一种基于自适应核字典学习的SAR目标识别方法

提出一种基于自适应核字典学习的合成孔径雷达（synthetic aperture radar，SAR）目标识别方法.该方法首先将SAR图像的特征信息通过核函数映射到高维度的核空间中并进行字典学习；然后根据更新后的字典动态计算稀疏度；最后依据最小重构误差准则实现SAR目标识别.在公开数据集MSTAR上的仿真实验结果表明，该方法提取到的特征信息可分度高，对SAR目标的识别具有较好的性能.     

基于稀疏表示和拉伸变换的SAR图像目标识别

目标识别是SAR图像解译的关键环节,针对已有基于稀疏表示的SAR图像目标识别方法识别率不高的问题,在分析影响识别率原因的基础上,结合SAR图像中目标区域和阴影区域特性,提出了一种基于稀疏表示和拉伸变换的SAR图像目标识别方法。该方法通过对训练样本图像进行拉伸变换生成了新的训练样本图像,利用已有的和新的训练样本图像构造稀疏字典,通过求解目标区域和阴影区域的联合稀疏表示,根据重构误差最小准则完成了SAR图像目标识别。利用MSTAR实测SAR图像对提出的目标识别方法进行了测试,结果表明新方法识别率高于已有方法,从而验证了新方法的有效性。     

一种改进的基于K-SVD字典学习的运动目标检测算法

提出了一种基于字典学习的运动目标检测方法.该方法首先使用多帧平均方法从训练样本中得到初始背景,再通过BP算法建立背景的初始稀疏表示模型;然后利用视频序列中当前时刻的近邻五帧图像,通过K-SVD方法自适应更新背景数据字典中的原子,使背景稀疏表示模型最优逼近近邻帧背景的观测值;最后将当前帧图像与背景模型进行差分,完成前景运动目标的检测.仿真和对比实验结果表明,对图像信号进行稀疏表示可以有效降低数据的冗余度,减小运行时间,同时在字典更新阶段利用近邻帧图像的相关性特性,能获得鲁棒性较好的背景字典,自动排除伪前景的干扰,从而提高视频序列中的运动目标检测的准确率.     

复杂场景下结合SIFT与核稀疏表示的交通目标分类识别

针对复杂场景下的交通目标分类识别难点,提出一种基于尺度不变特征转换(SIFT)与核稀疏表示的分类识别算法.该算法首先利用SIFT分别提取训练样本和待测目标局部特征信息,通过核方法将特征样本映射到核空间,构建过完备字典,最后通过待测目标在字典中的稀疏度与重构误差对交通目标类别进行判定.同时,分析了随机投影下的核稀疏表示分类与特征维数之间的关系.实验结果表明,与SVM、稀疏表示分类(SRC)相比,该方法增强了交通目标特征层的类判别能力,具有较好的识别率和鲁棒性.     

基于优化字典学习的遥感图像融合方法

为提升全色图像和多光谱图像的融合效果,该文提出基于优化字典学习的遥感图像融合方法。首先将经典图像库中的图像分块作为训练样本,对其进行K均值聚类,根据聚类结果适度裁减数量较多且相似度较高的图像块,减少训练样本个数。接着对裁减后的训练样本进行训练,得到通用性字典,并标记出相似字典原子和较少使用的字典原子。然后用与原稀疏模型差异最大的全色图像块规范化后替换相似字典原子和较少使用的字典原子,得到自适应字典。使用自适应字典对多光谱图像经IHS变换后获取的亮度分量和源全色图像进行稀疏表示,把每一个图像块稀疏系数中的模极大值系数分离,得到极大值稀疏系数,将剩下的稀疏系数称为剩余稀疏系数。针对极大值稀疏系数和剩余稀疏系数分别选择不同的融合规则进行融合,以保留更多的光谱信息和空间细节信息,最后进行IHS逆变换获得融合图像。实验结果表明,与传统方法相比所提方法得到的融合图像主观视觉效果较好,且客观评价指标更优。     

基于小波字典稀疏表示的SAR图像目标识别

针对稀疏表示识别算法在图像域构造冗余字典时过分依赖预处理及原子维数较大的问题,提出基于小波字典的 SAR图像稀疏表示识别算法。首先采用二维离散小波变换将原始图像变换到小波域,建立小波域 SAR图像特征模型,得出小波域低频成分可充分表征目标类别信息的结论。然后取小波域低频成分进行2DPCA特征抽取构造小波字典,最后由改进 OMP 算法稀疏分解系数得到识别结果。SAR MSTAR数据的实验结果表明,在无预处理的情况下识别率高达99％,并且在含噪比10％的情况下识别率仍达96％。     

基于小波字典稀疏表示的SAR图像目标识别

针对稀疏表示识别算法在图像域构造冗余字典时过分依赖预处理及原子维数较大的问题,提出基于小波字典的SAR图像稀疏表示识别算法。首先采用二维离散小波变换将原始图像变换到小波域,建立小波域SAR图像特征模型,得出小波域低频成分可充分表征目标类别信息的结论。然后取小波域低频成分进行2DPCA特征抽取构造小波字典,最后由改进OMP算法稀疏分解系数得到识别结果。SAR MSTAR数据的实验结果表明,在无预处理的情况下识别率高达99%,并且在含噪比10%的情况下识别率仍达96%。     

