专利名称：一种sar图像目标识别方法
技术领域：
本发明属于合成孔径雷达(SAR, Synthetic Aperture Radar)自动目标识别技术领域，具体涉及一种SAR图像目标识别方法。
背景技术：
SAR相对于普通的光学成像等系统，对地面目标特别是地面静止目标具有强大的成像优势，作为一种重要的目标探测手段受到广泛的关注和研究。随着SAR成像体制方式的不断创新和发展，各种不同应用的SAR系统开始丰富起来，且成像功能及效果也不断增强和完善，利用这些强大的成像系统我们获得了大量的探测数据。这些数据在为我们提供对目标更加准确全面的探测结果的同时，也使人们面临着如何从大量探测数据中及时而准 确地提取有用信息的困境，单纯依靠人工辨识已经无法跟上数据源膨胀的节奏。当前SAR图像解译系统的发展已经远滞后于信息源的获取能力，SAR图像自动目标识别作为SAR图像解译和分析的重要组成部分，具有重要的民用和军事价值，日益成为国内外图像处理和模式识别领域的研究热点。SAR图像与平台的俯仰角、成像的方位角、目标的电磁散射特性、回波的噪声分布等诸多因素有关，所以SAR图像本身具有复杂的图像特点，将稀疏表示应用于SAR图像目标识别时需要设计针对SAR图像特点的识别算法；另外目前采用的稀疏表示重建算法大多没有对求解的结果增加非负的约束，导致系数向量中存在负系数，例如基追踪(BasisPursuit, BP)、匹配追踪(Matching Pursuit, MP)、正交匹配追踪(Orthogonal MatchingPursuit, OMP)、梯度投影(Gradient Projection for Sparse Reconstruction, GPSR)等算法得到的系数向量中都可能存在负系数，虽然负系数也体现了该训练样本与目标数据之间的某种对应关系，但是这些负系数在样本之间的稀疏表示过程中将可能会产生复杂的减性关系，而不具备目标识别中由局部累加为一个整体的直观性，且应用中难以对这些负系数赋予明确的意义使之便于理解，这些不利因素综合起来将最终降低SAR图像目标识别性倉泛。
发明内容
本发明的目的是为了解决现有的SAR图像目标识别存在的上述问题，提出一种SAR图像目标识别方法。本发明的技术方案是一种SAR图像目标识别方法，具体包括如下步骤SI.将k类训练样本的特征向量组成矩阵 = [ :，& 2, , i, . . .， k],其中，第i类目标的Hi个训练样本的特征向量组成矩阵的列向量集
， ..，％]eRmXH;，令n=kxni，可得 G RmXn，矩阵的列向量1 eRK为 SAr图像训练样本的m维特征向量，任一目标数据的特征向量y e Rm，其中表示HiXni维实数数组，Rmxn表示mXn维实数矩阵，Rm表示m维实数向量；S2. I.将目标数据表示成训练样本的线性组合，得到目标数据和训练样本之间的稀疏表示模型，即:y=0 a其中，a G Rn且a为线性表示的系数向量；S2. 2.将式y= a的求解转化为最小I1范数凸优化问题,并对系数向量a施加非负约束，则求解y= a的非负稀疏重建模型为
权利要求
1.一种SAR图像目标识别方法，具体包括如下步骤 ·51.将k类训练样本的特征向量组成矩阵Q= M1, Θ2，...，Ok]，其中，第i类目标的Hi个训练样本的特征向量组成矩阵的列向量集 , =[Uu，^…，v,. ;]eR自'，令n=kXni，可得O e Rmxn，矩阵的列向量K，n/ 为SAR图像训练样本的m维特征向量，任一目标数据的特征向量y e Rm，其表示HiXni维实数数组，Rmxn表示mXn维实数矩阵，Rm表示m维实数向量； · 52.I.将目标数据表示成训练样本的线性组合，得到目标数据和训练样本之间的稀疏表示模型，即y= Θ α 其中，a e #且α为线性表示的系数向量； S2.2.将式y=Oa的求解转化为最小I1范数凸优化问题，并对系数向量α施加非负约束，则求解y= α的非负稀疏重建模型为
全文摘要
本发明公开了一种SAR图像目标识别方法，本发明的方法利用稀疏表示理论将目标数据表示为训练样本的线性组合，通过求解最优化问题得到了具有可区分能力的近似非负稀疏系数，然后基于各类别系数和的大小确定样本的类别。本发明的方法训练样本系数值的大小反应了目标数据与该训练样本的相似性程度，系数值越大相似性越高，反之则相似性越低，因此实际上目标数据对应系数的大小在某种程度上可以体现目标数据的真实类别；而且通过非负约束保证测试图像均为各训练样本的非负加权和，使其具有更加可以解释的意义，同时也更有利于识别。
文档编号G06K9/62GK102737253SQ201210201460
公开日2012年10月17日 申请日期2012年6月19日 优先权日2012年6月19日
发明者丁建松, 方庆, 段昶, 谢芳 申请人:电子科技大学