[发明专利]基于多参数谱特征的合成孔径雷达图像目标识别方法

说明书

技术领域

本发明属于图像处理技术领域，涉及目标识别方法，可应用于合成孔径雷达SAR 图像目标识别与人脸识别。

背景技术

SAR技术在对地面目标，特别是对静止目标探测方面的独特优势，以及其在现 代战场感知、对地打击等领域的良好应用前景，使得基于SAR图像的自动目标识别 技术ART受到了越来越多的重视。目前国内外有许多研究机构都开展了针对SAR图 像的自动目标识别技术的研究，其中许多研究工作都是基于运动、静止目标探测和识 别Moving and Stationary Target Acquisition and Recognition，MSTAR数据库进行的， 该数据库是由美国国防部高级研究计划局和空间实验室提供的，对SAR图像目标识 别的研究发挥了非常重要的作用。

针对该数据库的目标识别过程一般分为预处理、特征提取和分类识别三个步骤。 预处理的目的在于降低对目标方位变化等的敏感度以提高目标识别系统的识别精度， 一般包括噪声滤除、目标与背景分割等。从广义上来说，特征提取是指将原始数据从 高维空间映射到低维空间的一种线性或非线性的变换，用更少的信息有效地表示原始 数据。特征提取的好坏很大程度上影响着分类性能。目前，针对MSTAR数据库的特 征提取方法有主分量分析、核主分量分析、Radon变换等，分类识别方法有模板匹配 方法、基于贝叶斯网络的方法、基于隐马尔可夫模型的识别方法、神经网络、以及支 撑矢量机等。

主分量分析PCA是一种有效的从高维数据中提取低维特征的方法，使得在误差 平方和最小的意义下低维表示能够更好地描述原始数据。PCA是通过求解特征值问题 或者用递归算法估计主分量来实现的，是描述数据的坐标系的一种正交变换，变换后 的新的坐标值就被称为主分量，通常只用少数几个主分量就能够充分的解释原始数据 的结构。PCA能较好地克服由于图像尺寸、方向、部分场景内容变化以及噪声干扰等 影响，被广泛应用于各个领域。然而PCA只考虑了图像数据中的二阶统计信息，未 能利用数据中的高阶统计信息，所以只能提取数据集的线性特征。而大部分的真实数 据都是非线性分布的，数据非线性特征的提取非常重要。核主分量分析就是一种在 PCA的基础上引入核技巧的一种非线性特征提取方法，利用数据中的高阶统计信息， 描述多个像素间的相关性，能够捕捉这些重要的信息，并且具有鲁棒性。与其他非线 性特征提取方法相比，它不需要解决非线性优化问题而只涉及矩阵的特征值分解计 算。

谱聚类是一类利用数据相似矩阵的特征向量将数据点聚类成不同类的聚类算法。 经典的谱聚类方法可以认为由三个步骤组成：预处理，也就是计算数据集的相似性矩 阵并进行标准化得到拉普拉斯矩阵；谱映射，对拉普拉斯矩阵进行特征分解得到相应 的特征向量；后处理，采用经典聚类算法聚类特征向量。其中谱映射过程可以看成是 对数据集的维数约简，类似于PCA中利用特征分解后得到的主分量去构造一个简化 了的特征空间，也可以利用谱聚类中特征分解后得到的特征向量去构造一个低维特征 空间。

尽管谱聚类方法取得了很好的效果，该类方法目前仍然处于发展阶段，仍有很多 待研究的问题，其中如何选择合适的尺度参数是一个亟待解决的问题，目前没有普遍 公认的解决方法。而谱聚类算法又对尺度参数的选择非常敏感，不同的尺度参数将可 能得到完全不同的聚类结果。

2005年，Fei Wang等人利用谱聚类维数约简特性，将谱聚类同核方法进行结合， 提出了一种基于谱聚类的非线性特征提取方法。该方法由于在构造相似性矩阵时，使 用与经典谱聚类算法相同的高斯核函数，且其中的尺度参数由人工手动给定，因而使 得该方法对尺度参数的选择也非常敏感，不合适的尺度参数会降低后续目标识别的精 度。为保证后续目标识别的精度，可采取的方法是选择不同的尺度参数，进行多次实 验，并从众多结果中挑选出识别精度最高的结果。这样处理将增加整体目标识别的时 间。

发明内容

本发明的目的在于克服现有技术的不足，提出一种基于多参数谱特征的合成孔径 雷达图像目标识别方法，以避免手动调节参数所增加的额外时间，提高SAR图像目 标识别精度。

实现本发明目的的技术方案是用多参数的谱聚类对预处理后的数据进行特征提 取，进而对目标进行识别，具体步骤包括：