發(fā)布時間：2021-01-31 21:06

　　為了更好地對合成孔徑雷達（SAR）圖像進行分類,文中提出一種基于局部線性嵌入方法（LLE）和隨機拉普拉斯特征映射方法（SLEM）相融合的算法。在拉普拉斯特征映射方法的基礎(chǔ)上引入隨機過程的概念,并將局部線性嵌入方法與隨機拉普拉斯映射方法進行函數(shù)融合,兩種方法的融合為提取高維空間中嵌入的低維特征提供了更詳細的結(jié)構(gòu)信息,保留了原始數(shù)據(jù)集的幾何特征;將算法應(yīng)用于MSTAR數(shù)據(jù)集,再通過KNN分類器進行分類;最后,實驗結(jié)果證明了該算法的有效性。 

【文章來源】：現(xiàn)代雷達. 2020,42(04)北大核心

【文章頁數(shù)】：5 頁

【部分圖文】：

三類不同目標的光學(xué)圖像和SAR圖像

在Matlab2014a實驗環(huán)境下,對SAR圖像進行實驗以驗證本文算法的有效性。首先,分別使用維納濾波、EDS濾波、高斯去噪三種不同的去噪方法對圖像進行預(yù)處理,部分圖像去噪結(jié)果如圖2所示。通過流形學(xué)習(xí)方法分別提取五種不同維度的特征,分類結(jié)果如圖3所示。與其他四種維度的特征相比,當(dāng)維度d=50時的識別效果更好,識別率最高為99.7%,同時高斯濾波去噪后的分類效果也優(yōu)于其他兩種方法。圖3 不同去噪方法的分類結(jié)果對比

圖2 三種濾波方法去噪結(jié)果接下來先對剪裁后的圖像進行高斯去噪,再采用不同的流形學(xué)習(xí)算法對預(yù)處理以后的圖像進行特征提取,取同樣維度m=55,分類結(jié)果如表1所示。

【參考文獻】：
期刊論文
[1]基于數(shù)據(jù)擴維的SAR目標識別性能提升技術(shù)[J]. 羅震宇,于俊朋,劉振華.  現(xiàn)代雷達. 2019(05)
[2]基于KNN的合成孔徑雷達目標識別[J]. 郝巖,白艷萍,張校非.  火力與指揮控制. 2018(09)
[3]卷積神經(jīng)網(wǎng)絡(luò)在SAR目標識別中的應(yīng)用[J]. 郝巖,白艷萍,張校非,杜敦偉.  重慶理工大學(xué)學(xué)報(自然科學(xué)). 2018(05)
[4]基于卷積神經(jīng)網(wǎng)絡(luò)遷移學(xué)習(xí)的SAR圖像目標分類[J]. 劉晨,曲長文,周強,李智,李健偉.  現(xiàn)代雷達. 2018(03)
[5]基于卷積神經(jīng)網(wǎng)絡(luò)的高分辨距離像目標識別[J]. 楊予昊,孫晶明,虞盛康,彭雄偉.  現(xiàn)代雷達. 2017(12)



本文編號：3011575