论文部分内容阅读
合成孔径雷达（Synthetic Aperture Radar,SAR）成像技术突破了天气、光照等因素的限制,实现了全天时、全天候地高分辨率成像。当今,合成孔径雷达成像技术在国防军事、地质探测、海洋勘探、城市规划等多个领域都有着广泛的应用,SAR目标识别是SAR应用的核心技术之一,获得了国内外研究学者的广泛关注。SAR图像目标识别系统的关键之一就是分类算法的设计。近些年来,以稀疏表示、字典学习为代表的表示学习算法大量应用于SAR目标识别领域,并且获得了较好的分类性能。本文围绕基于判别字典学习的SAR目标识别方法展开研究,具体的研究工作概括如下:（1）针对传统字典学习算法中利用0或1范数约束稀疏表示系数存在的运算过程复杂,训练过程耗时以及SAR图像全方位角样本被视为同等相关的问题,本文提出了基于自适应局部方位字典对学习的SAR目标识别算法。该方法利用非负稀疏表示自适应地选择待测样本所在的局部方位扇区,在局部方位扇区子集上去共同训练一对判别字典。此外,在训练字典过程中,该方法通过引入分析字典来线性投影编码矩阵,避免了1范数稀疏编码的过程,提高了算法的训练效率同时减少了算法的计算成本。实验结果表明,本文提出的基于局部方位字典对学习的SAR目标识别方法,能大大降低无关样本的干扰,且能有效地提高异类目标之间的鉴别能力,其识别精度以及噪声鲁棒性都得到了较好的提高。（2）针对标签一致的K奇异值分解字典学习方法（Label Consistent K-Singular Value Decomposition,LC-KSVD）中仅约束同类样本具有相似的稀疏编码形式,而未能考虑SAR图像在局部方位的强相关性这一问题,本文联合了极限学习机提出了基于局部方位标签一致的K奇异值分解字典学习的SAR目标识别算法。该方法利用极限学习机学习测试样本的局部方位特性,在方位一致的训练样本子集上去学习一个兼顾判别能力与重构能力的字典。在这一字典学习模型中,本文提出的算法充分利用了训练样本的类标签信息以及其局部方位角信息,约束了来自同一局部方位的同类样本应具有相似的稀疏编码形式,从而提高整个分类器的分类性能。实验结果验证了文中所提出的方法的有效性,相较于基本的LC-KSVD算法,其识别性能有较好的提升。