[发明专利]基于噪声独立成分分析的合成孔径雷达图像目标识别方法

说明书

技术领域

本发明涉及一种基于噪声独立成分分析的合成孔径雷达图像目标识别方法，属于合成孔径雷达图像目标识别的技术领域。

背景技术

合成孔径雷达(Synthetic Aperture Radar，以下简称SAR)根据目标的后向电磁散射形成SAR图像，能够克服光学成像受距离、气候等条件限制的缺点，在航空测量、航空遥感、卫星海洋观测、航天侦察、图像匹配制导等领域发挥着至关重要的作用。但在SAR成像的过程中，同一分辨率单元内通常分布着较多的散射体，这些散射体回波信号的相位随意分布，相互间的干涉也就导致了SAR图像固有的乘性斑点噪声，使一般的SAR图像与普通的电子光学图像相比，具有分辨率低、对操作条件敏感、高乘性噪声等特点。

SAR图像目标识别技术是利用单个目标或目标群在雷达远区所产生的散射场的特征(如回波信号的幅值、相位、频率和极化信息等)，确定出目标的形状、类型、位置等属性的技术，在军事和民用领域得到了广泛的应用；尤其是在复杂战场环境下，准确、快捷的SAR图像目标识别技术能为提高战场感知能力和反应能力提供强有力地保障。

而在SAR图像目标识别中，SAR图像的噪声往往还包括了各种自然杂波(草地、河流、森林等)和人造杂波(建筑物等)的干扰，并且这些噪声通常都是非高斯性的。因此，针对如何有效克服SAR图像中存在的大量噪声对目标识别的影响，尽可能地提高SAR图像目标识别的正确率，人们提出了很多SAR图像噪声去除以及特征提取的方法，应用较广的如小波滤波，方向扩散滤波，基于马尔可夫随机场的目标检测方法，基于多元统计分析与核准则的主成分分析(Principle Component Analysis：以下简称PCA)、核PCA(Kernel PCA：KPCA)、Fisher线性判别分析(FLDA)、核Fisher判别分析(KFDA)、独立成分分析(Independent Component Analysis：以下简称ICA)等等，涉及到图像处理和模式识别的诸多领域。

在SAR图像目标识别系统中，希望通过特征提取达到如下目的：1)使得处于不同方位、差异很大的同类SAR图像具有相同的描述方式；2)消除或降低SAR图像的高噪声特点对分类结果的影响；3)压缩SAR图像庞大的数据量；进而将有效且易于识别的二次特征提供给分类器，由分类器判别出目标的结构、类型等属性，完成SAR图像目标识别的过程。而在针对SAR图像特征提取的方法当中，应用广泛且较为有效的是基于多元统计分析的特征提取方法，主要涉及到PCA和ICA两类。其中，PCA是在最小均方误差的意义上，寻找一组可以最大化样本方差的正交投影方向来实现去除冗余信息、保留含最大能量的成 分成分的特征提取方法，这种方法实际提取的是数据的二阶统计量即方差特征。而ICA作为PCA的推广，提取的是数据的高阶统计量特征，即从观测数据中寻求一组在高阶意义下独立的源数据，由这组源数据线性叠加成观测数据。

SAR图像的很多信息包含于图像的高阶统计量之中，而噪声又通常是非高斯的，因此对于SAR图像而言，ICA特征提取的方法比PCA更具鲁棒性，而包含高阶统计信息的ICA特征也更具可分性。

目前一般的ICA技术通常都将观测数据理想化为零噪声，但这往往与实际情况有较大出入，特别是在具有高乘性非高斯噪声的SAR图像目标识别领域，如何消除或减少噪声对ICA特征的影响是一个亟待解决的问题。目前处理噪声的方法一般可分为三种：①把噪声看作一个独立成分；②在预处理阶段进行去噪；③噪声ICA模型。几乎所有的无噪声ICA模型都默认采用了第一种方法，即把噪声看作原始独立成分中的一个，但在SAR图像目标识别中，较大的噪声成分将削弱正常成分对分类的贡献作用，导致分类精度降低。而预处理阶段的图像去噪能够使去噪过程更具针对性，从而使得ICA提取的特征达到更高的分类精度。例如，上海交通大学的专利ZL 200710046928.3(基于独立成分分析基图像的合成孔径雷达图像消噪方法)对SAR图像利用小波指数对图像进行平滑增强，从而达到去噪效果；美国专利US 7508334(Method and apparatus for processing SAR images based onan anisotropic diffusion filtering algorithm，March 24，2009)提出了针对SAR图像斑点噪声的方向扩散滤波算法来实现SAR图像去噪。然而在预处理阶段进行图像去噪自然会增加不少的计算量，导致图像特征提取的时间过长，因此无法满足强调实时性的SAR图像目标识别的战场需求。