CN105930848A - 基于sar-sift特征的sar图像目标识别方法 - Google Patents

Abstract

本发明公开了一种基于SAR‑SIFT特征的SAR图像目标识别方法，主要解决现有技术对SAR图像目标识别不准确的问题。其方案为：1.输入原始SAR图像感兴趣区域的幅度图像，并进行配准；2.对配准后的图像进行二值分割；3.根据分割图像提取配准图像上的强散射点；4.根据分割图像提取配准图像上的角点，并将强散射点与角点联合，得到SAR‑SIFT特征向量；5.分别计算测试样本与训练样本的特征向量集之间距离和特征点坐标集之间的距离，再将这两个距离融合得到识别结果。本发明能有效降低SAR图像中存在的斑点噪声和目标变体对SAR图像目标识别的影响，可用于SAR图像中的目标分类识别。

Description

基于SAR-SIFT特征的SAR图像目标识别方法

技术领域

本发明属于雷达目标识别技术领域，特别涉及一种SAR图像目标识别方法，可用于SAR图像中的目标分类与识别。

背景技术

合成孔径雷达SAR在距离向和方位向具有较高的分辨率，其成像基本不受光照、气候等因素的影响，可以全天时、全天候地对目标进行监测。由于获取的SAR数据量不断增加，利用SAR图像对目标进行自动目标识别ATR已成为目前的一个重要研究方向。

SAR图像自动目标识别方法通常采取美国林肯实验室提出的三级处理流程。通过前两级的目标检测与目标鉴别，从整幅SAR图像中提取出目标感兴趣区域ROI。在第三级的目标识别中，对这些ROI切片图像，首先进行预处理，剔除非目标区域；然后对目标区域进行特征提取，并使用提取得到的特征完成切片图像中目标的分类和识别。

传统的SAR目标识别方法有基于支持向量机SVM的识别方法、基于稀疏表示SRC的识别方法、基于联合稀疏表示JSRC的识别方法等，这些方法通常只是利用一种特征或者信息来进行识别。在实际中，SAR的ROI切片图像中的相干斑与背景杂波会影响目标的特征提取；同时，测试目标与训练目标相比，通常存在着变体的情况，即测试目标与训练目标在状态、配置等方面有一些变化，例如炮筒的旋转、油箱的有无、履带的有无等情况，给SAR目标识别带来了困难,影响识别精度。

发明内容

本发明的目的在于针对上述已有技术的不足，提出一种基于SAR图像的尺度不变特征变换SIFT的SAR图像目标识别方法，以减少图像识别中的相干斑及其他的一些冗余信息的影响，提高对于不同类型目标及其变体的识别率。

本发明的技术方案包括如下：

一、技术思路：

将感兴趣区域的SAR幅度图像进行配准后，采用二值分割得到目标区域的分割图像；在配准后的图像上结合分割图像提取目标区域的强散射点和角点，将它们共同作为目标识别的特征点，得到每一幅配准图像的特征点坐标集；对每一个特征点，提取其对应的SAR-SIFT特征向量，得到每一幅配准图像的SAR-SIFT特征向量集；分别计算测试样本和训练样本的特征点坐标集之间的Hausdorff距离和SAR-SIFT特征向量集之间的Hausdorff距离，然后将两个Hausdorff距离联合进行目标识别。

二.实现步骤

本发明基于SAR-SIFT特征的SAR图像目标识别方法，包括如下步骤：

(1)输入所有测试样本和所有训练样本的SAR图像感兴趣区域的幅度图像；

(1a)取任一幅度图像G进行配准，得到配准图像I；

(1b)按步骤(1a)得到所有测试样本和所有训练样本的配准图像

(2)对配准图像I采用二值分割方法，得到目标区域的二值分割图像I_seg；

(3)利用配准图像I和二值分割图像I_seg，提取配准图像I中目标区域的强散射点和角点，并将它们共同作为配准图像I的特征点：

(3a)在配准的幅度图像I上，提取目标区域中的强散射点，将所有的强散射点构成配准图像I的强散射点集S；

(3c)将配准幅度图像I转化为强度图像I_sq，通过指数加权均值比ROEWA算法得到强度图像I_sq的梯度幅度图像Gm、梯度方向图像Go、水平梯度图像G_x,α和垂直梯度图像G_y,α，并根据水平梯度图像G_x,α和垂直梯度图像G_y,α，得到联合图像Rs，其中，α为尺度因子，Gm、Go、G_x,α、G_y,α和Rs的大小均为M×N，其中，M为配准图像I的行数，N为配准图像I的列数；

