留言板

尊敬的读者、作者、审稿人, 关于本刊的投稿、审稿、编辑和出版的任何问题, 您可以本页添加留言。我们将尽快给您答复。谢谢您的支持!

姓名
邮箱
手机号码
标题
留言内容
验证码

多元经验模态分解及在SAR图像目标识别中的应用

伍友龙

伍友龙. 多元经验模态分解及在SAR图像目标识别中的应用[J]. 红外与激光工程, 2021, 50(4): 20200236. doi: 10.3788/IRLA20200236
引用本文: 伍友龙. 多元经验模态分解及在SAR图像目标识别中的应用[J]. 红外与激光工程, 2021, 50(4): 20200236. doi: 10.3788/IRLA20200236
Wu Youlong. Multivariate empirical mode decomposition with application to SAR image target recognition[J]. Infrared and Laser Engineering, 2021, 50(4): 20200236. doi: 10.3788/IRLA20200236
Citation: Wu Youlong. Multivariate empirical mode decomposition with application to SAR image target recognition[J]. Infrared and Laser Engineering, 2021, 50(4): 20200236. doi: 10.3788/IRLA20200236

多元经验模态分解及在SAR图像目标识别中的应用

doi: 10.3788/IRLA20200236
基金项目: 湖南省教育厅优秀青年项目(15B061)
详细信息
    作者简介:

    伍友龙,2002年于湖南科技大学获得学士学位,2005年于长沙理工大学获得硕士学位,现为湖南工学院讲师,主要研究方向为计算机应用技术、人工智能、算法、图像处理。

  • 中图分类号: TP753

Multivariate empirical mode decomposition with application to SAR image target recognition

  • 摘要: 提出基于多元模态分解的合成孔径雷达(SAR)目标识别方法。多元模态分解是传统模态分解的多元扩展,能够有效避免传统算法中的模态混叠问题。采用多元模态分解对SAR图像进行处理,获得的多层次固有模式函数(IMF)能够更为有效地反映目标的时频特性。不同IMF之间具有良好互补性,同时它们描述同一目标因而具有内在关联性。分类阶段,采用联合稀疏表示对分解得到的IMF进行表征。联合稀疏表示在多任务学习的理念下,对多个关联稀疏表示问题进行求解,可获得更为可靠的估计结果。在获得各层次IMF对应的稀疏表示系数矢量的基础上,计算不同类别对于当前测试样本多层次IMF的重构误差之和,进而判定测试样本的目标类别。基于MSTAR数据集开展实验,通过在标准操作条件、俯仰角差异、噪声干扰以及目标遮挡条件下进行对比分析,验证了提出方法的有效性。
  • 图  1  基于多元经验模态分解的SAR目标识别实施过程

    Figure  1.  Implementation of SAR target recognition based on MEMD

    图  2  10类MSTAR目标的光学及SAR图像

    Figure  2.  Optic and SAR images of 10 MSTAR targets

    图  3  文中方法对10类目标识别问题的结果

    Figure  3.  Results of the proposed method for 10-class recognition problem

    图  4  各类方法对俯仰角差异识别问题的结果对比

    Figure  4.  Comparison of different methods for recognition problem of depression angle variance

    图  5  各类方法对噪声干扰识别问题的结果对比

    Figure  5.  Comparison of different methods for recognition problem of noise corruption

    图  6  各类方法对目标遮挡识别问题的结果对比

    Figure  6.  Comparison of different methods for recognition problem of target occlusion

    表  1  10类目标识别问题的训练和测试集

    Table  1.   Training and test sets of 10-class recognition problem

    ClassTraining setTest set
    BMP2233195
    BTR70233196
    T72232196
    T62299273
    BRDM2298274
    BTR60256195
    ZSU23/4299274
    D7299274
    ZIL131299274
    2S1299274
    下载: 导出CSV

    表  2  各类方法对10类目标识别问题的结果对比

    Table  2.   Comparison of different methods for 10-class recognition problem

    Method typeAverage recognition rate
    Proposed 99.28%
    Monogenic 98.94%
    BEMD 99.02%
    CNN 99.08%
    下载: 导出CSV

