一种基于特征构造的SAR图像目标识别方法与流程

本发明属于雷达自动目标识别领域，特别涉及一种基于图像特征构造的合成孔径雷达图像目标识别方法。

背景技术：

合成孔径雷达(syntheticapertureradar，sar)因其抗干扰能力强，全天时全天候的工作模式，在遥感领域应用非常广泛。sar图像目标识别一般分为预处理、特征提取、分类器设计；其中，特征提取作为最重要的步骤，直接影响分类器的最高识别性能。sar图像一般是由目标，阴影，背景杂波构成，所以在复杂的sar图像中提取出稳健的鉴别特征一直是sar目标识别算法的研究重点之一。

早期已有学者在原始sar图像的纹理特性、几何特征、散射点特性等方面做过大量研究，已有较多的sar图像特征提取算法被提出；但由于独特的sar成像机制，sar图像对目标的方位角、俯仰角以及环境噪声是非常敏感的，所以sar图像特征一直是一个挑战性问题。

目前，众多sar图像特征提取算法的最大缺点是忽视了sar成像中的相关特性，在特征提取过程中丢掉了sar图像特征间的结构关系，因此稳健的sar图像特征仍很难被提取。事实上，通过考虑sar图像像素间空间结构关系，对图像经过向量特征或原始特征的运算，能够得到目标增强的特征。统计学习中特征工程方法中，特征的构造方法早已成熟应用。

鉴于此，本发明提出一种基于特征构造的sar目标识别方法。

技术实现要素：

本发明的目的在于针对上述sar自动目标识别技术的不足，提供一种基于特征构造的sar目标识别方法；本发明能够在并不破坏原始图像特征前提下，利用原始图像像素间的空间结构关系构造出鉴别能力更强的特征，然后与原始sar图像特征相融合，进而提高sar图像目标识别性能。

为实现上述目的，本发明所采用的技术方案如下：

一种基于特征构造的sar目标识别方法，包括以下步骤：

步骤1：对原始图像做向量化，得到原始特征集x＝[x1,x2,...,xn]；

步骤2：对原始特征集x采用符号回归构造特征集x1；

步骤3：对原始特征集x采用多项式特征构造特征集x2；

步骤4：线性融合原始特征x与特征集x1、特征集x2，得到构造特征集x′；

步骤5：采用主成分分析对构造特征集x′进行降维，得到判别特征集；

步骤6：采用分类器对判别特征集进行目标识别。

进一步的，步骤2的具体过程为：

步骤2.1：对原始特征集x中相邻特征之间进行“+”、“-”、“×”、“÷”四则运算；则，特征x1与x2构造为x1、x2、x1+x2、x1-x2、x1×x2、x1÷x2；

步骤2.2：计算每一维特征与样本类别的皮尔逊相关系数，若相关系数为正、则保留该特征，否则、删除；剩余特征构成特征集x1。

进一步的，步骤3的具体过程为：

对原始特征集x中每个特征构造多项式特征，则特征x1构建为x1、x1²。

需要说明的是：

步骤2中，构造的x1,x2,x1+x2,x1-x2,x1×x2,x1÷x2特征，sar图像特征之间的运算能够得到图像本身的隐藏特征，根据如图2的sar图像的类别分布可知，具体能够提供的有益效果：对于x1+x2相邻特征的求和能够将目标区域增强，强散射信号能够实现更高幅度的提升；对于噪声区域，x1-x2能够削减噪声的影响，克服sar图像的相干斑噪声影响；对于图像特征而言，特征的变化是对模型影响最敏感的；对于x1×x2，特征值的乘法反映的是特征区域信息，目标区域的乘法，和噪声区域的乘法，得到的结果是成倍数的增加，对于相关系数的筛选中，更大的数据变化能够影响数据的相关系数；对于x1÷x2得到的是原始特征的变化比率，将图像的相干斑噪声区域特征趋于平整，能够有效的遏制噪声；最终形成的特征组合中，包含提升后的目标区域和抑制之后的噪声区域，有效提高识别能力。

