[发明专利]基于特征降维的SAR目标鉴别方法

说明书

技术领域

本发明属于雷达自动目标识别领域，涉及SAR图像自动目标识别中目标鉴别方法的研究，尤其涉及一种基于特征降维的SAR目标鉴别方法。

背景技术

合成孔径雷达(Synthetic Aperture Radar，SAR)是一种利用微波进行感知的主动传感器，可以对感兴趣的目标进行全天候、全天时的侦查。近年来，SAR已经成为一种不可或缺的军事侦察手段，SAR图像自动目标识别技术也成为国内外研究的热门课题。

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。该流程包含三个基本阶段：检测、鉴别、分类。首先，将整幅SAR图像中的潜在目标像素点检测出来，作为候选图像，其中包含了目标图像和杂波图像；然后，对检测阶段得到的候选图像进行特征提取，并用鉴别算法对提取的特征进行判定，从而拒判掉杂波图像，保留下目标图像；最后，对鉴别阶段保留下来的目标图像进行分类识别。

现有文献中提出了很多SAR目标鉴别方法，例如二次距离高斯鉴别器、支持向量数据描述鉴别器等方法。在现有的SAR目标鉴别方法中，通常都是将提取的特征全部用于目标鉴别。理论上，所提的特征都能表示出目标和杂波的散射差异，都可以用来进行鉴别，然而实际中发现，如果用全部的特征进行目标鉴别会存在以下一些问题：(1)个别特征因为噪声等因素的影响对鉴别是无效的；(2)特征过多容易造成相互间信息的冗余；(3)特征过多，会增大计算量，甚至导致维数灾难。从提高鉴别性能、减小计算量的角度综合考虑，可以用特征降维方法解决SAR目标鉴别问题。

现有的特征降维方法有线性判决分析(Linear Discriminant Analysis，LDA)、信息判决分析(Information Discriminant Analysis，IDA)等方法，这些方法都是先在原始特征空间估计均值、协方差等统计量，再根据评价准则设计降维矩阵。而实际中，尤其在训练集有限的情况下，直接在高维空间估计这些统计量是不准确的，最终设计的降维矩阵也不一定是最优的，进而会影响到最后的鉴别性能。

发明内容

针对上述现有技术的不足，提出了基于特征降维的SAR目标鉴别方法。该方法基于线性模型构建对数似然函数和互信息函数，通过联合优化对数似然函数和互信息函数得到最优降维矩阵，然后利用最优降维矩阵进行特征降维，最后用贝叶斯分类器对降维后的特征进行鉴别。该方法可以实现SAR目标鉴别，在训练集进一步减小时，该方法的鉴别性能相比现有技术有明显的提高。

为达到上述目的，本发明采用以下技术方案予以实现。

一种基于特征降维的SAR目标鉴别方法，其特征在于，包括以下步骤：

步骤1，获取n1幅SAR训练目标图像和n2幅SAR训练杂波图像；从n1幅SAR训练目标图像集合中得到训练目标的二值图像集合从n2幅SAR训练杂波图像集合中得到训练杂波的二值图像集合

步骤2，将n1幅训练目标的二值图像集合中像素点幅值全为零的训练目标的二值图像对应的训练目标图像从训练目标图像集合F¹中去掉，得到保留的训练目标图像集合m1表示保留的训练目标图像的数目；将n2幅训练杂波的二值图像集合中像素点幅值全为零的训练杂波的二值图像对应的训练杂波图像从训练杂波图像集合F²中去掉，得到保留的训练杂波图像集合m2表示保留的训练杂波图像的数目；其中1≤m1≤n1，1≤m2≤n2；

步骤3，设定保留的训练目标图像集合中的每一个保留的图像有d个时域特征，将第t个保留的图像的d个时域特征构建为第t个目标样本1≤t≤m1，进而得到训练目标样本集合设定保留的训练杂波图像集合中的每一个保留的图像有d个时域特征，将第v个保留的图像的d个时域特征构建为第v个杂波样本1≤v≤m1，进而得到训练杂波样本集合1≤m1≤n1，1≤m2≤n2；

步骤4，由训练目标样本集合和训练杂波样本集合构建训练样本集合S：计算训练样本集合S的特征均值P和特征标准差Q；

利用特征均值P和特征标准差Q，将训练目标样本集合归一化，得到归一化的训练目标样本集合利用特征均值P和特征标准差Q，将训练杂波样本集合归一化，得到归一化的训练杂波样本集合

步骤5，计算目标样本的先验概率w₁和杂波样本的先验概率w₂：

其中，m1是保留的训练目标图像的数目，也就是归一化的训练目标样本数；m2是保留的训练杂波图像的数目，也就是归一化的训练杂波样本数；