1.多视角协同SAR图像船舶智能识别分类方法，其特征在于，首先基于双立方插值的图像截取挖块提取出船舶的兴趣特征区域，在此基础上通过多视角船舶分析进行维数约简后输入到船舶识别分类器得到软判定及置信概率输出，构成对应的评价矩阵，再利用改进后的证据推理辅助判定对不同视角下的分类判定融合得到最终的船舶识别判定结果；

第一步，多视角船舶兴趣特征区域提取，从探测器得到的源图像中确定船舶可能存在的兴趣特征区域，剔除除船舶以外的其它图像部分的干扰，通过图像分割截取挖块提取船舶的兴趣特征区域，其主要流程由四个部分组成：流程1：找出船舶目标图像内每个像素位置对应于源图像上采样点的坐标；

流程2：求出源图像内采样位置D的16个临近位置对应的灰度值；

流程3：由16个临近位置灰度值根据权重卷积之和计算得出采样位置D的灰度值；

流程4：把采样位置D的灰度值赋值给对应目标图像中点的灰度值；

第二步，多视角船舶的维数约简方法：将图像像素的灰度值作为特征值，则一个n行m列的图像就有n×m维特征值，提取出原始特征矢量中主要影响因子，去除不必要的多余信息，对原始图像的维数约简：第三步，船舶识别分类器设计及置信概率输出：船舶分类识别采用三分类模型，利用两个二分类模块来组成三分类模块，再将SVM输出结果进行后处理,转换成后验概率，最后采用得到的软判定进行融合识别；

第四步，基于证据推理决策的多视角船舶融合识别：引入专家确信程度因子法，利用证据推理重新组合新信任函数，改进证据推理辅助判定得到船舶融合识别结果。

2.根据权利要求1所述多视角协同SAR图像船舶智能识别分类方法，其特征在于，多视角船舶兴趣特征区域提取：每种船舶有六个视线角,而每种视线角又分为19个旋转角，即从

0度到180度，每次间隔10度进行观测，最关键一步是找出目标区域当中像素点对应的源图像位置，采用图像截取船舶挖块法实现；

首先，目标图像中的θ是已知的多视线观测的旋转角，ChopWid与ChopHei是设定的截取挖块后图像的宽和高，必须要包含整个船舶，其中chopWid为4的倍数，它是widthstep的值，表示存储一行像素所需要的字节；

然后,预估出源数据里船舶质心所在坐标值,其横纵坐分别标记为：CentX与CentY；将目标图像中每个点横纵坐标值(i,j)记作dcol及drow，则由的矩阵运算得到目标图像每个点对应的源图像中采样点D的横纵坐标TempC与TempR：TempC＝cos(θ)×(dcol‑0.5×ChopWid)+sin(θ)×(drow‑0.5×ChopHei)+CentX    式1TempR＝‑sin(θ)×(dcol‑0.5*ChopWid)+cos(θ)×(drow‑0.5×ChopHei)+CentY    式2当求得采样位置D坐标之后,采用双立方插值法求出D处的灰度值,双立方插值计算包括16个像素点，其中(i',j')表示待计算像素点在源图像中的包含小数部分的像素坐标，dx表示X方向的小数坐标，dy表示Y方向的小数坐标：双立方插值是图像16个像素点权重卷积之和作为新的像素值，其中R(x)表示插值表达式，分布采样表达式为：分布采样式基于三次卷积计算实现，将D像素值赋给挖块图像中对应像素值，最后得到所求兴趣特征区域。

3.根据权利要求1所述多视角协同SAR图像船舶智能识别分类方法，其特征在于，多视n角船舶的维数约简方法：对于随机矢量X∈R，其平均值矢量mx同协方差矩阵Cx为：mx＝E{X}    式5

