多層次結(jié)合的多視合成孔徑雷達(dá)圖像目標(biāo)識(shí)別方法
【專利摘要】多層次結(jié)合的多視合成孔徑雷達(dá)圖像目標(biāo)識(shí)別方法，包括以下步驟：第一步，對(duì)不同方位角下的多視合成孔徑雷達(dá)圖像進(jìn)行預(yù)處理；第二步，用小波分解和主成分分析對(duì)預(yù)處理后的圖像進(jìn)行特征提?。坏谌?，用支持向量機(jī)對(duì)特征分類，得到圖像屬于某個(gè)類別的后驗(yàn)概率；第四步，對(duì)預(yù)處理后的圖像在數(shù)據(jù)層用凸集投影超分辨率重構(gòu)算法重構(gòu)一幅高分辨率雷達(dá)圖像；第五步，對(duì)重構(gòu)后的高分辨率圖像用小波分解和主成分分析進(jìn)行特征提取；第六步，用支持向量機(jī)對(duì)第五步得到的特征分類，得到重構(gòu)圖像屬于某個(gè)類別的后驗(yàn)概率；第七步，用帶權(quán)重的貝葉斯決策融合方法對(duì)單圖像的后驗(yàn)概率和重構(gòu)圖像的后驗(yàn)概率進(jìn)行決策層融合，得到多視合成孔徑雷達(dá)圖像的類別。
【專利說明】多層次結(jié)合的多視合成孔徑雷達(dá)圖像目標(biāo)識(shí)別方法
【技術(shù)領(lǐng)域】
[0001]本發(fā)明涉及圖像處理、模式識(shí)別等領(lǐng)域，尤其涉及合成孔徑雷達(dá)圖像處理與目標(biāo)識(shí)別領(lǐng)域。
【背景技術(shù)】
[0002]合成孔徑雷達(dá)(Synthetic Aperture Radar, SAR)圖像目標(biāo)識(shí)別是SAR圖像解譯和處理的關(guān)鍵步驟，具有重要的應(yīng)用價(jià)值。SAR圖像目標(biāo)識(shí)別是對(duì)獲取的含有目標(biāo)的SAR圖像進(jìn)行目標(biāo)檢測(cè)、定位并判別出目標(biāo)的種類和型號(hào)。由于陰影效應(yīng)，信號(hào)與背景的交互，三維場(chǎng)景在斜平面的投影以及其他雷達(dá)橫截面對(duì)方位角敏感的因素，SAR圖像對(duì)目標(biāo)方位角的變化十分敏感。因而，SAR圖像中目標(biāo)的識(shí)別能力也會(huì)隨著方位角的變化而改變。所以，可利用同目標(biāo)不同方位角下的多視SAR圖像來提高目標(biāo)識(shí)別的性能。利用多視SAR圖像進(jìn)行目標(biāo)識(shí)別可在目標(biāo)識(shí)別框架的某些層次進(jìn)行。如在數(shù)據(jù)層，可使用主成分分析、離散小波分解等數(shù)據(jù)融合算法將多視SAR圖像進(jìn)行數(shù)據(jù)層融合；如在決策層，可使用貝葉斯決策、DS決策將多視SAR圖像的類別決策進(jìn)行決策層的融合。這些方法均獲得了較單幅SAR圖像目標(biāo)識(shí)別更高的識(shí)別率。目前，絕大多數(shù)利用同目標(biāo)不同方位角下的多視SAR圖像進(jìn)行目標(biāo)識(shí)別的方法都僅在目標(biāo)識(shí)別框架的一個(gè)層次進(jìn)行，這使得目標(biāo)識(shí)別率的提高受到了限制。
[0003]為了進(jìn)一步提高SAR圖像目標(biāo)識(shí)別性能，利用多視SAR圖像進(jìn)行目標(biāo)識(shí)別可同時(shí)在目標(biāo)識(shí)別框架的兩個(gè)層次一數(shù)據(jù)層和決策層進(jìn)行，并將兩個(gè)層次獲得的識(shí)別率收益相互結(jié)合，生成最終類別決策，從而提高目標(biāo)識(shí)別的正確率。

