一种基于联合稀疏表示的SAR图像分类方法技术

本发明专利技术公开了一种基于联合稀疏表示的SAR图像分类方法，主要是对现有稀疏表示方法对于SAR图像分类效果的提高。其实现过程是：(1)输入待训练的SAR图像，对其进行特征提取，划分相似集合；(2)对每一类SAR图像的相似集合进行联合稀疏表示，对应得到每一个相似集合的小字典及稀疏系数；(4)输入待测试的SAR图像，对其进行特征提取，将特征向量在小字典上进行投影，得到测试图像的系数；(5)将测试图像的系数与所有训练图像的稀疏系数进行匹配，找出稀疏系数中最匹配的一组系数，将其标记类别作为待测试SAR图像所属类别。本发明专利技术在均匀纹理图像和SAR图像分类的正确率上较传统KNN和经典的稀疏表示分类方法有较大提高。

A SAR image classification method based on joint sparse representation

The invention discloses a SAR image classification method based on joint sparse representation, which mainly aims at improving the effect of the existing sparse representation method on the classification of SAR images. The realization process is: (1) the input SAR image to be trained, the feature extraction, classification of similar sets; (2) the similarity for each type of SAR image collection and sparse representation, each a similar set of small dictionary and sparse coefficient; (4) SAR image input test and the feature extraction, the feature vectors are projected in a small dictionary, coefficients of the test image; (5) to test the sparse coefficient image coefficients and all training images are matched, a group of the most sparse coefficients in matching coefficient, mark the category as the measured SAR image belongs to category. Compared with the traditional KNN and the classical sparse representation classification method, the invention improves the accuracy of the classification of the homogeneous texture image and the SAR image.

