[发明专利]基于数据分块并行的切空间排列SAR图像目标识别方法

说明书

本发明属于雷达图像处理领域，具体为一种基于数据分块并行的切空间排列SAR图像目标识别方法，用以克服原始LLTSA无法处理大数据集，矩阵阶数与特征数相同的局限性。本发明通过分析原始数据集的像素点分布，搜索目标和噪声分布图中目标信息量丢失最小的分块点，并依据分块点对每一类单类原始数据进行数据分块，再对分块后数据分别进行LLTSA；这样做保证在LLTSA做维数约简时，原始信息的内容，最大化的不包含杂质，将目标的信息保留完整，后续步骤的降维可以设置到很小的取值，从而有效减少相干斑噪声的影响；同时，每一类单类原始数据可以并行进行数据分块到目标识别过程，大大提等识别速度。

技术领域

本发明属于雷达图像处理领域，特别涉及一种合成孔径雷达(SyntheticAperture Radar,SAR)图像目标识别方法，具体为一种基于数据分块并行的切空间排列SAR图像目标识别方法。

背景技术

特征提取是SAR图像目标识别中最重要的操作环节，近年来，许多经典的特征提取算法，如主成分分析算法和线性鉴别分析等这些全局特征提取方法已被成功地应用到SAR图像特征提取阶段。但由于SAR图像独特的成像机制，SAR图像对目标方位角、俯仰角以及环境噪声是非常敏感的；也就是说，在很小的目标姿态变化的情况下，SAR图像的轮廓、目标背影等这些全局特征变得极不稳定；因此，在真实的SAR目标识别场景中，全局特征提取方法面临重大挑战。

流形学习，作为一种新的特征挖掘技术也已经被应用到计算机视觉、雷达高分辨距离像等模式识别领域；由于其可保持高维数据固有的局部结构，并能挖掘出原始高维数据中潜在的低维结构，因此吸引了众多学者的研究。线性局部切空间排列(Linear LocalTangent Space Alignment,LLTSA)算法是局部流形学习算法的代表之一，由于其可以提取出目标的局部特征，因此已被成功地应用到雷达高分辨距离像识别；但面对高维的SAR图像识别问题，LLTSA的最大的缺点是：算法中的特征分解部分，矩阵的阶数必须与样本数相同，这对样本数较多，数据维度较高的数据集处理较难。

发明内容

本发明的目的在于针对上述SAR图像特征提取存在的问题，提出一种数据分块并行线性局部切空间排列(Data Block Parallel Linear Local Tangent SpaceAlignment,DBPLLTSA)的SAR图像目标识别方法；有效克服原始LLTSA无法处理大数据集，矩阵阶数与特征数相同的局限性，本发明引入并行思想，大大提升运算效率；同时，通过利用线性局部切空间排列挖掘出原始SAR图像固有的局部特征，缓解了全局特征提取方法面临的重大挑战，改善SAR图像目标识别性能。

为实现上述目的，本发明采用的技术方案如下：

基于数据分块并行的切空间排列SAR图像目标识别方法，包括以下步骤：

步骤1：对每一类目标的每一幅原始图像做向量化处理，构成单类原始数据，将所有单类原始数据构成原始数据集A＝{A₁,A₂,...,A_m,...,A_M}，其中，A_m表示第m类目标的单类原始数据；

步骤2：分析原始数据集A的像素点分布，得到目标和噪声分布图；搜索目标和噪声分布图中目标信息量丢失最小的分块点，即目标分布最大区域和噪声最纯净区域；

步骤3：数据分块，以供给LLTSA计算每个块的降维结果，具体为：

将第m类目标的单类原始数据A_m按照步骤2得到的分块点进行数据分块，得到数据块A′_m：A′_m＝{A_m,1,A_m,2,A_m,3}，其中，A_m,2表示目标区域，A_m,1、A_m,3均表示噪声区域；