[发明专利]基于鉴别非线性字典学习的SAR图像目标识别方法

摘要

本发明公开了一种基于鉴别非线性字典学习的SAR图像目标识别方法，主要解决现有技术识别精度较低的问题。其实现步骤为：1.提取训练集SAR幅度图像随机脸特征作为训练样本，并将其非线性映射到投影空间；2.根据训练样本的类别编号构造鉴别编码矩阵；3.利用鉴别非线性字典学习得到鉴别特征训练线性SVM分类器；4.提取待测SAR幅度图像随机脸特征作为测试样本，并将其映射到投影空间；5.对训练好的字典进行重归一化，并利用KOMP方法得到测试样本的稀疏表示向量；6.提取测试样本的鉴别特征输入训练好的SVM分类器，得到待测SAR幅度图像中的目标类别。本发明提高了目标识别的精度，可用于SAR图像中目标的分类识别。

主权项

1.一种基于鉴别非线性字典学习的SAR图像目标识别方法，包括：A.获取训练样本矩阵：A1)输入训练集的SAR幅度图像及其类别编号，通过预处理操作得到训练样本矩阵Y＝[y₁,...,y_m,...,y_M]＝[Y₁,...,Y_n,...,Y_N]，其中y_m为第m个训练样本，M为训练样本总个数，Y_n为第n类训练样本子矩阵，N为训练集的SAR幅度图像类别总数；A2)利用核方法将训练样本非线性映射到投影空间，得到投影空间中的训练样本矩阵Φ(Y)＝[Φ(y₁),...,Φ(y_m),...,Φ(y_M)]＝[Φ(Y₁),...,Φ(Y_n),...,Φ(Y_N)]，以及投影空间中任意两个训练样本的内积，其中，Φ(y_m)为投影空间中的第m个训练样本，Φ(Y_n)为投影空间中的第n类训练样本子矩阵；B.获取训练样本的鉴别编码：B1)构造训练样本的鉴别编码矩阵记为Ψ(Q)＝[Ψ(q₁),...,Ψ(q_m),...,Ψ(q_M)]＝[Ψ(Q₁),...,Ψ(Q_n),...,Ψ(Q_N)]，其中Ψ(q_m)为第m个训练样本的鉴别编码，Ψ(Q_n)为第n类鉴别编码子矩阵；B2)根据训练样本的类别编号，建立相关性约束，即将任意两个同类样本的鉴别编码的内积设为1，将任意两个不同类样本的鉴别编码内积设为0；C.字典初始化：C1)利用投影空间中的第n类训练样本子矩阵Φ(Y_n)和第n类鉴别编码子矩阵Ψ(Q_n)，建立第n个子目标函数：其中，λ为惩罚项系数，||·||_F为F范数，X⁽⁰⁾为初始稀疏表示系数矩阵，为X⁽⁰⁾的第i列，||·||₀为0范数算子，H₁为第一稀疏度，和的列数均设为C，C＝30；C2)采用核KSVD算法优化第n个子目标函数L_n，得到第n类的重构项初始伪字典第n类的鉴别项初始伪字典C3)利用各类训练样本子矩阵和各类重构项初始伪字典，得到重构项初始字典利用各类鉴别编码子矩阵和各类鉴别项初始伪字典，得到鉴别项初始字典D.训练分类器：D1)利用投影空间中的训练样本矩阵Φ(Y)和鉴别编码矩阵Ψ(Q)，建立字典学习目标函数：其中，X为训练集稀疏表示系数矩阵，x_i为X的第i列，H₂为第二稀疏度；D2)优化字典学习目标函数L_DL，得到训练集稀疏表示系数矩阵X、训练用的重构项字典D＝[Φ(Y₁)F₁,...,Φ(Y_N)F_N]、训练用的鉴别项字典B＝[Ψ(Q₁)G₁,...,Ψ(Q_N)G_N]鉴别特征矩阵BX，和鉴别特征矩阵与自身的内积X^TB^TBX，其中(·)^T为转置；D3)将鉴别特征矩阵与自身的内积X^TB^TBX，以及训练样本类别编号，输入线性支持向量机SVM分类器进行训练，得到训练好的线性SVM分类器；E.对测试样本分类：E1)输入一幅待测的SAR幅度图像，对其进行预处理得到测试样本z，再利用核方法得到投影空间中的测试样本Φ(z)；E2)分别对上述训练用的重构项字典D和训练用的鉴别项字典B进行重归一化，得到测试用的重构项字典D′和测试用的鉴别项字典B′；E3)利用投影空间的测试样本Φ(z)、测试用的重构项字典D′，建立稀疏表示目标函数：E4)采用核正交匹配追踪KOMP算法优化稀疏表示目标函数L_SR，得到测试样本的稀疏表示系数向量u、测试特征内积u^TB′^TB′u；E5)将测试特征内积u^TB′^TB′u输入到训练好的线性SVM分类器，得到待测样本的类别编号。