CN108629382A - 一种群智优化sar雷达海上舰船目标识别系统 - Google Patents

Abstract

本发明公开了一种群智优化SAR雷达海上舰船目标识别系统，包括SAR雷达、数据库以及上位机；SAR雷达、数据库、上位机依次相连，所述SAR雷达对海域进行实时监测，并将SAR雷达获得的图像数据存储到所述的数据库中，所述的上位机包括图像预处理模块、特征提取模块、特征选择模块、分类器训练模块、群智优化模块以及结果显示模块。本发明提供一种实现在线识别、精度高的海上舰船目标识别系统。

Description

一种群智优化SAR雷达海上舰船目标识别系统

技术领域

本发明涉及雷达数据处理领域，特别地，涉及一种群智优化SAR雷达海上舰船目标识别系统。

背景技术

近年来，利用SAR图像进行海洋目标检测与监视的研究在海洋遥感领域得到高度重视，成为SAR数据最重要的海洋应用之一。目前国际上已经发展了众多的星载SAR、机载SAR，获得了越来越多的SAR图像数据。当海量的SAR图像用于海洋目标检测时，为及时有效地发现和提取目标信息，需要开展自动检测算法及检测系统方面的研究。利用SAR的遥感观测范围广、观测周期短、数据时效强、空间分辨率高、全天候和全天时等优点，针对SAR图像进行舰船的检测、监视，分析舰船的位置、面积、航向及航速等重要参数，是在不同气象条件下监测海洋目标的自动化手段。其中基于SAR图像的舰船目标检测已经有了广泛的研究，而舰船目标分类识别由于SAR图像分辨率的限制才刚刚起步，已有的一些研究成果也由于研究不够透彻，模型的效果并不是很好。因此，积极开展基于高分辨率SAR图像的舰船目标分类识别研究具有极其重大的意义。

发明内容

为了克服目前基于SAR图像的海上舰船目标识别准确率不高的不足，本发明的目的在于提供一种实现实时分析的群智优化SAR雷达海上舰船目标识别系统。

本发明解决其技术问题所采用的技术方案是：一种群智优化SAR雷达海上舰船目标识别系统，包括SAR雷达、数据库以及上位机，SAR雷达、数据库和上位机依次相连，所述SAR雷达对海域进行实时监测，并将SAR雷达获得的图像数据存储到所述的数据库中，所述的上位机包括：

图像预处理模块，用以进行SAR雷达图像数据预处理，采用如下过程完成：

1)从数据库中传来的SAR图像灰度级为L,f(x₀,y₀)为像素点(x₀,y₀)处的灰度值，g(x₀,y₀)为像素点(x₀,y₀)的N×N邻域内像素的平均值，其中x₀,y₀分别表示像素点的横坐标和纵坐标；

2)通过计算满足f＝m和g＝n的像素数目h(m,n)，得到二维联合概率密度p_mn：

p_mn＝p(m,n)＝h(m,n)/M

其中，M表示图像像素的总数目；

3)计算二维直方图的均值向量μ：

4)分别计算图像中目标和背景出现的概率P_0,1和均值向量μ_0,1：

其中，t、s、下标0、下标1分别表示f分割阈值、g分割阈值、目标区域、背景区域；

5)计算类间方差BCV：

BCV＝P₀(μ₀-μ)(μ₀-μ)′+P₁(μ₁-μ)(μ₁-μ)′；

其中，μ表示均值向量，上标’表示矩阵的转置。

6)最佳阈值即为使得BCV为最大值时的二维阈值向量[s₀,t₀]：

特征提取模块，用以进行舰船典型特征的提取，采用如下过程完成：

1)从图像预处理模块传来的只包含一个舰船目标的SAR图像切片I(m,n)，其中只包含目标区域的二值图为B(m,n)，则只包含目标的图像T(m,n)：

T(m,n)＝I(m,n)×B(m,n)

其中，×表示对应像素相乘；

2)在B(m,n)中根据舰船个体的主轴方向求得舰船主体区域的最小外接矩形，则该矩形的长边长度Length即为舰船个体的长度，矩形的短边长度Width即为舰船个体的宽度；