T

Cx＝E{(x‑mx)(X‑mx) }            式6T

X是n维矢量，(X‑mx)(X‑mx) 则为n×n阶的矩阵，Cx中的元素Cii为总体向量中X矢量的第i个分量之方差，Cx里之元素Cij则为向量xi与xj之协方差，同时矩阵Cx是实对称矩阵；当xi与xj无关时，其协方差等于0，就有Cij＝Cji＝0，如果从随机总体当中采样k个矢量，则均值矢量为：协方差矩阵为：

n×n n n

变换中定义一个正交变换A＝R ，把X∈R的矢量映射到Y∈R表示的矢量中去，同时使其中的各分量互不相关：Y＝A(X‑mx)                               式9随机矢量Y的协方差矩阵为对角矩阵：

T

其中CY＝E{(Y‑mY)(Y‑mY)}，mY＝E{Y}则是矢量Y的均值矢量，CY＝ACxA式把Cx做对角化处理，把其所有行取成Cx之特征矢量，再把所有特征矢量按照对应特征值大小从大到小排列，则A中第一行关联最大的特征值，A中最后一行关联最小特征值,Cx为实对称矩阵，故存在n个标准正交特征矢量组成A；

Y中各分量间互不关联,将Cx对角化是对X进行去关联,Cx和CY特征值一样，都为CY对角线上的λj,，并且它们的特征矢量也一致；

‑1 T

X也可由Y恢复出来，由正交矢量的性质A ＝A，所以求出：T

X＝YA+mX    式11

若由CX内最大K个特征值所关联的特征矢量构建K×n矩阵A,,则使Y降成K维,得到：X和 的均方误差为：

当K＝n时误差等于0，λj递减，用前K个最主要的特征向量来减少误差。

4.根据权利要求3所述多视角协同SAR图像船舶智能识别分类方法，其特征在于，多视角船舶的维数约简方法具体流程如下：流程一：将m×n的训练兴趣特征区域图像重新排列为m×n维的列向量，再计算出其均值矢量,接着用均值向量对所有样本做中心化处理；

流程二：计算对角化后的协方差矩阵，计算其特征值，接着按照特征值大小将关联的特征向量从大到小排序；

流程三：取前K个特征向量K≤N‑1构成投影矩阵A,把中心化处理后所得训练图在A上进行投影,得到降维后的图像；

流程四：将测试数据按照上面所述步骤操作,得到降维之后的数据；

流程五：选择合适的分类器对测试图像进行分类识别。

5.根据权利要求1所述多视角协同SAR图像船舶智能识别分类方法，其特征在于，船舶识别分类器设计及置信概率输出：当对兴趣特征区域目标图像进行维数约简之后，利用SVM分类器对目标进行分类判定，再将SVM输出结果进行后处理，转换成后验概率，最后利用得到的软判定进行融合识别，得到基于多视角的船舶识别结果，采用在特征空间上间隔最大化线性二分类模型,找到一个分类超平面，使得属于两种不同类的数据矢量到该平面的距离最大，平面两侧的数据点距该平面的垂直长度最大，计算出具有最大分类距离特性超平面，引入函数距离和几何距离两概念；

当已知晓超平面wx+b＝0前提下，等号左侧绝对值的值作为点x相距超平面间隔的大小，通过判断wx+b的正负性质同类别标记y的正负性是否一致判定分类的正确性,利用y×(wx+b)与零的关系进行判断分类的准确与否，定义函数间隔为：假设在特征空间中存在某点x，该点向超平面垂直投影得到对应的点x0，而w为该平面的法矢量,样本x到超平面的距离为γ，则有：T

同时x0是位于超平面内一点，所以其使得f(x0)为0，将其代入超平面的方程wx+b＝0，T T T得到：wx0+b＝0，然后让式子 的等号两边同时乘以w ，同时已知：wx0＝‑b以T 2及ww＝||W||，得到：

要得到γ的模，则把γ乘以其对应的类别属性y，给出几何间隔的界定：对待识别数据点做分类处理，当数据点距离超平面间距越远,判定结果所得确信度越可靠，为保证判定的正确性，所选取的分类超平面使间距达到最远，该间距是Gap数值的一半；