【發(fā)明內(nèi)容】

[0004]本發(fā)明利用同目標(biāo)不同方位角下的多視合成孔徑雷達(dá)目標(biāo)圖像進(jìn)行目標(biāo)識(shí)別，在數(shù)據(jù)層用凸集投影超分辨率重構(gòu)算法將多視合成孔徑雷達(dá)圖像重構(gòu)出一幅高分辨率雷達(dá)圖像，在決策層用帶權(quán)重的貝葉斯決策融合算法進(jìn)行決策融合，將數(shù)據(jù)層和決策層兩個(gè)層次獲得的識(shí)別率收益相互結(jié)合，提高合成孔徑雷達(dá)圖像目標(biāo)識(shí)別的正確率。
[0005]本發(fā)明解決其技術(shù)問題所采用的技術(shù)方案是:
[0006]多層次結(jié)合的多視合成孔徑雷達(dá)圖像目標(biāo)識(shí)別方法，其特征在于:包括以下步驟:
[0007]步驟1，對(duì)采集到的N幅未知目標(biāo)的同類不同方位角下的多視合成孔徑雷達(dá)目標(biāo)圖像，k=l, 2，…N進(jìn)行圖像預(yù)處理；
[0008]步驟2，對(duì)預(yù)處理后的每一幅合成孔徑雷達(dá)圖像用小波分解和主成分分析進(jìn)行特征提取，提取得到代表該幅圖像的多維特征矢量；
[0009] 步驟3，用經(jīng)過訓(xùn)練的支持多目標(biāo)分類的支持向量機(jī)對(duì)步驟2得到特征矢量進(jìn)行分類，得到該幅圖像Xk，k=l, 2，…N屬于某個(gè)目標(biāo)類別q的后驗(yàn)概率P (q I xk)；
[0010]步驟4，對(duì)預(yù)處理后的多視合成孔徑雷達(dá)目標(biāo)圖像xk，k=l，2，".Ν在數(shù)據(jù)層用凸集投影超分辨率重構(gòu)算法重構(gòu)一幅高分辨率雷達(dá)圖像X。，Xc的分辨率是Xk，k=l, 2，-N的2倍;
[0011]步驟5，對(duì)重構(gòu)后的高分辨率圖像用小波分解和主成分分析進(jìn)行特征提取，提取得到代表該重構(gòu)圖像的多維特征矢量；
[0012]步驟6，用經(jīng)過訓(xùn)練的支持多目標(biāo)分類的支持向量機(jī)對(duì)步驟5得到的特征矢量進(jìn)行分類，得到該重構(gòu)圖像X。屬于某個(gè)目標(biāo)類別q的后驗(yàn)概率P (q I Xe);
[0013]步驟7,將步驟3得到的每幅圖像的后驗(yàn)概率p(q|xk), k=l, 2，“.Ν和步驟6得到的重構(gòu)圖像的后驗(yàn)概率P (q I X。)用帶權(quán)重的貝葉斯決策融合方法進(jìn)行決策層融合，得到該多視合成孔徑雷達(dá)目標(biāo)圖像的目標(biāo)類別。
[0014]進(jìn)一步，所述步驟I中，預(yù)處理包括圖像截取，噪聲處理，幅度值歸一化處理，以及合成孔徑雷達(dá)圖像中目標(biāo)方位角估計(jì)。
[0015]進(jìn)一步，所述步驟4中，在數(shù)據(jù)層使用的凸集投影超分辨率重構(gòu)算法包括:選擇一幅合成孔徑雷達(dá)圖像作為參考圖像，采用插值算法將其構(gòu)造成為分辨率為原分辨率2倍的參考幀，作為超分辨率圖 像的初始估計(jì)；設(shè)置迭代次數(shù)，對(duì)每一幅低分辨率合成孔徑雷達(dá)目標(biāo)圖像進(jìn)行運(yùn)動(dòng)補(bǔ)償，殘差計(jì)算和像素值修正，得到一幅分辨率為原分辨率2倍的凸集投影超分辨率重構(gòu)圖像。