步骤3中，构造2阶sar图像特征，其中最重要的特征是每一维特征的平方项，有益效果是：原始特征的平方，数值变化是直线上升的，能够在原始特征对比时，表现为最重要的目标特征。

步骤4中，线性融合的策略能够有效的克服sar图像特征没有实际物理意义的特点，对于“盲特征”，直接拼接的好处是不影响原始特征的分布信息。

综上，本发明的有益效果在于：

本发明提供一种基于特征构造的sar目标识别方法，利用符号回归(symbolicregression)和多项式(polynomialfeatures)方法构造sar图像特征，线性融合原始特征和构造得到的特征，再利用全局特征维数约简方法实现高判别能力特征提取，最后通过分类器分类，特征构造能够有效提升sar目标识别的准确率。

附图说明

图1为本发明一种基于特征构造的sar目标识别方法的流程示意图。

图2为本发明实施例中2s1类别的图像分布三维视图。

具体实施方式

以下将对发明内容的实施方法进行详细说明，以便于更清晰地体现出本发明的技术要点，以及能够解决的具体问题。

本实施例提供一种基于特征构造的sar图像识别方法，其流程如图1所示，包括以下步骤：

步骤1：假设sar图像大小为a×b，对sar图像进行向量化预处理，得到维度为(a×b)的行向量；得到原始特征集x＝[x1,x2,...,xn]；

步骤2：符号回归提取数据算术运算特征，作为扩充数据集x1，特征构造步骤为：

步骤2.1：符号回归属于监督学习，用于验证加入公式对结果的影响，具体算法为遗传算法(geneticalgorithm)，开始时，会产生一些简单的运算符，本发明中采用“+”、“-”、“×”，“÷”四种运算用于表示特征之间的关系；

步骤2.2：对原始特征集x中相邻特征之间进行“+”、“-”、“×”、“÷”四则运算；则，特征x1与x2构造为x1、x2、x1+x2、x1-x2、x1×x2、x1÷x2；假设原始特征为n维，经过符号回归计算拓充为n+(n÷2×4)，即3n维；

步骤2.3：计算每一维特征与样本类别的皮尔逊相关系数，若相关系数为正、则保留该特征，否则、删除；剩余特征构成特征集x1；

步骤3：对原始特征集x采用多项式特征构造特征集x2；对原始特征集x中每个特征构造多项式特征，则特征x1构建为x1、x1²；其维度拓展为2n；

步骤4：线性融合原始特征x与特征集x1、特征集x2，得到构造特征集x′；此时的特征维度扩展为原始数据集的5倍，即得到m×(a×b×5)大小的数据集；

步骤5：经过特征构造之后数据的扩充引起了较大的“维数爆炸”问题，因此使用表现效果较好的全局特征提取方案，主成分分析(principalcomponentanalysis)提取特征，保存100％信息量，也可将数据保存固定的维数；

步骤6：目标识别，通过改进的k近邻(k-nearestneighbor)分类器实现目标识别，knn改进方法为对于待分类样本的距离加权，使得极端情况的样本分布，能够根据加权后的数值得到更加精准的分类。

本实施例中，应用步骤5中最终选定的构造特征作为本发明的特征判别依据，使用改进的knn分类器进行分类识别。训练测试样本分布如图2所示，验证方法采用mstar标准数据集，采用十个不同类别的地面目标：bmp2、brdm_2、btr70、btr60、t72、2s1、d7、t62、zil131、zsu23_4，分别使用a-j字母表；图像大小统一采用128×128像素；如表1所示：

表1

本实施例中，表2给出了原始特征直接降维的识别率混淆矩阵，表3给出了使用本发明方法的识别混淆矩阵；统计结果显示，本发明的识别率达到95.90％，效果明显优于扩充的原始特征。

表2

表3

以上所述，仅为本发明的具体实施方式，本说明书中所公开的任一特征，除非特别叙述，均可被其他等效或具有类似目的的替代特征加以替换；所公开的所有特征、或所有方法或过程中的步骤，除了互相排斥的特征和/或步骤以外，均可以任何方式组合。