[發明專利]一種結合稀疏特征選擇的SAR目標鑒別方法

在審

• 申請號: 201410446516.9
• 申請日: 2014-09-03
• 公開（公告）號: CN104200229A
• 公開（公告）日: 2014-12-10
• 發明（設計）人: 杜蘭;王斐;李莉玲;劉宏偉
• 申請（專利權）人: 西安電子科技大學
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06T5/50
• 代理公司: 西安睿通知識產權代理事務所(特殊普通合伙) 61218
• 代理人: 惠文軒

1.一種結合稀疏特征選擇的SAR目標鑒別方法，其特征在于，包括以下步驟：

步驟1，取N個SAR訓練圖像，其中，N個SAR訓練圖像包括N₁個含目標的SAR訓練圖像和N₂個含雜波的SAR訓練圖像，N、N₁和N₂分別為自然數，并且N₁+N₂＝N；

對N個SAR訓練圖像中第j個SAR訓練圖像S_j依次進行對數變換、自適應閾值分割、形態學濾波，得到二值圖像F_j，j大于等于1并且小于等于N；

步驟2，通過二值圖像F_j中的像素幅值連續為1的像素區域進行幾何聚類來判斷二值圖像F_j是否包含疑似目標區域T_j；

如果二值圖像F_j不包含疑似目標區域T_j，則丟棄第j個SAR訓練圖像S_j；

如果二值圖像F_j包含疑似目標區域T_j，從疑似目標區域T_j中提取p個特征，將p個特征組成訓練樣本x_j，訓練樣本x_j是維度大小為p×1的列向量，p表示特征數目，j大于等于1并且小于等于N；

步驟3，根據步驟1至步驟2，從N₁個含目標的SAR訓練圖像中得到n₁個目標的訓練樣本，從N₂個含雜波的SAR訓練圖像中得到n₂個雜波的訓練樣本；n₁≤N₁，n₂≤N₂，N₁為目標的SAR訓練圖像總數，N₂為雜波的SAR訓練圖像總數；

n₁個目標的訓練樣本和n₂個雜波的訓練樣本組成訓練樣本矩陣X；訓練樣本矩陣X包含n個訓練樣本，n＝n₁+n₂，n≤N，N為SAR訓練圖像總數；

對第i個訓練樣本x_i進行歸一化，i大于等于1并且小于等于n，得到歸一化后的訓練樣本其中，μ表示訓練樣本特征矩陣X的每行的均值形成的行均值向量，σ是表示訓練樣本特征矩陣X的每行的標準差形成的行標準差向量；進而對n₁個目標的訓練樣本歸一化后得到n₁個歸一化后的目標訓練樣本，對n₂個雜波的訓練樣本歸一化后得到n₂個歸一化后的雜波的訓練樣本；

n₁個歸一化后的目標訓練樣本和n₂個歸一化后的雜波的訓練樣本形成n個歸一化后的訓練樣本，n＝n₁+n₂；

n個歸一化后的訓練樣本組成歸一化后的訓練樣本矩陣是第i個的歸一化訓練樣本；

步驟4，構建l₁范數稀疏約束下的歸一化后的訓練樣本矩陣的投影降維模型，再求解l₁范數稀疏約束下的投影降維模型得到投影向量Φ；

步驟5，利用投影向量Φ對第i個歸一化后的訓練樣本進行如下投影變換，得到訓練投影特征x~i=x‾iTΦ;]]>

步驟6，根據步驟5對于n₁個歸一化后的目標訓練樣本進行投影變換，得到n₁個含目標的訓練投影特征，并求取n₁個含目標的訓練投影特征的均值

根據步驟5對于n₂個歸一化后的雜波的訓練樣本進行投影變換，得到n₂個含雜波的訓練投影特征，并求取n₂個含雜波的訓練投影特征的均值

步驟7，對SAR測試圖像S^*進行對數變換、自適應閾值分割、形態學濾波，得到二值圖像F^*；

步驟8，將二值圖像F^*中的像素幅值連續為1的像素區域進行幾何聚類以判斷是否包含疑似目標區域T^*；

如果測試二值圖像F^*不包含測試疑似目標區域T^*，則測試圖像S^*被判定為雜波；

如果測試二值圖像T^*包含測試疑似目標區域T^*，從疑似目標區域T^*中，提取p個特征，p個特征組成測試樣本x^*；

步驟9，對測試樣本x^*進行歸一化，得到歸一化后的測試樣本

x‾*=x*-μσ,]]>

其中，μ表示訓練樣本特征矩陣X的每行的均值形成的向量，σ是表示訓練樣本特征矩陣X的每行的標準差形成的向量；

步驟10，利用投影向量Φ對歸一化后的測試樣本進行如下投影變換，得到測試樣本的投影特征

x~*=x‾*Φ,]]>

步驟11，計算投影特征與目標的訓練投影特征的均值的距離以及投影特征與雜波的訓練投影特征的均值的距離如果d₁≤d₂，則測試圖像S^*被判定為目標，否則測試圖像S^*被判定為雜波。