基于鉴别非线性字典学习的sar图像目标识别方法
【专利摘要】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。
【专利说明】
基于鉴别非线性字典学习的SAR图像目标识别方法
技术领域
[0001 ]本发明属于雷达目标识别技术领域，设及一种SAR图像目标识别方法，适用于SAR 图像中目标的分类识别。
【背景技术】
[0002] 雷达成像技术自20世纪50年代发展W来，技术不断成熟。合成孔径雷达SAR作为一 种成像雷达，是现代雷达技术的重要组成部分。SAR具有全天候、全天时、多极化、多视角、高 分辨的观测能力，可W提供大量有价值的信息，已得到广泛应用。因此，SAR图像的目标识别 技术成为雷达领域研究的热点。
[0003] 基于字典学习的SAR图像目标识别方法的主要思想为：训练时利用训练样本学习 字典，测试时利用测试样本在该字典上的稀疏表示进行目标识别。现有的基于字典学习的 SAR图像目标识别方法主要分为=个类别，存在的主要问题概括如下：
[0004] 第一类，基于重构线性字典学习的SAR图像目标识别方法。该类方法将输入信号表 示为字典中少量原子的线性组合，并利用稀疏表示得到的重构误差进行分类，该类方法的 目标函数仅最小化重构误差，并不直接体现对分类性能的约束，导致SAR图像目标识别的精 度较低。
[0005] 第二类，基于鉴别线性字典学习的SAR图像目标识别方法。该类方法依然将输入信 号表示为字典中少量原子的线性组号，但目标函数中加入提高分类性能的鉴别性约束。与 基于重构线性字典学习的SAR图像目标识别方法相比，能提高目标的识别精度，但该类方法 建立的线性模型与非线性的数据结构匹配程度较低，难W获得较高的SAR图像目标识别精 度。
[0006] 第S，基于重构非线性字典学习的SAR图像目标识别方法。该类方法先利用核方法 将输入信号非线性地投影到高维空间，再将其表示为字典中少量原子的线性组合，并利用 稀疏表示得到的重构误差进行分类，该类方法与前两种基于线性字典学习的方法相比，能 进一步提高目标的识别精度。但是，该类方法仍然W最小化重构误差为目的，目标函数中并 不直接体现对分类性能的约束，难W获得更高的SAR图像目标识别精度。
【发明内容】
[0007] 本发明的目的在于针对上述现有技术的不足，提供一种基于鉴别非线性字典学习 的SAR图像目标识别方法，W提高SAR图像目标识别的精度。
[000引本发明是运样实现的：
[0009] 一、技术思路
[0010] 在训练阶段，先提取训练集SAR幅度图像的随机脸特征作为训练样本，并利用核方 法将训练样本非线性映射到投影空间，再根据训练样本的类别编号构造鉴别编码矩阵，最 后通过鉴别非线性字典学习得到鉴别特征，输入线性支持向量机SVM分类器进行训练;在测 试阶段，先提取待测SAR幅度图像的随机脸特征作为测试样本，并利用核方法将其映射到投 影空间，再对训练好的字典进行重归一化，然后利用核正交匹配追踪KOMP方法得到测试样 本的稀疏表示向量，最后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。
[00川二技术方案
[0012]本发明的实现步骤包括如下：
[OOU] A.获取训练样本矩阵：
[0014] Al)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=[yi，. . .，ym，. . .，yM] =化，...，Yn，. . .，Yn]，其中ym为第m个训练样本，M为训练样本总个 数，Yn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；
[001引 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 矩阵巫（Y) =[巫（yi),...,巫（ym)，...，巫（yM)] =[巫化），...，巫（Yn)，...，巫佩）]，W及 投影空间中任意两个训练样本的内积，其中，O (ym)为投影空间中的第m个训练样本，O(Yn) 为投影空间中的第n类训练样本子矩阵；
