CN104134076A - 基于cs和svm决策级融合的sar图像目标识别方法 - Google Patents

Abstract

本发明公开了一种基于CS和SVM决策级融合的SAR图像目标识别方法。本发明结合了压缩感知和支持向量机各自的优势，利用压缩感知的优化求解数据校正方位角，并对压缩感知和支持向量机的识别结果进行决策级融合。首先将SAR图像目标识别问题转化为稀疏信号恢复问题，基于恢复的稀疏系数分别获得目标分类结果和目标方位角估计，然后对测试图像进行姿态校正，利用支持向量机获取目标分类结果，最后将三者分类结果根据投票法进行决策级融合。实验结果表明，在不进行姿态校正的情况下，基于压缩感知的目标识别算法与其它算法相比，显著提高了SAR图像变形目标识别的准确率；当样本数较少情况下，本发明显著提高了SAR变形目标的识别率。

Description

基于CS和SVM决策级融合的SAR图像目标识别方法

技术领域

本发明属于目标识别技术领域，涉及一种基于CS和SVM决策级融合的SAR图像目标识别方法。

背景技术

SAR(Synthetic Aperture Radar，合成孔径雷达)是一种微波成像传感器，对土壤和植被具有一定的穿透能力，具有全天时、全天候、多波段、多极化和高分辨成像的特点，在国民经济和国防建设中有了越来越广泛的应用。SAR图像自动目标识别(Automatic Target Recognition，ATR)技术的研究，尤其是变形目标的识别，是目前需要迫切解决的关键问题之一。

SAR图像目标识别的过程可以描叙为：从用SAR观测得到的图像中，找到ROIS(Region of Interests,感兴趣区域)，然后对每个ROIS进行分类判断出它的类别。目前研究方法主要是基于模板匹配的方法、基于SVM(Support Vector Machine，支持向量机)的方法、基于Boosting的方法、基于CS(Compressed sensing，压缩感知)的方法等。总体来说，基于CS的方法和基于SVM的方法有优势，CS方法在没有校正方位角的情况下也能得到较高的识别率，SVM方法泛化能力很强。

为了得到更高的识别率，可利用不同特征提取方法和目标分类算法，采用信息融合方法对多视角图像、多特征和多分类器的识别结果进行融合。决策级融合是最高层次的图像信息融合，每个传感器先分别建立各自的初步判决，然后对来自各传感器的决策根据一定的准则和每个决策的可信度进行融合处理，从而获得最终的联合判决。决策级融合对分类器的选择并没有限制，但选择合适的分类器对分类精度有一定影响。本发明结合了CS和SVM的优势，从而达到提高识别率的目的。

发明内容

本发明针对现有技术的不足，提供了一种基于CS和SVM决策级融合的SAR图像目标识别方法。

本发明的具体步骤是：

步骤(1).预处理

1.1方位角的标记

对MSTAR数据库中的训练样本中7类的方位角进行手工标记，并与图像的索引建立一种映射关系。

1.2去噪、滤波

对原图进行裁剪，读取以图像中心点为中心的61×61图像区域，然后进行小波变换和均值滤波处理，以达到去噪的目的。

步骤(2).分类器模型设计

2.1建立压缩感知模型和基于压缩感知分类

2.1.1模型建立

在训练样本中，选取第i类目标的n_i张图像，将第j(j＝1,…,n_i)张图像进行预处理，然后将图像的信息存放在一个列向量里来构成A_i(A_i表示由第i类目标所有图像的信息)的第j列v_i,j(v_i,j表示第i类目标第j张图像的信息)，得到一个过完备字

A＝[A₁；...；A_i；...；A_k]＝[v_1,1,...,v_1,n1；....；v_i,1,...,v_i,j,...,v_i,ni；...；v_k,1,...,v_k,nk](m×n)。

给定测试图像y表示为

y＝Ax₀     式(1)；

其中 $x_0={[0,\·\·\·,0;...;{\mathrm{\α}}_{i,1},{\mathrm{\α}}_{i,2},\·\·\·,{\mathrm{\α}}_{i,j},...,{\mathrm{\α}}_{i{,n}_i};\·\·\·;0,\·\·\·,0]}^T,$ α_i,j为实数。x₀是稀疏系数，x₀中只有与第i类目标相对应的值为非零，其它值均为零。用l₁范数求解x₀，用数学公式表达如下：