(3d)根据联合图像Rs，得到配准图像I中的角点，将落在二值分割图像I_seg中目标区域上的所有角点构成配准图像I的角点集C；

(3e)将配准图像I中的强散射点集S和角点集C共同作为配准图像I的特征点集D，所有特征点的坐标归一化构成特征点坐标集；

(4)对配准图像I的特征点集D中的每一个特征点提取特征向量：

(4a)利用梯度幅度图像Gm和梯度方向图像Go，得到特征点集中所有特征点的主方向O°∈[-π,π]；

(4b)利用梯度幅度图像Gm、梯度方向图像Go和特征描述子，计算每个特征点的特征向量，得到配准图像I的SAR-SIFT特征向量集；

(5)将所有测试样本的配准图像和所有训练样本的配准图像按步骤(2)～(4)重复计算，得到所有测试样本的特征点坐标集合U、SAR-SIFT特征向量集合E，以及所有训练样本的特征点坐标集合V、SAR-SIFT特征向量集合H：

U＝[U₁,…,U_i,…,U_K]，E＝[E₁,…,E_i,…,E_K]，

V＝[V₁,…,V_j,…,V_T]，H＝[H₁,…,H_j,…,H_T]，

其中，U_i为第i个测试样本的特征点坐标集，E_i为第i个测试样本的特征向量集，i∈[1,K]，K为测试样本的数目，V_j为第j个训练样本的特征点坐标集，H_j为第j个训练样本的特征向量集，j∈[1,T]，T为训练样本的数目；

(6)计算第i个测试样本的特征点坐标集U_i与所有训练样本的特征点坐标集合V之间的Hausdorff距离，得到坐标距离集合：P＝[p₁,…,p_j,…,p_T]，其中p_j为测试样本的特征点坐标集U_i到第j个训练样本的特征点坐标集V_j的Hausdorff距离；

(7)计算该测试样本的SAR-SIFT特征向量集E_i与所有训练样本的SAR-SIFT特征向量集合H之间的Hausdorff距离，得到向量距离集合：Q＝[q₁,…,q_j,…,q_T]，其中q_j为测试样本的特征向量集E_i到第j个训练样本的特征向量集H_j的Hausdorff距离；

(8)将坐标距离集合P和向量距离集合Q联合，得到联合距离集合：Z＝Q+10*P，将Z中的最小项q_j+10*p_j对应的训练样本类别作为对测试样本的识别结果，其中j∈[1,T]，T为训练样本的数目；

(9)将所有测试样本按(6)～(8)重复计算，统计所有测试样本的识别结果。

本发明与现有技术相比，具有如下优点：

本发明改进了现有技术只考虑目标上的强散射点的坐标集的Hausdorff距离，将目标上的强散射点和角点共同作为特征点，并联合了特征点的坐标集的Hausdorff距离与特征点的SAR-SIFT特征向量集的Hausdorff距离进行目标识别，从而提高了对目标的识别能力。

附图说明

图1为本发明的实现流程图；

图2为本发明中对原始图像的处理结果图；

图3为本发明形成的特征描述子示意图。

具体实施方式

下面结合附图对本发明的实施步骤和效果作进一步说明。

参照图1，本发明基于SAR-SIFT特征的SAR图像目标识别方法，其实现步骤如下：

步骤1，输入SAR图像感兴趣区域的幅度图像并配准。

1a)输入所有测试样本和所有训练样本的SAR图像感兴趣区域的幅度图像，取任一幅度图像G＝{g_(x,y)|1≤x≤M,1≤y≤N}，如图2(a)所示，其中，M为幅度图像G的行数，N为幅度图像G的列数，g_(x,y)代表幅度图像G中位于(x,y)处的像素；

