CN111680593A - 基于自适应一类svm模型的sar图像目标鉴别方法 - Google Patents

Abstract

本发明公开了一种基于自适应一类SVM模型的SAR图像目标鉴别方法，主要解决现有一类SVM模型中高斯核参数难以选择的问题。其方案是：选取训练SAR图像目标样本和测试SAR图像样本；根据训练目标样本的近邻关系，构造边缘样本集合C₁和内部样本集合C₂；最大化边缘样本集合C₁的平均信息熵和内部样本集合C₂的平均信息熵的差值，确定高斯核参数；根据高斯核参数，建立自适应一类SVM模型；利用序列最小优化算法，求解自适应一类SVM的模型参数；根据模型参数，对测试样本进行鉴别，得到测试样本的类别标号。本发明能自适应的选择的高斯核参数，缩短了确定核参数的时间，提高鉴别准确率，用于识别接收的雷达图像中的目标和杂波。

Description

基于自适应一类SVM模型的SAR图像目标鉴别方法

技术领域

本发明属于雷达目标识别技术领域，更进一步涉及的SAR图像目标鉴别方法，可用于识别接收的雷达图像中的目标和杂波。

背景技术

SAR图像鉴别是雷达自动目标识别中的一个重要步骤，鉴别结果的好坏对最终识别的结果影响很大。一类SVM是SAR图像鉴别中一种常见的方法，在很多任务中都取得了不错的效果。但是一类SVM中高斯核参数的取值会严重影响最终的鉴别结果。因此，一类SVM的一个难点就是如何选择一个合适的高斯核参数值。

中国电子科技集团第二十八研究所在其申请的专利文献“基于样本边缘点内部点的单类支持向量机核参数优化方法”(专利申请号CN201810203614.8，公开号CN108376266A)中提出了一种核参数值的选择方法。该方法的实现过程是：根据样本的近邻关系寻找出样本的边缘点和内部点，并基于近邻点集合和边界点集合构造一个高斯核参数选择函数；然后设定一个高斯核参数的备选集合，并计算集合中的每一个高斯核参数对应的选择函数值；最后选择最大函数值对应的高斯核参数为合适的高斯核参数。但是，该方法的不足之处是：1)很难确定一个合适的核参数备选集合；2)需要计算每个高斯核参数对应的选择函数值，因此该方法的计算时间长。

西安电子科技大学在其申请的专利文献“基于非相似性变换一类SVM模型的SAR目标鉴别方法”(专利申请号CN201610333374.4，公开号CN105975994B)中提出了一种另一种解决思路。该方法的实现过程是：利用狄利克雷过程混合模型对训练样本聚类，并在每一个聚类构造一个一类SVM分类器，从而可以减轻高斯核参数取值对最终鉴别结果的影响。但是，该方法由于没有针对核参数的取值提出对应的优化函数，因此不能彻底解决核参数的选择问题，降低了分类器的鉴别准确率。

发明内容

本发明的目的在于针对上述现有技术存在的不足，提出一种基于自适应一类SVM模型的SAR图像目标鉴别方法，以解决一类SVM中的高斯核参数选择困难问题，提升分类器的鉴别准确率。

实现本发明目的的技术方案是：首先利用训练样本的近邻关系构造边界样本集合和内部样本集合，然后建立自适应一类SVM模型，并利用序列最小优化算法求解模型参数，最后根据求解的模型参数对未知样本进行鉴别，获得未知样本的类别标签。具体步骤包括如下：

(1)获取M幅SAR训练目标图像，依次进行对数变换、双参数自适应阈值分割、形态学滤波和几何聚类处理，然后归一化得到归一化的训练样本集合X＝{x₁,x₂,...,x_j,...,x_N}，其中x_j表示归一化后的第j个训练样本，j＝1,2,...,N，N表示保留的训练目标图像的数目，且1≤N≤M；

