1.一种基于增强核稀疏表示的SAR图像目标识别方法，其特征在于，该方法包括如下步骤：(1)对SAR目标图像进行多尺度单演变换，求取其在不同尺度下的对应的单演信号；

(2)针对每一个尺度下的单演信号，计算SAR图像目标的单演特征；

(3)基于核主成分分析和核Fisher鉴别分析计算一个增强的伪变换矩阵；

(4)利用增强的伪变换矩阵，进行鉴别性特征映射，将特征在核空间中进行降维，并在核空间中构造新的字典以及待测样本向量；

(5)利用最小化L1范数计算稀疏系数，并基于稀疏重建误差进行目标分类识别；

步骤(1)中的，对SAR目标图像进行多尺度单演变换，求取其在不同尺度下的对应的单演信号的方法如下：(1.1)给定一个二维SAR目标图像x(z)，其中z表示二维图像空间像素坐标，先对其进行里斯变换得到二维复信号xR(z)，则x(z)对应的单演信号xm(z)可定义为x(z)与其里斯变换的xR(z)的线性组合：xm(z)＝x(z)‑(i,j)xR(z)；

其中，i和j表示虚部单位，(1,i,j)构成三维互相正交的基坐标；

(1.2)采用二维Log‑Gabor滤波器hlg(z)分别与二维SAR目标图像x(z)及里斯变换xR(z)进行卷积，则x(z)对应的单演信号xm(z)求解公式修改为：xm(z)＝(hlg(z)*x(z))‑(i,j)(hlg(z)*xR(z))其中，hlg(z)的频域表达式为：

其中，ω是频率变量，ω0是G(ω)的中心频率，σ表示该二维Log‑Gabor滤波器带宽的尺度因子；

(1.3)通过修改σ即可以得到不同尺度的Log‑Gabor滤波器，利用不同尺度Log‑Gabor滤波器与x(z)及xR(z)进行卷积，即可计算不同尺度的单演信号 其中，表示第i个尺度下计算求得的x(z)的单演信号，S表示总尺度数；

步骤(2)中的，针对每一个尺度下的单演信号，计算SAR图像目标的单演特征的方法如下：(2.1)针对每一个尺度下的二维单演信号xm(z)进行分解，获取其幅度、相位、和方向信息：其中，xi(z)和xj(z)分别表示单演信号的i虚部的分量和j虚部的分量；

(2.2)由于xm(z)采用(1.2)中的形式，在求解A(z)、 θ(z)三分量时，将采用hlg(z)*x(z)代替x(z)，hlg(z)*xR(z)代替xR(z)对A(z)、 θ(z)分别计算，最终可以得到S个尺度的单演特征：(2.3)将S个尺度的单演特征进行向量化：其中，vec(·)表示将矩阵转化为向量的操作，χ表示得到的单演特征向量；

步骤(3)中的，基于核主成分分析和核Fisher鉴别分析计算一个增强的伪变换矩阵，方法如下：(3.1)给定一个具有c个类别的SAR目标分类，设 表示目标训练样本集，其中，n表示样本个数， 表示一个目标样本图像经过步骤(2)的处理后得到单演特征向量，yi∈{1,2,…,c}表示目标xi对应的类别标签；设Φ为核函数k(·,·)对应的非线性映射函数，为了保证样本之间的区分性，采用Φ将数据从输入空间X映射到高维核特征空间D其中，Φ(x)∈R 表示图像x在空间 上的映射结果，D＞＞m是特征空间 的维数，且φj(x)∈R，其中j＝1,...,D，目标样本图像xi在空间 上的映射结果为Φ(xi),i＝1,...,n；

(3.2)给定一个测试样本图像处理后的单演特征向量xt，在核特征空间 上对其进行线性表示如下：T

其中，α＝[α1,α2,...,αn] 为系数向量，αi为Φ(xi)对应的系数，在特征空间 上的样本矩阵可以表示如下：D×n

Φ1＝[Φ(x1),Φ(x2),...,Φ(xn)]∈R(3.3)基于(3.2)求得的Φ(x)，得到如下稀疏表示：上式表示，在满足Φ(xt)＝Φ1α的条件下，求解||α||1式子为最小值时的α，在求解α的过程中，选择L1范数，即对||α||1求最小；

