[发明专利]一种基于混合核函数SVM分类器的SAR图像分类方法

说明书

本发明提供一种基于混合核函数SVM分类器的SAR图像分类方法，包括如下步骤：S1、传统特征提取；S2、PCA降维：对传统特征进行PCA降维，获得新特征；S3、SVM参数优化：通过所述步骤S2中得到的PCA降维后的新特征，利用交叉验证寻优算法，将图像按照6：1划分为两部分，对于其中占比为七分之六的部分进行SVM模型的训练，以寻求最优的混合核函数参数组合；S4、分类结果获取：通过所述步骤S3中获取的最优的混合核函数参数组合对分类样本剩下的七分之一进行分类实验，获取最终分类结果。直接使用SVM方法识别的准确率仅有72％，本发明实施例使用PCA降维后的结果准确率有所提升。

技术领域

本发明涉及SAR图像应用技术领域，特别涉及一种基于混合核函数SVM分类器的SAR图像分类方法。

背景技术

合成孔径雷达具有全天时、全天候、远作用距离、高分辨率等特点，在各领域发挥了重要作用。基于SAR图像的分类识别技术，特别是地面相关目标识别技术受到广泛关注。

SAR图像有很多特征，如长宽比、像素灰度统计特征、纹理特征等，这些特征是人类认知中的重要组成。不同的图像特征，其作用也不相同。主成分分析方法(PrincipalComponent Analysis，PCA)作为最广泛使用的数据降维方法，通过将n维特征映射到k维上，即在原有的n维特征的基础上重新构造出新的k维特征，并将这k维的全新正交特征作为主成分。

支持向量机(Support Vector Machine，SVM)是通过设定核函数，将输入空间映射到一个高维空间中得到特征向量之间的内积，然后在低维空间进行计算，通过核函数学习找到线性可分的最优分类超平面。该方法在解决小样本、非线性分类问题等方面时有着显著优势。

鉴于以上分析，为了实现利用SVM分类器对SAR图像进行分类，本发明提出一种基于混合核函数SVM分类器的SAR图像分类方法。

与本发明相近的技术方案有一种基于小波特征的混合核函数的SVM分类器的SAR图像分类方法。该方法通过标识和归一化样本图像并进行小波分解，从而获得各类特征按结构体，通过提取的子带多特征构建SVM分类器的基于小波特征的混合核函数，并对该混合核函数中的参数通过凸组合进行优化，最终完成对图像特征的分类。

上述基于小波特征的混合核函数的SVM分类器的SAR图像分类方法的缺点是对图像进行归一化和标识后进行小波分解，每个子带都会出现多个分解特征，对于运算及核函数来说数据量过大，同时在混合核函数中采用的是特征上的混合，并没有利用不同的核函数进行组合，无法充分体现异构数据直接的相似性。而本发明通过对获取的常规特征进行PCA降维实现特征的精简，再将高斯核函数和多项式核函数混合，可以提高SAR图像地面目标的分类精度。

发明内容

本发明的目的在于提供一种基于混合核函数SVM分类器的SAR图像分类方法，以解决现有技术中对于运算及核函数来说数据量过大的问题，同时在混合核函数中采用不同的核函数进行组合，可以解决单一核函数无法充分体现异构数据相似性的问题。

本发明的技术方案是：提供一种基于混合核函数SVM分类器的SAR图像分类方法，包括如下步骤：

S1、传统特征提取：

提取SAR图像的传统特征；

S2、PCA降维：

对所述步骤S1中获得的SAR图像的传统特征进行PCA降维，获得新特征；

S3、SVM参数优化：

通过所述步骤S2中得到的PCA降维后的新特征，利用交叉验证寻优算法，将图像按照6：1划分为两部分，对于其中占比为七分之六的部分进行SVM模型的训练，寻求最优的混合核函数参数组合；

S4、分类结果获取：