1b)计算幅度图像G的质心位置，其坐标为按如下公式计算：

质心横坐标为：

质心纵坐标为：

其中，x_n、y_n为幅度图像G中第n个点的横纵坐标，g_(x,y)n为幅度图像G中第n个点的像素值，n∈[1,Num]，Num＝M×N；

1c)将幅度图像G进行圆周移位，使得质心移动到图像的中心位置，得到配准图像I，如图2(b)所示；

1d)按步骤1b)～1c)得到所有测试样本和所有训练样本的配准图像。

步骤2，对配准图像I进行分割。

2a)选用3×3的均值滤波器对配准图像I进行均值滤波，得到滤波图像I'；

2b)在滤波图像I'中设置全局阈值T，将滤波图像I'中所有点的像素值与全局阈值T比较，若点的像素值大于全局阈值T则将该点的像素值置为1，否则置为0，得到一幅粗糙的二值化图像I”，其中T∈[0.08,0.1]；

2c)在二值化图像I”上，统计像素值为1的8连通区域，得到多个连通区域；

2d)计算每个连通区域内像素点的个数，将连通区域内像素点数目最多的连通区域作为目标区域Ω_obj；

2c2)将目标区域Ω_obj内的像素值置为1，除此之外二值化图像I”的其他像素值置为0，得到二值分割图像I_seg，如图2(c)所示。

步骤3，提取配准图像I的强散射点集S。

3a)在配准图像I中设置全局像素阈值TH，将配准图像I中所有点的像素值与全局阈值TH比较，若点的像素值大于全局阈值TH，则将该点的像素值置为1，否则置为0，将像素值为1的点作为候选的强散射点，其中TH∈[0.3,0.4]；

3b)计算候选强散射点之间的坐标距离，将8邻域内的点作为同一类点进行聚类，共得到B类点集；

3c)计算各类点集的质心，质心坐标为Z^k表示第k∈[1,B]类点集的质心，得到B个质心，质心坐标按如下公式计算：

质心横坐标：

质心纵坐标：

其中， 为第k类点集中第j个点的横纵坐标，为第k类点集中第j个点的像素值；

3d)用落在二值分割图像I_seg中目标区域上的质心构成配准图像I的强散射点集S,强散射点在配准图像I上的显示如图2(d)所示。

步骤4，提取配准图像I的角点集C。

4a)将配准图像I转化为强度图像I_sq，通过ROEWA算法得到图像的水平梯度图像G_x,α、垂直梯度图像G_y,α以及梯度幅度图像Gm和梯度方向图像Go，其中α为尺度因子，G_x,α、G_y,α、Gm和Go图像大小均为M×N；

4b)根据水平梯度图像G_x,α和垂直梯度图像G_y,α，得到第p个像素点的矩阵

$C_{SH}^p=g_{\sqrt{2}\·\mathrm{\α}}*\left[\begin{array}{cc}{\left(G_{x,\mathrm{\α}}^p\right)}^2& \left(G_{x,\mathrm{\α}}^p\right)\·\left(G_{y,\mathrm{\α}}^p\right)\\ \left(G_{x,\mathrm{\α}}^p\right)\·\left(G_{y,\mathrm{\α}}^p\right)& {\left(G_{y,\mathrm{\α}}^p\right)}^2\end{array}\right]$

其中，是标准差为的高斯函数，为水平梯度图像G_x,α中第p个像素点的幅度值，为垂直梯度图像G_y,α中第p个像素点的幅度值，α为尺度因子；

4c)根据矩阵得到联合图像Rs中第p个像素点的幅度值：

${\mathrm{Rs}}^p=\det \left(C_{SH}^p\right)-d\·tr{\left(C_{SH}^p\right)}^2$

其中，det(·)为矩阵的行列式，tr(·)为矩阵的迹，Rs^p为联合图像Rs中第p个像素点的幅度值，d为任意实数值；

4d)对每一个像素点按步骤4b)～4c)计算，得到联合图像Rs，联合图像Rs的大小为M×N；

4e)在联合图像Rs上设置一个全局的像素阈值d_SH，将联合图像Rs中每个点的像素值分别与它对应的8邻域内点的像素值和像素阈值d_SH进行比较，若一个点的像素值比它8邻域内点的像素值和像素阈值d_SH都大，则将该点作为候选的角点；

