[发明专利]基于混合智能优化算法的SAR图像特征选择方法

说明书

技术领域

本发明属于目标识别和模式识别技术领域，涉及一种基于混合智能优化算法的SAR图像特征选择方法。

背景技术

合成孔径雷达(Synthetic Aperture Radar，SAR)是一种微波成像传感器，具有全天时、全天候、多波段、多极化等特点，在国民经济和国防建设中有广泛的应用，如反弹道导弹的防御系统、海洋监测系统、矿藏探测等。

影响SAR图像自动目标识别(Automatic Target Recognition，ATR)的关键因素包括特征提取及特征选择，以及分类器设计两方面。目前SAR ATR采用的特征主要包括基于数学变换的特征、计算机视觉特征和电磁特等。基于数学变换的特征有小波变换、PCA、ICA等。由于这类特征通常具有较高的目标识别率，一般可直接使用或对多个特征进行融合。计算机视觉特征主要有纹理、姿态角、形状、分形维数、主导边界等；常见的电磁特征有散射中心、HRR剖面等。这两类特征能对应到成像场景中的目标，由于单个特征分类效果较差，一般通过使用多个特征组合以提高判别能力。对于一个SAR图像多个特征而言，它们之间会存在特征集的冗余问题、特征集过适应问题、实时显著特征的选取问题。特征选择是解决多个特征同时选择的手段，目的是在候选特征中筛选出最有效的特征组合。

发明内容

本发明针对现有技术的不足，提供了一种基于混合智能优化算法的SAR图像特征选择方法。

本发明的具体步骤是：

步骤(1).预处理

1.1 SAR图像增强

利用分形特征，通过设置合适的最大尺度ε_max，对原始SAR图像中每个像素进行MFFK计算，并生成对应的MFFK图像，实现SAR图像中的目标增强；

其中MFFK表示在ε_max的尺度范围内D维面积K的变化程度。

1.2 SAR图像分割

对增强后图像进行阈值分割，得到目标与背景分离的二值化图像。

1.3方位角的估计、图像的姿态矫正

对SAR分割图像，利用Hu不变矩估计目标的方位角，计算公式为

其中M₀₂、M₂₀、M₁₁为二阶矩，M₀₀为零阶矩，(x_c,y_c)表示图像的质心。根据估计的方位角对原始SAR图像进行姿态矫正。

1.4裁剪、中心化

对原始SAR图像和SAR分割图像分别读取以图像中心点为中心的61×61图像区域。

步骤(2).特征提取

2.1提取Zernike矩形状特征

基于原始SAR图像和矫正SAR图像的分割图像分别提取34维Zernike矩形状特征。

2.2提取Zernike矩幅值特征

基于原始SAR图像和矫正SAR图像的分割图像分别提取34维Zernike矩幅值特征。

2.3提取方位角特征

对SAR分割图像，利用Hu不变矩计算目标的方位角作为方位角特征。

2.4提取灰度共生矩阵特征

基于原始SAR图像和矫正SAR图像的分割图像分别计算灰度共生矩阵特征，将能量、熵、惯性矩、相关的均值和标准差作为8维纹理特征。

2.4提取Gabor纹理特征

Gabor滤波器具有很强的空间定位和方向选择性，基于原始SAR图像和矫正SAR图像的分割图像，通过一组Gabor小波获取SAR图像16维局部纹理特征。

步骤(3).特征选择

3.1粒子以及染色体编码

编码方式采用二进制编码，1表示该特征被选中，0表示未被选中。

3.2适应度函数设计

适应度函数从目标识别率和识别时间两方面考虑，采用权重的方法获得的适应度函数如式(3)表示

Fitness＝a×AC+b×(1-L₀/L) (3)

其中AC表示当前子序列的识别率，L₀表示当前子序列的特征个数，L为特征总个数，权重系数a、b的取值分别为0.8、0.2。

3.3混合智能优化算法

3.3.1初始化粒子

采用随机方法初始化N个粒子的位置和速度。

3.3.2选择优秀粒子