SAR图像目标识别方法

摘要

本发明公开一种SAR图像目标识别方法，主要解决现有技术的样本特征维数过大，计算复杂，时间消耗长的问题。其实现步骤为：(1)对SAR图像初始化，得到训练样本矩阵和测试样本矩阵；(2)利用Johnson–Lindenstrauss推论和有限等距RIP条件，构造稀疏测量矩阵；(3)根据稀疏测量矩阵，对训练样本矩阵和测试样本矩阵进行降维并归一化，获得归一化后的样本矩阵；(4)根据归一化后的样本矩阵，利用最近邻分类器，得到测试样本的类别标号。本发明与现有技术相比降低了样本的特征维数和计算复杂度，提高了SAR目标识别的精度和运算速度，可用于图像处理。

主权项

一种SAR图像自动目标识别方法，包括如下步骤：(1)输入SAR图像，并对其进行Haar小波变换，得到训练样本矩阵X∈R^m×N和测试样本矩阵X′∈R^m×N′，其中，R表示实数集合，m表示原样本的特征维数，N表示训练样本的个数，N′表示测试样本的个数；(2)根据Johnson–Lindenstrauss推论和RIP条件得出一个稀疏测量矩阵W∈R^n×m，其矩阵元素为：$w_{ab}=\sqrt{s}\times \left\{\begin{array}{cc}1& p=\frac{1}{2s}\\ 0& p=1-\frac{1}{s}\\ -1& p=\frac{1}{2s}\end{array}\right.,$其中，w_ab表示稀疏测量矩阵W的第a行第b列的元素，a∈{1,2,…,n}，n为稀疏测量矩阵的维数，b∈{1,2,…,m}，s为稀疏测量矩阵的量化参数，p为稀疏测量矩阵中元素出现的概率；(3)将步骤(2)中得到的稀疏测量矩阵W，分别与训练样本矩阵X和测试样本矩阵X′相乘进行降维，得到降维后的训练样本矩阵Z_train∈R^n×N和测试样本矩阵Z_test∈R^n×N′，并对该降维后的训练样本矩阵和测试样本矩阵进行归一化，得到归一化的训练样本矩阵和测试样本矩阵(4)对N个训练样本设置类别标号Y∈R^1×N；(5)计算归一化后的测试样本矩阵和N个已知类别的训练样本之间的距离：$\begin{array}{ccc}{d}_i\left(x_l^{\prime }\right)=\underset{j=1,2,...,N}{min}\left|\right|x_l^{\prime }-x_j^{\left(i\right)}\left|\right|& i=1,2,...,c,& l=1,2,...,N^{\prime }\end{array};$其中，x′_l是归一化后测试样本矩阵的第l个样本，是训练样本矩阵中的第j个样本，属于类别标号Y中的第i类，c是训练样本的类别数；(6)将步骤(5)中得到的距离，带入下式中，得到测试样本的最终类别标号：$k=\arg \left[\underset{1\le i\le c}{{\mathrm{mind}}_i\left(x_l^{\prime }\right)}\right]$其中，k是测试样本x′_l的最终类别标号。