二维非线性投影特征的sar图像目标识别的方法
【专利摘要】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】，尤其涉及二维非线性投影特征的SAR图像目标识别。本发明的具体步骤如下：S1、确定SAR图像训练样本矩阵；S2、确定核函数和核样本矩阵，通过所述核样本矩阵确定核类间散布矩阵和核内散布矩阵，通过所述核类间散布矩阵和核内散布矩阵构造目标准则函数，求得投影矩阵和投影子空间；S3、确定输入SAR图像的非线性投影特征子集，确定非线性投影特征子像与投影子空间的距离，确定输入SAR图像目标所属类别。本发明利用所有训练样本的某一列向量构造核向量，巧妙的构造核样本矩阵，在高维空间中采用投影特征提取方法，提高了分类效率，在提高分类正确率的同时，对样本的依赖度有所降低。
【专利说明】二维非线性投影特征的SAR图像目标识别的方法
【技术领域】
[0001]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】，尤其涉及二维非线性投影特征的SAR图像目标识别。
【背景技术】
[0002]SAR图像目标识别的原理是根据已知训练样本目标类别信息建立特征库，对待测样本进行特征提取，并选择与库中具有最高相似度所对应的训练样本的类型作为测试样本的分类结果。
[0003]SAR技术的迅猛发展使得其所成图像分辨率获得了很大提高，SAR图像中的目标信息也呈现爆炸性的增长，这就带来了相应数据量的大幅度增加，面对巨大的数据量，必须对目标检测和识别中的关键技术进行改进。SAR图像自动目标识别(ATR)是提高SAR检测图像利用率的重要技术，其目的是在没有人工直接干预的条件下，在较短时间内从场景中自动检测出可能的目标并识别出目标所属类别，具有重要的民用和军事应用价值，并日益成为国内外图像处理和模式识别领域的研究热点。
[0004]SAR图像具有复杂的特点，从同一目标回波中抽取的特征难免存在一定的相关性，而这种相关性往往是不易察觉的，冗余特征不仅会使运算量增大，还可能降低最终分类结果。C.J.Enderli等采用非线性的KLDA对SAR图像进行目标识别，将二维SAR图像矩阵转化为一维向量进行处理，会损失目标的空间结构信息，且易出现维数灾难问题。Zhang等采用二维LDA对SAR图像目标进行特征提取，无法获取图像的非线性特征。
【发明内容】
[0005]本发明的目的是针对现有技术存在的不足，提出一种二维非线性投影特征的SAR图像目标识别的方法，实现对SAR图像中目标类别的准确判别。
[0006]本发明的技术方案是:将二维SAR图像矩阵按列表示，选择适当的核函数，对一幅特定的SAR图像的某一列向量作非线性变换，利用所有训练样本的同一列向量构造该列向量的核向量，这样，每一个图像矩阵的列向量由其核向量代替，可以构造一个相应的核样本矩阵，利用投影特征提取方法获取每类目标的二维投影特征子像，构成投影子空间，当输入SAR图像时，根据其二维非线性投影特征子像与投影子空间的欧式距离确定输入SAR图像目标所属类别。
[0007]本发明的具体步骤如下:
[0008]S1、确定SAR图像训练样本矩阵:根据目标数据选取N幅mX η的训练样本SAR图像A1, A2,...，A1,...，ΑΝ，其中，所述N幅mX η的训练样本SAR图像分属c个类别，N1, N2,..., Nc表示各个类的样本量，N^N2+...+Nc = N ；
[0009]S2、确定核函数和核样本矩阵，通过所述核样本矩阵确定核类间散布矩阵和核内散布矩阵，通过所述核类间散布矩阵和核内散布矩阵构造目标准则函数，求得投影矩阵和投影子空间，具体方法如下:
[0010]S21、将SI所述训练样本SAR图像Al表不为為=^a1 ,(I1,…為+，…為)，其中，I =
I,2,..., N, k = 1,2,...,n, af 表示 A1 的第 k 列；
[0011]S22、对S21所述训练样本SAR图像A1进行非线性映射Φ，得到核空间H中的图像样本我
【权利要求】
