[发明专利]一种基于极端决策树的SAR图像目标识别方法

说明书

本发明应用于合成孔径雷达(Synthetic Aperture Radar,SAR)自动目标识别领域，特别涉及一种SAR目标识别的分类器设计，具体为一种基于极端决策树的SAR图像目标识别方法。本发明首先对SAR图像经过归一化及向量化预处理，然后使用全局特征提取算法主成分分析(PCA)实现维数约简，将维数约减后的SAR数据经过极端决策树的极端随机方法，提取SAR图像的表征特征，形成极端决策森林，最终完成SAR目标识别。本发明通过极端决策树构成的极端决策森林，有效解决了传统算法的多步骤匹配问题，能够利用随机特性提取版别性较强的特征，利用交叉验证的方法确认最优参数，保证对于不同数据集均能实现较高的识别水平。

技术领域

本发明应用于合成孔径雷达(Synthetic Aperture Radar,SAR)自动目标识别领域，特别涉及一种SAR目标识别的分类器设计，具体为一种基于极端决策树的SAR图像目标识别方法。

背景技术

由于SAR高分辨、全天时全天候、穿透性强等工作特点，其已成功应用到环境监测，民用管理及国防安全监控等诸多方面，而SAR自动目标识别一直以来是SAR中的研究热点之一。传统的SAR目标识别包括目标检测、鉴别、识别三步操作，目标识别是SAR自动目标识别中的研究重点，而其中的特征提取和分类器设计在SAR自动目标识别尤为重要。目前多数SAR目标识别方法集中在特征提取方法或者分类器设计的单方面研究，因此有些鉴别特征并不一定能得到更好的分类性能。

发明内容

本发明的目的在于针对上述SAR目标识别框架非最优问题，提出一种基于极端决策树的SAR图像目标识别方法，其中，极端决策树(Extra Decision Tree)是一种将特征提取与目标分类模型集成的算法，能够将原始SAR图像经过极端决策树的分层特征提取后形成分类路径，构成一个多棵树构成的森林结构；有效解决了传统算法的多步骤匹配问题，仅需单一算法便能够解决特征提取和分类识别两个重要步骤。

为实现上述目的，本发明采用的技术方案为：

一种基于极端决策树的SAR图像目标识别方法，包括以下步骤：

步骤1：对所有原始SAR图像做向量化、归一化处理，得到训练数据集；

假设SAR的图像大小为a×b，对图像做向量化处理可得到(a×b)的列向量；并做归一化处理，将原始SAR图像数据中每一维特征归一化，映射为0-1的数据值；

步骤2：对训练数据集进行全局特征提取(PCA)，得到降维数据集；用于加速运算；

步骤3：全局特征提取后的数据，经过极端决策树的特征提取，形成分类路径；

具体的极端决策树建树步骤为：

步骤3.1：将降维数据集中所有特征作为单棵极端决策树的输入，特征分裂使用随机分裂的方式，构建单棵极端决策树；

步骤3.2：重复步骤3.1，构建预设数量的单棵极端决策树，形成极端决策森林；其中，包含多棵极端决策树，每一棵树中包含对应的类别信息和形成的类别路径；

步骤3.3：K-折交叉验证，从训练数据集中取出一定比例的样本作为测试样本，多次学习得到最优参数；

步骤4：使用极端决策森林对待测样本完成分类识别，实现高精度的SAR目标识别。

需要说明的是，所述步骤2中，具体的做法是：全局特征提取，根据数据集的不同，匹配最优的维度保留数，图像的大小也影响着参数的选择；PCA降维的维数和图像大小需要按照数据集变化而动态变化；这样做的有益效果是：减少信息的丢失和避免信息的冗余，动态的参数将能够保证，进入决策树的数据特征是已经经过准确筛选的数据，极端决策树在随机选择特征的过程中能够选择判断能力较高的特征；