一种结合稀疏特征选择的SAR目标鉴别方法技术

本发明专利技术公开了一种结合稀疏特征选择的SAR目标鉴别方法，涉及雷达自动目标识别领域，包括：步骤1，求取n个SAR训练图像中疑似目标区域，步骤2，从疑似目标区域中提取训练样本，步骤3，得到归一化后的训练样本矩阵，步骤4，求解l1范数稀疏约束下的投影降维模型得到投影向量Φ，步骤5，得到训练投影特征，步骤6，求取n1个目标的训练投影特征的均值，求取n2个杂波的训练投影特征，步骤7，确定SAR测试图像中的疑似目标区域，步骤8，提取测试样本，步骤9，得到归一化后的测试样本，步骤10，得到测试样本的投影特征，步骤11，判定测试图像。本发明专利技术消除了无效特征、冗余特征在鉴别中的负面影响，减少了计算量，提高了目标鉴别性能。

【技术实现步骤摘要】
一种结合稀疏特征选择的SAR目标鉴别方法
本专利技术属于雷达自动目标识别领域，涉及目标识别中目标鉴别方法的研究，尤其涉及一种结合稀疏特征选择的SAR目标鉴别方法。
技术介绍
合成孔径雷达SAR可以提供目标高分辨率图像，且SAR成像不受天气、光照等条件限制，因而广泛应用于军事侦察等领域，其中基于SAR图像的自动目标识别技术是重要的研究课题之一。SAR图像自动目标识别通常采用美国林肯实验室的三级处理流程：检测阶段、鉴别阶段、识别阶段。首先，对整幅SAR图像进行像素级检测，剔除明显不是目标的区域，得到疑似目标区域；然后，对疑似目标区域提取鉴别特征，利用鉴别特征剔除自然杂波区域、明显大于或小于目标的人造杂波区域；最后，对鉴别阶段保留下来的目标区域进行目标分类和识别。在鉴别阶段，现有文献提出了大量SAR目标鉴别特征，虽然理论上每个特征的提出都基于一定的物理意义，反映着目标和杂波的散射强弱、结构大小等信息，但是并不是每个特征都具有很强的可鉴别性，甚至有些特征联合作用会得到相反的鉴别效果。如果将提取的特征全部用于目标鉴别，很容易造成信息冗余和维数灾难，不仅会增大计算量，还严重影响鉴别性能。因此，目标鉴别阶段通常细化分为鉴别特征提取、鉴别特征降维以及鉴别器设计三个方面。现有文献大多采用特征选择的方法达到特征降维的目的，特征选择方法如穷举法、遗传算法等，旨在搜索寻找最优特征组合。但是在实际中，对于高维SAR鉴别特征而言，穷举法运算量太大而不可取，遗传算法要想取得全局最优解，其运算量也几乎等效于穷举法。从减少计算量、提高鉴别器性能的角度考虑，可以采用监督降维方法，如Fisher线性判决分析(Fisherdiscriminantanalysis,FDA)等。但是，虽然监督降维方法可以把原始高维特征投影变换为低维投影特征，并保证该投影特征的可分性，但是监督降维如FDA得到的投影特征仍然是全部特征的组合，因而只能消弱而不是消除无效特征、冗余特征对鉴别的负面影响。
技术实现思路
针对上述现有技术的不足，本专利技术提出了一种结合稀疏特征选择的SAR目标鉴别方法。本专利技术通过在投影降维模型中增加l1范数稀疏约束，把特征选择融合到最优投影向量的求解中，得到了最优特征组合的最优投影特征，消除了无效特征、冗余特征在鉴别中的负面影响，提高了目标鉴别性能。为达到上述目的，本专利技术采用以下技术方案予以实现。一种结合稀疏特征选择的SAR目标鉴别方法，其特征在于，包括以下步骤：步骤1，取N个SAR训练图像，其中，N个SAR训练图像包括N1个含目标的SAR训练图像和N2个含杂波的SAR训练图像，N、N1和N2分别为自然数，并且N1+N2＝N；对N个SAR训练图像中第j个SAR训练图像Sj依次进行对数变换、自适应阈值分割、形态学滤波，得到二值图像Fj，j大于等于1并且小于等于N；步骤2，通过二值图像Fj中的像素幅值连续为1的像素区域进行几何聚类来判断二值图像Fj是否包含疑似目标区域Tj；如果二值图像Fj不包含疑似目标区域Tj，则丢弃第j个SAR训练图像Sj；如果二值图像Fj包含疑似目标区域Tj，从疑似目标区域Tj中提取p个特征，将p个特征组成训练样本xj，训练样本xj是维度大小