[发明专利]基于稀疏表示和多特征决策级融合的SAR图像识别方法

权利要求书

1.基于稀疏表示和多特征决策级融合的SAR图像识别方法，其特征在于，该方法具体是：

步骤(1)、对原始SAR图像进行预处理，获取目标切片图像I；

步骤(2)、提取目标切片图像的目标灰度特征向量

步骤(3)、随机生成多个不同尺寸的卷积核，对目标切片图像进行卷积滤波，通过均方池化操作提取多尺度随机卷积特征向量f₂；采用稀疏随机投影映射对提取的随机卷积特征向量进行降维，得到降维随机卷积特征向量

步骤(4)、采用字典学习算法对从每一类别训练样本提取的两种特征向量构成的字典分别进行优化，然后将优化后的字典合并成用于目标识别的字典；

步骤(5)、进行样本测试时，基于灰度特征和降维随机卷积特征进行稀疏系数优化求解，将重构误差转化为目标分类概率并进行决策级融合，从而实现目标类别判别；

步骤(3)具体是：

为提取随机卷积特征，首先对目标切片图像I进行缩放，使其分辨率变为32×32，将得到的目标切片图像记做P；采用的卷积核宽度集合设定为{5,7,9,11,13}，先按照一定概率采样再确定卷积核宽度，然后基于式(1)生成二维随机卷积核Kernel_m，采用的卷积核数量为N；

Kernel_m(i,j)＝2×rand()-1 式(1)

其中i、j分别表示二维随机卷积核的行、列坐标，m＝1，2，…，N表示二维随机卷积核的索引；rand()产生位于区间[0，1]均匀分布的随机数；

采用二维随机卷积核对目标切片图像进行滤波时，对原始图像进行补零操作，使得采用不同卷积核对图像滤波后生成的特征图像尺寸保持一致，具体如式(2)所示；

F_m＝Kernel_m*padding(P) 式(2)

其中，F_m表示计算得到的二维随机卷积特征，*表示卷积操作，padding(P)表示根据卷积核的宽度对目标切片图像P边缘用0进行填充，使得F_m与P的大小保持一致；

为使获得的二维随机卷积特征对目标平移具有一定的不变性，采用均方池化操作进行特征变换，如式(3)所示；

其中i，j＝1，2，…，32+1-g，g为池化操作进行的区域宽度；

对目标切片图像基于N个卷积核通过卷积和池化操作进行特征提取后，将生成的二维随机卷积特征图P_m拉伸成列特征向量f_m，并将{f_m}_m＝1…N进行合并，组成一个更大维数的特征向量f₂，其维数为[N×(32+1-g)² 1]；

采用随机投影映射方法对提取的特征进行降维；为使降维后的特征更稀疏，采用公式(4)生成稀疏随机投影映射矩阵R_ab；

其中，a为经稀疏随机投影映射矩阵R_ab降维后的维数，b＝N×(32+1-g)²为特征向量f₂的维数，ρ决定矩阵R_ab的稀疏程度；当ρ＝b/c时，理想情况下矩阵R_ab的每一行中仅有c个元素为非零，表明当c取一个很小的数值时，生成的映射矩阵R_ab是稀疏的；

原特征向量f₂经过公式(5)降维后，得到降维随机卷积特征向量

2.根据权利要求1所述的基于稀疏表示和多特征决策级融合的SAR图像识别方法，其特征在于步骤(5)具体是：

从待测样本x中分别提取灰度特征向量和降维随机卷积特征向量基于l₁范数分别求解如式(7)所示的凸优化问题，得到对应的稀疏系数α₁和α₂；符号索引记为p；其中ε为阈值；

根据求解得到的稀疏系数α₁和α₂，可进行目标类别判别；由于SAR图像具有强烈的相干斑噪声，采用基于最小重构误差的方法判别目标类别；对于第k类目标，定义函数：对于是系数向量，其中α中仅与第k类目标相对应索引处值保持不变，其余索引处值设为零；定义重构误差为

由式(9)得到，残差最小的n₁，n₂值分别对应测试样本x基于灰度特征和降维随机卷积特征的识别结果；为便于对基于两种特征的识别结果进行融合，根据式(8)得到重构误差后，基于SoftMax思想将利用公式(8)求解得到的稀疏系数重构误差转化为属于每一类目标的识别概率，如式(10)和式(11)所示；

采用贝叶斯融合规则进行两种特征识别结果的融合，如式(12)所示；目标的类别class由式(13)所示得到；