一种基于混合核函数SVM分类器的SAR图像分类方法与流程

一种基于混合核函数svm分类器的sar图像分类方法
技术领域
1.本发明涉及sar图像应用技术领域，特别涉及一种基于混合核函数svm分类器的sar图像分类方法。


背景技术：

2.合成孔径雷达具有全天时、全天候、远作用距离、高分辨率等特点，在各领域发挥了重要作用。基于sar图像的分类识别技术，特别是地面相关目标识别技术受到广泛关注。
3.sar图像有很多特征，如长宽比、像素灰度统计特征、纹理特征等，这些特征是人类认知中的重要组成。不同的图像特征，其作用也不相同。主成分分析方法(principal component analysis，pca)作为最广泛使用的数据降维方法，通过将n维特征映射到k维上，即在原有的n维特征的基础上重新构造出新的k维特征，并将这k维的全新正交特征作为主成分。
4.支持向量机(support vector machine，svm)是通过设定核函数，将输入空间映射到一个高维空间中得到特征向量之间的内积，然后在低维空间进行计算，通过核函数学习找到线性可分的最优分类超平面。该方法在解决小样本、非线性分类问题等方面时有着显著优势。
5.鉴于以上分析，为了实现利用svm分类器对sar图像进行分类，本发明提出一种基于混合核函数svm分类器的sar图像分类方法。
6.与本发明相近的技术方案有一种基于小波特征的混合核函数的svm分类器的sar图像分类方法。该方法通过标识和归一化样本图像并进行小波分解，从而获得各类特征按结构体，通过提取的子带多特征构建svm分类器的基于小波特征的混合核函数，并对该混合核函数中的参数通过凸组合进行优化，最终完成对图像特征的分类。
7.上述基于小波特征的混合核函数的svm分类器的sar图像分类方法的缺点是对图像进行归一化和标识后进行小波分解，每个子带都会出现多个分解特征，对于运算及核函数来说数据量过大，同时在混合核函数中采用的是特征上的混合，并没有利用不同的核函数进行组合，无法充分体现异构数据直接的相似性。而本发明通过对获取的常规特征进行pca降维实现特征的精简，再将高斯核函数和多项式核函数混合，可以提高sar图像地面目标的分类精度。


