基于双层锚图散列的SAR图像检索方法技术

本发明专利技术公开了一种基于双层锚图散列的SAR图像检索方法，主要解决现有技术检索速度慢和精度低的问题。其实现步骤为：首先将SAR大图切割成小图像块，选取信息完整的图像块组成一个图像数据库，对其进行标记；接着对数据库中每一幅图像提取纹理、形状和场景特征，并将提取出的特征分为两个特征通道分别选取聚类中心；然后训练双层锚图模型，预测出训练数据的散列码和测试数据的散列码，分别计算汉明距离矩阵；最后将双特征通道的汉明距离矩阵加权融合，计算联合汉明距离矩阵，显示检索结果。本发明专利技术由于运用了基于散列的检索方法和SAR图像自身性质相关的特征信息，缩短了检索时间，提高了检索精度。

【技术实现步骤摘要】

本专利技术属于图像处理
，是一种基于双层锚图散列的SAR图像检索方法，可用于快速准确地按类别检索单类标SAR图像。
技术介绍
随着合成孔径雷达SAR技术的发展，SAR图像分辨率已经基本达到光学图像的水准，由于其具有更丰富的信息，而且数量也呈爆炸式的飞速增长，使得SAR图像的应用越来越广泛。如何高效、快速的在海量的SAR图像库中检索到所需要的图像数据成为当前该领域的一个研究热点,，处理这些数据所消耗的大量人力、财力，使得开发自动处理工具势在必行，因此基于内容的SAR图像检索技术应运而生。SAR图像检索技术不同于传统的SAR图像降噪等技术，它是一种信息检索技术，利用SAR图像的低层特征检索所要求的数据。不同于自然图像的检索，SAR图像的检索更关注的是快速查找和发现。近年来，针对该问题学者们提出了一些方法。主要围绕特征提取、图像分类、相似性匹配等方面展开。南京航空航天大学的顾春花，在其硕士学位论文“基于Contourlet变换的SAR图像检索系统的研究与实现”中研究了多尺度几何分析技术Contourlet变换在基于图像纹理和形状特征的检索方法中的应用，并基于这些方法实现了SAR图像检索系统。其考虑到SAR图像特点，选取了基于contourlet的纹理和形状特征，但是由于其分类方法和相似性度量方法简单，导致图像检索时间较长，检索精度并不是很高。Pei Tao等人提出了一种新颖的用于合成孔径雷达(SAR)图像检索的空间尺度加权GIST(SSWGIST)描述符(A novel Spatial-Scale Weighted GIST Descriptor for SAR Image Retrieval)。受GIST特征的启发,图像是由邻域均值和响应gabor滤器的无重叠块。除此以外,该方法给出不同尺度空间不同的权重值。通过计算块边缘检测的比率和显著性得到自适应的空间权重。对给定图像数据集有特殊参数的尺度权重服从高斯分布。因此,响应滤波器的每个块的显著性身份可以自适应反映。但其对特征处理过程复杂，不适用于快速检索的场合。西安电子科技大学的唐旭，在其硕士学位论文“基于高斯混合模型分类的SAR图像检索”中研究了基于高斯混合模型分类器在SAR图像检索方法中应用。此方法分为图像精确分类与图像匹配两部分。首先利用高斯混合模型GMM得到精确地分类结果，其次应用多种现今成熟的图像相似匹配方法，进一步得到准确的检索结果。此方法进一步考虑到图像分类和配准的问题，一定程度上提高了分类精度和缩短了搜索时间，但是该方法应用的SAR图像库，由于是有重叠的分切，使得图像库中的目标图像之间的相似度较高，降低了数据的泛化性。同时，对检索结果的评价还是存在相当的主观性。以上三种方法还存在一个共同的缺点就是检索时间较长，不满足目前对检索方法实时性的要求；
技术实现思路
