一种结合稀疏特征选择的sar目标鉴别方法
【专利摘要】本发明公开了一种结合稀疏特征选择的SAR目标鉴别方法，涉及雷达自动目标识别领域，包括：步骤1，求取n个SAR训练图像中疑似目标区域，步骤2，从疑似目标区域中提取训练样本，步骤3，得到归一化后的训练样本矩阵，步骤4，求解l1范数稀疏约束下的投影降维模型得到投影向量Φ，步骤5，得到训练投影特征，步骤6，求取n1个目标的训练投影特征的均值，求取n2个杂波的训练投影特征，步骤7，确定SAR测试图像中的疑似目标区域，步骤8，提取测试样本，步骤9，得到归一化后的测试样本，步骤10，得到测试样本的投影特征，步骤11，判定测试图像。本发明消除了无效特征、冗余特征在鉴别中的负面影响，减少了计算量，提高了目标鉴别性能。
【专利说明】—种结合稀疏特征选择的SAR目标鉴别方法
【技术领域】
[0001 ] 本发明属于雷达自动目标识别领域，涉及目标识别中目标鉴别方法的研究，尤其涉及一种结合稀疏特征选择的SAR目标鉴别方法。
【背景技术】
[0002]合成孔径雷达SAR可以提供目标高分辨率图像，且SAR成像不受天气、光照等条件限制，因而广泛应用于军事侦察等领域，其中基于SAR图像的自动目标识别技术是重要的研究课题之一。SAR图像自动目标识别通常采用美国林肯实验室的三级处理流程:检测阶段、鉴别阶段、识别阶段。首先，对整幅SAR图像进行像素级检测，剔除明显不是目标的区域，得到疑似目标区域；然后，对疑似目标区域提取鉴别特征，利用鉴别特征剔除自然杂波区域、明显大于或小于目标的人造杂波区域；最后，对鉴别阶段保留下来的目标区域进行目标分类和识别。
[0003]在鉴别阶段，现有文献提出了大量SAR目标鉴别特征，虽然理论上每个特征的提出都基于一定的物理意义，反映着目标和杂波的散射强弱、结构大小等信息，但是并不是每个特征都具有很强的可鉴别性，甚至有些特征联合作用会得到相反的鉴别效果。如果将提取的特征全部用于目标鉴别，很容易造成信息冗余和维数灾难，不仅会增大计算量，还严重影响鉴别性能。因此，目标鉴别阶段通常细化分为鉴别特征提取、鉴别特征降维以及鉴别器设计三个方面。现有文献大多采用特征选择的方法达到特征降维的目的，特征选择方法如穷举法、遗传算法等，旨在搜索寻找最优特征组合。但是在实际中，对于高维SAR鉴别特征而言，穷举法运算量太大而不可取，遗传算法要想取得全局最优解，其运算量也几乎等效于穷举法。从减少计算量、提高鉴别器性能的角度考虑，可以采用监督降维方法，如Fisher线性判决分析(Fisher discriminant analysis, FDA)等。但是,虽然监督降维方法可以把原始高维特征投影变换为低维投影特征，并保证该投影特征的可分性，但是监督降维如FDA得到的投影特征仍然是全部特征的组合，因而只能消弱而不是消除无效特征、冗余特征对鉴别的负面影响。
【发明内容】
[0004]针对上述现有技术的不足，本发明提出了一种结合稀疏特征选择的SAR目标鉴别方法。本发明通过在投影降维模型中增加I1范数稀疏约束，把特征选择融合到最优投影向量的求解中，得到了最优特征组合的最优投影特征，消除了无效特征、冗余特征在鉴别中的负面影响，提高了目标鉴别性能。
[0005]为达到上述目的，本发明采用以下技术方案予以实现。
[0006]一种结合稀疏特征选择的SAR目标鉴别方法，其特征在于，包括以下步骤:
[0007]步骤I，取N个SAR训练图像，其中，N个SAR训练图像包括N1个含目标的SAR训练图像和N2个含杂波的SAR训练图像，N、N1和N2分别为自然数，并且N^N2 = N ；
[0008]对N个SAR训练图像中第j个SAR训练图像Sj依次进行对数变换、自适应阈值分害I]、形态学滤波，得到二值图像Fj, j大于等于I并且小于等于N ;
[0009]步骤2，通过二值图像Fj中的像素幅值连续为I的像素区域进行几何聚类来判断二值图像Fj是否包含疑似目标区域Tj ；
[0010]如果二值图像Fj不包含疑似目标区域Tj,则丢弃第j个SAR训练图像Sj ；
