一种基于核稀疏表示的快速遥感目标检测识别方法技术

本发明专利技术公开了一种基于核稀疏表示的快速遥感目标检测识别方法，包括以下步骤：S1：创建四个RGB特征通道；S2：计算给定图像的四个特征通道的四相傅里叶变换，提取相位谱，通过逆傅里叶变换重建四个特征通道的图像，从而生成显著图；S3：对步骤S2得到的显著图进行二值化划分，提取候选兴趣区域；S4：通过有效子窗搜索算法扫描搜索框得到待测图像块，形成遥感目标图像块训练集；S5：对遥感目标图像块训练集进行SIFT特征提取，生成稀疏字典；S6：采用空间金字塔对SIFT特征进行映射；S7：核稀疏表示；S8：求解核稀疏表示；S9：目标的空间金字塔向量表示；S10：结合线性的支持向量机分类算法完成识别任务。

A fast sparse target detection and recognition method based on kernel sparse representation

The invention discloses a fast sparse representation based on remote sensing target nuclear detection and recognition method, which comprises the following steps: S1: create four RGB channel; S2: Calculation of four feature channels of a given image of the four phase extraction phase spectrum, Fourier transform, inverse Fourier transform of image reconstruction by four feature channel. To generate a saliency map; S3: get saliency map in step S2 of binarization division, extract candidate regions of interest; S4: the search box to obtain the image blocks through effective sub window search algorithm scanning, image block to form the training set; S5: SIFT feature extraction of remote sensing image block training set. S6: using sparse dictionary generation; space mapping of SIFT Pyramid S7: nuclear characteristics; sparse representation; S8: solving kernel sparse representation; S9: space vector representation of S target in Pyramid; 10: combine linear support vector machine classification algorithm to complete the recognition task.