    表  3  俯仰角差异下的训练和测试集

    Table  3.   Training and test sets under depression angle variance

    Depression angle2S1BDRM2ZSU23/4
    Training set17°299298299
    Test set30°288287288
    45°303303303
    下载: 导出CSV
  • [1] Dong Lei, Lu Zhenwu, Liu Xinyue. Analysis and comparison of limit detection capabilities of three active synthetic aperture imaging techniques [J]. Chinese Optics, 2019, 12(1): 138-147. (in Chinese) doi:  10.3788/co.20191201.0138
    [2] Xie Qin, Zhang Hong. Multi-level SAR image enhancement based on regularization with application to target recognition [J]. Journal of Electronic Measurement and Instrumentation, 2018, 32(9): 157-162. (in Chinese)
    [3] Dong G G, Kuang G Y. Classification on the Monogenic scale space: application to target recognition in SAR image [J]. IEEE Transactions on Image Processing, 2015, 24(8): 2527-2539. doi:  10.1109/TIP.2015.2421440
    [4] Ding Baiyuan, Wen Gongjian, Yu Liasheng, et al. Matching of attributed scattering center and its application to synthetic aperture radar Automatic Target Recognition [J]. Journal of Radar, 2017, 6(2): 157-166. (in Chinese)
    [5] Liu Changqing, Chen Bo, Pan Zhouhao, et al. Research on target recognition technique via simulation SAR and SVM classifier [J]. Journal of CAEIT, 2016, 11(3): 257-262. (in Chinese) doi:  10.3969/j.issn.1673-5692.2016.03.008
    [6] Li Yajuan. Target recognition of SAR images based on combination of global and local sparse representations [J]. Journal of Electronic Measurement and Instrumentation, 2020, 34(2): 165-171. (in Chinese)
    [7] Lu Ruitao, Ren Shijie, Shen Lurong, et al. Robust template patches-based object tracking with sparse representation [J]. Infrared and Laser Engineering, 2019, 48(3): 0326003. (in Chinese) doi:  10.3788/IRLA201948.0326003
    [8] Tan Cuimei, Xu Tingfa, Ma Xu, et al. Graph-spectral hyperspectral video restoration based on compressive sensing [J]. Chinese Optics, 2018, 11(6): 949-957. (in Chinese) doi:  10.3788/co.20181106.0949
    [9] Chen S Z, Wang H P, Xu F, et al. Target classification using the deep convolutional networks for SAR images [J]. IEEE Transactions on Geoscience and Remote Sensing, 2016, 54(8): 4806-4817. doi:  10.1109/TGRS.2016.2551720
    [10] Zhang Panpan, Luo Haibo, Ju Morang, et al. An improved capsule and its application in target recognition of SAR images [J]. Infrared and Laser Engineering, 2020, 49(5): 20201010. (in Chinese)
    [11] Xu Ying, Gu Yu, Peng Dongliang, et al. SAR ATR based on disentangled representation learning generative adversarial networks and support vector machine [J]. Optics and Precision Engineering, 2020, 28(3): 727-735. (in Chinese) doi:  10.3788/OPE.20202803.0727
    [12] Ye Song, Li Yuanzhuang, Sun Yongfeng, et al. Extraction of spatial heterodyne spectroscopy target based on empirical mode decomposition and regression analysis [J]. Infrared and Laser Engineering, 2018, 47(12): 1223001. (in Chinese) doi:  10.3788/IRLA201847.1223001
    [13] Chen Zhencheng, Wu Xianliang, Zhao Feijun. Denoising and implementation of photoplethysmography signal based on EEMD and wavelet threshold [J]. Optics and Precision Engineering, 2019, 27(6): 1327-1334. (in Chinese)
