針對現有合成孔徑雷達(SAR)圖像特征提取方面的不足,提出基于非下采樣剪切波(NSST)特征提取的SAR目標識別方法。該方法采用NSST對SAR圖像進行分解獲得多層次的子代圖像,這些子代圖像具有良好的平移不變性并且可以很好地反映目標的主要和細節(jié)特征。在分類階段,采用聯合稀疏表示對多層次NSST子代圖像進行聯合表征;聯合稀疏表示在獨立表示各個分量的同時考察了不同分量之間的相關性,因此可以有效提高聯合表征的精度;最終,根據整體重構誤差判定測試樣本的目標類別�；贛STAR數據集對提出方法進行測試,實驗結果分析表明該方法在標準操作條件、型號差異、俯仰角差異以及噪聲干擾的條件下均可以保持優(yōu)異性能。 

【文章來源】：探測與控制學報. 2020年01期 北大核心

【文章頁數】：6 頁

【部分圖文】：

NSST示意圖

具體實施中,綜合考慮識別精度和效率,分解文獻[21]中指出的4個子代圖像代入后續(xù)聯合稀疏表示,其中第1子代圖像為低通分量,反映目標的整體信息。對于所有的子代圖像,采用文獻[13]中的隨機投影降維方法得到520維的特征矢量。3 實驗與分析

首先基于表1中的實驗設置對提出方法在標準操作條件下的識別性能進行測試,具體結果展示如圖3所示的混淆矩陣。圖中對角線上的元素反映了對應目標在當前條件下的正確識別率,其余元素為錯誤識別為不同目標的概率�？梢�,各類目標均可以以98%以上的識別率實現正確分類。通過對各類對比算法進行相同測試,獲得各類方法的平均識別率如表2所列。本文方法以99.14%的識別率居首,充分說明了其有效性。CNN方法在標準操作條件下同樣可以取得很高的識別率,主要因為在訓練樣本充分的條件下訓練得到的分類網絡對于測試樣本具有很好的適應性。表2 各類方法在標準操作條件下的平均識別率Tab.2 Average recognition rates of different methods under SOC 方法類型 平均識別率/% 本文方法 99.14 SVM 96.73 SRC 95.94 CNN 99.08

【參考文獻】：
期刊論文
[1]基于多層卷積神經網絡的SAR圖像分類方法[J]. 李倩,裴炳南,常芳芳.  探測與控制學報. 2018(03)
[2]卷積神經網絡在SAR目標識別中的應用[J]. 郝巖,白艷萍,張校非,杜敦偉.  重慶理工大學學報(自然科學). 2018(05)
[3]結合NSST和快速非局部均值濾波的刀具圖像去噪[J]. 龍云淋,吳一全,周楊.  信號處理. 2017(11)
[4]屬性散射中心匹配及其在SAR目標識別中的應用[J]. 丁柏圓,文貢堅,余連生,馬聰慧.  雷達學報. 2017(02)
[5]基于NSST和稀疏表示的多源異類圖像融合方法[J]. 王志社,楊風暴,彭智浩.  紅外技術. 2015(03)
[6]NSST與CSLDP相結合的人臉識別[J]. 楊恢先,翟云龍,蔡勇勇,奉俊鵬,李球球.  計算機工程與應用. 2016(08)
[7]NSST各向異性雙變量收縮的圖像去噪算法[J]. 陳利霞,文學霖,歐陽寧.  計算機工程與設計. 2014(12)
[8]基于非下采樣剪切波及TPCA的人臉識別[J]. 陳慧,閆德勤,呂志超,王洪東.  微型機與應用. 2014(16)
[9]基于小波字典稀疏表示的SAR圖像目標識別[J]. 田莉萍,王建國.  雷達科學與技術. 2014(01)
[10]基于NSST和自適應PCNN的圖像融合算法[J]. 江平,張強,李靜,張錦.  激光與紅外. 2014(01)



本文編號：2913475