一种基于多尺度稀疏表示的SAR图像目标识别方法技术

本发明专利技术公开了一种基于多尺度稀疏表示的SAR图像目标识别方法，该方法包括：使用三维模块匹配算法(BM3D)对图像去燥；使用滑动窗口提取多个尺度下的密集SIFT特征；利用RLS‑DLA算法学习全局多尺度字典，得到多尺度字典D，将原始密集SIFT特征经过多尺度稀疏表示；使用空间金字塔(SPM)模型计算图像特征向量表达，利用最大池化方法(Max Pooling)对各个局部特征进行汇总，得到最终的图像描述向量；训练分类器进行SAR图像目标识别。与传统的SAR图像目标识别方法相比，本发明专利技术在识别过程中的有效性和鲁棒性更高，并且算法复杂度较低。

A SAR Image Target Recognition Method Based on Multi-scale Sparse Representation

The invention discloses a SAR image target recognition method based on multi-scale sparse representation. The method includes: using three-dimensional module matching algorithm (BM3D) to dry the image; using sliding window to extract dense SIFT features at multiple scales; using RLS DLA algorithm to learn global multi-scale dictionary and obtain multi-scale dictionary D, which can sparsely represent the original dense SIFT features at multiple scales; Spatial pyramid (SPM) model is used to calculate the expression of image feature vectors. Max Pooling method is used to aggregate the local features to get the final image description vector. The classifier is trained for SAR image target recognition. Compared with the traditional SAR image target recognition method, the method has higher efficiency and robustness in the recognition process, and lower algorithm complexity.

