本发明涉及雷达数据处理领域，特别地，涉及一种自适应群智优化SAR雷达海上舰船目标识别系统。
背景技术：
海上舰船目标作为海上监测、海上搜救和海上安全的重点目标，能否快速准确地识别复杂海况下舰船目标，为海上监测、安全、搜救决策提供支持，极大地关系到海上监测、海上安全、海上搜救的质量与效果。判断复杂海况下舰船的情况，是以其能够被精确识别为基础的，只有准确地检测并识别了复杂海况下关注的重点舰船目标，才能对其海上监测、海上安全、海上搜救等做出准确的分析与预测，从而辅助做出正确的决策。现代海上搜救、海上监测、海上安全等行动中，舰船目标作为复杂海况下重点的海上目标，不同类型的舰船目标在进行海上监测、海上安全、海上搜救等海事行为方式是不同的。为了精确地完成海上监测、海上安全、海上搜救等海事任务，目标的识别是关键问题。目前基于SAR图像的舰船目标检测已经有了广泛的研究，而舰船目标分类识别由于SAR图像分辨率的限制才刚刚起步，已有的一些研究成果也由于研究不够透彻，模型的效果并不是很好。因此，积极开展基于高分辨率SAR图像的舰船目标分类识别研究具有极其重大的意义。
技术实现要素：
为了克服目前基于SAR图像的海上舰船目标识别准确率不高的不足，本发明的目的在于提供一种实现实时分析的自适应群智优化SAR雷达海上舰船目标识别系统。
本发明解决其技术问题所采用的技术方案是：一种自适应群智能优化SAR雷达海上舰船目标识别系统，包括SAR雷达、数据库以及上位机，SAR雷达、数据库和上位机依次相连，所述SAR雷达对海域进行实时监测，并将SAR雷达获得的图像数据存储到所述的数据库中，所述的上位机包括：
图像预处理模块，用以进行SAR雷达图像数据预处理，采用如下过程完成：
1)从数据库中传来的SAR图像灰度级为L,f(x0,y0)为像素点(x0,y0)处的灰度值，g(x0,y0)为像素点(x0,y0)的N×N邻域内像素的平均值，其中x0,y0分别表示像素点的横坐标和纵坐标；
2)通过计算满足f＝m和g＝n的像素数目h(m,n)，得到二维联合概率密度pmn：
pmn＝p(m,n)＝h(m,n)/M
其中，M表示图像像素的总数目；
3)计算二维直方图的均值向量μ：
4)分别计算图像中目标和背景出现的概率P0,1和均值向量μ0,1：
其中，t、s、下标0、下标1分别表示f分割阈值、g分割阈值、目标区域、背景区域；
5)计算类间方差BCV：
BCV＝P0(μ0-μ)(μ0-μ)′+P1(μ1-μ)(μ1-μ)′；
其中，μ表示均值向量，上标’表示矩阵的转置。
6)最佳阈值即为使得BCV为最大值时的二维阈值向量[s0,t0]：
特征提取模块，用以进行舰船典型特征的提取，采用如下过程完成：
1)从图像预处理模块传来的只包含一个舰船目标的SAR图像切片I(m,n)，其中只包含目标区域的二值图为B(m,n)，则只包含目标的图像T(m,n)：
T(m,n)＝I(m,n)×B(m,n)
其中，×表示对应像素相乘；
2)在B(m,n)中根据舰船个体的主轴方向求得舰船主体区域的最小外接矩形，则该矩形的长边长度Length即为舰船个体的长度，矩形的短边长度Width即为舰船个体的宽度；
3)计算得到几何结构特征，其中包括周长、面积、长宽比、形状复杂度、目标质心位置以及转动惯量：
周长面积长宽比R＝Length/Width；形状复杂度C＝Length2/4πS；目标区域的质心位置
转动惯量式中，r代表了目标像素点与质心之间的距离，
4)计算得到灰度统计特征，其中包括质量、均值、方差系数、标准差、分形维数、加权填充比：
质量均值方差系数标准差式中分别表示灰度对数和、灰度对数平方和；分形维数H＝(log10N1-log10N2)/(log10d1-log10d2)，该特征的计算方法是：用分割后的SAR图像切片构建一个保留了目标区域的K(这里取K＝50)个最亮像素点的二值图B2(m,n)，首先将一个大小为d1×d2的窗口在这个二值图中连续滑动，记下窗口中包含亮点的窗口总数记为N1，接着再用一个大小为d2×d2的窗口在这个二值图中连续滑动，记下在窗口中包含亮点的窗口总数记为N2；加权填充比
