本發明屬于雷達目標識別技術領域，特別涉及一種sar目標識別方法，可用于sar圖像的分類。

背景技術：

合成孔徑雷達sar是一種利用微波進行感知的主動傳感器，其成像不受客觀因素如光照、氣候的影響，可以全天時、全天候地對目標進行監測，無論在民用領域還是在軍事領域都具有很高的利用價值。sar圖像中除包含目標外，還包含大量的雜波，加之sar圖像中還包含大量的相干斑，這使得對sar圖像的檢測、鑒別和識別變得十分困難；另外，由于sar目標的配置不同和所處環境的復雜性，不可能得到所有情況下的訓練樣本。因此，如何提高sar目標的識別性能是雷達目標識別中的一個重要研究方向。

在sar目標識別方法中主要分以下幾種：

一是基于模板匹配的方法；

二是基于模型的方法；

三是基于稀疏表示的分類方法；

四是基于分類器設計的方法，如k近鄰分類器，神經網絡分類器，支持向量機等等。

所述支持向量機，它是一種基于統計學習理論的分類算法，其通過引入核函數，巧妙地解決了高維空間中的內積運算問題，使得核支持向量機在小樣本、非線性及高維度模式識別問題中表現出了特有的優點。

這種將單一數據特征結合支持向量機而成的分類器稱為單核學習支持向量機，由于不同的數據特征表征數據的相似性和區分性的能力不同，選取不同的數據特征，單核學習支持向量機會表現出完全不同的分類性能，因此，單核學習支持向量機僅能表現出某一數據特征的特性，不能體現出各數據特征之間的關聯性，從而影響分類器的分類性能，使得目標識別率下降。

技術實現要素：

本發明的目的在于針對上述現有技術的不足問題，提出一種基于貝葉斯多核學習支持向量機的sar目標識別方法，以提高目標識別性能。

本發明的技術方案是這樣實現的：

一、技術思路

本發明將貝葉斯推斷與多核學習方法相結合，針對不同數據特征的選取問題，引入多核學習方法，它具有很好的泛化能力和更強的學習能力；同時，用貝葉斯推斷推理出支持向量機原始問題的解。其實現方案是：首先，對原始sar圖像進行預處理，得到圖像域、頻域和稀疏系數三種數據特征并分別計算對應徑向核函數rbf的核矩陣；再次，使用多核學習算法將三種核矩陣進行組合；最后，用訓練數據的組合核矩陣推理貝葉斯模型并得到最優解，并對測試數據的組合核矩陣分類，其實現步驟包括如下：

(a)sar圖像預處理步驟：

a1)輸入一幅原始sar圖像：i＝{imn|1≤m≤m,1≤n≤n}，其中，imn表示原始sar圖像的幅度像素值，m表示sar圖像的行數，n表示sar圖像的列數；

a2)對原始sar圖像i進行二值分割，并計算獲得sar圖像的質心

a3)將原始sar圖像i進行圓周移位，使質心移動到圖像的中心位置，得到配準圖像i1；

a4)對配準圖像i1依次進行對數變換、中值濾波和圖像截取，得到sar圖像的圖像域特征i2，并將圖像域特征i2列向量化；

a5)對配準圖像i1做圖像截取和二維傅立葉變換，并將零頻移至圖像中心，得到頻域特征i3，并將頻域特征i3列向量化；

a6)分別對sar圖像訓練集和測試集重復過程a1)～a4)得到圖像域特征的訓練數據集ttr和測試數據集tte；

a7)分別對sar圖像訓練集和測試集重復過程a1)～a5)得到頻域特征的訓練數據集ptr和測試數據集pte；

a8)使用ksvd算法對圖像域特征訓練集ttr學習，得到字典d和與ttr對應的稀疏系數特征訓練數據集str，結合字典d和圖像域特征測試數據集tte，使用omp算法計算得到稀疏系數特征測試數據集ste；

