[发明专利]SAR目标特征精炼表达方法

摘要

本发明公开了一种SAR目标特征精炼表达方法。本发明一种SAR目标特征精炼表达方法，包括：首先输入提取的SAR目标特征，有电磁散射特征，局部不变特征如SIFT，灰度共生统计量，变换特征，然后分别构造条件特征集与决策集，决策集由真实目标类别构成。于是，决策表通过每张SAR切片图像依次连接条件集与决策集构成。决策表里特征数多，使用前向贪婪算法得到核特征集。本发明的有益效果：不需假设目标类内分布高斯分布及类内协方差相等，不需要样本足够稠密，适应于小样本，只需2个参数就可对所提取SAR目标各种特征是否有利于目标分类进行优劣评判，得到目标特征特异性表达，消减数据噪声与不利于分类的干扰，使得目标分类精度得以提高。

主权项

1.一种SAR目标特征精炼表达方法，其特征在于，包括：首先输入提取的SAR目标特征，有电磁散射特征，局部不变特征如SIFT，灰度共生统计量，变换特征，然后分别构造条件特征集与决策集，决策集由真实目标类别构成。决策表通过每张SAR切片图像依次连接条件集与决策集构成。决策表里特征数多，为避免“维数灾难”同时降低计算复杂度，使用一个前向贪婪算法得到核特征集，步骤如下：步骤1:核特征集R，初始化为空；步骤2:对每个属于条件集C‑R中特征a_k计算概率式中,k＝1,2…,C＝{a₁,a₂,…a_k,…}，为(x的描述)属于D_X(决策值X)的概率，满足α为置信水平；步骤3:计算损失函数，即这里ω_i是第i(i＝1,2,…,c)类；X是决策类标；若等价类是边界域中小类的概率增高，这更可能引起误分类，于是损失函数累计1；步骤4：对每一张SAR切片图像i(i＝1,2,…,n)计算损失函数,累加为总损失函数:步骤5：计算|U|为切片总数；步骤6：首先对每个特征(共k个)计算一个γ值，从中选取最大者，满足以下2条件：1)总损失不增加；2)适应度最大；步骤7：γ₀初始值赋0；步骤8：若γ与γ₀之差的绝对值大于重要性阈值Δ(设为0.001)，则认为特征a_m重要，加入核特征集R里，进入步骤2循环，直到γ与γ₀之差的绝对值不大于重要性阈值Δ时，循环结束，返回R；步骤9:核特征集R中特征次序对应决策规则。通过以上步骤得到目标核特征，用以区分不同目标。