[发明专利]基于贝叶斯多核学习支持向量机的SAR目标识别方法

摘要

本发明公开了一种基于贝叶斯多核学习支持向量机的SAR目标识别方法，主要解决现有的目标识别方法对SAR图像目标识别不准确的问题。其实现步骤为：1)输入原始SAR图像并预处理，计算不同特征的核矩阵；2)根据多核学习方法对核矩阵进行组合；3)根据组合的核矩阵对支持向量机建立贝叶斯多核学习支持向量机模型；4)使用期望最大化算法求解贝叶斯多核学习支持向量机模型，得到最优解；5)使用最优解对SAR图像测试数据进行目标识别。本发明有效地结合了贝叶斯方法的推断能力和多核学习方法的区分能力，提高了识别性能，可用于对SAR图像的分类。

主权项

1.一种基于贝叶斯多核学习支持向量机的SAR目标识别方法，包括：(A)SAR图像预处理及核矩阵计算步骤：A1)输入一幅原始SAR图像：I＝{i_mn|1≤m≤M,1≤n≤N}，其中，i_mn表示SAR图像的幅度像素值，M表示原始SAR图像的行数，N表示原始SAR图像的列数；A2)对原始SAR图像I进行二值分割，并计算获得SAR图像的质心A3)将原始SAR图像I进行圆周移位，使质心移动到图像的中心位置，得到配准图像I₁；A4)对配准SAR图像I₁依次进行对数变换、中值滤波和图像截取，得到SAR图像的图像域特征I₂，并将图像域特征I₂列向量化；A5)对配准SAR图像I₁做图像截取和二维傅立叶变换，并将零频移至图像中心，得到频域特征I₃，并将频域特征I₃列向量化；A6)分别对原始SAR图像训练集和测试集重复过程A1)～A4)得到图像域特征的训练数据集T_tr和测试数据集T_te；A7)分别对原始SAR图像训练集和测试集重复过程A1)～A5)得到频域特征的训练数据集P_tr和测试数据集P_te；A8)使用KSVD算法对图像域特征训练集T_tr学习，得到字典D和与T_tr对应的稀疏系数特征训练数据集S_tr，结合字典D和图像域特征测试数据集T_te，使用OMP算法计算得到稀疏系数特征测试数据集S_te；(B)多核学习步骤：B1)使用径向核函数RBF，结合图像域特征训练数据集T_tr和测试数据集T_te，计算得到图像域特征训练数据集的核矩阵K_ttr(T_tr,T_tr)和图像域特征测试数据集核矩阵K_tte(T_tr,T_te)；B2)使用径向核函数RBF，结合频域特征训练数据集P_tr和测试数据集P_te，计算得到频域特征训练数据集的核矩阵K_ptr(P_tr,P_tr)和频域特征测试数据集核矩阵K_pte(P_tr,P_te)；B3)使用径向核函数RBF，结合稀疏系数特征训练数据集S_tr和测试数据集S_te，计算得到稀疏系数特征训练数据集的核矩阵K_str(S_tr,S_tr)和稀疏系数特征测试数据集核矩阵K_ste(S_tr,S_te)；B4)结合步骤B1)～B3)中计算得到的三种特征的训练集核矩阵和测试集核矩阵，使用核组合方法计算获得SAR图像训练集的组合核矩阵K_tr(V',V_tr)和测试集的组合核矩阵K_te(V',V_te)，其中，V'表示基向量集，V_tr表示SAR图像训练数据集，V_te表示SAR图像测试数据集；(C)贝叶斯推理步骤：C1)使用SAR图像训练集的组合核矩阵K_tr(V',V_tr)建立贝叶斯多核学习支持向量机模型；C2)使用期望最大化算法EM求解贝叶斯多核学习支持向量机模型，获得贝叶斯多核学习支持向量机的最优解β'；C3)使用步骤C2)中得到的贝叶斯多核学习支持向量机模型的最优解β'，结合SAR图像测试集的组合核矩阵K_te(V',V_te)，计算得到SAR图像目标识别类别标号y_te。