3)计算得到几何结构特征，其中包括周长、面积、长宽比、形状复杂度、目标质心位置以及转动惯量：

周长面积长宽比R＝Length/Width；形状复杂度C＝Length²/4πS；目标区域的质心位置

转动惯量式中，r代表了目标像素点与质心之间的距离，

4)计算得到灰度统计特征，其中包括质量、均值、方差系数、标准差、分形维数、加权填充比：

质量均值方差系数标准差式中分别表示灰度对数和、灰度对数平方和；分形维数H＝(log₁₀N₁-log₁₀N₂)/(log₁₀d₁-log₁₀d₂)，该特征的计算方法是：用分割后的SAR图像切片构建一个保留了目标区域的K(这里取K＝50)个最亮像素点的二值图B₂(m,n)，首先将一个大小为d₁×d₂的窗口在这个二值图中连续滑动，记下窗口中包含亮点的窗口总数记为N₁，接着再用一个大小为d₂×d₂的窗口在这个二值图中连续滑动，记下在窗口中包含亮点的窗口总数记为N₂；加权填充比

特征选择模块，用以选择出最优特征子集，采用如下过程完成：

1)计算类内距离类间距离以及类内类间距J_i:

其中，i表示特征标号，ω表示舰船类别的标号，表示特征向量的2范数，表示训练集样本的总体均值，N_ω表示第ω类舰船的数量，N表示训练集中舰船总数，E表示期望，下标W、下标B分别表示类内、类间。

2)计算得到归一化方差系数

其中，i表示特征标号，ω表示舰船类别的标号，表示特征向量的2范数，和分别表示特征的平方均值以及均值的平方。特征的方差系数越小，表明该目标特征的稳定性越好；

3)计算得到相关系数r_i,j：

其中，i,j表示特征标号，||F_i||₂表示特征F_i的2范数，和分别表示F_i和F_j的均值，σ_i,i和σ_j,j分别表示F_i和F_j的标准差。由相关系数的性质可知，0≤r_i,j≤1；如果两个特征完全不相关，r_i,j＝0；如果两个特征完全相关，r_i,j＝1；如果两个特征之间的相关性很低，即特征之间的信息冗余非常少，那么r_i,j就会越接近0；反之，如果两个特征之间的相关性很高，即特征之间的信息冗余非常多，那么r_i,j就会越接近1；

4)通过上述得到的类内类间距、归一化方差系数、相关系数筛选出最优特征子集，构造最优输入特征向量；

分类器训练模块，用以进行分类器训练，采用如下过程完成：

5)从特征选择模块中采集N个SAR雷达图像x_i作为训练样本，i＝1,2,…,N；

6)对训练样本进行归一化处理，得到归一化样本

7)将归一化后的训练样本重构，分别得到输入矩阵X和对应的输出矩阵Y:

其中，D表示重构维数，D为自然数，且D<N,D的取值范围为50-70；

8)将得到的X,Y代入如下线性方程：

其中表示权重对角矩阵，K＝exp(-||x_i-x_j||/θ²)表示核函数_，γ表示惩罚系数；权重因子v_i由下式计算：

其中是误差变量ξ_i标准差的估计，c₁，c₂为常量；

求解得待估计函数f(x)：

其中，M是支持向量的数目，上标’表示矩阵的转置，是拉格朗日乘子，b^*是偏置量，K＝exp(-||x_i-x_j||/θ²)是核函数，其中i＝1,…,M,j＝1,…,M,和exp(-||x-x_i||/θ²)均为支持向量机的核函数，θ是核参数，x表示输入变量，γ是惩罚系数；

群智优化模块，用以采用基于群智能算法的优化模块对分类器的核参数θ和惩罚因子γ进行优化，采用如下过程完成：

1)算法初始化，根据待优化的分类器形式构造出初始的解集S＝(s₁,s₂,…,s_n)，确定蚁群的大小m，设置蚁群寻优算法迭代次数的阈值MaxGen并初始化蚁群寻优的迭代次数序号gen＝0；

2)计算出解集S对应的适应度值Fit_i(i＝1,2,…,n)，适应度值越大代表解越好；再根据下式确定解集中每个解被取到作为蚂蚁寻优的初始解的概率P_i(i＝1,2,…,n)

