基于弱监督学习的SAR图像目标鉴别方法技术

本发明专利技术公开了一种基于弱监督学习的SAR图像目标鉴别方法，主要解决现有技术鉴别性能低和样本标记成本高的问题。其实现方案是：在训练阶段，先对正图像的样本集和负图像的负样本集分别提取局部限制性编码LLC特征，再用负样本集训练一个潜在的狄利克雷分配LDA模型，并用该模型从正图像样本集中挑选初始正样本集，用以迭代训练二类SVM鉴别器，得到最优鉴别器；在测试阶段，先对测试样本集提取局部限制性编码LLC特征，再用得到的最优鉴别器对测试样本集进行鉴别。本发明专利技术在鉴别性能与全监督的二类SVM鉴别器相近的同时减少了人工标记的成本，更具有实用性，而且，对比杂波训练的一类SVDD鉴别器在复杂场景下的鉴别性能更优，适用于SAR图像目标鉴别。

【技术实现步骤摘要】

本专利技术属于雷达
，特别涉及一种目标鉴别方法，可用于在合成孔径雷达SAR图像中有效地鉴别目标。
技术介绍
雷达成像技术是20世纪50年代发展起来的，在以后的60年里得到了突飞猛进的发展，目前，已经在军事、农林、地质、海洋、灾害、绘测等诸多方面得到广泛的应用。合成孔径雷达SAR具有全天候、全天时、分辨率高以及穿透力强等特点，成为目前对地观测和军事侦察的重要手段。SAR图像自动目标识别是当前SAR应用的前沿课题，具有重要的研究意义和广泛的应用前景。美国林肯实验室提出了SAR图像自动目标识别的三级处理流程图并被广泛使用。该流程采用一种分层注意机制，其实现过程是：首先，对整幅SAR图像进行检测处理，除去图像中明显不是目标的区域，得到潜在目标区域；然后，对潜在的目标区域进行目标鉴别处理，以剔除其中的自然杂波虚警，或剔除明显比目标大或者小的区域；通过目标的检测和鉴别阶段，得到目标感兴趣区域ROI；最后，再对目标ROI进行分类识别。现有文献中提出了很多SAR图像目标鉴别方法，常用的有全监督的二类支持向量机SVM鉴别器和一类支持向量数据描述SVDD鉴别器。训练全监督的二类SVM鉴别器需要有大量标记的训练样本，如果第一步检测是基于无监督的，则对得到的检测结果进行人工标记，既耗时又耗力，同时，对于模糊或遮挡的样本，可能导致错误的标记，影响鉴别器的学习；一类SVDD鉴别器只需要一类数据就可以进行学习，通常情况下，杂波数据更容易得到，虽然它减少了人工标记的繁琐，但是相对目标而言，杂波数据更复杂，种类更多，训练得到的模型不能很好地适应复杂场景下SAR图像目标和杂波的鉴别，进而影响最后的鉴别性能。
技术实现思路
本专利技术的目的在于针对上述现有技术的不足，提出一种基于弱监督学习的SAR图像目标鉴别方法，其在鉴别性能与全监督的二类SVM鉴别器相近的同时减少人工标记样本的成本，且相对比杂波训练的一类SVDD鉴别器对复杂场景SAR图像的目标鉴别性能更优。本专利技术的技术方案是这样实现的：一、技术思路在实际应用中，对目标检测后的样本进行标记是繁琐和耗时的，同时对于遮挡或模糊的样本的标记也是困难的，而对于检测前的图中是否有目标的标记就相对比较容易。所谓的弱监督信息指检测前的图中是否有目标的标记，含有目标的图像标为正图像；不含目标的图像标为负图像。本专利技术引入弱监督的思想用于SAR图像目标的鉴别。用传统的双参数CFAR对SAR图像进行检测，负图像得到的检测结果组成负图像样本集，都是负样本，无需人工标记，而正图像得到的检测结果组成正图像样本集，既有正样本也有负样本，利用负图像样本集都是负样本的信息从正图像样本集中挑选出初始正样本集，然后利用负图像负样本集和挑选的初始正样本集训练全监督的二类SVM鉴别器，再利用得到的鉴别器从初始正样本集中挑选正样本集迭代训练全监督的二类SVM鉴别器，直到得到最优的鉴别器。最后，用得到的最优鉴别器对测试样本集进行目标鉴别。二、技术方案根据上述原理，本专利技术的技术方案包括如下：A、训练步骤(A1)对正图像样本集X+和负图像的负样本集X-中的每个训练样本提取M维局部限制性编码LLC特征，M＝1024，其中，正图像样本集X+中没有人工标记，既包含正样本也包含负样本：(A11)对每个训练样本提取密集尺度不变特征变换SIFT特征，并对所有训练样本的密集尺度不变特征变换SIFT特征用Kmeans聚成M类；(A12)用M个聚类中心构造码本CB，即M个聚类中心按列排列组成的矩阵作为码本CB；(A13)用构造的码本CB对每个训练样本的密集尺度不变特征变换SIFT特征进行局部限制性编码，得到训练样本编码后的局部限制性编码LLC特征；(A2)用负图像的负样本集X-训练潜在的狄利克雷分配LDA主题模型，并用该潜在的狄利克雷分配LDA主题模型从正图像样本集X+中挑选初始的正样本集(A3)用负样本集X-和初始的正样本集迭代全监督的二类SVM鉴别器，得到最优鉴别器；B、测试步骤(B1)对测试样本集中的每个测试样本提取M维局部限制性编码LLC特征：(B11)对每个测试样本提取密集尺度不变特征变换SIFT特征；(B12)用训练步骤(A12)中构造的码本CB对每个测试样本的密集尺度不变特征变换SIFT特征提取局部限制性编码，得到每个测试样本的局部限制性编码LLC特征；(B2)用训练得到的最优鉴别器根据测试样本的局部限制性编码LLC特征对测试样本进行鉴别，得到鉴别结果。本专利技术与现有技术相比，具有以下优点：1、减少全监督中人工标记的成本现有的全监督SAR图像目标鉴别方法需要对训练集中的所有样本进行标记，为后续全监督二类鉴别器的训练提供足够的训练数据，但是对训练样本进行人工标记既耗时又耗力，同时，对于模糊或遮挡的样本，也会造成标记困难，影响鉴别器的训练。本专利技术利用已有的负样本集从没有人工标记的正图像样本集中不断挑选正样本集，用于全监督的二类SVM鉴别器的训练并对SAR图像进行目标鉴别，减少了人工标记的成本，在实际应用中，更具有实用性。2、相比杂波训练的一类SVDD鉴别器的鉴别性能更优现有的一类鉴别器用负样本集进行训练，用得到的一类鉴别器对SAR图像进行目标鉴别，由于负样本集中的负样本更复杂，种类更多，训练得到的模型不能很好的适应复杂场景下目标和杂波的鉴别。而本专利技术利用弱监督学习，不断从正图像的样本集中挑选正样本集，迭代训练全监督二类SVM鉴别器，得到最优鉴别器，相比杂波训练的一类SVDD鉴别器的鉴别性能更优。以下结合附图和实例对本专利技术作进一步详细描述。附图说明图1是本专利技术的实现流程图；图2是本专利技术实验使用的负图像的负样本示例图；图3是本专利技术实验使用的正图像的样本示例图；图4是本专利技术实验使用的测试集样本示例图。具体实施方式参照图1，本专利技术的实现分为训练和测试两个阶段，其步骤如下：一、训练阶段步骤1，提取训练样本集中每个样本的密集尺度不变特征变换SIFT特征。(1.1)输入训练样本集X＝{X+,X-本文档来自技高网...