[0016] B.获取训练样本的鉴别编码：
[0017] Bl)构造训练样本的鉴别编码矩阵记为W (Q) = [ W (qi)，. . .，W (qm)，. . .，W (QM)] =[(Qi)，. . .，W (Qn)，. . .，W (Qn)]，其中W (qm)为第m个训练样本的鉴别编码，W (Qn)为第 n类鉴别编码子矩阵；
[001引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;
[0019] C.字典初始化：
[0020] Cl)利用投影空间中的第n类训练样本子矩阵O (Yn)和第n类鉴别编码子矩阵4 (Qn),建立第n个子目标函数：
[0021]
其中， 入为惩罚项系数，I I ? I If为F范数，为初始稀疏表示系数矩阵，的第i列，I I . I Io 为0范数算子，出为第一稀疏度"哺挪倘列数均设为C，C = 30;
[0022] C2)采用核KSVD算法优化第n个子目标函数Ln，得到第n类的重构项初始伪字典 巧、第n类的鉴别项初始伪字典终;)；
[0023] 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
[0024] D.训练分类器：
[0025] Dl)利用投影空间中的训练样本矩阵O (Y)和鉴别编码矩阵W(Q),建立字典学习 目标函数：
[0026]
[0027]其中，X为训练集稀疏表示系数矩阵，Xi为X的第i列，出为第二稀疏度；
[002引D2)优化字典学习目标函数Ldl，得到训练集稀疏表示系数矩阵X、训练用的重构项 字典 D=[0 (Yi)Fi, ...，O(Yn)FnL训练用的鉴别项字典 B=[ W(Qi)Gi, ... ,W(Qn)Gn]鉴别 特征矩阵BX，和鉴别特征矩阵与自身的内积XTbTbX，其中（?）T为转置；
[0029] D3)将鉴别特征矩阵与自身的内积XTbTbX，W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；
[0030] E.对测试样本分类：
[0031] El)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O (Z);
[0032] 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〇/和测试用的鉴别项字典;
[0033] E3)利用投影空间的测试样本O(Z)、测试用的重构项字典〇/，建立稀疏表示目标 函数
[0034] E4)采用核正交匹配追踪KOMP算法优化稀疏表示目标函数Lsr,得到测试样本的稀 疏表示系数向量U、测试特征内积uTr/ Tr/ U;
[0035] E5)将测试特征内积i/B/Tr/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。
[0036] 本发明与现有技术相比具有W下优点：
[0037] (1)本发明改进了现有基于线性字典学习的SAR图像目标识别方法未考虑输入数 据的非线性结构的问题，建立非线性的字典学习模型，使得模型与数据的非线性结构更为 匹配，从而提高了 SAR图像目标识别的精度。
[0038] (2)本发明改进了现有基于重构非线性字典学习的SAR图像目标识别方法不考虑 字典学习模型鉴别能力的问题，建立鉴别非线性字典学习模型，能够得到更具鉴别性的特 征，提高了 SAR图像目标识别的精度。
【附图说明】
[0039] 图1是本发明的实现流程图。
【具体实施方式】
[0040] 参照图1，本发明的实现步骤如下：
[0041 ]步骤1，获取训练样本矩阵。
[0042] la)输入训练集中的SAR幅度图像及其类别编号，共计M幅，N个类别；
[0043] 化)将第m幅SAR幅度图像记为吸Pw，p为图像的行数，q为图像的列数，截取第m 幅SAR幅度图像Im中屯、64 X 64大小的区域，得到截取后的图像C = |/ 'If-3心S尹.32,-^3的;<护小 其中Ix,y为第m幅SAR幅度图像Im中位于坐标(x，y)处的像素；