(P₁) min||x₀||₁ subject to y＝Ax₀     式(2)；

上式为压缩感知的优化重建问题，可求出稀疏解x₀。

2.1.2基于压缩感知分类、姿态矫正

在得到一个测试图像y时，用压缩感知模型得到一个稀疏解 $x_0={[0,\·\·\·,0;...;{\mathrm{\α}}_{i,1},{\mathrm{\α}}_{i,2},\·\·\·,{\mathrm{\α}}_{i,j},...,{\mathrm{\α}}_{i{,n}_i};\·\·\·;0,\·\·\·,0]}^T.$ 采用NN(Nearest Neighbor,最近邻方法)找出分类结果。对于第i类目标，定义函数：对于是系数向量，即x₀中仅与第i类目标相对应的值保持不变，其它值都赋值为零。定义残差

r_i(y)＝||y-Aδ_i(x₀)||₂     式(3)；

残差值最小意味着测试图像与样本最接近，通过求解的残差最小值来判断类别。则测试图像y的所在类别s可由式子(4)判断：

$s=\mathrm{identity}\left(y\right)=\arg \underset{i}{\min }\{r_1\left(y\right),\·\·\·,r_i\left(y\right),\·\·\·,r_k\left(y\right)\}$      式(4)；

2.2选择支持向量机(Support Vector Machine，SVM)模型参数

核函数采用径向基核函数。径向基核函数的重要参数惩罚因子C和γ由交叉验证和网格参数寻优方法训练得到，最优结果为C取值32和γ取值0.5。已校正和未校正的训练样本，采用SVM方法训练得到两个分类模型，然后用这两个分类模型得到两个分类结果。

步骤(3).姿态校正

利用训练样本构造字典后，利用压缩感知模型进行优化求解时，可根据获得稀疏解判断与之最相近的训练样本，即稀疏解x₀的最大值位置t处表明测试样本与该训练样本最相似：

$t=\underset{j}{\arg }\max \left(x_0\right)$      式(5)；

此时可利用该训练样本的姿态信息对测试图像进行姿态校正。

步骤(4).决策级融合

采用投票法(Majority Vote)对CS方法和SVM方法(校正方位角、未校正方位角)识别的三种结果进行决策级融合，即

r＝MajorityVote(r_cs,r_svm1,r_svm2)    式(6)；

式中r_cs为基于CS方法的识别结果，r_svm1为未经过姿态校正的基于SVM方法的识别结果，r_svm2为经过姿态校正的基于SVM方法的识别结果。当出现三种结果不一致时，根据每种算法对训练样本的识别准确率作为先验知识进行判别，即

$r=\mathrm{Max}(P_{\mathrm{cs}}^i,P_{\mathrm{svm}1}^j,P_{\mathrm{svm}2}^k)$    式(7)；

式中为采用CS方法进行识别时识别结果为第i类的概率，为基于未经校正的样本采用SVM方法进行识别时识别结果为第j类的概率，为基于经校正的样本采用SVM方法进行识别时识别结果为第k类的概率。

本发明中融合方法的识别率高于用CS方法和SVM方法的识别率。并且，在变形目标识别中，本发明能够在使用较少的训练样本情况下提高识别率和提高泛乏能力。

附图说明

图1为本发明流程图。

具体实施方式

以下结合附图对本发明作进一步说明。

如图1所示，本发明包括以下步骤：

步骤(1).预处理

1.1方位角的标记

由于同一种目标在不同方位角条件下的性质有很大的差别，因此在目标识别中应该考虑目标的方向性。估计出目标方位角可极大地减少目标识别所需的特征个数，从而减少识别时间并提高识别性能。采用手工方法标记方位角，记录目标与标准方位角(90度)之间的夹角。并将标记的方位角与图像的索引建立一种映射关系，即将方位角和图像的索引一一对应，以便于通过索引来找到图像的方位角。

1.2去噪、滤波

SAR图像中的相干斑噪声、背景、杂波和方位角变化等都为目标的识别带来困难，这就要求在提取特征之前进行预处理使得图像中的信息更接近真实值。主要包括：SAR图像去噪(抑制SAR图像相干斑噪声)，SAR图像分辨率的改善，SAR图像分割特征。对图像进行了裁剪、小波变换和均值滤波处理，裁剪即读取以图像中心点为中心的61×61图像区域，小波变换中使用的小波是Haar小波，均值滤波的模板是[33]。

步骤(2).分类器模型设计

2.1建立压缩感知模型和基于压缩感知分类

2.1.1模型建立

在训练样本中，选取第i类目标的ni张图像，将第j(j＝1,…,n_i)张图像进行预处理，然后将图像的信息存放在一个列向量里来构成A_i(A_i表示由第i类目标所有图像的信息)的第j列v_i,j(v_i,j表示第i类目标第j张图像的信息)，得到一个过完备字典

A＝[A₁；...；A_i；...；A_k]＝[v_1,1,...,v_1,n1；....；v_i,1,...,v_i,j,...,v_i,ni；...；v_k,1,...,v_k,nk](m×n)。

