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

采用热核特征的SAR图像目标识别

杨绪峰,  林伟,  延伟东,  温金环

downloadPDF
文章导航 > 红外与激光工程  > 2014 >  43(11): 3794-3801
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[J]. 红外与激光工程, 2014, 43(11): 3794-3801.
引用本文: 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[J]. 红外与激光工程, 2014, 43(11): 3794-3801.
shu
Yang Xufeng, Lin Wei, Yan Weidong, Wen Jinhuan. SAR image target recognition based on heat kernel[J]. Infrared and Laser Engineering, 2014, 43(11): 3794-3801.
Citation: Yang Xufeng, Lin Wei, Yan Weidong, Wen Jinhuan. SAR image target recognition based on heat kernel[J]. Infrared and Laser Engineering, 2014, 43(11): 3794-3801.
shu

采用热核特征的SAR图像目标识别

  • 1.

    西北工业大学 理学院,陕西 西安 710129;

  • 2.

    中国船舶重工集团公司第715研究所,浙江 杭州 310023

基金项目: 

国家自然科学基金(10926197,60972150,61201323,61301196);西北工业大学基础研究基金(JC201053)

详细信息
    作者简介:

    杨绪峰(1986-),男,硕士,主要从事统计建模与遥感图像处理等研究.Email:546405782@qq.com

  • 中图分类号: TP391

SAR image target recognition based on heat kernel

  • 1.

    School of Science,Northwestern Poly-technical University,Xi'an 710129,China;

  • 2.

    715th Research Institute,China Shipbuilding Industry Corporation,Hangzhou 310023,China

