[發(fā)明專利]基于貝葉斯多核學(xué)習(xí)支持向量機(jī)的SAR目標(biāo)識別方法

有效

• 申請?zhí)枺?/td>: 201710149246.9
• 申請日: 2017-03-14
• 公開（公告）號: CN106951921B
• 公開（公告）日: 2019-07-02
• 發(fā)明（設(shè)計(jì)）人: 王英華;王麗業(yè);劉宏偉;陳渤;文偉
• 申請（專利權(quán)）人: 西安電子科技大學(xué)
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N20/00
• 代理公司: 陜西電子工業(yè)專利中心 61205
• 代理人: 王品華;朱紅星

1.一種基于貝葉斯多核學(xué)習(xí)支持向量機(jī)的SAR目標(biāo)識別方法，包括：

(A)SAR圖像預(yù)處理及核矩陣計(jì)算步驟：

A1)輸入一幅原始SAR圖像：I＝{i_mn|1≤m≤M,1≤n≤N}，其中，i_mn表示SAR圖像的幅度像素值，M表示原始SAR圖像的行數(shù)，N表示原始SAR圖像的列數(shù)；

A2)對原始SAR圖像I進(jìn)行二值分割，并計(jì)算獲得SAR圖像的質(zhì)心

A3)將原始SAR圖像I進(jìn)行圓周移位，使質(zhì)心移動到圖像的中心位置，得到配準(zhǔn)圖像I₁；

A4)對配準(zhǔn)SAR圖像I₁依次進(jìn)行對數(shù)變換、中值濾波和圖像截取，得到SAR圖像的圖像域特征I₂，并將圖像域特征I₂列向量化；

A5)對配準(zhǔn)SAR圖像I₁做圖像截取和二維傅立葉變換，并將零頻移至圖像中心，得到頻域特征I₃，并將頻域特征I₃列向量化；

A6)分別對原始SAR圖像訓(xùn)練集和測試集重復(fù)過程A1)～A4)得到圖像域特征的訓(xùn)練數(shù)據(jù)集T_tr和測試數(shù)據(jù)集T_te；

A7)分別對原始SAR圖像訓(xùn)練集和測試集重復(fù)過程A1)～A5)得到頻域特征的訓(xùn)練數(shù)據(jù)集P_tr和測試數(shù)據(jù)集P_te；

A8)使用KSVD算法對圖像域特征訓(xùn)練集T_tr學(xué)習(xí)，得到字典D和與T_tr對應(yīng)的稀疏系數(shù)特征訓(xùn)練數(shù)據(jù)集S_tr，結(jié)合字典D和圖像域特征測試數(shù)據(jù)集T_te，使用OMP算法計(jì)算得到稀疏系數(shù)特征測試數(shù)據(jù)集S_te；

(B)多核學(xué)習(xí)步驟：

B1)使用徑向核函數(shù)RBF，結(jié)合圖像域特征訓(xùn)練數(shù)據(jù)集T_tr和測試數(shù)據(jù)集T_te，計(jì)算得到圖像域特征訓(xùn)練數(shù)據(jù)集的核矩陣K_ttr(T_tr,T_tr)和圖像域特征測試數(shù)據(jù)集核矩陣K_tte(T_tr,T_te)；

B2)使用徑向核函數(shù)RBF，結(jié)合頻域特征訓(xùn)練數(shù)據(jù)集P_tr和測試數(shù)據(jù)集P_te，計(jì)算得到頻域特征訓(xùn)練數(shù)據(jù)集的核矩陣K_ptr(P_tr,P_tr)和頻域特征測試數(shù)據(jù)集核矩陣K_pte(P_tr,P_te)；

B3)使用徑向核函數(shù)RBF，結(jié)合稀疏系數(shù)特征訓(xùn)練數(shù)據(jù)集S_tr和測試數(shù)據(jù)集S_te，計(jì)算得到稀疏系數(shù)特征訓(xùn)練數(shù)據(jù)集的核矩陣K_str(S_tr,S_tr)和稀疏系數(shù)特征測試數(shù)據(jù)集核矩陣K_ste(S_tr,S_te)；

B4)結(jié)合步驟B1)～B3)中計(jì)算得到的三種特征的訓(xùn)練集核矩陣和測試集核矩陣，使用核組合方法計(jì)算獲得SAR圖像訓(xùn)練集的組合核矩陣K_tr(V',V_tr)和測試集的組合核矩陣K_te(V',V_te)，其中，V'表示基向量集，V_tr表示SAR圖像訓(xùn)練數(shù)據(jù)集，V_te表示SAR圖像測試數(shù)據(jù)集；

(C)貝葉斯推理步驟：

C1)使用SAR圖像訓(xùn)練集的組合核矩陣K_tr(V',V_tr)建立貝葉斯多核學(xué)習(xí)支持向量機(jī)模型；

C2)使用期望最大化算法EM求解貝葉斯多核學(xué)習(xí)支持向量機(jī)模型，獲得貝葉斯多核學(xué)習(xí)支持向量機(jī)的最優(yōu)解β'；

C3)使用步驟C2)中得到的貝葉斯多核學(xué)習(xí)支持向量機(jī)模型的最優(yōu)解β'，結(jié)合SAR圖像測試集的組合核矩陣K_te(V',V_te)，計(jì)算得到SAR圖像目標(biāo)識別類別標(biāo)號y_te。