一种SAR目标子空间特征优选方法

技术领域

本发明属于雷达遥感应用技术领域，具体涉及一种SAR目标子空间特征优选方法。

背景技术

合成孔径雷达(Synthetic Aperture Radar，以下简称SAR)具有全天时、全天候等特点，是一种重要的对地观测手段。SAR图像目标识别利用SAR图像的信息特征来实现目标的判别分类，在船舰监测、勘探资源、目标定位等领域广泛应用。

SAR图像目标识别的准确度与特征提取与特征的选择有着密切的关系。但随着SAR成像技术的发展，SAR图像的特征信息爆发式的增长，这为分类与检测等任务带来了巨大的挑战。数据中存在着大量的冗余或者不相关的特征,这会增加计算成本，或可能会使模型出现过拟合现象，降低学习模型的性能和泛化能力，这样现象通常被称为“维度灾难”。因此有必要探寻更好的特征提取、特征降维、特征选择等特征处理方式，以在SAR目标识别中获得更好的性能。

在目标识别领域，特征提取通常有PCA主成分分析、纹理特征矩阵、信息熵等模式特征提取，也有利用深度网络的方式进行特征提取。特征降维方法一般是使用映射或者转换的方法对原始数据进行降维，从而使类别相同的数据相近，类别不同的数据相离。而特征选择方法实际上也与降维过程存在交叉。利用度量标准对原始数据进行度量，选择出一个维度更低的特征子集。针对高维数据，在一定的评估准则下评估给定特征集合的优良性，保留其中的优良特征，删除不相关和冗余特征。然而这些方法通常对于光学图像具有良好的效果，但SAR图像成像机理与光学成像有着一定差异，导致这些方法不能直接用于SAR图像目标识别领域，这使得SAR图像的特征降维与选择方案变的困难。

将传统的特征选择方案在SAR图像目标识别领域的使用上存在提取的特征效果差、选择过程没有考虑SAR图像的特性、没有考虑特征之间的组合关系与权值分配、特征的选择对于SAR目标的可解释性不强等问题，主要表现在以下四个方面：

(1)针对于光学图像所选择的特征提取方法针对于SAR图像不一定会有良好的效果，没有考虑SAR图像的特点。

(2)对于一般特征选择时所采用的常见评估准则有距离度量准则、信息度量准则、关联性度量准则、一致性度量准则等方式，往往聚焦于特征本身，而未能以任务需求为导向进行特征选择，模型提取出来的最优特征并不一定能在分类任务上达到最优结果。

(3)对于传统目标识别过程中的特征选择方案，最终输出结果是一组特征组合，将这组特征以平均加权的方式送入到后续的决策过程中，没有考虑到最优特征组合的个体特征权值问题。

(4)对于传统的特征提取过程，尤其是深度特征提取过程，虽然特征选择过后能将识别准确度提升，但是往往不具备良好的可解释性。对于SAR图像所应用的大部分领域来说，具有可解释性是对后续研究非常必要的。

发明内容

本发明的目的是针对上述提到的问题及不足，克服在SAR图像目标识别领域的使用上存在提取的特征效果差、选择过程没有考虑SAR图像的特性、没有考虑特征之间的组合关系与权值分配、特征的选择对于SAR目标的可解释性不强等问题，特提出一种基于改进遗传算法和集成式分类器的SAR目标子空间特征优化选择方法。

本发明的技术方案为：

一种SAR目标子空间特征优选方法，包括以下步骤：

S1、从已知的SAR图像数据集中获取数据，经过预处理后得到训练数据集；

S2、对训练数据集进行PCA主成分分析特征提取，定义训练数据集为X∈R

a1、计算每个维度的均值：

a2、用每个维度减去得到的均值，得到一个矩阵，实现对输入数据进行中心化处理：

a3、构建协方差矩阵：

a4、对协方差矩阵C进行特征值分解，并取最大的k个特征值所对应的特征矢量组成降维矩阵V∈R

a5、将降维矩阵V乘以原矩阵进行降维，得到降维后矩阵，即Y'＝XV

对训练数据集中的SAR图像进行GLCM灰度公式矩阵计算，获得对比度、离散度、同质性、能量、相关性、ASM属性，构成一个6维特征作为约束条件，同时根据6维特征的量纲预设阈值；

