一種結(jié)合稀疏特征選擇的sar目標(biāo)鑒別方法
【專利摘要】本發(fā)明公開了一種結(jié)合稀疏特征選擇的SAR目標(biāo)鑒別方法，涉及雷達(dá)自動目標(biāo)識別領(lǐng)域，包括：步驟1，求取n個SAR訓(xùn)練圖像中疑似目標(biāo)區(qū)域，步驟2，從疑似目標(biāo)區(qū)域中提取訓(xùn)練樣本，步驟3，得到歸一化后的訓(xùn)練樣本矩陣，步驟4，求解l1范數(shù)稀疏約束下的投影降維模型得到投影向量Φ，步驟5，得到訓(xùn)練投影特征，步驟6，求取n1個目標(biāo)的訓(xùn)練投影特征的均值，求取n2個雜波的訓(xùn)練投影特征，步驟7，確定SAR測試圖像中的疑似目標(biāo)區(qū)域，步驟8，提取測試樣本，步驟9，得到歸一化后的測試樣本，步驟10，得到測試樣本的投影特征，步驟11，判定測試圖像。本發(fā)明消除了無效特征、冗余特征在鑒別中的負(fù)面影響，減少了計算量，提高了目標(biāo)鑒別性能。
【專利說明】—種結(jié)合稀疏特征選擇的SAR目標(biāo)鑒別方法

【技術(shù)領(lǐng)域】
[0001 ] 本發(fā)明屬于雷達(dá)自動目標(biāo)識別領(lǐng)域，涉及目標(biāo)識別中目標(biāo)鑒別方法的研究，尤其涉及一種結(jié)合稀疏特征選擇的SAR目標(biāo)鑒別方法。

【背景技術(shù)】
[0002]合成孔徑雷達(dá)SAR可以提供目標(biāo)高分辨率圖像，且SAR成像不受天氣、光照等條件限制，因而廣泛應(yīng)用于軍事偵察等領(lǐng)域，其中基于SAR圖像的自動目標(biāo)識別技術(shù)是重要的研究課題之一。SAR圖像自動目標(biāo)識別通常采用美國林肯實驗室的三級處理流程:檢測階段、鑒別階段、識別階段。首先，對整幅SAR圖像進(jìn)行像素級檢測，剔除明顯不是目標(biāo)的區(qū)域，得到疑似目標(biāo)區(qū)域；然后，對疑似目標(biāo)區(qū)域提取鑒別特征，利用鑒別特征剔除自然雜波區(qū)域、明顯大于或小于目標(biāo)的人造雜波區(qū)域；最后，對鑒別階段保留下來的目標(biāo)區(qū)域進(jìn)行目標(biāo)分類和識別。
[0003]在鑒別階段，現(xiàn)有文獻(xiàn)提出了大量SAR目標(biāo)鑒別特征，雖然理論上每個特征的提出都基于一定的物理意義，反映著目標(biāo)和雜波的散射強(qiáng)弱、結(jié)構(gòu)大小等信息，但是并不是每個特征都具有很強(qiáng)的可鑒別性，甚至有些特征聯(lián)合作用會得到相反的鑒別效果。如果將提取的特征全部用于目標(biāo)鑒別，很容易造成信息冗余和維數(shù)災(zāi)難，不僅會增大計算量，還嚴(yán)重影響鑒別性能。因此，目標(biāo)鑒別階段通常細(xì)化分為鑒別特征提取、鑒別特征降維以及鑒別器設(shè)計三個方面?，F(xiàn)有文獻(xiàn)大多采用特征選擇的方法達(dá)到特征降維的目的，特征選擇方法如窮舉法、遺傳算法等，旨在搜索尋找最優(yōu)特征組合。但是在實際中，對于高維SAR鑒別特征而言，窮舉法運(yùn)算量太大而不可取，遺傳算法要想取得全局最優(yōu)解，其運(yùn)算量也幾乎等效于窮舉法。從減少計算量、提高鑒別器性能的角度考慮，可以采用監(jiān)督降維方法，如Fisher線性判決分析(Fisher discriminant analysis, FDA)等。但是,雖然監(jiān)督降維方法可以把原始高維特征投影變換為低維投影特征，并保證該投影特征的可分性，但是監(jiān)督降維如FDA得到的投影特征仍然是全部特征的組合，因而只能消弱而不是消除無效特征、冗余特征對鑒別的負(fù)面影響。


【發(fā)明內(nèi)容】