本专利技术的目的是针对上述技术的不足，提出一种基于锚图散列的SAR图像检索方法，以提高检索精度，缩短检索时间。实现本专利技术目的的技术方案是：通过利用SAR图像的底层特征如纹理，形状和场景特征，提高检索精度；通过使用散列的方法将高维数据映射到低维空间计算图像距离，缩短检索时间，其技术方案包括如下步骤：(1)将SAR大图无重叠地切割成256*256的小图像块，在小图像块形成的图库中选取肉眼能够清晰识别且信息完整的图像块组成一个数据集，共7234张，记作dataset，将其分为五类，分别是山脉，海洋，城市，港口和建筑；(2)从数据集dataset中随机选取训练数据和测试数据；(3)在数据集dataset中设置contourlet特征通道和GIST特征通道，并从数据集dataset中的每一幅图像中提取基于contourlet变换的纹理特征和形状特征，组合成第一特征集；从dataset中的每一幅图像中提取基于gabor滤波的GIST特征信息，作为第二特征集；(4)将步骤(3)得到的两个特征集的值归一化到0～1之间，在所述的两个特征通道中，对训练数据分别使用kmeans聚类方法选取聚类中心，其中contourlet特征通道的聚类中心有35个，记作a1，GIST特征通道的聚类中心有39个，记作a2；(5)将双特征通道的聚类中心a1和a2分别与训练数据一同输入到双层锚图模型中训练出模型参数，并分别预测出contourlet特征通道中训练数据的散列值矩阵Y1和测试数据的散列值矩阵tY1，GIST特征通道中训练数据的散列值矩阵Y2和测试数据的散列值矩阵tY2；(6)计算出contourlet特征通道中训练数据与测试数据的汉明距离矩阵d1，GIST特征通道中训练数据与测试数据的汉明距离矩阵d2；(7)将上述双特征通道中的汉明距离矩阵d1和d2加权融合，得到联合汉明距离矩阵d；(8)显示检索结果：输入任意一个测试数据，通过联合汉明距离矩阵得到所有训练数据与该测试数据的汉明距离列表，并将此列表按升序重新排序，再按列表顺序查找相应训练图像的序号并将训练图像依次排列显示出来，即为检索结果。本专利技术与现有的技术相比具有以下优点：1.本专利技术根据SAR图像特点选取基于contourlet变换的纹理、形状特征，基于gabor滤波的GIST特征，将双特征通道融合，能更加全面的反映数据信息；2.本专利技术相对于传统检索方法可以用少量的训练数据建立模型，大量的数据进行测试，对于不易标注的SAR图像数据来说，更符合现实情况要求；3.本专利技术考虑到SAR图像数据库的海量规模,采用了分层散列和汉明嵌入的方法，缩短了检索时间，提高了检索精度。附图说明图1是本专利技术的实现流程图；图2是本专利技术仿真使用的两幅切割前的SAR图像；图3是用本专利技术对图2切割标注后的图像块。具体实施方式以下结合附图对本专利技术的技术方案和效果作进一步详细描述。参照图1，本专利技术的具体实现步骤如下：步骤1，将如图2所示的两幅SAR图像进行不重叠地切割为256*256的小图像块，在小图像块形成的图库中，选出信息清晰完整的图像块组成数据集，记作dataset，共7234张，将数据集dataset分为五类，如图3所示，其中图3(a)是山脉的一组样图，图3(b)是海洋的一组样图，图3(c)是城市的一组样图，图3(d)是港口的一组样图，图3(e)是建筑的一组样图。步骤2，从数据集dataset中随机选取10％的图像作为训练图像，剩余的90％图像作为测试图像。步骤3，设置contourlet特征通道本文档来自技高网...