[0016]進(jìn)一步，所述步驟7中，帶權(quán)重的貝葉斯決策融合方法包括:計(jì)算
N
% =ΣΜ;?-.外lx*-)+>V/^lx )其中，P(q|xk)是單幅圖像xk，k=l，2，…N經(jīng)過支持向量
機(jī)分類得到的屬于類別q的后驗(yàn)概率，P (q I xc)是重構(gòu)圖像X。經(jīng)過支持向量機(jī)分類得到的屬于類別q的后驗(yàn)概率，Wk是單幅圖像后驗(yàn)概率的權(quán)重，這里wk=l，k=l, 2，…N，N為不同方位角下的多視合成孔徑雷達(dá)圖像總數(shù)，W。是重構(gòu)圖像后驗(yàn)概率的權(quán)重，由于重構(gòu)圖像包含了 N
幅合成孔徑雷達(dá)圖像的信息，所以I≤W?！躈 ;最終的類別決策為:0 =’ Q為目
標(biāo)類別總數(shù)。
[0017]本發(fā)明的技術(shù)構(gòu)思為:該方法的一個(gè)遞推過程包括以下基本步驟:
[0018]I)、對(duì)采集到的不同方位角下的多視合成孔徑雷達(dá)目標(biāo)圖像進(jìn)行圖像預(yù)處理；
[0019]2)、用小波分解和主成分分析方法對(duì)預(yù)處理后的合成孔徑雷達(dá)圖像進(jìn)行特征提??；
[0020]3)、用支持向量機(jī)對(duì)特征分類，得到圖像屬于某個(gè)類別的后驗(yàn)概率；
[0021]4)、對(duì)預(yù)處理后的多視合成孔徑雷達(dá)目標(biāo)圖像在數(shù)據(jù)層用凸集投影超分辨率重構(gòu)算法重構(gòu)一幅高分辨率雷達(dá)圖像；
[0022]5)、對(duì)重構(gòu)后的高分辨率圖像用小波分解和主成分分析進(jìn)行特征提??；
[0023]6)、用支持向量機(jī)對(duì)上一步驟提取得到的特征進(jìn)行分類，得到重構(gòu)圖像屬于某個(gè)類別的后驗(yàn)概率；
[0024]7 )、用帶權(quán)重的貝葉斯決策融合方法對(duì)單圖像的后驗(yàn)概率和重構(gòu)圖像的后驗(yàn)概率進(jìn)行決策層融合，得到不同方位角下的多視合成孔徑雷達(dá)目標(biāo)圖像的類別。
[0025]本發(fā)明的有益效果主要表現(xiàn)在:同時(shí)在目標(biāo)識(shí)別框架的兩個(gè)層次一數(shù)據(jù)層和決策層利用同目標(biāo)不同方位角下的多視合成孔徑雷達(dá)圖像進(jìn)行目標(biāo)識(shí)別，并將兩個(gè)層次獲得的識(shí)別率收益相互結(jié)合，提高了合成孔徑雷達(dá)圖像目標(biāo)識(shí)別的正確率，有利于提高合成孔徑雷達(dá)圖像解譯的正確率。
【專利附圖】

【附圖說明】
[0026]圖1為本發(fā)明的多層次結(jié)合的多視合成孔徑雷達(dá)圖像目標(biāo)識(shí)別方法的流程圖。
[0027]圖2為凸集投影超分辨率重構(gòu)過程示意圖。
[0028]圖3為本發(fā)明方法和其他對(duì)比方法在不同方位角間隔下得到的目標(biāo)正確識(shí)別率。【具體實(shí)施方式】
[0029]下面結(jié)合附圖和實(shí)施例對(duì)本發(fā)明作進(jìn)一步說明。
[0030]參照?qǐng)D1，多層次結(jié)合的多視合成孔徑雷達(dá)圖像目標(biāo)識(shí)別方法，包括以下步驟:
