CN101561865B - 基于多参数谱特征的合成孔径雷达图像目标识别方法 - Google Patents

Abstract

本发明公开了一种基于多参数谱特征的合成孔径雷达图像目标识别方法，主要解决现有方法对SAR图像目标识别率低的问题。其步骤包括：对选定的已知类别信息的图像和待测试图像进行预处理，得到训练集和测试集；分别计算所有训练样本点和测试样本点的尺度参数；用得到的尺度参数分别计算训练集和测试集的多参数亲和度矩阵；由多参数亲和度矩阵分别构造训练集和测试集的拉普拉斯矩阵；对训练集的拉普拉斯矩阵进行特征分解得到相应的投影矩阵；分别将训练样本和测试样本投影到由投影矩阵张成的空间，得到新的训练集和测试集；将新的训练集和测试集输入支撑向量机进行分类识别，得到测试图像的类别信息。本发明具有识别率高的优点，可用于对SAR图像的识别。

Description

基于多参数谱特征的合成孔径雷达图像目标识别方法

技术领域

本发明属于图像处理技术领域，涉及目标识别方法，可应用于合成孔径雷达SAR图像目标识别与人脸识别。

背景技术

SAR技术在对地面目标，特别是对静止目标探测方面的独特优势，以及其在现代战场感知、对地打击等领域的良好应用前景，使得基于SAR图像的自动目标识别技术ART受到了越来越多的重视。目前国内外有许多研究机构都开展了针对SAR图像的自动目标识别技术的研究，其中许多研究工作都是基于运动、静止目标探测和识别Moving and Stationary Target Acquisition and Recognition，MSTAR数据库进行的，该数据库是由美国国防部高级研究计划局和空间实验室提供的，对SAR图像目标识别的研究发挥了非常重要的作用。

针对该数据库的目标识别过程一般分为预处理、特征提取和分类识别三个步骤。预处理的目的在于降低对目标方位变化等的敏感度以提高目标识别系统的识别精度，一般包括噪声滤除、目标与背景分割等。从广义上来说，特征提取是指将原始数据从高维空间映射到低维空间的一种线性或非线性的变换，用更少的信息有效地表示原始数据。特征提取的好坏很大程度上影响着分类性能。目前，针对MSTAR数据库的特征提取方法有主分量分析、核主分量分析、Radon变换等，分类识别方法有模板匹配方法、基于贝叶斯网络的方法、基于隐马尔可夫模型的识别方法、神经网络、以及支撑矢量机等。

主分量分析PCA是一种有效的从高维数据中提取低维特征的方法，使得在误差平方和最小的意义下低维表示能够更好地描述原始数据。PCA是通过求解特征值问题或者用递归算法估计主分量来实现的，是描述数据的坐标系的一种正交变换，变换后的新的坐标值就被称为主分量，通常只用少数几个主分量就能够充分的解释原始数据的结构。PCA能较好地克服由于图像尺寸、方向、部分场景内容变化以及噪声干扰等影响，被广泛应用于各个领域。然而PCA只考虑了图像数据中的二阶统计信息，未能利用数据中的高阶统计信息，所以只能提取数据集的线性特征。而大部分的真实数据都是非线性分布的，数据非线性特征的提取非常重要。核主分量分析就是一种在PCA的基础上引入核技巧的一种非线性特征提取方法，利用数据中的高阶统计信息，描述多个像素间的相关性，能够捕捉这些重要的信息，并且具有鲁棒性。与其他非线性特征提取方法相比，它不需要解决非线性优化问题而只涉及矩阵的特征值分解计算。

谱聚类是一类利用数据相似矩阵的特征向量将数据点聚类成不同类的聚类算法。经典的谱聚类方法可以认为由三个步骤组成：预处理，也就是计算数据集的相似性矩阵并进行标准化得到拉普拉斯矩阵；谱映射，对拉普拉斯矩阵进行特征分解得到相应的特征向量；后处理，采用经典聚类算法聚类特征向量。其中谱映射过程可以看成是对数据集的维数约简，类似于PCA中利用特征分解后得到的主分量去构造一个简化了的特征空间，也可以利用谱聚类中特征分解后得到的特征向量去构造一个低维特征空间。

尽管谱聚类方法取得了很好的效果，该类方法目前仍然处于发展阶段，仍有很多待研究的问题，其中如何选择合适的尺度参数是一个亟待解决的问题，目前没有普遍公认的解决方法。而谱聚类算法又对尺度参数的选择非常敏感，不同的尺度参数将可能得到完全不同的聚类结果。