【技术实现步骤摘要】
一种基于联合稀疏表示的SAR图像分类方法
本专利技术属于图像处理
，涉及一种基于联合稀疏表示的SAR图像分类方法，可用于SAR图像的分类。
技术介绍
合成孔径雷达SAR图像的分类是实现SAR图像自动处理的一个关键步骤，是对SAR图像进行进一步解译的前提，它是将解译系统中的前端部分单独提取出来作为具体应用的一个典型实例。合成孔径雷达SAR是一种高分辨率的遥感成像雷达，它具有全天候、全天时、多波段、多极化的工作方式，可变测视角，穿透能力强和和分辨率高等特点。它不仅可以较详细、较准确地观测地形、地貌，获取地表信息，还可以透过一定地表和自然植被收集地下的信息，因此近年来得到了快速发展，被广泛应用于军事和民用以及国民经济的各个方面，有重大的研究价值和非常广阔的应用前景。由于SAR图像形成机理不同于普通可见光图像，因此适合普通光学图像的分类算法通常不能直接应用于雷达图像，而且SAR图像固有的乘性斑点噪声，增加了图像分类的难度，采用传统方法对SAR图像的原始信息进行分类的效果很差。Wright等针对人脸识别问题，构造了一种基于样本字典的稀疏表示分类方法(SparseRepresentation-basedClassification,SRC)，这个方法定义训练样本为固定字典，其后，根据固定字典求取测试样本的稀疏表示，然后再利用重构准等来划分类别。由于SAR图像与人脸图像特征的差异以及分布规则的不同，SRC方法直接用于SAR图像分类效果并不是十分突出。KNN(K-紧邻)算法作为一种在理论上比较成熟的监督学习分类方法，具有简单直观，易于实现和错误率低的特点，其基本思想是：根据距离函数计算待分类样本与每个训练样本的距离，选择与待分类样本距离最小的k个训练样本作为k个最紧邻，然后根据k个最近邻判断待分类样本的类别。将SRC方法运用到进行特征提取之后的SAR图像分类当中，取得的效果较好，但是在训练过程，即计算稀疏表示系数的过程中没有充分利用到训练样本的类别信息。采用传统的KNN方法对SAR图形进行分类，达到的效果并不理想。
技术实现思路
本专利技术的目的在于针对上述已有技术的不足，提出了一种基于联合稀疏表示的SAR图像分类方法，使得SAR图像的分类更加精确，进一步提高分类结果。实现本专利技术提供了一种基于联合稀疏表示的SAR图像分类方法，包括如下步骤：步骤一：对输入的待训练的SAR图像，进行4级非下采样小波变换，提取每个子带的能量特征e，并且提取灰度共生矩阵的相关性Cor，局部相似性Hom和熵Ent三个特征，得到所有训练图像的特征向量集合E；定义每一幅训练样本的特征向量为13个小波变换子带的能量特征和3个灰度共生矩阵特征组合成的列向量，将所有训练样本特征向量的组合定义为特征向量集合E；步骤二：根据以下公式对训练样本的特征向量集合E进行归一化：其中，uq表示特征向量集合E的第q行的均值，σq表示特征向量集合E的第q行的方差，p表示特征向量集合E的列，C表示输入训练样本的类别数，Num为每一类训练样本个数；步骤三：按照训练样本标记的类别信息，根据以下公式计算每一类特征向量的相似集合S：其中，k表示每一类特征向量相似集合的个数，我们取k＝3，Si表示每一类特征向量的第i个相似集合，xj表示相似集合Si的特征向量，ui表示Si的均值向量；步骤四：对每一类特征向量的每一个相似集合Si进行联合稀疏表示，解以下优化问题求得稀疏系数Ai，并根据稀疏系数Ai找出对应字典D中的原子，构成小字典Pi：其中，D为固定的DCT字典，xj为属于相似集合Si的特征向量，εi为允许的最小误差，取为10-6；步骤五：输入待测试的SAR图像y，按照步骤一进行特征提取，得到特征向量t，按照步骤二对特征向量t进行归一化，将特征向量t在小字典Pi上进行投影，根据以下公式计算测试系数βi：βi＝(PiTPi)-1PiTt步骤六：将测试系数βi与稀疏系数Ai进行最近邻匹配，按照以下公式得到待测试SAR图像y的所属类别：idendity(y)＝minjdj,j＝1,2,...C.其中，dj表示测试系数与稀疏系数Ai的最近邻距离，C为输入训练样本的总类别数。所述的一种基于联合稀疏表示的SAR图像分类方法，步骤一还包括：a：对输入的待训练SAR图像，做4级非下采样小波变换，根据以下公式计算每一个子带上的小波能量特征e：其中M×N表示子带大小，wm,n表示子带中位置在(m,n)处的小波系数；b：对输入的待训练SAR图像，根据以下公式提取灰度共生矩征的相关性Cor，局部相似性Hom和熵Ent三个特征：其中p(i,j)表示图像中在方向θ上相隔距离s的一对像元灰度(i,j)出现的次数，在这里θ取四个离散的方向：0°，45°，90°，135°，s＝1，uh和σh分别表示灰度对(i,j)在水平方向上的均值和方差，uv和σv分别表示灰度对(i,j)在垂直方向上的均值和方差；c：定义每一幅训练样本的特征向量为13个小波变换子带的能量特征和3个灰度共生矩阵特征组合成的列向量，将所有训练样本特征向量的组合定义为特征向量集合E。本专利技术提供了一种基于联合稀疏表示的SAR图像分类方法与现有技术相比较具有如下优点：1.本专利技术通过提取小波能量特征和灰度共生矩阵特征达到了原始数据降维的目的，并且能更好的运用在联合稀疏表示模型中。2.本专利技术通过对相似集合进行联合稀疏表示，提取了相似集合的公共成分，以每一个训练样本所占有公共成分的比例作为测试样本分类的依据。3.本专利技术的联合稀疏表示模型分类方法，不需要进行字典更新学习，快速简单，且分类正确率较高。附图说明图1是本专利技术的流程图；图2是本专利技术使用的77类均匀纹理图像；图3是本专利技术使用的SAR地物图像。具体实施方式下面结合附图和实施例对本专利技术进行详细的描述。实施例1：本专利技术的一种基于联合稀疏表示的SAR图像分类方法，包括以下步骤：如图1所示，步骤一，输入标记有类别的待训练的SAR图像，对其进行特征提取，得到训练样本的特征向量集合E：a：对输入的待训练SAR图像，做4级非下采样小波变换，根据以下公式计算每一个子带上的小波能量特征e：其中M×N表示子带大小，wm,n表示子带中位置在(m,n)处的小波系数；b：对输入的待训练SAR图像，根据以下公式提取灰度共生矩征的相关性Cor，局部相似性Hom和熵Ent三个特征：其中p(i,j)表示图像中在方向θ上相隔距离s的一对像元灰度(i,j)出现的次数，在这里θ取四个离散的方向：0°，45°，90°，135°，s＝1，uh和σh分别表示灰度对(i,j)在水平方向上的均值和方差，uv和σv分别表示灰度对(i,j)在垂直方向上的均值和方差；c：定义每一幅训练样本的特征向量为13个小波变换子带的能量特征和3个灰度共生矩阵特征组合成的列向量，将所有训练样本特征向量的组合定义为特征向量集合E。步骤二：根据以下公式对训练样本的特征向量集合E进行归一化：其中，uq表示特征向量集合E的第q行的均值，σq表示特征向量集合E的第q行的方差，p表示特征向量集合E的列，C表示输入训练样本的类别数，Num为每一类训练样本个数；步骤三：按照训练样本标记的类别信息，根据以下公式计算每一类特征向量的相似集合S：其中，k表示每一类特征向量相似集合的个数，我们取k本文档来自技高网...