采用MSTAR数据库中的图像，由训练样本直接构成字典时，一幅图像用961×1的列向量(v_i,j)表示，字典A的大小为961×1622。

对于第i类目标的测试样本y表示为

$\begin{array}{c}y=0\×v_{\mathrm{1,1}}+\·\·\·+0\×v_{1,n_1}+\·\·\·+{\mathrm{\α}}_{i,1}{v}_{i,1}+{\mathrm{\α}}_{i,2}{v}_{i,2}+\·\·\·+{\mathrm{\α}}_{i,n_i}{v}_{i,n_i}\\ +\·\·\·+0\×v_{k,1}+\·\·\·+0\×v_{k,n_k}\end{array}$      式(1)；

即

y＝Ax₀     式(2)；

其中 $x_0={[0,\·\·\·,0;...;{\mathrm{\α}}_{i,1},{\mathrm{\α}}_{i,2},\·\·\·,{\mathrm{\α}}_{i,n_i};...;0,\·\·\·,0]}^T,$ 标量j＝1,…,n_i。x₀是稀疏系数，x₀中只有与第i类目标相对应的值为非零，其它值均为零。

用l₁范数求解x₀，用数学公式表达如下：

(P₁) min||x₀||₁ subject to y＝Ax₀     式(3)；

上式为压缩感知的优化重建问题，可求出稀疏解x₀，求解出的x₀的大小为1622×1。

2.1.2基于压缩感知分类

由于相干斑噪声、方位角等因素的影响，x₀中非对应于测试图像类别的系数值也是非零的，这些值相对于x₀中对应于测试图像类别的系数值是很小的，因此可采用寻找最小重构误差的方法进行目标类别判别，该方法也可视为最近邻法(Nearest Neighbor，NN)。对于第i类目标，定义函数对于是系数向量，其中x₀中仅与第i类目标相对应的系数保持不变，其它值均为零。定义残差为

r_i(y)＝||y-Aδ_i(x₀)||₂      式(4)；

残差值最小意味着测试图像与样本最接近，通过求解的残差最小值来判断类别。则测试图像y的所在类别s可由式子(5)判断：

$s=\mathrm{identity}\left(y\right)=\arg \underset{i}{\min }\{r_1\left(y\right),\·\·\·,r_i\left(y\right),\·\·\·,r_k\left(y\right)\}$       式(5)；

2.2选择支持向量机模型参数

支持向量机的模型训练,最重要的部分是选定核函数。目前使用最普遍的核函数是径向基核函数，这是因为径向基核函数对应的特征空间是无穷维的，有限的样本在该特征空间中肯定是线性可分的。径向基核函数参数的选择主要是C和γ。C是惩罚因子，表示对错误的惩罚程度，我们可以通过C来控制训练精度，一般情况下取值为[0,50]；γ主要影响着样本数据在高维特征空间中分布的复杂程度，γ的取值范围是[0,1]。C和γ的最优结果由交叉验证和网格参数寻优方法训练得到，最优结果为C取值32和γ取值0.5。

步骤(3).姿态矫正

用SVM方法进行SAR图像目标识别时，方位角的校正对识别结果很重要；但是对于测试图像来说，它的信息全部都是未知的，无法校正方位角。对于CS方法的优化求解数据，稀疏解x₀不仅能够得到识别结果，还可以得到与测试图像最相似的训练样本图像的姿态信息，可用来估计测试图像的姿态信息和校正方位角。

利用训练样本构造字典后，利用压缩感知模型进行优化求解时，可根据获得稀疏解x₀判断与之最相近的训练样本，即稀疏解x₀的最大值位置t处表明测试样本与该训练样本最相似：

$t=\underset{j}{\arg }\max \left(x_0\right)$      式(6)；

此时根据训练样本的姿态信息估计测试样本的姿态信息，从而对测试样本进行姿态矫正。

步骤(4).决策级融合

采用投票法(Majority Vote)对CS方法和SVM方法(校正方位角、未校正方位角)识别的三种结果进行决策级融合，即

r＝MajorityVote(r_cs,r_svm1,r_svm2)   式(7)；

式中r_cs为未经过姿态校正的基于CS方法的识别结果，r_svm1为未经过姿态校正的基于SVM方法的识别结果，r_svm2为经过姿态校正的基于SVM方法的识别结果。当出现三种结果不一致时，根据每种算法对训练样本的识别准确率作为先验知识进行判别，即

$r=\mathrm{Max}(P_{\mathrm{cs}}^i,P_{\mathrm{svm}1}^j,P_{\mathrm{svm}2}^k)$    式(8)；