2005年，Fei Wang等人利用谱聚类维数约简特性，将谱聚类同核方法进行结合，提出了一种基于谱聚类的非线性特征提取方法。该方法由于在构造相似性矩阵时，使用与经典谱聚类算法相同的高斯核函数，且其中的尺度参数由人工手动给定，因而使得该方法对尺度参数的选择也非常敏感，不合适的尺度参数会降低后续目标识别的精度。为保证后续目标识别的精度，可采取的方法是选择不同的尺度参数，进行多次实验，并从众多结果中挑选出识别精度最高的结果。这样处理将增加整体目标识别的时间。

发明内容

本发明的目的在于克服现有技术的不足，提出一种基于多参数谱特征的合成孔径雷达图像目标识别方法，以避免手动调节参数所增加的额外时间，提高SAR图像目标识别精度。

实现本发明目的的技术方案是用多参数的谱聚类对预处理后的数据进行特征提取，进而对目标进行识别，具体步骤包括：

(1)分别对选定的已知类别信息的图像和输入的所有待测试图像进行预处理，得到预处理后的训练样本集 $X={\{x_i,l_i\}}_{i=1}^N\∈R^K$ 和测试样本集 $X^t={\left\{{x^t}_j\right\}}_{j=1}^M\∈R^K,$ 其中x_i和x_j ^t分别表示第i个训练样本和第j个测试样本，用一个行向量表示，l_i是第i个训练样本所属的类别标号，N和M分别是训练样本个数和测试样本个数，K是所有样本原始特征维数；

(2)计算所有训练样本的尺度参数 $\mathrm{\σ}={\left\{{\mathrm{\σ}}_i\right\}}_{i=1}^N$ 和所有测试样本的尺度参数 ${\mathrm{\σ}}^t={\left\{{{\mathrm{\σ}}^t}_j\right\}}_{j=1}^M,$ 其中σ_i是第i个训练样本的尺度参数，σ_j ^t是第j个测试样本的尺度参数；

(3)分别计算训练样本集的多参数亲和度矩阵：A＝{A_ij}∈R^N×N和测试样本集的多参数亲和度矩阵： $A^t=\left\{A_{\mathrm{ij}}^t\right\}\∈R^{M\×N};$

(4)分别构造训练样本集的拉普拉斯矩阵：L＝D^-1/2AD^-1/2，和测试样本集的拉普拉斯矩阵：L^t＝(D^t)^-1/2A^t∈R^M×N，其中D和D^t均为对角矩阵，对角元素分别为 $D_{\mathrm{ii}}={\mathrm{\Σ}}_{j=1}^N{A}_{\mathrm{ij}},i=\mathrm{1,2},...,N,$ ${D^t}_{\mathrm{jj}}={\mathrm{\Σ}}_{i=1}^N{A}_{\mathrm{ji}}^t,j=\mathrm{1,2},...,M;$

(5)对训练样本的拉普拉斯矩阵L进行特征分解，取前k个最大特征值所对应的特征向量，作为投影矩阵W＝{w₁，…，w_k}，其中k为需要的特征维数；

(6)分别将训练样本和测试样本投影到由投影矩阵W所张成的空间，得到投影后新的训练样本集 $Y=\mathrm{LW}={\left\{y_i\right\}}_{i=1}^N\∈R^k$ 和新的测试样本集 $Y^t=L^{t}W={\left\{{y^t}_j\right\}}_{j=1}^M\∈R^k,$ 其中y_i为第i个训练样本点新的特征向量，y_j ^t为第j个测试样本点新的特征向量；

(7)将新的训练样本集Y和新的测试样本集Y^t输入到支撑矢量机，得到测试图像的识别结果{l_j ^t}_j＝1 ^M，其中l_j ^t表示第j个测试图像所属的类别标号。

本发明与现有的技术相比具有以下优点：

1、本发明采用的SAR图像预处理过程，保证了后续识别的精度；

2、本发明采用在计算过程中直接选取样本点和其近邻点之间的距离作为样本点尺度参数的方法来避免手动调节全局尺度参数的麻烦，这样给定的样本点的尺度参数考虑了各个样本点自身的邻域统计信息，比给所有的样本点赋予相同的全局尺度参数更合理；

