[發(fā)明專利]基于稀疏編碼分類的SAR圖像檢索方法

有效

• 申請?zhí)枺?/td>: 201310733522.8
• 申請日: 2013-12-24
• 公開（公告）號: CN103714148B
• 公開（公告）日: 2017-05-10
• 發(fā)明（設(shè)計(jì)）人: 焦李成;馬文萍;高曉瑩;尚榮華;楊淑媛;馬晶晶
• 申請（專利權(quán)）人: 西安電子科技大學(xué)
• 主分類號: G06F17/30
• 分類號: G06F17/30
• 代理公司: 西安吉盛專利代理有限責(zé)任公司61108
• 代理人: 張培勛

1.基于稀疏編碼分類的SAR圖像檢索方法，其特征是：至少包括如下步驟：

步驟101：開始基于稀疏編碼分類的SAR圖像檢索；

步驟102：在SAR圖像庫中選取訓(xùn)練圖像，讀入這些圖像，選用的每幅圖像大小為256×256，并利用精致Lee濾波的方法對其進(jìn)行預(yù)處理，降低相干斑噪聲對圖像分類結(jié)果造成的影響，濾波器的窗口大小設(shè)定為7×7；

步驟103：對預(yù)處理后的訓(xùn)練圖像利用灰度共生矩陣的方法進(jìn)行特征提取，選取0°,45°,90°,135°方向上的能量、熵、對比度、局部相似性、相關(guān)各五個(gè)特征，每一幅訓(xùn)練圖像對應(yīng)得到一個(gè)維數(shù)是20的列向量；

設(shè)p_ij(d,θ)表示在給定空間距離d和方向θ時(shí)，以灰度i為始點(diǎn)，出現(xiàn)灰度級j的概率，i＝1，2，…，G，j＝1，2，…，G，G為所考察圖像區(qū)域內(nèi)灰度級的最大值，則灰度共生矩陣是一個(gè)G×G的方陣，記

設(shè)定θ的取值為0°,45°,90°,135°，為了獲得圖像在各個(gè)方向上的紋理特征，對上述4個(gè)方向分別構(gòu)造灰度共生矩陣提取相應(yīng)的特征向量；選用的特征包括以下五種特征：

1)能量，又稱角二階矩：

它是圖像灰度分布均勻性或平滑性的度量，當(dāng)灰度共生矩陣中元素分布較集中于主對角線附近時(shí)，說明局部區(qū)域內(nèi)圖像灰度分布較均勻，圖像呈現(xiàn)較細(xì)的紋理，角二階矩的取值較大；

2)熵：

熵值是圖像所具有信息量的度量，是測量灰度級分布隨機(jī)性的特征參數(shù)，表征了圖像中紋理的復(fù)雜程度；圖像的灰度越均勻，熵值越小，圖像的紋理越復(fù)雜，熵值則越大；另一方面，熵也能度量圖像紋理的隨機(jī)性，熵值越大，代表圖像中灰度分布隨機(jī)性大；

3)對比度，又稱慣性矩：

它表征圖像中的局部灰度變化總量，反映了圖像的清晰度和紋理的溝紋深淺；紋理的溝紋深，對比度大，效果清晰；反之，對比度小，則溝紋淺，效果模糊；也就是說，如果偏離對角線的元素有較大值，即圖像灰度值變化很快，則對比度值有較大取值；

4)局部相似性：

局部相似性能刻畫局部區(qū)域的紋理特征，是區(qū)分不同目標(biāo)的重要度量；

5)相關(guān)

其中，

因此，在計(jì)算完灰度共生矩陣后，每幅圖像可以得到20個(gè)特征，即降維到一個(gè)維數(shù)是20的列向量；

步驟104：利用步驟103中得到的特征向量組成過完備字典，訓(xùn)練稀疏分類器；

步驟105：利用訓(xùn)練好的稀疏分類器對整個(gè)SAR圖庫進(jìn)行分類；

步驟106：存儲SAR圖像庫中每幅圖像的類標(biāo)及對應(yīng)的稀疏解；

步驟107：導(dǎo)入測試SAR圖像，要求其大小與圖像庫中的SAR圖像大小相等，按照步驟102中的方法對測試圖像進(jìn)行濾波處理；

步驟108：按照步驟103中的灰度共生矩陣的方法對測試圖像進(jìn)行特征提取，得到相應(yīng)的20個(gè)特征；

步驟109：判斷測試圖像是否在步驟106得到的SAR圖像庫中，若是，則直接進(jìn)行步驟110，否則進(jìn)入步驟111；

步驟110：在有類標(biāo)的SAR圖像庫中直接抽取與測試圖像相同的SAR圖像；

步驟111：利用之前訓(xùn)練好的稀疏分類器對測試圖像進(jìn)行分類；

步驟112：存儲測試圖像的類別標(biāo)簽及其對應(yīng)的稀疏解；

步驟113：根據(jù)測試圖像的類別在有類標(biāo)的SAR圖像庫中提出相同類別的圖像，進(jìn)行圖像相似度匹配；首先計(jì)算測試圖像與同類別圖像的稀疏解的歐式距離，然后找到稀疏解中最大系數(shù)所在的位置，計(jì)算兩位置的差值，相似度的度量標(biāo)準(zhǔn)設(shè)定為歐式距離與位置差值的乘積的絕對值的倒數(shù)，值越大，代表相似度值越高，相似度表達(dá)式為：

其中為歐式距離表達(dá)式，x_i代表測試圖像對應(yīng)的稀疏解中第i個(gè)位置上的稀疏系數(shù)，m_x為最大系數(shù)所在的位置；u_i代表與測試樣本同類別的訓(xùn)練圖像的稀疏解中第i個(gè)位置上的稀疏系數(shù)，n_u為其最大系數(shù)所在的位置，

