基于非負矩陣分解的SAR圖像目標配置識別.pdf

1、合成孔徑雷達（Synthetic Aperture Radar，SAR）擁有全天時、全天候等特質，是對地觀測和軍事偵測的重要技術措施之一。SAR圖像目標配置識別作為SAR圖像分析與解釋的關鍵技術之一，具有很強的商業(yè)和軍事價值，日益成為國內外研究的熱點。在SAR圖像目標配置識別研究中，關鍵技術之一為圖像的特征提取。圖像特征提取的主要目的是為了抑制斑點噪聲對識別率的影響并且最大限度地體現SAR圖像本身具有的稀疏性，所以圖像特征提取的好壞將直

2、接影響到識別精度。
　　目前SAR圖像目標配置識別的方法大都是基于灰度相關匹配和二維不變矩特征，或是基于目標邊緣檢測等方法。其主要思想是通過提取圖像域或小波域的參數來構建特征矩陣，這種基于全局特征的方法雖然可以獲得較好的識別精度，但是受噪聲影響較大，運算代價高，速度慢，從而導致實用性不強。本文研究了非負矩陣分解（NonnegativeMatrix Factorization，NMF）這種有效的非負數據處理方法，具有分解速度快，分解

3、結果有明確的物理意義，實現簡單的優(yōu)點，已成為高維數據降維分析領域的一個重要研究方向。本文在深入研究現有NMF算法的基礎上，提出了下列三種非負矩陣分解的改進方式：
　　1、一種稀疏約束的非負矩陣分解方法。這種方法充分利用了 SAR圖像本身所包含的稀疏性，通過對NMF方法進行改進從而提取出圖像中的稀疏特征。有效地表征了SAR圖像中的稀疏特性，在特征稀疏性和特征出圖等方面，性能均優(yōu)于NMF和現有的稀疏NMF。
　　2、一種近似正交

4、的非負矩陣分解。由于 NMF有非負的約束，所以加入正交約束會給矩陣帶來稀疏性，能夠很好地提取出圖像中的稀疏特征。確保了低維特征的非負性和局部性，減小了分解的誤差，提高了對稀疏性的調節(jié)能力。
　　3、一種平滑約束的稀疏非負矩陣分解方法。這種方法是在非平滑非負矩陣分解方法上加入了平滑約束。因為矩陣中，各個列向量是互不聯系和影響的，一列圖像信息的變化并不影響其之前一列或之后一列的圖像信息，這種特性與馬爾科夫隨機過程（Markoff ra