[发明专利]基于稀疏表示和多特征决策级融合的SAR图像识别方法

说明书

本发明涉及基于稀疏表示和多特征决策级融合的SAR图像识别方法。为提高SAR目标识别算法的识别率和识别速度，本发明将SAR切片图像提取灰度特征和降维随机卷积特征向量，然后采用字典学习算法对从每一类别训练样本提取的特征向量构成的字典进行优化，构成字典，最后通过字典恢复样本稀疏系数得到分类结果。本发明提出的方法在极大地提高了识别速度的同时，提高了识别精度，具有更好的应用前景。

技术领域

本发明属于SAR(Synthetic Aperture Radar)图像自动目标识别领域，涉及一种基于稀疏表示和多特征决策级融合的SAR图像识别方法。

背景技术

SAR图像自动目标识别是SAR图像解译需要迫切解决的核心问题之一，其工作过程为首先在SAR图像中找出感兴趣区域，然后对其进行分类确定目标类别。SAR图像目标识别已在国民经济和国防建设中广泛地应用，包括海洋监测系统、矿藏探测等。

特征提取和分类器设计是影响SAR图像目标识别精度的两个关键因素。从SAR图像中提取的特征主要包括基于数学变换的特征、计算机视觉特征和电磁特征等，其中计算机视觉特征主要包括纹理、姿态角、形状等。目前主要的SAR图像目标识别算法包括基于模板匹配的方法、基于支持向量机的方法、基于Boosting的方法、基于稀疏表示的方法等。基于稀疏表示的目标识别算法最早应用于人脸识别，近几年已开始广泛地应用于SAR图像目标识别，并取得了较高的识别精度。为提高基于稀疏表示的SAR图像目标识别精度，从SAR图像中提取有效的目标特征，并进行字典优化是常采用的手段。目前采用的主要特征包括灰度特征、单演信号特征、改进SIFT特征等，主要的字典学习算法包括KSVD、LCKSVD、OnlineLearning等。

深度学习技术能够基于海量大数据进行特征学习，且学习得到的特征通常优于人工精心设计的特征，尤其是基于卷积神经网络的深度模型，通过对二维图像进行卷积、池化等操作，能够有效提取目标多尺度二维局部特征，在人脸识别方面的分类性能优于HOG特征。但是基于深度卷积神经网络进行特征学习时需解决以下问题：(1)训练样本缺乏；(2)深度模型需要优化设计；(3)训练时间长。文献研究表明，即使采用随机生成的卷积核对图像进行滤波，通过合理地设计分类器，提取的随机卷积特征也能够取得优异的分类效果。

当采用多种特征进行SAR图像目标融合识别时，如何有效地利用各种特征的互补优势，合理地设计分类器及融合规则，是影响SAR图像目标识别精度的关键要素。当采用稀疏表示方法进行目标识别时，为提高SAR图像的目标识别精度和识别速度，本发明从图像中分别提取灰度特征和随机卷积特征，采用决策级融合策略进行基于两种特征分类结果的综合判别。由于基于稀疏表示的目标识别算法的计算量与采用的特征维数和稀疏字典的元素个数密切相关，为提高基于稀疏表示的SAR目标识别算法的识别速度，一方面采用稀疏随机投影方法对提取的高维随机卷积特征进行降维，另一方面利用Online字典学习算法对用于目标分类的字典进行优化，在保证目标分类精度的情况下，使用较少的字典元素个数构成字典，降低基于稀疏表示的SAR目标识别算法的计算量。当融合两种特征的识别结果时，将基于稀疏表示稀疏系数优化求解后的信号重构误差转化为属于每一类目标的识别概率，然后基于贝叶斯融合规则进行分类结果的融合。实验结果表明，采用稀疏随机投影映射和字典优化学习两种手段能够提高目标分类的速度，本发明设计的方法能够在多种操作条件下取得与目前已知文献接近甚至更高的识别性能，算法适用性强。

发明内容