S3、利用改进的遗传算法进行特征选择，改进的方法是利用S2获得的约束条件对遗传算法的交叉过程进行约束，约束方法是若原SAR图像与优选后特征重构的图像之间的6维约束特征小于预设阈值，则遗传算法中的父亲个体与母亲个体可以交叉，反之则不交叉，利用SAR目标特性来约束遗传算法对于提取到的PCA特征进行优选。以100维的PCA特征为例，其中不同的特征交叉组合相当于特征集合中的不同子集，也相当于是求解空间中的各个子空间。

S4、利用得到的特征子集对分类器进行训练，得到训练好的分类器；

S5、将获得的SAR图像输入到训练好的分类器，获得识别准确度与最终的最优特征子空间。

本发明的有益效果为，在传统特征降维、特征选择的基础上，提出了一种基于改进遗传算法和集成式分类器的SAR目标子空间特征优选方法。它的一个重要创新点是在利用SAR图像独有的特征属性对优选过程进行约束，实现特征子空间级的优选，在该过程中，减少了分类所需的特征维度，并使得SAR目标识别准确率提升，同时算法获得的最优特征子空间可以进行样本重构，对SAR目标识别过程中的关键特征部分做出解释。

附图说明

图1为本发明基于改进遗传算法和集成式分类器的SAR目标子空间特征优选方法的框架流程图。

图2为含有船舰、飞机、装甲车等目标的SAR图像。

图3为方法选择之后的特征重构样本流程图。

具体实施方式

本发明是为了提高SAR图像目标识别的准确度以及关键特征的可解释性，因此将基于SAR特性约束的改进式的遗传算法应用于集成式机器学习分类器中，采用其他主流的分类器也是可以的。

具体实施方式如下所示：

1、对Mstar、OpenSARShip、T72、SAR-AIRcraft-1.0四个SAR图像数据集首先进行尺寸调整，将这四个数据集尺寸分别统一为158*158、100*100、70*70、199*175。如图2所示，实验数据集包含了船舰、装甲车、飞机等丰富类型。

2、将四个数据集按照表1中的数据集数目和测试集数目的分布划分训练样本和测试样本：

表1SAR目标数据集为了量化评价所使用的数据集

3、对上述数据集分别进行PCA主成分分析提取特征并保存前100维特征，再对SAR图像进行GLCM灰度公式矩阵计算，获得对比度(contrast)、离散度(dissimilarity)、同质性(homogeneity)、能量(energy)、相关性(correlation)、ASM属性(ASM)等6个特征，将这一组特征维作为优化算法约束条件。

4、根据不同数据集提取到的约束特征的量纲设定阈值，对基本遗传算法的交叉过程进行约束，若小于设定阈值，则遗传算法中的父亲个体与母亲个体可以交叉，反之则不交叉，利用SAR目标特性来约束遗传算法特征子空间的选择过程。同时对遗传算法进行参数调整，设置交叉概率0.7、变异概率0.1、种群数50、迭代次数1000、适应度函数为分类准确度。

5、对基于决策树的集成式机器学习分类器设置参数，权重训练的子样本比例设置为0.8、学习率0.05、每棵树叶子结点96、决策树深度5。

6、将训练集送入训练过程，筛选出最优特征子集并在测试集上验证。同时最优特征子集可以重构样本对比原SAR样本，方式如图3所示。采用本发明的方法前后的数据集特征维度与分类准确率比较如表2所示：

表2SAR目标数据集下使用该方法的前后准确度对比表

本发明的主要是对SAR图像提取的模式特征进行优选，并且利用SAR图像独有的特征属性对基于遗传算法的优选过程进行约束，实现特征子空间级的优选，获得能使目标识别准确率达到最高的特征子集，最优特征子集可以对子空间重构，具有极佳的可解释性。同时本发明提供的优选方法在对特征维数降维的同时，使得SAR目标识别准确率提升，为后续的实际应用部署提供了可行方案。