4f)用落在二值分割图像I_seg中目标区域上的所有候选角点，构成配准图像I的角点集C，角点在配准图像I上的显示如图2(e)所示。

步骤5，提取配准图像I的特征点坐标集。

5a)将配准图像I的强散射点集S和角点集C共同作为配准图像I的特征点集D，将所有特征点的坐标归一化构成特征点坐标集。

步骤6，提取配准图像I的SAR-SIFT特征向量集。

6a)利用梯度幅度图像Gm和梯度方向图像Go，得到特征点集中所有特征点的主方向O°∈[-π,π]：

6a1)在梯度方向图像Go上，以一个特征点为圆心，做半径为r'＝6*α的圆，其中，α为尺度因子；

6a2)将-π～π等分为12份，得到角度区间Sr＝[s₁,…,s_l,…,s₁₂]，判断6a1)中圆内一个点(x,y)的梯度方向值W是否属于区间s_l，若W属于区间s_l，则将该点(x,y)的梯度幅度值F加在区间s_l上，其中s_l为角度区间Sr上的第l个子区间_，l∈[1,12]，W为点(x,y)在梯度方向图像Go上的幅度值，F为点(x,y)在梯度幅度图像Gm上的幅度值；

重复统计算圆内的所有点，得到一个梯度方向直方图；

6a3)根据梯度方向直方图，将直方图峰值的中心方向角度作为该特征点的主方向O°；

6b)计算每个特征点的特征向量：

6b1)以特征点为圆心，得到半径为r＝8*α，r₁＝0.25*r，r₂＝0.75*r的同心圆，在同心圆中形成两个环形区域，将每个环形区域以特征点的主方向O°为参考等分为4个连续的子区域，则两个环形区域的8个子区间与半径为r₁的内圆将此同心圆划分为9个子区域，得到特征描述子，如图3所示；

6b2)利用梯度幅度图像Gm和梯度方向图像Go，计算特征描述子中每个子区域的梯度方向直方图，每个区域的梯度方向直方图是由区域内所有点的梯度幅度乘以其对应的3维权重在等分区间Sr上累加求和得到，每个点的3维权重分别是：

在半径维度上的权重：其中，ρ为区域内任一点到特征点的距离，R_i为半径向量R中第一个大于ρ的值，R＝[R₁,R₂]，R₁＝0.5*r，R₂＝r，i＝1,2；

在角度维度上的权重，其中，μ为区域内任一点与特征点相对于水平方向的夹角，ψ_j为角度向量ψ中第一个大于μ的值，角度向量ψ由等分环形区域的四个边界角度构成，ψ＝[ψ₁,ψ₂,ψ₃,ψ₄]，ψ₁＝O°-45°，ψ₂＝O°+45°，ψ₃＝O°+135°，ψ₄＝O°+225°，j＝1,2,3,4；

在梯度方向上的权重：其中，γ为特征点主方向O°与区域内任一点在梯度方向图像Go上的值W之差，即γ＝O°-W，δ_k为方向向量δ中第一个比γ大的值，δ＝[δ₁,…,δ_k,…,δ₁₂]，k∈[1,12]，方向向量δ是由角度区间Sr的每个子区间对应的中心角度构成；

6b3)将每个区域内的所有像素点的梯度幅度Gm乘以各自的3维权重后在等分区间Sr上累加求和，得到每个区域的12维梯度方向直方图，再将9个子区域的梯度方向直方图拼接生成108维的向量，并通过向量模值归一化向量得到108维的特征向量；

6c)按步骤6b)计算配准图像I中所有特征点的特征向量，得到配准图像I的SAR-SIFT特征向量集。

步骤7，计算点集间的Hausdorff距离并得到SAR图像目标识别结果。

7a)将所有测试样本的配准图像和所有训练样本的配准图像按步骤2～步骤6重复计算，得到所有测试样本的特征点坐标集合U、SAR-SIFT特征向量集合E，以及所有训练样本的特征点坐标集合V、SAR-SIFT特征向量集合H：