3、本发明采用分别将训练样本和测试样本投影到基于多尺度参数的拉普拉斯矩阵特征空间，所得到的特征是一种能够更好地解释原始数据分布结构的谱特征，而且用较少维数的谱特征比用KPCA等经典特征提取方法得到的特征能得到更高的识别率。

对比实验表明，本发明有效的提高了合成孔径雷达图像目标识别的识别精度，且对方位角具有较好的鲁棒性。

附图说明

图1是本发明的流程示意图；

图2是本发明仿真采用的MSTAR数据库中俯视角为17°的部分目标图像；

图3是本发明仿真采用的MSTAR数据库中俯视角为15°的部分目标图像；

图4是在360°方位间隔时采用不同方法的目标识别率比较图；

图5是在180°方位间隔时采用不同方法的目标识别率比较图；

图6是在90°方位间隔时采用不同方法的目标识别率比较图；

图7是在30°方位间隔时采用不同方法的目标识别率比较图；

图8是在10°方位间隔时采用不同方法的目标识别率比较图；

图9是本发明随尺度参数计算中近邻数不同的目标识别率比较图。

具体实施方式

参照图1，本发明的具体实施步骤包括：

步骤1，对MSTAR数据库中选出的17°俯视角的图像进行预处理，得到预处理后的训练样本集。

实现该步骤的具体过程如下：

1a)选择MSTAR数据库中17°俯视角的图像作为训练图像集，如图2所示，其中图2(a)，图2(b)，图2(c)，图2(d)是具有不同方位角的BMP2装甲车，图2(e)，图2(f)，图2(g)，图2(h)是具有不同方位角的RTR70装甲车，图2(i)，图2(j)，图2(k)，图2(l)是具有不同方位角的T72坦克；

1b)从选出的128×128原始图像中截取中心60×60的子图像；

1c)对所有子图像分别进行归一化，常用的归一化方法有标准差归一化，2范数归一化，最大值归一化和均值归一化等，本发明采用标准差归一化，也就是使得每一幅子图像均值为0，方差为1；

1d)将每一幅归一化后子图像的所有像素值按列取出，排成一个行向量，作为这个子图像的原始特征向量，原始特征向量维数K为3600；

1e)用所有子图像的原始特征向量组成所有训练样本的原始特征矩阵，对原始特征矩阵按列进行中心化处理： $f=f^{\′}-\tilde{f},$ 其中f为中心化处理后的特征列向量，f′为原始的特征列向量，

为原始特征列向量f′的均值，重新排列中心化处理后每一幅子图像的特征，得到训练样本集 $X={\{x_i,l_i\}}_{i=1}^N\∈R^K,$ 其中x_i表示第i个训练样本，用一个行向量表示，l_i是该样本所属的类别标号，N是训练样本的个数。

步骤2，对MSTAR数据库中选出的15°俯视角的图像进行预处理，得到预处理后的测试样本集。

实现该步骤的具体过程如下：

2a)选择MSTAR数据库中15°俯视角的图像作为测试图像集，如图3所示，其中图3(a)，图3(b)，图3(c)，图3(d)是具有不同方位角的BMP2装甲车，图3(e)，图3(f)，图3(g)，图3(h)是具有不同方位角的RTR70装甲车，图3(i)，图3(j)，图3(k)，图3(l)是具有不同方位角的T72坦克；

2b)从待测试的15°俯视角128×128原始图像中截取中心60×60的子图像；

2c)对所有子图像分别进行归一化，使得其均值为0，方差为1；

2d)将每一幅归一化后子图像的所有像素值按列取出，排成一个行向量，作为这个子图像的原始特征向量，原始特征向量维数K为3600；

2e)用所有子图像的原始特征向量组成所有测试样本的原始特征矩阵，对原始特征矩阵按列进行中心化处理： $f^t=f^{\′t}-{\tilde{f}}^t,$ 其中f^t为中心化处理后的特征列向量，f′^t为原始的特征列向量，

为原始特征列向量f′^t的均值，重新排列中心化处理后每一幅子图像的特征，得到测试样本集 $X^t={\left\{{x^t}_j\right\}}_{j=1}^M\∈R^{K^t},$ 其中x_j ^t表示第j个测试样本，用一个行向量表示，M是测试样本的个数。