    [14] Chang M, You X, Cao Z. Bidimensional empirical mode decomposition for SAR image feature extraction with application to target recognition [J]. IEEE Access, 2019, 7: 135720-135731. doi:  10.1109/ACCESS.2019.2941397
    [15] Zhang Jing, Chen Hongtao, Liu Fang. Remote sensing image fusion based on multivariate empirical mode decomposition and weighted least squares filter [J]. Acta Photonica Sinica, 2019, 48(5): 051003. (in Chinese)
    [16] Wu Zhe, Yang Shaopu, Ren Bin, et al. Rolling element bearing fault diagnosis method based on NAMEMD and multi-scale morphology [J]. Journal of Vibration and Shock, 2016, 35(4): 127-133. (in Chinese)
  • [1] 陈丛.  基于狼群算法的SAR图像属性散射中心参数估计 . 红外与激光工程, 2021, 50(4): 20200409-1-20200409-7. doi: 10.3788/IRLA20200409
    [2] 尚珊珊, 余子开, 范涛, 金利民.  高斯过程模型在SAR图像目标识别中的应用 . 红外与激光工程, 2021, 50(7): 20200337-1-20200337-7. doi: 10.3788/IRLA20200337
    [3] 史国军.  深度特征联合表征的红外图像目标识别方法 . 红外与激光工程, 2021, 50(3): 20200399-1-20200399-6. doi: 10.3788/IRLA20200399
    [4] 李亚娟.  结合多决策准则稀疏表示的SAR图像目标识别方法 . 红外与激光工程, 2021, 50(8): 20210138-1-20210138-8. doi: 10.3788/IRLA20210138
    [5] 吴剑波, 陆正武, 关玉蓉, 王庆东, 姜国松.  二维压缩感知多投影矩阵特征融合的SAR目标识别方法 . 红外与激光工程, 2021, 50(6): 20200531-1-20200531-7. doi: 10.3788/IRLA20200531
    [6] 刘志超, 屈百达.  复数二维经验模态分解在SAR目标识别中的应用 . 红外与激光工程, 2021, 50(5): 20200309-1-20200309-8. doi: 10.3788/IRLA20200309
    [7] 田鹤, 毛宏霞, 刘铮, 曾铮.  机载逆合成孔径激光雷达微动目标稀疏成像 . 红外与激光工程, 2020, 49(S2): 20200190-20200190. doi: 10.3788/IRLA20200190
    [8] 石峰, 陆同希, 杨书宁, 苗壮, 杨晔, 张闻文, 何睿清.  噪声环境下基于单像素成像系统和深度学习的目标识别方法 . 红外与激光工程, 2020, 49(6): 20200010-1-20200010-8. doi: 10.3788/IRLA20200010
    [9] 张盼盼, 罗海波, 鞠默然, 惠斌, 常铮.  一种改进的Capsule及其在SAR图像目标识别中的应用 . 红外与激光工程, 2020, 49(5): 20201010-20201010-8. doi: 10.3788/IRLA20201010
    [10] 刘铮, 毛宏霞, 戴聪明, 魏合理.  基于多源数据多特征融合的弱小目标关联研究 . 红外与激光工程, 2019, 48(5): 526001-0526001(6). doi: 10.3788/IRLA201948.0526001
    [11] 谢冰, 段哲民.  基于SAE与底层视觉特征融合的无人机目标识别算法 . 红外与激光工程, 2018, 47(S1): 197-205. doi: 10.3788/IRLA201847.S126004
    [12] 付跃刚, 赵宇, 刘智颖, 张凯, 朱启凡, 李亚红.  用于目标识别的紧凑型仿生复眼光学系统设计 . 红外与激光工程, 2017, 46(6): 602001-0602001(7). doi: 10.3788/IRLA201746.0602001
    [13] 游瑞蓉, 王新伟, 任鹏道, 何军, 周燕.  约翰逊准则的视频监控目标检测性能评估方法 . 红外与激光工程, 2016, 45(12): 1217003-1217003(6). doi: 10.3788/IRLA201645.1217003
    [14] 刘俊良, 陈尚锋, 卢焕章, 赵本东, 毋亚北.  弹道目标识别的红外辐射数据仿真研究 . 红外与激光工程, 2016, 45(10): 1004002-1004002(7). doi: 10.3788/IRLA201645.1004002
    [15] 万一龙, 柏连发, 韩静, 张毅.  低照度双目立体显著目标距离测定方法与实现 . 红外与激光工程, 2015, 44(3): 1053-1060.
    [16] 刘小阳, 孙广通, 宋萍, 刘军, 李峰.  利用MODIS水汽数据进行ASAR干涉测量大气改正研究 . 红外与激光工程, 2014, 43(12): 4111-4116.
    [17] 陈骁, 石志广, 杨卫平, 凌建国.  利用三维点云的圆锥状弹头目标参数估计 . 红外与激光工程, 2014, 43(10): 3480-3485.
    [18] 杨绪峰, 林伟, 延伟东, 温金环.  采用热核特征的SAR图像目标识别 . 红外与激光工程, 2014, 43(11): 3794-3801.
    [19] 何思远, 刘刚, 王玲, 唐延东.  基于无人机的输电线路设备识别方法研究 . 红外与激光工程, 2013, 42(7): 1940-1944.
    [20] 耿利祥, 陈钱, 钱惟贤.  改进的联合概率数据关联算法(JPDA)对红外目标与诱饵的辨别 . 红外与激光工程, 2013, 42(2): 305-310.
  • 加载中
图(6) / 表(3)
计量
  • 文章访问数:  123
  • HTML全文浏览量:  34
  • PDF下载量:  12
  • 被引次数: 0
出版历程
  • 收稿日期:  2020-06-13
  • 修回日期:  2020-09-17
  • 网络出版日期:  2021-05-12
  • 刊出日期:  2021-04-25