特征选择模块，用以选择出最优特征子集，采用如下过程完成：
1)计算类内距离类间距离以及类内类间距Ji:
其中，i表示特征标号，ω表示舰船类别的标号，||Fi(ω)||2表示特征向量Fi(ω)的2范数，表示训练集样本的总体均值，Nω表示第ω类舰船的数量，N表示训练集中舰船总数，E表示期望，下标W、下标B分别表示类内、类间。
2)计算得到归一化方差系数ρi(ω)：
ρi(ω)＝E[||Fi(ω)||22]-E2[||Fi(ω)2]/E[||Fi(ω)||22]
其中，i表示特征标号，ω表示舰船类别的标号，||Fi(ω)||2表示特征向量Fi(ω)的2范数，E[||Fi(ω)||22]和E2[||Fi(ω)||2]分别表示特征的平方均值以及均值的平方。特征的方差系数ρi(ω)越小，表明该目标特征的稳定性越好；
3)计算得到相关系数ri,j：
其中，i,j表示特征标号，||Fi||2表示特征Fi的2范数，和分别表示Fi和Fj的均值，σi,i和σj,j分别表示Fi和Fj的标准差。由相关系数的性质可知，0≤ri,j≤1；如果两个特征完全不相关，ri,j＝0；如果两个特征完全相关，ri,j＝1；如果两个特征之间的相关性很低，即特征之间的信息冗余非常少，那么ri,j就会越接近0；反之，如果两个特征之间的相关性很高，即特征之间的信息冗余非常多，那么ri,j就会越接近1；
4)通过上述得到的类内类间距、归一化方差系数、相关系数筛选出最优特征子集，构造最优输入特征向量；
分类器训练模块，用以进行分类器训练，采用如下过程完成：
5)从特征选择模块中采集N个SAR雷达图像xi作为训练样本，i＝1,2,…,N；
6)对训练样本进行归一化处理，得到归一化样本
7)将归一化后的训练样本重构，分别得到输入矩阵X和对应的输出矩阵Y:
其中，D表示重构维数，D为自然数，且D<N,D的取值范围为50-70；
8)将得到的X,Y代入如下线性方程：
其中表示权重对角矩阵，K＝exp(-||xi-xj||/θ2)表示核函数，γ表示惩罚系数；权重因子vi由下式计算：
其中是误差变量ξi标准差的估计，c1，c2为常量；
求解得待估计函数f(x)：
其中，M是支持向量的数目，1v＝[1,…,1]′,上标’表示矩阵的转置，是拉格朗日乘子，b*是偏置量，K＝exp(-||xi-xj||/θ2)是核函数，其中i＝1,…,M,j＝1,…,M,和exp(-||x-xi||/θ2)均为支持向量机的核函数，θ是核参数，x表示输入变量，γ是惩罚系数；
自适应群智寻优模块，用以采用自适应粒子群算法对分类器模型的核参数θ和惩罚因子γ进行优化，采用如下过程完成：
1)随机产生初始粒子群速度和位置；
2)计算种群多样性指数D(t)：
其中，Gbest(t)是整个粒子群在第t次迭代时到达过的全局最优解,Fit(Gbest(t))表示Gbest(t)对应的适应度值，m是粒子群规模，zi(t)是第i个粒子在第t次迭代时的位置，Fit(zi(t))表示zi(t)对应的适应度值；
3)更新学习速率参数Ψ(t):
4)更新粒子的速度和位置，产生新的群体；
i＝1,2,…,p；k＝1,2
zik(t+1)＝zik(t)+uik(t+1)
其中，α1是个体加速度参数，α2是全局加速度参数，和是0-1之间的随机数，t为
迭代次数，p为粒子群规模；uik(t+1)是第i个粒子的第k个分量在第t+1次迭代的速度，
uik(t)是第i个粒子的第k个分量在第t次迭代的速度，zik(t+1)是第i个粒子的第k个分
量在第t+1次迭代的位置，zik(t)是第i个粒子的第k个分量在第t次迭代的位置，Lbestik
是第i个粒子的第k个分量达到过的最优解，k＝1,2分别对应于核参数θ和惩罚系数γ；
5)判断是否符合算法终止条件，若符合，输出全局最优粒子及其代表的最优解，并结束迭代；否则返回2)继续迭代；
其中，粒子群规模为50-100，个体加速度参数为0.5，全局加速度参数为0.35，个体适应度选择模型的均方根误差，终止条件为连续五次迭代全局最优解不变。