为p×1的列向量，p表示特征数目，j大于等于1并且小于等于N；步骤3，根据步骤1至步骤2，从N1个含目标的SAR训练图像中得到n1个目标的训练样本，从N2个含杂波的SAR训练图像中得到n2个杂波的训练样本；n1≤N1，n2≤N2，N1为目标的SAR训练图像总数，N2为杂波的SAR训练图像总数；n1个目标的训练样本和n2个杂波的训练样本组成训练样本矩阵X；训练样本矩阵X包含n个训练样本，n＝n1+n2，n≤N，N为SAR训练图像总数；对第i个训练样本xi进行归一化，i大于等于1并且小于等于n，得到归一化后的训练样本其中，μ表示训练样本特征矩阵X的每行的均值形成的行均值向量，σ是表示训练样本特征矩阵X的每行的标准差形成的行标准差向量；进而对n1个目标的训练样本归一化后得到n1个归一化后的目标训练样本，对n2个杂波的训练样本归一化后得到n2个归一化后的杂波的训练样本；n1个归一化后的目标训练样本和n2个归一化后的杂波的训练样本形成n个归一化后的训练样本，n＝n1+n2；n个归一化后的训练样本组成归一化后的训练样本矩阵是第i个的归一化训练样本；步骤4，构建l1范数稀疏约束下的归一化后的训练样本矩阵的投影降维模型，再求解l1范数稀疏约束下的投影降维模型得到投影向量Φ；步骤5，利用投影向量Φ对第i个归一化后的训练样本进行如下投影变换，得到训练投影特征步骤6，根据步骤5对于n1个归一化后的目标训练样本进行投影变换，得到n1个含目标的训练投影特征，并求取n1个含目标的训练投影特征的均值根据步骤5对于n2个归一化后的杂波的训练样本进行投影变换，得到n2个含杂波的训练投影特征，并求取n2个含杂波的训练投影特征的均值步骤7，对SAR测试图像S*进行对数变换、自适应阈值分割、形态学滤波，得到二值图像F*；步骤8，将二值图像F*中的像素幅值连续为1的像素区域进行几何聚类以判断是否包含疑似目标区域T*；如果测试二值图像F*不包含测试疑似目标区域T*，则测试图像S*被判定为杂波；如果测试二值图像T*包含测试疑似目标区域T*，从疑似目标区域T*中，提取p个特征，p个特征组成测试样本x*；步骤9，对测试样本x*进行归一化，得到归一化后的测试样本其中，μ表示训练样本特征矩阵X的每行的均值形成的向量，σ是表示训练样本特征矩阵X的每行的标准差形成的向量；步骤10，利用投影向量Φ对归一化后的测试样本进行如下投影变换，得到测试样本的投影特征步骤11，计算投影特征与目标的训练投影特征的均值的距离以及投影特征与杂波的训练投影特征的均值的距离如果d1≤d2，则测试图像S*被判定为目标，否则测试图像S*被判定为杂波。上述技术方案的特点和进一步改进在于：(1)步骤1包括以下子步骤：1a)对第j个训练图像Sj进行对数变换，得到对数变换之后的训练图像Gj，对数变换之后的训练图像Gj在像素点(x,y)处的幅值Gj(x,y)的表达式为：Gj(x,y)＝10×ln[Sj(x,y)+0.001]+30其中，Sj(x,y)为SAR训练图像Sj在像素点(x,y)处的幅值，Gj(x,y)为对数变换之后的训练图像Gj在像素点(x,y)处的幅值；1b)对对数变换之后的训练图像Gj，进行自适应阈值分割、形态学滤波得到二值图像Fj，二值图像中像素幅值为1的像素点即为疑似目标像素，二值图像中像素幅值为0的像素点即为非疑似目标像素，二值图像Fj在像素点(x,y)处的幅值Fj(x,y)的表达式：(2)步骤4具体包括：l1范数稀疏约束下的投影降维模型为：其中，是归一化后的训练样本矩阵，是的维度大小为p×n；Y是类别信息向量，Y的维度大小为n×1，Y只包含{0,1}两种取值；θ表示拟合投影特征和类别信息量Y的拟合量；||·||1表示求l1范数；||·||2表示求l2范数；λ是为正则化参数。与现有技术相比，本专利技术具有突出的实质性特点和显著的进步。本专利技术与现有方法相比，具有以下优点：将SAR目标鉴别的特征选择融合到最优投影向量的求解中，实现了同时进行特征选择和投影降维，提高本文档来自技高网...