【技术实现步骤摘要】
一种基于核稀疏表示的快速遥感目标检测识别方法
本专利技术涉及遥感影像分析领域，特别是涉及一种基于核稀疏表示的快速遥感目标检测识别方法。
技术介绍
由于遥感影像的复杂性，在整幅大幅面的遥感影像中检测多类感兴趣目标物是一个较难的课题研究方向。在计算机视觉领域中，BOVW模型已被广泛地研究并应用到图像分类与模式识别任务中。近年来，BOVW模型也被引入到遥感目标检测识别领域中，并且取得了很好的性能。然而目前所提出的方法既没有在实施检测识别算法前，对大幅面的遥感影像进行预处理即对兴趣目标区域的预测处理，也未能在特征编码阶段充分捕捉到所抽取特征间相似度。这分别意味着大量无意义的冗余计算与信息丢失对检测识别性能的负面影响。更加重要的是，这些方法或者模型都是针对某一特定的目标物提出的，这就在很大程度上限制了他们的应用范围。与此同时，已有文献指出显著图的方法可以用来预测潜在候选兴趣目标物的区域位置，这是因为兴趣目标物在视觉机制上通常与背景有着明显的不同。同时，已有文献提出核稀疏表示的方法，通过核函数，隐形地将输入数据映射到高维特征空间，同时保证在特征空间的输入数据的稀疏变得更加稀疏，这种稀疏的性质对于修正稀疏表示的缺陷、提高数据间的鉴别性以及提升分类性能有着很好的作用。然而，上述的方法既没有在实施检测识别算法前，对大幅面的遥感影像进行预处理即对兴趣目标区域的预测处理，也未能在特征编码阶段充分捕捉到所抽取特征间相似度。这分别意味着大量无意义的冗余计算与信息丢失对检测识别性能的负面影响。更加重要的是，以上的方法或者模型都是针对某一特定的目标物提出的，这就在很大程度上限制了他们的应用范围。
技术实现思路
专利技术目的：本专利技术的目的是提供一种能够解决现有技术中存在的缺陷的基于核稀疏表示的快速遥感目标检测识别方法。技术方案：本专利技术所述的基于核稀疏表示的快速遥感目标检测识别方法包括以下步骤：S1：创建四个RGB特征通道；S2：计算给定图像的四个特征通道的四相傅里叶变换，提取相位谱，通过逆傅里叶变换重建四个特征通道的图像，从而生成显著图；S3：对步骤S2得到的显著图进行二值化划分，提取候选兴趣区域；S4：通过有效子窗搜索算法扫描搜索框得到待测图像块，形成遥感目标图像块训练集；S5：对遥感目标图像块训练集进行SIFT特征提取，生成稀疏字典；S6：采用空间金字塔对SIFT特征进行映射；S7：核稀疏表示；S8：求解核稀疏表示；S9：目标的空间金字塔向量表示；S10：结合线性的支持向量机分类算法完成识别任务。进一步，所述步骤S7中的核稀疏表示如式(1)所示：其中v＝[v1,v2,v3,…,vN]∈RN×K为稀疏编码系数，ξ为重构残差，K(■,■)为mercer核函数，x＝[x1,x2,x3,…,xN]∈RN×D为训练图像集的SIFT特征，为映射后的稀疏字典，为映射后的特征集，U＝[u1,u2,u3,…,uK]∈RK×D为视觉字典。进一步，所述步骤S8中，采用基于主成分析的正交匹配追踪算法求解核稀疏表示：设定0<ξ＜＜1，0<ω＜＜K，0<h≤K，K为稀疏度，h为主成分析降维后的维度，计算稀疏字典的核矩阵Q∈RK×K对应的正则化特征向量，对于每个正则化特征向量，计算它的核向量Y∈R1×K，再通过矩阵B对Q与Y进行降维，结果分别为A＝QBT＝(a1,a2,a3,…,aK)∈RK×h和y＝YBT∈R1×h，然后以新产生的矩阵A作为字典，向量y作为输入特征，运用OMP算法生成稀疏系数v∈R1×K作为图像向量表示。进一步，所述步骤S3中，提取候选兴趣区域的方法为：二值化显著图，将其中正向像素点数目超过设定的阈值的区域作为候选兴趣区域。进一步，所述阈值根据式(2)进行设定：Threshold＝Mean+n×Variance,(2)其中Mean为图像灰度值的均值，Variance为图像灰度值的方差，n为人为设定值。进一步，所述步骤S5中，采用K-means++聚类算法计算SIFT特征，生成稀疏字典。进一步，所述步骤S9中，目标的空间金字塔向量表示是采用最大汇聚方法对核稀疏编码进行最终的汇聚，其中的最大汇聚方法如式(3)所示：Max:r＝max(|v1|,|v1|,|v2|,|v3|,…,|vM|)(3)其中vi是步骤S8得到的V＝(v1,v2,v3,…,vM)∈RM×(21K)中的元素，1≤i≤M，M为SIFT特征的个数，K为稀疏度，r∈R1×(21K)为该图像块的最终编码向量。有益效果：与现有技术相比，本专利技术具有如下的有益效果：(1)本专利技术提取出了具有预测性的候选兴趣区域，加快了目标检测识别的速度、提高了目标识别精度；(2)本专利技术基于视觉字典与核稀疏表示图像特征表示模型减少了冗余计算、加快了图像描述速度；(3)本专利技术加快了核稀疏表示。附图说明图1为本专利技术具体实施方式的方法示意图；图2为本专利技术具体实施方式的空间金字塔映射的示意图。具体实施方式本具体实施方式公开了一种基于核稀疏表示的快速遥感目标检测识别方法，如图1所示，包括以下步骤：S1：创建四个RGB特征通道RG(t)、BY(t)、I(t)和M(t)，如式(1)—(4)所示；RG(t)＝R(t)-G(t)(1)BY(t)＝R(t)-G(t)(2)M(t)＝|I(t)-I(t-τ)|(4)其中，r(t),g(t),b(t)分别代表图像的RGB三通道，R(t)、G(t)和B(t)如式(5)—(7)所示，I(t)表示t时刻的图像；S2：计算给定图像的四个特征通道的四相傅里叶变换，提取相位谱，通过逆傅里叶变换重建四个特征通道的图像，从而生成显著图。S3：对步骤S2得到的显著图进行二值化划分，提取候选兴趣区域；提取候选兴趣区域的方法为：二值化显著图，将其中正向像素点数目超过设定的阈值的区域作为候选兴趣区域；其中的阈值根据式(8)进行设定：Threshold＝Mean+n×Variance,(8)其中Mean为图像灰度值的均值，Variance为图像灰度值的方差，n为人为设定值。因此，当滑动窗口扫过整幅遥感影像的某个区域时，如果该图像对应的二值化区域内的正像素点数目大于Threshold，则提取此时扫描窗口中的图像块作为候选兴趣区域，否则该区域视为背景区。S4：通过有效子窗搜索算法(ESS算法)扫描搜索框得到待测图像块，形成遥感目标图像块训练集；S5：对遥感目标图像块训练集进行SIFT特征提取，采用K-means++聚类算法计算SIFT特征，生成稀疏字典。；S6：采用空间金字塔对SIFT特征进行映射：对于图像的SIFT特征通过聚类算法生成的长度为K的字典，将每个图像按照1×1、2×2、4×4划分成3层图像子块如图2，并为各层赋权值，权重依次为1/4、1/4、1/2。对每个子块的特征进行字典表达汇聚后串联成21K长度的字典表示。S7：核稀疏表示：通过将输入特征与字典基同时映射到高维或无限维的特征空间中F进行相似度匹配从而得到更具鉴别性的稀疏系数。核稀疏表示如式(9)所示：其中v＝[v1,v2,v3,…,vN]∈RN×K为稀疏编码系数，ξ为重构残差，K(■,■)为mercer核函数，x＝[x1,x2,x3,…,xN]∈RN×D为训练图像集的SIFT特征，为映射后的稀疏字典，为映射后的特征集，U＝[u本文档来自技高网...