【技术保护点】
基于弱监督学习的SAR图像目标鉴别方法，包括：A、训练步骤(A1)对正图像样本集X+和负图像的负样本集X‑中的每个训练样本提取M维局部限制性编码LLC特征，M＝1024，其中，正图像样本集X+中没有人工标记，既包含正样本也包含负样本：(A11)对每个训练样本提取密集尺度不变特征变换SIFT特征，并对所有训练样本的密集尺度不变特征变换SIFT特征用Kmeans聚成M类；(A12)用M个聚类中心构造码本CB，即M个聚类中心按列排列组成的矩阵作为码本CB；(A13)用构造的码本CB对每个训练样本的密集尺度不变特征变换SIFT特征进行局部限制性编码，得到训练样本编码后的局部限制性编码LLC特征；(A2)用负图像的负样本集X‑训练潜在的狄利克雷分配LDA主题模型，并用该潜在的狄利克雷分配LDA主题模型从正图像样本集X+中挑选初始的正样本集(A3)用负样本集X‑和初始的正样本集迭代训练全监督的二类SVM鉴别器，得到最优鉴别器；B、测试步骤(B1)对测试样本集中的每个测试样本提取M维局部限制性编码LLC特征：(B11)对每个测试样本提取密集尺度不变特征变换SIFT特征；(B12)用训练步骤(A12)中构造的码本CB对每个测试样本的密集尺度不变特征变换SIFT特征提取局部限制性编码，得到每个测试样本的局部限制性编码LLC特征；(B2)用训练得到的最优鉴别器根据测试样本的局部限制性编码LLC特征对测试样本进行分类鉴别，得到鉴别结果。...