[0044] 1C)对截取后的图像In/进行列向量化，得到维度为9 = 64 X 64的列向量Sm;
[0045] Id)根据原始维度0和预先设定的降维后的维度a,生成一个服从均值为0,方差为1 的标准高斯分布的随机矩阵W e股;
[0046] Ie)将列向量Sm左乘随机矩阵W，得到降维后的列向i
[0047] If)对降维后的列向量《。,进行归一化处理，得到第m个训练样本
，其中， I ? I h为2范数算子；
[0048] Ig)根据类别编号，挑选第n类SAR幅度图像所对应的训练样本构成第n类训练样本 子矩阵Yn,其中，Yn的每一列是第n类的一个训练样本，n = l，...，N，N为训练集的SAR幅度图 像类别总数；
[0049] 化)利用全部训练样本构成训练样本矩阵Y=[yi，. . .，ym，. . .，yM]，其中ym为第m个 训练样本，m=l，. . .，M，M为训练样本总个数。
[0050] Ii)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 矩阵巫（Y)=[巫（yi)，...，巫（ym)，...，巫（yM)]=[巫化），...，巫化），...，巫佩)]，其中， 巫（ym)为投影空间中的第m个训练样本，O (Yn)为投影空间中的第n类训练样本子矩阵，n = 1,...,N;
[0051] Ij)计算任意两个投影空间中的训练样本O (yi)和O (yj)的内积：
[0化2]
[0053] 其中，O (yi)是投影空间中的第i个训练样本，O (yj)是投影空间中的第j个训练样 本，< O (yi)，O (yj)〉表示O (yi)和O (yj)的内积，yi是与O (yi)所对应的原始空间中的训练 样本，yj是与O (yj)所对应的原始空间中的训练样本，exp( ?)为指数函数，O为预先设定的 核函数参数，取值为10。
[0054] 步骤2,获取训练样本的鉴别编码。
[0055] 2a)将训练样本的鉴别编码矩阵记为：
[0056] W(Q) = [W(qi),...,W(q"),...,W(qM)] = [W(Qi),...,it(Qn),...>(QN)],
[0057] 其中W(Qm)为第m个训练样本的鉴别编码，W(Qn)为第n类鉴别编码子矩阵；
[005引 2b)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。
[0化9]步骤3,字典初始化。
[0060] 3a)利用投影空间中的第n类训练样本子矩阵O (Yn)和第n类鉴别编码子矩阵W (Qn),建立第n个子目标函数：
[0061]
[0062] 其中，A为惩罚项系数，I I ? I If为F范数，为初始稀疏表示系数矩阵，的 第i列，I I ? I Io为0范数算子，出为第一稀疏度，材的列数均设为C，C = 30;
[0063] 3b)采用核KSVD算法优化第n个子目标函数Ln，得到第n类的重构项初始伪字典 的"i、第n类的鉴别项初始伪字典切,"；
[0064] 3c)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
[0(?日]步骤4,训练分类器。
[0066] 4a)利用投影空间中的训练样本矩阵O(Y)和鉴别编码矩阵iKQ)，建立字典学习目 标函数：
[0067]
[006引其中，X为训练集稀疏表示系数矩阵，Xi为X的第i列，出为第二稀疏度；
[0069] 4b)设置迭代次数为30,采用迭代的方式优化字典学习目标函数Ldl,得到各类重构 项伪字典Fi,...，Fn和各类鉴别项伪字典Gi,...，Gn:
[0070] 4bl)将当前迭代次数设置记作J;