【技术保护点】
一种结合稀疏特征选择的SAR目标鉴别方法，其特征在于，包括以下步骤：步骤1，取N个SAR训练图像，其中，N个SAR训练图像包括N1个含目标的SAR训练图像和N2个含杂波的SAR训练图像，N、N1和N2分别为自然数，并且N1+N2＝N；对N个SAR训练图像中第j个SAR训练图像Sj依次进行对数变换、自适应阈值分割、形态学滤波，得到二值图像Fj，j大于等于1并且小于等于N；步骤2，通过二值图像Fj中的像素幅值连续为1的像素区域进行几何聚类来判断二值图像Fj是否包含疑似目标区域Tj；如果二值图像Fj不包含疑似目标区域Tj，则丢弃第j个SAR训练图像Sj；如果二值图像Fj包含疑似目标区域Tj，从疑似目标区域Tj中提取p个特征，将p个特征组成训练样本xj，训练样本xj是维度大小为p×1的列向量，p表示特征数目，j大于等于1并且小于等于N；步骤3，根据步骤1至步骤2，从N1个含目标的SAR训练图像中得到n1个目标的训练样本，从N2个含杂波的SAR训练图像中得到n2个杂波的训练样本；n1≤N1，n2≤N2，N1为目标的SAR训练图像总数，N2为杂波的SAR训练图像总数；n1个目标的训练样本和n2个杂波的训练样本组成训练样本矩阵X；训练样本矩阵X包含n个训练样本，n＝n1+n2，n≤N，N为SAR训练图像总数；对第i个训练样本xi进行归一化，i大于等于1并且小于等于n，得到归一化后的训练样本其中，μ表示训练样本特征矩阵X的每行的均值形成的行均值向量，σ是表示训练样本特征矩阵X的每行的标准差形成的行标准差向量；进而对n1个目标的训练样本归一化后得到n1个归一化后的目标训练样本，对n2个杂波的训练样本归一化后得到n2个归一化后的杂波的训练样本；n1个归一化后的目标训练样本和n2个归一化后的杂波的训练样本形成n个归一化后的训练样本，n＝n1+n2；n个归一化后的训练样本组成归一化后的训练样本矩阵是第i个的归一化训练样本；步骤4，构建l1范数稀疏约束下的归一化后的训练样本矩阵的投影降维模型，再求解l1范数稀疏约束下的投影降维模型得到投影向量Φ；步骤5，利用投影向量Φ对第i个归一化后的训练样本进行如下投影变换，得到训练投影特征x~i=x‾iTΦ;]]>步骤6，根据步骤5对于n1个归一化后的目标训练样本进行投影变换，得到n1个含目标的训练投影特征，并求取n1个含目标的训练投影特征的均值根据步骤5对于n2个归一化后的杂波的训练样本进行投影变换，得到n2个含杂波的训练投影特征，并求取n2个含杂波的训练投影特征的均值步骤7，对SAR测试图像S*进行对数变换、自适应阈值分割、形态学滤波，得到二值图像F*；步骤8，将二值图像F*中的像素幅值连续为1的像素区域进行几何聚类以判断是否包含疑似目标区域T*；如果测试二值图像F*不包含测试疑似目标区域T*，则测试图像S*被判定为杂波；如果测试二值图像T*包含测试疑似目标区域T*，从疑似目标区域T*中，提取p个特征，p个特征组成测试样本x*；步骤9，对测试样本x*进行归一化，得到归一化后的测试样本x‾*=x*-μσ,]]>其中，μ表示训练样本特征矩阵X的每行的均值形成的向量，σ是表示训练样本特征矩阵X的每行的标准差形成的向量；步骤10，利用投影向量Φ对归一化后的测试样本进行如下投影变换，得到测试样本的投影特征x~*=x‾*Φ,]]>步骤11，计算投影特征与目标的训练投影特征的均值的距离以及投影特征与杂波的训练投影特征的均值的距离如果d1≤d2，则测试图像S*被判定为目标，否则测试图像S*被判定为杂波。...

