[發明專利]基于特征降維的SAR目標鑒別方法

有效

• 申請號: 201410446772.8
• 申請日: 2014-09-03
• 公開（公告）號: CN104239895B
• 公開（公告）日: 2017-05-24
• 發明（設計）人: 杜蘭;李莉玲;王鵬輝;王斐;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
• 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

1.一種基于特征降維的SAR目標鑒別方法，其特征在于，包括以下步驟：

步驟1，獲取n1幅SAR訓練目標圖像和n2幅SAR訓練雜波圖像；從n1幅SAR訓練目標圖像集合中得到訓練目標的二值圖像集合從n2幅SAR訓練雜波圖像集合中得到訓練雜波的二值圖像集合

步驟2，將n1幅訓練目標的二值圖像集合中像素點幅值全為零的訓練目標的二值圖像對應的訓練目標圖像從訓練目標圖像集合F¹中去掉，得到保留的訓練目標圖像集合m1表示保留的訓練目標圖像的數目，1≤m1≤n1；

將n2幅訓練雜波的二值圖像集合中像素點幅值全為零的訓練雜波的二值圖像對應的訓練雜波圖像從訓練雜波圖像集合F²中去掉，得到保留的訓練雜波圖像集合m2表示保留的訓練雜波圖像的數目，1≤m2≤n2；

步驟3，設定保留的訓練目標圖像集合中的每一個保留的圖像有d個時域特征，將第t個保留的圖像的d個時域特征構建為第t個目標樣本1≤t≤m1，進而得到訓練目標樣本集合設定保留的訓練雜波圖像集合中的每一個保留的圖像有d個時域特征，將第v個保留的圖像的d個時域特征構建為第v個雜波樣本1≤v≤m1，進而得到訓練雜波樣本集合1≤m1≤n1，1≤m2≤n2；

步驟4，由訓練目標樣本集合和訓練雜波樣本集合構建訓練樣本集合S：計算訓練樣本集合S的特征均值P和特征標準差Q；

利用特征均值P和特征標準差Q，將訓練目標樣本集合歸一化，得到歸一化的訓練目標樣本集合利用特征均值P和特征標準差Q，將訓練雜波樣本集合歸一化，得到歸一化的訓練雜波樣本集合

步驟5，計算目標樣本的先驗概率w₁和雜波樣本的先驗概率w₂：

$w_1=\frac{m1}{m1+m2},$

$w_2=\frac{m2}{m1+m2},$

其中，m1是保留的訓練目標圖像的數目，也就是歸一化的訓練目標樣本數；m2是保留的訓練雜波圖像的數目，也就是歸一化的訓練雜波樣本數；

步驟6，建立歸一化的訓練目標樣本集合X¹中第a個歸一化的訓練目標樣本的線性模型：表示設定的第a個歸一化的訓練目標樣本進行降維后的降維訓練目標樣本；A表示設定的變換矩陣，ε_a表示第a個歸一化的訓練目標樣本的噪聲；并且設定降維訓練目標樣本的先驗分布服從高斯分布，歸一化的訓練目標樣本的噪聲ε_a的先驗分布服從高斯分布；其中a∈{1，2，...，m1}；m1是歸一化的訓練目標樣本數；

建立歸一化的訓練雜波樣本集合X²中第b個歸一化的訓練雜波樣本的線性模型：表示設定的第b個歸一化的訓練雜波樣本進行降維后的降維訓練雜波樣本；A表示設定的變換矩陣，ε_b表示第b個歸一化的訓練雜波樣本的噪聲；設定降維訓練雜波樣本的先驗分布服從高斯分布，歸一化的訓練雜波樣本的噪聲ε_b的先驗分布高斯分布其中b∈{1，2，...，m2}；m2是歸一化的訓練雜波樣本數；

步驟7，將降維訓練目標樣本的先驗分布和歸一化的訓練目標樣本的噪聲ε_a的先驗分布代入歸一化的訓練目標樣本的線性模型，將降維訓練雜波樣本的先驗分布和歸一化的訓練雜波樣本的噪聲ε_b的先驗分布代入歸一化的訓練雜波樣本的線性模型，求取歸一化的訓練目標樣本集合X¹和歸一化的訓練雜波樣本集合X²的對數似然函數L、以及降維訓練目標樣本和降維訓練雜波樣本的互信息函數I；

步驟8，利用對數似然函數L和互信息函數I構建目標樣本最優降維矩陣為Φ₁和雜波樣本最優降維矩陣為Φ₂的目標函數J，利用梯度下降法求解目標函數J，得到目標樣本最優降維矩陣Φ₁和雜波樣本最優降維矩陣Φ₂；

步驟9，將目標樣本最優降維矩陣Φ₁乘以歸一化的訓練目標樣本集合中每一個樣本，得到最優降維訓練目標樣本集合將雜波樣本最優降維矩陣Φ₂乘以歸一化的訓練雜波樣本集合中每一個樣本，得到最優降維訓練雜波樣本集合

步驟10，設定第a個最優降維訓練目標樣本的后驗分布服從高斯分布，構建第a個最優降維訓練目標樣本的概率密度函數其中a∈{1，2，...，m1}；m1是歸一化的訓練目標樣本數，也是最優降維訓練目標樣本數；

設定第b個最優降維訓練雜波樣本的后驗分布服從高斯分布，構建第b個最優降維訓練雜波樣本的概率密度函數其中b∈{1，2，...，m2}；m2是歸一化的訓練雜波樣本數，也是最優降維訓練雜波樣本數；

步驟11，任取一幅SAR測試圖像F^#中，得到測試的二值圖像T^#；

步驟12，如果測試的二值圖像T^#的像素點幅值全為零，直接判定測試圖像F^#為雜波圖像，完成并結束鑒別過程；

步驟13，如果測試的二值圖像T^#的像素點幅值不全為零，對測試圖像F^#提取d個時域特征，構建測試樣本s^#；

步驟14，利用訓練樣本集合S的特征均值P和特征標準差，對測試樣本s^#進行歸一化，得到歸一化后的測試樣本x^#；

步驟15，將目標樣本最優降維矩陣Φ₁乘以歸一化后的測試樣本x^#，得到最優降維后的疑似目標測試樣本將雜波樣本最優降維矩陣Φ₂乘以歸一化后的測試樣本x^#，得到最優降維后的疑似雜波測試樣本

步驟16，將最優降維的疑似目標測試樣本代入最優降維訓練目標樣本的概率密度函數中，得到疑似目標測試樣本似然概率將最優降維的疑似雜波測試樣本代入最優降維訓練雜波樣本的概率密度函數中，得到疑似雜波測試樣本似然概率

對疑似目標測試樣本似然概率和疑似雜波測試樣本似然概率利用貝葉斯分類準則進行鑒別，得到測試圖像F^#的鑒別結果，即：如果則判定測試圖像F^#為目標圖像，否則判定測試圖像F^#為雜波圖像。