[发明专利]一种基于多特征融合的SAR图像目标识别方法

说明书

本发明提供一种基于多特征融合的SAR图像目标识别方法，所述方法包括：对SAR图像进行边缘提取，然后得到目标的紧凑度、饱满度和复杂度；确定SAR图像的灰度共生矩阵，并利用所述灰度共生矩阵计算纹理特征量；对所述SAR图像构造多层超像素集，并基于所述多层超像素集构造非平衡二向图，通过聚类将图像目标与背景分离开；利用融合的图像特征矩阵计算协方差矩阵，并构建最优投影矩阵，将训练样本向所述最优投影矩阵进行投影，得到降维后的样本；训练最终的目标识别器，在每轮训练时，利用不同训练数据样本的特征值的权值统计弱分类，并根据每个特征值的不同分类误差率选择弱分类器，并将弱分类器加权求和构造输出分类器。本发明提供的技术方案，能够提高图像目标识别的精度。

技术领域

本发明涉及图像处理技术领域，特别涉及一种基于多特征融合的SAR图像 目标识别方法。

背景技术

合成孔径雷达(Synthetic Aperture Radar，SAR)图像自动目标识别(AutomaticTarget Recognition,ATR)综合了现代信号处理和模式识别技术，利用计算机对获 得的信息进行自动分析，提取目标特征，实现目标类别或型号的判断，对于提 高军队的指挥自动化水平、军事对抗，以及反导防御能力和战略预警能力具有 十分重要的作用。由于SAR图像具有很强的斑点噪声，加之图像特征的易变性， 利用SAR图像进行自动目标识别是一件比较困难的工作。成像参数的轻微波动， 如俯视角、目标方位角及其配置的变化，都会引起图像特征的剧烈变化。SAR 图像成像的复杂性带来ATR系统的复杂性。

SAR图像分割作为SAR图像处理到SAR图像分析和解译的关键步骤，其 目的是把SAR图像分为各具特性的区域并提取感兴趣目标。但是已有的基于超 像素的SAR图像分割算法，通常是利用SLIC分割算法作预处理，然后以超像 素为节点、空间相邻节点为边连接建立了图模型，给出基于核心化特征的结构 图像分割，但是这样的方法没有考虑超像素聚类之间的相关性。

为了对SAR图像中的地物目标进行稳健的分类识别，首先要进行特征的提 取，对于特征提取方面，PCA、KPCA、KLDA等方法被应用。但这些方法主要 是通过对图像进行空间变换，没有考虑图像的二维结构信息，例如边缘和纹理 特征，得到的特征并不全面，并且对噪声的鲁棒性不强。

另外，SAR图像识别最重要的指标为识别正确率。目前常用的分类识别方 法有基于模板匹配方法和基于模型的方法。但基于模板匹配方法直接采用原始 SAR图像或者原始SAR图像的子图像来形成模板，对目标方位角、姿态角的变 化很敏感。寻找合适的特征代替原始图像是一种有效的提升识别正确率的方法。 但是已有SAR图像识别方法，例如稀疏表示，主成分分析方法等，都不能充分 利用图像之间的相关性，实现识别正确率的提升。

因此，对于如何更好的提取SAR图像上的目标特征，并将这些特征融合用 于目标识别，目前还没有更为完善的SAR图像目标识别方法。

发明内容

本发明的目的在于提供一种基于多特征融合的SAR图像目标识别方法，能 够提高图像目标识别的精度。

为实现上述目的，本发明提供一种基于多特征融合的SAR图像目标识别方 法，所述方法包括：

利用平移不变小波变换和二值化方法对SAR图像进行边缘提取，然后利用 边缘的最小外接矩形定义目标的紧凑度、饱满度和复杂度，以描述目标边缘的 特征；

确定SAR图像的灰度共生矩阵，并利用所述灰度共生矩阵计算统计量，以 得到三个基本纹理特征，其中，所述三个基本纹理特征包括对比性、同质性以 及相关性；

对所述SAR图像构造多层超像素集，并基于所述多层超像素集构造非平衡 二向图，以用于将目标从所述SAR图像的背景中提取；

利用二维图像特征矩阵计算协方差矩阵，并设定主成分个数r，取协方差矩 阵的前r个较大特征值对应的特征向量组成最优投影矩阵，将训练样本向所述最 优投影矩阵进行投影，得到降维后的样本；