基于壓縮采樣與集成編碼分類器的雷達場景分類方法
【技術領域】
[0001] 本發(fā)明屬于雷達傳感器和圖像處理技術領域，涉及一種壓縮采樣與集成的分類方 法，可實現(xiàn)快速的合成孔徑雷達傳感器場景分類。
【背景技術】
[0002] 微波或者毫米波雷達成像方式有實孔徑成像和合成孔徑雷達（Synthetic Aperture Radar, SAR)兩種方式。合成孔徑雷達成像在遠距離的目標感知和探測時具有更 好的分辨率，可以詳細地、準確地觀測地形、地貌，并且能有效地生成目標地域周圍環(huán)境的 高分辨率圖形，能夠有效地提取場景特征，進行圖像的輪廓提取和目標識別。
[0003] 基于微波或者毫米波雷達的合成孔徑雷達成像技術具有如下特有的優(yōu)勢：1)SAR 成像不依賴于光照，而是依靠自己發(fā)射的微波，能夠穿透云、雨、雪和煙霧，有全天時、全天 候成像能力，這是SAR遙感最突出的優(yōu)勢；2)微波對障礙物有一定的穿透能力；3)對金屬 目標以及地表的紋理特征有較強的探測能力。但與光學圖像相比，SAR圖像的視覺可讀性 較差，使得SAR圖像信息處理非常困難。然而另一方面，隨著SAR日趨廣泛的應用以及SAR 技術的不斷成熟，其數(shù)據(jù)信息也在大幅度增長，SAR所收集的數(shù)據(jù)量非常大已經(jīng)遠遠超出了 人工作出迅速判斷的極限。
[0004] 圖像的分類問題一直是圖像處理中的一個重點問題，SAR圖像也不例外。隨著SAR 技術的發(fā)展，尋找簡單的、快速的、精度較高的SAR圖像分類技術變得尤為重要?，F(xiàn)有的圖 像分類的方法大都源自模式分類，基本上可以分為兩大類：有監(jiān)督分類方法和無監(jiān)督分類 方法。無監(jiān)督的分類方法有C均值，模糊C均值，聚類等，這類方法分類時間復雜度較低， 可以快速的給出目標的分類結(jié)果，但分類精度一般較低。有監(jiān)督的分類方法有最近鄰，K近 鄰，貝葉斯分類器，支持向量機，神經(jīng)網(wǎng)絡等，這類方法分類精度一般較高，但需要耗費大量 的時間來訓練合適的模型，訓練過程所耗費的時間遠大于目標分類所需的時間。

【發(fā)明內(nèi)容】

[0005] 本發(fā)明的目的在于提出基于壓縮采樣與集成編碼分類器的雷達場景分類方法，本 發(fā)明在現(xiàn)有的稀疏編碼分類器的基礎上，利用壓縮采樣與集成的思路可以實現(xiàn)快速且高精 度的雷達傳感器場景分類。
[0006] 為實現(xiàn)上述技術目的，本發(fā)明采用如下技術方案予以實現(xiàn)。
[0007] 基于壓縮采樣與集成編碼分類器的雷達場景分類方法包括以下步驟：
[0008] 步驟1，獲取類別已知的多個SAR圖像，提取所述類別已知的每個SAR圖像的紋理 特征，將所述類別已知的每個SAR圖像的紋理特征作為一個訓練樣本；利用合成孔徑雷達 獲取測試用SAR圖像，提取所述測試用SAR圖像的紋理特征，將所述測試用SAR圖像的紋理 特征作為測試樣本y;
[0009] 步驟2,得出每個訓練樣本的類別，每個訓練樣本的類別為對應訓練樣本對應的 SAR圖像的類別；在每類訓練樣本中隨機選取m個訓練樣本；將隨機選取的各個訓練樣本組 成過完備字典A ;
[0010] 步驟3,構造第1觀測矩陣至第10觀測矩陣〇 1(|，所述第N觀測矩陣〇N是大 小為 100NX20 的矩陣，N = 1，2, 3, ? ? ? 8, 9, 10 ;
[0011] 步驟4,得出測試樣本y在過完備字典A下投影的與第N觀測矩陣〇N對應的系數(shù) 矢量a N，a @大小為kmX 1的矢量，k表示步驟1得出的所有訓練樣本的總類別數(shù)；
[0012] 步驟5,根據(jù)系數(shù)矢量a N，應用稀疏編碼的圖像分類方法準則，判斷出與第N觀測 矩陣％對應的測試樣本y的類別標簽；
[0013] 步驟6,在與每個觀測矩陣對應的測試樣本y的類別標簽中，將數(shù)目最多的類別標 簽作為測試樣本y的最終類別標簽。
