基于加權極限學習機的SAR目標識別

文/宗宇

1 引言

合成孔徑雷達（ synthetic aperture radar，SAR）是一種主動式微波遙感器，能夠全天時、全天候的進行偵查，同時它還能夠對地表形成一定的穿透力，基于這些優點SAR已經成為現代戰場偵察的重要手段。

在本文中提出了一種Gabor濾波和加權極限學習機結合的SAR分類方法。首先采用Gabor提取SAR圖像的特征，隨后采用加權極限學習機進行分類識別。并取得了較好的效果。

2 基于Gabor 的Sar特征提取

完整的SAR目標識別系統包括預處理、特征提取和分類器訓練三個部分。

由于gabor小波可以用來模擬視覺皮層中最簡單細胞的濾波反應。另外由于SAR圖像的特征很容易受到投影變換、光影和姿態的影響，如果我們直接使用圖像特征提取來進行識別的話，往往不容易獲得想要的準確率。如果我們使用二維gabor小波變換，我們可以更好的得到相對于空間坐標方向的圖像，空間頻率，并選擇選擇性的局部結構信息。一個2D-Gabor濾波器可以寫成如下公式。

其中x為給定圖像的坐標；kj為濾波器的中心頻率，由我們設定；為濾波器的方向選擇性；kv為對應紋理的波長；σ是高斯窗口的大小。

隨后，我們構建了一組gabor濾波器，分別為5個中心頻率和8個尺度(40組)。然后我們使用這些Garbor濾波器分別對Sar圖像進行濾波。

3 基于加權極限學習機的Sar識別

在SAR目標識別的問題中，常常遇到樣本數目不平衡的問題。而對于不平衡樣本分類平面往往會朝著樣本較少的那一部分偏移，從而使得樣本多的數據分類準確率較高，樣本少的數據分類準確率較低，而現實中的分類問題負樣本往往遠少于正樣本，并且對于處理多分類問題時采用決策樹法或者一對多法也都會產生樣本不平衡的問題。另外由于樣本噪聲的影響，也會對分類平面產品影響。所以我們設想不同的樣本應當對分類器的求解有不同的權重，也就是說我們可以給不同的樣本不同的懲罰因子，而實現這個不同的懲罰因子的方法最簡單的做法是針對不同的樣本給它們不同的權值,那么分類器的方程就可以寫成如下的公式:

用同樣的方法求解，同樣可以定義lagrange函數求解上面的問題：

最終可以求解得出：

對于一批新的測試xnew樣本它們的類別判別函數可以表示如下：

其中為樣本的權值矩陣，這個權值的計算可以采用樣本類別的比例來進行計算。

4 實驗

本文的實驗都是在MSTAR數據庫上進行。該實驗數據采用美國國防高等研究計劃署(DARPA)支持的MSTAR計劃所公布的實測SAR地面靜止目標數據，無論是在國內還是國際上，針對SAR圖像目標識別的研究基本上是基于該數據集而展開的。采集該數據集的傳感器為高分辨率的聚束式合成孔徑雷達，該雷達的分辨率為0.3m×0.3m。工作在X波段，所用的極化方式為HH極化方式。對采集到的數據進行前期處理，從中提取出像素大小為128×128包含各類目標的切片圖像。部分圖像如圖1所示。

表1：幾種算法的對比結果

圖1：SAR圖像

為了對比本文算法的性能，我們把本文算法和SVM、RBF、BP等算法進行了性能對比。采用了15°傾斜角的三類數據樣本進行訓練，采用17°的數據樣本進行分類識別。同時訓練樣本都加入了離群點，并且給樣本都加入了高斯噪聲。

實驗結果見表1所示

從表1可以看出本文的算法無論是在識別精度還是訓練速度上都要優越于其他幾種對比算法。

5 結論

本文提出了一種基于Gabor濾波器和加權極限學習機的Sar目標識別方法，并且在MSTAR數據庫上進行了實驗，實驗結果表明，本文的算法速度快，能夠有效的克服離群點和噪聲，取得了遠高于其他算法的優越性能。