[发明专利]基于CS和SVM决策级融合的SAR图像目标识别方法

权利要求书

1.基于CS和SVM决策级融合的SAR图像目标识别方法，所述的CS为压缩感知、SVM为支持向量机、SAR为合成孔径雷达，其特征在于该方法的具体步骤是：

步骤(1).预处理

1.1方位角的标记

对MSTAR数据库中的训练样本中7类的方位角进行手工标记，并与图像的索引建立一种映射关系；

1.2去噪、滤波

对原图进行裁剪，读取以图像中心点为中心的61×61图像区域，然后进行小波变换和均值滤波处理，以达到去噪的目的；

步骤(2).分类器模型设计

2.1建立压缩感知模型和基于压缩感知分类

2.1.1模型建立

在训练样本中，选取第i类目标的n_i张图像，将第j张图像进行预处理，然后将图像的信息存放在一个列向量里来构成A_i的第j列v_i,j，得到一个过完备字典A：

A＝[A₁；...；A_i；...；A_k]＝[v_1,1,...,v_1,n1；....；v_i,1,...,v_i,j,...,v_i,ni；...；v_k,1,...,v_k,nk](m×n)；

其中A_i表示由第i类目标所有图像的信息，v_i,j表示第i类目标第j张图像的信息；

给定测试图像y表示为：

y＝Ax₀式(1)；

其中α_i,j为实数；x₀是稀疏系数，x₀中只有与第i类目标相对应的值为非零，其它值均为零；用l₁范数求解x₀，表达如下：

(P₁)min||x₀||₁ subject to y＝Ax₀式(2)；

上式为压缩感知的优化重建问题，可求出稀疏解x₀；

2.1.2基于压缩感知分类、姿态矫正

在得到一个测试图像y时，用压缩感知模型得到一个稀疏解采用最近邻方法找出分类结果；对于第i类目标，定义函数：对于是系数向量，即x₀中仅与第i类目标相对应的值保持不变，其它值都赋值为零；定义残差r_i(y)：

r_i(y)＝||y-Aδ_i(x₀)||₂式(3)；

残差值最小意味着测试图像与样本最接近，通过求解的残差最小值来判断类别；则测试图像y的所在类别s可由式子(4)判断：

2.2选择支持向量机模型参数：

核函数采用径向基核函数；径向基核函数的重要参数惩罚因子C和γ由交叉验证和网格参数寻优方法训练得到，结果为：C取值32和γ取值0.5；已校正和未校正的训练样本，采用SVM方法训练得到两个分类模型，然后用这两个分类模型得到两个分类结果；

步骤(3).姿态校正：

利用训练样本构造字典后，利用压缩感知模型进行优化求解时，可根据获得稀疏解判断与之最相近的训练样本，即稀疏解x₀的最大值位置t处表明测试样本与该训练样本最相似：

此时可利用该训练样本的姿态信息对测试图像进行姿态校正；

步骤(4).决策级融合：

采用投票法对CS方法和SVM方法识别的三种结果进行决策级融合，即

r＝MajorityVote(r_CS,r_SVM1,r_SVM2)式(6)；

式中r_cs为基于CS方法的识别结果，r_svm1为未经过姿态校正的基于SVM方法的识别结果，r_svm2为经过姿态校正的基于SVM方法的识别结果；当出现三种结果不一致时，根据每种算法对训练样本的识别准确率作为先验知识进行判别，即：

式中为采用CS方法进行识别时识别结果为第i类的概率，为基于未经校正的样本采用SVM方法进行识别时识别结果为第j类的概率，为基于经校正的样本采用SVM方法进行识别时识别结果为第k类的概率。