【技术保护点】
一种基于双层锚图散列的SAR图像检索方法,包括如下步骤：(1)将SAR大图无重叠地切割成256*256的小图像块，在小图像块形成的图库中选取肉眼能够清晰识别且信息完整的图像块组成一个数据集，共7234张，记作dataset，将其分为五类，分别是山脉，海洋，城市，港口和建筑；(2)从数据集dataset中随机选取训练样本和测试样本；(3)在数据集dataset中设置contourlet特征通道和GIST特征通道，并从数据集dataset中的每一幅图像中提取基于contourlet变换的纹理特征和形状特征，组合成第一特征集；从dataset中的每一幅图像中提取基于gabor滤波的GIST特征信息，作为第二特征集；(4)将步骤(3)得到的两个特征集的值归一化到0～1之间，在所述的两个特征通道中，对训练样本分别使用kmeans聚类方法选取聚类中心，其中contourlet特征通道的聚类中心有35个，记作u1，GIST特征通道的聚类中心有39个，记作u2；(5)将双特征通道的聚类中心a1和a2分别与训练样本一同输入到双层锚图模型中训练出模型参数，并分别预测出contourlet特征通道中训练样本的散列值矩阵Y1和测试样本的散列值矩阵tY1，GIST特征通道中训练样本的散列值矩阵Y2和测试样本的散列值矩阵tY2；(6)计算出contourlet特征通道中训练样本与测试样本的汉明距离矩阵d1，GIST特征通道中训练样本与测试样本的汉明距离矩阵d2；(7)将上述双特征通道中的汉明距离矩阵d1和d2加权融合，得到联合汉明距离矩阵d；(8)显示检索结果：输入任意一个测试样本，通过联合汉明距离矩阵得到所有训练样本与该测试样本的汉明距离列表，并将此列表按升序重新排序，再按列表顺序查找相应训练图像的序号并将训练图像依次排列显示出来，即为检索结果。...

【技术特征摘要】
1.一种基于双层锚图散列的SAR图像检索方法,包括如下步骤：
(1)将SAR大图无重叠地切割成256*256的小图像块，在小图像块形成的图
库中选取肉眼能够清晰识别且信息完整的图像块组成一个数据集，共7234张，记作
dataset，将其分为五类，分别是山脉，海洋，城市，港口和建筑；
(2)从数据集dataset中随机选取训练样本和测试样本；
(3)在数据集dataset中设置contourlet特征通道和GIST特征通道，并从数据
集dataset中的每一幅图像中提取基于contourlet变换的纹理特征和形状特征，组合成第一
特征集；从dataset中的每一幅图像中提取基于gabor滤波的GIST特征信息，作为第二特
征集；
(4)将步骤(3)得到的两个特征集的值归一化到0～1之间，在所述的两个特
征通道中，对训练样本分别使用kmeans聚类方法选取聚类中心，其中contourlet特征通
道的聚类中心有35个，记作u1，GIST特征通道的聚类中心有39个，记作u2；
(5)将双特征通道的聚类中心a1和a2分别与训练样本一同输入到双层锚图模
型中训练出模型参数，并分别预测出contourlet特征通道中训练样本的散列值矩阵Y1和
测试样本的散列值矩阵tY1，GIST特征通道中训练样本的散列值矩阵Y2和测试样本的
散列值矩阵tY2；
(6)计算出contourlet特征通道中训练样本与测试样本的汉明距离矩阵d1，GIST
特征通道中训练样本与测试样本的汉明距离矩阵d2；
(7)将上述双特征通道中的汉明距离矩阵d1和d2加权融合，得到联合汉明距
离矩阵d；
(8)显示检索结果：
输入任意一个测试样本，通过联合汉明距离矩阵得到所有训练样本与该测试样本的
汉明距离列表，并将此列表按升序重新排序，再按列表顺序查找相应训练图像的序号并
将训练图像依次排列显示出来，即为检索结果。
2.根据权利要求1所述的方法，其中所述步骤5的将上述两个聚类中心a1和a2分别
与训练样本一同输入到双层锚图模型中训练出模型参数，预测出训练样本的散列值，按

\t如下步骤进行：
2a)构建训练样本点Xi与聚类中心uj之间的截断相似性函数Z，i＝1,2…n，
j＝1,2…m；
2b)构建特征矩阵：M＝Λ-1/2ZTZΛ-1/2其中Λ＝diag(ZΤ1)，计算特征矩阵M的特征向
量-特征值对并从中计算得到列标准正交的特征向量矩阵V＝[υ1,...,υr]和特
征值构成的对角矩阵Σ＝diag(σ1,...,σr)，r为散列位数；
由V和Σ计算得到映射矩阵...

【专利技术属性】
技术研发人员：焦李成，马文萍，张曼，屈嵘，刘红英，杨淑媛，侯彪，王爽，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