本發(fā)明涉及一種sar圖像匹配識別方法，適用于利用sar圖像的多維度特征對sar圖像進行分類與識別。

背景技術(shù)：

1、sar(synthetic?aperture?radar)圖像是由合成孔徑雷達系統(tǒng)獲取的一種遙感圖像。合成孔徑雷達使用雷達波束在地面上掃描并記錄回波信號，然后通過信號處理技術(shù)生成圖像。sar系統(tǒng)通過發(fā)射脈沖電磁波并接收其反射回來的信號來獲取數(shù)據(jù)。與光學(xué)遙感不同，sar利用雷達波束的特性，可以在任何天氣條件下，甚至在夜晚或云層下獲取數(shù)據(jù)。這使得sar圖像在地表觀測和監(jiān)測中非常有用。sar圖像具有以下特點：高分辨率，可以提供細節(jié)豐富的圖像；三維信息，可以提供地表的高度信息，生成地表的數(shù)字高程模型；多頻率和極化，可以使用多個頻率和極化模式進行觀測，從而獲取不同類型的信息；反射率差異，反映了地表物體對雷達波的反射能力；時序觀測，通過連續(xù)觀測并比較，檢測地表變化等。

2、傳統(tǒng)特征匹配識別算法，主要包括直方圖匹配算法和點特征提取與匹配算法。

3、直方圖匹配算法是一種常用的sar圖像對象特征匹配識別算法。該算法通過對sar圖像中像素的灰度分布進行統(tǒng)計和分析，生成直方圖特征，然后通過比較不同對象的直方圖特征之間的相似度，實現(xiàn)對象的匹配與識別。常見的比較方法包括歐氏距離、相關(guān)系數(shù)等。距離較小或相關(guān)系數(shù)較高的直方圖即為相似的對象。

4、直方圖匹配算法的優(yōu)點在于簡單直觀，易于實施。它不需要對sar圖像進行復(fù)雜的數(shù)學(xué)運算和模型擬合，提取的直方圖特征效果可觀，并且計算速度較快。然而，直方圖算法也具有一些局限性。首先，該方法只能對整個圖像的灰度分布進行統(tǒng)計，不能捕捉空間關(guān)系和局部變化。其次，直方圖只能提供一維的特征信息，對于復(fù)雜的對象，可能無法準確識別。此外，直方圖特征對光照變化和遮擋敏感。

5、總結(jié)而言，直方圖算法是一種簡單有效的sar圖像對象特征匹配識別算法。雖然它存在局限性，但可以與其他特征提取方法相結(jié)合，形成綜合的特征描述子，提高對象識別的準確性和魯棒性。

6、點特征提取與匹配算法通過提取圖像中的關(guān)鍵點和對應(yīng)的特征描述子，然后利用這些描述子進行對象匹配和識別。其中關(guān)鍵點由harris角點檢測、fast角點檢測等檢測算法尋找，一般選擇圖像中的紋理、角度或邊緣等局部特征為關(guān)鍵點。得到關(guān)鍵點后，進而根據(jù)關(guān)鍵點周圍的局部區(qū)域進行特征描述子計算，常用的描述子包括sift(尺度不變特征變換)、surf(加速穩(wěn)健特征)和orb(旋轉(zhuǎn)不變特征)等。這些描述子對于光照、尺度和旋轉(zhuǎn)變換具有不變性，能夠捕捉對象的獨特特征。

7、通過比較不同圖像之間的特征描述子，計算特征之間的相似度或距離，來進行特征匹配。常用的匹配算法包括暴力匹配、基于距離的匹配和基于興趣點的匹配等。匹配閾值可以根據(jù)特定場景和應(yīng)用進行調(diào)整。

8、該算法的優(yōu)點在于能夠提取圖像中的局部特征信息，對于尺度、旋轉(zhuǎn)和光照變化具有較好的魯棒性。此外，這種算法不依賴于整個圖像的灰度分布，只關(guān)注關(guān)鍵點附近的局部區(qū)域，降低了計算復(fù)雜度和內(nèi)存消耗。算法缺點在于可能會受到噪聲、遮擋和低紋理等問題的影響，導(dǎo)致關(guān)鍵點提取和描述子計算的不準確性。還會因為sar圖像的特殊性質(zhì)，如強烈的散射干擾和復(fù)雜的背景噪聲，造成關(guān)鍵點的分布不均勻，從而影響匹配的準確性。

技術(shù)實現(xiàn)思路

1、本發(fā)明解決的技術(shù)問題是：克服現(xiàn)有技術(shù)的不足，提供一種sar圖像匹配識別方法，解決了傳統(tǒng)處理方法對sar圖像中多維度特征利用不足，并且方法運行效率不高、運行速度不快以及匹配結(jié)果精度不高的問題。