初始化执行寻优算法的蚂蚁编号i＝0；

3)蚂蚁i选取S中的一个解作为寻优的初始解，选取规则是根据P来做轮盘选；

4)蚂蚁i在选取的初始解的基础上进行寻优，找到更好的解s_i′；

5)如果i<m，则i＝i+1，返回步骤3)；否则继续向下执行步骤6)；

6)如果gen<MaxGen，则gen＝gen+1,使用步骤4)中所有蚂蚁得到的最好的解取代S中的对应解，返回步骤2)；否则向下执行步骤7)；

7)计算出解集S对应的适应度值Fit_i(i＝1,2,…,n)，选取适应度值最大的解作为算法的最优解，结束算法并返回。

结果显示模块，用以进行识别结果的显示，即将输入SAR图像中舰船的类型显示在屏幕当中。

本发明的技术构思为：本发明针对SAR雷达全天时、全天候工作以及强穿透的特性，对SAR雷达监测到的海洋图像进行图像预处理，接着进行特征的提取以及特征的选择，最后通过分类器的训练过程建立海洋舰船目标识别模型，从而实现SAR雷达海上舰船目标的识别。

本发明的有益效果主要表现在：1、可实时识别海上舰船目标；2、所用的识别方法只需较少的训练样本；3、智能化、受人为因素干扰小。

附图说明

图1是本发明所提出的系统的整体结构图；

图2是本发明所提出的上位机的功能模块图。

具体实施方式

下面根据附图具体说明本发明。上述实施例用来解释说明本发明，而不是对本发明进行限制，在本发明的精神和权利要求的保护范围内，对本发明作出的任何修改和改变，都落入本发明的保护范围。

实施例

参照图1、图2，一种群智优化SAR雷达海上舰船目标识别系统，包括SAR雷达1、数据库2及上位机3，SAR雷达1、数据库2和上位机3依次相连，所述SAR雷达1对所监测海域进行照射，并将SAR雷达图像存储到所述的数据库2，所述的上位机3包括：

图像预处理模块4，用以进行SAR雷达图像数据预处理，采用如下过程完成：

1)从数据库中传来的SAR图像灰度级为L,f(x₀,y₀)为像素点(x₀,y₀)处的灰度值，g(x₀,y₀)为像素点(x₀,y₀)的N×N邻域内像素的平均值，其中x₀,y₀分别表示像素点的横坐标和纵坐标；

2)通过计算满足f＝m和g＝n的像素数目h(m,n)，得到二维联合概率密度p_mn：

p_mn＝p(m,n)＝h(m,n)/M

其中，M表示图像像素的总数目；

3)计算二维直方图的均值向量μ：

4)分别计算图像中目标和背景出现的概率P_0,1和均值向量μ_0,1：

其中，t、s、下标0、下标1分别表示f分割阈值、g分割阈值、目标区域、背景区域；

5)计算类间方差BCV：

BCV＝P₀(μ₀-μ)(μ₀-μ)′+P₁(μ₁-μ)(μ₁-μ)′；

其中，μ表示均值向量，上标’表示矩阵的转置。

6)最佳阈值即为使得BCV为最大值时的二维阈值向量[s₀,t₀]：

特征提取模块5，用以进行舰船典型特征的提取，采用如下过程完成：

1)从图像预处理模块传来的只包含一个舰船目标的SAR图像切片I(m,n)，其中只包含目标区域的二值图为B(m,n)，则只包含目标的图像T(m,n)：

T(m,n)＝I(m,n)×B(m,n)

其中，×表示对应像素相乘；

2)在B(m,n)中根据舰船个体的主轴方向求得舰船主体区域的最小外接矩形，则该矩形的长边长度Length即为舰船个体的长度，矩形的短边长度Width即为舰船个体的宽度；

3)计算得到几何结构特征，其中包括周长、面积、长宽比、形状复杂度、目标质心位置以及转动惯量：

周长面积长宽比R＝Length/Width；形状复杂度C＝Length²/4πS；目标区域的质心位置

转动惯量式中，r代表了目标像素点与质心之间的距离，

4)计算得到灰度统计特征，其中包括质量、均值、方差系数、标准差、分形维数、加权填充比：

质量均值方差系数标准差式中分别表示灰度对数和、灰度对数平方和；分形维数H＝(log₁₀N₁-log₁₀N₂)/(log₁₀d₁-log₁₀d₂)，该特征的计算方法是：用分割后的SAR图像切片构建一个保留了目标区域的K(这里取K＝50)个最亮像素点的二值图B₂(m,n)，首先将一个大小为d₁×d₂的窗口在这个二值图中连续滑动，记下窗口中包含亮点的窗口总数记为N₁，接着再用一个大小为d₂×d₂的窗口在这个二值图中连续滑动，记下在窗口中包含亮点的窗口总数记为N₂；加权填充比