1.二维非线性投影特征的SAR图像目标识别的方法，其特征在于，包括如下步骤: S1、确定SAR图像训练样本矩阵:根据目标数据选取N幅mXn的训练样本SAR图像A1, A2,...，A1,...，AN，其中，所述N幅mXη的训练样本SAR图像分属c个类别，N1, N2,..., Nc表示各个类的样本量，N^N2+...+Nc = N ； S、确定核函数和核样本矩阵，通过所述核样本矩阵确定核类间散布矩阵和核内散布矩阵，通过所述核类间散布矩阵和核内散布矩阵构造目标准则函数，求得投影矩阵和投影子空间，具体方法如下: S21、将SI所述训练样本SAR图像A1表示为
；其中，I =I,2,..., N, k = 1,2,...,η, 表示 A1 的第 k 列； S22、对S21所述训练样本SAR图像A1进行非线性映射Φ，得到核空间H中的图像样本
则高维空间中的类间离散矩阵为
高维空间中的类内离散矩阵为
S23、根据S22所述高维空间中的类间离散矩阵和类内离散矩阵选择适当的核函数，对一幅特定的SAR图像A1的某一列向量，利用SI所述N幅mXn的训练样本SAR图像A1, A2,..., A1,..., An构造该列向量的核向量,得到相应的NXn的核样本矩阵K1 ； S24、以S23所述核样本矩阵K1，得出高维空间中的类间散布矩阵
和高维空间中的类内散布矩阵
其中，Kij表示第i类的第j个训练样本图像的核样本矩阵，
表示第i类核样本矩阵的平均矩阵，
表示所有核样本矩阵的平均矩阵； S25、根据S24所述高维空间中的类间散布矩阵Ks,和高维空间中的类内散布矩阵构造目标准则函数.
，其中，W为任一 N维的非零列矢量； S26、通过最大化目标准则函数J(W)，得到最优判别矢量
对所述Wopt进行广义特征方程求解，得到
s27、取S26所述I4W= AKsW中前d个较大特征值所对应的特征向量构成最优投影矩阵 W = [W1, W2,...，wd],其中，d ≤n (c-1)； s28、将S23所述核样本矩阵1向S27所述最优投影矩阵W上投影，得到投影特征子像Z1 = WtK1,每类目标的所有训练SAR图像的头像特征子像构成各自的投影子空间，c类目标有c个投影子空间，分别记为Pi,其中，i = l,2,...,c ； S3、确定输入SAR图像的非线性投影特征子集，确定非线性投影特征子像与投影子空间的距离，确定输入SAR图像目标所属类别。
2.根据权利要求1所述的二维非线性投影特征的SAR图像目标识别的方法，其特征在于:S23所述核样本矩阵构造具体如下: 5231、对SI所述训练样本SAR图像A1进行非线性变换
，其中，K (.，.)为内积核函数；
s232、令Ψ = ( Φ (A1)，Φ (A2)Φ (An))，设
s233、将S232所述看作N个子块，则第s个子块为
s234、对照S231所述K1得出K1的第j行是以(【4!),的对角元为元素的行向量，则
其中，Diag{.}表示以方阵?的对角元为元素的行向量，K1为核样本矩阵。
3.根据权利要求1所述的二维非线性投影特征的SAR图像目标识别的方法，其特征在于:S3所述具体方法如下: S31、对于给定的输入待测图像A = (a1, a2，...，an)，经过非线性变换，将所述A的每一列映射到核空间中，得到所述A的核样本矩阵
,对应的投影特征子像为Z = WtK ; S32、采用基于欧式距离的最近邻分类器对目标进行分类识别，对任意两个投影特征子
像
定乂距尚为
对SI所述训练样本SAR图像A1, A2,..., An,每一个样本都属于确定的类别ξ i，对应的投影特征子像分别为Z1, Z2,, Zn,计算S31所述投影特征子像Z与c个投影子空间的距离D (Z, Pi) = min [D (Z, Zij)]，其中，Zij为第i类样本的第j个投影特征子像； S33、将S32所述min[D (Z, Zij)]所属的类别作为待测样本的类别，若有D (Z, Pi)=π?ηΟΚΖ,ΖΟ]，I = 1，2，...，N，且Z1 e Ii，则分类的结果是Ze Ii，即输入待测图像Ae ξ J0
【文档编号】G06K9/66GK104077610SQ201410326417
【公开日】2014年10月1日 申请日期:2014年7月10日 优先权日:2014年7月10日
【发明者】周代英, 田兵兵, 谭敏洁, 谭发曾, 贾继超, 余为知 申请人:电子科技大学