基于KNN的合成孔径雷达目标识别*

郝 岩，白艳萍，张校非

（中北大学理学院，太原 030051）

0 引言

合成孔径雷达（SAR）是一种高分辨率成像雷达，成像具有全天时、全天候的特点。在信息高速发展的时代，信息的高效处理成为必然。快速高效的SAR目标识别方法也必不可少。目前，SAR目标识别研究主要分为目标特征提取和识别两大部分。传统的特征提取方法有主成分分析（PCA）[1]、非负矩阵分解[2]、灰度共生矩阵法[3]等；而识别方法主要有支持向量机（SVM）[4]，自适应集成分类器（AdaBoost）[5]以及深度学习方法[6-8]。

KNN（K 近邻算法）最早是由 Cover和 Hart[9]提出的，现已成为一种非常有效的非参数分类算法。它是一种惰性学习，学习过程只是简单地存储已知的训练数据；当遇到新的测试样本时，一系列相似的样本被取出，并用来分类新的测试样本。它在模式识别、统计分类、计算机视觉、DNA测序以及剽窃侦查等方面应用广泛。

本文主要研究将KNN算法应用于SAR目标识别，并将其效果与经典的SVM算法进行比较。采用剪裁和去噪方法，包括高斯去噪、中值滤波、小波加噪去噪的方法对图像的冗余信息进行“剔除”，并将不同去噪方法与剪裁后的图像结合，达到了比单独剪裁或去噪实验更好的识别效果，进一步证明了本文所提方法的有效性。

1 KNN算法原理简介

KNN算法[10]是一种统计分类器，属于惰性学习，对包容型数据的特征变量筛选尤其有效，是最简单的机器学习算法之一。它的基本思想是：输入没有标签及未经分类的新数据，首先提取新数据的特征并与测试集中每一个数据特征进行比较；然后从样本中提取k个最邻近数据特征的分类标签，统计这k个最邻近数据中出现次数最多的分类，将其作为新数据的类别[11-13]。

KNN的算法步骤如下：

1）计算待分类数据特征与训练数据特征之间的距离并排序；

2）取出距离最近的k个训练数据特征；

3）根据k个相近训练数据特征所属的类别来判定新样本的类别：如果它们都属于同一类，那么新样本也属于这个类；否则，对每个候选类别进行评分，按照某种规则确定新样本的类别。

wi类的判决函数为：

1）欧氏距离

2）马氏距离

3）曼哈顿距离

4）切比雪夫距离

判决规则为：

2 实验及结果分析

本文针对MSTAR的公开数据集BMP2（装甲车），BTR70（装甲车）以及 T72（主战坦克）进行实验，图1是3类目标的SAR图像和光学图像示例。数据库中的SAR图像分辨率为0.3 m×0.3 m，目标图像大小为128×128像素。实验选取SN_C21，SN_C71和SN_132 17°俯仰角下的图像作为训练样本，15°俯仰角下的图像作为测试样本。训练样本个数为698，各类分别为233，233，232。测试样本个数为588，各类分别有196个样本。

2.1 数据预处理

本文将实验分为两组，第1组分别对数据进行了单一的剪裁，高斯去噪，中值滤波，小波加噪再去噪，然后分别用KNN和SVM分类，下面简称实验1；第2组实验数据为在剪裁好的图像基础上再分别进行高斯去噪，中值滤波，小波加噪再去噪，再用KNN和SVM分类，下面简称实验2。

本文将未处理的图像作为实验1的第1组数据。其次，根据MSTAR中SAR图像目标集中于图像中间的特点，将图像剪裁成大小为64×64的新图像，作为实验1的第2组数据，然后对图像分别进行高斯去噪，中值滤波，小波加噪再去噪，把处理后的图像读为特征向量，作为实验1的3、4、5组数据，以待分类。

为了实验更好地识别效果，将实验1中处理好的数据第2组数据分别与3、4、5组数据结合，分别作为实验2的第1、2、3组数据，以待分类。

2.2 实验

2.2.1 实验1结果

针对实验1的数据，分别用KNN和SVM分类的结果如表1，由于KNN的初始聚类中心为[0，1]之间的随机值，因此，本文取10次实验结果的平均值作为最终结果。

表1 实验1结果比较

从表1可以明显看出，除了经剪裁处理的数据SVM方法比KNN精确度高0.78%之外，其他方法KNN的分类效果都明显优于SVM。而且对于未处理数据而言，SVM的识别效果较差，正确率只达到86.73%，而KNN的识别效果可以达到94.31%。

2.2.2 实验2结果

实验2中除了实验数据与实验1的处理方法不同之外，其他设置均相同，实验结果如表2。

从表2可以看出，第1组数据SVM方法比KNN精确度高0.75%，后两组数据的KNN方法均比SVM精度高。另外。前两组数据相比于实验1的精度都有所提高，而第3组数据的实验结果比未经剪裁的小波加噪去噪方法的精确度略低，说明图片大小的变化对此方法产生了负面影响，但其识别效果依然很可观。

图2是上述8组数据以0作为初始聚类中心的分类误差图，图2（a）～图2（h）分别对应上述8组数据的误差图。从图中可以看出，识别错误率最大的均在第1类中。

3 结论

本文采用逆向思维，通过剪裁和去噪方法提取图像特征，并用KNN和SVM进行识别。通过两组实验发现，KNN的识别准确率均达到94%以上，且在多组数据上识别精确度高于SVM，充分证明了所提方法的有效性。但KNN也存在一些不足，当样本不平衡时，如一个类的样本容量很大，而其他类样本容量很小时，有可能导致当输入一个新样本时，该样本的各“邻居”中大容量类的样本占多数，这也将成为日后继续研究的一个方面。