基于多层概率统计模型的SAR图像目标识别方法技术

本发明专利技术公开了一种基于多层概率统计模型的SAR图像目标识别方法，解决现有方法在输入SAR图像数据具有非负性时，只能提取SAR图像单层非负特征的问题。实现步骤是：构建多层概率统计模型的训练集和测试集；初始多层概率统计模型参数；用联合学习的方式训练多层概率统计模型，并保存全局变量；用联合学习的方式测试多层概率统计模型，得到模型所有参数用于后续识别；利用测试得到的参数对SAR图像进行目标识别。本发明专利技术基于多层概率统计模型，采用联合学习方式对模型进行训练和测试，提取SAR图像特征和目标识别，本发明专利技术减少了模型参数复杂度，提取到SAR图像的多层非负特征，提高了SAR图像目标识别性能和稳定性，用于对SAR图像进行目标识别。

SAR image target recognition method based on multi-layer probability and statistics model

The invention discloses a SAR image target recognition method based on the multilevel probability and statistics model, and solves the problem that only when the input SAR image data is nonnegative, the existing method can only extract the single layer non negativity feature of SAR images. The implementation steps are: training set and test set of constructing multi-layer probability statistical model; parameter initial multilayer statistical model combined with the way of learning; training multilayer statistical model, and the preservation of global variables; test probability statistical model with multilayer learning approach to model all parameters for subsequent identification; target recognition of SAR image by using the parameters of the test results. The multilayer statistical model based on the combined learning methods for training and testing the model, extracting SAR image features and object recognition, the invention reduces the complexity of model parameters, to extract the multilayer SAR image non negative characteristic, improved SAR image target recognition performance and stability for target recognition of SAR image.

【技术实现步骤摘要】
基于多层概率统计模型的SAR图像目标识别方法
本专利技术属于SAR图像目标识别
，特别涉及SAR图像特征提取，具体是一种基于多层概率统计模型的SAR图像目标识别方法，可用于SAR图像特征提取和SAR图像目标识别。
技术介绍
SAR图像目标识别具有重要的军事价值和商业价值，一直是国内外研究的热点。虽然近几年目标识别领域已经得到了极大发展，但是准确快速地完成SAR图像目标识别仍然是一项充满挑战的任务。特征提取是SAR图像目标识别中十分关键的一步，提取到特征的好坏直接影响SAR图像目标的识别性能，因此有必要对SAR图像进行有意义的特征提取，提高SAR图像目标识别性能。现在已经有了许多针对SAR图像的特征提取方法，例如PCA(PrincipalComponentAnalysis)，KPCA(KernelPrincipalComponentAnalysis)，ICA(IndependentComponentAnalysis)等均可对SAR图像进行特征提取。上述提取SAR图像特征的方法很大程度上改善了SAR图像目标识别性能，但这些方法存在一个共同特点：当输入的数据具有非负性时，得到的全局变本文档来自技高网...

【技术保护点】
一种基于多层概率统计模型的SAR图像目标识别方法，其特征在于，包括有如下步骤：(1)构建多层概率统计模型的训练集和测试集：输入待识别的SAR图像，对待识别的SAR图像进行预处理，将原始图像P×P从中心区域切割，得到大小为P'×P'的图像，并对所得图像进行能量归一化，将全部的SAR图像数据样本分为训练集和测试集，并根据已知训练样本监督信息将训练数据按自身分类；(2)初始多层概率统计模型参数：分别对模型全局参数，隐变量参数，以及各先验分布的超参数Φ