压缩感知稀疏表示在雷达目标识别中的应用

高分辨距离像(HRRP)目标识别算法很多,在其利用高分辨距离像蕴含的目标结构信息的同时,也需要面对数据量巨大的难题.事实上,尽管高分辨距离像数据量巨大,但却是稀疏的,然而利用其稀疏特性进行识别的方法却不多.为此,提出了一种基于压缩感知稀疏表示方法实现目标识别的算法.该算法首先采用遗传正交匹配追踪(OMP)算法对一维距离像训练样本进行稀疏分解以获得类别字典,然后根据类别字典分析测试样本的重构误差实现目标识别.仿真实验证明,所提算法简捷、识别率更高,相较于常规算法识别率提高最多可达20％,并且在受到噪声干扰情况下依然能够稳健地识别目标.     

基于属性散射中心卷积核调制的SAR目标识别深层网络

卷积神经网络(CNN)的特征提取能力与其参数量有关,一般来说,参数量越多,CNN的特征提取能力越强。但要学好这些参数需要大量的训练数据,而在实际应用中,可用于模型训练的合成孔径雷达(SAR)图像往往是有限的。减少CNN的参数量可以降低对训练样本的需求,但同时也会降低CNN的特征表达能力,影响其目标识别性能。针对此问题,该文提出一种基于属性散射中心(ASC)卷积核调制的SAR目标识别深层网络。由于SAR图像具有电磁散射特性,为了提取更符合SAR目标特性的散射结构和边缘特征,所提网络使用预先设定的具有不同指向和长度的ASC核对少量CNN卷积核进行调制以生成更多卷积核,从而在降低网络参数量的同时保证其特征提取能力。此外,该网络在浅层使用ASC调制卷积核来提取更符合SAR图像特性的散射结构和边缘特征,而在高层使用CNN卷积核来提取SAR图像的语义特征。由于同时使用ASC调制卷积核和CNN卷积核,该网络能够兼顾SAR目标的电磁散射特性和CNN的特征提取优势。使用实测SAR图像进行的实验证明了所提网络可以在降低对训练样本需求的同时保证优秀的SAR目标识别性能。     

原子-分子字典结合的联合扩展加权稀疏表示人脸识别算法

针对训练样本字典学习仅包含全局信息、缺乏局部信息的不足,引入与类别相关的原子字典, 提出基于原子与分子字典联合扩展的加权稀疏表示人脸识别方法。首先,对各类训练样本进行PCA学习,得到带标记的训练样本基,构造PCA基原子字典,同时将训练样本字典作为分子字典。进而,利用原子字典与分子字典结合得到扩展字典模型。测试时,根据测试样本与扩展字典基之间的距离进行加权得到与当前测试样本关联的重构字典集,最后对测试样本稀疏重构,利用残差进行分类判别。为验证本文方法有效性,分别在AR、Georgia Tech和CMU PIE人脸数据库上进行实验。      

基于多尺度自适应稀疏字典的小弱目标检测方法

针对单尺度固定函数的滤波器难以有效剔除杂波和提高小弱目标检测性能的不足,文中研究建立多尺度自适应稀疏字典,提出了一种多尺度自适应形态稀疏字典检测小弱目标方法。首先根据图像信号内容建立多尺度自适应形态稀疏字典,并将图像信号在多尺度稀疏字典中进行稀疏分解;然后在分析小原子稀疏表示系数的基础上建立稀疏表示系数直方图,并利用指数函数拟合小尺度原子的稀疏表示系数直方图;最后,根据指数函数拟合参数在杂波、噪声和目标表现出的差异检测小弱目标。该多尺度稀疏字典利用大尺度原子描述图像背景杂波,小尺度原子捕获图像细小特征。实验结果表明,与小波算法和Contourlet 算法相比,文中方法能更为有效地抑制背景杂波,减少背景残留,从而提高小弱目标检测性能。     

基于核Fisher判别字典学习的稀疏表示分类

在基于稀疏表示分类的模式识别中,字典学习(DL) 可以为稀疏表示获得更为精简的数据表示。最近的基于Fisher判别的字典学习(FDDL)可以学 习到更加判别的稀疏字典,使得稀疏表示分类具有很强的识别性能。核空间变换可以学习到 非线性结构信息,这对判别分类非常有用。为了充分利用 核空间特性以学习更加判别的稀疏字典来提升最终的识别性能,在FDDL的基础上,提出了两 种核化的稀疏表示DL方法。首先原始训练数据被投影到高维核空间,进行基于Fisher 判别的核稀 疏表示DLFDKDL;其次在稀疏系数上附加核Fisher约束,进行基于核Fisher判别的核稀疏表 示DL(KFDKDL),使得所学习的字典具有更强的判别能力。在多个公开的图像数据库上的稀疏 表示分类实验结果验证了所提出的FDKDL和KFDKDL方法的有效性。     