【技术特征摘要】
1.一种结合稀疏特征选择的SAR目标鉴别方法，其特征在于，包括以下步骤：步骤1，取N个SAR训练图像，其中，N个SAR训练图像包括N1个含目标的SAR训练图像和N2个含杂波的SAR训练图像，N、N1和N2分别为自然数，并且N1+N2＝N；对N个SAR训练图像中第j个SAR训练图像Sj依次进行对数变换、自适应阈值分割、形态学滤波，得到二值图像Fj，j大于等于1并且小于等于N；步骤2，通过二值图像Fj中的像素幅值连续为1的像素区域进行几何聚类来判断二值图像Fj是否包含疑似目标区域Tj；如果二值图像Fj不包含疑似目标区域Tj，则丢弃第j个SAR训练图像Sj；如果二值图像Fj包含疑似目标区域Tj，从疑似目标区域Tj中提取p个特征，将p个特征组成训练样本xj，训练样本xj是维度大小为p×1的列向量，p表示特征数目，j大于等于1并且小于等于N；步骤3，根据步骤1至步骤2，从N1个含目标的SAR训练图像中得到n1个目标的训练样本，从N2个含杂波的SAR训练图像中得到n2个杂波的训练样本；n1≤N1，n2≤N2，N1为目标的SAR训练图像总数，N2为杂波的SAR训练图像总数；n1个目标的训练样本和n2个杂波的训练样本组成训练样本矩阵X；训练样本矩阵X包含n个训练样本，n＝n1+n2，n≤N，N为SAR训练图像总数；对第i个训练样本xi进行归一化，i大于等于1并且小于等于n，得到归一化后的训练样本其中，μ表示训练样本特征矩阵X的每行的均值形成的行均值向量，σ是表示训练样本特征矩阵X的每行的标准差形成的行标准差向量；进而对n1个目标的训练样本归一化后得到n1个归一化后的目标训练样本，对n2个杂波的训练样本归一化后得到n2个归一化后的杂波的训练样本；n1个归一化后的目标训练样本和n2个归一化后的杂波的训练样本形成n个归一化后的训练样本，n＝n1+n2；n个归一化后的训练样本组成归一化后的训练样本矩阵是第i个的归一化训练样本；步骤4，构建l1范数稀疏约束下的归一化后的训练样本矩阵的投影降维模型，再求解l1范数稀疏约束下的投影降维模型得到投影向量Φ；其中，l1范数稀疏约束下的投影降维模型为：其中，是归一化后的训练样本矩阵，是的维度大小为p×n；Y是类别信息向量，Y的维度大小为n×1，Y只包含{0,1}两种取值；θ表示拟合投影特征和类别...

【专利技术属性】
技术研发人员：杜兰，王斐，李莉玲，刘宏伟，
申请(专利权)人：西安电子科技大学，
类型：发明
国别省市：陕西;61