U＝[U₁,…,U_i,…,U_K]，E＝[E₁,…,E_i,…,E_K]，

V＝[V₁,…,V_j,…,V_T]，H＝[H₁,…,H_j,…,H_T]，

其中，U_i为第i个测试样本的特征点坐标集，E_i为第i个测试样本的特征向量集，i∈[1,K]，K为测试样本的数目，V_j为第j个训练样本的特征点坐标集，H_j为第j个训练样本的特征向量集，j∈[1,T]，T为训练样本的数目；

7b)计算第i个测试样本的特征点坐标集U_i与所有训练样本的特征点坐标集合V之间的Hausdorff距离，得到坐标距离集合：P＝[p₁,…,p_j,…,p_T]，其中p_j为测试样本的特征点坐标集U_i到第j个训练样本的特征点坐标集V_j的Hausdorff距离，按如下公式进行：

p_j＝max(d_LST(U_i,V_j),d_LST(V_j,U_i))

其中，表示坐标集中的点到坐标集V_j的距离的平均值，λ∈(0,1)，表示取整，s∈[1,k]_，k为坐标集U_i中的特征点数目，表示坐标集U_i中的第s个坐标点到坐标集V_j中每一个点v的距离中的最小值，表示坐标集U_i中的所有点到坐标集V_j的距离按由小到大排序后的有序序列中的第n个值，n∈[1,L]；

表示坐标集中的点到坐标集U_i的距离的平均值，λ∈(0,1)，表示取整，c∈[1,b]，b为坐标集V_j中的特征点数目，表示坐标集V_j中的坐标点到坐标集U_i中每一个点u的距离中的最小值，表示坐标集V_j中的所有点到坐标集U_i的距离按由小到大排序后的有序序列中的第t个值，t∈[1,A]；

7c)计算第i个测试样本的SAR-SIFT特征向量集E_i与所有训练样本的SAR-SIFT特征向量集合H之间的Hausdorff距离，得到向量距离集合：Q＝[q₁,…,q_j,…,q_T]，其中q_j为测试样本的特征向量集E_i到第j个训练样本的特征向量集H_j的Hausdorff距离，按如下公式进行：

q_j＝max(d_LST(E_i,H_j),d_LST(H_j,E_i))

其中，表示向量集中的点到向量集H_j的距离的平均值，表示向量集E_i中的向量到向量集H_i中每一个向量h的最小距离，表示向量集E_i中的所有点到向量集H_i的距离按由小到大排序后的有序序列中的第n个值，n∈[1,L]

表示向量集中的点到向量集E_i的距离的平均值，表示向量集H_i中的向量到向量集E_i中每一个向量e的最小距离，表示向量集H_i中的所有点到向量集E_i的距离按由小到大排序后的有序序列中的第t个值，t∈[1,A]；

7d)将坐标距离集合P和向量距离集合Q联合，得到联合距离集合：Z＝Q+10*P，将Z中的最小项q_j+10*p_j对应的训练样本类别作为对测试样本的识别结果，其中j∈[1,T]，T为训练样本的数目；

7e)将所有测试样本按7b)～7d)重复计算，统计所有测试样本的识别结果。

本发明的效果通过以下实测数据的实验进一步说明：

1.实验场景与参数：

实验中所用的数据为公开的MSTAR数据集。在该数据集中，选取17^°俯仰角下3种型号图像数据BMP2SN9563、BTR70C71、T72SN132作为训练样本，选取15^°俯仰角下7种型号图像数据BMP2SN9563、BMP2SN9566、BMP2SNC2、BTR70C71、T72SN132、T72SNS7、T72SN812作为测试样本，称BMP2SN9566、BMP2SNC21为BMP2SN9563的变体，T72SNS7、T72SN812为T72SN132的变体,所有样本图像尺寸为128×128。

本实验所用的数据如表1所示：

表1 MSTAR数据实验场景

实验设定参数如下：

图像分割全局阈值T＝0.08，强散射点提取的全局阈值TH＝0.3；尺度因子α＝2，d＝0.04，d_SH＝t·R_max，其中t＝0.05，R_max为联合图像Rs中最大的像素值。