(2)构造自适应一类SVM模型：

其中，α＝[α₁,α₂,...,α_i,...,α_j,...,α_N]表示待求解的参数集合，α_i表示参数集合α中的第i个元素，i＝1,2,...,N，α_j表示参数集合α中的j个元素，j＝1,2,...,N，i≠j，

x_i表示归一化训练样本集合X中的第i个训练样本，x_j表示归一化训练样本集合X中的第j个训练样本，b_opt表示预先自适应确定的最优高斯核参数，exp(·)表示指数函数，||·||²表示2范数的平方，η为一个常数，N是训练样本数；

(3)利用序列最小优化算法求解自适应一类SVM模型参数，获得参数集合α＝[α₁,α₂,...,α_i,...,α_j,...,α_N]；

(4)利用获得的参数集合α＝[α₁,α₂,...,α_i,...,α_j,...,α_N]，根据一类SVM的鉴别准则，对未知样本x^#进行鉴别，得到鉴别后样本x^#的类别标号y^#。

本发明与现有的技术相比具有以下优点：

第一，本发明通过目标函数自适应的学习得到最合适的高斯核参数，提升了自适应一类SVM模型的鉴别准确率；

第二，本发明利用学习的方式确定高斯核参数，相对现有技术采用搜索的方式来确定高斯核参数值，其用时更短，增强了自适应一类SVM模型的实时性。

附图说明

图1是本发明的实现流程图；

图2是本发明中训练阶段使用的一幅SAR图像。

具体实施方式

下面结合附图对本发明的实施例作进一步的描述。

参照图1，本实施例的实现步骤如下：

步骤1，对SAR训练目标图像预处理，得到归一化的训练样本集合：

1.1)从给定的数据库中获取M幅SAR训练目标图像，依次进行对数变换、双参数自适应阈值分割、形态学滤波和几何聚类的预处理，得到预处理后的样本集合S＝{s₁,s₂,...,s_j,...,s_N}，其中s_j表示第j个训练样本，j＝1,2,...,N，N表示保留的训练目标图像的数目，且1≤N≤M；

1.2)对预处理后的样本集合S归一化，得到归一化的训练样本集合X＝{x₁,x₂,...,x_j,...,x_N}，其中x_j表示归一化后的第j个训练样本。

步骤2，构造自适应一类SVM模型。

一类SVM模型是SAR图像目标鉴别中的一种常用方法，在很多任务中都取得了不错的效果。但是，一类SVM的一个难点就是如何选择一个合适的高斯核参数值。为了解决这个问题，需要构造了一个自适应一类SVM模型。本实例首先构建目标函数自适应的学习得到最合适的高斯核函数，然后将得到的高斯核函数带入到一类SVM模型中，建立自适应一类SVM模型，具体步骤如下：

2.1)对归一化的训练样本集合X中的第j个样本x_j，利用近邻算法寻找x_j的近邻集合

其中x_jk表示样本x_j的第k个近邻，k＝1,2,...,P，P表示近邻的个数，是一个固定的常数；

2.2)根据第j个样本x_j的近邻集合

计算通过第j个样本x_j切平面的法向矢量V_j；

其中||·||₂表示求2范数操作；

2.3)根据2b)中的法向矢量V_j，计算第j个样本x_j对应的非负点积百分比l_j；

其中，I(·)表示指示函数，(·)^T表示转置操作；

2.4)将非负点积百分比l_j和1-γ进行比较：

如果l_j小于于1-γ，则执行2e)，其中γ为预先设定的常数；

如果l_j大于1-γ，则样本x_j为边缘样本，将其放入边缘样本集合C₁，执行2f)，

2.5)将l_i与0.5-η与0.5+η进行比较：

若l_i的范围在[0.5-η，0.5+η]之间，则第j个样本x_j为内部样本，将其放入内部样本集合C₂，其中γ为预先设定的常数；

若l_i的范围在[0.5-η，0.5+η]之外，则不执行操作；

2.6)重复步骤2.1)-2.4)共N次，直到训练样本集合X＝{x₁,x₂,...,x_j,...,x_N}中所有样本都被判断过一次，完成边缘样本集合C₁和内部样本集合C₂的构造；

