CN110321847A - 一种基于极端决策树的sar图像目标识别方法 - Google Patents

Abstract

本发明应用于合成孔径雷达(Synthetic Aperture Radar,SAR)自动目标识别领域，特别涉及一种SAR目标识别的分类器设计，具体为一种基于极端决策树的SAR图像目标识别方法。本发明首先对SAR图像经过归一化及向量化预处理，然后使用全局特征提取算法主成分分析(PCA)实现维数约简，将维数约减后的SAR数据经过极端决策树的极端随机方法，提取SAR图像的表征特征，形成极端决策森林，最终完成SAR目标识别。本发明通过极端决策树构成的极端决策森林，有效解决了传统算法的多步骤匹配问题，能够利用随机特性提取版别性较强的特征，利用交叉验证的方法确认最优参数，保证对于不同数据集均能实现较高的识别水平。

Description

一种基于极端决策树的SAR图像目标识别方法

技术领域

本发明应用于合成孔径雷达(Synthetic Aperture Radar,SAR)自动目标识别领域，特别涉及一种SAR目标识别的分类器设计，具体为一种基于极端决策树的SAR图像目标识别方法。

背景技术

由于SAR高分辨、全天时全天候、穿透性强等工作特点，其已成功应用到环境监测，民用管理及国防安全监控等诸多方面，而SAR自动目标识别一直以来是SAR中的研究热点之一。传统的SAR目标识别包括目标检测、鉴别、识别三步操作，目标识别是SAR自动目标识别中的研究重点，而其中的特征提取和分类器设计在SAR自动目标识别尤为重要。目前多数SAR目标识别方法集中在特征提取方法或者分类器设计的单方面研究，因此有些鉴别特征并不一定能得到更好的分类性能。

发明内容

本发明的目的在于针对上述SAR目标识别框架非最优问题，提出一种基于极端决策树的SAR图像目标识别方法，其中，极端决策树(Extra Decision Tree)是一种将特征提取与目标分类模型集成的算法，能够将原始SAR图像经过极端决策树的分层特征提取后形成分类路径，构成一个多棵树构成的森林结构；有效解决了传统算法的多步骤匹配问题，仅需单一算法便能够解决特征提取和分类识别两个重要步骤。

为实现上述目的，本发明采用的技术方案为：

一种基于极端决策树的SAR图像目标识别方法，包括以下步骤：

步骤1：对所有原始SAR图像做向量化、归一化处理，得到训练数据集；

假设SAR的图像大小为a×b，对图像做向量化处理可得到(a×b)的列向量；并做归一化处理，将原始SAR图像数据中每一维特征归一化，映射为0-1的数据值；

步骤2：对训练数据集进行全局特征提取(PCA)，得到降维数据集；用于加速运算；

步骤3：全局特征提取后的数据，经过极端决策树的特征提取，形成分类路径；

具体的极端决策树建树步骤为：

步骤3.1：将降维数据集中所有特征作为单棵极端决策树的输入，特征分裂使用随机分裂的方式，构建单棵极端决策树；

步骤3.2：重复步骤3.1，构建预设数量的单棵极端决策树，形成极端决策森林；其中，包含多棵极端决策树，每一棵树中包含对应的类别信息和形成的类别路径；

步骤3.3：K-折交叉验证，从训练数据集中取出一定比例的样本作为测试样本，多次学习得到最优参数；

步骤4：使用极端决策森林对待测样本完成分类识别，实现高精度的SAR目标识别。

需要说明的是，所述步骤2中，具体的做法是：全局特征提取，根据数据集的不同，匹配最优的维度保留数，图像的大小也影响着参数的选择；PCA降维的维数和图像大小需要按照数据集变化而动态变化；这样做的有益效果是：减少信息的丢失和避免信息的冗余，动态的参数将能够保证，进入决策树的数据特征是已经经过准确筛选的数据，极端决策树在随机选择特征的过程中能够选择判断能力较高的特征；

所述步骤3.1中，单棵决策树形成的一个分层的SAR图像数据集，第一层仅仅含有一个特征分类点，第二层包含两个特征点，随着层数的增加，逐渐的节点开始表示为类别信息，全部数据集都进入极端决策树，保证树的深度，当树深增加时，容易出现过拟合，结合随机选择特征有效的避免了树深带来的困扰。这样做的有益效果是：从方差偏差平衡机角度分析，随机选择特征使得偏差增大，正好弥补了采用全部数据集的过拟合问题，使得极端决策树在数据集偏差方差影响力不一致的情况下，对数据集的学习能力优于随机森林和其他方法，同样模型的泛化能力也表现更好；

所述步骤3.3中，K折交叉验证来确认参数，K代表份数，取其中K-1用于训练，剩余的一份用于测试，K次变化测试集，这样做的有益效果是：对于极端决策树引入交叉验证，能够避免随机选择特征带来的随机性，能够得到表现最优的参数集合。

综上，本发明的有益效果在于：通过极端决策树构成的极端决策森林，有效解决了传统算法的多步骤匹配问题，能够利用随机特性提取版别性较强的特征，利用交叉验证的方法确认最优参数，保证对于不同数据集均能实现较高的识别水平。

