图像目标识别方法。

一方面，本发明提供了1.基于稀疏表示和级联字典的SAR图像目标识别方法，包括以下步骤：

将含有目标的中心区域从SAR图像分割出来，去除背景噪声得到待识别图像；提取待识别图像的单演幅度、单演相位和单演方位特征；

基于提取的单演幅度、单演相位和单演方位特征以及预先分别针对训练样本图像的单演幅度、单演相位和单演方位特征生成的子字典，利用最小化L1范数计算稀疏系数，利用系数能量最大和重构误差最小的分类机制进行目标分类识别获得识别结果。

第二方面，本发明提供基于稀疏表示和级联字典的SAR图像目标识别装置，包括：待识别图像生成模块、单演特征提取模块、字典生成模块和目标识别模块；

所述待识别图像生成模块，用于将含有目标的中心区域从SAR图像分割出来，去除背景噪声得到待识别图像；

所述单演特征提取模块，用于提取待识别图像的单演幅度、单演相位和单演方位特征；

所述字典生成模块，用于分别针对训练样本图像的单演幅度、单演相位和单演方位特征生成的子字典；

所述目标识别模块，用于基于所述单演特征提取模块提取的待识别样本的单演幅度、单演相位和单演方位特征以及所述字典生成模块生成的子字典，利用最小化L1范数计算稀疏系数，利用系数能量最大和重构误差最小的分类机制进行目标分类识别获得识别结果。

与现有技术相比，本发明所取得的有益技术效果：