基于随机观测投影和稀疏表示的SAR图像分类制造技术

本发明专利技术公开一种基于随机观测投影和稀疏表示的SAR图像分类，其分割过程为：将训练图像分成N×N小块，逐点读取像素拉成列向量依次存放到矩阵中，并且对矩阵进行随机投影；将投影之后的小块利用k-means聚类，每一类聚出K个纹元；将K个纹元连接到一起，这样得到一个行数为CK的纹元字典；利用Nearest Neighbor原则统计训练图像块的直方图，得到大小为CK×S的分类字典；任给一测试图像，分成小块随机投影之后，利用Nearest Neighbor原则统计测试图像块的直方图，得到h；采用L1magic方法求解方程h＝Ax，得到x；计算残差，得到分类结果。本发明专利技术具有特征提取简单，分类正确率高等优点，可用于SAR图像分类。

【技术实现步骤摘要】
基于随机观测投影和稀疏表示的SAR图像分类
本专利技术属于图像处理领域，是一种SAR地物分类方法，可应用于图像分类。
技术介绍
合成孔径雷达SAR是一种可以产生高分辨率图像的(航空)机载雷达或(太空)星载雷达，可应用于军事，农业，导航，地理监视等诸多领域。它与其它遥感成像系统，光学成像系统相比有很多差异。在军事目标识别方面，SAR图像被广泛的应用在目标检测领域，而SAR图像分类则是从图像处理到图像分析的重要步骤，是目标识别的基础。本质上SAR图像反映的是目标的电磁散射特性和结构特性，其成像效果很大程度上依赖于雷达参数和地域电磁参数。SAR成像的特殊性使得针对该类图像的分割方法有别于普通光学图像：非光学成像方式导致SAR图像灰度级变化缓慢，因此光学图像常用的分类方法对此类图像收效甚微；SAR图像含有大量相干斑噪声，而常规分类方法通常对噪声具有很高的敏感度，不宜用于此类图像。在具体的SAR图像分类算法研究方面，Escalante-RamirezBoris等人提出了基于方向导向的离散共轭转换(DHT)的SAR图像分类方法，RobJ.Dekker等人研究了基于纹理分析的SAR图像城区分类方法，BrunoAiazzi等利用纹理特征提出了增强的模糊最近邻域均值聚类算法，Jong-SenLee等利用分解散射模型和最大似然分类器对SAR图像地物进行无监督的分类，该方法都较好的保留图像的极化域散射特性。随着统计学习理论基础上发展了通用学习算法——支持向量机后，LotharHermes等人利用SVM分类器对SAR图像土地使用情况进行了分类，国内也有利用纹理分析的最大似然分类法、利用纹理特征的SAR地物的神经网络分类算法等等。以上分类方法基本都要进行复杂的特征提取，以提高分类正确率。
技术实现思路
本专利技术的目的在于克服上述已有技术的不足，提出一种基于稀疏表示和随机观测的SAR图像分类方法。实现本专利技术目的的技术方案是：首先寻找C类不同地物的训练图像，每类S幅图像，其中C≥2,S≥1；执行如下步骤：步骤一、将训练图像分成小块，得到观测矩阵Tij,按类别依次存放到矩阵Yi(i＝1,…,C)中；步骤二、将得到的矩阵Yi转置得到YiT，对YiT的行利用K-means进行聚类，每一类训练图像聚出K(K＜S)个纹元；步骤三、将C类训练图像中的每一类训练图像聚出的K个纹元依次连接到一起，得到一个行数为CK的纹元字典D；步骤四、计算训练图像小块投影向量与CK个纹元的距离，统计训练图像的直方图分布情况，得到大小为CK×CS的分类字典A；步骤五、任给一幅测试图像，计算其与CK个纹元的距离，统计测试图像的直方图，得到h；步骤六、令h＝Ax，解得x；步骤七、使用x依据残差最小确定测试图像所属的类别。本专利技术使用高效新颖的特征提取工具——随机观测投影(RP)和词袋模型相结合的方法，提取图像中的有效信息，降低数据维数，计算待分类图像的统计直方图，构造类别模型字典。本专利技术将随机投影嵌入到词袋模型中提取特征，得到测试图像的直方图统计模型，省去复杂的特征提取过程，同时利用稀疏表示方法进行分类，提高SAR图像分类的正确率。与现有的技术相比具有以下优点：1、本专利技术由于使用简单方便的特征提取方法——随机观测投影(RP)和词袋模型相结合，能够对SAR图像进行特征提取，减少冗余，降低数据维数；2、本专利技术计算了图像的统计直方图来做为特征，代替原始图像的像素灰度信息，更有利于保持图像的结构信息，去除冗余信息，分类正确率受噪声影响较小；3、本专利技术由于采用了稀疏表示的方法进行分类，分类更有针对性；4、仿真结果表明，本专利技术方法较随机观测最近邻分类更佳有效。附图说明图1是本专利技术的流程示意图；图2是本专利技术三类地物训练图像每类的一个训练样本图；图3是本专利技术三类地物测试图像每类的一个测试样本图；具体实施方式参照图1，本专利技术的具体实现步骤如下：首先寻找C类不同地物的训练图像，每类S幅图像，其中C≥2,S≥1；执行如下步骤：步骤一、将训练图像分成小块，得到观测矩阵Tij，按类别依次存放到矩阵Yi(i＝1,…,C)中。将C类不同地物的训练图像(每类S幅)中的每一幅，分别以选取的每幅训练图像的像素点为中心依次选取大小为M×N的小块，每个小块对应一个列向量，将每个小块中的所有像素的值作为列向量的元素，将S幅中的每幅训练图像的小块对应的列向量依次存放到矩阵Pij(i＝1,…,C,j＝1,…,S)中，对矩阵Pij进行随机投影Tij＝φPij，然后每类随机选取s个随机投影后矩阵即Tij，按类别依次存放到矩阵Yi(i＝1,…,C)中，其中S≥s≥1，M≥1，N≥1，φ是固定的投影矩阵。以选取的每幅训练图像的像素点为中心选取大小为M×N的小块如果超过训练图像的边界，可以采用镜像扩展的方法，或者舍弃这些小块。以三类地物为例，例如图2中训练图像有三类，分别是(a)城市、(b)农田和(c)山脉。当然，训练图像不限于这三类，也不限于三类，可以是多个。将三类地物的训练图像分别分成小块，以一定的规则逐点读取每个小块中的每个像素的值作为列向量的一个元素，将S幅中的每幅训练图像的小块对应的列向量依次存放到矩阵Pij(i＝1,…,C,j＝1,…,S)中，对矩阵Pij进行随机投影Tij＝φPij，然后每类随机选取s个随机投影后矩阵即Tij，按类别依次存放到矩阵Yi(i＝1,…,C)中，得到Yi。投影矩阵φ为W行M×N列，每次实验中φ是固定的，不会随类别数而改变，投影矩阵的行数W根据降低数据维数的需要选择。优选地，投影矩阵的行数W为小块大小的30％左右，即W等于M×N×30％向上或者向下取整。以一定的规则逐点读取包括但不限于逐行或者逐列。每类的s幅图像中每幅图像投影后存放到矩阵Yi(i＝1,…,C)可以不考虑顺序，即可以先存第1幅，最后存第s幅，也可以先存第s幅，最后存第1幅，也可以在中间存第1幅。投影矩阵φ可以由相互独立的0均值正态分布构成。优选地，M＝N≥2；更优选的，M＝N≥2，且M为奇数。步骤二、将得到的矩阵Yi转置得到YiT，对YiT的行利用K-means进行聚类，每一类训练图像聚出K(K＜S)个纹元。K-means算法是每个样本(也就是这里的每个小块)按行聚类，即行跟行之间聚类，不是每一行内聚类。由于原来是按列存放的，故先将矩阵Yi转置YiT。K个纹元的列数和YiT一样，是W。步骤三、将C类训练图像中的每一类训练图像聚出的K个纹元依次连接到一起，得到一个行数为CK的纹元字典D。纹元字典D的列数依旧是W。将步骤二中得到的C类训练图像中的每一类图像的K个纹元放到一起，每一类图像的K个纹元顺序无所谓，并且将三个类别图像的K个纹元顺序放到一起，这样得到一个行数为CK的纹元字典D，也就是词袋模型中的视觉单词。步骤四、计算训练图像小块投影向量与CK个纹元(即步骤三中的纹元字典D)的距离，统计训练图像的直方图分布情况，得到大小为CK×CS的分类字典A。利用NearestNeighbor原则计算步骤一中得到的观测矩阵Tij中的列向量(每列)跟步骤三中得到的C类训练图像聚出的CK个纹元(即步骤三中的纹元字典D)之间的距离，在距离最小的纹元所处的位置上计数。对所有C个类别的S幅训练图像直方图统计完毕之后，就生成一个大小为CK×CS本文档来自技高网...