多元经验模态分解及在SAR图像目标识别中的应用

doi: 10.3788/IRLA20200236
    作者简介:

    伍友龙,2002年于湖南科技大学获得学士学位,2005年于长沙理工大学获得硕士学位,现为湖南工学院讲师,主要研究方向为计算机应用技术、人工智能、算法、图像处理。

基金项目:  湖南省教育厅优秀青年项目(15B061)
  • 中图分类号: TP753

摘要: 提出基于多元模态分解的合成孔径雷达(SAR)目标识别方法。多元模态分解是传统模态分解的多元扩展,能够有效避免传统算法中的模态混叠问题。采用多元模态分解对SAR图像进行处理,获得的多层次固有模式函数(IMF)能够更为有效地反映目标的时频特性。不同IMF之间具有良好互补性,同时它们描述同一目标因而具有内在关联性。分类阶段,采用联合稀疏表示对分解得到的IMF进行表征。联合稀疏表示在多任务学习的理念下,对多个关联稀疏表示问题进行求解,可获得更为可靠的估计结果。在获得各层次IMF对应的稀疏表示系数矢量的基础上,计算不同类别对于当前测试样本多层次IMF的重构误差之和,进而判定测试样本的目标类别。基于MSTAR数据集开展实验,通过在标准操作条件、俯仰角差异、噪声干扰以及目标遮挡条件下进行对比分析,验证了提出方法的有效性。

English Abstract

    • 合成孔径雷达(SAR)可获得高分辨率图像,进而通过解译算法获得有价值的情报信息[1]。SAR目标识别方法通过对未知类别的SAR图像进行分析,从而判定其所属类别。现有SAR目标识别方法多通过特征提取和分类决策具体实施。特征提取旨在获取SAR图像中与目标关联的矢量描述,如几何形状特征[2]、变换域特征[3]和电磁散射特征[4]等。对比三类典型特征,几何形状特征具有清晰的物理意义但其往往失去了原始的图像灰度分布特性。投影变换特征具有高效、快捷、特征形式规范等优势,但它们往往不具有明确的物理意义。散射中心特征反映目标的后向散射特性,但其提取复杂、特征形式不够规范。分类决策阶段通过选用现有或设计分类器对特征的所属类别进行判定。参考文献[5-8]分别选用支持向量机(SVM)、稀疏表示分类(SRC)等作为基础分类器。参考文献[4]针对属性散射中心设计匹配分类算法。深度学习理论方法为SAR目标识别提供了新工具,其中典型代表是卷积神经网络(CNN)。参考文献[9-11]就是基于不同结构的神经网络设计SAR目标识别方法。

      文中提出结合多元经验模态分解(MEMD)和联合稀疏表示的SAR目标识别方法。多元经验模态分解是传统经验模态分解[12-14]的多元扩展,可有效克服模态混叠的问题,从而获得更为稳健的分解结果[15-16]。多元模态分解获得的多层次固有模式函数(IMF)可更为有效地反映原始SAR图像的时频特性。因此,基于MEMD的分解结果可为SAR目标识别提供更为充分的特性描述。采用联合稀疏表示对多层次IMF进行表征[3],考察它们的内在关联,提升整体重构精度。联合稀疏表示是传统SRC的多任务扩展,可同时处理多个具有关联性的稀疏表示问题。根据联合稀疏表示的求解结果,计算得到的不同类别的重构误差即反映了它们与当前测试样本的相似性,进而基于最小误差的准则进行决策。与现有SAR目标识别方法相比,文中方法的优势主要体现在以下两个方面。在特征提取上,文中采用了分解精度更高、稳健性更强的MEMD,可获得高鉴别力的IMF。在分类决策方面,文中针对多层次IMF的特征,采用联合稀疏表示对它们的独立性和关联性进行同时考察,有利于提升对于测试样本的表征精度,从而增强决策的可靠性。实验中,基于MSTAR数据集设置10类目标识别问题、俯仰角差异、噪声干扰以及目标遮挡识别问题,通过与现有几类方法对比,结果证明了提出方法的有效性和稳健性。

