基于多尺度几何分析的雷达二维像分类方法技术

本发明专利技术公开了一种基于多尺度几何分析的雷达二维像分类方法，它属于图像处理技术领域，主要克服现有方法不能有效的表示雷达二维像的不足。具体步骤为：（１）输入样本图像集，并对样本图像集的每一幅图像进行归一化；（２）对归一化后每一个样本图像进行三层小波分解和Ｃｏｎｔｏｕｒｌｅｔ分解，得到一个样本图像分别对应的１０个小波分解子带和１３个Ｃｏｎｔｏｕｒｌｅｔ分解子带；（３）对得到的分解子带提取能量特征，并利用特征融合的方法对这些能量特征进行合并；（４）选择支撑矢量机算法对合并后的特征进行分类。本发明专利技术具有较好的分类准确率以及较低的复杂度，可用于雷达二维像、纹理图像的分类及ＳＡＲ图像中桥梁目标识别。

【技术实现步骤摘要】

本专利技术涉及图像处理
，特别是一种图像的分类方法，可用于雷达二维像、纹 理图像的分类及SAR图像中桥梁目标识别。技术背景一般的雷达二维像中包含了许多线性信息，这些信息在图像中的任何方向任何位置以 及不同尺度上都可能表现出来。小波只能提供有限的几个方向，因此不能充分挖掘雷达二 维像中的方向信息。而多尺度几何工具正是解决问题的好帮手，在处理线性特征时有巨大 的潜力。小波在逼近具有一维奇异性的目标函数时具有最优表示特性，即点奇异性，然而 在高维数据情况下，小波不能最优表示某些具有几何特征的函数。例如由一维小波构成的 二维可分离张量积小波只有有限的方向，其支撑区间是正方形，但二维图像中的很多几何 结构是具有方向性的，因而它不能很好地处理这一类图像，小波无法提供描述方向和边缘 的系数。许多学者提出了多尺度几何分析理论来克服小波的不足，如脊波、曲线波、轮廓 波等方法。M.N. Do和Martin Vetterli等人在2002年提出了一种新的多尺度几何分析工具一 轮廓波Contourlet。轮廓波是多分辨的、局域的、方向的图像表示方法，可以有效地表示包 含丰富轮廓和纹理的图像。在雷达二维像分类方面，特征提取是必要而又关键的一步。特征提取的好坏直接关乎 着分类结果的正确性与有效性。如何选择一个可以有效的提取图像特征的方法对于后续的 分类和识别很重要， 一般的特征提取方法有能量特征、方差、均值、Hu矩等，然而单一的 选择某个特征并不能有效的表示待分类图像，无法体现出分类特征的有效性。
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，提出了一种基于多尺度几何分析的分类 方法，以提高分类特征的有效性，实现有效的表示雷达二维像。实现本专利技术目的技术方案包括如下过程(1) 输入样本图像集，并对样本图像集的每一幅图像进行归一化；(2) 对归一化后每一个样本图像进行三层小波分解和Contourlet分解，得到一个样本 图像分别对应的10个小波分解子带和13个Contourlet分解子带；(3) 对得到的每一个分解子带提取能量特征，并利用特征融合的方法对这些能量特征进行合并；(4)选择支撑矢量机算法对合并后的能量特征进行分类。 上述，其中步骤(3)所述的利用特征融合 的方法对能量特征进行合并，具体过程如下3a)将小波分解子带能量特征w={wl, w2, wl0》和Contourlet分解子带能量特征 c={cl,c2,…，cl3)并列，得到对应23个子带的能量特征{ wl, w2, wlO, cl, c2, ...，cl3};3b)对子带能量特征{ wl， w2,…，wlO, cl， c2,…，cl3》进行选择，选择后的能量特征则 为合并后的能量特征。上述的能量特征合并方法，其中步骤3b)所述的对子带能量特征(wl, w2, ...， w10, cl, c2, ...,cl3)进行选择，具体过程如下3b.1)将子带的能量特征{ wl,w2,…，wl0,cl,c2， ...，cl3}，按照特征值由大到小的顺序 排列为，(cwl， cw2,…,cw23};3b.2)舍弃排列在后面的8个特征，留下前15个能量特征作为合并后的能量特征。 本专利技术与现有技术相比具有如下优点① 本专利技术由于采用了特征融合技术，将小波分解和Contourlet分解后提取的能量特征合 并，使得合并后的能量特征更有效，克服了小波变换提取的特征在表示雷达二维像时的不足， 能够得到更好的分类结果。② 本专利技术由于对并列后的子带能量特征进行了选择，舍弃了一部分能量特征，降低了能 量特征的维数，进一步减少了本专利技术方法的复杂度，提高了性能。