(b)多核學習步驟：

b1)使用徑向核函數rbf，結合圖像域特征訓練數據集ttr和測試數據集tte，計算得到圖像域特征訓練數據集的核矩陣kttr(ttr,ttr)和圖像域特征測試數據集核矩陣ktte(ttr,tte)；

b2)使用徑向核函數rbf，結合頻域特征訓練數據集ptr和測試數據集pte，計算得到頻域特征訓練數據集的核矩陣kptr(ptr,ptr)和頻域特征測試數據集核矩陣kpte(ptr,pte)；

b3)使用徑向核函數rbf，結合稀疏系數特征訓練數據集str和測試數據集ste，計算得到稀疏系數特征訓練數據集的核矩陣kstr(str,str)和稀疏系數特征測試數據集核矩陣kste(str,ste)；

b4)結合步驟b1)～b3)中計算得到的三種特征的訓練集核矩陣和測試集核矩陣，使用核組合方法計算獲得sar圖像訓練集的組合核矩陣ktr(v',vtr)和測試集的組合核矩陣kte(v',vte)，其中，v'表示基向量集，vtr表示sar圖像訓練數據集，vte表示sar圖像測試數據集；

(c)貝葉斯推理步驟：

c1)使用sar圖像訓練集的組合核矩陣ktr(v',vtr)建立貝葉斯多核學習支持向量機模型；

c2)使用期望最大化算法em求解貝葉斯多核學習支持向量機模型，獲得貝葉斯多核學習支持向量機模型的最優解β'；

c3)使用步驟c2)中得到的貝葉斯多核學習支持向量機模型的最優解β'，結合sar圖像測試集的組合核矩陣kte(v',vte)，計算得到sar圖像目標類別標號yte。

本發明與現有技術相比，具有如下優點：

本發明將貝葉斯支持向量機模型與多核學習方法相結合，提出了基于貝葉斯多核學習支持向量機的sar目標識別方法，使得多核學習方法在選取數據特征方面優于單核學習方法，更能體現出不同數據特征之間的關聯性，顯著地提高了目標識別性能。

附圖說明

圖1為本發明的實現流程圖；

圖2為本發明中對sar圖像預處理過程示意圖。

具體實施方式

下面結合附圖對本發明的實施步驟和效果做進一步說明：

參照圖1本發明的實現步驟如下。

步驟1，對sar圖像進行預處理及核矩陣計算。

1a)輸入一幅如圖2(a)所示的原始sar圖像：i＝{imn|1≤m≤m,1≤n≤n}，其中，imn表示原始sar圖像的幅度像素值，m表示sar圖像的行數，n表示sar圖像的列數；

1b)使用變冪次ostu分割算法對原始sar圖像i進行二值分割，得到分割后的sar圖像i'；

1c)將分割后的sar圖像i'和原始sar圖像i進行點乘計算，得到的點乘后sar圖像如圖2(b)所示，并計算點乘后sar圖像的質心

式中，i'mn表示點乘后sar圖像的像素值；

1d)將原始sar圖像i進行圓周移位，使得質心移至圖像中心位置，得到配準sar圖像i1，如圖2(c)所示；

1e)對配準sar圖像i1進行圖像截取得到截取sar圖像i0，如圖2(d)所示；

1f)對截取sar圖像i0做對數變換得到對數sar圖像i”'，如圖2(e)所示；

1g)對對數sar圖像i”'做中值濾波處理，獲得圖像域特征i2，如圖2(f)所示，將圖像域特征i2列向量化；

1h)對配準sar圖像i1做圖像截取和二維傅立葉變換，并將零頻移至圖像中心，得到頻域特征i3，并將頻域特征i3列向量化；

1i)分別對原始sar圖像的訓練集和測試集重復1a)～1g)，得到圖像域特征的訓練數據集ttr和測試數據集tte；

1j)分別對原始sar圖像的訓練集和測試集重復1a)～1h)，得到頻域特征的訓練數據集ptr和測試數據集pte；

1k)使用ksvd算法對圖像域特征訓練集ttr學習，得到字典d和與ttr對應的稀疏系數特征訓練數據集str，結合字典d和圖像域特征測試數據集tte，使用omp算法計算得到稀疏系數特征測試數據集ste。

步驟2，對步驟1中得到的三種sar圖像特征進行多核學習計算。

2a)使用徑向核函數rbf，結合圖像域特征訓練數據集ttr和測試數據集tte，計算得到圖像域特征訓練數據集的核矩陣kttr(ttr,ttr)和圖像域特征測試數據集核矩陣ktte(ttr,tte)，其中徑向核函數rbf表示如下：