[0004]針對上述現(xiàn)有技術(shù)的不足，本發(fā)明提出了一種結(jié)合稀疏特征選擇的SAR目標(biāo)鑒別方法。本發(fā)明通過在投影降維模型中增加I1范數(shù)稀疏約束，把特征選擇融合到最優(yōu)投影向量的求解中，得到了最優(yōu)特征組合的最優(yōu)投影特征，消除了無效特征、冗余特征在鑒別中的負(fù)面影響，提高了目標(biāo)鑒別性能。
[0005]為達(dá)到上述目的，本發(fā)明采用以下技術(shù)方案予以實現(xiàn)。
[0006]一種結(jié)合稀疏特征選擇的SAR目標(biāo)鑒別方法，其特征在于，包括以下步驟:
[0007]步驟I，取N個SAR訓(xùn)練圖像，其中，N個SAR訓(xùn)練圖像包括N1個含目標(biāo)的SAR訓(xùn)練圖像和N2個含雜波的SAR訓(xùn)練圖像，N、N1和N2分別為自然數(shù)，并且N^N2 = N ；
[0008]對N個SAR訓(xùn)練圖像中第j個SAR訓(xùn)練圖像Sj依次進(jìn)行對數(shù)變換、自適應(yīng)閾值分害I]、形態(tài)學(xué)濾波，得到二值圖像Fj, j大于等于I并且小于等于N ;
[0009]步驟2，通過二值圖像Fj中的像素幅值連續(xù)為I的像素區(qū)域進(jìn)行幾何聚類來判斷二值圖像Fj是否包含疑似目標(biāo)區(qū)域Tj ；
[0010]如果二值圖像Fj不包含疑似目標(biāo)區(qū)域Tj,則丟棄第j個SAR訓(xùn)練圖像Sj ；
[0011 ] 如果二值圖像Fj包含疑似目標(biāo)區(qū)域Tj,從疑似目標(biāo)區(qū)域Tj中提取P個特征，將P個特征組成訓(xùn)練樣本Xj，訓(xùn)練樣本Xj是維度大小為P X I的列向量，P表示特征數(shù)目，j大于等于I并且小于等于N;
[0012]步驟3，根據(jù)步驟I至步驟2，從N1個含目標(biāo)的SAR訓(xùn)練圖像中得到Ii1個目標(biāo)的訓(xùn)練樣本，從N2個含雜波的SAR訓(xùn)練圖像中得到n2個雜波的訓(xùn)練樣本叫(N1, n2 ( N27N1為目標(biāo)的SAR訓(xùn)練圖像總數(shù)，N2為雜波的SAR訓(xùn)練圖像總數(shù)；
[0013]H1個目標(biāo)的訓(xùn)練樣本和n2個雜波的訓(xùn)練樣本組成訓(xùn)練樣本矩陣X ;訓(xùn)練樣本矩陣X包含η個訓(xùn)練樣本，n = 1^+?, η彡N, N為SAR訓(xùn)練圖像總數(shù)；
[0014]對第i個訓(xùn)練樣本Xi進(jìn)行歸一化，i大于等于I并且小于等于n，得到歸一化后的訓(xùn)練樣本?其中，μ表示訓(xùn)練樣本特征矩陣X的每行的均值形成的行均值向
Xi:σ
量，O是表示訓(xùn)練樣本特征矩陣X的每行的標(biāo)準(zhǔn)差形成的行標(biāo)準(zhǔn)差向量；進(jìn)而對II1個目標(biāo)的訓(xùn)練樣本歸一化后得到Ii1個歸一化后的目標(biāo)訓(xùn)練樣本，對η2個雜波的訓(xùn)練樣本歸一化后得到η2個歸一化后的雜波的訓(xùn)練樣本；
[0015]H1個歸一化后的目標(biāo)訓(xùn)練樣本和η2個歸一化后的雜波的訓(xùn)練樣本形成η個歸一化后的訓(xùn)練樣本，n = Xi^n2 ；
[0016]η個歸一化后的訓(xùn)練樣本組成歸一化后的訓(xùn)練樣本矩陣X，X = [χι，χ2，....，χ/，...，χη]，是第i個的歸一化訓(xùn)練樣本；
[0017]步驟4，構(gòu)建I1范數(shù)稀疏約束下的歸一化后的訓(xùn)練樣本矩陣X的投影降維模型，再求解I1范數(shù)稀疏約束下的投影降維模型得到投影向量Φ ;
[0018]步驟5，利用投影向量Φ對第i個歸一化后的訓(xùn)練樣本?進(jìn)行如下投影變換，得到訓(xùn)練投影特征Xi: X, = χ,Φ ;
[0019]步驟6，根據(jù)步驟5對于Ii1個歸一化后的目標(biāo)訓(xùn)練樣本進(jìn)行投影變換，得到Ii1個含目標(biāo)的訓(xùn)練投影特征，并求取Il1個含目標(biāo)的訓(xùn)練投影特征的均值“；