步驟114：將得到的相似度值，按照從大到小的順序進(jìn)行排列，返回檢索結(jié)果；

步驟115：結(jié)束稀疏編碼分類的SAR圖像檢索方法；

所述的步驟104，包括如下步驟：

步驟201：開始構(gòu)建過完備字典并訓(xùn)練稀疏分類器；

步驟202：構(gòu)造過完備字典：將訓(xùn)練圖像對應(yīng)的特征向量按照類別進(jìn)行排列，相同類別的特征列向量依次排放在一起，構(gòu)建出稀疏表示所需要的過完備字典A＝[x₁，x₂，...，x_n]，χ_i代表其中一類訓(xùn)練樣本，x_i＝[a₁，a₂，...，a_k]，訓(xùn)練樣本總的類別數(shù)為n；

步驟203：得到新的局部過完備字典：將待分類樣本與過完備字典中的每個(gè)訓(xùn)練樣本相減計(jì)算殘差值，設(shè)定一個(gè)閾值T，將殘差值大于閾值的所對應(yīng)的訓(xùn)練樣本提出，組成新的局部過完備字典A₁＝[x₁，x₂，...，x_n1]；

步驟204：利用基于雙重局部搜索Memetic算法求解稀優(yōu)化方程y＝Ax，得到稀疏解x，優(yōu)化方程中y為原始測試圖像，A為訓(xùn)練圖像組成的過完備字典，x為y對應(yīng)的稀疏解；

步驟205：設(shè)計(jì)分類函數(shù)δ_i，(δ_i∈R^m×n)，分別提出稀疏解x中各類的系數(shù)，構(gòu)建出新的稀疏解δ_i(x)，在新的稀疏解中只有一類的系數(shù)值不為零，其余部分的值均為零；因此，按照以下公式重構(gòu)出測試樣本

最終圖像分類的過程簡化為求解如下問題：

其中，||·||₁代表L₁-范數(shù)，||·||₂代表L₂-范數(shù)，A為訓(xùn)練圖像組成的過完備字典；

計(jì)算原始待分類樣本y和重構(gòu)樣本差的二范數(shù)，得到的最小值所在的類別即為測試樣本屬于的類別；

步驟206：結(jié)束訓(xùn)練稀疏分類器的過程。

2.根據(jù)權(quán)利要求1所述的基于稀疏編碼分類的SAR圖像檢索方法，其特征是：所述的步驟204，包括如下步驟：

步驟301：開始利用基于雙重局部搜索的Memetic算法求解稀優(yōu)化方程，得到稀疏解；

步驟302：個(gè)體的選取及編碼，將局部過完備字典A₁中的訓(xùn)練樣本的位置作為個(gè)體進(jìn)行編碼，編碼方式采用十進(jìn)制編碼方式，設(shè)每個(gè)個(gè)體中包含五個(gè)編碼位置；

步驟303：將五個(gè)編碼位置對應(yīng)的訓(xùn)練樣本提出組成新的字典A₂，利用匹配追蹤算法—MP，求解優(yōu)化問題y＝Ax，得到該A₂字典下的稀疏系數(shù)；

步驟304：適應(yīng)度函數(shù)的選擇：將待分類樣本y和重構(gòu)樣本的差的二范數(shù)設(shè)為適應(yīng)度函數(shù)，二范數(shù)的值越小表示適應(yīng)度越高；

步驟305：判斷適應(yīng)度值是否滿足第一個(gè)終止條件—?dú)埐钪敌∮谠O(shè)定值或達(dá)到最大迭代次數(shù)，若滿足，則直接跳轉(zhuǎn)至步驟310，否則繼續(xù)執(zhí)行步驟306；

步驟306：選擇，根據(jù)適應(yīng)度值的高低對樣本進(jìn)行選擇，保留優(yōu)秀個(gè)體，即適應(yīng)度較高的個(gè)體；

步驟307：交叉，交叉的方式為隨機(jī)產(chǎn)生一個(gè)交叉點(diǎn)，將交叉點(diǎn)后面的部分進(jìn)行交換，相鄰的個(gè)體兩兩交叉，交叉概率設(shè)為0.6；

步驟308：變異，變異的方式為隨機(jī)選取單點(diǎn)進(jìn)行變異，變異概率設(shè)為0.01；

步驟309：第一階段局部搜索，在每次迭代后得到較優(yōu)的個(gè)體時(shí)，在局部字典A₁中將每個(gè)位置的左右n個(gè)鄰域位置作為局部搜索候選區(qū)，在候選區(qū)內(nèi)重新根據(jù)適應(yīng)度的高低進(jìn)行選擇，更新現(xiàn)有的較優(yōu)個(gè)體；當(dāng)完成第一階段局部搜索后，回到全局搜索過程步驟304，計(jì)算個(gè)體的適應(yīng)度值，進(jìn)行下一執(zhí)行指令的判斷；

步驟310：第二階段的局部搜索，當(dāng)完成所有迭代過程后，按照步驟309中的搜索的方法，在整個(gè)過完備字典A中再次進(jìn)行一次局部搜索；

步驟311：判斷是否滿足終止條件—?dú)埐钪敌∮谠O(shè)定值或達(dá)到最大迭代次數(shù)，若滿足進(jìn)行步驟312，否則返回步驟310；

步驟312：輸出最終的滿足條件的全局最優(yōu)個(gè)體，個(gè)體中的位置即為我們所需要的稀疏系數(shù)所在的位置；

步驟313：結(jié)束利用基于雙重局部搜索的Memetic算法求解稀疏解的過程。