[发明专利]基于弱监督学习的SAR图像目标鉴别方法

摘要

本发明公开了一种基于弱监督学习的SAR图像目标鉴别方法，主要解决现有技术鉴别性能低和样本标记成本高的问题。其实现方案是：在训练阶段，先对正图像的样本集和负图像的负样本集分别提取局部限制性编码LLC特征，再用负样本集训练一个潜在的狄利克雷分配LDA模型，并用该模型从正图像样本集中挑选初始正样本集，用以迭代训练二类SVM鉴别器，得到最优鉴别器；在测试阶段，先对测试样本集提取局部限制性编码LLC特征，再用得到的最优鉴别器对测试样本集进行鉴别。本发明在鉴别性能与全监督的二类SVM鉴别器相近的同时减少了人工标记的成本，更具有实用性，而且，对比杂波训练的一类SVDD鉴别器在复杂场景下的鉴别性能更优，适用于SAR图像目标鉴别。

主权项

1.基于弱监督学习的SAR图像目标鉴别方法，包括：A、训练步骤(A1)对正图像样本集X+和负图像的负样本集X‑中的每个训练样本提取M维局部限制性编码LLC特征，M＝1024，其中，正图像样本集X+中没有人工标记，既包含正样本也包含负样本：(A11)对每个训练样本提取密集尺度不变特征变换SIFT特征，并对所有训练样本的密集尺度不变特征变换SIFT特征用Kmeans聚成M类；(A12)用M个聚类中心构造码本CB，即M个聚类中心按列排列组成的矩阵作为码本CB；(A13)用构造的码本CB对每个训练样本的密集尺度不变特征变换SIFT特征进行局部限制性编码，得到训练样本编码后的局部限制性编码LLC特征：(A13.1)对训练样本x的密集尺度不变特征变换SIFT特征D＝[d1,...,dn,...,dK]中的第n个128维尺度不变特征变换SIFT特征dn，计算dn与码本CB中每个码本元素的欧式距离，找到欧式距离最小的5个码本元素，并按列排列得到局部基LBn；(A13.2)分别用尺度不变特征变换SIFT特征d_n与其对应的局部基LB_n中的5个元素的欧式距离除以其与该5个元素的欧式距离之和，得到局部基LB_n中的5个元素对应的编码系数(A13.3)将码本CB中所有码本元素对应的编码系数组成列向量，得到特征dn的编码系数cn，其中，码本CB中除了局部基LBn中的码本元素之外，其他的码本元素对应的编码系数均为0；(A13.4)对训练样本x的密集尺度不变特征变换SIFT特征D＝[d1,...,dn,...,dK]中的K个128维尺度不变特征变换SIFT特征按步骤(A13.1)‑(A13.3)进行编码，得到对应的编码系数矩阵c＝[c1,...,cn,...,cK]，对编码系数矩阵c中的每一行元素求其最大值，得到训练样本x的M维局部限制性编码LLC特征C；(A2)用负图像的负样本集X^‑训练潜在的狄利克雷分配LDA主题模型，并用该潜在的狄利克雷分配LDA主题模型从正图像样本集X⁺中挑选初始的正样本集所述用该潜在的狄利克雷分配LDA主题模型从正图像样本集X⁺中挑选初始的正样本集其实现如下：(A2.1)根据潜在的狄利克雷分配LDA模型，计算训练样本中所有样本的似然概率；(A2.2)将负图像的负样本集X‑中所有负样本的似然概率按从大到小的顺序排序，取第0.8×Q的负样本的似然概率作为挑选初始正样本集的挑选门限Tr，其中Q为负样本集X‑中负样本的个数；(A2.3)将正图像的样本集X⁺中样本的似然概率小于挑选门限Tr的样本选出，组成新的样本集合，即为挑选的初始正样本集(A3)用负样本集X^‑和初始的正样本集迭代训练全监督的二类SVM鉴别器，得到最优鉴别器；B、测试步骤(B1)对测试样本集中的每个测试样本提取M维局部限制性编码LLC特征：(B11)对每个测试样本提取密集尺度不变特征变换SIFT特征；(B12)用训练步骤(A12)中构造的码本CB对每个测试样本的密集尺度不变特征变换SIFT特征提取局部限制性编码，得到每个测试样本的局部限制性编码LLC特征；(B2)用训练得到的最优鉴别器根据测试样本的局部限制性编码LLC特征对测试样本进行分类鉴别，得到鉴别结果。