[0071] 4b2)在第J次迭代中，利用除第n类W外的其它各类投影空间训练样本子矩阵，构 成不包括第n类的投影空间样本矩阵O (Yr) = [ O (Yl)，. . .，O (Yn-I)，O (Yn+l)，. . .，O (Yn)];利用除第n类W外的其它各类鉴别编码子矩阵，构成不包括第n类的鉴别编码矩阵W (Qr) = [ W(Qi)，...，W(Qn-I)，W(Qn+i)，. ..，W(Qn)];
[0072] 4b3)对第J-I次迭代得到的除第n类W外的其它各类重构项伪字典进行对角拼接 操作，得到不包括第n类的重构项伪字典 、
/对第J-I 次迭代得到的除第n类W外的其它各类鉴别项伪字典进行对角拼接操作，得到不包括第n类 的鉴别项伪字典
[0073] 化4)采用KOMP算法得到稀疏表示系数矩阵肿，统计肿中第(n-l)XC+k行中非零元素 的位置，得到索引编号集合铅=帥北'V，瑞'(0叫拟及索引矩阵。:1=|巧;'(。'4<化作1邹句"册(一;')|， 其中，端)W为X("中第(n-l)XC+k行中第i个元素值，"謹(>v2)为W中元素的总个数， 城(?句是索引矩阵巧皆中坐标为(a，b)处的元素值，当W技中第b个元素值W,任' (6)=。财， 成;>(。，6) = 1，否则，碎;->(。，6)二〇;
[0074] 4b5)根据第J-I次迭代得到的重构项伪字典和鉴别项伪字典GU-U，W及第J 次迭代得到的稀疏表示系数矩阵，采用如下公式得到误差矩阵：
[0075]
[0076] 其中，（.）T为矩阵的转置操作；
[0077] 4b6)对误差矩阵E进行奇异值分解，得到误差矩阵E的最大奇异值0, W及误差矩阵 E的右奇异向量矩阵的第一列V;
[0078] 4b7)利用投影空间中的训练样本矩阵O (Y)、投影空间中的第n类训练样本子矩阵 O (Yn)、不包括第n类的投影空间样本矩阵O (Yr)、第J-I次迭代得到的不包括第n类的重构 项伪字典if-A、第J-I次迭代得到第n类重构项伪字典妙、第J次迭代得到的稀疏表示系 数矩阵XW、误差矩阵E的最大奇异值0、误差矩阵E的右奇异向量矩阵的第一列V、索引矩阵 对的W啤的第k列乂矿进行更新，得到第J次迭代后的第n类重构项伪字典的第k列 獻;
[0079]
P其 中，成-。是材"偷第巧U，媒墙X。)的第(n-1) X C+j行；
[0080] 4b8)利用鉴别编码矩阵W(Q)、第n类鉴别编码子矩阵iKQn)、不包括第n类的鉴别 编码矩阵W (Qr)、第J-I次迭代得到的不包括第n类的鉴别项伪字典G产1>、第J-I次迭代得到 第n类鉴别项伪字典、第J次迭代得到的稀疏表示系数矩阵XW、误差矩阵E的最大奇异 值0、误差矩阵E的右奇异向量矩阵的第一列V、索引矩阵巧y对GT"中的第k列烛行更 新，得到第J次迭代后的第n类鉴别项伪字典Gf的第k列容 「00811
[00剧其中，容护是皆-4的叙列；
[0083] 4b9)第J次迭代结束后，更新J的值为J+1;
[0084] 4bl0)判断是否结束迭代:若J《30,重复步骤4bl)至4b9)中的操作，否则，结束迭 代；
[00化]4c)迭代结束后，固定训练用的重构项字典D= [O(Yi)Fi，...，O (化)Fn]和训练用 的鉴别项字典B=[ W (Qi)Gi, ... ,W(Qn)Gn],利用KOMP算法优化字典学习目标函数Ldl,得到 训练集稀疏表示系数矩阵X;
[0086] 4d)利用训练用的鉴别项字典B，和训练集稀疏表示系数矩阵X，得到鉴别特征矩阵 BX，W及鉴别特征矩阵与自身的内积XT护BX;
[0087] 4e)将鉴别特征内积矩阵XTrTBX,和训练样本的类别编号，输入线性SVM分类器进行 训练，得到训练好的线性SVM分类器。
[0088] 步骤5，对测试样本分类。
[0089] 5a)输入测试图像^ e岐胃，截取测试图像A中屯、64 X 64大小的区域，得到截取后的 图像其中Ax,y为测试图像A中坐标为(x，y)处 的像累；
[0090] 5b)对截取后的图像进行列向量化，得到维度为目=64 X 64的列向量h;
[0091] 5c)将列向量h左乘随机矩阵W，得到降维后的列向量
[0092] 5d)对降维后的列向量I进行归一化处理，得到测试^
