基于稀疏約束的非負(fù)矩陣分解的sar圖像目標(biāo)識(shí)別方法
【專利摘要】本發(fā)明屬于圖像處理【技術(shù)領(lǐng)域】，具體公開了一種基于稀疏約束的非負(fù)矩陣分解的SAR圖像目標(biāo)識(shí)別方法，主要通過對(duì)非負(fù)矩陣分解方法的改進(jìn)來提取更有效的特征以提高識(shí)別精度，解決現(xiàn)有技術(shù)提取的特征不典型，識(shí)別精確度不高的問題。實(shí)現(xiàn)方案是：將訓(xùn)練樣本圖像和測(cè)試樣本圖像都進(jìn)行同樣的預(yù)處理并作對(duì)數(shù)變換，對(duì)預(yù)處理后訓(xùn)練樣本集用稀疏約束的非負(fù)矩陣分解進(jìn)行分解得到基矩陣和系數(shù)矩陣，將測(cè)試樣本集投影在基矩陣構(gòu)造的子空間中，得到特征矩陣后，用SVM進(jìn)行分類得到最終的分類精度。本發(fā)明與現(xiàn)有的技術(shù)相比提取的特征更有效，能有效地提高識(shí)別精度。
【專利說明】基于稀疏約束的非負(fù)矩陣分解的SAR圖像目標(biāo)識(shí)別方法

【技術(shù)領(lǐng)域】
[0001] 本發(fā)明屬于圖像處理【技術(shù)領(lǐng)域】，涉及到一種圖像的特征提取方法，即非負(fù)矩陣分 解方法，具體是一種基于稀疏約束的非負(fù)矩陣分解的SAR圖像目標(biāo)識(shí)別方法，可廣泛用于 軍事和民事應(yīng)用中。

【背景技術(shù)】
[0002] 合成孔徑雷達(dá)（Synthetic Aperture Radar, SAR)以其全天時(shí)、全天候、穿透力強(qiáng) 等特點(diǎn)，是對(duì)地觀測(cè)和軍事偵測(cè)的重要手段之一。SAR圖像目標(biāo)識(shí)別作為SAR圖像分析與解 譯的關(guān)鍵技術(shù)之一，具有很強(qiáng)的商業(yè)和軍事價(jià)值，日益成為國(guó)內(nèi)外的研究熱點(diǎn)。
[0003] 在SAR圖像目標(biāo)識(shí)別研究中，主要包括圖像特征提取研究和機(jī)器學(xué)習(xí)機(jī)研究。圖 像特征提取研究的主要目的是為了抑制斑點(diǎn)噪聲對(duì)識(shí)別率的影響并且最大限度地體現(xiàn)SAR 圖像本身具有的稀疏性，所以圖像特征提取的好壞將直接影響到識(shí)別精度。同樣，機(jī)器學(xué)習(xí) 機(jī)的好壞會(huì)影響對(duì)目標(biāo)特征的學(xué)習(xí)能力，從而影響分類精度。
[0004] 目前SAR圖像目標(biāo)識(shí)別的方法大都基于灰度相關(guān)匹配和二維不變矩特征，或是基 于目標(biāo)邊緣檢測(cè)等方法。其主要思想是通過提取圖像域或小波域的參數(shù)來構(gòu)建特征矩陣， 這種基于全局特征的方法雖然可以獲得較好的識(shí)別精度，但是受噪聲影響較大，運(yùn)算代價(jià) 高，速度慢，從而導(dǎo)致實(shí)用性不強(qiáng)。
[0005] Zongjie Cao 和 Jilan Feng 在 2012 年提出 了基于非負(fù)矩陣分解（Non-Negative Matrix Factorization，NMF)與Fisher線性判別的SAR目標(biāo)識(shí)別方法。該方法采用NMF和 Fisher線性判別分析作為特征提取的方法，降低了數(shù)據(jù)運(yùn)算量并提高了識(shí)別精度。但在該 方法中，沒有體現(xiàn)出SAR圖像本身具有的稀疏性，且沒有用分類精度高的機(jī)器學(xué)習(xí)算法。


【發(fā)明內(nèi)容】

[0006] 本發(fā)明的目的在于克服上述已有技術(shù)的不足，提出了一種基于稀疏約束的非負(fù)矩 陣分解的SAR圖像目標(biāo)識(shí)別方法。
[0007] 本發(fā)明的技術(shù)方案是：一種基于稀疏約束的非負(fù)矩陣分解的SAR圖像目標(biāo)識(shí)別方 法，其具體步驟包括：
[0008] 步驟101 :輸入訓(xùn)練樣本集z = {Zi}，i = 1，2···Ν和測(cè)試樣本集Y = {Yj}，j = 1，2…M，其中Zi和Yj是代表一幅圖像的矩陣，大小為mXm階，N為訓(xùn)練樣本數(shù)，Μ為測(cè)試樣 本數(shù)；對(duì)每一幅圖像進(jìn)行預(yù)處理，包括調(diào)整目標(biāo)圖像的位置到圖像中心的位置，截取目標(biāo)圖 像，并對(duì)圖像幅值作對(duì)數(shù)變換，對(duì)數(shù)變換公式如下：
[0009]

