[发明专利]遮挡情况下的SAR目标识别方法

权利要求书

1.一种遮挡情况下的SAR目标识别方法，包括： 

A.训练步骤： 

（A1）将训练用的SAR目标图像进行对数变换，得到变换后的图像G； 

（A2）将对数变换后的图像G进行中值滤波，得到变换后的图像I； 

（A3）根据训练图像大小p×q以及预先设定的降维维数r，通过高斯随机函数randn生成大小为r×pq的随机矩阵R； 

（A4）将经过对数变换和中值滤波后的SAR目标图像进行列向量化，得到n＝p·q维列向量s_i＝vec(I_i),i＝1,...,m，其中vec(·)为列向量化操作，I_i为第i幅经过中值滤波的训练图像数据,m为训练样本总数； 

（A5）将向量s_i左乘上步骤(A3)生成的随机矩阵R，得到降维后的训练样本向量：d_i=R·s_i,i＝1,...,m； 

（A6）将所有降维后的训练样本向量d_i进行能量归一化，得到归一化后的训练样本向量：其中||·||₂为2范数算子； 

（A7）将所有归一化后的训练样本向量拼接成数据字典,并记录每一列样本所属的类别标号v_i； 

B.测试步骤： 

（B1）对需要测试的SAR原始图像进行与训练阶段步骤（A1）具有相同参数的对数变换； 

（B2）将对数变换后的图像进行与训练阶段步骤（A2）具有相同参数的中值滤波处理，得到待测试SAR目标图像T； 

（B3）将经过对数变换和中值滤波后的待测试SAR目标图像T进行列向量化，得到测试向量

（B4）将测试向量左乘上步骤(A3)生成的随机矩阵R，得到降维后的测试样本 向量

（B5）将降维后的测试样本向量t进行能量归一化，得到归一化后的测试样本向量

（B6）根据训练阶段得到的数据字典D和归一化后的测试样本向量构造非负稀疏表示式； 

  s.t.,α≥0. 

其中，α为待优化变量，λ为根据训练样本数据稀疏性给定的正则化参数，||·||₁为1范数算子； 

（B7）利用凸优化方法最小化非负稀疏表示式，得到非负稀疏分解系数α^*； 

s.t.,α≥0. 

（B8）根据步骤（B7）得到的非负稀疏分解系数α^*，计算各类对归一化后的测试样本向量的重构误差：

其中，k＝1,...,C，C为训练集包含的类别数，δ(·)为指标函数， ，为α^*的第i个元素； 

（B9）根据重构误差最小准则得到识别结果k^*： 

k＝1，...，C。 

2.根据权利要求1所述的方法，其中所述步骤（A1）对训练用的SAR目标图像进行对数变换，采用如下公式进行： 

G(x,y)＝c·log(F(x,y)+δ) 

其中，c为尺度因子，δ为保证对数变换后不出现负值而增加的一个常数，F(x,y)是原始SAR目标图像幅度矩阵F中坐标为(x,y)处的像素值，G(x,y)为变换后的SAR目标图像G中坐标为(x,y)处的像素值。 

3.根据权利要求1所述的方法，其中步骤（A2）所述将对数变换后的图像G进 行中值滤波，采用如下公式进行： 

I(x,y)＝med(G(x-u,y-l)),(u,l)∈W 

其中med(·)为取中值操作，W为二维模板，通常取3×3的区域，u为横坐标偏移量，l为纵坐标偏移量，(u,l)取值范围由W决定，I(x,y)为中值滤波后图像I中坐标为(x,y)处的像素值。 

4.根据权利要求1所述的方法，其中步骤（B6）中的非负稀疏表示式的另一种形式表示为： 

s.t.,α≥0. 

其中||·||_∞为向量的L_∞范数，(·)^T为矩阵转置操作，τ∈[0,1]为根据训练样本数据给定的相对稀疏因子。