[0031]步驟1，對(duì)采集到的N幅未知目標(biāo)的同類不同方位角下的多視合成孔徑雷達(dá)目標(biāo)圖像xk, k=l, 2，…N進(jìn)行圖像預(yù)處理； [0032]步驟2，對(duì)預(yù)處理后的每一幅合成孔徑雷達(dá)圖像用小波分解和主成分分析進(jìn)行特征提取，提取得到代表該幅圖像的多維特征矢量；
[0033]步驟3，用經(jīng)過訓(xùn)練的支持多目標(biāo)分類的支持向量機(jī)對(duì)步驟2得到特征矢量進(jìn)行分類，得到該幅圖像Xk，k=l, 2，…N屬于某個(gè)目標(biāo)類別q的后驗(yàn)概率P (q I xk)；
[0034]步驟4，對(duì)預(yù)處理后的多視合成孔徑雷達(dá)目標(biāo)圖像xk，k=l，2，".Ν在數(shù)據(jù)層用凸集投影超分辨率重構(gòu)算法重構(gòu)一幅高分辨率雷達(dá)圖像X。，Xc的分辨率是Xk，k=l, 2，-N的2倍;
[0035]步驟5，對(duì)重構(gòu)后的高分辨率圖像用小波分解和主成分分析進(jìn)行特征提取，提取得到代表該重構(gòu)圖像的多維特征矢量；
[0036]步驟6，用經(jīng)過訓(xùn)練的支持多目標(biāo)分類的支持向量機(jī)對(duì)步驟5得到的特征矢量進(jìn)行分類，得到該重構(gòu)圖像X。屬于某個(gè)目標(biāo)類別q的后驗(yàn)概率P (q I Xe);
[0037]步驟7,將步驟3得到的每幅圖像的后驗(yàn)概率P (q I xk), k=l, 2，“.Ν和步驟6得到的重構(gòu)圖像的后驗(yàn)概率P (q I X。)用帶權(quán)重的貝葉斯決策融合方法進(jìn)行決策層融合，得到該多視合成孔徑雷達(dá)目標(biāo)圖像的目標(biāo)類別。
[0038]進(jìn)一步，所述步驟I中，預(yù)處理包括圖像截取，噪聲處理，幅度值歸一化處理，以及合成孔徑雷達(dá)圖像中目標(biāo)方位角估計(jì)。
[0039]進(jìn)一步，所述步驟4中，在數(shù)據(jù)層使用的凸集投影超分辨率重構(gòu)算法包括:選擇一幅合成孔徑雷達(dá)圖像作為參考圖像，采用插值算法將其構(gòu)造成為分辨率為原分辨率2倍的參考幀，作為超分辨率圖像的初始估計(jì)；設(shè)置迭代次數(shù)，對(duì)每一幅低分辨率合成孔徑雷達(dá)目標(biāo)圖像進(jìn)行運(yùn)動(dòng)補(bǔ)償，殘差計(jì)算和像素值修正，得到一幅分辨率為原分辨率2倍的凸集投影超分辨率重構(gòu)圖像。
[0040]進(jìn)一步，所述步驟7中，帶權(quán)重的貝葉斯決策融合方法包括:計(jì)算
N
=?η'ι~.PicI I xi)+wc-p{<1 I Xc)，其中，P (q I Xk)是單幅圖像 Xk，k=l, 2，…N 經(jīng)過支持向量
k=l
機(jī)分類得到的屬于類別q的后驗(yàn)概率，P (q I xc)是重構(gòu)圖像X。經(jīng)過支持向量機(jī)分類得到的屬于類別q的后驗(yàn)概率，Wk是單幅圖像后驗(yàn)概率的權(quán)重，這里wk=l，k=l, 2，…N，N為不同方位角下的多視合成孔徑雷達(dá)圖像總數(shù)，W。是重構(gòu)圖像后驗(yàn)概率的權(quán)重，由于重構(gòu)圖像包含了 N幅合成孔徑雷達(dá)圖像的信息，所以1≤W?！躈 ;最終的類別決策為
