[发明专利]一种SAR图像目标识别方法

摘要

本发明公开了一种SAR图像目标识别方法，本发明的方法利用稀疏表示理论将目标数据表示为训练样本的线性组合，通过求解最优化问题得到了具有可区分能力的近似非负稀疏系数，然后基于各类别系数和的大小确定样本的类别。本发明的方法训练样本系数值的大小反应了目标数据与该训练样本的相似性程度，系数值越大相似性越高，反之则相似性越低，因此实际上目标数据对应系数的大小在某种程度上可以体现目标数据的真实类别；而且通过非负约束保证测试图像均为各训练样本的非负加权和，使其具有更加可以解释的意义，同时也更有利于识别。

主权项

1.一种SAR图像目标识别方法，具体包括如下步骤：S1.将k类训练样本的特征向量组成矩阵Θ=[Θ₁,Θ₂,...,Θ_i，...,Θ_k]，其中，第i类目标的n_i个训练样本的特征向量组成矩阵的列向量集令n=k×n_i，可得Θ∈R^m×n，矩阵的列向量为SAR图像训练样本的m维特征向量，任一目标数据的特征向量y∈R^m，其中表示m×n_i维实数数组，R^m×n表示m×n维实数矩阵，R^m表示m维实数向量；S2.1.将目标数据表示成训练样本的线性组合，得到目标数据和训练样本之间的稀疏表示模型，即:y=Θα其中，α∈Rⁿ且α为线性表示的系数向量；S2.2.将式y=Θα的求解转化为最小l₁范数凸优化问题，并对系数向量α施加非负约束，则求解y=Θα的非负稀疏重建模型为：α^1=argmin||α||1]]>s.t.||Θα-y||₂≤εα≥0其中，表示稀疏表示的非负系数向量，ε>0为重建结果允许的误差上限，所述的具体计算过程如下：对的求解形式可转化为：其中，τ为预先设置的调节系数，由于限制α≥0，α直接表示为：α=u,u≥0所以minα12||y-Θα||22+τ||α||1,]]>可表示为：minu(12||y-Θu||22+τ1nTu)]]>s.t.u≥0其中，为n个1组成的向量，由于α=u，为实现正确的矩阵运算这里的n取α∈Rⁿ中的n同样大小。有：minu(12||y-Θu||22+τ1nTu)]]>=minu((τ1n-ΘTy)Tu-12uTΘTΘu)]]>将重写为标准的BCQP形式有：minzcTz+12zTBz≡F(z)]]>s.t.z≥0其中，z=u,b=Θ^Ty,c=τ1_n-b,B=Θ^TΘ目标函数F(z)的梯度方程为：▿F(z)=c+Bz]]>利用梯度投影算法经过t次迭代求得稀疏解z^(t+1)，进而求得稀疏表示的非负系数向量的S3.计算中第i类上的系数之和：si(y)=sum(δi(α^1)),(i=1,...,k)]]>是实际情况下求得的系数向量，对于每一类i，构造函数δ_i提取第i类上的系数，对于是保留α中第i类的系数，其它类对应的系数是赋值为0的向量，其中，s_i(y)是向量的系数之和；S4.输出目标数据类别identity(y)：将测试样本归类到样本系数之和最大的类别：identity(y)=argmaxi(si(y)).]]>