[发明专利]基于距离像时频图非负稀疏编码的SAR目标识别方法

摘要

本发明提供了一种基于距离像时频图非负稀疏编码的SAR目标识别方法，该方法采用非负稀疏编码，整个识别过程中，均不需要对SAR图像目标进行方位角估计，因此降低了识别复杂程度，也避免了识别准确性对目标方位角估计的依赖，有助于提高目标识别率，同时基于距离像时频图的非负稀疏编码技术进行雷达目标识别在噪声环境下也具有良好的识别性能，不仅不会在目标运动导致散焦或者信噪比等因素造成图像质量不高时影响识别效果，还能够帮助提升雷达目标识别的鲁棒性能。

主权项

基于距离像时频图非负稀疏编码的SAR目标识别方法，其特征在于，包括如下步骤：A)将SAR图像转换为SAR的距离像；B)采用自适应高斯基表示方法，利用高斯基函数对SAR的距离像进行迭代分解表示，进而计算得到SAR的距离像的时频矩阵；所述步骤B具体为：采用自适应高斯基表示方法，利用高斯基函数对SAR的距离像进行迭代分解表示：且其中，t表示时间；r(t)表示时间t时刻的SAR的距离像；gi(t)表示对距离像r(t)进行第i次迭代分解的高斯基函数，Ci表示对距离像r(t)进行第i次迭代分解的展开系数，i∈{1,2,…,imax}，imax表示进行迭代分解表示的迭代总次数，且迭代总次数imax使得迭代分解的重构误差满足ε为预设的重构误差阈值，且10‑3≤ε≤10‑5；且有关系式：gi(t)=(1παi)14exp{-(t-ti)22αi}·exp(j2πfit);]]>|Ci|2=maxti,fi,αi|∫ri(t)gi*(t)dt|2,αi∈R+,ti,fi∈R;]]>ti,fi,αi表示对距离像r(t)进行第i次迭代分解的高斯基函数中的分解参数；ri(t)表示对距离像r(t)进行第i次迭代分解之前的迭代残余项，且表示高斯基函数gi(t)的共轭；|·|表示取绝对值运算符；表示调整分解参数ti,fi,αi使得|·|2最大的最大值运算符；采用傅里叶变换算法求解上述关系式，得到第i次迭代分解的分解参数ti,fi,αi和展开系数Ci，进而通过下式得到距离像r(t)的时频矩阵Θ(t,f)：Θ(t,f)=Σi=0imin2|Ci|2exp{-(t-ti)22αi-(2π)2αi(f-fi)2};]]>其中，t表示时间，f表示频率；C)针对多类不同的已知雷达目标，分别采集多个已知雷达目标的SAR图像作为训练样本，并按照步骤A～B分别处理得到各个类别中各个训练样本的时频矩阵；再将每个训练样本的时频矩阵中的所有非负像素排列形成一个列向量，从而由各个训练样本的时频矩阵构成的列向量排列形成一个训练样本矩阵Z；采用非负稀疏编码学习算法将训练样本矩阵Z分解为非负字典矩阵D和非负稀疏系数矩阵H的乘积：Z＝DH；D)利用训练样本矩阵分解得到的非负字典矩阵，根据各个训练样本的时频矩阵计算得到各个训练样本各自的非负稀疏编码特征向量，从而得到各类已知雷达目标的非负稀疏编码总特征向量；所述步骤D具体为：对于第p类已知雷达目标的第j个训练样本的时频矩阵利用训练样本矩阵分解得到的非负字典矩阵D，计算其对应的非负稀疏编码特征向量vip=(DTD)-1DTzjp;]]>(·)‑1表示矩阵求逆运算符；从而由第p类已知雷达目标的所有训练样本对应的非负稀疏编码特征向量构成第p类已知雷达目标的非负稀疏编码总特征向量Vp：Vp=[v1p,v2p,...,vjp,...,vJp];]]>其中，J表示第p类已知雷达目标的训练样本总数；由此，分别得到各类已知雷达目标的非负稀疏编码总特征向量；E)针对待测雷达目标，采集待测雷达目标的SAR图像，按照步骤A～B处理得到待测雷达目标的时频矩阵；利用训练样本矩阵分解得到的非负字典矩阵，根据待测雷达目标的时频矩阵计算得到待测雷达目标的非负稀疏编码特征向量；F)以各类已知雷达目标的非负稀疏编码总特征向量作为识别基准，利用支撑向量机识别算法，对待测雷达目标的非负稀疏编码特征向量进行分类识别，得到待测雷达目标的识别结果。