结果显示模块，用以进行识别结果的显示，即将输入SAR图像中舰船的类型显示在屏幕当中。
本发明的技术构思为：本发明针对SAR雷达全天时、全天候工作以及强穿透的特性，对SAR雷达监测到的海洋图像进行图像预处理，接着进行特征的提取以及特征的选择，最后通过分类器的训练过程建立海洋舰船目标识别模型，从而实现SAR雷达海上舰船目标的识别。
本发明的有益效果主要表现在：1、可实时识别海上舰船目标；2、所用的识别方法只需较少的训练样本；3、智能化、受人为因素干扰小。
附图说明
图1是本发明所提出的系统的整体结构图；
图2是本发明所提出的上位机的功能模块图。
具体实施方式
下面根据附图具体说明本发明。上述实施例用来解释说明本发明，而不是对本发明进行限制，在本发明的精神和权利要求的保护范围内，对本发明作出的任何修改和改变，都落入本发明的保护范围。
实施例
参照图1、图2，一种自适应群智优化SAR雷达海上舰船目标识别系统，包括SAR雷达1、数据库2及上位机3，SAR雷达1、数据库2和上位机3依次相连，所述SAR雷达1对所监测海域进行照射，并将SAR雷达图像存储到所述的数据库2，所述的上位机3包括：
图像预处理模块4，用以进行SAR雷达图像数据预处理，采用如下过程完成：
1)从数据库中传来的SAR图像灰度级为L,f(x0,y0)为像素点(x0,y0)处的灰度值，g(x0,y0)为像素点(x0,y0)的N×N邻域内像素的平均值，其中x0,y0分别表示像素点的横坐标和纵坐标；
2)通过计算满足f＝m和g＝n的像素数目h(m,n)，得到二维联合概率密度pmn：
pmn＝p(m,n)＝h(m,n)/M
其中，M表示图像像素的总数目；
3)计算二维直方图的均值向量μ：
4)分别计算图像中目标和背景出现的概率P0,1和均值向量μ0,1：
其中，t、s、下标0、下标1分别表示f分割阈值、g分割阈值、目标区域、背景区域；
5)计算类间方差BCV：
BCV＝P0(μ0-μ)(μ0-μ)′+P1(μ1-μ)(μ1-μ)′；
其中，μ表示均值向量，上标’表示矩阵的转置。
6)最佳阈值即为使得BCV为最大值时的二维阈值向量[s0,t0]：
特征提取模块5，用以进行舰船典型特征的提取，采用如下过程完成：
1)从图像预处理模块传来的只包含一个舰船目标的SAR图像切片I(m,n)，其中只包含目标区域的二值图为B(m,n)，则只包含目标的图像T(m,n)：
T(m,n)＝I(m,n)×B(m,n)
其中，×表示对应像素相乘；
2)在B(m,n)中根据舰船个体的主轴方向求得舰船主体区域的最小外接矩形，则该矩形的长边长度Length即为舰船个体的长度，矩形的短边长度Width即为舰船个体的宽度；
3)计算得到几何结构特征，其中包括周长、面积、长宽比、形状复杂度、目标质心位置以及转动惯量：
周长面积长宽比R＝Length/Width；形状复杂度C＝Length2/4πS；目标区域的质心位置
转动惯量式中，r代表了目标像素点与质心之间的距离，
4)计算得到灰度统计特征，其中包括质量、均值、方差系数、标准差、分形维数、加权填充比：
质量均值方差系数标准差式中分别表示灰度对数和、灰度对数平方和；分形维数H＝(log10N1-log10N2)/(log10d1-log10d2)，该特征的计算方法是：用分割后的SAR图像切片构建一个保留了目标区域的K(这里取K＝50)个最亮像素点的二值图B2(m,n)，首先将一个大小为d1×d2的窗口在这个二值图中连续滑动，记下窗口中包含亮点的窗口总数记为N1，接着再用一个大小为d2×d2的窗口在这个二值图中连续滑动，记下在窗口中包含亮点的窗口总数记为N2；加权填充比
特征选择模块6，用以选择出最优特征子集，采用如下过程完成：
1)计算类内距离类间距离以及类内类间距Ji:
其中，i表示特征标号，ω表示舰船类别的标号，||Fi(ω)||2表示特征向量Fi(ω)的2范数，表示训练集样本的总体均值，Nω表示第ω类舰船的数量，N表示训练集中舰船总数，E表示期望，下标W、下标B分别表示类内、类间。
2)计算得到归一化方差系数ρi(ω)：
ρi(ω)＝E[||Fi(ω)||22]-E2[||Fi(ω)||2]/E[||Fi(ω)||22]
