[发明专利]一种基于邻域样本定向鉴别投影特征提取方法

说明书

本发明公开一种基于邻域样本定向鉴别投影特征提取方法，基于流形学习理论，引入邻域样本信息熵构建邻域样本定向聚集中心，将样本邻域中最靠近类中心的样本点，即邻域样本熵最小的点，确定为邻域样本定向聚集中心，使得降维过程中，给予样本确定的移动方向，从而使样本在低维空间更好地聚集；本发明方法避免了处理高维数据时面临的维数灾难问题，稳健性能更高。

技术领域

本发明属于合成孔径雷达领域，特别涉及一种自动目标识别中SAR图像的特征提取技术。

背景技术

合成孔径雷达(Synthetic Aperture Radar，SAR)是一种能够全天时、全天候地获取地球表面高分辨率图像的成像雷达，广泛运用于农林环境监测、海陆资源利用、地质结构勘探、重大灾害评估等领域。受SAR成像系统固有特性影响，目标与传感器间的姿态变化，以及目标自身的几何形态发生变化、且SAR特殊的相干成像机理导致图像中出现相干斑现象。仅依靠人工判读效率低、易出错，且无法批量解译，难以应对大量SAR图像数据的实时解译和判读的需求。SAR自动目标识别(Automatic Target Recognition,ATR)就是对SAR图像进行准确、快速、自动解译，使SAR数据能自动转化为用户所需的信息，进而研发出具备类似人类学习的强大认知能力的SAR系统。

SARATR研究一般采用分级处理流程机制，逐级递进处理，主要包含三个阶段：SAR图像预处理、目标特征提取和目标分类识别。特征提取为分类识别提供所需的关键特征信息，特征提取器的设计将直接影响分类结果。此阶段主要完成对目标中可鉴别特征的提取，并对目标图像进行降维，以减少后续识别运算量。

为实现更好的特征提取效果，非线性的特征提取方法—流形学习提出，得到了广泛且出色的应用。

局部保持映射算法(Locality Preserving Projections，LPP)、邻域保持嵌入算法(Neighbor hood Preserving Embedding，NPE)和正交邻域保持投影算法(OrthogonalNeighborhood Preserving Projections，ONPP)这些基于流形学习的算法被相继提出。这些算法具有相似的思路，首先为原始数据集的样本点建立近邻图，构建合适的关系矩阵以描述近邻图中点对间的相似关系，在降维时保留原始数据集的近邻关系，通过最优化准则求取显性形式的线性嵌入映射，可以将新数据直接投影到低维特征空间。但这些方法没有利用数据集中的类别信息，因而投影后的类别特征可分性并不突出，适合降维或聚类，并不适合对数据进行分类识别。

为了更好地挖掘数据集的类别和邻域信息，监督流形学习方法被相继提出，文献“H.T.Chen,H.W.Chang,T.L.Liu.Local discriminant embedding and its variants[C].IEEE Computer Society Conference on Computer Vision and Pattern Recognition,San Diego,2005,2:819-826”提出的局部鉴别嵌入算法(Local Discriminant Embedding，LDE)在光学图像分类上得到了较好的结果。LDE方法使每个样本远离邻域中的所有异类样本，并且接近邻域中的所有的同类样本。如果一个样本位于各类样本混叠区域，且它周边的异类样本混合均匀，这个样本在LDE提取后将不会向预期的方向移动；另外，流形的密度和曲率会随着流形发生变化，全局参数不适用于整个流形，邻域参数的选择都会导致LDE方法的不稳定性。

发明内容

为解决传统流形学习特征提取方法在提取低维特征时未能有效赋予样本明确的聚集方向的问题，本发明提出了一种基于二维邻域样本定向鉴别投影的特征提取方法，基于流形学习理论，通过利用邻域样本信息熵，赋予每个样本明确的聚集方向，使得每个样本以明确的方向接近同类中心，远离异类中心，实现准确、稳定的特征提取。

本发明采用的技术方案为：一种基于邻域样本定向鉴别投影特征提取方法，包括：