基于KSVD训练字典的SAR图像混合模型拟合方法技术

本发明专利技术公开了一种基于KSVD算法训练字典的SAR图像混合模型拟合方法，它属于图像处理技术领域，主要解决SAR图像杂波分布模型种类繁多且对实际地物的建模能力有限的问题。其拟合过程为：基于对数正态分布和威布尔分布的概率密度函数，建立初始化分布模型字典；对图像中的每一类提取训练数据；利用KSVD算法训练初始化分布模型字典，得到新的字典集合；对图像中的每一类提取测试数据；用测试数据和新的字典集合作为OMP算法的输入来重构测试数据的稀疏系数；用字典集合中的字典乘以与其对应的稀疏系数就可得到测试数据的概率密度，从而得到其拟合直方图。本发明专利技术具有拟合精度高的优点，可用于SAR图像统计模型的拟合。

【技术实现步骤摘要】
基于KSVD训练字典的SAR图像混合模型拟合方法
本专利技术属于图像处理领域，特别是一种涉及SAR图像统计建模的方法，可应用于SAR图像统计建模。
技术介绍
多年来,合成孔径雷达(Synthetic Aperture Radar, SAR)已经被广泛应用于洪水监测、城市规划、土地利用和医学等诸多领域，这样的成像系统较光学成像系统具有全天时、全天候的成像特点和较强的地表穿透能力。对SAR图像统计特性的研究已成为解译SAR图像的一部分。随着SAR图像的乘性相干斑噪声的存在和分辨率的提高，传统用于低分辨率SAR图像统计建模的方法已不能对SAR图像数据进行精确的统计建模，特别是高分辨率条件下的SAR图像。单一模型虽能描述SAR图像的强度实测数据，但其精度不高。 SAR图像统计模型可分为两大类: 参量模型。参量模型的基本思想是利用参数估计的方法从已知的统计分布中确定图像数据的统计模型。参量模型有经验分布模型、由乘积发展的统计模型、由广义中心极限定理发展的统计模型、联合分布模型四类。经验分布有对数正态(Log-normal)分布、威布尔(Weibull)分布和广义 Gamma 分布(Generalized Gamma Distribut1n, Gr)。由广义中心极限定理发展的统计模型包括称α稳定分布(Symmetric a-stable distribut1n,S a S)、广义伽马瑞利分布(Generalized Gamma Rayleigh Distribut1n, G Γ R)和广义高斯瑞利分布(Generalized Gauss Rayleigh Distribut1n,GGR)。联合分布模型是对单一分布模型取不同的参数，再按照场景中不同地物所占比例将其加权，最终得到表征地物统计分布的联合分布模型。参量模型是通过几个简单的参数对SAR图像数据进行建模来描述数据的分布，可压缩大量的数据信息，因此它在SAR图像统计建模中得到了广泛的应用。 非参量模型。非参量模型有Parzen窗法、支持向量机法和神经网络等。与参量模型相比，非参量模型建模比较灵活，适合对未知的复杂的概率密度函数进行估计，一般需要大样本数据的支持，估计精度较高，但其操作复杂，计算耗时大。
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，提出一种基于广义K均值(KSVD)算法训练字典的SAR图像混合模型拟合方法，利用混合模型能较好地拟合不同的地物类型，从而取得更精确的建模结果。 本专利技术具体实现过程如下: (I)基于对数正态分布和威布尔分布的概率密度函数，通过扩大这两个分布参数的范围，建立图像的初始化分布模型字典Ttl ； (2)对图像中的每一类提取训练数据{getdatal, getdata2,..., getdatac,...,getdataC}，其中C为图像中的类别数； (3)用图像的初始化分布模型字典Ttl和训练数据{getdatal, getdata2,…，getdatac,…，getdataC}作为广义K均值(KSVD)算法的输入得到字典集合{dict1naryl, dict1nary2,…，dict1naryc,…，dict1naryC}； (4)对图像中的每一类提取测试数据{datal, data2,…，datac,…，dataC}； (5)用测试数据{datal, data2,…，datac,…，dataC}和字典集合{dict1naryl, dict1nary2,…，dict1naryc,…，dict1naryC}作为正交匹配追踪(OrthogonalMatching Pursuit, 0ΜΡ)算法的输入来重构测试数据{datal, data2,...,datac,…,dataC}的稀疏系数{coeffl, coeff2,…,coeffc,…,coeffC}。 (6)用字典集合{dict1naryl, dict1nary〗，…，dict1naryc,…，dict1naryC}中的第c类的字典dict1naryc乘以与其对应的重构的稀疏系数{coeffl, coeff2，…，coeffc,…，coeffC}中的第c类的稀疏系数coeffc, c取I至C,就可得到图像中每一类测试数据的概率密度。 实现本专利技术目的的技术方案:使用广义K均值(KSVD)算法训练由对数正态分布和威布尔分布构成的字典，得到的概率密度能够比较精确地反映图像统计信息，有效地克服了单一模型不能得到精确建模结果的缺陷。本专利技术与现有技术相比具有以下优点: 1、本专利技术由于使用广义K均值(KSVD)算法训练统计模型字典，克服了传统方法中对分布的参数估计速度慢、过程复杂的缺点，使其拟合过程简单； 2、本专利技术由于采用了混合模型，使其能够对均匀区域、不均匀区域和极不均匀区域都能得到较好的拟合结果； 3、仿真结果表明，本专利技术方法较单一模型能更有效地对SAR图像进行统计建模。 【附图说明】 图1是本专利技术的流程示意图； 图2是一幅含有均匀区域和不均匀区域的两类地物背景SAR图像； 图3是本专利技术对图2中不均匀区域仿真的结果图； 图4是本专利技术对图2中均匀区域仿真的结果图； 图5是一幅含有均匀区域和极不均匀区域的两类地物背景SAR图像； 图6是本专利技术对图5中极不均匀区域仿真的结果图。 【具体实施方式】 参照图1，本专利技术的具体实现步骤如下: 步骤一、基于对数正态分布和威布尔分布的概率密度函数，通过扩大这两个分布参数的范围，建立图像的初始化分布模型字典Tc^ 对数lH态分布的概率密度函数: 、 I r (In τ-11 Cxp ' 2σ° 其中，X为图像中像素点的灰度值，m为图像中像素点的灰度值的均值，O为图像中像素点的灰度值的方差。 威布尔分布的概率密度函数: /?) = -\χ>> 1 expL -(—)(/1 μμ 其中，X为图像中像素点的灰度值，μ为图像的尺度参数，η为图像的形状参数。 对分布的参数进行估计是分布的核心问题，是长期制约分布实际应用的主要技术瓶颈。在本专利技术中，优选地，选择基于Mellin变换的参数估计方法来估计上述对数正态分布和威布尔分布的参数。对数正态分布的参数估计公式如下: m - kx I,~ σ = yjk, 其中，Iii是第i阶对数累计量，计算公式如下: k' = Bjlnx} i {,^ 丨 A, = Ej(ln..v-/ ) 其中，X为图像中像素点的灰度值。 威布尔分布的参数估计公式如下:t = In w+ 77—V ⑴ ， =77_y(l,l) 其中，Ψ (I)是普西(digamma)函数，Ψ (I, I)是普西(digamma)函数的一阶导数，ki和k2的计算公式与对数正态分布中的计算公式一样。 利用上面的公式可得到对数正态分布和威布尔分布的参数m、σ、μ、η，对这四个参数分别取0.U0.UUl的步长，扩大参数的范围。m分别取m-0.5、m-0.4、m-0.3、m-0.2、m_0.1>m>m+0.1>m+0.2>m+0.3>m+0.4，σ 分别取 σ -0.6、σ -0.5、σ 本文档来自技高网...

