[发明专利]基于正则化局部保持投影的SAR变形目标识别方法

说明书

技术领域

本发明属于图像处理技术领域，更进一步涉及图像解译和分析、精确识别应用领域中的一种基于正则化局部保持投影的SAR变形目标识别方法。本发明可以实现高精度的SAR变形目标识别。

背景技术

基于合成孔径雷达(Synthetic Aperture Radar，SAR)图像的目标识别是SAR图像理解和分析的重要组成部分，也是SAR图像处理和模式识别领域的研究热点。变形目标识别是指从观测到的SAR图像中，找到可能的目标并识别出其型号，其关键是提取出能准确描述不同型号目标之间差异的特征，目标的不同型号代表了目标不同的配置情况，同类不同型号的目标称之为变形目标，变形主要是指目标的配置有差异，比如同一类坦克上有无机关枪、油箱，天线是否展开等。传统的SAR目标识别方法是针对类的识别，即同类不同型号的样本在识别时被归为同一类别的目标，然而，实现高精度的变形目标识别对于战场感知、精确打击等希望获取目标详细信息等应用领域是非常必要的。

特征提取是目标识别的关键，目的是从众多特征中找出最有效的特征进行识别。子空间分析法因其描述性强、计算代价小、易实现及可分性好等特点，被广泛地应用于特征提取中。主成分分析(Principal Component Analysis，PCA)，线性判决分析(Linear Discriminant Analysis，LDA)是其中的两个典型方法，两者都是在假设数据是全局线性结构的前提下，基于欧式空间的线性降维方法。局部保持投影(Locality Preserving Projections，LPP)是一种基于流形学习的子空间分析方法，其基本思想是保持降维前后数据的局部结构不变，解决了传统的基于欧式空间的线性降维方法难以保持数据非线性流形结构的缺点。

局部保持投影是一种能准确描述数据实际分布的流形学习方法，可以有效地捕获目标的局部信息。然而此方法采用PCA方法对数据进行降维以解决矩阵奇异性问题，会产生较多的信息损失，而且，该方法无法实现数据全局结构的捕获、描述与保持。

发明内容

针对上述现有技术中存在的问题或缺陷，本发明的目的在于，提供一种基于正则化局部保持投影的SAR变形目标识别方法，其有效地解决了LPP方法中存在的矩阵奇异性问题，减少了信息的损失，可高精度的实现变形目标的识别。

为了实现上述目的，本发明采用如下技术方案：

基于正则化局部保持投影的SAR变形目标识别方法，包括以下步骤：

步骤1，利用SAR成像方法针对多个训练样本目标获取不同方位角下的包含有训练样本目标的图像，作为训练样本图像，将针对每一个训练样本目标获取的不同方位角下的多个训练样本图像划分为同一个样本类别；利用利用SAR成像方法获取包含有待识别目标的图像，作为测试样本图像；

步骤2，对每一幅训练样本图像和测试样本图像分别进行预处理，得到多幅预处理后的训练样本图像和预处理后的测试样本图像；预处理包括截取子图像和标准直方图均衡化；

步骤3，将每一幅训练样本图像中的所有像素值按列取出，排成一个训练样本列向量，利用所有训练样本图像排成的训练样本列向量形成训练样本列向量集合X；针对预处理后的测试样本图像，将其所有像素值按列取出，排成测试样本列向量Z；

步骤4，利用训练样本列向量集合X，融合样本类别信息，构建目标的相似性矩阵S；

步骤5，基于相似性矩阵S，构建能够保持数据局部特性的目标函数J₁；

步骤6，对目标函数J₁添加约束条件得到包含有约束条件的优化问题，利用拉格朗日乘子法求解优化问题得到计算结果，对计算结果进行正则化处理，得到正则化处理结果；求解正则化处理结果得到投影矩阵A；

步骤7，对步骤3中的训练样本列向量集合X利用投影矩阵A进行降维处理，得到训练样本特征向量集合Y，对步骤3中的测试样本列向量Z利用投影矩阵A进行降维处理，得到测试样本特征向量M；

步骤8，将测试样本特征向量M和训练样本特征向量集合Y均输入最近邻分类器，最近邻分类器自动输出测试样本图像中的待识别目标所属样本类别，得到最终的识别结果。

具体地，所述步骤2中的针对训练样本图像的预处理过程如下：

以训练样本图像的几何中心为基准，在训练样本图像上截取包含整个目标的图像，作为训练样本子图像；

对截取的训练样本子图像进行标准直方图均衡化得到均衡化后的图像，即为预处理后的训练样本图像。

具体地，所述步骤4中的构建目标的相似性矩阵S的方法如下：