    • MEMD是传统经验模态分解的多元扩展,能够克服传统方法中固有模式不匹配问题[15-16]。经过MEMD分解得到的IMF可有效反映输入信号(图像)的时频特性,描述各个频率成分的特性,从而获得输入图像的多层次特性。根据现有文献,MEMD的具体实施可归纳为以下步骤:

      步骤1:采用Hammersley序列采样法在n-1维球面上进行点集采样,获得的K组方向向量;

      步骤2:计算输入信号$(v(t))_{t = 1}^T$K组方向向量${x^{{\theta _k}}}$上的投影集$({p^{{\theta _k}}}(t))_{k = 1}^K$,其中$(v(t))_{t = 1}^T = \left\{ {{v_1}(t){\text{,}}{v_2}(t){\text{,}} \cdots ,{v_n}(t)} \right\}$表示包含n个通道的多元信号,${x^{{\theta _k}}} = \left\{ {x_1^k{\text{,}}x_2^k, \cdots{\text{,}}x_n^k} \right\}$对应n−1球面上沿着方向角${\theta _k} = \left\{ {{\theta _{k1}},{\theta _{k2}}, \cdots ,{\theta _{kn - 1}}} \right\}$的一组方向向量;

      步骤3:求投影集$\left\{ {{p^{{\theta _k}}}(t)} \right\}_{k = 1}^K$所有极大值对应的时间点$\left\{ {t_i^{{\theta _k}}} \right\}$

      步骤4:对$\left\{ {t_i^{{\theta _k}},v(t_i^{{\theta _k}})} \right\}$进行插值获得多元包络曲线$\left\{ {{{\rm{e}}^{{\theta _k}}}(t)} \right\}_{k = 1}^K$

      步骤5:计算整组方向向量包络曲线的均值$m(t)$

      $$m(t) = \frac{1}{k}\sum\nolimits_{k = 1}^K {{{\rm{e}}^{{\theta _k}}}(t)} $$ (1)

      步骤6:按照$d(t) = v(t) - m(t)$获得$d(t)$,若$d(t)$满足迭代终止条件,则认为其是当前IMF,否则转至步骤2。

      采用MEMD对输入信号$v(t)$进行分解,获得M个不同层次的IMF,如公式(2)所示:

      $$v(t) = \sum\limits_{m = 1}^M {\overline {{c_m}} (t) + \overline r } (t)$$ (2)

      式中:$\overline {{c_m}} (t)$表示第m个IMF;$\overline r (t)$为分解残差。

      相比传统的经验模态分解算法,MEMD具有更强的稳健性。基于MEMD分解得到的多层次IMF可以更为有效地分析输入信号(图像)的特性。为此,文中采用MEMD对SAR图像进行分解,获得多层次IMF,并据此设计后续的目标识别方法。此外,基于同一幅SAR图像分解得到的多层次IMF具有一定的内在关联性,充分利用这一特性可进一步提升后续分类决策的精度。

    • 对于MEMD分解得到的多层次IMF,在分类决策阶段采用联合稀疏表示对它们进行分析。假设测试样本为$y$,经MEMD得到M个层次的IMF:$\left[ {{y^{(1)}}{\rm{ }}{y^{(2)}}{\rm{ }} \cdots {\rm{ }}{y^{(M)}}} \right]$,统一考察它们的稀疏表示问题,表达如下:

      $$\mathop {\min }\limits_\beta \left\{ {g(\beta ) = \sum\limits_{m = 1}^M {\left\| {{y^{(m)}} - {D^{(m)}}{\alpha ^{(m)}}} \right\|} } \right\}$$ (3)

      式中:${D^{(m)}}$对应于第m个IMF的全局字典,通过所有训练样本的分解得到;${\alpha ^{(m)}}$为相应的稀疏系数矢量。$\;\beta = \left[ {{\alpha ^{(1)}}\;{\rm{ }} {\alpha ^{(2)}}{\rm{ }} \cdots {\rm{ }} {\alpha ^{(M)}}} \right]$为系数矩阵,存储全部M个IMF所有的稀疏系数矢量。