步骤3，计算训练样本集的尺度参数。

实现该步骤的具体过程如下：

3a)计算训练样本集中两两样本之间的欧氏距离：d_ij＝‖x_i-x_j‖，其中x_i和x_j分别为第i个和第j个训练样本；

3b)用所有训练样本之间的欧氏距离构成训练样本集的距离矩阵d＝{d_ij}，从中取出每个训练样本点和第p个最近的训练样本点之间的距离，作为每个训练样本点的尺度参数，得到训练样本集的尺度参数向量： $\mathrm{\σ}={\{{\mathrm{\σ}}_i=d_{\mathrm{ip}}\}}_{i=1}^N,$ 其中σ_i是第i个训练样本点的尺度参数，d_ip是第i个训练样本点和其第p个最近的训练样本点之间的距离。

步骤4，计算测试样本集的尺度参数。

实现该步骤的具体过程如下：

4a)计算所有测试样本点与训练样本集中所有点之间的欧氏距离： $d_{\mathrm{ij}}^t=\left|\right|x_i^t-x_j\left|\right|,$ 其中x_i ^t为第i个测试样本，x_j为第j个训练样本；

4b)所有测试样本与训练样本之间的欧氏距离构成了测试样本集的距离矩阵 $d^t=\left\{d_{\mathrm{ij}}^t\right\},$ 从中取出每个测试样本点和其第p′个最近的训练样本点之间的距离，作为每个测试样本点的尺度参数，得到测试样本集的尺度参数向量： ${\mathrm{\σ}}^t={\{{{\mathrm{\σ}}^t}_j={d^t}_{{\mathrm{jp}}^{\′}}\}}_{j=1}^M,$ 其中σ_j ^t是第j个测试样本点的尺度参数，d_jp′ ^t是第j个测试样本点和其第p′个最近的训练样本点之间的距离。

步骤5，分别计算训练样本集和测试样本集的多参数亲和度矩阵。

实现该步骤的具体过程如下：

5a)计算训练样本集的多参数亲和度矩阵A＝{A_ij}∈R^N×N，其中A_ij表示的是第i个训练样本点和第j个训练样本点之间的亲和度，计算公式为：A_ij＝exp(-‖x_i-x_j‖²/2σ_iσ_j)，式中x_i和x_j分别表示第i个和第j个训练样本点，σ_i和σ_j分别为第i个和第j个训练样本点所对应的尺度参数；

5b)计算测试样本集的多参数亲和度矩阵 $A^t=\left\{A_{\mathrm{ij}}^t\right\}\∈R^{M\×N},$ 其中A_ij ^t表示的是第i个测试样本点和第j个训练样本点之间的亲和度，计算公式为： $A_{\mathrm{ij}}^t=\exp (-{\left|\right|x_i^t-x_j\left|\right|}^2/2{\mathrm{\σ}}_i^t{\mathrm{\σ}}_j),$ 式中x_i ^t和x_j分别表示第i个训练样本点和第j个测试样本点，σ_i ^t和σ_j分别为第i个训练样本点和第j个测试样本点所对应的尺度参数。

步骤6，利用多参数亲和度矩阵A构造训练样本集的拉普拉斯矩阵L。

实现该步骤的具体过程如下：

6a)计算训练样本的程度矩阵D＝diag(D_ii)，i＝1，2，…，N，其中diag表示D为一个对角矩阵，D_ii为该对角矩阵的第i个对角元素，计算公式为： $D_{\mathrm{ii}}={\mathrm{\Σ}}_{j=1}^N{A}_{\mathrm{ij}},i=\mathrm{1,2},...,N;$

6b)由训练样本集的多参数亲和度矩阵A和程度矩阵D构造训练样本集的拉普拉斯矩阵：L＝D^-1/2AD^-1/2。

步骤7，利用多参数亲和度矩阵A^t构造测试样本集的拉普拉斯矩阵L^t。

实现该步骤的具体过程如下：

7a)计算测试样本的程度矩阵 $D^t=\mathrm{diag}\left(D_{\mathrm{jj}}^t\right),j=\mathrm{1,2},...,M,$ 其中diag表示D^t为一个对角矩阵，D_jj ^t为该对角矩阵的第j个对角元素，计算公式为： ${D^t}_{\mathrm{jj}}={\mathrm{\Σ}}_{i=1}^N{A}_{\mathrm{ji}}^t,j=\mathrm{1,2},...,M;$