2、本發(fā)明的技術(shù)方案是：一種sar圖像匹配識別方法，包括：

3、對sar圖像進行方位角估計，篩選得到角度閾值范圍內(nèi)的多種訓(xùn)練樣本特征數(shù)據(jù)；

4、采用并行策略融合篩選出的多種訓(xùn)練樣本特征數(shù)據(jù),得到特征表示向量；

5、利用得到的特征表示向量訓(xùn)練svm分類器，并利用訓(xùn)練后的svm分類器實現(xiàn)sar圖像的匹配識別。

6、所述對sar圖像進行方位角估計，篩選得到角度閾值范圍內(nèi)的多種訓(xùn)練樣本特征數(shù)據(jù)，包括：基于面向方位敏感性的sar圖像svm分類識別方法，利用特征提取階段獲取的目標方位角信息，篩選出svm分類器的訓(xùn)練特征數(shù)據(jù)，具體為：分別選取目標方位角±10°和180°±10°范圍內(nèi)的訓(xùn)練數(shù)據(jù)。

7、所述訓(xùn)練樣本特征數(shù)據(jù)，包括sar圖像一維距離向、屬性散射中心、幾何特征。

8、所述采用并行策略融合篩選出的多種訓(xùn)練樣本特征數(shù)據(jù),得到特征表示向量，包括：

9、針對不同的訓(xùn)練樣本特征數(shù)據(jù)進行不同方式的維度變換處理，得到不同特征數(shù)據(jù)向量；采用均值-方差歸一化方法，將特征數(shù)據(jù)向量轉(zhuǎn)換為均值為0、標準差為1的標準正態(tài)分布，之后基于并行策略將轉(zhuǎn)換后的不同特征數(shù)據(jù)向量進行融合，得到可送入svm分類器中進行訓(xùn)練的特征表示向量。

10、所述針對不同的訓(xùn)練樣本特征數(shù)據(jù)進行不同方式的維度變換處理，得到不同特征數(shù)據(jù)向量，包括：

11、對sar圖像的每個屬性散射中心點，用三個元素進行表征，分別是方位、距離向坐標以及屬性散射中心幅度，設(shè)置每個元素的數(shù)量閾值為n，數(shù)量不足時進行補零，將最終向量長度統(tǒng)一為3n；

12、對sar圖像的一維距離向的表示的是在對象的最小外接矩形內(nèi)，沿著距離向在方位向依次求和后求平均，得到一維距離向特征向量，然后通過三次樣條插值，將向量長度增加到3n；

13、將sar圖像的長、寬和長寬比組合成長度為3的向量，再重復(fù)n次，生成長度為3n的向量。

14、所述利用得到的特征表示向量訓(xùn)練svm分類器，并利用訓(xùn)練后的svm分類器實現(xiàn)sar圖像的匹配識別，包括：

15、對于二分類，svm分類器通過核函數(shù)將訓(xùn)練數(shù)據(jù)，即特征表示向量，映射到一個高維線性特征空間，在這個線性空間中構(gòu)造最優(yōu)分類超平面，并得到分類器的決策函數(shù)，進而將特征表示向量分類；

16、對于多分類，使用多個svm分類器定義不同類別間的決策邊界，實現(xiàn)多個二分類即完成多分類問題；

17、完成svm分類器訓(xùn)練后，將從sar圖像中提取到的特征表示向量輸入到svm分類器，實現(xiàn)sar圖像的匹配識別。

18、所述對于多分類，使用多個svm分類器定義不同類別間的決策邊界，實現(xiàn)多個二分類即完成多分類問題，包括：訓(xùn)練時依次把某個類別的樣本歸為一類，其他樣本歸為另一類，則k個類別的樣本構(gòu)造出k個svm分類器，分類時將未知樣本分類為具有最大分類函數(shù)值的類。

19、所述核函數(shù)，選取線性核、多項式核、高斯核、拉普拉斯核中的一種。

20、本發(fā)明與現(xiàn)有技術(shù)相比的優(yōu)點在于：

21、本發(fā)明基于特征融合、支持向量機(svm)分類器的基本原理與方法，并利用對象的方位角估計對訓(xùn)練數(shù)據(jù)進行篩選，從而根據(jù)對象的多維度特征(主要包含幾何結(jié)構(gòu)特征和電磁散射特征)，引入對象的特征匹配識別方法，完成對sar圖像中的對象的分類與識別。相較于傳統(tǒng)處理方法，本方法適用于sar圖像中對象的多維度特征匹配識別，同時保證方法具有較高的運行效率、速率與高精度匹配對象的能力，能夠出色的完成對象分類和身份識別任務(wù)。本發(fā)明為基于多分類器組合的目標識別方法，而傳統(tǒng)的sar圖像目標分類識別通常采用單一分類器進行識別，它們在某些樣本特征上有較好的識別性能，而在另一些樣本特征上的識別性能較差。由于對于同一個識別任務(wù)，不同分類器錯誤分類的樣本并不完全相同，即不同的分類器之間存在一定的互補。因此，本方法將多分類器組合用于sar圖像匹配識別中可以顯著提高目標識別性能。