      为考察不同IMF之间的内在关联,联合稀疏表示引入${\ell _{\rm{1}}}/{\ell _2}$范数对矩阵$\;\beta $进行约束,获得新的目标函数如下[3]

      $$\mathop {\min }\limits_\beta \left( {g(\beta ) + \lambda {{\left\| \beta \right\|}_{2,1}}} \right)$$ (4)

      式中:$\lambda $表示正则化参数,为一个大于零的常数。

      ${\ell _{\rm{1}}}/{\ell _2}$范数的约束下,可考察不同IMF的关联性从而提升整体表征精度。根据求解结果,按照公式(5)分别计算不同类别条件下的重构误差之和,进而进行测试样本类别决策。

      $${\rm{identity}}(y) = \mathop {\min }\limits_i \sum\limits_{m = 1}^M {\left\| {{y^{(m)}} - D_i^{(m)}\alpha _i^{(m)}} \right\|} $$ (5)

      式中:$D_i^{(m)}$${D^{(m)}}$中对应第$i$个类别的所有训练样本。

      根据上述分析,设计文中方法的识别流程如图1所示,主要实施过程归为以下步骤。

      图  1  基于多元经验模态分解的SAR目标识别实施过程

      Figure 1.  Implementation of SAR target recognition based on MEMD

      步骤1:采用MEMD对训练样本进行分解,获得M个层次的IMF,并分别构建全局字典;

      步骤2:采用相同的MEMD对待识别测试样本进行分解,获得相应M个层次的IMF;

      步骤3:在联合稀疏表示下基于全局字典对测试样本的M个IMF进行表征,求解稀疏表示系数矩阵;

      步骤4:分别计算各个训练类别对测试样本M个IMF的整体重构误差,按照式(5)的最小误差准则判定测试样本目标类别。

    • 文中在MSTAR数据集上展开方法测试。该数据集自20世纪90年代公开以来,成为SAR目标识别领域最为权威的数据集之一,广泛用于各种SAR目标识别的测试及验证。数据集中10类目标的图像如图2所示,为尺寸、形状相近的地面车辆目标。各类目标的SAR图像由X波段机载平台采集,覆盖0°~360°方位角以及部分俯仰角。因此,基于MSTAR数据集可设置多种条件测试提出方法的有效性和稳健性。

      图  2  10类MSTAR目标的光学及SAR图像

      Figure 2.  Optic and SAR images of 10 MSTAR targets

      实验中,选用部分现有SAR目标识别方法作为对比参照,包括基于单演信号(Monogenic)[3]、二维经验模态分解(BEMD)[14]以及CNN的方法(CNN)[9]。其中,单演信号及二维经验模态分解方法为特征主导的方法,主要通过特征提取提高目标识别性能。参考文献[9]中的CNN方法设计了针对SAR目标识别的全卷积神经网络,取得了很好的识别性能。因此,三类对比方法能够较好地反映当前主流SAR目标识别方法的性能,具有代表意义。后续实验分别在标准操作条件、俯仰角差异、噪声干扰以及目标遮挡条件下进行。通过定量对比,对文中方法的性能形成初步结论。

    • 文中首先基于MSTAR数据集设置10类目标识别问题,具体的训练和测试集如表1所示。各类目标的训练样本分别来自17°和15°俯仰角,方位角覆盖0°~360°。从表中可以看出,任一类别的训练样本均多于测试样本,可有效覆盖测试样本可能出现的方位角(即相匹配的样本),故可近似认为是标准操作条件。图3显示了当前测试条件下的混淆矩阵,横纵坐标分别代表真实和类别和分类结果,因此对角线元素反映了不同目标的正确识别率,得到10类目标的平均识别率为99.28%,显示所提方法的有效性。表2列出了各方法的平均识别率,均保持在98.5%以上。对比可见,所提方法的识别率最高,显示其性能优势。与基于单演信号和二维经验模态分解的方法相比,文中通过采用多元经验模态分解最终提高了整体识别性能,表明了特征提取算法的有效性。与CNN方法相比,文中通过结合多元经验模态分解和联合稀疏表示获得了更高的识别率,这反映了选用特征和决策机制的有效结合。因此,从标准操作条件下的实验结果可以看出所提方法对于10类目标识别问题的有效性。

      表 1  10类目标识别问题的训练和测试集

      Table 1.  Training and test sets of 10-class recognition problem

      ClassTraining setTest set
      BMP2233195
      BTR70233196
      T72232196
      T62299273
      BRDM2298274
      BTR60256195
      ZSU23/4299274
      D7299274
      ZIL131299274
      2S1299274

