[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

摘要

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。首先对对输入的合成孔径雷达的原始训练样本图像进行预处理，使图像符合白化和零均值化，图像噪声概率密度服从高斯分布；再对预处理之后的训练样本以及将待识别的实时测量样本进行对数噪声独立成分分析，提取出待识别图像的独立成分特征；最后利用独立成分分析法对待识别样本进行识别。本发明方法提取出的独立成分特征更适于分类；省去了理想ICA算法中在预处理阶段必须进行的图像去噪过程，提高了算法对异常数据的鲁棒性，提高了SAR图像目标识别的实时性与可靠性，可用于对SAR图像的特征提取及自动目标识别。

主权项

1.一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，其特征在于该方法包括以下步骤：(1)对输入的合成孔径雷达的原始训练样本图像X_train进行预处理，具体过程如下：(1-1)对训练样本图像X_train进行对数变换，得到X_ln＝20ln(1+X_Orig)，其中X_Orig表示输入的原始训练样本单幅图像，X_ln表示经对数变换后噪声分布符合高斯分布的图像；(1-2)对上述X_ln进行去均值化处理，得到零均值图像X_t，X_t＝X_ln-E(X_ln)，其中期望函数E表示对图像求均值；(1-3)将上述零均值图像X_t划分为目标区域X_o和噪声区域n_o，并满足{X_t}＝{n_o}∪{X_o}，将目标区域和噪声区域的二维图像数据分别拉直成一维行向量，其中的目标区域X_o包含与被识别目标相关的目标、阴影和杂波的回波，噪声区域n_o为背景杂波；(1-4)重复步骤(1-1)、(1-2)和(1-3)，得到训练样本中的N幅训练图像的一维目标区域数据X_o，构成N行训练矩阵X_O；(1-5)根据上述得到的N幅训练图像的所有噪声区域n_o，构造训练样本的噪声协方差对角矩阵其中的对角元素为每幅训练图像的噪声方差估计值，表示第i幅训练图像的噪声区域；(1-6)根据上述训练样本的噪声协方差矩阵∑_O，对上述训练矩阵X_O进行降维和白化处理，得到降维和白化后的合成孔径雷达训练样本图像子空间矩阵X；(2)获取合成孔径雷达实时测量图像X_test，使用独立成分分析法分别提取上述合成孔径雷达训练样本图像X_train的独立成分特征和合成孔径雷达实时测量图像X_test的独立成分特征，具体过程如下：(2-1)采用噪声快速独立成分分析法处理上述合成孔径雷达训练样本图像子空间矩阵X，得到一组由基图像估计向量组成的基图像估计矩阵S_e，表示为：X＝c_train1·s₁+c_train2·s₂+...+c_trainm·s_L＝S_e^T·c_train.其中，s₁，s₂，…，s_L表示基图像估计矩阵S_e中L个基图像的估计列向量，c_train＝(c_train1，c_train2，...，c_trainL)^T表示上述训练样本图像子空间矩阵X在由上述基图像估计矩阵S_e构成的基图像子空间中的投影系数，c_train即为合成孔径雷达训练样本X_train的独立成分特征；(2-2)将合成孔径雷达实时测量图像X_test中待识别的图像数据投影到由上述基图像估计矩阵S_e构成的基图像子空间中，使实时测量图像X_test用基图像估计向量的线性组合表示，为：X_test＝c_test1·s₁+c_test2·s₂+...+c_testL·s_L＝S_e^T·c_test其中，c_test＝(c_test1，c_test2，...，c_testL)^T表示上述实时测量图像X_test在由上述基图像估计矩阵S_e构成的基图像子空间中的投影系数，c_test＝piv(S_e^T)·X_test，其中的piv(S_e^T)表示矩阵S_e转置的广义逆，c_test即为待识别的合成孔径雷达实时测量图像X_test的独立成分特征；(3)根据上述步骤(2)得到的合成孔径雷达训练样本图像X_train的独立成分特征c_train和待识别的合成孔径雷达实时测量图像X_test的独立成分特征c_test，对合成孔径雷达实时测量图像X_test进行识别分类，判断出被测目标的类别。