【技术保护点】
一种基于随机稀疏表示和随机观测向量的SAR图像分类方法，其特征在于，首先寻找C类不同地物的训练图像，每类S幅图像，其中C≥2,S≥1；然后执行如下步骤：步骤一、将训练图像分成小块，得到观测矩阵Tij，按类别依次存放到矩阵Yi(i＝1,…,C)中；步骤二、将得到的矩阵Yi转置得到YiT，对YiT的行利用K‑means进行聚类，每一类训练图像聚出K(K＜S)个纹元；步骤三、将C类训练图像中的每一类训练图像聚出的K个纹元依次连接到一起，得到一个行数为CK的纹元字典D；步骤四、计算训练图像小块投影向量与CK个纹元的距离，统计训练图像的直方图分布情况，得到大小为CK×CS的分类字典A；步骤五、任给一幅测试图像，计算其与CK个纹元的距离，统计测试图像的直方图，得到h；步骤六、令h＝Ax，解得x；步骤七、使用x依据残差最小确定测试图像所属的类别。

【技术特征摘要】
1.一种基于随机稀疏表示和随机观测向量的SAR图像分类方法，其特征在于，首先寻找C类不同地物的训练图像，每类S幅图像，其中C≥2,S≥1；然后执行如下步骤：步骤一、将训练图像分成小块，得到观测矩阵Tij，按类别依次存放到矩阵Yi(i＝1,…,C)中；步骤二、将得到的矩阵Yi转置得到YiT，对YiT的行利用K-means进行聚类，每一类训练图像聚出K(K＜S)个纹元；步骤三、将C类训练图像中的每一类训练图像聚出的K个纹元依次连接到一起，得到一个行数为CK的纹元字典D；步骤四、计算训练图像小块投影向量与CK个纹元的距离，统计训练图像的直方图分布情况，得到大小为CK×CS的分类字典A；步骤五、任给一幅测试图像，计算其与CK个纹元的距离，统计测试图像的直方图，得到h；步骤六、令h＝Ax，解得x；步骤七、使用x依据残差最小确定测试图像所属的类别。2.根据权利要求1所述的SAR图像分类方法，其中所述将训练图像分成小块，得到观测矩阵Tij具体包括：将C类不同地物的训练图像中的每一幅，分别以选取的每幅训练图像的像素点为中心依次选取大...

【专利技术属性】
技术研发人员：侯彪，焦李成，叶滢钰，王爽，张向荣，马文萍，马晶晶，
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