[發明專利]一種遙感圖像多類目標檢測和識別方法

有效

• 申請號: 201210300645.8
• 申請日: 2012-08-22
• 公開（公告）號: CN102867195A
• 公開（公告）日: 2013-01-09
• 發明（設計）人: 韓軍偉;周培誠;王東陽;郭雷;程塨;李暉暉
• 申請（專利權）人: 西北工業大學
• 主分類號: G06K9/66
• 分類號: G06K9/66
• 代理公司: 西北工業大學專利中心 61204
• 代理人: 王鮮凱

1.一種遙感圖像多類目標檢測和識別方法，其設計步驟如下：

步驟1：使用基于稀疏表示字典學習的方法訓練字典，具體步驟如下：

步驟a1訓練圖像前期處理：首先將原始圖像中的同類別目標統一到一個主方向，然后將統一方向后的圖像沿著0°到360°、按照步長旋轉為個不同方向的圖像；將不同類別目標的原始圖像都按照上述方法處理，得到類訓練圖像，其中p為所要檢測的不同類別目標數，為旋轉角度，c是所得到的訓練圖像中不同目標不同方向圖像的類別總個數；其中：為向下取整；

步驟b1數據預處理：采用加權平均法對類訓練圖像的RGB三個分量進行加權平均得到灰度圖像，然后對灰度圖像進行下采樣處理，得到n×n大小的圖像；對n×n大小的圖像進行能量歸一化處理得到歸一化圖像，再將歸一化圖像轉換為n²×1維的列向量，將列向量作為訓練數據中的一列，得到預處理后的訓練數據集U＝[U₁,U₂,…,U_c]，其中U₁是訓練數據集U中對應第i類的子數據集，i＝1,2,…,c；

步驟c1訓練字典：通過Fisher?Discrimination?Dictionary?Learning?for?Sparse?Representation發布的FDDL軟件包訓練已知訓練數據集U＝[U₁,U₂,..,U_c]，得到字典D＝[D₁,D₂,…,D_c]，其中，D_i是與第i類相對應的子字典；

步驟2稀疏編碼：根據訓練所得到的字典D＝[D₁,D₂,…,D_c]，對測試圖像中的每個子圖像塊進行稀疏編碼，求出每個子圖像塊對應的稀疏系數，具體處理步驟如下：

步驟a2測試圖像預處理：首先使用步驟b1中所述的加權平均法將測試圖像轉化為測試灰度圖像，然后使用大小為S×S的滑動窗口沿著測試灰度圖像以間隔步長b滑動得到子圖像塊；將子圖像塊下采樣處理到大小為n×n的圖像，然后進行能量歸一化處理，再將能量歸一化處理后的圖像轉換為一個n²×1維的列向量β，用列向量β來表示通過滑動窗口所得到的子圖像塊的像素灰度值信息；

步驟b2稀疏編碼：對每個子圖像塊通過優化模型

α^=argmin||α||1s.t.||β-Dα||22≤ϵ]]>

得到對應每個子圖像塊的稀疏編碼系數其中是與子字典D_i所對應的系數向量，ε＞0是容許誤差，||·||₁為l₁范數，||·||₂為l₂范數；

步驟c2求取重構誤差：根據稀疏編碼系數計算每個子圖像塊與每一類的重構誤差e_i，取e＝min{e_i}作為此子圖像塊的重構誤差，并記錄其所對應的類別然后根據重構誤差e與預先設定的閾值τ之間的大小關系來判定此子圖像塊中是否包含目標：如果e＜τ，說明包含目標，否則，說明此子圖像塊為背景；

步驟3目標檢測與識別：

步驟a3：將步驟c2中判定包含目標的每個子圖像塊所對應的重構誤差e，組成一個與測試灰度圖像大小一致的、表示候選目標區域的重構誤差矩陣E＝(e_st)_P×Q；其中，e_st為重構誤差矩陣在坐標點(s,t)處的值，est=0e≥τee<τ,]]>P×Q為測試圖像的大小，s＝1,2,…P，t＝1,2,…Q；

將步驟c2中判定包含目標的每個子圖像塊所對應的類別C，組成一個與測試灰度圖像大小一致的、表示候選目標類別的類別矩陣L＝(C_st)_P×Q；其中C_st為類別矩陣在坐標點(s,t)處的值，Cst=0e≥τCe<τ;]]>

步驟b3：改變滑窗S×S的大小G次，重復步驟2~步驟a3G次，得到的G個重構誤差矩陣和G個類別矩陣，G的取值范圍為5~10；將得到的G個重構誤差矩陣組成一個多尺度重構誤差矩陣MAP＝(e_stg)_P×Q×G；其中，e_stg為矩陣MAP中的元素，其值為第g次改變滑窗大小得到的重構誤差矩陣所對應的e_st，P×Q×G為多尺度重構誤差矩陣的大小，g＝1,2,…G；

將得到的G個類別矩陣構成一個多尺度類別矩陣CLASS＝(C_stg)_P×Q×G；其中，C_stg為矩陣CLASS中的元素，其值為第g次改變滑窗大小得到的類別矩陣所對應的C_st；根據多尺度重構誤差矩陣MAP得到一個最小重構誤差矩陣(map(s,t))_P×Q，其中map(s,t)為對應最小重構誤差矩陣在坐標點(s,t)處的值，

然后求出對應最小重構誤差矩陣的最小類別矩陣(class(s,t))_P×Q，其中class(s,t)為最小類別矩陣在坐標點(s,t)處的值，

根據多尺度重構誤差矩陣MAP求出尺度矩陣scale＝(scale(s,t))_P×Q，scale(s,t)為對應尺度矩陣在坐標點(r,t)處的值，scale(s,t)=0est=0argming{estg}est≠0;]]>

步驟c3：求取最小重構誤差矩陣(map(s,t))_P×Q的局部鄰域極小值作為檢測到的目標響應值，局部鄰域極小值在最小重構誤差矩陣(map(s,t))_P×Q中所對應的坐標即為目標的中心位置，根據中心位置在(class(s,t))_P×Q和(scale(s,t))_P×Q中對應的位置找到目標所對應的類別及尺度大小。