D×d

(3.4)采用基于核降维的方式对(3.3)中的稀疏表示问题进行求解，设P∈R 为变换矩阵，基于该变换矩阵，对(3.2)中的 进行如下变换：T T

PΦ(xt)＝PΦ1α；

(3.5)利用基于核主成分分析或基于核Fisher鉴别分析的核降维方法，将映射向量看做 空间图像映射结果的线性组合：T

其中，Pj是变换矩阵P的第j个变换向量，即：P＝[P1,...,Pd]，βj＝[βj,1,...,βj,n]为Pj对应的伪变换向量，代表的是线性表示系数，由β1,...,βd可以组成伪变换矩阵B：B＝[β1,...,βd]

基于伪变换矩阵B，变换矩阵P可以表示如下：P＝Φ1B

T T

(3.6)将P＝Φ1B代入步骤(3.4)中的公式PΦ(xt)＝PΦ1α中，可得：T T

Bk(·,xt)＝BKα

T T T n×n

其中，k(·,xt)＝[k(x1,xt),…,k(xn,xt)]＝Φ1Φ(xt)，K＝Φ1 Φ1∈R 表示核格拉姆(Gram)矩阵；

n

(3.7)基于KPCA对伪变换矩阵B进行求解，首先利用KPCA计算伪变换向量βj∈R：Kβ＝λβ

然后通过选择d个具有最大特征值λj的特征向量，j＝1,…,d，λ1≥λ2≥…≥λd，得到基于KPCA的伪变换矩阵：n×d

B′＝[β1,...,βd]∈R ；

(3.8)基于KFDA对伪变换矩阵B进行求解：其中，tr(·)表示一个矩阵的迹， 和 分别表示类内和类间准散布矩阵，d＜c，通过n×d最大化上述公式，即可得到基于KFDA的伪变换矩阵B″∈R ；

(3.9)建立如下增强伪变换矩阵：

B＝[B′,B″]

(3.10)最终核特征空间 中的稀疏表示字典通过如下方式构建：T

BK。

2.根据权利要求1所述的一种基于增强核稀疏表示的SAR图像目标识别方法，其特征在于，步骤(2)中的单演特征包括：基于单演信号幅度信息的目标能量特征、基于单演信号相位信息的目标结构特征、及基于单演信号方向信息的目标几何特征。

3.根据权利要求1所述的一种基于增强核稀疏表示的SAR图像目标识别方法，其特征在于，步骤(4)中的，用增强的伪变换矩阵，进行鉴别性特征映射，将特征在核空间中进行降维的方法如下：先利用步骤(2)得到的单演特征向量，即训练样本xi和测试样本xt，求得映射到核空间的测试样本向量k(·,xt)；再利用增强的伪变换矩阵B，实现特征在核空间中的降维T以得到降维后的测试样本向量Bk(·,xt)。

4.根据权利要求3所述的一种基于增强核稀疏表示的SAR图像目标识别方法，其特征在于，步骤(5)中的，利用最小化L1范数计算稀疏系数，并基于稀疏重建误差进行目标分类识别，方法如下：T T

(5.1)利用降维后的测试样本向量Bk(·,xt)和字典BK得到如下优化问题：通过对上式进行求解得到稀疏系数α；

(5.2)针对测试样本对应的单演特征向量xt，计算其隶属第i类的近似，即：T

BKδi

T

其中，δi＝[δi(α1),δi(α2),…,δi(αn)]，且其中，i的取值范围为i∈{1,2,…,c}，若假设i一定，则δi(αj)表示向量δi的第j个元素的值，而yj代表第j个训练样本对应的真实类别标签，j∈{1,2,…,n}；

T T

(5.3)针对测试样本对应的单演特征向量xt，通过最小化Bk(·,xt)和BKδi的残差，即可估计测试样本对应的单演特征向量xt的类别标签：