7b)由测试样本集的多参数亲和度矩阵A^t和程度矩阵D^t构造测试样本集的拉普拉斯矩阵：L^t＝(D^t)^-1/2A^t。

步骤8，对训练样本集的拉普拉斯矩阵L进行特征分解，取前k个最大特征值{v_i}_i＝1 ^k所对应的特征向量{w_i}_i＝1 ^k，作为投影矩阵W＝{w₁，…，w_k}，其中v_i为k个最大特征值中第i个最大特征值，w_i为第i个最大特征值v_i相应的特征向量。

步骤9，分别将训练样本和测试样本投影到由投影矩阵W所张成的空间，得到投影后新的训练样本集和新的测试样本集。

实现该步骤的具体过程如下：

9a)将所有训练样本投影到由投影矩阵W所张成的空间，得到新的训练样本集 $Y={\left\{y_i\right\}}_{i=1}^N\&Element;R^k,$ 其中y_i为第i个训练样本点新的特征向量，计算公式为y_i＝<L_i·W>，其中L_i为训练样本集拉普拉斯矩阵L的第i个行向量；

9b)将所有测试样本投影到由投影矩阵W所张成的空间，得到新的测试样本集 $Y^t={\left\{{y^t}_j\right\}}_{j=1}^M\&Element;R^k,$ 其中y_j ^t为第j个测试样本点新的特征向量，计算公式为y_j ^t＝<L_j ^t·W>其中L_j ^t为测试样本集拉普拉斯矩阵L^t的第j个行向量。

步骤10、将新的训练样本集Y和新的测试样本集Y^t输入到支撑矢量机，得到测试图像的识别结果{l_j ^t}_j＝1 ^M，其中l_j ^t表示第j个测试图像所属的类别标号。

本发明的效果可以通过以下仿真实验进一步说明：

1.仿真内容

仿真内容主要包括本发明与现有几种方法在不同方位间隔分组内的目标识别率比较实验和本发明随尺度参数计算中近邻数不同的目标识别率比较实验，其中本发明与现有几种方法在不同方位间隔分组内的目标识别率比较实验包括五组：①本发明与现有几种方法在360°方位间隔分组内的目标识别率比较实验；②本发明与现有几种方法在180°方位间隔分组内的目标识别率比较实验；③本发明与现有几种方法在90°方位间隔分组内的目标识别率比较实验；④本发明与现有几种方法在30°方位间隔分组内的目标识别率比较实验；⑤本发明与现有几种方法在10°方位间隔分组内的目标识别率比较实验。

上述提到的现有几种方法包括：基于所有像素灰度值结合支撑矢量机SVM，核主分量分析结合支撑矢量机KPCA+SVM和谱特征分析结合支撑矢量机SFA+SVM这三种方法；本发明的基于多参数谱特征结合SVM的目标识别方法缩写为MPSFA+SVM。

2.仿真实验设置

2a)本发明与现有三种方法在不同方位间隔分组内的目标识别率比较实验，分别如图4、图5、图6、图7和图8所示。

参照图4，它是360°方位间隔分组时各方法的性能比较图。本实验是将MSTAR数据库中所有图像在0°～360°方位范围内，按方位间隔360°分成一组，在这一组上进行实验。横坐标是提取的特征个数，纵坐标是识别正确率。360°方位范围内各识别方法MPSFA+SVM、SFA+SVM、KPCA+SVM和SVM中的分类器核参数γ分别设置为16.5、15、10^-9和2^-11，惩罚因子C一律设置为10000。

参照图5，它是180°方位间隔分组时各方法的性能比较图。本实验是将MSTAR数据库中所有图像在0°～360°方位范围内，按方位间隔180°分成2组，分别在这2组上进行实验，将2组得到的实验结果做平均。横坐标是提取的特征个数，纵坐标是识别正确率。180°方位范围内各识别方法MPSFA+SVM、SFA+SVM、KPCA+SVM和SVM中分类器核参数γ分别设置为16.5、15、10^-9和2^-11，惩罚因子C一律设置为10000。

参照图6，它是90°方位间隔分组时各方法的性能比较图。本实验是将MSTAR数据库中所有图像在0°～360°方位范围内，按方位间隔90°分成4组，分别在这4组上进行实验，将4组得到的实验结果做平均。横坐标是提取的特征个数，纵坐标是识别正确率。90°方位范围内各识别方法MPSFA+SVM、SFA+SVM、KPCA+SVM和SVM中分类器核参数γ分别设置为16.5、15、10^-10和2^-17，惩罚因子C一律设置为10000。