【技术实现步骤摘要】
一种基于多尺度稀疏表示的SAR图像目标识别方法
本专利技术属于合成孔径雷达(SAR)图像应用领域，涉及一种SAR图像目标识别方法，特别是一种基于多尺度稀疏表示的SAR图像目标识别方法。
技术介绍
合成孔径雷达(SAR)作为一种重要的遥感成像传感器，在环境监测、资源勘察和国防军事等领域有着非常广泛的应用。面对海量的SAR数据，如何从中自动、快速、准确地识别目标成为了目前SAR图像处理研究的重要方向，越来越引起人们的关注和重视。目前SAR图像目标识别方法主要分为三类：基于模板匹配的方法、基于模式分类的方法和基于稀疏表示的方法。模板匹配方法通过已经标注的训练图像构建模板图像，将模板存储在数据库中。在对新的图像进行预测时，将给定的测试图像与数据库中的所有模板进行匹配，定义相似度准则，以最相似的模板类别，作为测试图像的标签类别，具有简单方便的特点，但是由于需要预先存储大量模板，算法空间复杂度高，并且性能容易受SAR图像质量的影响，算法鲁棒性不够。基于模式分类的方法一般先对图像进行特征提取和选择，然后利用特征训练分类器进行分类。特征的优劣对分类具有重要影响。然而手工设计性能优良的特征十分困难，并且特征提取易受噪声、方位角等影响，一般需要复杂的预处理。同时，训练分类器往往需要足够丰富的数据集，且不同的分类器在不同应用背景下性能差异较大。特征设计的困难，分类器选择的条件假设，使得传统基于模式分类的SAR图像目标识别方法具有一定的局限性。稀疏表示方法一般包括两个步骤：字典学习和稀疏表示。首先针对特定数据集，通过学习获得一个过完备字典，这一过程称为字典学习。在获得过完备字典后，利用正交匹配追踪(OMP)算法等求解信号的稀疏表示，这一步称为稀疏编码。稀疏表示通过学习的方法，自适应的求取原始输入的表示，等效于对原始信号进行一次线性变换。在图像识别中，通过对原始图像进行稀疏表示，即是一次特征提取过程，可以直接用原始图像的稀疏表示进行分类与识别，从而有效的避免了手工提取特征的困难。另一方面，稀疏表示的求解过程计算复杂，计算量大，十分耗时。目前已提出的SAR图像目标识别算法都不够通用，且由于SAR图像中含有的大量相干斑噪声，进行目标识别前一般都需要经过复杂耗时的图像预处理过程；同时，传统光学图像的特征提取在SAR图像特征中不够稳定鲁棒。为了解决上述SAR目标识别的问题，本专利技术提出了基于多尺度稀疏表示的SAR图像目标识别方法。首先进行多尺度特征提取，在特征层面利用稀疏表示获得图像稀疏特征，最后使用多尺度稀疏表示特征进行SAR图像目标分类。
技术实现思路
鉴于上述现有技术的不足，本专利技术所要解决的技术问题是如何针对高分辨率SAR图像，进行多尺度特征提取，用稀疏表示获得图像稀疏特征，进而使用多尺度稀疏表示特征进行SAR图像目标分类。为实现上述目的，本专利技术提供了一种基于多尺度稀疏表示的SAR图像目标识别方法。其特征包括：(1)SAR图像去燥：密集SIFT特征提取依然会受到相干斑噪声的干扰，故先利用去噪算法对原图像进行预处理；(2)提取密集尺度不变局部特征(SIFT)：对(1)中预处理后的训练图像，每一幅图像提取密集特征点，并通过随机采样的方法构成训练特征子集；对于测试图像，同样提取密集SIFT特征，保留所有特征进行稀疏编码；(3)对特征进行稀疏表示：对(2)中获得的训练特征子集，利用多尺度字典学习方法，学习全局多尺度字典，；然后对(2)中图像提取的所有密集SIFT特征(训练图像和测试图像)进行稀疏编码，获得特征的稀疏表示，利用稀疏表示特征替代原始图像相应位置提取的SIFT特征点；(4)特征映射：经过(2)的特征提取和(3)的稀疏表示后，每幅图像在不同位置得到一个稀疏特征向量，对特征向量进行聚类，然后使用空间金字塔(SPM)模型计算图像特征向量表达，利用最大池化方法(MaxPooling)对各个局部特征进行汇总，得到最终的图像描述向量。(5)线性支持向量机分类：得到(4)中训练图像的最终图像描述向量后，训练分类器进行SAR图像目标识别。进一步地，所述(1)中利用三维模块匹配算法(BM3D)将具有相似结构的图像子块组合成三维数组，利用联合滤波的方法在变换域进行图像滤波，最后通过逆变换得到去噪后的图像。所述(2)中首先使用滑动窗口方法进行密集采样，选定不同的窗口大小和滑动步长，在同一副图像中，提取多个尺度下的密集SIFT特征。然后进行高斯模糊和方向匹配计算，保证在每一个滑动过得窗口中都提取到128维的SIFT描述子。对于一副M×N大小的图像，假设尺度S＝{0，1，2}，则滑动窗口大小和相应的采样间隔步长为：winsize(s)＝16×2s，winstep(s)＝8×2s，经过滑动窗口后，一幅图像提取的密集SIFT特征数为：不同的窗口大小可以看成是空间金字塔的一种，从小的局部逐渐扩大，提取了图像不同尺度下的局部信息，加强了度尺度信息的描述能力。所述(3)中为了使稀疏表示同样具有多尺度特性，在局部特征提取时加入多尺度特征，再以多尺度特征作为输入训练字典，学习多尺度特性。算法的步骤如下：(1)密集SIFT特征提取：通过所述(2)的方法，从训练图像等间隔密集采样提取多尺度的128维SIFT特征，对于一幅64*64大小的SAR图像，以[0，1，2]---个尺度提取密集SIFT，特征数达到59。(2)随机下采样：通过密集采样提取了大量的SIFT特征描述子，其中存在大量冗余，对其进行随机抽样，根据训练集选择抽样比例，得到多尺度训练特征子集。(3)多尺度字典学习：将多尺度密集SIFT特征集作为输入，利用RLS-DLA算法学习全局多尺度字典，得到多尺度字典D。(4)稀疏表示：对于训练集，将原始密集SIFT特征经过多尺度稀疏表示，用于后期训练分类器。对于测试集图像，同样提取每幅图片的密集SIFT特征，再经过多尺度字典求解稀疏表达，用于后期分类器的输入。利用多尺度特征学习的全局字典，每个尺度单独训练字典，需要更少的计算资源(computation)，效率更高，且相比单个尺度的字典学习，在后期稀疏表示中包含了多尺度信息。所述(4)中通过空间金字塔，在同一个尺度的图像子块中，利用最大值池化方法(MaxPooling)的方法对各个局部特征进行汇总，然后连接各个尺度子块内汇总的特征得到最终的图像描述向量。假设C是某个子块产生的特征编码集合：其中，M为稀疏编码后的稀疏特征向量维度，S为该子块内的稀疏特征向量个数。使用最大值池化(maxpooling)方法获得每一个子块的M维特征向量：经过池化后，每个子块的多个稀疏特征汇总成一个特征向量^，最后将图像所有子块的汇总特征向量组合成一个图像描述：所述(5)中局部特征经过多尺度稀疏表示后，具有更强的表达能力，后期只需要简单的线性支持向量机即可。对于测试集，同样经过特征提取、多尺度稀疏表示和特征映射后，用训练好的支持向量机进行预测，实现目标的识别。与传统的SAR图像目标识别方法相比，本专利技术在识别过程中的有效性和鲁棒性更高，并且算法复杂度较低。以下将结合附图对本专利技术的构思、具体方案及产生的技术效果作进一步说明，以充分地了解本专利技术的目的、特征和效果。附图说明图1是本专利技术的SAR图像目标识别算法框架图；图2是稀疏特征经过SPM和池化抽取过本文档来自技高网...