[0093] Se)利用核方法将测试样本Z非线性映射到投影空间，得到投影空间中的测试样本 ? (Z);
[0094] 5f)对训练用的重构项字典D进行重归一化，得到测试用的重构项字典iy =
[di,i, . . . ,di,c,......,dn,i, ? ? ? ,dn,c,......,cIn,i, . . . ,cIn,c]，其中D'的第(n-1) XC+k列dn,k
为：
[0095] ]<n<N，l^k<G
[0096] 其中，fn,k是第n类重构项伪字典Fn的第k列，巫（Yn)fn,k为D的第(n-1) XC+k列；
[0097] Sg)对训练用的鉴别项字典B进行重归一化，得到测试用的鉴别项字典=
[bi,i, . . . ,bi,c,......,bn,i, . . . ,bn,c,......,bN,i, . . . ,bN,c]，其中B'的第(n-1) XC+k列bn,k
为：
[009引
[0099] 其中，旨。,堤第11类鉴别项伪字典6。的第巧1]，^^他)旨。,功6的第(11-1)乂〔+巧1];
[0100] 5h)利用投影空间的测试样本O(Z)、测试用的重构项字典iy，建立稀疏表示目标 函数：
[0101] Si)采用KOMP算法优化稀疏表示目标函数Lsr,得到测试样本的稀疏表示系数向量 U、巧聯特征内积uTb^B^u;
[0102] 5j)将测试特征内积i/b/Tb/U输入到训练好的线性SVM分类器，得到测试样本的类 别编号。
[0103] 本发明的效果通过W下对实测数据的实验进一步说明：
[0104] 1.实验场景与参数：
[0105] 实验所用的实测数据为公开的MSTAR数据集。本实验所用的训练集包括俯仰角为 17°时获取的S类目标图像:第一类为BMP2SNC21步兵战车，第二类为BTR70C71装甲车，第S 类为T72SN132主战坦克;测试集包括俯仰角为15°时获取S类目标图像:第一类为BMP2步兵 战车，具体包含SNC21、SN9563和SN9566S个型号的目标图像，第二类为BTR70装甲车，具体 包含C71-个型号的目标图像，第S类为T72主战坦克，具体包含SN132、SN812和SNS7S个型 号的目标图像。
[0106] 实验设定的参数如下：
[0107] 惩罚项系数:A = 0.0049;第一稀疏度:出=20;第二稀疏度:出=60。
[010引2.实验内容与结果：
[0109] 用本发明的方法、现有KSVD、LCKSVD和kernel KSVD字典学习方法分别对测试集 SAR图像进行目标识别实验，识别率结果如表1所示。
[0110] 其中，KSVD是一种基于重构线性字典学习的SAR图像目标识别方法，LCKSVD是一种 基于鉴别线性字典学习的SAR图像目标识别方法，kernel KSVD是一种基于重构非线性字典 学习的SAR图像目标识别方法。
[011U 表1.实验结果
[0113]由表1所给出数据可W发现，与现有的KSVD、LCKSVD和kernel KSVD字典学习方法 相比，本发明得到的SAR目标识别率更高。表明本发明提出的基于鉴别非线性字典学习的 SAR图像目标识别方法，改进了上述=种方法的不足，能提高SAR目标识别的精度。
【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 = [yi,. . .，ym，. . .，yM] = [Yi, . . .，Υη，. . .，Υν]，其中ym为第m个训练样本，Μ为训练样本总个数， Υη为第η类训练样本子矩阵，Ν为训练集的SAR幅度图像类别总数； Α2)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(Υ) = [ = ·，Φ(Υη)，·· ·，Φ(Υν)]，以及投影 空间中任意两个训练样本的内积，其中，Φ (ym)为投影空间中的第m个训练样本，Φ (Υη)为投 影空间中的第η类训练样本子矩阵； Β.获取训练样本的鉴别编码： Β1)构造训练样本的鉴别编码矩阵记为W(Q) = [W(qi)，...，W(qm)，...，W(qM)] = [Ψ%)，. ..