  • 摘要: 为了解决SAR图像受相干斑噪声干扰和震后发生形变而识别率偏低的问题,提出了一种新的仿射、形变不变特征-热核特征,并将该特征用于SAR图像目标识别.首先采用推广的核模糊C-均值方法分割SAR图像,提取SAR图像目标形状;接着对目标形状进行Delaunay三角剖分,采用余切权重法对Laplace-Beltrami Operator离散化,通过离散化Laplace-Beltrami Operator特征值、特征向量求每一点热核特征;然后采用谱距离公式对点点间热核距离计算,转化为距离分布表示目标形状的热核特征;最后采用L1相似性准则对图像进行相似性度量,得到识别结果.实验表明:与经典的Hu不变矩方法相比,对于仿射变换和发生形变的SAR图像,该方法都具有更高的识别率.因此,基于热核特征的SAR图像识别方法是一种更加有效的识别方法.
    Abstract: In order to solve low recognition rate which was caused by the speckle noise and deformation in SAR image after earthquake, a new heat kernel feature which possesses the properties of affine invariance and deformation invariance was put forward, and this feature was used in SAR image target recognition. First of all, a generalized kernel fuzzy C-means formula was applied in SAR image segmentation, and target shape in SAR image was extracted. Secondly, the triangle subdivision was obtained by means of Delaunay triangulation formula, and Laplace-Beltrami operator was discretized using cotangent weight scheme, and then heat kernel feature at every point was obtained by making use of the eigenvalues and eigenvectors of the discretized Laplace-Beltrami operator. Thirdly, heat kernel distance between two points was calculated by spectral distance formula, and then distance distribution was used to represent the heat kernel feature in the target shape of SAR image. Finally, L1 similarity criterion was adopted to measure the similarity of two SAR image, recognition result was obtained by comparing similarities of the whole SAR images. Experiments show that, compared with the classical Hu invariant feature which also has affine invariance in images, this method which is based on heat kernel feature shows both higher recognition rate for affine transformation SAR images and deformation SAR images. Consequently, SAR image target recognition method, which is based on the heat kernel feature, is a more effective SAR image recognition method.
  • [1]
    [2] Zhang Juntuan, Lin Jun. SAR image change detection based on second order gray statistical characteristics[J]. Journal of Jilin University, 2008, 26(5): 536-541. (in Chinese) 张军团, 林君. 基于二阶灰度统计特征的SAR图像变化检测[J]. 吉林大学学报, 2008, 26(5): 536-541.
    [3] Ulaby F T, Kouyate F, Brisco B, et al. Textural information in SAR images[J]. IEEE Trans Geoscience and Remote Sensing, 1986, 24(3): 235 -245.
    [4]
    [5] Liu Qian, Zhu Feng, Hao Yingming, et al. Research on modeling and rendering of realistic infrared texture of grassland[J]. Infrared and Laser Engineering, 2013, 42(4): 1100-1105. (in Chinese) 柳倩, 朱枫, 郝颖明, 等. 草地的红外纹理建模与真实感绘制方法[J]. 红外与激光工程, 2013, 42(4): 1100-1105.
    [6]
    [7] Xu Xiaohui, Zhang An, Duanmu Jingshun, et al. Remote sensing target recognition based on particle swarm classifier[J]. Infrared and Laser Engineering, 2007, 36(4): 551-554. (in Chinese) 徐小慧, 张安, 端木京顺, 等. 基于粒子群分类器的遥感图像目标识别[J]. 红外与激光工程, 2007, 36(4): 551-554.
    [8]
    [9]
    [10] Yang Shu, Wang Yude. Image retrieval algorithm based on Contourlet transform and Hu invariant moments[J]. Infrared and Laser Engineering, 2014, 43(1): 306-310. (in Chinese) 杨舒, 王玉德. 基于Contourlet变换和Hu不变矩的图像检索算法[J]. 红外与激光工程, 2014, 43(1): 306-310.
    [11]
    [12] Sun J, Ovsjanikov M, Guibas L. A concise and provably informative multi-scale signature based on heat diffusion[J]. Proc Symp Geometry Processing, 2009, 28(5): 1383-1392.
    [13]
    [14] Coifman R R, Lafon S. Diffusion maps[J]. Applied and Computational Harmonic Analysis, 2006, 21(1): 5-30.
    [15] Bronstein M M, Bronstein A M. Shape recognition with spectral distances[J]. IEEE Trans Pattern Analysis and Machine Intelligence, 2011, 33(5): 1065-1071.
    [16]
    [17] Osada R, Funkhourser T, Chazelle B, et al. Shape distribution[J]. ACM Trans Graphics, 2002, 21(4): 807-832.
    [18]
    [19]
    [20] Fan Ming, Tian Zheng, Zhao Wei. Unfied framework of the FCM-type clustering algorithm and its kernel version[J]. Electronic Design Engineering, 2013, 4: 134-136. (in Chinese) 范明, 田铮, 赵伟. FCM型聚类算法的统一框架及其核推广[J]. 电子设计工程, 2013, 4: 134-136.
    [21] Cao Junfeng, Shi Jiacheng, Luo Haibo, et al. Image enhancement using clustering and histogram equalization[J]. Infrared and Laser Engineering, 2012, 41(12): 3436-3441. (in Chinese) 曹军峰, 史家成, 罗海波, 等. 采用聚类分割和直方图均衡的图像增强算法[J]. 红外与激光工程, 2012, 41(12): 3436-3441.
    [22]
    [23]
    [24] Pinkall U, Polthier K. Computing discrete minimal surfaces and their conjugates[J]. Experimental Math, 1993, 2(1): 15-36.
    [25] Levy B. Laplace-Beltrami eigen-functions towards an algorithm that understands geometry[C]//Shape Modeling and Applications. IEEE International Conference on Shape Modeling and Applications 2006, 2006.
  • [1] 张良, 田晓倩, 李少毅, 杨曦.  基于时空推理网络的空中红外目标抗干扰识别算法 . 红外与激光工程, 2022, 51(7): 20210614-1-20210614-10. doi: 10.3788/IRLA20210614
    [2] 王晓艳, 徐高魁.  基于立体视觉与特征匹配的点云目标识别算法 . 红外与激光工程, 2022, 51(9): 20210596-1-20210596-7. doi: 10.3788/IRLA20210596
    [3] 廖辉传, 赵海霞.  基于分类器决策融合的红外图像目标识别方法 . 红外与激光工程, 2022, 51(8): 20210725-1-20210725-6. doi: 10.3788/IRLA20210725
    [4] 杨棉绒, 牛丽平.  基于LGBM的Zernike特征选取及红外图像目标识别方法 . 红外与激光工程, 2022, 51(4): 20210309-1-20210309-6. doi: 10.3788/IRLA20210309
    [5] 廖莎莎.  基于筛选深度特征的红外图像目标识别方法 . 红外与激光工程, 2022, 51(5): 20210372-1-20210372-6. doi: 10.3788/IRLA20210372
    [6] 陆建华.  融合CNN和SRC决策的SAR图像目标识别方法 . 红外与激光工程, 2022, 51(3): 20210421-1-20210421-7. doi: 10.3788/IRLA20210421
    [7] 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
    [8] 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
    [9] 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
    [10] 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
    [11] 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
    [12] 伍友龙.  多元经验模态分解及在SAR图像目标识别中的应用 . 红外与激光工程, 2021, 50(4): 20200236-1-20200236-7. doi: 10.3788/IRLA20200236
    [13] 赵璐, 熊森.  多视角红外图像目标识别方法 . 红外与激光工程, 2021, 50(11): 20210206-1-20210206-6. doi: 10.3788/IRLA20210206
    [14] 马丹丹.  图像分块匹配的SAR目标识别方法 . 红外与激光工程, 2021, 50(10): 20210120-1-20210120-8. doi: 10.3788/IRLA20210120
    [15] 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
    [16] 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
    [17] 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
    [18] 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
    [19] 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
    [20] 肖传民, 史泽林, 刘云鹏.  张量子空间降维的边缘图像匹配 . 红外与激光工程, 2015, 44(11): 3488-3493.
  • 加载中
WeChat 点击查看大图
计量
  • 文章访问数:  581
  • HTML全文浏览量:  100
  • PDF下载量:  342
  • 被引次数: 0
出版历程
  • 收稿日期:  2014-03-15
  • 修回日期:  2014-04-20
  • 刊出日期:  2014-11-25