2.7)定义第j个样本x_j的信息熵H_j；

其中，

为高斯核函数，b为待求解高斯核参数，exp(·)为指数函数，log₂(·)表示以2为底的对数函数；

2.8)根据最大化边缘样本集合C₁的平均信息熵与内部样本集合C₂的平均信息熵的差值，得到自动确定的高斯核变换参数b_opt；

其中，

表示边缘样本集合C₁中第u₁个样本的信息熵，

表示内部样本集合C₂中第u₂个样本的信息熵，U₁表示边缘样本集合中的样本数，U₂表示内部样本集合中的样本数；

2.9)根据2.8)中确定的最优核参数b_opt，得到自适应一类SVM分类器模型；

其中，α＝[α₁,α₂,...,α_i,...,α_j,...,α_N]表示待求解的参数集合，α_i表示参数集合α中的第i个元素，i＝1,2,...,N，α_j表示参数集合α中的j个元素，j＝1,2,...,N，i≠j，

x_i表示归一化训练样本集合X中的第i个训练样本，x_j表示归一化训练样本集合X中的第j个训练样本，b_opt表示预先自适应确定的最优高斯核参数，exp(·)表示指数函数，||·||²表示2范数的平方，η为一个常数，N是训练样本数。

步骤3，求解自适应一类SVM模型的模型参数：

求解自适应一类SVM模型的模型参数的现有算法包括：拉格朗日算法、Lemke算法、内点法及序列最小优化算法。本实例采用但不限于序列最小优化算法来求解自适应一类SVM模型的模型参数。该序列最小优化算法是由约翰普莱特在1998年提出的一种优化算法，其用来快速求解SVM模型和一类SVM模型的模型参数，具体步骤如下：

3.1)初始化模型参数集合α＝α^old，其中

3.2)计算误差项集合

为第i个样本x_i对应的误差项，

为第j个样本x_j对应的误差项；

3.3)利用梯度下降法更新参数

得到更新后的参数

其中，R＝2-2κ(x_i,x_j；b_opt)；

3.4)根据3.3)得到的

更新参数

得到更新后的参数

3.5)根据更新得到的参数

和

更新对应的误差项

和

得到更新后的误差项

和

3.6)计算自适应一类SVM模型的目标函数值

并将J与预设的阈值τ比较：

如果J＞τ，则执行3g)；

如果J≤τ，则执行3h)；

3.7)令令

重复步骤3c)到3f)；

3.8)令

完成模型参数的求解过程。

步骤4，获取归一化的测试样本。

4.1)利用合成孔径雷达获得一幅SAR测试目标图像，然后对SAR测试目标图像依次进行对数变换、双参数自适应阈值分割、形态学滤波和几何聚类的预处理，得到预处理后的测试样本s^#；

4.2)对预处理后的测试样本s^#归一化，得到归一化的测试样本x^#。

步骤5，获取测试样本x^#的类别标号。

该步骤需要确定测试样本x^#是目标样本还是杂波样本。本实例采用的是一类SVM的鉴别准则，具体步骤如下：

5.1)根据步骤(3)中的参数集合α＝[α₁,α₂,...,α_i,...,α_j,...,α_N]，得到一类SVM的鉴别函数f(x)：

5.2)计算未知样本x^#对应的鉴别函数值f(x^#)：

5.3)比较f(x^#)与0的大小：

若f(x^#)＞0，则未知样本为目标样本，对应的类别标号y^#＝1；

若f(x^#)≤0，则未知样本为杂波样本，对应的类别标号y^#＝-1。

下面结合仿真实验对本发明的效果做进一步的说明。

1.仿真实验条件：

本发明的实验的硬件测试平台是：处理器为Intel Corei3 CPU，主频为3.40GHz，内存8GB，软件平台为：Windows 7操作系统和Matlab R2012a。