式中，q'和q表示同一空間的兩個數據點，k(q',q)表示計算得到的徑向核函數值，σ表示徑向核函數參數；

2b)使用徑向核函數rbf，結合頻域特征訓練數據集ptr和測試數據集pte，計算得到頻域特征訓練數據集的核矩陣kptr(ptr,ptr)和頻域特征測試數據集核矩陣kpte(ptr,pte)；

2c)使用徑向核函數rbf，結合稀疏系數特征訓練數據集str和測試數據集ste，計算得到稀疏系數特征訓練數據集的核矩陣kstr(str,str)和稀疏系數特征測試數據集核矩陣kste(str,ste)；

2d)結合步驟2a)～2c)中計算得到的三種特征的訓練集核矩陣，使用核組合方法計算獲得sar圖像訓練集的組合核矩陣ktr(v',vtr)：

ktr(v',vtr)＝ηtkttr(ttr,ttr)+ηpkptr(ptr,ptr)+ηskstr(str,str)

式中，ηt表示圖像域特征數據集核矩陣的組合系數，取值為0.5，

ηp表示頻域特征數據集核矩陣的組合系數，取值為0.5，

ηs表示稀疏系數特征核矩陣的組合系數；取值為0.5；

2e)結合步驟2a)～2c)中計算得到的三種特征的測試集核矩陣，使用核組合方法計算獲得sar圖像測試集的組合核矩陣kte(v',vte)：

kte(v',vte)＝ηtktte(ttr,tte)+ηpkpte(ptr,pte)+ηskste(str,ste)。

步驟3，構建貝葉斯多核學習支持向量機模型。

3a)給定樣本集其中，xl表示訓練樣本，yl表示訓練標號，q表示樣本維度，l表示樣本數量，t表示矩陣轉置符號；支持向量機最大邊緣分類器的無約束條件表達式為：

式中,第一項為正則項，第二項為懲罰項；表示增廣向量，表示增廣權值，γ表示調和參數；

3b)根據拉格朗日對偶性得到支持向量機svm最大邊緣分類器的增廣權值解式中，αj表示拉格朗日系數；

將代入到懲罰項中，得：在懲罰項中引入映射函數φ(·)，得到引入映射函數后的懲罰項表達式：

令式中βj＝αjyj，得到最終的懲罰項表達式：

式中，β＝(β1,…,βj,…,βl),表示增廣向量與增廣向量的核函數值，δ表示訓練樣本矩陣；

3c)構造正則項為將該正則項與最終的懲罰項相加，得到最終的目標函數d(β)為：

式中，κ表示調和參數；

3d)計算目標函數中正則項負數的指數，并將其定義為偽先驗分布函數：

3e)計算目標函數中的最終的懲罰項負數的指數，將其定義為偽似然分布函數：

式中，y＝(y1,…,yl,…,yl)，δ'表示訓練樣本矩陣；

3f)根據步驟3d)和步驟3e)中的計算結果，得到偽后驗分布函數：

p(β|y,k(δ,δ'))∝p(β)p(y|β,k(δ,δ'))，

3h)用sar圖像訓練數據集的組合核矩陣ktr(v',vtr)替換步驟3f)中的k(δ,δ')，建立貝葉斯多核學習支持向量機模型：

p(β|y,ktr(v',vtr))∝p(β)p(y|β,ktr(v',vtr))

式中，ktr(v',vtr)＝(ktr(v',v1),…,ktr(v',vl),…,ktr(v',vl))，ktr(v',vl)表示基向集與訓練樣本做內積計算后構成的向量，p(y|β,ktr(v',vtr))為引入組合核矩陣后的偽似然分布函數，其中:

步驟4，求解貝葉斯多核學習支持向量機模型。

4a)用含λl的積分表達式表征步驟3h)中引入組合核矩陣后的偽似然分布函數：

其中，偽似然分布函數有下關系式：

p(yl|β,ktr(v',vl))＝∫p(yl,λl|β,ktr(v',vl))dλl

其中，vl表示訓練樣本，λl表示隱變量，p(yl,λl|β,ktr(v',vl))為加入隱變量后的偽似然分布函數；

4b)根據步驟4a)中加入隱變量后的偽似然分布函數，在貝葉斯多核學習支持向量機模型中引入新變量λ，得到新的關系表達式：

p(β,λ|y,ktr(v',vtr))∝p(β)p(y,λ|β,ktr(v',vtr))