[0014] 本發(fā)明的有益效果為：1)由于本發(fā)明在稀疏編碼的基礎上增加了觀測矩陣的構 造，利用壓縮感知的思想可以更好的提高分類精度。2)由于本發(fā)明在計算測試樣本投影系 數(shù)的時候結(jié)合了 2范數(shù)可求導的準則，避免了常規(guī)算法中迭代和匹配追蹤所造成較大的時 間復雜度，可以快速的完成分類，減少了所消耗的時間。3)由于本發(fā)明在分類器的設計中加 入了集成的思想，減少了觀測矩陣維數(shù)對分類結(jié)果的影響，提高了分類精度和魯棒性。
【附圖說明】
[0015] 圖1為本發(fā)明的基于壓縮采樣與集成編碼分類器的雷達場景分類方法的流程圖；
[0016] 圖2a為仿真實驗采用的第一組SAR圖像的示意圖；
[0017] 圖2b為仿真實驗采用的第二組SAR圖像的示意圖；
[0018] 圖2c為仿真實驗采用的第三組SAR圖像的示意圖；
[0019] 圖2d為仿真實驗采用的第四組SAR圖像的示意圖；
[0020] 圖2e為仿真實驗采用的第五組SAR圖像的示意圖；
[0021] 圖3為仿真實驗中在隨機選取的每類100個樣本中分別選取不同的數(shù)量的訓練樣 本時采用本發(fā)明得出的測試樣本的分類精度示意圖；
[0022] 圖4為仿真實驗中在隨機選取的每類100個樣本中分別選取不同的數(shù)量的訓練樣 本時采用本發(fā)明和稀疏表示分類算法得出的測試樣本分類的運算時間的對比示意圖。
【具體實施方式】
[0023] 下面結(jié)合附圖對本發(fā)明作進一步說明：
[0024] 參照圖1，為本發(fā)明的基于壓縮采樣與集成編碼分類器的雷達場景分類方法的流 程圖。該基于壓縮采樣與集成編碼分類器的雷達場景分類方法包括以下步驟：
[0025] 步驟1，獲取類別已知的多個SAR圖像，提取上述類別已知的每個SAR圖像的紋理 特征，將上述類別已知的每個SAR圖像的紋理特征作為一個訓練樣本；舉例來說，SAR圖像 的類別指：城鎮(zhèn)、機場、農(nóng)田、橋梁、山地、水域等。
[0026] 利用合成孔徑雷達獲取測試用SAR圖像，提取上述測試用SAR圖像的紋理特征，將 上述測試用SAR圖像的紋理特征作為測試樣本y。
[0027] 具體地，在步驟1中，提取每個SAR圖像的紋理特征的過程包括以下子步驟：
[0028] (1. 1)針對該SAR圖像，構造第1灰度共生矩陣至第4灰度共生矩陣，每個灰度共 生矩陣對應的像素距離（空間距離）相同，均為設定值d，第1灰度共生矩陣對應的像素角 度（空間方向）0為0°，第2灰度共生矩陣對應的像素角度（空間方向）0為45°，第3 灰度共生矩陣對應的像素角度（空間方向）0為90°，第4灰度共生矩陣對應的像素角度 (空間方向）0為135°。
[0029] 對于每個灰度共生矩陣，其第i行第j列的元素表示為Pip i = 1，2,…，G;j = 1，2,…，G ;G表示對應的SAR圖像的灰度值的級數(shù)，即對應的SAR圖像灰度級的最大值。Pij 表示在給定像素距離和像素角度時，以灰度值級數(shù)為i的像素點為起始點，出現(xiàn)灰度值級 數(shù)為j的概率。
[0030] (1. 2)計算出每個灰度共生矩陣的能量、熵、對比度、逆差矩（也稱為局部相似性） 以及自相關。
[0031] 具體地，每個灰度共生矩陣的能1
【主權項】
1. 基于壓縮采樣與集成編碼分類器的雷達場景分類方法，其特征在于，包括以下步 驟： 步驟1，獲取類別已知的多個SAR圖像，提取所述類別已知的每個SAR圖像的紋理特征， 將所述類別已知的每個SAR圖像的紋理特征作為一個訓練樣本；利用合成孔徑雷達獲取測 試用SAR圖像，提取所述測試用SAR圖像的紋理特征，將所述測試用SAR圖像的紋理特征作 為測試樣本y; 步驟2,得出每個訓練樣本的類別，每個訓練樣本的類別為對應訓練樣本對應的SAR圖 像的類別；在每類訓練樣本中隨機選取m個訓練樣本；將隨機選取的各個訓練樣本組成過 完備字典A; 步驟3,構造第1觀測矩陣?i至第10觀測矩陣? 1(|，所述第N觀測矩陣? 