[发明专利]基于多层概率统计模型的SAR图像目标识别方法

摘要

本发明公开了一种基于多层概率统计模型的SAR图像目标识别方法，解决现有方法在输入SAR图像数据具有非负性时，只能提取SAR图像单层非负特征的问题。实现步骤是构建多层概率统计模型的训练集和测试集；初始多层概率统计模型参数；用联合学习的方式训练多层概率统计模型，并保存全局变量；用联合学习的方式测试多层概率统计模型，得到模型所有参数用于后续识别；利用测试得到的参数对SAR图像进行目标识别。本发明基于多层概率统计模型，采用联合学习方式对模型进行训练和测试，提取SAR图像特征和目标识别，本发明减少了模型参数复杂度，提取到SAR图像的多层非负特征，提高了SAR图像目标识别性能和稳定性，用于对SAR图像进行目标识别。

主权项

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；(2)初始多层概率统计模型参数：分别对模型全局参数，隐变量参数，以及各先验分布的超参数Φ(l,C),θ(l,C),rC,γ0C,c0C,η(l,C),p(2,C),c(3,C),a0C,e0C,b0C,f0C,KlC进行初始化，其中C表示第C类训练样本对应类别，l表示网络的第l层，Φ(l,C)是第C类训练样本第l层全局参数矩阵，η(l,C)是Φ(l,C)先验分布的第一参数，θ(l,C)是第C类训练样本第l层隐变量参数矩阵，c(3,C)是θ(2,C)先验分布的第二参数向量，p(2,C)是θ(1,C)先验分布的第二参数向量，rC是第C类训练样本的顶层全局参数向量，γ0C是rC先验分布的第一参数，c0C是rC先验分布的第二参数，a0C是γ0C先验分布的第一参数，b0C是γ0C先验分布的第二参数，e0C是c0C先验分布的第一参数，f0C是c0C先验分布的第二参数，Kl是各类训练样本第l层的隐变量维度值，初始化完成后，初步形成多层概率统计模型；(3)训练多层概率统计模型：输入有标签的SAR图像训练数据，采用联合学习的方式训练初始化之后的多层概率统计模型；得到全局变量并保存；(4)测试多层概率统计模型：将训练过程得到的全局变量作为多层概率统计模型的初始值，输入类别待定的SAR图像测试数据后，采用联合学习的方式，测试多层概率统计模型，得到测试过程中多层概率统计模型所有的参数，测试完成得到测试后的多层概率统计模型；(5)SAR图像目标识别：利用测试后的多层概率统计模型提取SAR图像的特征，并对SAR图像进行分类；(5a)分别计算各类测试后的多层概率统计模型中测试数据对应的似然值；根据朴素贝叶斯分类准则，比较每一个测试样本对应各类测试后的多层概率统计模型中的似然值，将似然值最大的多层概率统计模型其类别作为测试样本的预测类别，并输出每一个SAR图像预测类别标签；(5b)将输出的每一个SAR图像预测类别标签与所对应的测试集的正确类别相对比，正确标签的个数在所有测试样本的总个数中所占比例即为得到针对SAR图像目标的识别率。