基于加权极限学习机的SAR目标识别

文/宗宇

1 引言

合成孔径雷达（ synthetic aperture radar，SAR）是一种主动式微波遥感器，能够全天时、全天候的进行侦查，同时它还能够对地表形成一定的穿透力，基于这些优点SAR已经成为现代战场侦察的重要手段。

在本文中提出了一种Gabor滤波和加权极限学习机结合的SAR分类方法。首先采用Gabor提取SAR图像的特征，随后采用加权极限学习机进行分类识别。并取得了较好的效果。

2 基于Gabor 的Sar特征提取

完整的SAR目标识别系统包括预处理、特征提取和分类器训练三个部分。

由于gabor小波可以用来模拟视觉皮层中最简单细胞的滤波反应。另外由于SAR图像的特征很容易受到投影变换、光影和姿态的影响，如果我们直接使用图像特征提取来进行识别的话，往往不容易获得想要的准确率。如果我们使用二维gabor小波变换，我们可以更好的得到相对于空间坐标方向的图像，空间频率，并选择选择性的局部结构信息。一个2D-Gabor滤波器可以写成如下公式。

其中x为给定图像的坐标；kj为滤波器的中心频率，由我们设定；为滤波器的方向选择性；kv为对应纹理的波长；σ是高斯窗口的大小。

随后，我们构建了一组gabor滤波器，分别为5个中心频率和8个尺度(40组)。然后我们使用这些Garbor滤波器分别对Sar图像进行滤波。

3 基于加权极限学习机的Sar识别

在SAR目标识别的问题中，常常遇到样本数目不平衡的问题。而对于不平衡样本分类平面往往会朝着样本较少的那一部分偏移，从而使得样本多的数据分类准确率较高，样本少的数据分类准确率较低，而现实中的分类问题负样本往往远少于正样本，并且对于处理多分类问题时采用决策树法或者一对多法也都会产生样本不平衡的问题。另外由于样本噪声的影响，也会对分类平面产品影响。所以我们设想不同的样本应当对分类器的求解有不同的权重，也就是说我们可以给不同的样本不同的惩罚因子，而实现这个不同的惩罚因子的方法最简单的做法是针对不同的样本给它们不同的权值,那么分类器的方程就可以写成如下的公式:

用同样的方法求解，同样可以定义lagrange函数求解上面的问题：

最终可以求解得出：

对于一批新的测试xnew样本它们的类别判别函数可以表示如下：

其中为样本的权值矩阵，这个权值的计算可以采用样本类别的比例来进行计算。

4 实验

本文的实验都是在MSTAR数据库上进行。该实验数据采用美国国防高等研究计划署(DARPA)支持的MSTAR计划所公布的实测SAR地面静止目标数据，无论是在国内还是国际上，针对SAR图像目标识别的研究基本上是基于该数据集而展开的。采集该数据集的传感器为高分辨率的聚束式合成孔径雷达，该雷达的分辨率为0.3m×0.3m。工作在X波段，所用的极化方式为HH极化方式。对采集到的数据进行前期处理，从中提取出像素大小为128×128包含各类目标的切片图像。部分图像如图1所示。

表1：几种算法的对比结果

图1：SAR图像

为了对比本文算法的性能，我们把本文算法和SVM、RBF、BP等算法进行了性能对比。采用了15°倾斜角的三类数据样本进行训练，采用17°的数据样本进行分类识别。同时训练样本都加入了离群点，并且给样本都加入了高斯噪声。

实验结果见表1所示

从表1可以看出本文的算法无论是在识别精度还是训练速度上都要优越于其他几种对比算法。

5 结论

本文提出了一种基于Gabor滤波器和加权极限学习机的Sar目标识别方法，并且在MSTAR数据库上进行了实验，实验结果表明，本文的算法速度快，能够有效的克服离群点和噪声，取得了远高于其他算法的优越性能。