基于核标度切维数约简的合成孔径雷达图像目标识别方法

摘要

本发明公开了一种基于核标度切维数约简的合成孔径雷达图像目标识别方法，主要解决现有方法对SAR图像目标识别率低的问题。其步骤包括：对选定的已知类别信息的图像和待测试图像进行预处理，得到训练集和测试集；用高斯核函数将训练集映射到高维空间，用映射后的高维特征作为输入分别构造类内和类间不相似性矩阵，得到基于核标度切的拉普拉斯矩阵；对该矩阵进行特征分解得到最优的投影矩阵；分别将训练样本和测试样本投影到投影矩阵向量所张成的子空间，得到新的训练集和测试集；将新的训练集和测试集输入支撑矢量机进行分类识别，得到测试图像的类别信息。本发明具有识别率高和鲁棒性好的优点，可用于对SAR图像的识别。

主权项

1.一种基于核标度切维数约简的合成孔径雷达图像目标识别方法，包括如下步骤：(1)分别对选定的已知类别信息的图像和输入的所有待测试图像进行预处理，得到预处理后的训练样本集和测试样本集其中x_i和分别表示第i个训练样本和第j个测试样本行向量，l_i是第i个训练样本所属的类别标号，N和M分别是训练样本个数和测试样本个数，K是所有样本原始特征维数，R表示实数域；(2)采用高斯核函数将所有的训练样本映射到高维特征空间，得到特征空间中的训练集其中s_i＝[s_i1，s_i2，…，s_iN]，表示第i个训练样本x_i在特征空间的特征向量，表示第i个训练样本和第j个训练样本之间的相似度，j＝{1，…，N}，N是训练样本的个数，其中x_i和x_j分别为第i个训练样本和第j个训练样本，σ为高斯核参数；(3)将步骤(2)得到的特征空间中的训练集S作为输入，构造类内不相似性矩阵和类间不相似性矩阵其中：V_p表示训练样本集的第p个子集，表示V_p的补集，n_p表示V_p中样本点数， s_i、s_j分别表示V_p中第i个训练样本x_i和第j个训练样本x_j在特征空间中的特征向量，表示中第j个样本点x_j在特征空间中的特征向量，n_c(j)表示采用高斯核函数映射后的特征空间中的训练样本所在类的样本数，其中c表示训练样本集一共分为c类，T表示转置；(4)用类内不相似性矩阵A和类间不相似性矩阵C构造基于核标度切的拉普拉斯矩阵L＝(A+C)^-1C；(5)对基于核标度切的拉普拉斯矩阵L进行特征分解，从大到小依次取前k个特征值所对应的特征向量构成相应的投影矩阵W＝{w₁，…，w_k}，其中k为需要的特征维数；(6)采用高斯核函数将所有的测试样本映射到高维特征空间，得到特征空间中的测试集其中 $s_j^t=[s_{j1}^t,s_{j2}^t,···,s_{\mathrm{jN}}^t]$为第j个测试样本在特征空间中的特征向量，为第j个测试样本和第i个训练样本之间的相似度，i＝{1，…，N}，N和M分别是训练样本个数和测试样本个数，其中和x_i分别为第j个测试样本和第i个训练样本，σ为高斯核参数；(7)分别将特征空间中的训练集S和特征空间中的测试集S^t投影到投影矩阵W所张成的空间，得到投影后新的训练样本集和新的测试样本集其中y_i＝<s_i×W>为第i个训练样本新的特征向量，s_i为训练样本集第i个训练样本在特征空间中的特征向量，为第j个测试样本新的特征向量，为测试样本集第j个测试样本在特征空间中的特征向量；(8)将新的训练样本集Y和新的测试样本集Y^t输入到支撑矢量机，得到测试图像的识别结果其中表示第j个测试图像所属的类别标号。