一种鲁棒的多尺度稀疏表示SAR目标识别方法

doi:10.7523/j.issn.2095-6134.2017.01.013

中国科学院大学学报 ›› 2017, Vol. 34 ›› Issue (1): 99-105.DOI: 10.7523/j.issn.2095-6134.2017.01.013

一种鲁棒的多尺度稀疏表示SAR目标识别方法

向卫力^1,2, 李晓辉¹, 周勇胜¹, 李传荣¹, 唐伶俐¹

1 中国科学院光电研究院中国科学院定量遥感信息技术重点实验室, 北京 100094;
2 中国科学院大学, 北京 100049

收稿日期:2016-04-22 修回日期:2016-05-11 发布日期:2017-01-15
通讯作者: 周勇胜,E-mail:zhouys@aoe.ac.cn
基金资助:
国家自然科学基金（61331020，61571422）和国家863计划项目（2013AA122903，2013AA122904）资助

A robust SAR target recognition method based on multi-scale feature and sparse representation

XIANG Weili^1,2, LI Xiaohui¹, ZHOU Yongsheng¹, LI Chuanrong¹, TANG Lingli¹

1 Key Laboratory of Quantitative Remote Sensing Information Technology, Academy of Opto-Electronics, Chinese Academy of Sciences, Beijing 100094, China;
2 University of Chinese Academy of Sciences, Beijing 100049, China

Received:2016-04-22 Revised:2016-05-11 Published:2017-01-15

摘要/Abstract

摘要：

提出一种基于多尺度Gabor滤波特征提取和稀疏表示的SAR图像目标识别方法。首先，在目标分割的基础上，利用Gabor滤波器对SAR目标图像在不同方向上进行滤波，增强目标的局部特征；然后，根据稀疏表示模型，以训练样本特征为原子构建字典，利用稀疏求解算法选择最优的原子集合来表示测试样本特征，进而计算表示系数中非负值的l₁范数来判别测试样本。实验结果验证了该算法的有效性与鲁棒性。

关键词: SAR, 目标识别, 稀疏表示, 多尺度

Abstract:

A robust synthetic aperture radar (SAR) target recognition method based on multi-scale Gabor feature extraction and sparse representation is proposed. Firstly, SAR images are segmented and filtered in different directions by using multi-scale Gabor filter to enhance the local features. Then, based on sparse representation model, the sparse dictionary is constructed by using the training samples as atoms. By using the sparse solving algorithms, the testing samples are represented by selecting the optimal atom set. Finally, the testing samples are recognized according to the l₁ norm of non-negative sparse representation coefficient. Experimental results show the effectiveness and robustness of the proposed method.

Key words: SAR, target recognition, sparse representation, multi-scale

中图分类号:

TP391

向卫力, 李晓辉, 周勇胜, 李传荣, 唐伶俐. 一种鲁棒的多尺度稀疏表示SAR目标识别方法[J]. 中国科学院大学学报, 2017, 34(1): 99-105.

XIANG Weili, LI Xiaohui, ZHOU Yongsheng, LI Chuanrong, TANG Lingli. A robust SAR target recognition method based on multi-scale feature and sparse representation[J]. , 2017, 34(1): 99-105.

参考文献

[1] Fennell M T, Wishner R P. Battlefield awareness via synergistic SAR and MTI exploitation[J]. IEEE Aerospace and Electronic Systems Magazine, 1998, 13(2):39-43.
[2] 王保云, 张逸为, 张荣,等. 一种基于动态字典学习的SAR图像目标识别算法[J]. 光电工程, 2013, 40(6):17-25.
[3] 陈玲艳, 刘智, 张红. 基于水体散射特性的SAR图像水体检测[J]. 遥感技术与应用, 2014, 29(6):963-969.
[4] 周雨, 王海鹏, 陈思喆. 基于数值散射模拟与模型匹配的SAR自动目标识别研究[J]. 雷达学报, 2015, 4(6):666-673.
[5] Novak L M. State-of-the-art of SAR automatic target recognition[C]//Record of the IEEE 2000 International Radar Conference. IEEE, 2000:836-843.
[6] Novak L M, Owirka G J, Brower W S. Performance of 10-and-20-target MSE classifiers[J]. IEEE Transactions on Aerospace and Electronic Systems, 2000, 36(4):1279-1289.
[7] Zhao Q, Principe J C. Support vector machines for SAR automatic target recognition[J]. IEEE Transactions on Aerospace Electronic Systems, 2001, 37(2):643-654.
[8] Mallat S G, Zhang Z. Matching pursuits with time-frequency dictionaries[J]. IEEE Transactions on Signal Processing, 1994, 41(12):3397-3415.
[9] Chen S S, Donoho D L, Saunders M A. Atomic decomposition by basis pursuit[J]. Siam Review, 2001, 43(1):33-61.
[10] Thiagarajan J J, Ramamurthy K N, Knee P, et al. Sparse representations for automatic target classification in SAR images[C]//International Symposium on Communications, Control and Signal Processing, 2010:1-4.
[11] 刘中杰, 庄丽葵, 曹云峰,等. 基于主元分析和稀疏表示的SAR图像目标识别[J]. 系统工程与电子技术, 2013, 35(2):282-286.
[12] 程建, 黎兰, 王海旭. 稀疏表示框架下的SAR目标识别[J]. 电子科技大学学报, 2014,43(4):524-529.
[13] 齐会娇, 王英华, 丁军,等. 基于多信息字典学习及稀疏表示的SAR目标识别[J]. 系统工程与电子技术, 2015, 37(6):1280-1287.
[14] Witkin A P. Scale-space filtering[C]//International Joint Conference on Artificial Intelligence. 1983:329-332.
[15] Mar?elja, S. Mathematical description of the responses of simple cortical cells[J]. Journal of the Optical Society of America, 1980, 70(11):1297-1300.
[16] Daugman J G. Complete discrete 2-D Gabor transforms by neural networks for image analysis and compression[J]. IEEE Transactions on Acoustics Speech & Signal Processing, 1988, 36(7):1169-1179.
[17] Tropp J, Gilbert A C. Signal recovery from random measurements via orthogonal matching pursuit[J]. IEEE Transactions on Information Theory, 2008, 53(12):4655-4666.
[18] Wipf D P, Rao B D. An empirical bayesian strategy for solving the simultaneous sparse approximation problem[J]. IEEE Transactions on Signal Processing, 2007, 55(7):3704-3716.
[19] Min H B, Rong P, Wu T, et al. Automated segmentation of mouse brain images using extended MRF[J]. Neuroimage, 2009, 46(3):717-725.
[20] Larlus D, Jurie F. Combining appearance models and Markov random fields for category level object segmentation[C]//IEEE Conference on Computer Vision & Pattern Recognition, 2008:1-7.