【技术保护点】
一种基于核稀疏表示的快速遥感目标检测识别方法，其特征在于：包括以下步骤：S1：创建四个RGB特征通道；S2：计算给定图像的四个特征通道的四相傅里叶变换，提取相位谱，通过逆傅里叶变换重建四个特征通道的图像，从而生成显著图；S3：对步骤S2得到的显著图进行二值化划分，提取候选兴趣区域；S4：通过有效子窗搜索算法扫描搜索框得到待测图像块，形成遥感目标图像块训练集；S5：对遥感目标图像块训练集进行SIFT特征提取，生成稀疏字典；S6：采用空间金字塔对SIFT特征进行映射；S7：核稀疏表示；S8：求解核稀疏表示；S9：目标的空间金字塔向量表示；S10：结合线性的支持向量机分类算法完成识别任务。

【技术特征摘要】
1.一种基于核稀疏表示的快速遥感目标检测识别方法，其特征在于：包括以下步骤：S1：创建四个RGB特征通道；S2：计算给定图像的四个特征通道的四相傅里叶变换，提取相位谱，通过逆傅里叶变换重建四个特征通道的图像，从而生成显著图；S3：对步骤S2得到的显著图进行二值化划分，提取候选兴趣区域；S4：通过有效子窗搜索算法扫描搜索框得到待测图像块，形成遥感目标图像块训练集；S5：对遥感目标图像块训练集进行SIFT特征提取，生成稀疏字典；S6：采用空间金字塔对SIFT特征进行映射；S7：核稀疏表示；S8：求解核稀疏表示；S9：目标的空间金字塔向量表示；S10：结合线性的支持向量机分类算法完成识别任务。2.根据权利要求1所述的基于核稀疏表示的快速遥感目标检测识别方法，其特征在于：所述步骤S7中的核稀疏表示如式(1)所示：其中为稀疏编码系数，ξ为重构残差，K(■,■)为mercer核函数，x＝[x1,x2,x3,…,xN]∈RN×D为训练图像集的SIFT特征，为映射后的稀疏字典，为映射后的特征集，U＝[u1,u2,u3,…,uK]∈RK×D为视觉字典。3.根据权利要求2所述的基于核稀疏表示的快速遥感目标检测识别方法，其特征在于：所述步骤S8中，采用基于主成分析的正交匹配追踪算法求解核稀疏表示：设定0<ξ＜＜1，0<ω＜＜K，0<h≤K，K为稀疏度，h为主成分析降维后的维度，计算稀疏字典的核矩阵Q∈RK×K对应的正则化...

【专利技术属性】
技术研发人员：高红民，陈玲慧，陆迎曙，李臣明，杨耀，樊悦，张振，谢科伟，黄昌运，
申请(专利权)人：河海大学，
类型：发明
国别省市：江苏,32