基于核学习的SAR图像分类算法研究

SAR目标识别在军用和民用领域具有重要意义,我们主要研究SAR图像识别技术。降维和分类是模式识别领域的重要问题。本文首先介绍线性降维方法(Principal Component Analysis, PCA)与非线性降维方法(流形学习),和局部保持映射(Locality Preserving Projections, LPP)分类方法；其次介绍核学习算法的基本原理；最后介绍所提出的两个基于核学习的SAR图像分类算法AQKPCA和SGKLPP。本文的主要创新点如下：(1)提出了核优化算法AQKPCA (Adaptive Quasiconformal Kernel Principal Component Analysis:自适应准共形核主成分分析),核学习的三大关键问题是核函数的构造、核函数的优化、核参数的自动选择。AQKPCA用最大间隔准则(Maximum margin criterion, MMC)优化了核函数,有效避免了因核函数的选取问题而导致的识别和分类的错误。通过对数据集测试,表明AQKPCA核方法优于传统核方法。(2)提出了SGKLPP (Supervised Gabor based Kernel LPP:基于监督的Gabor核局部保持映射)方法。LPP (Locality Preserving Projections:局部保持映射)方法将LE(Laplacian Eigenmap)方法做线性映射,从而达到分类的目的。本文对KLPP算法做出改进,提出SGKLPP方法。ORL、Yale等数据库的测试结果表明,SGKLPP算法优于KLPP。本文在实验环节中不仅采用MSTAR SAR数据集,同时也采用典型的人脸数据集测试分类和识别的效果。实验结果表明,所提出的算法性能可靠。而通过将已有的方法同所提出的方法进行比较,则证明所提出方法的先进性。对于涉及的奇异值问题,则讨论不足。寻找更加优化的SAR识别算法和降低SAR识别时的计算成本等问题是今后的研究过程中需重点关注的问题。