[发明专利]一种基于多核最优化的合成孔径雷达自动目标识别方法

说明书

技术领域

本发明涉及一种基于多核最优化的合成孔径雷达自动目标识别方法，属于合成孔径雷达信号处理领域。

背景技术

合成孔径雷达(Synthetic Aperture Radar,SAR)因其全天时，全天候和高分辨率成像的特性，广泛地被应用在民用和军用领域。然而受SAR成像系统固有特性影响，所获得的SAR图像与光学图像差异很大，造成了目标识别的困难；此外，以目前对侦察系统的大范围覆盖要求，需要处理大量的SAR图像数据，造成了快速识别的困难。对于这些问题，仅仅依靠人工判读，其正确性和高效性都无法满足实际需要。因此，需要寻找一种准确快速的SAR图像目标判读方法，SAR ATR应运而生。

SAR ATR，即合成孔径雷达自动目标识别，它主要包括三个步骤：SAR图像预处理、特征提取和目标分类。其中，特征提取是SAR ATR里的一项重要步骤，旨在通过对已有样本的学习，建立起已有样本和新样本之间的联系，进而发掘出新样本中有利于分类的低维特征，进行高效的识别。

目前常用的特征提取方法分为线性方法和非线性方法：线性方法只有在数据集满足线性可分的条件下才是最优的，而对于SAR数据集，往往是线性不可分的，因而线性方法的使用受到了一定限制；非线性方法种类较多，如核方法、基于流形理论的方法等。其中，基于流形理论的方法从SAR数据集的分布特点进行考虑，是一类较为合理的SAR ATR特征提取方法。在文献“Seung H S,Lee D D.The manifold ways of perception[J].Science,2000,290(5500):2268-2269”中指出，大量的高维数据在人脑中是以流形结构存储的。此后，越来越多的研究者认为SAR数据是分布在一个嵌入于高维空间中的低维流形结构上的。基于流形学习理论的代表性方法有：locally linear embedding(LLE)、Laplacian eigenmaps(LE)。但这些方法没有建立起已有数据集和新数据集之间的联系，不能通过对已有数据集的学习来获得新数据集的特征，因而无法应用于SAR ATR中。

此后，在文献“He X,Niyogi P.Locality preserving projections[C].NIPS.2003,16:234-241”中提出的Locality preserving projections(LPP)方法，从已有数据集中训练学习得到投影向量，进而可以通过投影的方法获得新数据集的特征，建立起已有数据集和新数据集之间的联系。但是该方法没有考虑样本的类别信息，应用于SAR ATR中效果不理想。

在文献“Chen H T,Chang H W,Liu T L.Local discriminant embedding and its variants[C].Computer Vision and Pattern Recognition,2005.CVPR2005.IEEE Computer Society Conference on.IEEE,2005,2:846-853”中提出的Local discriminant embedding(LDE)方法，引入了样本的类别信息，克服了LPP中存在的问题。Kernel local discriminant embedding(KLDE)方法，引入了核方法，应用于SAR ATR中获得了较好的识别效果。但是，KLDE有着核函数参数选择的敏感问题，不同的核函数参数对识别效果有很大影响。

发明内容

本发明的目的在于克服现有技术的不足，提供一种以最优化的方法求得核函数系数，克服了核方法中不同核函数参数的选择对识别效果影响较大的问题，提高了SAR图像的识别率，具有良好的稳定性和更高的实用价值的基于多核最优化的合成孔径雷达自动目标识别方法。

本发明的目的是通过以下技术方案来实现的：一种基于多核最优化的合成孔径雷达自动目标识别方法，包括以下步骤：

S1：SAR图像预处理，包括以下子步骤：

S11：目标分割：找到图像中的目标区域，以目标为中心向周边扩展，分割出包含目标的全部有效信息的图像切片，并对所有的图像切片进行图像增强，将图像增强后的SAR数据集记为其中，x_i表示第i幅SAR图像，N表示样本数目，对应的样本类别记为y_i是图像x_i的类别；

S12：数据集分类：将整个SAR数据集进行分类，取train_N个样本作为训练样本，余下的test_N个样本作为测试样本；