[發(fā)明專利]基于字典學(xué)習(xí)和稀疏表示的SAR圖像分割方法

無效

• 申請(qǐng)?zhí)枺?/td>: 201110057719.5
• 申請(qǐng)日: 2011-03-10
• 公開（公告）號(hào): CN102129573A
• 公開（公告）日: 2011-07-20
• 發(fā)明（設(shè)計(jì)）人: 緱水平;焦李成;莊廣安;莊雄;王爽;張向榮;劉若辰;楊靜瑜
• 申請(qǐng)（專利權(quán)）人: 西安電子科技大學(xué)
• 主分類號(hào): G06K9/66
• 分類號(hào): G06K9/66;G06K9/46
• 代理公司: 陜西電子工業(yè)專利中心 61205
• 代理人: 王品華;朱紅星

技術(shù)領(lǐng)域

本發(fā)明屬于圖像處理技術(shù)領(lǐng)域，涉及SAR圖像分割，用于SAR圖像目標(biāo)識(shí)別。

背景技術(shù)

合成孔徑雷達(dá)SAR具有全天時(shí)、全天候的探測(cè)與偵察能力。它利用脈沖壓縮技術(shù)獲得高的距離分辨率，利用合成孔徑原理提高方位分辨率，從而相比真實(shí)孔徑雷達(dá)在遙感領(lǐng)域具有獨(dú)特的優(yōu)勢(shì)。對(duì)SAR圖像的理解和解譯屬于圖像處理范疇，還涉及信號(hào)處理，模式識(shí)別及機(jī)器學(xué)習(xí)等眾多學(xué)科。由于SAR具有的獨(dú)特作用，使得SAR圖像的理解與解譯在國防和民用領(lǐng)域正受到越來越廣泛的關(guān)注，SAR圖像分割作為SAR圖像后續(xù)解譯處理的關(guān)鍵環(huán)節(jié)之一，也就顯得愈加重要。現(xiàn)有的SAR圖像分割方法大致可以分為基于區(qū)域分割方法和基于邊緣的分割方法，如閾值分割、聚類的方法、形態(tài)學(xué)的方法、及隨機(jī)場(chǎng)的方法等。

目前已經(jīng)有很多成熟的聚類算法被用到SAR圖像分割中。但是大部分基于聚類的SAR圖像分割方法都要對(duì)圖像特征提取，特征提取雖然是線下過程，但是由于需要對(duì)圖像的每一個(gè)像素點(diǎn)分別進(jìn)行特征提取，所以這一過程十分耗時(shí)，同時(shí)在聚類過程中一般要使用某種距離測(cè)度，如歐氏距離、流形距離，來計(jì)算樣本之間的相似度，使用某種距離則會(huì)受限于該種距離測(cè)度方法的固定缺陷的限制如歐氏距離僅對(duì)球形分布數(shù)據(jù)效果較好，而流形距離僅對(duì)具有流形分布的數(shù)據(jù)效果較好，在數(shù)據(jù)分布未知情況下，若強(qiáng)制使用某種距離測(cè)度方法，可能會(huì)導(dǎo)致最終SAR圖像分割效果較差。

發(fā)明內(nèi)容

本發(fā)明的目的在于克服上述已有技術(shù)的不足，提出了一種基于字典學(xué)習(xí)和稀疏表示的SAR圖像分割方法，以降低圖像特征提取花費(fèi)的時(shí)間，并在圖像數(shù)據(jù)分布未知情況下，提高SAR圖像的分割結(jié)果。

實(shí)現(xiàn)本發(fā)明目的的技術(shù)思路是：從待分割圖像隨機(jī)選取的少量像素點(diǎn)提取紋理特征，得到紋理特征樣本，然后對(duì)紋理特征樣本利用譜聚類方法進(jìn)行聚類，得到紋理特征樣本的初始標(biāo)簽，根據(jù)紋理特征標(biāo)簽樣本，進(jìn)一步采用字典學(xué)習(xí)和稀疏表示方法得到圖像中所有像素點(diǎn)的標(biāo)簽。具體步驟包括如下：

(1)輸入待分割SAR圖像，確定需要將圖像劃分的類數(shù)k；

(2)以待分割SAR圖像中每個(gè)像素點(diǎn)為中心提取w×w的窗口樣本，得到規(guī)模為m的測(cè)試樣本集X，從提取的所有測(cè)試樣本中隨機(jī)選擇n個(gè)作為訓(xùn)練樣本集Y，其中n＜＜m；

(3)對(duì)規(guī)模為n的訓(xùn)練樣本集Y，提取訓(xùn)練數(shù)據(jù)樣本窗口中心所在像素點(diǎn)的小波能量特征，得到規(guī)模為n的小波特征數(shù)據(jù)集Y′，該小波特征數(shù)據(jù)集Y′中的樣本與訓(xùn)練樣本集Y中的樣本一一對(duì)應(yīng)；

(4)用譜聚類算法對(duì)小波特征數(shù)據(jù)集Y′進(jìn)行聚類，得到小波特征數(shù)據(jù)集Y′的類別劃分，同時(shí)得到訓(xùn)練樣本集Y的類別劃分Y_i，i＝1，2，3，...k；

(5)對(duì)劃分后的每一類訓(xùn)練樣本Y_i，i＝1，2，3，...k，利用K-SVD算法分別訓(xùn)練，得到相應(yīng)的字典D_i，i＝1，2，3，...，k；

(6)利用正交匹配追蹤OMP算法求解測(cè)試樣本s在D_i上稀疏表示向量，得到稀疏向量αⁱ，i＝1，2，3，...，k，s∈X；

(7)令表示測(cè)試樣本s在D_i上的重構(gòu)誤差，對(duì)該誤差進(jìn)行高斯函數(shù)平滑，得到新的誤差函數(shù)

(8)根據(jù)新的誤差函數(shù)求解測(cè)試樣本S的標(biāo)簽得到每個(gè)測(cè)試樣本的類別標(biāo)簽l(S)∈{1，2，3，...，k}，即得到圖像分割結(jié)果。

本發(fā)明與現(xiàn)有技術(shù)相比具有以下優(yōu)點(diǎn)：

(1)本發(fā)明不需要對(duì)圖像中的每一個(gè)像素點(diǎn)提取紋理特征，而是直接對(duì)圖像中的每個(gè)像素點(diǎn)提取窗口作為樣本，所以大大節(jié)省了圖像線下提取特征所要花費(fèi)的時(shí)間。

(2)在本發(fā)明中使用的字典學(xué)習(xí)稀疏表示方法能夠深層挖掘表示圖像的信息，根據(jù)字典對(duì)樣本的重構(gòu)誤差最小化原則來確定樣本的標(biāo)簽將會(huì)避免使用一般距離測(cè)度方法帶來的缺陷，得到更好的圖像分割結(jié)果。

附圖說明

圖1是本發(fā)明的實(shí)現(xiàn)流程圖；

圖2是本發(fā)明與現(xiàn)有方法對(duì)二類SAR圖像的分割結(jié)果對(duì)比圖；

圖3是本發(fā)明與現(xiàn)有方法對(duì)三類SAR圖像分割結(jié)果對(duì)比圖。

具體實(shí)施方式

參照?qǐng)D1，本發(fā)明的具體實(shí)施過程如下：

步驟1.輸入待分割圖像，根據(jù)圖像內(nèi)容，判斷需要識(shí)別的主要目標(biāo)及背景，確定分割類數(shù)k，本實(shí)例中的k取值為2和3。

步驟2.對(duì)待分割圖像提取訓(xùn)練樣本和測(cè)試樣本。