将最大间距分类器所对应目标函数规定成：maxγ，同时满足前提条件：将目标函数转换成：

T T

上式中的1/||w||就是几何间隔，满足：y(wx+b)＝1，y(wx+b)＞1。

6.根据权利要求5所述多视角协同SAR图像船舶智能识别分类方法，其特征在于，本申请将船舶有三种,故为三分类模型，采用间接法解决三分类问题,即利用两个二分类模块来组成三分类模块，基于模糊集提出一种软判定,在给出样本的类别判定的同时，还据此计算得到样本对每个类别对应置信度,即其后验概率；

令f(x)为SVM无阈值的分类结果，即硬判定,由硬判定估算出SVM软判定，即后验概率：上式中A和B是确定参数,在确保SVM稀疏性的前提下，估算后验概率，用yi代表样本点i所属的类别，而且其取值是+1或‑1，则将yi转化成ti：而参数A及B的数值通过对样本点的最小负对数似然估算得到：min‑∑tilog(pi)+(1‑ti)log(1‑pi)           式23而pi满足：

当得到分类器所得置信概率输出后,利用决策融合做多视角的融合识别处理。

7.根据权利要求1所述多视角协同SAR图像船舶智能识别分类方法，其特征在于，基于证据推理决策的多视角船舶融合识别：将所得的SVM软判定结果与证据推理辅助相结合,实现多视角观测下融合识别算法，如果整个过程中存在Lj个传感器的输入源，先对各个输入源图像做预处理,得到各个SVM训练结果,即SVM后验概率Pj,最后完成证据推理证据融合，得到融合识别最终判定。

8.根据权利要求1所述多视角协同SAR图像船舶智能识别分类方法，其特征在于，基于改进证据推理辅助判定的船舶融合识别：假设专家i给出的信度为mi(A)，专家确信程度因子为ai，赋予专家确信程度因子ai后的信度为mai(A)，且定义：mai(A)＝aimi(A)                             式25ai＝0的实际意义为完全不可信专家i的测度，ai＝1的实际意义是完全可信专家i的测度,专家确信程度因子位于(0,1)区间内具有实际意义，如果ai＞aj,则表明相比于来自专家j的信息,来自专家i的信息更加可信，专家确信程度因子通过附加权重来降低实际判定过程中证据冲突的影响；

先设置隶属度函数并进行数据的归一化，构造对应信度函数mj(Aj)，当存在证据特征集之间的冲突时，如果其中一个证据与其它大多数证据保持一致，则认为融合实验结果受该证据的影响较大；相反，如果一个证据与其它大多数证据并不一致,尽可能使这个证据对最终融合结果的影响降到最低,给出每一个证据对应的专家确信程度因子；

首先定义两个证据体mi(A)(i＝1,2)的相似度Sim(m1(A),m2(A))：Sim(m1(A)，m2(A))＝1‑d(m1(A)，m2(A))        式26两个证据体之间的距离用d(m1(A),m2(A))表示，对所有的证据体写出如下相似化矩阵：定义对应专家的支持度Sup(mi,(A4))，i＝1,…,K即相似度矩阵中之每一行之和，定义每一个专家所拥有可信度Crdi：其中,得到：

则专家确信程度因子DCEi计算式如下：

在求得专家确信程度因子后，以下为所求得赋予专家确信程度因子的信度函数表达式：m(DCE)i(A)＝DCEi×mi(A)                 式31利用证据推理辅助判定重新组合新信任函数，得出最后融合结果。

9.根据权利要求8所述多视角协同SAR图像船舶智能识别分类方法，其特征在于，基于改进证据推理辅助判定的船舶融合识别的实现流程：第1步：构造隶属度函数，数据归一化；

第2步：构造证据体相似矩阵，计算专家确信程度因子；

第3步：用专家确信程度因子乘以原来的证据信度；

第4步：实现证据体两两融合；

第5步：第4步中两两融合的结果跟下一组证据的信度再进行融合，不断循环重复该过程，直到得到最终融合结果。