2.实验内容与结果：

实验1、计算所有测试样本特征点坐标集和所有训练样本特征点坐标集之间的Hausdorff距离，统计所有测试样本的识别结果；

实验2、计算所有测试样本SAR-SIFT特征向量集和所有训练样本SAR-SIFT特征向量集之间的Hausdorff距离，统计所有测试样本的识别结果；

实验3、将实验1和实验2中特征点坐标集的Hausdorff距离和特征点向量集的Hausdorff距离结合，统计所有测试样本的识别结果；

上述3种实验的统计结果如表2：

表2 统计结果

由表2所给出的数据可以发现：

实验2中使用本发明的SAR-SIFT特征向量集得到的识别率比实验1中只用特征点坐标集得到的识别率高5.74％；在实验3中的识别率达到98％以上，可以看出使用特征点坐标集与特征点向量集的组合比单独用特征点坐标集或特征点向量集的识别率都高，且目标变体的识别率得到很大的提高。

本发明中的实验3方法和其他几种现有方法对上述MSTAR实验场景进行目标识别的平均识别率的比较结果如表3：

表3 本发明与其他方法平均识别率的比较

识别方法	SVM	SRC	KSVM	JSRC	本发明
						平均识别率	86.7％	95.5％	91.4％	95.6％	98.24％

由表3所给出的数据可以发现：本发明对三类目标的平均识别率已经达到98％以上，比SVM高11.54％，比SRC高2.74％，比KSVM高6.84％，比JSRC高2.64％，说明本方法的性能优于传统的SAR目标识别方法，SAR图像目标识别率得到了显著提升。

Claims (7)

1.一种基于SAR-SIFT特征的SAR图像目标识别方法，包括：

(1)输入所有测试样本和所有训练样本的SAR图像感兴趣区域的幅度图像；

(1a)取任一幅度图像G进行配准，得到配准图像I；

(1b)按步骤(1a)得到所有测试样本和所有训练样本的配准图像

(2)对配准图像I采用二值分割方法，得到目标区域的二值分割图像I_seg；

(3)利用配准图像I和二值分割图像I_seg，提取配准图像I中目标区域的强散射点和角点，并将它们共同作为配准图像I的特征点：

(3a)在配准的幅度图像I上，提取目标区域中的强散射点，将所有的强散射点构成配准图像I的强散射点集S；

(3c)将配准幅度图像I转化为强度图像I_sq，通过指数加权均值比ROEWA算法得到强度图像I_sq的梯度幅度图像Gm、梯度方向图像Go、水平梯度图像G_x,α和垂直梯度图像G_y,α，并根据水平梯度图像G_x,α和垂直梯度图像G_y,α，得到联合图像Rs，其中，α为尺度因子，Gm、Go、G_x,α、G_y,α和Rs的大小均为M×N，其中，M为配准图像I的行数，N为配准图像I的列数；

(3d)根据联合图像Rs，得到配准图像I中的角点，将落在二值分割图像I_seg中目标区域上的所有角点构成配准图像I的角点集C；

(3e)将配准图像I中的强散射点集S和角点集C共同作为配准图像I的特征点集D，所有特征点的坐标归一化构成特征点坐标集；

(4)对配准图像I的特征点集D中的每一个特征点提取特征向量：

(4a)利用梯度幅度图像Gm和梯度方向图像Go，得到特征点集中所有特征点的主方向O°∈[-π,π]；

(4b)利用梯度幅度图像Gm、梯度方向图像Go和特征描述子，计算每个特征点的特征向量，得到配准图像I的SAR-SIFT特征向量集；

(5)将所有测试样本的配准图像和所有训练样本的配准图像按步骤(2)～(4)重复计算，得到所有测试样本的特征点坐标集合U、SAR-SIFT特征向量集合E，以及所有训练样本的特征点坐标集合V、SAR-SIFT特征向量集合H：

U＝[U₁,…,U_i,…,U_K]，E＝[E₁,…,E_i,…,E_K]，

V＝[V₁,…,V_j,…,V_T]，H＝[H₁,…,H_j,…,H_T]，

其中，U_i为第i个测试样本的特征点坐标集，E_i为第i个测试样本的特征向量集，i∈[1,K]，K为测试样本的数目，V_j为第j个训练样本的特征点坐标集，H_j为第j个训练样本的特征向量集，j∈[1,T]，T为训练样本的数目；