技术实现要素：

8.本发明的目的在于提供一种基于混合核函数svm分类器的sar图像分类方法，以解决现有技术中对于运算及核函数来说数据量过大的问题，同时在混合核函数中采用不同的核函数进行组合，可以解决单一核函数无法充分体现异构数据相似性的问题。
9.本发明的技术方案是：提供一种基于混合核函数svm分类器的sar图像分类方法，包括如下步骤：
10.s1、传统特征提取：
11.提取sar图像的传统特征；
12.s2、pca降维：
13.对所述步骤s1中获得的sar图像的传统特征进行pca降维，获得新特征；
14.s3、svm参数优化：
15.通过所述步骤s2中得到的pca降维后的新特征，利用交叉验证寻优算法，将图像按照6：1划分为两部分，对于其中占比为七分之六的部分进行svm模型的训练，寻求最优的混合核函数参数组合；
16.s4、分类结果获取：
17.通过所述步骤s3中获取的最优的混合核函数参数组合对剩下占比为七分之一的分类样本进行分类实验，获取最终分类结果。
18.进一步的，所述步骤s1中，所述传统特征为长宽比、灰度特征、纹理特征、边缘特征。
19.进一步的，所述步骤s2中，pca降维的实现方法为：
20.s2-1、对获取的传统特征进行去中心化；
21.s2-2、利用特征值分解的方法求解协方差矩阵的特征值及特征向量；
22.s2-3、按照特征值大小进行排序，选取需要的特征值个数，并将对应的特征向量进行组合形成特征向量矩阵；
23.s2-4、利用特征向量矩阵获取降维后的数据。
24.进一步的，所述步骤s3中，svm模型训练的实现方法为：采用高斯核函数与线性核函数进行混合，实验对采用的三类js目标进行按6:1划分训练样本和验证样本，在训练中对惩罚因子、混合核函数参数和权重因子进行迭代实现模型的优化。
25.进一步的，所述步骤s3中，交叉验证寻优算法的实现方法为：将原本样本中的一部分作为验证样本，另一部分作为训练样本，这样使得每一个样本都可以作为验证资料，没有随机因素的存在，且该过程可重复；同时通过对原本样本进行不同的验证样本与训练样本的划分，充分验证该分类器模型的鲁棒性。
26.本发明提供的基于混合核函数svm分类器的sar图像分类方法取得的有益效果是：
27.直接使用svm方法识别的准确率仅有72％，本发明实施例使用pca降维后的结果准确率有所提升。
附图说明
28.下面结合附图对发明作进一步说明：
29.图1为本发明方法流程图；
30.图2为混合核函数svm分类器流程图；
31.图3为mstar数据集示例图；
32.图4为实验采用的样本数据示例图。
具体实施方式
33.以下结合附图和具体实施例对本发明提出的基于混合核函数svm分类器的sar图像分类方法作进一步详细说明。根据下面说明和权利要求书，本发明的优点和特征将更清
楚。需说明的是，附图均采用非常简化的形式且均使用非精准的比率，仅用以方便、明晰地辅助说明本发明实施例的目的。
34.本发明通过mstar数据集进行实验，sar工作模式为x band，hh极化聚束式sar，分辨率0.3m
×
0.3m，像素为128
×
128。公开数据包括十类地面车辆目标(zjc：bmp-2、brdm-2、btr-60、btr-70；tk：t62、t72；hj：2s1；fk：zsu-234；kc：zil-131；推土机：d7)。
35.mstar数据库中每类目标的方位角从0
°‑
360
°
等间隔均匀变化，10类目标的光学图像和对应的sar图像如图3所示，其中每组图片上侧为光学图像，下侧为对应sar图像。
36.本次实验采用的目标图像数据，主要包括3大类:btr70，bmp2，t72，三类js目标对应的光学和sar图像如图3、图4所示。
37.图像有多种特征，这些特征对于认识图像具有很重要的意义。直观特征如长宽，像素灰度的统计特征，以及纹理特征，这些特征是人类认识世界所需要的重要视觉特征，不同的特征虽然都能表示和分别图像，但是却反映着图像的不同特性，所以不同的图像特征其用途也不相同，对于不同的图像分类需求，如何选择适合高效的特征抽取方法、如何改进和提高现有特征性能，都很值得进一步研究。参照图1，本发明基于这个问题，提出了一种基于pca降维的特征融合分类方法，首先采用多种特征尽可能丰富的描述目标；其次用pca方法对冗杂特征进行降维，得到降维后的特征。对于降维后的特征需要通过svm进行分类实验。支持向量机通过向量积的方法将数据从低维度映射到高维度，解决无法在低纬度找出线性决策边界的问题，进而在高纬度中寻找一个最优分类函数。支持向量机中常用的核函数分为线性核函数，多项式核函数以及高斯径向基核函数，同时针对sar图像中的多类特征，svm中使用的单一核函数无法充分体现异构数据直接的相似性，造成sar图像中地面目标分类精度不高。因此本发明通过多项式核函数和高斯径向基核函数进行混合，求解核函数，进行参数优化。参照图2，本方法采用交叉验证寻优算法，将图像素材按照6:1分成两部分，其中6份是已知的图像类别，进行支持向量机模型的训练，通过对各种可能的参数组合来寻找最优的图像分类性能，利用剩下的一份进行测试支持向量机的性能。最后通过本发明方法获取的实验结果见表1。
38.实验测试结果
[0039][0040]
表1
[0041]
表1给出了不同模式下图像训练识别的准确率，从表中可以看出，直接使用svm方法识别的准确率仅有72％，使用pca降维后的结果准确率有所提升。
[0042]
本说明书中未作详细描述的内容属于本领域专业技术人员公知的现有技术。对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不
是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。