测试实验表明，本专利技术的分类准确率为88.21%，优于小波方法的分类准确率83.53%以 及Contourlet方法的分类准确率84.72%。 附图说明图l是本专利技术的实现流程图2是本专利技术实验一所采用的4类飞机样本示意图； 图3是本专利技术实验二和实验三所采用的IO类飞机样本示意图； 图4是本专利技术实验三所采用的2类舰船样本示意图。 具体实施例方式参照图1，本专利技术的步骤如下步骤l，输入样本图像集，并对样本图像集的每一幅图像进行归一化。 假设待分类的样本图像集数目为W幅，记为(^,12,...^^;由于采用的是有监督学习的分类算法，即支撑矢量机算法，所以需要从W幅图像中随机选取M幅作为训练样本图像， 记为(Xi,X2,…,j^);图像集(XpX2,…,Xw)的像素从0 255归一到O-l之间，记为(z"Z2,…,Zw)。 根据Donoho的证明，归一化后的图像可以提取出更加有效的特征。步骤2，对归一化后每一个样本图像进行三层小波分解和Contourlet分解，得到一个样 本图像分别对应的10个小波分解子带和13个Contourlet分解。对归一化后的样本图像集(21,22,...,^)分别进行三层小波变换和Contourlet变换。对样 本图像集中第y个样本图像^，进行三层小波变换，可得到10个分解子带；同样是对这个 样本图像^进行三层Contourlet变换，设定最大细节层取8个方向子带，次最大细节层取4 个方向子带，再加上l个近似子带，得出对应13个Contourlet分解后的子带。步骤3，对得到的分解子带提取能量特征，并利用特征融合的方法对小波分解子带和 Contourlet分解子带的特征进行合并。3a.提取每一个分解子带的能量特征。 对于分解后的子带，需要提取各子带的特征，这些特征包括能量特征、方差、均值、Hu 矩，经过大量的实验比较，这几种特征中能量特征是最为有效的，因此本专利技术提取能量特 征。提取方法采用L1范数能量测度法fU ,=1户l其中，尸xg为提取特征的子带大小，/表示所提取特征子带的行数，y表示所提取特征 子带的列数，coe/(/j)为所提取特征子带中第/行第y列的系数值。 3b.利用特征融合的方法对能量特征进行合并。本专利技术中采用的特征融合方法是将特征并列，增加特征的数目，之后需要对特征进行选择，实现降维的目的。本专利技术为了简单实用，将小波分解子带能量特征w={wl, w2， ...， wlO} 和Contourlet分解子带能量特征c-(cl,c2, cl3)并列，得到对应23个子带的能量特征{ wl, w2,…，w10, cl, c2,…，cl3}，然后对子带能量特征{ wl, w2,…，w10, cl， c2，…，cl3)进行选 择，按照特征值由大到小的顺序排列为，{cwl， cw2, cw23}，舍弃排列在后面的8个特 征，留下前15个能量特征作为合并后的能量特征。在实际的测试实验中，从M幅训练样本图像中提取出的能量特征与训练样本图像对应， 记为训练特征(/},力，…，/m)，所有iV幅待分类样本图像提取出的能量特征记为分类特征(/), 力，…,/w)。步骤4，选择支撑矢量机算法对合并后的能量特征进行分类。本专利技术中选择的分类方法是一种有监督的分类算法，即支撑矢量机算法，简写为svm， 该算法对图像进行分类检测的过程是①将得到的训练特征作为分类算法的输入，与之对 应的分类算法输出结果为理想的输出结果，从而训练分类算法；②把下一步得到的分类特 征输入已训练好的分类算法中，分类算法的输出便是最后的分类结果。按本文档来自技高网...

【技术保护点】
一种基于多尺度几何分析的雷达二维像分类方法，包括如下过程：　（１）输入样本图像集，并对样本图像集的每一幅图像进行归一化；　（２）对归一化后每一个样本图像进行三层小波分解和Ｃｏｎｔｏｕｒｌｅｔ分解，得到一个样本图像分别对应的１０个 小波分解子带和１３个Ｃｏｎｔｏｕｒｌｅｔ分解子带；　（３）对得到的每一个分解子带提取能量特征，并利用特征融合的方法对这些能量特征进行合并；　（４）选择支撑矢量机算法对合并后的能量特征进行分类。

【技术特征摘要】

【专利技术属性】
技术研发人员：焦李成，侯彪，刘帆，王爽，刘芳，杨淑媛，马文萍，钟桦，缑水平，
申请(专利权)人：西安电子科技大学，
类型：发明
国别省市：87[中国|西安]