基于核协同表示与鉴别投影的辐射源调制识别

针对辐射源识别中的特征稳定性不高和低信噪比环境适应性不足等问题,提出了一种基于二次时频分布、核协同表示与鉴别投影的识别方法.首先,通过时频变换、稀疏域降噪和二次特征提取的预处理算法降低噪声干扰和特征冗余,以获取高稳定性的二次时频分布特征;然后,采用核协同表示和鉴别投影思想进行降维学习和字典学习,以提升数据低维表征和类间鉴别能力;最后,通过离线训练完成系统优化并用于分类验证.仿真结果表明,二次时频分布特征具备较高稳定性,识别方法具备较强鲁棒性、时效性和适应性;当信噪比为-10dB时,该方法对8类辐射源信号的整体平均识别率达到96.88%.     

基于PGBN模型的SAR图像目标识别方法

特征提取是合成孔径雷达图像目标识别的关键步骤,也是难点之一。该文提出一种基于PGBN(Poisson Gamma Belief Network)模型的SAR图像目标识别方法。PGBN模型作为一种深层贝叶斯生成网络,利用伽马分布具有的高度非线性,从复杂的SAR图像数据中获得了更具结构化的多层特征表示,这种多层特征表示有效提高了SAR图像目标识别性能。为了获得更高的训练效率和识别率,该文进一步采用朴素贝叶斯准则提出了一种对PGBN模型进行分类的方法。实验采用MSTAR的3类目标数据进行了验证,结果表明通过该方法提取的特征有更好的结构信息,对SAR图像目标识别具有较好的性能。     

基于块稀疏贝叶斯学习的SAR图像目标方位角估计方法

提出了一种基于块稀疏贝叶斯学习的合成孔径雷达（Synthetic aperture radar,SAR）图像目标方位角估计方法。SAR图像具有较强的方位角敏感性,因此对于具有某一方位角的SAR图像仅能与其具有相近方位角的样本具有较高的相关性。方法基于稀疏表示的基本思想,首先对所有训练样本按照方位角顺序排列为全局字典。在此条件下,待估计样本在该字典上的线性表示系数具有块稀疏特性,即非零表示系数主要聚集在字典上的某一局部区域。求解得到的块稀疏位置包含的训练样本可以有效地反映待估计样本的方位角信息。采用块稀疏贝叶斯学习（Block sparse Bayesian learning, BSBL）算法求解全局字典上的稀疏表示系数,并根据具有最小重构误差的原则获得最佳的局部分块。在获取最佳分块的基础上,方位角计算方法采用线性加权的方式综合了该分块区间内所有训练样本的方位角信息从而获得更为稳健的估计结果。所提出的方法在充分考察SAR图像方位角敏感性的基础上,综合运用局部区间内样本的有效信息,避免了基于单一样本估计的不确定性。为了验证所提出方法的有效性,基于Moving and stationary target acquisition and recognition （MSTAR）数据集进行了方位角估计实验并与几类经典方法进行对比分析。实验结果验证了所提出方法的性能优势。     

基于字典尺度自适应学习的欠定盲语音重构算法

针对欠定盲语音分离传统字典学习算法不能优化字典尺寸的问题,提出了一种尺度自适应同步码字优化(Scale Adaptive Simultaneous Codeword Optimization, SASimCO)算法。设计了一种迭代调整字典尺寸的自适应字典学习策略,将训练的字典用于语音盲分离中,以提高语音源信号的恢复性能。所提算法依据设计的候选矩阵,计算候选矩阵中的原子重要性,按照原子重要性准则对字典进行添加与删除原子操作,最后迭代训练得到一个稀疏表示误差最优的字典,用于语音源信号的恢复。使用SiSEC(Signal Separation Evaluation Campaign)数据集对所提算法进行的仿真实验表明,相较于传统字典学习算法,所提算法提高了1～3 dB语音源分离性能,证明了该算法的优势。     

原子稀疏结合块结构稀疏的联合表示图像识别算法

针对结构稀疏表示识别算法中稀疏准则的选择以及字典内块的划分两个重要问题,提出两种改进的结构稀疏表示识别算法。首先,针对结构稀疏准则会出现较多系数不为零的情况,提出将结构稀疏准则与原子稀疏准则相结合的思路,包括并行和串行两种结合方式。并行结合是将两者以加权求和的方式同时作为稀疏表示的判别准则进行分类,串行结合则是在结构稀疏表示后,通过重组字典,再对测试样本进行原子稀疏表示实现分类。然后,针对字典中类内样本的块划分问题,提出基于MLP的结构稀疏表示识别算法,先将类内样本经过MLP的划分,保证各个分块分别位于低维的线性子空间中,再进行结构稀疏表示的分类。实验结果证明两种改进的结构稀疏表示识别算法的有效性。