一种SAR目标子空间特征优选方法

本发明属于雷达遥感应用，具体涉及一种sar目标子空间特征优选方法。

背景技术：

1、合成孔径雷达(synthetic aperture radar，以下简称sar)具有全天时、全天候等特点，是一种重要的对地观测手段。sar图像目标识别利用sar图像的信息特征来实现目标的判别分类，在船舰监测、勘探资源、目标定位等领域广泛应用。

2、sar图像目标识别的准确度与特征提取与特征的选择有着密切的关系。但随着sar成像技术的发展，sar图像的特征信息爆发式的增长，这为分类与检测等任务带来了巨大的挑战。数据中存在着大量的冗余或者不相关的特征,这会增加计算成本，或可能会使模型出现过拟合现象，降低学习模型的性能和泛化能力，这样现象通常被称为“维度灾难”。因此有必要探寻更好的特征提取、特征降维、特征选择等特征处理方式，以在sar目标识别中获得更好的性能。

3、在目标识别领域，特征提取通常有pca主成分分析、纹理特征矩阵、信息熵等模式特征提取，也有利用深度网络的方式进行特征提取。特征降维方法一般是使用映射或者转换的方法对原始数据进行降维，从而使类别相同的数据相近，类别不同的数据相离。而特征选择方法实际上也与降维过程存在交叉。利用度量标准对原始数据进行度量，选择出一个维度更低的特征子集。针对高维数据，在一定的评估准则下评估给定特征集合的优良性，保留其中的优良特征，删除不相关和冗余特征。然而这些方法通常对于光学图像具有良好的效果，但sar图像成像机理与光学成像有着一定差异，导致这些方法不能直接用于sar图像目标识别领域，这使得sar图像的特征降维与选择方案变的困难。

4、将传统的特征选择方案在sar图像目标识别领域的使用上存在提取的特征效果差、选择过程没有考虑sar图像的特性、没有考虑特征之间的组合关系与权值分配、特征的选择对于sar目标的可解释性不强等问题，主要表现在以下四个方面：

5、(1)针对于光学图像所选择的特征提取方法针对于sar图像不一定会有良好的效果，没有考虑sar图像的特点。

6、(2)对于一般特征选择时所采用的常见评估准则有距离度量准则、信息度量准则、关联性度量准则、一致性度量准则等方式，往往聚焦于特征本身，而未能以任务需求为导向进行特征选择，模型提取出来的最优特征并不一定能在分类任务上达到最优结果。

7、(3)对于传统目标识别过程中的特征选择方案，最终输出结果是一组特征组合，将这组特征以平均加权的方式送入到后续的决策过程中，没有考虑到最优特征组合的个体特征权值问题。

8、(4)对于传统的特征提取过程，尤其是深度特征提取过程，虽然特征选择过后能将识别准确度提升，但是往往不具备良好的可解释性。对于sar图像所应用的大部分领域来说，具有可解释性是对后续研究非常必要的。

技术实现思路

1、本发明的目的是针对上述提到的问题及不足，克服在sar图像目标识别领域的使用上存在提取的特征效果差、选择过程没有考虑sar图像的特性、没有考虑特征之间的组合关系与权值分配、特征的选择对于sar目标的可解释性不强等问题，特提出一种基于改进遗传算法和集成式分类器的sar目标子空间特征优化选择方法。

2、本发明的技术方案为：

3、一种sar目标子空间特征优选方法，包括以下步骤：

4、s1、从已知的sar图像数据集中获取数据，经过预处理后得到训练数据集；

5、s2、对训练数据集进行pca主成分分析特征提取，定义训练数据集为x∈rm×n，每个样本为m表示样本个数，n表示训练数据集维度，自定义参数k表示提取维数(例如取值100)，具体包括：

6、a1、计算每个维度的均值：

7、

8、a2、用每个维度减去得到的均值，得到一个矩阵，实现对输入数据进行中心化处理：

9、

10、a3、构建协方差矩阵：

11、

12、a4、对协方差矩阵c进行特征值分解，并取最大的k个特征值所对应的特征矢量组成降维矩阵v∈rk×n；

13、a5、将降维矩阵v乘以原矩阵进行降维，得到降维后矩阵，即y'＝xvt，即降维之后的pca特征集合(例如选择前100维特征)；

14、对训练数据集中的sar图像进行glcm灰度公式矩阵计算，获得对比度、离散度、同质性、能量、相关性、asm属性，构成一个6维特征作为约束条件，同时根据6维特征的量纲预设阈值；

15、s3、利用改进的遗传算法进行特征选择，改进的方法是利用s2获得的约束条件对遗传算法的交叉过程进行约束，约束方法是若原sar图像与优选后特征重构的图像之间的6维约束特征小于预设阈值，则遗传算法中的父亲个体与母亲个体可以交叉，反之则不交叉，利用sar目标特性来约束遗传算法对于提取到的pca特征进行优选。以100维的pca特征为例，其中不同的特征交叉组合相当于特征集合中的不同子集，也相当于是求解空间中的各个子空间。

16、s4、利用得到的特征子集对分类器进行训练，得到训练好的分类器；

17、s5、将获得的sar图像输入到训练好的分类器，获得识别准确度与最终的最优特征子空间。

18、本发明的有益效果为，在传统特征降维、特征选择的基础上，提出了一种基于改进遗传算法和集成式分类器的sar目标子空间特征优选方法。它的一个重要创新点是在利用sar图像独有的特征属性对优选过程进行约束，实现特征子空间级的优选，在该过程中，减少了分类所需的特征维度，并使得sar目标识别准确率提升，同时算法获得的最优特征子空间可以进行样本重构，对sar目标识别过程中的关键特征部分做出解释。

技术特征：

1.一种sar目标子空间特征优选方法，其特征在于，包括以下步骤：

技术总结
本发明属于雷达遥感应用技术领域，具体涉及一种SAR目标子空间特征优选方法。本发明的方法将对SAR图像提取的模式特征进行优选，并且利用SAR图像独有的特征属性对优选过程进行约束，实现特征子空间级的优选，获得使目标识别准确率达到最高的特征子空间。从而在特征维数降维的同时，使得SAR目标识别准确率提升，同时获得最优特征子集来对子空间重构，具有极佳的可解释性。

技术研发人员：牟立强,唐开令,何明栩,田雨,邓伊洁,崔宗勇,曹宗杰,李晋,闵锐
受保护的技术使用者：电子科技大学
技术研发日：
技术公布日：2024/4/17