本发明所用数据是美国Sandia MiniSAR数据集，该数据集中目标样本为小车，杂波样本为草丛，建筑物，树木等，如图2所示，其中图2(a)为该数据集中某个小车目标的原图像。图2(b)为图(2a)经过双参数自适应阈值分割后得到的二值图像，图2(c)为图(2b)经过形态学滤波后得到的二值图像，图2(d)为图(2c)经过几何聚类后得到的二值图像。

本实验所用训练样本集合为150幅大小为128×128的SAR目标图像，测试样本集合包括196幅大小为128×128的SAR目标图像和186幅大小为128×128的SAR杂波图像。

2.实验内容：

实验用本发明和三种现有的高斯核参数选择方法比较，这三种现有方法分别为基于样本边缘点内部点的一类SVM参数优化方法MIES、改进的一类支持向量描述MSVDD和基于偏度的离群点生成的参数优化方法SKEW。分类器的分类性能评价指标为：ROC曲线下的面积AUC。AUC的数值越大，方法的鉴别效果越好。

实验1：

首先，对训练样本图像集合和测试样本图像集合进行预处理以及归一化，得到归一化的训练样本集合和归一化的测试样本集合；然后，将预处理后的训练样本集合，带入到本发明构建的自适应一类SVM中对模型，利用序列最小优化算法获得该模型的模型参数；最后利用得到的模型参数，根据一类SVM模型鉴别准则，获得测试样本的类别标号。

输出的鉴别结果如表1所示：

表1鉴别结果

不同方法	MIES	MSVDD	SKEW	本发明
					AUC值(％)	72.11	50.74	72.78	75.05

从表1可以看出，相比于三种传统的高斯核参数选择方法，本发明获得了最高的AUC值，证明本发明学到的高斯核参数更合适。

实验2，为了验证本发明在计算时间上的优势，计算了不同高斯核选择方法，在选择高斯核参数过程中所需的计算时间，如表2所示。

表2计算时间

不同方法	MIES	MSVDD	SKEW	本发明
					计算时间(s)	14206.73	13.40	15.20	9.77

从表2可以看出，本发明所需的计算时间最短，所以能最快的确定合适的高斯核参数，提高本发明的实时性。

综上，本发明中的自适应一类SVM模型不仅能更快的合适的高斯核参数，提高了实时性，而且选择的高斯核参数更合适，提高了最终的鉴别性能。

Claims (4)

1.一种基于自适应一类SVM模型的SAR图像目标鉴别方法，其特征在于，包括如下：

(1)获取M幅SAR训练目标图像，依次进行对数变换、双参数自适应阈值分割、形态学滤波和几何聚类处理，然后归一化得到归一化的训练样本集合X＝{x₁,x₂,...,x_j,...,x_N}，其中x_j表示归一化后的第j个训练样本，j＝1,2,...,N，N表示保留的训练目标图像的数目，且1≤N≤M；

(2)构造自适应一类SVM模型：

其中，α＝[α₁,α₂,...,α_i,...,α_j,...,α_N]表示待求解的参数集合，α_i表示参数集合α中的第i个元素，i＝1,2,...,N，α_j表示参数集合α中的j个元素，j＝1,2,...,N，i≠j，

x_i表示归一化训练样本集合X中的第i个训练样本，x_j表示归一化训练样本集合X中的第j个训练样本，b_opt表示预先自适应确定的最优高斯核参数，exp(·)表示指数函数，||·||²表示2范数的平方，η为一个常数，N是训练样本数；