[0020]根據(jù)步驟5對于η2個歸一化后的雜波的訓(xùn)練樣本進(jìn)行投影變換，得到η2個含雜波的訓(xùn)練投影特征，并求取η2個含雜波的訓(xùn)練投影特征的均值;；
[0021]步驟7，對SAR測試圖像S*進(jìn)行對數(shù)變換、自適應(yīng)閾值分割、形態(tài)學(xué)濾波，得到二值圖像F* ；
[0022]步驟8，將二值圖像F*中的像素幅值連續(xù)為I的像素區(qū)域進(jìn)行幾何聚類以判斷是否包含疑似目標(biāo)區(qū)域I";
[0023]如果測試二值圖像F*不包含測試疑似目標(biāo)區(qū)域Τ%則測試圖像S*被判定為雜波；
[0024]如果測試二值圖像Τ*包含測試疑似目標(biāo)區(qū)域Τ%從疑似目標(biāo)區(qū)域Τ*中，提取P個特征，P個特征組成測試樣本X* ;
[0025]步驟9，對測試樣本X*進(jìn)行歸一化，得到歸一化后的測試樣本7 ;

【權(quán)利要求】
1.一種結(jié)合稀疏特征選擇的SAR目標(biāo)鑒別方法，其特征在于，包括以下步驟: 步驟I，取N個SAR訓(xùn)練圖像，其中，N個SAR訓(xùn)練圖像包括N1個含目標(biāo)的SAR訓(xùn)練圖像和N2個含雜波的SAR訓(xùn)練圖像，N、N1和N2分別為自然數(shù)，并且N^N2 = N ； 對N個SAR訓(xùn)練圖像中第j個SAR訓(xùn)練圖像S」依次進(jìn)行對數(shù)變換、自適應(yīng)閾值分割、形態(tài)學(xué)濾波，得到二值圖像匕，j大于等于I并且小于等于N ; 步驟2，通過二值圖像Fj中的像素幅值連續(xù)為I的像素區(qū)域進(jìn)行幾何聚類來判斷二值圖像Fj是否包含疑似目標(biāo)區(qū)域Tj ； 如果二值圖像Fj不包含疑似目標(biāo)區(qū)域Tj,則丟棄第j個SAR訓(xùn)練圖像Sj ； 如果二值圖像Fj包含疑似目標(biāo)區(qū)域Tj，從疑似目標(biāo)區(qū)域Tj中提取P個特征，將P個特征組成訓(xùn)練樣本訓(xùn)練樣本\是維度大小為P X I的列向量，P表示特征數(shù)目，j大于等于I并且小于等于N; 步驟3，根據(jù)步驟I至步驟2，從N1個含目標(biāo)的SAR訓(xùn)練圖像中得到Ii1個目標(biāo)的訓(xùn)練樣本，從N2個含雜波的SAR訓(xùn)練圖像中得到n2個雜波的訓(xùn)練樣本叫(N17Ii2 ( N27N1為目標(biāo)的SAR訓(xùn)練圖像總數(shù)，N2為雜波的SAR訓(xùn)練圖像總數(shù)； Ii1個目標(biāo)的訓(xùn)練樣本和n2個雜波的訓(xùn)練樣本組成訓(xùn)練樣本矩陣X ;訓(xùn)練樣本矩陣X包含η個訓(xùn)練樣本，η =叫+巧，η彡N，N為SAR訓(xùn)練圖像總數(shù)； 對第i個訓(xùn)練樣本Xi進(jìn)行歸一化，i大于等于I并且小于等于n，得到歸一化后的訓(xùn)練樣本 ；=H，其中，μ表示訓(xùn)練樣本特征矩陣X的每行的均值形成的行均值向量，σ Xr ；σ是表示訓(xùn)練樣本特征矩陣X的每行的標(biāo)準(zhǔn)差形成的行標(biāo)準(zhǔn)差向量；進(jìn)而對Ii1個目標(biāo)的訓(xùn)練樣本歸一化后得到Ii1個歸一化后的目標(biāo)訓(xùn)練樣本，對η2個雜波的訓(xùn)練樣本歸一化后得到η2個歸一化后的雜波的訓(xùn)練樣本； Ii1個歸一化后的目標(biāo)訓(xùn)練樣本和η2個歸一化后的雜波的訓(xùn)練樣本形成η個歸一化后的訓(xùn)練樣本，n = Ii^n2 ； η個歸一化后的訓(xùn)練樣本組成歸一化后的訓(xùn)練樣本矩陣X，X = [xi，x2，....，x,，...，x?]