参照图7，它是90°方位间隔分组时各方法的性能比较图。本实验是将MSTAR数据库中所有图像在0°～360°方位范围内，按方位间隔30°分成12组，分别在这12组上进行实验，将12组得到的实验结果做平均。横坐标是提取的特征个数，纵坐标是识别正确率。30°方位范围内各识别方法MPSFA+SVM、SFA+SVM、KPCA+SVM和SVM中分类器核参数γ分别设置为16.5、15、10^-10和2^-17，惩罚因子C一律设置为10000。

参照图8，它是90°方位间隔分组时各方法的性能比较图。本实验是将MSTAR数据库中所有图像在0°～360°方位范围内，按方位间隔10°分成36组，分别在这36组上进行实验，将36组得到的实验结果做平均。横坐标是提取的特征个数，纵坐标是识别正确率。10°方位范围内各识别方法MPSFA+SVM、SFA+SVM、KPCA+SVM和SVM中分类器核参数γ分别设置为16.5、15、10^-10和2^-17，惩罚因子C一律设置为10000。

2b)本发明随尺度参数计算中近邻数不同的目标识别率比较实验，如图9所示。

参照图9，它是本发明随不同近邻数p的目标识别率比较比较图。本实验是将MSTAR数据库中所有图像在0°～360°方位范围内，按方位间隔360°分成一组，在这一组上进行10次独立实验，这十次实验中近邻数p分别取1到10的整数。横坐标是提取的特征个数，纵坐标是识别正确率。10次实验中分类器核参数γ设置为16.5，惩罚因子C设置为10000。

3.仿真实验结果分析

图4中曲线KPCA+SVM是现有基于核主分量分析特征提取方法结合支撑矢量机的识别结果，可以看出在15维左右达到稳定，之后加进更多的特征，识别率并没有提高太多；图4中曲线SFA+SVM是现有基于谱特征分析结合支撑矢量机的识别结果，这里全局尺度参数为σ＝2⁶，是从σ＝2^-2～2¹⁷这20次独立的实验中选取的一个相对较好的结果，可以看出这个尺度参数所提取的谱特征的识别率在12维特征的时候达到稳定，之后加进更多的特征，识别率没有提高太多，有时还会下降，主要是特征冗余造成的；图4中曲线MPSFA+SVM是本发明识别结果，这里近邻数p＝1，可以看出本发明结果在5维特征的时候达到89.74％，在10维特征的时候达到稳定，而且本发明总体识别率比用其他三种方法所得到的识别率都要好。表1给出了图4中KPCA+SVM、SFA+SVM和MPSFA+SVM在特征数量分别为5、10、15和20正确识别率，以及SVM的正确识别率。

表1方位间隔为360°时不同方法在特定几个维数上的正确识别率(％)

从图5～图8可以看到，MPSFA+SVM在180°、90°、30°和10°方位间隔分组内总体识别率比SFA+SVM、KPCA+SVM以及SVM要高，而且都能在特征数量为10的时候达到一个比较好的识别率。从图5～图8还可以看出，MPSFA+SVM与SFA+SVM、KPCA+SVM以及SVM相比，对方位角具有更好的鲁棒性。MPSFA+SVM在180°、90°、30°和10°方位间隔分组内，当特征数量为10的时候，正确识别率分别为：99.27％、98.31％、98.16％、97.78％和95.23％。SFA+SVM在180°、90°、30°和10°方位间隔分组内，当特征数量为10的时候，正确识别率分别为：96.19％、95.79％、95.81％、94.18％和91.93％。KPCA+SVM在180°、90°、30°和10°方位间隔分组内，当特征数量为10的时候，正确识别率分别为：84.91％、82.78％、78.43％、84.41％和82.82％。SVM在180°、90°、30°和10°方位间隔分组内，正确识别率分别为：93.70％、92.81％、93.38％、94.44％和87.11％。

从图9可以看出，不同近邻数p对本发明最后的识别结果影响不大。

总之，本发明在基于多参数谱特征的基础上结合支撑向量机的SAR目标识别方法达到了较高的识别率，与现有的方法相比较，在提取的特征数量和识别率上都具有一定的优势，而且对方位角具有更好的鲁棒性，降低了对目标方位信息估计的精度要求。

Claims (5)