采用热核特征的SAR图像目标识别

  • 1. 西北工业大学 理学院,陕西 西安 710129;
  • 2. 中国船舶重工集团公司第715研究所,浙江 杭州 310023
    • 作者简介:

    杨绪峰(1986-),男,硕士,主要从事统计建模与遥感图像处理等研究.Email:546405782@qq.com

  • 收稿日期: 2014-03-15
  • 修回日期: 2014-04-20
  • 刊出日期: 2014-11-25
基金项目:

国家自然科学基金(10926197,60972150,61201323,61301196);西北工业大学基础研究基金(JC201053)

  • 中图分类号: TP391

摘要: 为了解决SAR图像受相干斑噪声干扰和震后发生形变而识别率偏低的问题,提出了一种新的仿射、形变不变特征-热核特征,并将该特征用于SAR图像目标识别.首先采用推广的核模糊C-均值方法分割SAR图像,提取SAR图像目标形状;接着对目标形状进行Delaunay三角剖分,采用余切权重法对Laplace-Beltrami Operator离散化,通过离散化Laplace-Beltrami Operator特征值、特征向量求每一点热核特征;然后采用谱距离公式对点点间热核距离计算,转化为距离分布表示目标形状的热核特征;最后采用L1相似性准则对图像进行相似性度量,得到识别结果.实验表明:与经典的Hu不变矩方法相比,对于仿射变换和发生形变的SAR图像,该方法都具有更高的识别率.因此,基于热核特征的SAR图像识别方法是一种更加有效的识别方法.

English Abstract

    全文HTML

参考文献 (25)

目录

    /

    返回文章
    返回

    版权所有 © 2019 《红外与激光工程》编辑部｜ 地址: 天津市空港经济区中环西路58号｜ 邮政编码: 300308

    津ICP备19007885号-1

    本系统由 北京仁和汇智信息技术有限公司 开发    百度统计