附图说明

图1本发明一种基于极端决策树的SAR图像目标识别方法流程图；

图2本发明实施例中极端决策树的特征分裂策略。

具体实施方式

以下将针对本文的发明内容的实施方法进行详细阐述，以便于更好地体现出本发明的技术要点。

本发明是一种基于极端决策树的SAR图像识别方法，其流程如图1所示，首先对SAR图像经过归一化及向量化预处理，然后使用全局特征提取算法主成分分析(PrincipalCompone nt Analysis，PCA)实现维数约简，将维数约减后的SAR数据经过极端决策树的极端随机方法，提取SAR图像的表征特征，形成极端决策森林，最终完成SAR目标识别。

具体步骤为：

步骤1：对所有原始SAR图像做向量化、归一化处理，得到训练数据集；

假设SAR的图像大小为a×b，对图像做向量化处理可得到(a×b)的列向量；并做归一化处理，将原始SAR图像数据中每一维特征归一化，映射为0-1的数据值；

步骤2：对训练数据集进行全局特征提取(PCA)，得到降维数据集；用于加速运算；

步骤3：全局特征提取后的数据，经过极端决策树的特征提取，形成分类路径；

具体的极端决策树建树步骤为：

步骤3.1：将降维数据集中所有特征作为单棵极端决策树的输入，特征分裂使用随机分裂的方式，构建单棵极端决策树；

步骤3.2：重复步骤3.1，构建预设数量的单棵极端决策树，形成极端决策森林；其中，包含多棵极端决策树，每一棵树中包含对应的类别信息和形成的类别路径；

步骤3.3：K-折交叉验证，从训练数据集中取出一定比例的样本作为测试样本，多次学习得到最优参数；

步骤4：使用极端决策森林对待测样本完成分类识别，实现高精度的SAR目标识别。

本实施例中，原始数据集在经过全局特征提取后，利用训练数据集形成极端决策树森林，数据数据如实施例中所述，验证不同数据集情况下本发明中的极端决策树SAR图像目标识别框架。图像大小采用128×128像素，PCA降维维度根据数据集的大小和设计，实验(1)采用90维，对比分类器为高斯朴素贝叶斯(GNB)，逻辑斯蒂回归(LR)，梯度提升决策树(GB)，轻量级梯度提升机(LGB)，K最近邻(KNN)，支持向量机(SVM)，随机森林(RF)，极端决策树(ERT)。实验(2)采用图像大小为64×64像素，PCA降维为80维，实验(3)(4)采用100×100像素值，图像降维统一采用90维，实验结果表明所有实验中，极端决策树均表现出较高精度。

实施例，验证本发明所述方法采用MSTAR标准数据集，为了验证本发明能够解决SAR图像目标识别的特征提取与分类器分类的问题，使用单一算法完成上述步骤，并能够实现较高的识别精度，设计四不同的验证方式：

(1)验证标准数据集，采用十个不同类别的地面目标：BMP2、BRDM_2、BTR70、BTR60、T72、2S1、D7、T62、ZIL131、ZSU23_4，分别使用“A-J”字母表示，实验数据及实验结果如表1，2：

表1

表2

对比分类器为高斯朴素贝叶斯(GNB)，逻辑斯蒂回归(LR)，梯度提升决策树(GB)，轻量级梯度提升机(LGB)，K最近邻(KNN)，支持向量机(SVM)，随机森林(RF)，极端决策树(ERT)；

(2)验证拓展工作条件下，极端决策树的识别能力，使用2S1、BRDM2、ZSU23_4三类数据，训练集为17°俯仰角SAR图像，测试集为30°，45°俯仰角SAR图像，实验数据及实验结果如表3，4；

表3

表4(a)30°识别结果；

表4(b)45°识别结果

(3)验证不同配置的识别能力，训练集为BMP2、BRDM2、BTR70、T72，测试集使用不同配置的5类T72样本集，包括S7、A32、A62、A63、A64，验证，在不同配置的情况下，能否提取核心特征，避免配置干扰识别，识别目标所属类别，实验数据及实验结果如表5，6：

表5

表6

(4)验证不同版本信息的情况下，极端决策树的识别能力，训练集使用配置识别相同的训练数据，测试样本采用两类数据，BMP2中两类版本9566和C21，T72中使用812，A04，A05，A07，A10版本，验证极端决策树在不同版本信息的识别能力，实验数据及实验结果如表7，8：

表7

表8

最终结果证明，极端决策树在不同条件下，均能实现高精度识别结果。

以上所述，仅为本发明的具体实施方式，本说明书中所公开的任一特征，除非特别叙述，均可被其他等效或具有类似目的的替代特征加以替换；所公开的所有特征、或所有方法或过程中的步骤，除了互相排斥的特征和/或步骤以外，均可以任何方式组合。

Claims (1)

1.一种基于极端决策树的SAR图像目标识别方法，包括以下步骤：

步骤1：对所有原始SAR图像做向量化、归一化处理，得到训练数据集；

步骤2：对训练数据集进行全局特征提取(PCA)，得到降维数据集；

步骤3：构建极端决策森林；

步骤3.1：将降维数据集中所有特征作为单棵极端决策树的输入，特征分裂使用随机分裂的方式，构建单棵极端决策树；

步骤3.2：重复步骤3.1，构建预设数量的单棵极端决策树，形成极端决策森林；

步骤3.3：K-折交叉验证，从训练数据集中取出一定比例的样本作为测试样本，多次学习得到最优参数；

步骤4：使用极端决策森林对待测样本完成分类识别，实现高精度的SAR目标识别。