[0011 ] 如果二值图像Fj包含疑似目标区域Tj,从疑似目标区域Tj中提取P个特征，将P个特征组成训练样本Xj，训练样本Xj是维度大小为P X I的列向量，P表示特征数目，j大于等于I并且小于等于N;
[0012]步骤3，根据步骤I至步骤2，从N1个含目标的SAR训练图像中得到Ii1个目标的训练样本，从N2个含杂波的SAR训练图像中得到n2个杂波的训练样本叫(N1, n2 ( N27N1为目标的SAR训练图像总数，N2为杂波的SAR训练图像总数；
[0013]H1个目标的训练样本和n2个杂波的训练样本组成训练样本矩阵X ;训练样本矩阵X包含η个训练样本，n = 1^+?, η彡N, N为SAR训练图像总数；
[0014]对第i个训练样本Xi进行归一化，i大于等于I并且小于等于n，得到归一化后的训练样本?其中，μ表示训练样本特征矩阵X的每行的均值形成的行均值向
Xi:σ
量，O是表示训练样本特征矩阵X的每行的标准差形成的行标准差向量；进而对II1个目标的训练样本归一化后得到Ii1个归一化后的目标训练样本，对η2个杂波的训练样本归一化后得到η2个归一化后的杂波的训练样本；
[0015]H1个归一化后的目标训练样本和η2个归一化后的杂波的训练样本形成η个归一化后的训练样本，n = Xi^n2 ；
[0016]η个归一化后的训练样本组成归一化后的训练样本矩阵X，X = [χι，χ2，....，χ/，...，χη]，是第i个的归一化训练样本；
[0017]步骤4，构建I1范数稀疏约束下的归一化后的训练样本矩阵X的投影降维模型，再求解I1范数稀疏约束下的投影降维模型得到投影向量Φ ;
[0018]步骤5，利用投影向量Φ对第i个归一化后的训练样本?进行如下投影变换，得到训练投影特征Xi: X, = χ,Φ ;
[0019]步骤6，根据步骤5对于Ii1个归一化后的目标训练样本进行投影变换，得到Ii1个含目标的训练投影特征，并求取Il1个含目标的训练投影特征的均值“；
[0020]根据步骤5对于η2个归一化后的杂波的训练样本进行投影变换，得到η2个含杂波的训练投影特征，并求取η2个含杂波的训练投影特征的均值;；
[0021]步骤7，对SAR测试图像S*进行对数变换、自适应阈值分割、形态学滤波，得到二值图像F* ；
[0022]步骤8，将二值图像F*中的像素幅值连续为I的像素区域进行几何聚类以判断是否包含疑似目标区域I";
[0023]如果测试二值图像F*不包含测试疑似目标区域Τ%则测试图像S*被判定为杂波；
[0024]如果测试二值图像Τ*包含测试疑似目标区域Τ%从疑似目标区域Τ*中，提取P个特征，P个特征组成测试样本X* ;
[0025]步骤9，对测试样本X*进行归一化，得到归一化后的测试样本7 ;
【权利要求】
1.一种结合稀疏特征选择的SAR目标鉴别方法，其特征在于，包括以下步骤: 步骤I，取N个SAR训练图像，其中，N个SAR训练图像包括N1个含目标的SAR训练图像和N2个含杂波的SAR训练图像，N、N1和N2分别为自然数，并且N^N2 = N ； 对N个SAR训练图像中第j个SAR训练图像S」依次进行对数变换、自适应阈值分割、形态学滤波，得到二值图像匕，j大于等于I并且小于等于N ; 步骤2，通过二值图像Fj中的像素幅值连续为I的像素区域进行几何聚类来判断二值图像Fj是否包含疑似目标区域Tj ； 如果二值图像Fj不包含疑似目标区域Tj,则丢弃第j个SAR训练图像Sj ； 如果二值图像Fj包含疑似目标区域Tj，从疑似目标区域Tj中提取P个特征，将P个特征组成训练样本训练样本\是维度大小为P X I的列向量，P表示特征数目，j大于等于I并且小于等于N; 步骤3，根据步骤I至步骤2，从N1个含目标的SAR训练图像中得到Ii1个目标的训练样本，从N2个含杂波的SAR训练图像中得到n2个杂波的训练样本叫(N17Ii2 ( N27N1为目标的SAR训练图像总数，N2为杂波的SAR训练图像总数； Ii1个目标的训练样本和n2个杂波的训练样本组成训练样本矩阵X ;训练样本矩阵X包含η个训练样本，η =叫+巧，η彡N，N为SAR训练图像总数； 对第i个训练样本Xi进行归一化，i大于等于I并且小于等于n，得到归一化后的训练样本 ；=H，其中，μ表示训练样本特征矩阵X的每行的均值形成的行均值向量，σ Xr ；σ是表示训练样本特征矩阵X的每行的标准差形成的行标准差向量；进而对Ii1个目标的训练样本归一化后得到Ii1个归一化后的目标训练样本，对η2个杂波的训练样本归一化后得到η2个归一化后的杂波的训练样本； Ii1个归一化后的目标训练样本和η2个归一化后的杂波的训练样本形成η个归一化后的训练样本，n = Ii^n2 ； η个归一化后的训练样本组成归一化后的训练样本矩阵X，X = [xi，x2，....，x,，...，x?]是第i个的归一化训练样本； 步骤4，构建I1范数稀疏约束下的归一化后的训练样本矩阵X的投影降维模型，再求解I1范数稀疏约束下的投影降维模型得到投影向量Φ ; 步骤5，利用投影向量Φ对第i个归一化后的训练样本进行如下投影变换，得到训练投影特征i ?,Φ; 步骤6，根据步骤5对于Ii1个归一化后的目标训练样本进行投影变换，得到Ii1个含目标的训练投影特征，并求取Ii1个含目标的训练投影特征的均值;m ； 根据步骤5对于n2个归一化后的杂波的训练样本进行投影变换，得到n2个含杂波的训练投影特征，并求取n2个含杂波的训练投影特征的均值Th 步骤7，对SAR测试图像S*进行对数变换、自适应阈值分割、形态学滤波，得到二值图像F* ； 步骤8，将二值图像F*中的像素幅值连续为I的像素区域进行几何聚类以判断是否包含疑似目标区域 如果测试二值图像F*不包含测试疑似目标区域T%则测试图像S*被判定为杂波； 如果测试二值图像Τ*包含测试疑似目标区域Τ%从疑似目标区域Τ*中，提取P个特征，P个特征组成测试样本X*; 步骤9，对测试样本X*进行归一化，得到归一化后的测试样本t:
其中，μ表示训练样本特征矩阵X的每行的均值形成的向量，σ是表示训练样本特征矩阵X的每行的标准差形成的向量； 步骤10，利用投影向量Φ对归一化后的测试样本f进行如下投影变换，得到测试样本f的投影特征^.—.* X =χφ 7 步骤11，计算投影特征与目标的训练投影特征的均值一的距离，以及投XTUi影特征与杂波的训练投影特征的均值一的距离4= X-mi ;如果Cl1 ( d2，则测试图像S*Xmi被判定为目标，否则测试图像S*被判定为杂波。
2.根据权利要求1所述的一种结合稀疏特征选择的SAR目标鉴别方法，其特征在于，步骤I包括以下子步骤: la)对第j个训练图像S」进行对数变换，得到对数变换之后的训练图像Gp对数变换之后的训练图像(^_在像素点(x，y)处的幅值h_(X，y)的表达式为:
Gj (x, y) = 10 X In [Sj (x, y) +0.001] +30 其中，SjUy)为SAR训练图像Sj在像素点(x，y)处的幅值，GjUy)为对数变换之后的训练图像在像素点(X，y)处的幅值； Ib)对对数变换之后的训练图像Gj,进行自适应阈值分割、形态学滤波得到二值图像Fj, 二值图像中像素幅值为I的像素点即为疑似目标像素，二值图像中像素幅值为O的像素点即为非疑似目标像素，二值图像？」在像素点(x，y)处的幅值？」(1，7)的表达式:
3.根据权利要求1所述的一种结合稀疏特征选择的SAR目标鉴别方法，其特征在于，步骤4具体包括: I1范数稀疏约束下的投影降维模型为:
其中，?是归一化后的训练样本矩阵，X是的维度大小为PXn ;Y是类别信息向量，Y的维度大小为nXl，Y只包含{0，1}两种取值；Θ表示拟合投影特征χΑφ和类别信息量Y 的拟合量；11.11表示求I1范数；11.I2表示求I2范数；λ是为正则化参数。
【文档编号】G06T5/50GK104200229SQ201410446516
【公开日】2014年12月10日 申请日期:2014年9月3日 优先权日:2014年9月3日
【发明者】杜兰, 王斐, 李莉玲, 刘宏伟 申请人:西安电子科技大学