，Ψ(ζ)η)，. ..，Ψ(ζ)Ν)]，其中W(qm)为第m个训练样本的鉴别编码，Ψ(ζ)η)为第η 类鉴别编码子矩阵； Β2)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〇; C. 字典初始化： C1)利用投影空间中的第η类训练样本子矩阵Φ(Υη)和第η类鉴别编码子矩阵W(Qn)，建 立第η个子目标函数：其中，λ为惩罚项系数，| | · | |f*F范数，Χ(())为初始稀疏表示系数矩阵，为Χ(())的第i 列，I I · I |〇为0范数算子，出为第一稀疏度，和的列数均设为C，C = 30; C2)采用核KSVD算法优化第η个子目标函数Ln，得到第η类的重构项初始伪字典第η 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 __ W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(Υ)和鉴别编码矩阵W(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，xi为X的第i列，Η2为第二稀疏度； D2)优化字典学习目标函数LDL，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 (YOF!，…，Φ (Yn)Fn]、训练用的鉴别项字典Β= [ Ψ (QOG!，…，Ψ (Qn)Gn]鉴别特征矩 阵BX，和鉴别特征矩阵与自身的内积XTBTBX，其中（·广为转置； D3)将鉴别特征矩阵与自身的内积XTBTBX，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V和测试用的鉴别项字典V ; E3)利用投影空间的测试样本Φ(ζ)、测试用的重构项字典D'，建立稀疏表示目标函数：Ε4)采用核正交匹配追踪ΚΟΜΡ算法优化稀疏表示目标函数Lsr，得到测试样本的稀疏表 示系数向量U、测试特征内积u1^ Τβ' U ; Ε5)将测试特征内积uWu输入到训练好的线性SVM分类器，得到待测样本的类别编 号。2. 根据权利要求1所述的方法，其中步骤A1)中通过预处理操作得到训练样本矩阵Y，按 如下步骤进行： All)将第m幅SAR幅度图像记为八elT'p为图像的行数，q为图像的列数，截取第m幅 SAR幅度图像Im中心64X64大小的区域，得到截取后的图像Ο丨k,|f-句' +叫·其 中Ix,y为第m幅SAR幅度图像1"中坐标为(x，y)处的像素； A12)对截取后的图像1/进行列向量化，得到维度为Θ = 64 X 64的列向量sm; A13)根据原始维度Θ和预先设定的降维后的维度α，生成一个服从均值为〇,方差为1的 标准高斯分布的随机矩阵IF € ; A14)将列向量sm左乘随机矩阵W，得到降维后的列向量夫" = ; A15)对降维后的列向量t进行归一化处理，得到第m个训练样4，其中，Μ · |2为2范数算子； Α16)根据类别编号，挑选第η类SAR幅度图像所对应的训练样本构成第η类训练样本子 矩阵Υη，其中，Υη的每一列是第η类的一个训练样本，n=l，. . .，Ν，Ν为训练集的SAR幅度图像 类别总数； Α17)利用全部训练样本构成训练样本矩阵Y=[yi,. . .，ym,. . .，yM]，其中ym为第m个训练 样本，Μ为训练样本总个数。3. 根据权利要求1所述的方法，其中步骤Α2)得到投影空间中任意两个训练样本的内 积，按如下公式进行：其中，?(yi)是投影空间中的第i个训练样本，Φ(^)是投影空间中的第j个训练样本，〈 Φ (yi)，Φ (yj)>表示Φ (yi)和Φ (yj)的内积，yi是与Φ (yi)所对应的原始空间中的训练样 本是与Φ(η)所对应的原始空间中的训练样本，exp( ·)为指数函数，〇为预先设定的核 函数参数，取值为10。4.