是第i個的歸一化訓(xùn)練樣本； 步驟4，構(gòu)建I1范數(shù)稀疏約束下的歸一化后的訓(xùn)練樣本矩陣X的投影降維模型，再求解I1范數(shù)稀疏約束下的投影降維模型得到投影向量Φ ; 步驟5，利用投影向量Φ對第i個歸一化后的訓(xùn)練樣本進(jìn)行如下投影變換，得到訓(xùn)練投影特征i ?,Φ; 步驟6，根據(jù)步驟5對于Ii1個歸一化后的目標(biāo)訓(xùn)練樣本進(jìn)行投影變換，得到Ii1個含目標(biāo)的訓(xùn)練投影特征，并求取Ii1個含目標(biāo)的訓(xùn)練投影特征的均值;m ； 根據(jù)步驟5對于n2個歸一化后的雜波的訓(xùn)練樣本進(jìn)行投影變換，得到n2個含雜波的訓(xùn)練投影特征，并求取n2個含雜波的訓(xùn)練投影特征的均值Th 步驟7，對SAR測試圖像S*進(jìn)行對數(shù)變換、自適應(yīng)閾值分割、形態(tài)學(xué)濾波，得到二值圖像F* ； 步驟8，將二值圖像F*中的像素幅值連續(xù)為I的像素區(qū)域進(jìn)行幾何聚類以判斷是否包含疑似目標(biāo)區(qū)域 如果測試二值圖像F*不包含測試疑似目標(biāo)區(qū)域T%則測試圖像S*被判定為雜波； 如果測試二值圖像Τ*包含測試疑似目標(biāo)區(qū)域Τ%從疑似目標(biāo)區(qū)域Τ*中，提取P個特征，P個特征組成測試樣本X*; 步驟9，對測試樣本X*進(jìn)行歸一化，得到歸一化后的測試樣本t:
其中，μ表示訓(xùn)練樣本特征矩陣X的每行的均值形成的向量，σ是表示訓(xùn)練樣本特征矩陣X的每行的標(biāo)準(zhǔn)差形成的向量； 步驟10，利用投影向量Φ對歸一化后的測試樣本f進(jìn)行如下投影變換，得到測試樣本f的投影特征^.—.* X =χφ 7 步驟11，計算投影特征與目標(biāo)的訓(xùn)練投影特征的均值一的距離，以及投XTUi影特征與雜波的訓(xùn)練投影特征的均值一的距離4= X-mi ;如果Cl1 ( d2，則測試圖像S*Xmi被判定為目標(biāo)，否則測試圖像S*被判定為雜波。
2.根據(jù)權(quán)利要求1所述的一種結(jié)合稀疏特征選擇的SAR目標(biāo)鑒別方法，其特征在于，步驟I包括以下子步驟: la)對第j個訓(xùn)練圖像S」進(jìn)行對數(shù)變換，得到對數(shù)變換之后的訓(xùn)練圖像Gp對數(shù)變換之后的訓(xùn)練圖像(^_在像素點(x，y)處的幅值h_(X，y)的表達(dá)式為:
Gj (x, y) = 10 X In [Sj (x, y) +0.001] +30 其中，SjUy)為SAR訓(xùn)練圖像Sj在像素點(x，y)處的幅值，GjUy)為對數(shù)變換之后的訓(xùn)練圖像在像素點(X，y)處的幅值； Ib)對對數(shù)變換之后的訓(xùn)練圖像Gj,進(jìn)行自適應(yīng)閾值分割、形態(tài)學(xué)濾波得到二值圖像Fj, 二值圖像中像素幅值為I的像素點即為疑似目標(biāo)像素，二值圖像中像素幅值為O的像素點即為非疑似目標(biāo)像素，二值圖像？」在像素點(x，y)處的幅值？」(1，7)的表達(dá)式:
3.根據(jù)權(quán)利要求1所述的一種結(jié)合稀疏特征選擇的SAR目標(biāo)鑒別方法，其特征在于，步驟4具體包括: I1范數(shù)稀疏約束下的投影降維模型為:
其中，?是歸一化后的訓(xùn)練樣本矩陣，X是的維度大小為PXn ;Y是類別信息向量，Y的維度大小為nXl，Y只包含{0，1}兩種取值；Θ表示擬合投影特征χΑφ和類別信息量Y 的擬合量；11.11表示求I1范數(shù)；11.I2表示求I2范數(shù)；λ是為正則化參數(shù)。
【文檔編號】G06T5/50GK104200229SQ201410446516
【公開日】2014年12月10日 申請日期:2014年9月3日 優(yōu)先權(quán)日:2014年9月3日
【發(fā)明者】杜蘭, 王斐, 李莉玲, 劉宏偉 申請人:西安電子科技大學(xué)