1.一种基于多参数谱特征的合成孔径雷达图像目标识别方法，包括如下步骤：

(1)分别对选定的已知类别信息的图像和输入的所有待测试图像进行预处理，得到预处理后的训练样本集

和测试样本集

其中x_i和分别表示第i个训练样本和第j个测试样本，用一个行向量表示，l_i是第i个训练样本所属的类别标号，N和M分别是训练样本个数和测试样本个数，K是所有样本原始特征维数；

(2)计算所有训练样本的尺度参数

和所有测试样本的尺度参数

其中σ_i是第i个训练样本的尺度参数，是第j个测试样本的尺度参数；

(3)分别计算训练样本集的多参数亲和度矩阵：A＝{A_ij}∈R^N×N和测试样本集的多参数亲和度矩阵： $A^t=\left\{A_{\mathrm{ij}}^t\right\}\&Element;R^{M\&times;N};$

(4)分别构造训练样本集的拉普拉斯矩阵：L＝D^-1/2AD^-1/2，和测试样本集的拉普拉斯矩阵：L^t＝(D^t)^-1/2A^t∈R^M×N，其中D和D^t均为对角矩阵，对角元素分别为 $D_{\mathrm{ii}}={\mathrm{\&Sigma;}}_{j=1}^N{A}_{\mathrm{ij}},$ i＝1，2，…，N， ${D^t}_{\mathrm{jj}}={\mathrm{\&Sigma;}}_{i=1}^N{A}_{\mathrm{ij}}^t,$ j＝1，2，…，M；

(5)对训练样本的拉普拉斯矩阵L进行特征分解，取前k个最大特征值所对应的特征向量，作为投影矩阵W＝{w₁，…，w_k}，其中k为需要的特征维数；

(6)分别将训练样本和测试样本投影到由投影矩阵W所张成的空间，得到投影后新的训练样本集

和新的测试样本集其中y_i为第i个训练样本点新的特征向量，

为第j个测试样本点新的特征向量；

(7)将新的训练样本集Y和新的测试样本集Y^t输入到支撑矢量机，得到测试图像的识别结果其中

表示第j个测试图像所属的类别标号。

2.根据权利要求1所述的基于多参数谱特征的合成孔径雷达图像目标识别方法，其中步骤(1)所述的对选定的已知类别信息的图像进行预处理，按如下过程进行：

(2a)从选定的128×128已知类别信息的原始图像中截取中心60×60的子图像；

(2b)对所有子图像分别进行归一化，使得其均值为0，方差为1；

(2c)将每一幅归一化后子图像的所有像素值按列取出，排成一个行向量，作为这个子图像的原始特征向量；

(2d)用所有子图像的原始特征向量组成所有训练样本的原始特征矩阵，再按列进行中心化处理，使得每列特征向量的均值为0，得到训练样本集。

3.根据权利要求1所述的基于多参数谱特征的合成孔径雷达图像目标识别方法，其中步骤(1)所述的对输入的所有待测试图像进行预处理，按如下过程进行：

(3a)从输入的128×128的待测试图像中截取中心60×60大小的子图像；

(3b)对所有子图像分别进行归一化，使得其均值为0，方差为1；

(3c)将每一幅归一化后子图像的所有像素值按列取出，排成一个行向量，作为这个子图像的原始特征向量；

(3d)用所有子图像的原始特征向量组成所有测试样本的原始特征矩阵，再按列进行中心化处理，使得每列特征向量的均值为0，得到测试样本集。

4.根据权利要求1所述的基于多参数谱特征的合成孔径雷达图像目标识别方法，其中步骤(3)所述的计算训练样本集的多参数亲和度矩阵A＝{A_ij}∈R^N×N，是按照公式：A_ij＝exp(-||x_i-x_j||²/2σ_iσ_j)进行计算，其中A_ij表示的是第i个训练样本点和第j个训练样本点之间的亲和度，x_i和x_j分别表示第i个和第j个训练样本点，σ_i和σ_j分别为第i个和第j个训练样本点所对应的尺度参数。

5.根据权利要求1所述的基于多参数谱特征的合成孔径雷达图像目标识别方法，其中步骤(3)计算测试样本集的多参数亲和度矩阵是按照公式：

进行计算，其中

表示的是第i个测试样本点和第j个训练样本点之间的亲和度，

和x_j分别表示第i个测试样本点和第j个训练样本点，

和σ_j分别为第i个测试样本点和第j个训练样本点所对应的尺度参数。

Images