基于混合智能优化算法的SAR图像特征选择方法

摘要

本发明公开了一种基于混合智能优化算法的SAR图像特征选择方法。本发明首先采用分形特征对SAR图像进行增强，基于分割后的图像提出了一种基于图像矩的方位角估计方法。然后基于未校正和校正后的图像分别提取Zernike矩、Gabor小波系数和灰度共生矩阵构成候选特征序列。采用了一种结合遗传算法和二值粒子群的混合优化算法实现SAR图像特征选择。最后采用MSTAR数据库验证了提出算法的有效性。实验结果表明，优化后的特征集合具有一定泛化能力，一方面提高了SAR目标识别的准确率，另一方面减小了SAR图像目标识别的时间。

主权项

基于混合智能优化算法的SAR图像特征选择方法，其特征在于该方法的具体步骤是：步骤(1).预处理1.1SAR图像增强利用分形特征，通过设置合适的最大尺度ε_max，对原始SAR图像中每个像素进行MFFK计算，并生成对应的MFFK图像，实现SAR图像中的目标增强；$MFFK(x,y)=\underset{ϵ=2}{\overset{{ϵ}_{max}}{\Sigma }}{[K(x,y,ϵ)-\frac{1}{{ϵ}_{\max }-1}\underset{ϵ=2}{\overset{{ϵ}_{\max }}{\Sigma }}K(x,y,ϵ)]}^2---\left(1\right)$其中MFFK表示在ε_max的尺度范围内D维面积K的变化程度；1.2SAR图像分割对增强后图像进行阈值分割，得到目标与背景分离的二值化图像；1.3方位角的估计、图像的姿态矫正对SAR分割图像，利用Hu不变矩估计目标的方位角，计算公式为$\theta =\frac{{\tan }^{-1}\left(\frac{2(\frac{M_{11}}{M_{00}}-x_c{y}_c)}{(\frac{M_{20}}{M_{00}}-{x_c}^2)-(\frac{M_{02}}{M_{00}}-{y_c}^2)}\right)}{2}---\left(2\right)$其中M₀₂、M₂₀、M₁₁为二阶矩，M₀₀为零阶矩，(x_c,y_c)表示图像的质心；根据估计的方位角对原始SAR图像进行姿态矫正；1.4裁剪、中心化对原始SAR图像和SAR分割图像分别读取以图像中心点为中心的61×61图像区域；步骤(2).特征提取2.1提取Zernike矩形状特征基于原始SAR图像和矫正SAR图像的分割图像分别提取34维Zernike矩形状特征；2.2提取Zernike矩幅值特征基于原始SAR图像和矫正SAR图像的分割图像分别提取34维Zernike矩幅值特征；2.3提取方位角特征对SAR分割图像，利用Hu不变矩计算目标的方位角作为方位角特征；2.4提取灰度共生矩阵特征基于原始SAR图像和矫正SAR图像的分割图像分别计算灰度共生矩阵特征，将能量、熵、惯性矩、相关的均值和标准差作为8维纹理特征；2.4提取Gabor纹理特征Gabor滤波器具有很强的空间定位和方向选择性，基于原始SAR图像和矫正SAR图像的分割图像，通过一组Gabor小波获取SAR图像16维局部纹理特征；步骤(3).特征选择3.1粒子以及染色体编码编码方式采用二进制编码，1表示该特征被选中，0表示未被选中；3.2适应度函数设计适应度函数从目标识别率和识别时间两方面考虑，采用权重的方法获得的适应度函数如式(3)表示Fitness＝a×AC+b×(1‑L₀/L)    (3)其中AC表示当前子序列的识别率，L₀表示当前子序列的特征个数，L为特征总个数，权重系数a、b的取值分别为0.8、0.2；3.3混合智能优化算法3.3.1初始化粒子采用随机方法初始化N个粒子的位置和速度；3.3.2选择优秀粒子根据N个粒子的适应度函数值排序，将适应度函数值高的N/2个粒子作为优秀粒子保留，另外N/2个粒子舍弃；3.3.3粒子更新首先采用NBPSO算法更新保留的N/2个粒子的位置和速度，粒子的速度更新公式为其中分别表示粒子的位置变为1、0的概率，当P_ibst或者P_gbst等于0时，增加、减小；反之，当P_ibst或者P_gbst等于1时，减小、增加，通过这种方式，粒子某一位置的变1和表0的方向能保持下去并且用于粒子的更新；粒子的位置更新公式为其中v′_ij(t)＝sig(v_ij(t))，表示x_ij(t)在二进制下的取反，r_ij是在(0,1)之间的随机值；然后对新粒子进行GA操作得到N/2个粒子，最后将两次得到的更新粒子组合成下一代N个粒子，这样就完成了整个粒子群的更新；3.3.4迭代判断判断是否达到最大迭代次数，若满足则停止迭代，否则继续进行步骤3.3.2和步骤3.3.3。