[发明专利]一种结合稀疏特征选择的SAR目标鉴别方法

说明书

技术领域

本发明属于雷达自动目标识别领域，涉及目标识别中目标鉴别方法的研究，尤其涉及一种结合稀疏特征选择的SAR目标鉴别方法。

背景技术

合成孔径雷达SAR可以提供目标高分辨率图像，且SAR成像不受天气、光照等条件限制，因而广泛应用于军事侦察等领域，其中基于SAR图像的自动目标识别技术是重要的研究课题之一。SAR图像自动目标识别通常采用美国林肯实验室的三级处理流程：检测阶段、鉴别阶段、识别阶段。首先，对整幅SAR图像进行像素级检测，剔除明显不是目标的区域，得到疑似目标区域；然后，对疑似目标区域提取鉴别特征，利用鉴别特征剔除自然杂波区域、明显大于或小于目标的人造杂波区域；最后，对鉴别阶段保留下来的目标区域进行目标分类和识别。

在鉴别阶段，现有文献提出了大量SAR目标鉴别特征，虽然理论上每个特征的提出都基于一定的物理意义，反映着目标和杂波的散射强弱、结构大小等信息，但是并不是每个特征都具有很强的可鉴别性，甚至有些特征联合作用会得到相反的鉴别效果。如果将提取的特征全部用于目标鉴别，很容易造成信息冗余和维数灾难，不仅会增大计算量，还严重影响鉴别性能。因此，目标鉴别阶段通常细化分为鉴别特征提取、鉴别特征降维以及鉴别器设计三个方面。现有文献大多采用特征选择的方法达到特征降维的目的，特征选择方法如穷举法、遗传算法等，旨在搜索寻找最优特征组合。但是在实际中，对于高维SAR鉴别特征而言，穷举法运算量太大而不可取，遗传算法要想取得全局最优解，其运算量也几乎等效于穷举法。从减少计算量、提高鉴别器性能的角度考虑，可以采用监督降维方法，如Fisher线性判决分析(Fisher discriminant analysis,FDA)等。但是，虽然监督降维方法可以把原始高维特征投影变换为低维投影特征，并保证该投影特征的可分性，但是监督降维如FDA得到的投影特征仍然是全部特征的组合，因而只能消弱而不是消除无效特征、冗余特征对鉴别的负面影响。

发明内容

针对上述现有技术的不足，本发明提出了一种结合稀疏特征选择的SAR目标鉴别方法。本发明通过在投影降维模型中增加l₁范数稀疏约束，把特征选择融合到最优投影向量的求解中，得到了最优特征组合的最优投影特征，消除了无效特征、冗余特征在鉴别中的负面影响，提高了目标鉴别性能。

为达到上述目的，本发明采用以下技术方案予以实现。

一种结合稀疏特征选择的SAR目标鉴别方法，其特征在于，包括以下步骤：

步骤1，取N个SAR训练图像，其中，N个SAR训练图像包括N₁个含目标的SAR训练图像和N₂个含杂波的SAR训练图像，N、N₁和N₂分别为自然数，并且N₁+N₂＝N；

对N个SAR训练图像中第j个SAR训练图像S_j依次进行对数变换、自适应阈值分割、形态学滤波，得到二值图像F_j，j大于等于1并且小于等于N；

步骤2，通过二值图像F_j中的像素幅值连续为1的像素区域进行几何聚类来判断二值图像F_j是否包含疑似目标区域T_j；

如果二值图像F_j不包含疑似目标区域T_j，则丢弃第j个SAR训练图像S_j；

如果二值图像F_j包含疑似目标区域T_j，从疑似目标区域T_j中提取p个特征，将p个特征组成训练样本x_j，训练样本x_j是维度大小为p×1的列向量，p表示特征数目，j大于等于1并且小于等于N；

步骤3，根据步骤1至步骤2，从N₁个含目标的SAR训练图像中得到n₁个目标的训练样本，从N₂个含杂波的SAR训练图像中得到n₂个杂波的训练样本；n₁≤N₁，n₂≤N₂，N₁为目标的SAR训练图像总数，N₂为杂波的SAR训练图像总数；