【技术特征摘要】
1.一种基于多层概率统计模型的SAR图像目标识别方法，其特征在于，包括有如下步骤：(1)构建多层概率统计模型的训练集和测试集：输入待识别的SAR图像，对待识别的SAR图像进行预处理，将原始图像P×P从中心区域切割，得到大小为P'×P'的图像，并对所得图像进行能量归一化，将全部的SAR图像数据样本分为训练集和测试集，并根据已知训练样本监督信息将训练数据按自身分类；(2)初始多层概率统计模型参数：分别对模型全局参数，隐变量参数，以及各先验分布的超参数Φ(l,C),θ(l,C),rC,γ0C,c0C,η(l,C),p(2,C),c(3,C),a0C,e0C,b0C,f0C,KlC进行初始化，其中C表示第C类训练样本对应类别，l表示网络的第l层，Φ(l,C)是第C类训练样本第l层全局参数矩阵，η(l,C)是Φ(l,C)先验分布的第一参数，θ(l,C)是第C类训练样本第l层隐变量参数矩阵，c(3,C)是θ(2,C)先验分布的第二参数向量，p(2,C)是θ(1,C)先验分布的第二参数向量，rC是第C类训练样本的顶层全局参数向量，γ0C是rC先验分布的第一参数，c0C是rC先验分布的第二参数，a0C是γ0C先验分布的第一参数，b0C是γ0C先验分布的第二参数，e0C是c0C先验分布的第一参数，f0C是c0C先验分布的第二参数，Kl是各类训练样本第l层的隐变量维度值，初始化完成后，初步形成多层概率统计模型；(3)训练多层概率统计模型：输入有标签的SAR图像训练数据，采用联合学习的方式训练初始化之后的多层概率统计模型；得到全局变量并保存；(4)测试多层概率统计模型：将训练过程得到的全局变量作为多层概率统计模型的初始值，输入类别待定的SAR图像测试数据后，采用联合学习的方式，测试多层概率统计模型，得到测试过程中多层概率统计模型所有的参数，测试完成得到测试后的多层概率统计模型；(5)SAR图像目标识别：利用测试后的多层概率统计模型提取SAR图像的特征，并对SAR图像进行分类；(5a)分别计算各类测试后的多层概率统计模型中测试数据对应的似然值；根据朴素贝叶斯分类准则，比较每一个测试样本对应各类测试后的多层概率统计模型中的似然值，将似然值最大的多层概率统计模型其类别作为测试样本的预测类别，并输出每一个SAR图像预测类别标签；(5b)将输出的每一个SAR图像预测类别标签与所对应的测试集的正确类别相对比，正确标签的个数在所有测试样本的总个数中所占比例即为得到针对SAR图像目标的识别率。2.根据权利要求1所述的基于多层概率统计模型的SAR图像目标识别方法，其特征在于，步骤(2)所述的对泊松伽玛置信网络参数进行初始化，针对全局变量Φ(l,C)和隐变量θ(l,C)的初始化包括如下步骤：对第C类目标的第l层全局变量初始化按照下式进行：φa(l,C)～Dir(η(l,C),....,η(l,C))，其中，φa(l,C)表示第C类目标的第l层全局变量矩阵的第a列，a＝1,...,Kl，Kl是第l层隐层维度值，l＝0时，K0是样本维度值，l＝1时，K1＝1000，l＝2时，K2＝500，l＝3时，K3＝200，Dir表示狄里克雷分布，～表示等价关系，η(l,C)是Φ(l,C)先验分布的参数；对第C类目标的第三层隐变量第二层隐变量和第一层隐变量初始化按照下式进行：其中，J表示样本数，表示第C类目标的第1层的第r个隐变量，表示第C类目标第2层的第p个隐变量，表示第C类目标第3层的第q个隐变量，是先验分布的第二参数，是先验分布的第二参数，是先验分布的第二参数，～表示等价关系。3.根据权利要求1或2所述的基于多层概率统计模型的SAR图像目标识别方法，其特征在于，步骤3中所述的训练多层概率统计模型，具体包括如下步骤：(3a)输入各类训练样本，并设置网络层数，输入层和各隐层的维度，各类训练样本迭代次数M1；(3b)在上行吉布斯采样的过程中计算各层增广矩阵、层内增广矩阵和层间增广矩阵：采用朴素贝叶斯准则对每类训练数据分别独立训练多层概率统计模型，在各类多层概率统计模型的每次迭代中，从底层开始，由下层往上层逐层训练，并在每一层训练中计算出多层概率统计模型各层的增广矩阵、层内增广矩阵和层间增广矩阵；(3c)在下行吉布斯采样的过程中更新网络的其他参数：计算完各层增广矩阵、层内增广矩阵、层间增广矩阵之后，从最顶层开始，由上层往下层逐层更新网络的其他参数；(3d)利用增广矩阵由底层向顶层更新多层概率统计模型全局参数，同样也是联合学习中的上行吉布斯采样的过程；(3e)完成一次上行吉布斯采样和下行吉布斯采样的过程，也就是一次迭代中的联合学习，然后判断多层概率统计模型的迭代次数是否达到预先设定值M1，如果达到，则结束多层概率统计模型训练过程，并将训练好的各类全局参数分别保存到商用软件MATLAB工作空间；否则，返回到步骤(3b)，继续多层概率统计模型的训练过程。4.根据权利要求3所述的采用联合学习的方式训练多层概率统计模型方法，其特征在于，步骤(3b)在多层概率统计模型的每一次训练迭代中，对每一类数据，从底层开始，由下层往上层逐层训练，并在每一层的训练中计算增广矩阵、层内增广矩阵、层间增广矩阵，直到所有层训练完成，具体包括有如下步骤：(3b1)在每一层的训练过程中，通过下式得到增广矩阵中的向量：其中，是第C类第l层的三维增广矩阵S(l,C)的第w行第g列位置上的向量，l表示第l层，l＝1,2,3，C表示第C类，w＝1,2,...,Kl-1，Kl-1表示第l-1层隐层的维度值；g＝1,2,...J，J表示样本个数，g表示输入数据的第g个样本，h＝1,2,...,Kl；Mult表示多项式分布，表示x(l,C)的第w行第g列位置上的元素，φwh(l,C)表示Φ(l,C)矩阵的第w行第h列位置上的元素，φw(l,C)表示Φ(l,C)矩阵的第w行行向量，θhg(l,C)表示θ(l,C)的第h行第g列位置上的元素，～表示等价关系；(3b2)在每一层的训练过程中，通过下式得到层内增广矩阵：其中，表示第C类的第l层与第l+1层之间二维层内增广矩阵m(l,C)(l+1,C)的第k行第j列位置上的元素，Kl-1表示第l-1层隐层维度值，v表示三维矩阵的第一维的第v个元素，v＝1,...,Kl-1；j＝1,...,J，l＝1,2,3；(3b3)在每一层的训练过程中，通过下式得到层间增广矩阵：其中，表示第C类的第l层与第l+1层之间的二维层间增广矩阵x(l+1,C)的第F行第G列元素，～表示等价关系，F＝1,...,Kl；G＝1...

【专利技术属性】
技术研发人员：陈渤，张梦娇，郭丹丹，
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