(6)计算第i个测试样本的特征点坐标集U_i与所有训练样本的特征点坐标集合V之间的Hausdorff距离，得到坐标距离集合：P＝[p₁,…,p_j,…,p_T]，其中p_j为测试样本的特征点坐标集U_i到第j个训练样本的特征点坐标集V_j的Hausdorff距离；

(7)计算该测试样本的SAR-SIFT特征向量集E_i与所有训练样本的SAR-SIFT特征向量集合H之间的Hausdorff距离，得到向量距离集合：Q＝[q₁,…,q_j,…,q_T]，其中q_j为测试样本的特征向量集E_i到第j个训练样本的特征向量集H_j的Hausdorff距离；

(8)将坐标距离集合P和向量距离集合Q联合，得到联合距离集合：Z＝Q+10*P，将Z中的最小项q_j+10*p_j对应的训练样本类别作为对测试样本的识别结果，其中j∈[1,T]，T为训练样本的数目；

(9)将所有测试样本按(6)～(8)重复计算，统计所有测试样本的识别结果。

2.根据权利要求1所述方法，其中步骤3c)中根据水平梯度图像G_x,α和垂直梯度图像G_y,α，得到联合图像Rs，按如下步骤进行：

3c1)根据水平梯度图像G_x,α和垂直梯度图像G_y,α，得到第p个像素点的矩阵

$C_{SH}^p=g_{\sqrt{2}\·\mathrm{\α}}*\left[\begin{array}{cc}{\left(G_{x,\mathrm{\α}}^p\right)}^2& \left(G_{x,\mathrm{\α}}^p\right)\·\left(G_{y,\mathrm{\α}}^p\right)\\ \left(G_{x,\mathrm{\α}}^p\right)\·\left(G_{y,\mathrm{\α}}^p\right)& {\left(G_{y,\mathrm{\α}}^p\right)}^2\end{array}\right]$

其中，是标准差为的高斯函数，为水平梯度图像G_x,α中第p个像素点的幅度值，为垂直梯度图像G_y,α中第p个像素点的幅度值，α为尺度因子；

3c2)根据矩阵得到联合图像Rs中第p个像素点的幅度值：

${\mathrm{Rs}}^p=\det \left(C_{SH}^p\right)-d\·tr{\left(C_{SH}^p\right)}^2$

其中，det(·)为矩阵的行列式，tr(·)为矩阵的迹，Rs^p为联合图像Rs中第p个像素点的幅度值，d为任意实数值；

3c3)对每一个像素点按步骤4b)～4c)计算，得到联合图像Rs，联合图像Rs的大小为M×N。

3.根据权利要求1所述方法，其中步骤3d)中根据联合图像Rs和二值分割图像I_seg，得到配准图像I的角点集C，按如下步骤进行：

3d1)在联合图像Rs上设置一个全局的像素阈值d_SH，将联合图像Rs中每个点的像素值分别与它对应的8邻域内点的像素值和像素阈值d_SH进行比较，若一个点的像素值比它8邻域内点的像素值和像素阈值d_SH都大，则将该点作为候选的角点；

3d2)用落在二值分割图像I_seg中目标区域上的所有候选角点，构成配准图像I的角点集C。

4.根据权利要求1所述方法，其中步骤4a)中利用梯度幅度图像Gm和梯度方向图像Go，计算特征点的主方向O°∈[-π,π]，按如下步骤进行：

4a1)在梯度方向图像Go上，以一个特征点为圆心，做半径为r'＝6*α的圆，其中，α为尺度因子；

4a2)将-π～π等分为12份，得到角度区间Sr＝[s₁,…,s_l,…,s₁₂]，判断4a1)中圆内一个点(x,y)的梯度方向值W是否属于区间s_l，若W属于区间s_l，则将该点(x,y)的梯度幅度值F加在区间s_l上，其中s_l为角度区间Sr上的第l个子区间，l∈[1,12]，W为点(x,y)在梯度方向图像Go上的幅度值，F为点(x,y)在梯度幅度图像Gm上的幅度值；