一种鲁棒的多尺度稀疏表示SAR目标识别方法

A robust SAR target recognition method based on multi-scale feature and sparse representation

PDF (PC)

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics

本文评价

访问统计

联系我们

[1]	孟曦婷, 计璐艳, 赵永超, 杨炜暾. 基于深度学习的多尺度导弹发射井目标检测[J]. 中国科学院大学学报, 2021, 38(6): 800-808.
[2]	林世明, 张毅, 王吉利, 赵爽. 星载双基InSAR系统中的电离层色散效应分析与校正[J]. 中国科学院大学学报, 2021, 38(6): 809-816.
[3]	尹迪, 韩冰, 孙吉利, 赵良波, 洪文, 胡玉新. 天线扫描对TOPSAR辐射影响的校正方法[J]. 中国科学院大学学报, 2021, 38(6): 791-799.
[4]	向建冰, 吕孝雷, 付希凯. 基于双曲等效的双星滑动聚束SAR两步成像算法[J]. 中国科学院大学学报, 2021, 38(4): 511-518.
[5]	李丹, 刘佳音. 不同时空条件下的高分三号SAR图像立体定位方法[J]. 中国科学院大学学报, 2021, 38(4): 519-523.
[6]	刘杉, 张风丽, 韦诗莹, 刘娜, 邵芸. 基于极化分解组合的SAR图像视觉优化和建筑物损毁评估[J]. 中国科学院大学学报, 2020, 37(6): 750-759.
[7]	王泽隆, 徐向辉, 张雷. 基于仿真SAR图像深度迁移学习的自动目标识别[J]. 中国科学院大学学报, 2020, 37(4): 516-524.
[8]	杨牡丹, 魏中浩, 徐志林, 张冰尘, 洪文. 一种基于层次稀疏的全极化SAR层析成像方法[J]. 中国科学院大学学报, 2020, 37(4): 525-531.
[9]	董小桐, 韩春明, 岳昔娟, 赵迎辉. 一种机载重轨InSAR高精度三维定位方法[J]. 中国科学院大学学报, 2019, 36(6): 844-850.
[10]	马肖肖, 程博, 刘岳明, 崔师爱, 梁琛彬. 基于极化特征和纹理特征的PolSAR影像建筑物提取方法[J]. 中国科学院大学学报, 2019, 36(5): 682-693.
[11]	闫成章, 刘畅. 基于显著性的SAR图像船舶目标检测方法[J]. 中国科学院大学学报, 2019, 36(3): 401-409.
[12]	邹浩, 林赟, 洪文. 基于多角度合成SAR图像的目标识别性能分析[J]. 中国科学院大学学报, 2019, 36(2): 226-234.
[13]	马娇, 董勇伟, 李原, 李凌霄, 杨杰芳. 多旋翼无人机微多普勒特性分析与特征提取[J]. 中国科学院大学学报, 2019, 36(2): 235-243.
[14]	杨力, 魏中浩, 张冰尘, 卢晓军. 基于广义最小最大凹惩罚项的ISAR稀疏成像方法[J]. 中国科学院大学学报, 2019, 36(2): 244-250.
[15]	段伟, 吕孝雷. 一种新的桥梁区域时序InSAR相位解缠方法[J]. 中国科学院大学学报, 2019, 36(2): 251-258.