      图  3  文中方法对10类目标识别问题的结果

      Figure 3.  Results of the proposed method for 10-class recognition problem

      表 2  各类方法对10类目标识别问题的结果对比

      Table 2.  Comparison of different methods for 10-class recognition problem

      Method typeAverage recognition rate
      Proposed 99.28%
      Monogenic 98.94%
      BEMD 99.02%
      CNN 99.08%
    • 表1所示的10类目标识别问题中,测试与训练集之间的俯仰角差异较小。实际过程中,非合作条件下获得的测试样本可能与训练集存在较大的俯仰角差异。表3选用MSTAR数据集中部分样本设置了俯仰角差异条件下的测试条件。其中,训练集来自17°俯仰角;测试集分别包括30°和45°俯仰角下的SAR图像。对各类方法在此条件下进行测试,获得图4所示结果。SAR图像对成像视角变化较为敏感,当测试样本与训练样本之间存在的较大俯仰角差异时,它们的图像差异也随着增大,这导致各类方法在45°俯仰角下识别性能下降显著。对比看出,所提方法在俯仰角差异条件下可以保持优势性能,显示其更强的稳健性。对比二维经验模态分解方法,文中通过多元模态分解进一步提升了对俯仰角差异的适应性和分类能力。

      表 3  俯仰角差异下的训练和测试集

      Table 3.  Training and test sets under depression angle variance

      Depression angle2S1BDRM2ZSU23/4
      Training set17°299298299
      Test set30°288287288
      45°303303303

      图  4  各类方法对俯仰角差异识别问题的结果对比

      Figure 4.  Comparison of different methods for recognition problem of depression angle variance

    • 实际获取的SAR图像往往信噪比(SNR)较低,这导致它们与经过预处理的高信噪比训练样本存在较大的差异。文中参照文献[4]中的噪声添加算法进行噪声样本构造,获得不同噪声水平下的测试集。具体而言,根据原始图像的能量按照预设的信噪比条件不同程度的高斯白噪声,从而获得相应信噪比的测试样本。图5显示了当前条件下各类方法的识别结果。在信噪比逐渐降低时,各方法的识别性能均出现较为显著的下降。对比可见,所提方法在各个信噪比下均取得了最高的识别率,表明其更优的噪声稳健性。文中正是运用多元模态分解提升了获得特征的噪声稳健性,进而通过联合稀疏表示进一步提升了识别性能。

      图  5  各类方法对噪声干扰识别问题的结果对比

      Figure 5.  Comparison of different methods for recognition problem of noise corruption

    • 与噪声干扰类似,在非合作条件下获得的测试样本可能存在目标遮挡的情况。此时,部分目标特性不能体现在提取的特征中,导致与训练样本之间的差异。实验按照参考文献[4]中的目标遮挡模拟方法,获得不同遮挡比例条件下的测试集。在此基础上,分别在不同遮挡比例下测试各类方法的识别性能,如图6所示。随着目标遮挡比例的不断增加,各类方法的性能下降较为剧烈。对比可见,所提方法在各个遮挡比例均取得高于对比方法的性能,充分说明了其对于目标遮挡的稳健性。基于MEMD分解得到的多层次IMF可更为有效地克服目标遮挡的影响,因此最终的识别稳健性也得到了整体提升。

      图  6  各类方法对目标遮挡识别问题的结果对比

      Figure 6.  Comparison of different methods for recognition problem of target occlusion

    • 文中提出基于多元经验模态分解的SAR目标识别方法。多元模态分解可有效克服传统经验模态分解中固有函数模式不匹配问题,最终得到的IMF可更为有效地反映目标的时频特性。分类过程中,采用联合稀疏表示对多个IMF进行统一表征,通过考察它们之间的内在关联提升整体求解精度,进而根据重构结果判定测试样本的类别。实验中,基于MSTAR数据集分别在标准操作条件、俯仰角差异、噪声干扰以及目标遮挡条件下进行性能测试。在标准操作条件,文中方法对10类目标的平均识别率高达99.28%;在俯仰角差异条件下,30°和45°俯仰角对应三类目标平均识别率分别为98.16%和72.54%;在噪声干扰时,文中方法在各个信噪比均保持性能优势。这些实验结果均验证了所提方法相比三类现有方法具有整体优势,在实际应用中具有潜力。

参考文献 (16)

目录

    /

    返回文章
    返回