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 ...
【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 ...
【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
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。