【技术保护点】
一种基于KSVD训练字典的SAR图像混合模型拟合方法，包括如下步骤：步骤1，基于对数正态分布和威布尔分布的概率密度函数，通过扩大这两个分布参数的范围，建立图像的初始化分布模型字典T0；步骤2，对图像中的每一类提取训练数据{getdata1,getdata2,…,getdatac,…,getdataC}，其中C为图像的类别数；步骤3，用图像的初始化分布模型字典T0和训练数据{getdata1,getdata2,…,getdatac,…,getdataC}作为广义K均值(KSVD)算法的输入得到字典集合{dictionary1,dictionary2,…,dictionaryc,…,dictionaryC}；步骤4，对图像中的每一类提取测试数据{data1,data2,…,datac,…,dataC}；步骤5，用测试数据{data1,data2,…,datac,…,dataC}和步骤三得到的字典集合{dictionary1,dictionary2,…,dictionaryc,…,dictionaryC}作为正交匹配追踪(Orthogonal Matching Pursuit,OMP)算法的输入来重构测试数据{data1,data2,…,datac,…,dataC}的稀疏系数{coeff1,coeff2,…,coeffc,…,coeffC}；步骤6，用步骤3得到的字典集合{dictionary1,dictionary2,…,dictionaryc,…,dictionaryC}中的第c类的字典dictionaryc乘以与其对应的重构的测试数据的稀疏系数{coeff1,coeff2,…,coeffc,…,coeffC}中的第c类的稀疏系数coeffc，c取1至C，就可得到测试数据{data1,data2,…,datac,…,dataC}中每一类的概率密度，所求的概率密度即为SAR图像中每一类测试数据的混合模型的拟合。...

【技术特征摘要】
1.一种基于KSVD训练字典的SAR图像混合模型拟合方法，包括如下步骤: 步骤I，基于对数正态分布和威布尔分布的概率密度函数，通过扩大这两个分布参数的范围，建立图像的初始化分布模型字典Ttl ； 步骤2,对图像中的每一类提取训练数据{getdatal, getdata2,...，getdatac,...，getdataC}，其中C为图像的类别数； 步骤3，用图像的初始化分布模型字典Ttl和训练数据{getdatal, getdata2,…，getdatac,…，getdataC}作为广义K均值(KSVD)算法的输入得到字典集合{dict1naryl, dict1nary2,…,dict1naryc,…,dict1naryC}； 步骤4,对图像中的每一类提取测试数据{datal, data2,…，datac,…，dataC}； 步骤5,用测试数据{datal, data2,…，datac,…，dataC}和步骤三得到的字典集合{dict1naryl, dict1nary2,..., dict1naryc,..., dict1naryC}作为正交匹配追踪(Orthogonal Matching Pursuit, OMP)算法的输入来重构测试数据{datal, data2,...,datac,…,dataC}的稀疏系数{coeff I, coeff2,…,coeffc,…,coeffC}； 步骤6,用步骤3得到的字典集合{dict1naryl, dict1nary2,…，dict1naryc,…，dict1naryC}中的第c类的字典dict1naryc乘以与其对应的重构的测试数据的稀疏系数{coeffl, coeff2,…，coeffc,…，coeffC}中的第c类的稀疏系数coeffc, c取I至C,就可得到测试数据{datal, data2,…，datac,…，dataC}中每一类的概率密度,所求的概率密度即为SAR图像中每一类测试数据的混合模型的拟合。2.根据权利要求1所述的混合模型拟合方法，其中，步骤I具体包括: (Ia)对数正态分布的概率密度函数: I Γ (In X - m)n./⑴=~7=cxp[--—^~] σν2π2σ' 其中，X为图像中像素点的灰度值，m为图像中像素点的灰度值的均值，ο为图像中像素点的灰度值的方差； 威布尔分布的概率密度函数: f{x) = \x^ 'cxp[-(丄)',] μημ 其中，X为图像中像素点的灰度值，μ为图像的尺度参数，n为图像的形状参数。3.根据权利要求2所述的混合模型拟合方法，其中，选择基于Mellin变换的参数估计方法来估计上述对数正态分布和威布尔分布的参数。4.根据权利要求3所述的混合模型拟合方法，其中，对数正态分布的参数估计公式如下:m = kxcr 二 ^jk2 其中，h是第i阶对数累计量，计算公式如下:=Ε{1πχ} I^2 其中，X为图像中像素点的灰度值； 威布尔分布的参数估计公式如下: =In η + ?厂 V (I) k=、(1，1) 其中，Ψ (I, I)是普西(digamma)函数，Ψ (I, I)是普西(digamma)函数的一阶导数。5.根据权利要求2所述的混合模型拟合方法，其中，得到对数正态分布和威布尔分布的参数m、σ、μ、η后， (Ib)对(Ia)的四个参数分别取0.1...

【专利技术属性】
技术研发人员：侯彪，焦李成，高丽萍，张向荣，马文萍，王爽，李卫斌，
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