根据权利要求1所述的方法，其中步骤D2)中优化字典学习目标函数Ldl，按如下步骤 进行： D21)设置总的迭代次数为30,将当前迭代次数设置记作J; D22)在第J次迭代中，利用除第η类以外的其它各类投影空间训练样本子矩阵，构成不 包括第η类的投影空间样本矩阵 Φ (Yr) = [ Φ (Yi)，. . .，Φ (Yn-:)，Φ (Υη+1)，. . .，Φ (Υν)];利 用除第η类以外的其它各类鉴别编码子矩阵，构成不包括第η类的鉴别编码矩阵W(Qr) = [Ψ (QO，…，Ψ (Qn-〇，，Ψ (Qn+1)，…，，Ψ (QN)]; D23)对第J-1次迭代得到的除第η类以外的其它各类重构项伪字典进行对角拼接操作， 得到不包括第η类的重构项伪字j对第J-1次迭 代得到的除第η类以外的其它各类鉴别项伪字典进行对角拼接操作，得到不包括第η类的鉴 别项伪字典D24)采用ΚΟΜΡ算法得到稀疏表示系数矩阵Xw，统计Χω中第(n-l)XC+k行中非零元素 的位置，得到索引编号集合冲"Μ#⑷以及索引矩阵《=丨坧 中，W⑷为X⑴中第（n - DXC+k行中第β个元素值，_(旧)为·中元素的总个数， 是索引矩阵中坐标为U，b)处的元素值，当m3中第b个元素值〇)=a时， 化)(4H，否则，《丨(以)=〇 :; D25)根据第J-1次迭代得到的重构项伪字典F(^和鉴别项伪字典，以及第j次迭代 得到的稀疏表示系数矩阵Χ?)，采用如下公式得到误差矩阵：其中，（·）τ为矩阵的转置操作； D26)对误差矩阵Ε进行奇异值分解，得到误差矩阵Ε的最大奇异值〇,以及误差矩阵Ε的 右奇异向量矩阵的第一列V; D27)利用如下公式，得到更新后的和gj :其中，为第J次迭代得到的第η类重构项伪字典F"(n的第k列，为第J次迭代得到的 第η类鉴别项伪字典Gf的第k列； D28)第J次迭代结束后，更新J的值为J+1; D29)判断是否结束迭代:若30，重复步骤D22)到D28)，否则，结束迭代； D210)迭代结束后，固定训练用的重构项字典D = [ Φ (Yi)Fi，. . .，Φ (YN)Fn]和训练用的 鉴别项字典B= [ Ψ (QdGi，. . .，Ψ (Qn)Gn]，利用KOMP算法优化字典学习目标函数Ldl，得到训 练集稀疏表示系数矩阵X。5. 根据权利要求1所述的方法，其中步骤E1)中对测试图像进行预处理得到测试样本z， 按如下步骤进行： E11)将测试图像记为delT'截取测试图像A中心64X64大小的区域，得到截取后的 图傷，其中Ax,y为测试图像A中坐标为(x，y)处 的像素； E12)对截取后的图像A'进行列向量化，得到维度为Θ = 64 X 64的列向量h; E13)将列向量h左乘随机矩阵W，得到降维后的列向量/〗=; E14)对降维后的列向量石进行归一化处理，得到测试样本，其中，| | · | |2为2范 数算子。6. 根据权利要求1所述的方法，其中步骤E2)中对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V和测试用的鉴别项字典V，按如下步 骤进行： E21)对训练用的重构项字典D进行重归一化，得到测试用的重构项字典D' =[(1^，...， di,c,......,dn,i, · · · ,dn,c,......,cIn, 1, · · · ,cIn,c]，其中D'的第(π_1) XC+k列dn,k为：其中，fn,k是第n类重构项伪字典?"的第k列，?(Yn)fn, k为D的第(n-l)XC+k列； E22)对训练用的鉴别项字典B进行重归一化，得到测试用的鉴别项字典V =[b1;1，...， bl,c,......,bn,l, · · · ,bn,C,......, bN, 1,…，bN, c ]，其中 B'的第(π_1) X C+k列 bn, k为：其中，gn,k是第n类鉴别项伪字典Gn的第k列，W(Qn)gn,k为B的第(n-1) XC+k列。
【文档编号】G06K9/62GK105956611SQ201610261009
【公开日】2016年9月21日
【申请日】2016年4月25日
【发明人】刘宏伟, 王正珏, 王英华, 纠博, 陈渤
【申请人】西安电子科技大学