式中为采用CS方法进行识别时识别结果为第i类的概率，为基于未经校正的样本采用SVM方法进行识别时识别结果为第j类的概率，为基于经校正的样本采用SVM方法进行识别时识别结果为第k类的概率。

Claims (1)

1.基于CS和SVM决策级融合的SAR图像目标识别方法，其特征在于该方法的具体步骤是：

步骤(1).预处理

1.1方位角的标记

对MSTAR数据库中的训练样本中7类的方位角进行手工标记，并与图像的索引建立一种映射关系；

1.2去噪、滤波

对原图进行裁剪，读取以图像中心点为中心的61×61图像区域，然后进行小波变换和均值滤波处理，以达到去噪的目的；

步骤(2).分类器模型设计

2.1建立压缩感知模型和基于压缩感知分类

2.1.1模型建立

在训练样本中，选取第i类目标的n_i张图像，将第j张图像进行预处理，然后将图像的信息存放在一个列向量里来构成A_i的第j列v_i,j，得到一个过完备字

A＝[A₁；...；Ai；...；A_k]＝[v_1,1,...,v_1,n1；....；v_i,1,...,v_i,j,...,v_i,ni；...；v_k,1,...,v_k,nk](m×n)；

其中A_i表示由第i类目标所有图像的信息，v_i,j表示第i类目标第j张图像的信息

给定测试图像y表示为

y＝Ax₀    式(1)；

其中 $x_0={[0,\·\·\·,0;...;{\mathrm{\α}}_{i,1},{\mathrm{\α}}_{i,2},\·\·\·,{\mathrm{\α}}_{i,j},...,{\mathrm{\α}}_{i{,n}_i};\·\·\·;0,\·\·\·,0]}^T,$ α_i,j为实数；x₀是稀疏系数，x₀中只有与第i类目标相对应的值为非零，其它值均为零；用l₁范数求解x₀，表达如下：

(P₁) min||x₀||₁ subject to y＝Ax₀    式(2)；

上式为压缩感知的优化重建问题，可求出稀疏解x₀；

2.1.2基于压缩感知分类、姿态矫正

在得到一个测试图像y时，用压缩感知模型得到一个稀疏解 $x_0={[0,\·\·\·,0;...;{\mathrm{\α}}_{i,1},{\mathrm{\α}}_{i,2},\·\·\·,{\mathrm{\α}}_{i,j},...,{\mathrm{\α}}_{i{,n}_i};\·\·\·;0,\·\·\·,0]}^T;$ 采用最近邻方法找出分类结果；对于第i类目标，定义函数：对于是系数向量，即x₀中仅与第i类目标相对应的值保持不变，其它值都赋值为零；定义残差r_i(y)

r_i(y)＝||y-Aδ_i(x₀)||₂     式(3)；

残差值最小意味着测试图像与样本最接近，通过求解的残差最小值来判断类别；则测试图像y的所在类别s可由式子(4)判断：

$s=\mathrm{identity}\left(y\right)=\arg \underset{i}{\min }\{r_1\left(y\right),\·\·\·,r_i\left(y\right),\·\·\·,r_k\left(y\right)\}$    式(4)；

2.2选择支持向量机模型参数

核函数采用径向基核函数；径向基核函数的重要参数惩罚因子C和γ由交叉验证和网格参数寻优方法训练得到，最优结果为C取值32和γ取值0.5；已校正和未校正的训练样本，采用SVM方法训练得到两个分类模型，然后用这两个分类模型得到两个分类结果；

步骤(3).姿态校正

利用训练样本构造字典后，利用压缩感知模型进行优化求解时，可根据获得稀疏解判断与之最相近的训练样本，即稀疏解x₀的最大值位置t处表明测试样本与该训练样本最相似：

$t=\underset{j}{\arg }\max \left(x_0\right)$      式(5)；

此时可利用该训练样本的姿态信息对测试图像进行姿态校正；

步骤(4).决策级融合

采用投票法对CS方法和SVM方法识别的三种结果进行决策级融合，即

r＝MajorityVote(r_cs,r_svm1,r_svm2)   式(6)；

式中r_cs为基于CS方法的识别结果，r_svm1为未经过姿态校正的基于SVM方法的识别结果，r_svm2为经过姿态校正的基于SVM方法的识别结果；当出现三种结果不一致时，根据每种算法对训练样本的识别准确率作为先验知识进行判别，即

$r=\mathrm{Max}(P_{\mathrm{cs}}^i,P_{\mathrm{svm}1}^j,P_{\mathrm{svm}2}^k)$    式(7)；

式中为采用CS方法进行识别时识别结果为第i类的概率，为基于未经校正的样本采用SVM方法进行识别时识别结果为第j类的概率，为基于经校正的样本采用SVM方法进行识别时识别结果为第k类的概率。