【權(quán)利要求】
1.多層次結(jié)合的多視合成孔徑雷達(dá)圖像目標(biāo)識(shí)別方法，其特征在于:包括以下步驟:步驟1，對(duì)采集到的N幅未知目標(biāo)的同類不同方位角下的多視合成孔徑雷達(dá)目標(biāo)圖像xk, k=l, 2，…N進(jìn)行圖像預(yù)處理； 步驟2，對(duì)預(yù)處理后的每一幅合成孔徑雷達(dá)圖像用小波分解和主成分分析進(jìn)行特征提取，提取得到代表該幅圖像的多維特征矢量； 步驟3，用經(jīng)過訓(xùn)練的支持多目標(biāo)分類的支持向量機(jī)對(duì)步驟2得到特征矢量進(jìn)行分類，得到該幅圖像xk，k=l, 2，…N屬于某個(gè)目標(biāo)類別q的后驗(yàn)概率P (q | xk)； 步驟4，對(duì)預(yù)處理后的多視合成孔徑雷達(dá)目標(biāo)圖像xk，k=l，2，一N在數(shù)據(jù)層用凸集投影超分辨率重構(gòu)算法重構(gòu)一幅高分辨率雷達(dá)圖像X。，xc的分辨率是xk，k=l, 2，-N的2倍；步驟5，對(duì)重構(gòu)后的高分辨率圖像用小波分解和主成分分析進(jìn)行特征提取，提取得到代表該重構(gòu)圖像的多維特征矢量； 步驟6，用經(jīng)過訓(xùn)練的支持多目標(biāo)分類的支持向量機(jī)對(duì)步驟5得到的特征矢量進(jìn)行分類，得到該重構(gòu)圖像X。屬于某個(gè)目標(biāo)類別q的后驗(yàn)概率P (q I X。); 步驟7，將步驟3得到的每幅圖像的后驗(yàn)概率P (q I xk)，k=l, 2，…N和步驟6得到的重構(gòu)圖像的后驗(yàn)概率 P(q|x。)用帶權(quán)重的貝葉斯決策融合方法進(jìn)行決策層融合，得到該多視合成孔徑雷達(dá)目標(biāo)圖像的目標(biāo)類別。
2.如權(quán)利要求1所述的多層次結(jié)合的多視合成孔徑雷達(dá)圖像目標(biāo)識(shí)別方法，其特征在于:所述步驟I中，預(yù)處理包括圖像截取，噪聲處理，幅度值歸一化處理，以及合成孔徑雷達(dá)圖像中目標(biāo)方位角估計(jì)。
3.如權(quán)利要求1所述的多層次結(jié)合的多視合成孔徑雷達(dá)圖像目標(biāo)識(shí)別方法，其特征在于:所述步驟4中，在數(shù)據(jù)層使用的凸集投影超分辨率重構(gòu)算法包括:選擇一幅合成孔徑雷達(dá)圖像作為參考圖像，采用插值算法將其構(gòu)造成為分辨率為原分辨率2倍的參考幀，作為超分辨率圖像的初始估計(jì)；設(shè)置迭代次數(shù)，對(duì)每一幅低分辨率合成孔徑雷達(dá)目標(biāo)圖像進(jìn)行運(yùn)動(dòng)補(bǔ)償，殘差計(jì)算和像素值修正，得到一幅分辨率為原分辨率2倍的凸集投影超分辨率重構(gòu)圖像。
4.如權(quán)利要求1所述的多層次結(jié)合的多視合成孔徑雷達(dá)圖像目標(biāo)識(shí)別方法，其特征在于:所述步驟7中，帶權(quán)重的貝葉斯決策融合方法包括:計(jì)算
【文檔編號(hào)】G06T5/50GK103955701SQ201410151472
【公開日】2014年7月30日 申請(qǐng)日期:2014年4月15日 優(yōu)先權(quán)日:2014年4月15日
【發(fā)明者】宦若虹, 潘赟, 王楚, 郭峰 申請(qǐng)人:浙江工業(yè)大學(xué)