特征选择模块6，用以选择出最优特征子集，采用如下过程完成：

1)计算类内距离类间距离以及类内类间距J_i:

其中，i表示特征标号，ω表示舰船类别的标号，表示特征向量的2范数，表示训练集样本的总体均值，N_ω表示第ω类舰船的数量，N表示训练集中舰船总数，E表示期望，下标W、下标B分别表示类内、类间。

2)计算得到归一化方差系数

其中，i表示特征标号，ω表示舰船类别的标号，表示特征向量的2范数，

和分别表示特征的平方均值以及均值的平方。特征的方差系数越小，表明该目标特征的稳定性越好；

3)计算得到相关系数r_i,j：

其中，i,j表示特征标号，||F_i||₂表示特征F_i的2范数，和分别表示F_i和F_j的均值，σ_i,i和σ_j,j分别表示F_i和F_j的标准差。由相关系数的性质可知，0≤r_i,j≤1；如果两个特征完全不相关，r_i,j＝0；如果两个特征完全相关，r_i,j＝1；如果两个特征之间的相关性很低，即特征之间的信息冗余非常少，那么r_i,j就会越接近0；反之，如果两个特征之间的相关性很高，即特征之间的信息冗余非常多，那么r_i,j就会越接近1；

4)通过上述得到的类内类间距、归一化方差系数、相关系数筛选出最优特征子集，构造最优输入特征向量；

分类器训练模块7，用以进行分类器训练，采用如下过程完成：

1)从特征选择模块中采集N个SAR雷达图像x_i作为训练样本，i＝1,2,…,N；

2)对训练样本进行归一化处理，得到归一化样本

3)将归一化后的训练样本重构，分别得到输入矩阵X和对应的输出矩阵Y:

其中，D表示重构维数，D为自然数，且D<N,D的取值范围为50-70；

4)将得到的X,Y代入如下线性方程：

其中表示权重对角矩阵，K＝exp(-||x_i-x_j||/θ²)表示核函数，γ表示惩罚系数；权重因子v_i由下式计算：

其中是误差变量ξ_i标准差的估计，c₁，c₂为常量；

求解得待估计函数f(x)：

其中，M是支持向量的数目，1_v＝[1,…,1]′,上标’表示矩阵的转置，是拉格朗日乘子，b^*是偏置量，K＝exp(-||x_i-x_j||/θ²)是核函数，其中i＝1,…,M,j＝1,…,M,和exp(-||x-x_i||/θ²)均为支持向量机的核函数，θ是核参数，x表示输入变量，γ是惩罚系数；

群智优化模块9，用以采用基于群智能算法的优化模块对分类器的核参数θ和惩罚因子γ进行优化，采用如下过程完成：

1)算法初始化，根据待优化的分类器形式构造出初始的解集S＝(s₁,s₂,…,s_n)，确定蚁群的大小m，设置蚁群寻优算法迭代次数的阈值MaxGen并初始化蚁群寻优的迭代次数序号gen＝0；

2)计算出解集S对应的适应度值Fit_i(i＝1,2,…,n)，适应度值越大代表解越好；再根据下式确定解集中每个解被取到作为蚂蚁寻优的初始解的概率P_i(i＝1,2,…,n)

初始化执行寻优算法的蚂蚁编号i＝0；

3)蚂蚁i选取S中的一个解作为寻优的初始解，选取规则是根据P来做轮盘选；

4)蚂蚁i在选取的初始解的基础上进行寻优，找到更好的解s_i′；

5)如果i<m，则i＝i+1，返回步骤3)；否则继续向下执行步骤6)；

6)如果gen<MaxGen，则gen＝gen+1,使用步骤4)中所有蚂蚁得到的最好的解取代S中的对应解，返回步骤2)；否则向下执行步骤7)；

7)计算出解集S对应的适应度值Fit_i(i＝1,2,…,n)，选取适应度值最大的解作为算法的最优解，结束算法并返回。

结果显示模块8，用以进行识别结果的显示，即将输入SAR图像中舰船的类型显示在上位机当中。

所述上位机3的硬件部分包括：I/O元件，用于数据的采集和信息的传递；数据存储器，存储运行所需要的数据样本和运行参数等；程序存储器，存储实现功能模块的软件程序；运算器，执行程序，实现指定的功能；显示模块，显示设置的参数和识别结果。