1<是大小為 100NX20 的矩陣，N= 1，2, 3,... 8, 9, 10 ; 步驟4,得出測試樣本y在過完備字典A下投影的與第N觀測矩陣①以寸應的系數(shù)矢量aN，a濕大小為kmX1的矢量，k表示步驟1得出的所有訓練樣本的總類別數(shù)； 步驟5,根據(jù)系數(shù)矢量aN，應用稀疏編碼的圖像分類方法準則，判斷出與第N觀測矩陣 〇\對應的測試樣本y的類別標簽； 步驟6,在與每個觀測矩陣對應的測試樣本y的類別標簽中，將數(shù)目最多的類別標簽作 為測試樣本y的最終類別標簽。
2. 如權利要求1所述的基于壓縮采樣與集成編碼分類器的雷達場景分類方法，其特征 在于，在所述步驟1中，提取每個SAR圖像的紋理特征的過程包括以下子步驟： (I. 1)針對對應SAR圖像，構造第1灰度共生矩陣至第4灰度共生矩陣，每個灰度共生 矩陣對應的像素距離相同，第1灰度共生矩陣對應的像素角度為0°，第2灰度共生矩陣對 應的像素角度為45°，第3灰度共生矩陣對應的像素角度為90°，第4灰度共生矩陣對應 的像素角度為135° ; 對于每個灰度共生矩陣，其第i行第j列的元素表示為Pmi= 1，2,…，G;j= 1，2,…，G;G表示對應的SAR圖像的灰度值的級數(shù)； (1. 2)計算出每個灰度共生矩陣的能量、熵、對比度、逆差矩以及自相關； (1. 3)將每個灰度共生矩陣的能量、熵、對比度、逆差矩以及自相關組合為對應的特征 向量，每個灰度共生矩陣的元素個數(shù)為5 ;將各個灰度共生矩陣的特征向量組合成對應SAR 圖像的紋理特征，組合成的SAR圖像的紋理特征為元素個數(shù)為20的向量。
3. 如權利要求1所述的基于壓縮采樣與集成編碼分類器的雷達場景分類方法，其特征 在于，在步驟2中，所述過完備字典A為： A - [ a1，1，a 1,2,? ? ?a l，m> a 2,1，a 2, 2,? ? ?，a 2，m>? ? ?，a k，1，? ? ?a k，m] 其中，aln表示隨機選取的第I類訓練樣本中的第n個訓練樣本，I取I至k，n取I至m〇
4. 如權利要求1所述的基于壓縮采樣與集成編碼分類器的雷達場景分類方法，其特征 在于，在步驟4中，按照稀疏表示的模型，構建關于系數(shù)矢量aN的優(yōu)化模型：
其中，IPt表示矩陣的F范數(shù)的平方，A為設定的正則化因子； 在構建所述關于系數(shù)矢量a優(yōu)化模型之后，對其進行求解，得到系數(shù)矢量aN的最 優(yōu)解。
5.如權利要求1所述的基于壓縮采樣與集成編碼分類器的雷達場景分類方法，其特征 在于，在步驟5中，將系數(shù)矢量aN中第（l-l)m+l個元素至第Im個元素保留，將其余元素 替換為〇,得出kmX1的矢量SdaN)，1取1至k，k表示步驟1得出的所有訓練樣本的總 類別數(shù)；
進行求解，將求解得出的1的值作為與第N觀 測矩陣％對應的測試樣本y的類別標簽。
【專利摘要】本發(fā)明屬于雷達場景分類技術領域，公開了基于壓縮采樣與集成編碼分類器的雷達場景分類方法，其包括以下步驟：將類別已知的每個SAR圖像的紋理特征作為訓練樣本；獲取測試樣本y；得出每個訓練樣本的類別；在每類訓練樣本中隨機選取m個訓練樣本；將隨機選取的各個訓練樣本組成過完備字典A；構造第1觀測矩陣Φ1至第10觀測矩陣Φ10；得出測試樣本y在過完備字典A下投影的與第N觀測矩陣ΦN對應的系數(shù)矢量αN；根據(jù)系數(shù)矢量αN，判斷出與第N觀測矩陣ΦN對應的測試樣本y的類別標簽；將數(shù)目最多的類別標簽作為測試樣本y的最終類別標簽。
【IPC分類】G06K9-66, G06K9-62
【公開號】CN104715265
【申請?zhí)枴緾N201510169245
【發(fā)明人】王敏, 陳景東, 王勇
【申請人】蘇州聞捷傳感技術有限公司
【公開日】2015年6月17日
【申請日】2015年4月10日