[发明专利]基于样本加权类别特定与共享字典的SAR目标鉴别方法

摘要

本发明公开了一种基于样本加权类别特定与共享字典的SAR目标鉴别方法，主要解决现有技术在复杂场景下SAR目标鉴别性能低的问题。其方案是：1.对给定的训练切片和测试切片提取局部特征；2.利用训练切片的局部特征获得全局字典；3.利用全局字典对训练切片和测试切片的局部特征分别进行标准稀疏编码，获得局部特征编码系数；4.对训练切片和测试切片的局部特征编码系数分别进行特征合并与降维，得到训练切片的全局特征和测试切片的全局特征；5.使用支持向量机对测试切片全局特征进行鉴别。本发明提升了鉴别的性能，可用于对复杂场景的SAR目标鉴别。

主权项

1.基于样本加权类别特定与共享字典的SAR目标鉴别方法,包括：(1)利用SAR‑SIFT描述符对给定的训练切片图像和测试切片图像提取局部特征，得到训练切片图像的局部特征和测试切片图像的局部特征其中，表示杂波类训练切片图像，表示目标类训练切片图像,表示杂波类测试切片图像，表示目标类测试切片图像，是杂波类训练切片图像的局部特征，是目标类训练切片图像的局部特征，是杂波类测试切片图像的局部特征，是目标类测试切片图像的局部特征，p₁表示杂波类训练切片图像数目，p₂表示目标类训练切片图像数目，k₁表示杂波类测试切片图像数目，k₂表示目标类测试切片图像数目；(2)将(1)所得的X中的杂波类训练切片图像局部特征作为杂波类训练样本，目标类训练切片图像局部特征作为目标类训练样本，获得全局字典U；2a)初始化杂波类字典U₁、目标类字典U₂、共享字典U₀、杂波类训练样本权重和目标类训练样本权重设当前迭代次数iter＝0；2b)根据当前迭代次数下的杂波类字典U₁、目标类字典U₂和共享字典U₀，计算杂波类训练切片局部特征的稀疏表示系数H₁和目标类训练切片局部特征的稀疏表示系数H₂；2c)根据2b)得到的H1和H2，利用交替优化方法，更新杂波类字典U1、目标类字典U2和共享字典U0，得到更新后的杂波类字典U1′、目标类字典U2′和共享字典U0′；2d)令iter＝iter+1，记录当前的迭代次数，判断是否进行样本权重更新，若mod(iter,iterSkip)等于0，执行步骤2e)进行训练样本权重更新；否则，不进行训练样本权重更新，令U1＝U1′、U2＝U2′、U0＝U0′返回步骤2b)，其中iterSkip表示训练样本权重更新间隔，mod表示取余数；2e)利用2c)得到U₁′、U₂′和U₀′更新杂波类训练样本权重得到更新后的杂波类训练样本权重利用2c)得到U₁′、U₂′和U₀′更新目标类训练样本权重得到更新后的目标类训练样本权重2f)判断当前迭代次数iter是否小于最大迭代次数iterMax，若小于，则令U₁＝U₁′、U₂＝U₂′、U₀＝U₀′、返回步骤2b)，若等于，则迭代停止，得到最终的全局字典U＝[U₀′,U₁′,U₂′]；(3)利用(2)获得的全局字典U，对(1)得到训练切片图像的局部特征X和测试切片图像的局部特征Y分别进行标准稀疏编码，得到训练切片图像的局部特征编码系数和测试切片图像的局部特征编码系数：(4)将(3)得到的训练切片图像的局部特征编码系数V和测试切片图像的局部特征编码系数W分别进行特征合并与降维，得到的训练切片图像全局特征：和测试切片图像的全局特征(5)使用训练切片图像的全局特征V″′训练一个二类线性SVM分类器，使用训练好的分类器对测试切片图像的全局特征W″′进行分类，得到每个测试切片图像的分类决策值decision，将该分类决策值decision与设定的阈值Thr＝0进行比较，若decision≥Thr，认为是目标类切片，否则是杂波类切片。