【權(quán)利要求】
1. 基于稀疏約束的非負(fù)矩陣分解的SAR圖像目標(biāo)識(shí)別方法，其特征在于：包括如下步 驟： 步驟101 :輸入訓(xùn)練樣本集Z=儀丄i= 1，2?N和測(cè)試樣本集Y= {Y」}，j=I，2"-M，其中Zi和t是代表一幅圖像的矩陣，大小為mXm階，N為訓(xùn)練樣本數(shù)，M為測(cè)試樣本數(shù)； 對(duì)每一幅圖像進(jìn)行預(yù)處理，包括調(diào)整目標(biāo)圖像的位置到圖像中心的位置，截取目標(biāo)圖像，并 對(duì)圖像幅值作對(duì)數(shù)變換，對(duì)數(shù)變換公式如下：
式⑴中l(wèi)og為自然對(duì)數(shù)運(yùn)算符，得到預(yù)處理后的訓(xùn)練樣本集之=!之丨/_ =丨,2…/V;同 理，對(duì)測(cè)試樣本集做同樣的預(yù)處理后得到F$丨=U…M，之和寫.都為nXn階矩陣； 步驟102 :將訓(xùn)練樣本集Z中的每一幅nXn像素的圖像表示成一個(gè)nXn維的列向量， 得到nXn行、N列的訓(xùn)練矩陣V，對(duì)測(cè)試樣本集進(jìn)行同樣的變換得到nXn行、M列的測(cè)試矩 陣X; 步驟103 :對(duì)矩陣V進(jìn)行稀疏約束的非負(fù)矩陣分解 V測(cè)一Wu*zHz*N (2) 式（2)中，V為訓(xùn)練矩陣，W為基矩陣，H為系數(shù)矩陣，W與H矩陣中的元素必須是非負(fù)UN 的，且參數(shù)Z要滿足z< ，得到矩陣w和H; U+N 步驟104 :以W的列向量為基向量構(gòu)造子空間，將代表每一幅樣本圖像的V的每一列Vi 投影到該子空間，即ei =w+Vi，其中W+= (wTwrwT，得到向量4作為表征該圖像的特征向量； 將矩陣X的每一列Xi投影到該子空間，即yi =W+Xi,得到向量yi作為表征該圖像的特征向 量； 步驟105 :用支持向量機(jī)進(jìn)行分類，訓(xùn)練樣本集為（ei，，其中he{1，2, 3, 4, 5}是類 別標(biāo)號(hào)，測(cè)試樣本集為（yi，h)，最終得到分類結(jié)果。
2. 根據(jù)權(quán)利要求1所述的基于稀疏約束的非負(fù)矩陣分解的SAR圖像目標(biāo)識(shí)別方法，其 特征在于：步驟103包括如下步驟： 步驟201 :用kmeans聚類方法初始化W矩陣和H矩陣，對(duì)初始矩陣V進(jìn)行kmeans聚類， 類別數(shù)為Z，參數(shù)Z同步驟103中的參數(shù)Z，得到Z個(gè)中心向量wz ;用這Z個(gè)中心向量順序排 列初始化基矩陣W，用H=V/W初始化H矩陣； 步驟202 :在經(jīng)典的非負(fù)矩陣分解的目標(biāo)函數(shù)上增加了向量2-范數(shù)約束，目標(biāo)函數(shù)定 義如下：
式（3)中，Y為非負(fù)待定參數(shù)； 則稀疏約束的非負(fù)矩陣分解定義為如下優(yōu)化問題：
式（4)中，Sh代表H矩陣的稀疏性大??； 由式（4)可得迭代公式：
式（5)中，Uh為迭代步長(zhǎng)，由式（5)迭代公式得到最終的W矩陣和H矩陣。
【文檔編號(hào)】G06K9/62GK104268510SQ201410474534
【公開日】2015年1月7日 申請(qǐng)日期:2014年9月17日 優(yōu)先權(quán)日:2014年9月17日
【發(fā)明者】慕彩紅, 焦李成, 師萌, 熊濤, 劉若辰, 劉靜, 楊淑媛, 王爽, 云智強(qiáng), 王孝齊 申請(qǐng)人:西安電子科技大學(xué)