[发明专利]基于特征降维的SAR目标鉴别方法

摘要

本发明公开了基于特征降维的SAR目标鉴别方法，涉及SAR图像自动目标识别中目标鉴别方法的研究，尤其涉及一种基于特征降维的SAR目标鉴别方法。其步骤为步骤1，对SAR训练图像集合进行预处理，并构建训练样本集；步骤2，对训练样本集建立线性模型，求取最优降维矩阵，对训练样本集进行降维得到降维训练样本集，求取降维训练样本集的概率密度函数；步骤3，对SAR测试图像进行预处理，并构建测试样本；步骤4，利用最优降维矩阵对测试样本进行降维，得到降维测试样本，求取降维测试样本的似然概率，用贝叶斯分类器进行鉴别。本发明主要解决了小样本情况下的SAR目标鉴别问题。本发明的鉴别性能相比现有技术有明显的提高，可以用于SAR目标鉴别。

主权项

一种基于特征降维的SAR目标鉴别方法，其特征在于，包括以下步骤：步骤1，获取n1幅SAR训练目标图像和n2幅SAR训练杂波图像；从n1幅SAR训练目标图像集合中得到训练目标的二值图像集合从n2幅SAR训练杂波图像集合中得到训练杂波的二值图像集合步骤2，将n1幅训练目标的二值图像集合中像素点幅值全为零的训练目标的二值图像对应的训练目标图像从训练目标图像集合F1中去掉，得到保留的训练目标图像集合m1表示保留的训练目标图像的数目，1≤m1≤n1；将n2幅训练杂波的二值图像集合中像素点幅值全为零的训练杂波的二值图像对应的训练杂波图像从训练杂波图像集合F2中去掉，得到保留的训练杂波图像集合m2表示保留的训练杂波图像的数目，1≤m2≤n2；步骤3，设定保留的训练目标图像集合中的每一个保留的图像有d个时域特征，将第t个保留的图像的d个时域特征构建为第t个目标样本1≤t≤m1，进而得到训练目标样本集合设定保留的训练杂波图像集合中的每一个保留的图像有d个时域特征，将第v个保留的图像的d个时域特征构建为第v个杂波样本1≤v≤m1，进而得到训练杂波样本集合1≤m1≤n1，1≤m2≤n2；步骤4，由训练目标样本集合和训练杂波样本集合构建训练样本集合S：计算训练样本集合S的特征均值P和特征标准差Q；利用特征均值P和特征标准差Q，将训练目标样本集合归一化，得到归一化的训练目标样本集合利用特征均值P和特征标准差Q，将训练杂波样本集合归一化，得到归一化的训练杂波样本集合步骤5，计算目标样本的先验概率w1和杂波样本的先验概率w2：w1=m1m1+m2,]]>w2=m2m1+m2,]]>其中，m1是保留的训练目标图像的数目，也就是归一化的训练目标样本数；m2是保留的训练杂波图像的数目，也就是归一化的训练杂波样本数；步骤6，建立归一化的训练目标样本集合X1中第a个归一化的训练目标样本的线性模型：表示设定的第a个归一化的训练目标样本进行降维后的降维训练目标样本；A表示设定的变换矩阵，εa表示第a个归一化的训练目标样本的噪声；并且设定降维训练目标样本的先验分布服从高斯分布，归一化的训练目标样本的噪声εa的先验分布服从高斯分布；其中a∈{1，2，...，m1}；m1是归一化的训练目标样本数；建立归一化的训练杂波样本集合X2中第b个归一化的训练杂波样本的线性模型：表示设定的第b个归一化的训练杂波样本进行降维后的降维训练杂波样本；A表示设定的变换矩阵，εb表示第b个归一化的训练杂波样本的噪声；设定降维训练杂波样本的先验分布服从高斯分布，归一化的训练杂波样本的噪声εb的先验分布高斯分布其中b∈{1，2，...，m2}；m2是归一化的训练杂波样本数；步骤7，将降维训练目标样本的先验分布和归一化的训练目标样本的噪声εa的先验分布代入归一化的训练目标样本的线性模型，将降维训练杂波样本的先验分布和归一化的训练杂波样本的噪声εb的先验分布代入归一化的训练杂波样本的线性模型，求取归一化的训练目标样本集合X1和归一化的训练杂波样本集合X2的对数似然函数L、以及降维训练目标样本和降维训练杂波样本的互信息函数I；步骤8，利用对数似然函数L和互信息函数I构建目标样本最优降维矩阵为Φ1和杂波样本最优降维矩阵为Φ2的目标函数J，利用梯度下降法求解目标函数J，得到目标样本最优降维矩阵Φ1和杂波样本最优降维矩阵Φ2；步骤9，将目标样本最优降维矩阵Φ1乘以归一化的训练目标样本集合中每一个样本，得到最优降维训练目标样本集合将杂波样本最优降维矩阵Φ2乘以归一化的训练杂波样本集合中每一个样本，得到最优降维训练杂波样本集合步骤10，设定第a个最优降维训练目标样本的后验分布服从高斯分布，构建第a个最优降维训练目标样本的概率密度函数其中a∈{1，2，...，m1}；m1是归一化的训练目标样本数，也是最优降维训练目标样本数；设定第b个最优降维训练杂波样本的后验分布服从高斯分布，构建第b个最优降维训练杂波样本的概率密度函数其中b∈{1，2，...，m2}；m2是归一化的训练杂波样本数，也是最优降维训练杂波样本数；步骤11，任取一幅SAR测试图像F#中，得到测试的二值图像T#；步骤12，如果测试的二值图像T#的像素点幅值全为零，直接判定测试图像F#为杂波图像，完成并结束鉴别过程；步骤13，如果测试的二值图像T#的像素点幅值不全为零，对测试图像F#提取d个时域特征，构建测试样本s#；步骤14，利用训练样本集合S的特征均值P和特征标准差，对测试样本s#进行归一化，得到归一化后的测试样本x#；步骤15，将目标样本最优降维矩阵Φ1乘以归一化后的测试样本x#，得到最优降维后的疑似目标测试样本将杂波样本最优降维矩阵Φ2乘以归一化后的测试样本x#，得到最优降维后的疑似杂波测试样本步骤16，将最优降维的疑似目标测试样本代入最优降维训练目标样本的概率密度函数中，得到疑似目标测试样本似然概率将最优降维的疑似杂波测试样本代入最优降维训练杂波样本的概率密度函数中，得到疑似杂波测试样本似然概率对疑似目标测试样本似然概率和疑似杂波测试样本似然概率利用贝叶斯分类准则进行鉴别，得到测试图像F#的鉴别结果，即：如果则判定测试图像F#为目标图像，否则判定测试图像F#为杂波图像。