【技术保护点】
一种基于联合稀疏表示的SAR图像分类方法，其特征在于：包括如下步骤：步骤一：对输入的待训练的SAR图像，进行4级非下采样小波变换，提取每个子带的能量特征e，并且提取灰度共生矩阵的相关性Cor，局部相似性Hom和熵Ent三个特征，得到所有训练图像的特征向量集合E；定义每一幅训练样本的特征向量为13个小波变换子带的能量特征和3个灰度共生矩阵特征组合成的列向量，将所有训练样本特征向量的组合定义为特征向量集合E；步骤二：根据以下公式对训练样本的特征向量集合E进行归一化：

【技术特征摘要】
1.一种基于联合稀疏表示的SAR图像分类方法，其特征在于：包括如下步骤：步骤一：对输入的待训练的SAR图像，进行4级非下采样小波变换，提取每个子带的能量特征e，并且提取灰度共生矩阵的相关性Cor，局部相似性Hom和熵Ent三个特征，得到所有训练图像的特征向量集合E；定义每一幅训练样本的特征向量为13个小波变换子带的能量特征和3个灰度共生矩阵特征组合成的列向量，将所有训练样本特征向量的组合定义为特征向量集合E；步骤二：根据以下公式对训练样本的特征向量集合E进行归一化：其中，uq表示特征向量集合E的第q行的均值，σq表示特征向量集合E的第q行的方差，p表示特征向量集合E的列，C表示输入训练样本的类别数，Num为每一类训练样本个数；步骤三：按照训练样本标记的类别信息，根据以下公式计算每一类特征向量的相似集合S：其中，k表示每一类特征向量相似集合的个数，我们取k＝3，Si表示每一类特征向量的第i个相似集合，xj表示相似集合Si的特征向量，ui表示Si的均值向量；步骤四：对每一类特征向量的每一个相似集合Si进行联合稀疏表示，解以下优化问题求得稀疏系数Ai，并根据稀疏系数Ai找出对应字典D中的原子，构成小字典Pi：其中，D为固定的DCT字典，xj为属于相似集合Si的特征向量，εi为允许的最小误差，取为10-6；步骤五：输入待测试的SAR图像y，按照步骤一进行特征提取，得到特征向量t...

【专利技术属性】
技术研发人员：钟桦，焦李成，周彬花，王爽，侯彪，马晶晶，马文萍，
申请(专利权)人：西安电子科技大学，
类型：发明
国别省市：陕西,61