[发明专利]基于多层概率统计模型的SAR图像目标识别方法

说明书

技术领域

本发明属于SAR图像目标识别技术领域，特别涉及SAR图像特征提取，具体是一种基于多层概率统计模型的SAR图像目标识别方法，可用于SAR图像特征提取和SAR图像目标识别。

背景技术

SAR图像目标识别具有重要的军事价值和商业价值，一直是国内外研究的热点。虽然近几年目标识别领域已经得到了极大发展，但是准确快速地完成SAR图像目标识别仍然是一项充满挑战的任务。特征提取是SAR图像目标识别中十分关键的一步，提取到特征的好坏直接影响SAR图像目标的识别性能，因此有必要对SAR图像进行有意义的特征提取，提高SAR图像目标识别性能。

现在已经有了许多针对SAR图像的特征提取方法，例如PCA(Principal Component Analysis)，KPCA(Kernel Principal Component Analysis)，ICA(Independent Component Analysis)等均可对SAR图像进行特征提取。上述提取SAR图像特征的方法很大程度上改善了SAR图像目标识别性能，但这些方法存在一个共同特点：当输入的数据具有非负性时，得到的全局变量与隐变量仍然存在负值，而SAR图像数据中不存在负的像素点，因此上述方法提取得到的特征并不能得到很好的物理解释。非负矩阵分解(Non-negative Matrix Factorization,NMF)方法将输入矩阵近似分解为字典与隐变量的非负加权组合形式，该方法可提取到SAR图像内部的非负特征，增加SAR图像目标识别性能。

虽然NMF方法可以对SAR图像进行有效特征提取，但是其作为单层特征提取方法，挖掘的信息其结构较为简单，为了提取更为丰富的数据结构特征，在深度学习的启发下，国外学者提出了泊松伽马置信网络(Poisson Gamma Belief Network，PGBN)模型。PGBN模型属于深层概率生成网络，在第一层通过泊松分布将数据表示为字典与隐变量非负加权组合的形式，然后将底层隐变量经过伽马分布的形状参数分解为高层隐变量与高层字典的乘积，使其高层字典具有更为丰富的结构信息。与传统深层网络如深度置信网络(Deep Belief Network,DBN)相比：在建模方式上，DBN模型对隐变量采用二值数据建模，而PGBN模型对隐变量采用伽马分布建模，伽马分布的存在增强了网络的非线性，提高了模型的表征能力；在参数的训练方法上，DBN模型采用贪婪逐层堆叠策略训练网络参数，而PGBN模型利用吉布斯采样的方式对各层参数联合训练，减少了对参数的调节并提高了训练效率。目前对SAR图像的特征提取和目标识别方法中，没有涉及基于多层概率统计模型的非负特征提取方法；同时PGBN模型常用于文本的分类和主题提取，而且PGBN模型是一种无监督的多层概率统计模型，训练中没有利用到类别信息，因此需要大量的样本才能得到较为可靠的结果，在样本数量较少的情况下，往往无法得到理想的效果。

发明内容

本发明针对上述现有SAR图像特征提取技术的不足，提出一种更高识别率和稳定性的基于多层概率统计模型的SAR图像目标识别方法。

本发明是一种基于多层概率统计模型的SAR图像目标识别方法，其特征在于，包括有如下步骤：

(1)构建多层概率统计模型的训练集和测试集：输入待识别的SAR图像，对待识别的SAR图像进行预处理，将原始图像P×P从中心区域切割，得到大小为P'×P'的图像，并对所得图像进行能量归一化，将全部的SAR图像数据样本分为训练集和测试集，并根据已知训练样本监督信息将训练数据按自身分类；