【技术特征摘要】
1.基于弱监督学习的SAR图像目标鉴别方法，包括：A、训练步骤(A1)对正图像样本集X+和负图像的负样本集X-中的每个训练样本提取M维局部限制性编码LLC特征，M＝1024，其中，正图像样本集X+中没有人工标记，既包含正样本也包含负样本：(A11)对每个训练样本提取密集尺度不变特征变换SIFT特征，并对所有训练样本的密集尺度不变特征变换SIFT特征用Kmeans聚成M类；(A12)用M个聚类中心构造码本CB，即M个聚类中心按列排列组成的矩阵作为码本CB；(A13)用构造的码本CB对每个训练样本的密集尺度不变特征变换SIFT特征进行局部限制性编码，得到训练样本编码后的局部限制性编码LLC特征；(A2)用负图像的负样本集X-训练潜在的狄利克雷分配LDA主题模型，并用该潜在的狄利克雷分配LDA主题模型从正图像样本集X+中挑选初始的正样本集(A3)用负样本集X-和初始的正样本集迭代训练全监督的二类SVM鉴别器，得到最优鉴别器；B、测试步骤(B1)对测试样本集中的每个测试样本提取M维局部限制性编码LLC特征：(B11)对每个测试样本提取密集尺度不变特征变换SIFT特征；(B12)用训练步骤(A12)中构造的码本CB对每个测试样本的密集尺度不变特征变换SIFT特征提取局部限制性编码，得到每个测试样本的局部限制性编码LLC特征；(B2)用训练得到的最优鉴别器根据测试样本的局部限制性编码LLC特征对测试样本进行分类鉴别，得到鉴别结果。2.根据权利要求1所述的方法，其中步骤(A11)中对每个训练样本提取密集尺度不变特征变换SIFT特征，按如下步骤进行：(A11.1)对训练样本x进行归一化和平滑处理，得到处理后的训练样本I；(A11.2)对处理后的训练样本I提取其梯度幅度图Gm和梯度方向图Go；(A11.3)在训练样本x中取一个大小为16×16的切片P，并分别在梯度幅度图Gm和梯度方向图Go中的对应位置取大小为16×16的区域作为切片P的梯度幅度图gm和梯度方向图go；(A11.4)将切片P以4个像素为步长无重叠地划分网格，得到16个大小为4×4的小区域，将这16个小区域按从下到上，从左到右的顺序排序，得到第j个4×4的小区域在切片P中的中心位置：Oj＝(Ojx,Ojy)，其中Ojx和Ojy分别是该小区域的中心在切片P中的宽和高：其中，int(·)表示取商运算，mod(·)表示取余运算，j∈[1,16]且为整数；(A11.5)计算切片P中每个像素点对第j个4×4的小区域的梯度幅度加权值，得到该切片P针对第j个4×4的小区域的幅度加权矩阵wj，其中切片P中位置(lx,ly)处的像素点对第j个4×4的小区域的梯度幅度加权值w计算公式如下：w＝(1-|lx-Ojx|)·I(|lx-Ojx|＜4)×(1-|ly-Ojy|)·I(|ly-Ojy|＜4)其中，(lx,ly)为像素点的位置坐标，即lx和ly分别为像素点在切片P中的宽和高，lx,ly∈[1,16]且为整数，I为指示函数；(A11.6)根据幅度加权矩阵wj，计算切片P对第j个4×4的小区域的加权梯度幅度图：gmj＝gm·wj，其中，·表示对应元素的点乘，gm表示切片P的梯度幅度图，wj表示切片P针对第j个4×4的小区域的幅度加权矩阵；(A11.7)分别在加权梯度幅度图gmj和梯度幅度方向图go中以点(Ojx,Ojy)为中心位置取大小为4×4的区域，作为切片P中第j个4×4小区域的加权梯度幅度图g′mj和梯度方向图g′oj；(A11.8)将[0,2π]平均分成8个方向，第i个方向区间为i∈[1,8]且为整数，计算第j个4×4的小区域的梯度方向图g′oj在8个方向上对应的加权梯度幅度和，得到8维的加权梯度幅度向量Hj；(A11.9)对切片P中的其他4×4的小区域重复步骤(A11.5)-(A11.8)，得到其8维的加权梯度幅度向量，这16个加权梯度幅度向量组成列向量d＝[H1,...,Hj,...,H16]T，其中T表示转置，d即为切片P对应的128维尺度不变特征变换SIFT特征；(A11.10)对训练样本x以网格长度L＝16，滑动步长step＝6进行从左到右，从上到下滑动得到K个大小为16×16的网格，对每个16×16的网格按(A11.3)到(A11.9)提取对应的128维尺度不变特征变换SIFT特征，构成该样本x的密集尺度不变特征变换SIFT特征D＝[d1,...,dn,...,dK]，其中，dn是样本x中第n个16×16网格得到的128维尺度不变特征变换SIFT特征，n∈[1,K]且为整数；其中，K为得到的大小为16×16的网格个数，W和H分别为样本x的宽和高，floor(a)表示取不大于a的最大整数。3.根据权利要求2所述的方法,其中步骤(A11.1)中对训练样本x进行归一化和平滑处理，按如下步骤进行：首先，对训练样本x进行二范数归一化处理，得到归一化后的训练样本：其中norm表示求二范数；然后，设定大小为5×5的高斯模板M：通过高斯模板M与归一...

【专利技术属性】
技术研发人员：杜兰，代慧，孙永光，王燕，王英华，
申请(专利权)人：西安电子科技大学，西安中电科西电科大雷达技术协同创新研究院有限公司，
类型：发明
国别省市：陕西;61