【技术保护点】
1.一种基于多尺度稀疏表示的SAR图像目标识别方法，其特征在于，包括：步骤(1)SAR图像去燥：密集SIFT特征提取依然会受到相干斑噪声的干扰，故先利用去噪算法对原图像进行预处理；步骤(2)提取密集尺度不变局部特征(SIFT)：对(1)中预处理后的训练图像，每一幅图像提取密集特征点，并通过随机采样的方法构成训练特征子集；对于测试图像，同样提取密集SIFT特征，保留所有特征进行稀疏编码；步骤(3)对特征进行稀疏表示：对(2)中获得的训练特征子集，利用多尺度字典学习方法，学习全局多尺度字典，；然后对(2)中图像提取的所有密集SIFT特征(训练图像和测试图像)进行稀疏编码，获得特征的稀疏表示，利用稀疏表示特征替代原始图像相应位置提取的SIFT特征点；步骤(4)特征映射：经过(2)的特征提取和(3)的稀疏表示后，每幅图像在不同位置得到一个稀疏特征向量，对特征向量进行聚类，然后使用空间金字塔(SPM)模型计算图像特征向量表达，利用最大池化方法(Max Pooling)对各个局部特征进行汇总，得到最终的图像描述向量。步骤(5)线性支持向量机分类：得到(4)中训练图像的最终图像描述向量后，训练分类器进行SAR图像目标识别。...

【技术特征摘要】
1.一种基于多尺度稀疏表示的SAR图像目标识别方法，其特征在于，包括：步骤(1)SAR图像去燥：密集SIFT特征提取依然会受到相干斑噪声的干扰，故先利用去噪算法对原图像进行预处理；步骤(2)提取密集尺度不变局部特征(SIFT)：对(1)中预处理后的训练图像，每一幅图像提取密集特征点，并通过随机采样的方法构成训练特征子集；对于测试图像，同样提取密集SIFT特征，保留所有特征进行稀疏编码；步骤(3)对特征进行稀疏表示：对(2)中获得的训练特征子集，利用多尺度字典学习方法，学习全局多尺度字典，；然后对(2)中图像提取的所有密集SIFT特征(训练图像和测试图像)进行稀疏编码，获得特征的稀疏表示，利用稀疏表示特征替代原始图像相应位置提取的SIFT特征点；步骤(4)特征映射：经过(2)的特征提取和(3)的稀疏表示后，每幅图像在不同位置得到一个稀疏特征向量，对特征向量进行聚类，然后使用空间金字塔(SPM)模型计算图像特征向量表达，利用最大池化方法(MaxPooling)对各个局部特征进行汇总，得到最终的图像描述向量。步骤(5)线性支持向量机分类：得到(4)中训练图像的最终图像描述向量后，训练分类器进行SAR图像目标识别。2.如权利要求1中利用三维模块匹配算法(BM3D)将具有相似结构的图像子块组合成三维数组，利用联合滤波的方法在变换域进行图像滤波，最后通过逆变换得到去噪后的图像。3.如权利要求1中首先使用滑动窗口方法进行密集采样，选定不同的窗口大小和滑动步长，在同一副图像中，提取多个尺度下的密集SIFT特征。然后进行高斯模糊和方向匹配计算，保证在每一个滑动过得窗口中都提取到128维的SIFT描述子。对于一副M×N大小的图像，假设尺度S＝{0，1，2}，则滑动窗口大小和相应的采样间隔步长为：winsize(s)＝16×2s，winstep(s)＝8×2s，经过滑动窗口后，一幅图像提取的密集SIFT特征数为：。4.如权利要求1中为了使稀疏表示同样具有多尺度特性，...

【专利技术属性】
技术研发人员：漆进，秦金泽，胡顺达，
申请(专利权)人：电子科技大学，
类型：发明
国别省市：四川,51