其中，i表示特征标号，ω表示舰船类别的标号，||Fi(ω)||2表示特征向量Fi(ω)的2范数，E[||Fi(ω)||22]和E2[||Fi(ω)||2]分别表示特征的平方均值以及均值的平方。特征的方差系数ρi(ω)越小，表明该目标特征的稳定性越好；
3)计算得到相关系数ri,j：
其中，i,j表示特征标号，||Fi||2表示特征Fi的2范数，和分别表示Fi和Fj的均值，σi,i和σj,j分别表示Fi和Fj的标准差。由相关系数的性质可知，0≤ri,j≤1；如果两个特征完全不相关，ri,j＝0；如果两个特征完全相关，ri,j＝1；如果两个特征之间的相关性很低，即特征之间的信息冗余非常少，那么ri,j就会越接近0；反之，如果两个特征之间的相关性很高，即特征之间的信息冗余非常多，那么ri,j就会越接近1；
4)通过上述得到的类内类间距、归一化方差系数、相关系数筛选出最优特征子集，构造最优输入特征向量；
分类器训练模块7，用以进行分类器训练，采用如下过程完成：
1)从特征选择模块中采集N个SAR雷达图像xi作为训练样本，i＝1,2,…,N；
2)对训练样本进行归一化处理，得到归一化样本
3)将归一化后的训练样本重构，分别得到输入矩阵X和对应的输出矩阵Y:
其中，D表示重构维数，D为自然数，且D<N,D的取值范围为50-70；
4)将得到的X,Y代入如下线性方程：
其中表示权重对角矩阵，K＝exp(-||xi-xj||/θ2)表示核函数，γ表示惩罚系数；权重因子vi由下式计算：
其中是误差变量ξi标准差的估计，c1，c2为常量；
求解得待估计函数f(x)：
其中，M是支持向量的数目，1v＝[1,…,1]′,上标’表示矩阵的转置，是拉格朗日乘子，b*是偏置量，K＝exp(-||xi-xj||/θ2)是核函数，其中i＝1,…,M,j＝1,…,M,和exp(-||x-xi||/θ2)均为支持向量机的核函数，θ是核参数，x表示输入变量，γ是惩罚系数；
自适应群智寻优模块9，用以采用自适应粒子群算法对分类器模型的核参数θ和惩罚因子γ进行优化，采用如下过程完成：
1)随机产生初始粒子群速度和位置；
2)计算种群多样性指数D(t)：
其中，Gbest(t)是整个粒子群在第t次迭代时到达过的全局最优解,Fit(Gbest(t))表示Gbest(t)对应的适应度值，m是粒子群规模，zi(t)是第i个粒子在第t次迭代时的位置，Fit(zi(t))表示zi(t)对应的适应度值；
3)更新学习速率参数Ψ(t):
4)更新粒子的速度和位置，产生新的群体；
i＝1,2,…,p；k＝1,2
zik(t+1)＝zik(t)+uik(t+1)
其中，α1是个体加速度参数，α2是全局加速度参数，和是0-1之间的随机数，t为
迭代次数，p为粒子群规模；uik(t+1)是第i个粒子的第k个分量在第t+1次迭代的速度，
uik(t)是第i个粒子的第k个分量在第t次迭代的速度，zik(t+1)是第i个粒子的第k个分
量在第t+1次迭代的位置，zik(t)是第i个粒子的第k个分量在第t次迭代的位置，Lbestik
是第i个粒子的第k个分量达到过的最优解，k＝1,2分别对应于核参数θ和惩罚系数γ；
5)判断是否符合算法终止条件，若符合，输出全局最优粒子及其代表的最优解，并结束迭代；否则返回2)继续迭代；
其中，粒子群规模为50-100，个体加速度参数为0.5，全局加速度参数为0.35，个体适应度选择模型的均方根误差，终止条件为连续五次迭代全局最优解不变。
结果显示模块8，用以进行识别结果的显示，即将输入SAR图像中舰船的类型显示在上位机当中。
所述上位机3的硬件部分包括：I/O元件，用于数据的采集和信息的传递；数据存储器，存储运行所需要的数据样本和运行参数等；程序存储器，存储实现功能模块的软件程序；运算器，执行程序，实现指定的功能；显示模块，显示设置的参数和识别结果。
上述实施例用来解释说明本发明，而不是对本发明进行限制，在本发明的精神和权利要求的保护范围内，对本发明作出的任何修改和改变，都落入本发明的保护范围。