(3)利用序列最小优化算法求解自适应一类SVM模型参数，获得参数集合α＝[α₁,α₂,...,α_i,...,α_j,...,α_N]；

(4)利用获得的参数集合α＝[α₁,α₂,...,α_i,...,α_j,...,α_N]，根据一类SVM的鉴别准则，对未知样本x^#进行鉴别，得到鉴别后样本x^#的类别标号y^#。

2.根据权利要求1中所述方法，其中(2)中构造自适应一类SVM模型，实现如下：

2a)对训练样本集合X中的第j个样本x_j，利用近邻算法寻找x_j的近邻集合

其中x_jk表示样本x_j的第k个近邻，k＝1,2,...,P，P表示近邻的个数，是一个固定的常数；

2b)根据第j个样本x_j的近邻集合

计算通过第j个样本x_j切平面的法向矢量V_j；

其中||·||₂表示求2范数操作；

2c)根据2b)中的法向矢量V_j，计算第j个样本x_j对应的非负点积百分比l_j；

其中，I(·)表示指示函数，(·)^T表示转置操作；

2d)将非负点积百分比l_j和1-γ进行比较：

如果l_j小于于1-γ，则执行2e)，其中γ为预先设定的常数；

如果l_j大于1-γ，则样本x_j为边缘样本，将其放入边缘样本集合C₁，执行2f)，

2e)将l_i与0.5-η与0.5+η进行比较：

若l_i的范围在[0.5-η，0.5+η]之间，则第j个样本x_j为内部样本，将其放入内部样本集合C₂，其中γ为预先设定的常数；

若l_i的范围在[0.5-η，0.5+η]之外，则不执行操作；

2f)重复步骤2a)-2d)共N次，直到训练样本集合X＝{x₁,x₂,...,x_j,...,x_N}中所有样本都被判断过一次，完成边缘样本集合C₁和内部样本集合C₂的构造；

2g)定义第j个样本x_j的信息熵H_j；

其中，

为高斯核函数，b为待求解高斯核参数，exp(·)为指数函数，log₂(·)表示以2为底的对数函数；

2h)根据最大化边缘样本集合C₁的平均信息熵与内部样本集合C₂的平均信息熵的差值，得到自动确定的高斯核变换参数b_opt；

其中，

表示边缘样本集合C₁中第u₁个样本的信息熵，

表示内部样本集合C₂中第u₂个样本的信息熵，U₁表示边缘样本集合中的样本数，U₂表示内部样本集合中的样本数；

2j)根据2h)中确定的最优核参数b_opt，得到自适应一类SVM分类器模型；

3.根据权利要求1中所述方法，其中(3)中利用序列最小优化算法求解自适应一类SVM模型参数α，实现如下：

3a)初始化模型参数α＝α^old，其中

3b)计算误差项集合

其中，

为第i个样本x_i对应的误差项，

为第j个样本x_j对应的误差项，分别表示如下：

3c)利用梯度下降法更新参数

得到更新后的参数

其中，R＝2-2κ(x_i,x_j；b_opt)；

3d)根据3c)得到的

更新参数

得到更新后的参数

3e)根据更新得到的两个参数

和

更新对应的误差项

和

得到更新后的两个误差项

和

分别表示如下：

3f)计算自适应一类SVM模型的目标函数值

并将J与设定的阈值τ进行比较：

如果J＞τ，则执行3g)；

如果J≤τ，则执行3h)；

3g)令

重复步骤3c)到3f)；

3h)令

完成模型参数的求解过程。

4.根据权利要求1中所述方法，其中所述(4)的具体实现如下：

4a)根据参数集合α＝[α₁,α₂,...,α_i,...,α_j,...,α_N]，得到一类SVM的鉴别函数f(x)：

4b)计算未知样本x^#对应的鉴别函数值f(x^#)：

4c)比较f(x^#)与0的大小：

若f(x^#)＞0，则未知样本为目标样本，对应的类别标号y^#＝1；

若f(x^#)≤0，则未知样本为杂波样本，对应的类别标号y^#＝-1。

Images