重复统计算圆内的所有点，得到一个梯度方向直方图；

4a3)根据梯度方向直方图，将直方图峰值的中心方向角度作为该特征点的主方向O°。

5.根据权利要求1所述方法，其中步骤4b)中所述的利用梯度幅度图像Gm、梯度方向图像Go和特征描述子，计算特征点的SAR-SIFT特征向量，按如下步骤进行：

4b1)以特征点为圆心，得到半径为r＝8*α，r₁＝0.25*r，r₂＝0.75*r的同心圆，在同心圆中形成两个环形区域，将每个环形区域以特征点的主方向O°为参考等分为4个连续的子区域，则两个环形区域的8个子区间与半径为r₁的内圆将此同心圆划分为9个子区域，得到特征描述子；

4b2)利用梯度幅度图像Gm和梯度方向图像Go，计算特征描述子中每个子区域的梯度方向直方图，每个区域的梯度方向直方图是由区域内所有点的梯度幅度乘以其对应的3维权重在等分区间Sr上累加求和得到，每个点的3维权重分别是：

在半径维度上的权重：其中，ρ为区域内任一点到特征点的距离，R_i为半径向量R中第一个大于ρ的值，R＝[R₁,R₂]，R₁＝0.5*r，R₂＝r，i＝1,2；

在角度维度上的权重，其中，μ为区域内任一点与特征点相对于水平方向的夹角，ψ_j为角度向量ψ中第一个大于θ的值，角度向量ψ由等分环形区域的四个边界角度构成，ψ＝[ψ₁,ψ₂,ψ₃,ψ₄]，ψ₁＝O°-45°，ψ₂＝O°+45°，ψ₃＝O°+135°，ψ₄＝O°+225°，j＝1,2,3,4；

在梯度方向上的权重：其中，γ为特征点主方向O°与区域内任一点在梯度方向图像Go上的值W之差，即γ＝O°-W，δ_k为方向向量δ中第一个比γ大的值，δ＝[δ₁,…,δ_k,…,δ₁₂]，k∈[1,12]，方向向量δ是由角度区间Sr的每个子区间对应的中心角度构成；

4b3)将每个区域内的所有像素点的梯度幅度Gm乘以各自的3维权重后在等分区间Sr上累加求和，得到每个区域的12维梯度方向直方图，再将9个子区域的梯度方向直方图拼接生成108维的向量，并通过向量模值归一化向量得到108维的特征向量。

6.根据权利要求1所述方法，其中步骤6)中第i个测试样本的特征点坐标集U_i到第j个训练样本的特征点坐标集V_j的Hausdorff距离，按如下公式进行：

p_j＝max(d_LST(U_i,V_j),d_LST(V_j,U_i))

其中，表示坐标集中的点到坐标集V_j的距离的平均值，λ∈(0,1)，表示取整，s∈[1,k]，k为坐标集U_i中的特征点数目，表示坐标集U_i中的第s个坐标点到坐标集V_j中每一个点v的距离中的最小值，表示坐标集U_i中的所有点到坐标集V_j的距离按由小到大排序后的有序序列中的第n个值，n∈[1,L]；

表示坐标集中的点到坐标集U_i的距离的平均值，λ∈(0,1)，表示取整，c∈[1,b]，b为坐标集V_j中的特征点数目，表示坐标集V_j中的坐标点到坐标集U_i中每一个点u的距离中的最小值，表示坐标集V_j中的所有点到坐标集U_i的距离按由小到大排序后的有序序列中的第t个值，t∈[1,A]。

7.根据权利要求1所述方法，其中步骤7)第i个测试样本的特征向量集E_i到第j个训练样本的特征向量集H_j的Hausdorff距离，按如下公式进行：

q_j＝max(d_LST(E_i,H_j),d_LST(H_j,E_i))

其中，表示向量集中的点到向量集H_j的距离的平均值，表示向量集E_i中的向量到向量集H_i中每一个向量h的最小距离，表示向量集E_i中的所有点到向量集H_i的距离按由小到大排序后的有序序列中的第n个值，n∈[1,L]；

表示向量集中的点到向量集E_i的距离的平均值，表示向量集H_i中的向量到向量集E_i中每一个向量e的最小距离，表示向量集H_i中的所有点到向量集E_i的距离按由小到大排序后的有序序列中的第t个值，t∈[1,A]。