上述实施例用来解释说明本发明，而不是对本发明进行限制，在本发明的精神和权利要求的保护范围内，对本发明作出的任何修改和改变，都落入本发明的保护范围。

Claims (5)

1.一种群智优化SAR雷达海上舰船目标识别系统，其特征在于：包括SAR雷达、数据库以及上位机，SAR雷达、数据库和上位机依次相连，所述SAR雷达对海域进行实时监测，并将SAR雷达获得的图像数据存储到所述的数据库中，所述的上位机包括图像预处理模块、特征提取模块、分类器训练模块、分类器训练模块、群智优化模块和结果显示模块，所述图像预处理模块、特征提取模块、分类器训练模块、分类器训练模块和结果显示模块依次相连，分类器训练模块与群智优化模块相连。

2.根据权利要求1所述群智优化SAR雷达海上舰船目标识别系统，其特征在于：所述图像预处理模块用以进行SAR雷达图像数据预处理，采用如下过程完成：

1)从数据库中传来的SAR图像灰度级为L,f(x₀,y₀)为像素点(x₀,y₀)处的灰度值，g(x₀,y₀)为像素点(x₀,y₀)的N×N邻域内像素的平均值，其中x₀,y₀分别表示像素点的横坐标和纵坐标；

2)通过计算满足f＝m和g＝n的像素数目h(m,n)，得到二维联合概率密度p_mn：

p_mn＝p(m,n)＝h(m,n)/M

其中，M表示图像像素的总数目；

3)计算二维直方图的均值向量μ：

4)分别计算图像中目标和背景出现的概率P_0,1和均值向量μ_0,1：

其中，t、s、下标0、下标1分别表示f分割阈值、g分割阈值、目标区域、背景区域；

5)计算类间方差BCV：

BCV＝P₀(μ₀-μ)(μ₀-μ)′+P₁(μ₁-μ)(μ₁-μ)′；

其中，μ表示均值向量，上标’表示矩阵的转置。

6)最佳阈值即为使得BCV为最大值时的二维阈值向量[s₀,t₀]：

3.根据权利要求1所述群智优化SAR雷达海上舰船目标识别系统，其特征在于：所述特征提取模块，用以进行舰船典型特征的提取，采用如下过程完成：

1)从图像预处理模块传来的只包含一个舰船目标的SAR图像切片I(m,n)，其中只包含目标区域的二值图为B(m,n)，则只包含目标的图像T(m,n)：

T(m,n)＝I(m,n)×B(m,n)

其中，×表示对应像素相乘；

2)在B(m,n)中根据舰船个体的主轴方向求得舰船主体区域的最小外接矩形，则该矩形的长边长度Length即为舰船个体的长度，矩形的短边长度Width即为舰船个体的宽度；

3)计算得到几何结构特征，其中包括周长、面积、长宽比、形状复杂度、目标质心位置以及转动惯量：

周长面积长宽比R＝Length/Width；形状复杂度C＝Length²/4πS；目标区域的质心位置

转动惯量式中，r代表了目标像素点与质心之间的距离，

4)计算得到灰度统计特征，其中包括质量、均值、方差系数、标准差、分形维数、加权填充比：

质量均值方差系数标准差式中分别表示灰度对数和、灰度对数平方和；分形维数H＝(log₁₀N₁-log₁₀N₂)/(log₁₀d₁-log₁₀d₂)，该特征的计算方法是：用分割后的SAR图像切片构建一个保留了目标区域的K(这里取K＝50)个最亮像素点的二值图B₂(m,n)，首先将一个大小为d₁×d₂的窗口在这个二值图中连续滑动，记下窗口中包含亮点的窗口总数记为N₁，接着再用一个大小为d₂×d₂的窗口在这个二值图中连续滑动，记下在窗口中包含亮点的窗口总数记为N₂；加权填充比

4.根据权利要求1所述群智优化SAR雷达海上舰船目标识别系统，其特征在于：所述特征选择模块，用以选择出最优特征子集，采用如下过程完成：

1)计算类内距离类间距离以及类内类间距J_i:

其中，i表示特征标号，ω表示舰船类别的标号，||F_i ^(ω)||₂表示特征向量F_i ^(ω)的2范数，表示训练集样本的总体均值，N_ω表示第ω类舰船的数量，N表示训练集中舰船总数，E表示期望，下标W、下标B分别表示类内、类间。

2)计算得到归一化方差系数ρ_i ^(ω)：

ρ_i ^(ω)＝E[||F_i ^(ω)||₂ ²]-E²[||F_i ^(ω)||₂]/E[||F_i ^(ω)||₂ ²]

其中，i表示特征标号，ω表示舰船类别的标号，||F_i ^(ω)||₂表示特征向量F_i ^(ω)的2范数，E[||F_i ^(ω)||₂ ²]和E²[||F_i ^(ω)||₂]分别表示特征的平方均值以及均值的平方。特征的方差系数ρ_i ^(ω)越小，表明该目标特征的稳定性越好；

3)计算得到相关系数r_i,j：

其中，i,j表示特征标号，||F_i||₂表示特征F_i的2范数，和分别表示F_i和F_j的均值，σ_i,i和σ_j,j分别表示F_i和F_j的标准差。由相关系数的性质可知，0≤r_i,j≤1；如果两个特征完全不相关，r_i,j＝0；如果两个特征完全相关，r_i,j＝1；如果两个特征之间的相关性很低，即特征之间的信息冗余非常少，那么r_i,j就会越接近0；反之，如果两个特征之间的相关性很高，即特征之间的信息冗余非常多，那么r_i,j就会越接近1；

4)通过上述得到的类内类间距、归一化方差系数、相关系数筛选出最优特征子集，构造最优输入特征向量。

5.根据权利要求1所述群智优化SAR雷达海上舰船目标识别系统，其特征在于：所述分类器训练模块，用以进行分类器训练，采用如下过程完成：

1)从特征选择模块中采集N个SAR雷达图像x_i作为训练样本，i＝1,2,…,N；

2)对训练样本进行归一化处理，得到归一化样本

3)将归一化后的训练样本重构，分别得到输入矩阵X和对应的输出矩阵Y:

其中，D表示重构维数，D为自然数，且D<N,D的取值范围为50-70；

4)将得到的X,Y代入如下线性方程：

其中表示权重对角矩阵，K＝exp(-||x_i-x_j||/θ²)表示核函数，γ表示惩罚系数；权重因子v_i由下式计算：

其中是误差变量ξ_i标准差的估计，c₁，c₂为常量；

求解得待估计函数f(x)：

其中，M是支持向量的数目，1_v＝[1,…,1]′,上标’表示矩阵的转置，是拉格朗日乘子，b^*是偏置量，K＝exp(-||x_i-x_j||/θ²)是核函数，其中i＝1,…,M,j＝1,…,M,和exp(-||x-x_i||/θ²)均为支持向量机的核函数，θ是核参数，x表示输入变量，γ是惩罚系数；

所述群智优化模块用以采用基于群智能算法的优化模块对分类器的核参数θ和惩罚因子γ进行优化，采用如下过程完成：

1)算法初始化，根据待优化的分类器形式构造出初始的解集S＝(s₁,s₂,…,s_n)，确定蚁群的大小m，设置蚁群寻优算法迭代次数的阈值MaxGen并初始化蚁群寻优的迭代次数序号gen＝0；

2)计算出解集S对应的适应度值F_i(i＝1,2,…,n)，适应度值越大代表解越好；再根据下式确定解集中每个解被取到作为蚂蚁寻优的初始解的概率P_i(i＝1,2,…,n)

初始化执行寻优算法的蚂蚁编号i＝0；

3)蚂蚁i选取S中的一个解作为寻优的初始解，选取规则是根据P来做轮盘选；

4)蚂蚁i在选取的初始解的基础上进行寻优，找到更好的解s′_i；

5)如果i<m，则i＝i+1，返回步骤3)；否则继续向下执行步骤6)；

6)如果gen<MaxGen，则gen＝gen+1,使用步骤4)中所有蚂蚁得到的最好的解取代S中的对应解，返回步骤2)；否则向下执行步骤7)；

7)计算出解集S对应的适应度值F_i(i＝1,2,…,n)，选取适应度值最大的解作为算法的最优解，结束算法并返回。

所述结果显示模块用以进行识别结果的显示，即将输入SAR图像中舰船的类型显示在屏幕当中。