其中，

式中，λ表示隱變量向量，λ＝(λ1,…,λl,…,λl)；

4c)根據步驟4b)中的新的關系表達式得到λ的后驗分布函數：

式中，

4d)根據4c)中得到的λ的后驗分布函數，得到λl的條件后驗分布：

式中，表示廣義逆高斯分布，根據與之間的轉換關系，得到的條件后驗分布：

式中，表示逆高斯分布，～表示分布函數中的服從符號；

4e)根據4d)中的條件后驗分布和逆高斯分布的性質得到的期望值：

4f)根據步驟4b)中得到的新的關系表達式和4e)中得到的的期望值，使用期望最大化算法em求解貝葉斯多核學習支持向量機模型，得到貝葉斯多核學習支持向量機模型的迭代解β^(m+1)的表達式：

式中，m表示第m次迭代次數，i表示單位矩陣，表示的第m次期望迭代值；

4g)設定最大迭代次數為m'，重復步驟4f)，當迭代次數達到m'時迭代停止，最終得到貝葉斯多核學習支持向量機模型的最優解β'：

步驟5，計算得到sar圖像目標識別類別標號。

5a)利用步驟4g)中得到的貝葉斯多核學習支持向量機模型的最優解β'，結合sar圖像測試數據集kte(v',vte)，使用下式得到sar圖像目標識別標號yte：

yte＝sgn(β'^tkte(v',vte))

式中，sgn(·)表示符號函數。

至此，完成對sar目標的分類。

本發明的效果通過以下對實測數據的實驗進一步說明：

1.實驗場景與參數：

實驗中所用的數據為公開的動態與靜態目標獲取與識別mstar數據集。在該數據集中，選取17°俯仰角下bmp2sn9563、btr70c71、t72sn132型號圖像數據作為訓練數據，15°俯仰角下7種型號圖像數據作為測試數據，稱bmp2sn9566、bmp2snc21為bmp2sn9563的變體，t72sns7、t72sn812為t72sn132的變體,原始圖像尺寸為128×128。

本實驗所用的數據類型及樣本數如表1所示：

表1mstar實驗數據

實驗參數設定如下：

sar圖像經預處理后的圖像尺寸大小為63×63；圖像域特征對應的徑向核參數σt＝1，頻域特征對應的徑向核參數σp＝0.1，稀疏系數特征對應的徑向核參數σs＝1，貝葉斯多核學習支持向量機模型中新的調和參數κ＝0.01；

2.本實驗內容與結果：

用本發明方法與其他現有的5種方法對mstar三類數據集進行分類，其中第1種是線性支持向量機，第2種是單核學習支持向量機，第3種是多核學習支持向量機，第4種是貝葉斯支持向量機，第5種是貝葉斯單核學習支持向量機；

用本發明方法進行目標識別的實驗步驟如下：

首先，對實驗中的mstar三類數據進行預處理，并使用徑向核函數計算得到三種特征核矩陣，即圖像域特征核矩陣、頻域特征核矩陣和稀疏系數特征核矩陣；

接著，使用組合核方法對這三種特征核函數矩陣進行組合，得到mstar三類數據的訓練數據集和測試數據集；

然后，將mstar三類數據的訓練數據集分別代入到貝葉斯多核學習支持向量機的最優解的表達式和隱變量期望值的表達式中，設定最大迭代次數，最終得到貝葉斯多核學習支持向量機的最優解；

最后，根據上述得到的最優解結合mstar三類數據的測試數據集，計算得到目標識別標號。

將用本發明方法對mstar三類數據的識別結果與其他5種方法的識別結果對比，如表2。

表2本發明方法與其他方法對mstar三類數據的結果對比表

從表2可以看出：本發明提出的貝葉斯多核學習支持向量機模型對sar圖像三類目標的識別率為99.12％，相比與其他方法的結果有顯著提高，說明本方法對sar圖像目標識別的性能有明顯提升。