下载掌阅APP，畅读海量书库
立即打开
SAR图像目标识别的目的是在大场景的SAR图像中找到感兴趣的目标，并实现目标的属性（Property）、类别（Type）或型号（Configuration）的判定。传统的目标识别算法都是针对目标的类别识别的。也就是说，同类别、不同型号的目标在识别时被认为是一样的。然而，目标的型号识别对于感兴趣目标细节信息的获取、战场感知等应用领域具有重要的意义，尤其在军事领域，更有着重要的战略和战术意义。
针对目标的类别识别的算法中提取的特征都集中于如何更好地描述目标。而对于目标的型号识别，数据的局部结构更重要。国内外已有诸多文献讨论了数据的局部结构对于模式识别的重要性。对目标的型号识别来说，非常重要的局部保持特性可以保证在高维空间距离相近的样本在低维空间仍然距离相近。美国芝加哥大学的He Xiaofei等人提出了局部保持投影（Locality Preserving Projection，LPP）算法，以保持降维前后数据的局部结构来实现人脸识别，取得了不错的识别效果。基于LPP算法的改进算法相继被提出。例如，新加坡南洋理工大学的Jiwen Lu等人提出了正则化的局部保持投影算法（Regularized Locality Preserving Projections，RLPP），实现了高精度的人脸识别；美国伊利诺伊大学香槟分校的Deng Cai等人提出了正交局部保持投影算法（Orthogonal Locality Preserving Projection，OLPP），实现了人脸识别。
目标识别的关键在于特征提取，特征提取的一个目的是缓解维数灾难。比如，在进行目标识别时，一幅SAR图像是128像素×128像素的（这还是一个比较小的数据），则将其变成列向量后会成为16384像素×1像素，若直接采用最近邻分类器或支持向量机进行分类，就可能产生内存不足。此外，SAR图像中存在很多冗余信息，特征提取的另一个目的就是要去除这些冗余信息，只保留对识别有用的信息，以尽可能减小数据中噪声分量对识别的影响。
基于传统的LPP算法，本章介绍一种将LPP和混合高斯分布（Gaussian Mixture Distribution，GMD）相结合的目标识别算法，从统计的角度进行特征提取。该算法能尽可能地获取数据中对识别有用的信息来进行识别。混合高斯分布因其具有普适性好、参数估计相对容易、在理论上可拟合任何分布的优点而被广泛应用于SAR图像的分割和分类等领域。考虑到SAR图像中存在相干斑和模型误差，本章采用混合高斯分布来拟合SAR图像中的噪声项。本章介绍的算法将局部保持特性融入统计模型，以保持数据的局部结构。
在Laplacian特征映射（Laplacian Eigenmap，LE）算法的基础上，He Xiaofei等人提出了LPP算法。LPP算法是LE算法的线性近似，采用LPP算法进行特征提取时，可以保持数据的局部流形结构。同时，它与主成分分析（Principal Component Analysis，PCA）算法和线性判别分析（Linear Discriminant Analysis，LDA）算法等传统线性算法一样，有明确的投影矩阵，可方便地对新数据进行处理，降低了流形学习算法的复杂度。LPP算法的基本思想是首先建立样本点的邻域关系，根据该邻域关系推导出一个线性变换，使进行特征提取后，原来高维数据中的局部信息能够得到保留。LPP算法的具体实现步骤如下。
第一步，根据 ε 邻域法或 k 近邻法建立样本点的邻域关系。
第二步，根据邻域关系构建样本点的相似度矩阵 S ，有
第三步，求解如下广义特征分解，得到投影矩阵 W ：
式中， Y =（ y 1 ， y 2 ，…， y N ）； L 为拉普拉斯矩阵， L = H-S ； H 是一个对角矩阵，其元素（ H ii =Σ i S ij ）为矩阵 S 的沿行方向元素的和或沿列方向元素的和（因为 S 是一个对称矩阵）； W 为投影矩阵， W =（ w 0 ， w 1 ，…， w l -1 ），其对应的特征值为0 λ ＜ 1 λ ＜…＜ λ l -1 。LPP算法求解得到的线性变换可以表示为 x i = W T y i 。