[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）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

技術(shù)領(lǐng)域

本發(fā)明屬于SAR圖像處理領(lǐng)域，涉及一種基于稀疏編碼的SAR圖像檢索方法，可以準(zhǔn)確的對SAR圖像進(jìn)行分類并實(shí)現(xiàn)檢索，有效地降低了相干斑噪聲對SAR圖像分類結(jié)果的影響。

背景技術(shù)

合成孔徑雷達(dá)—SyntheticApertureRadar,是一種從空間對地觀測的有效手段，已經(jīng)廣泛的應(yīng)用到了軍事偵察，地貌觀測，城市規(guī)劃等方面。隨著近年來SAR成像技術(shù)的提高，SAR圖像的數(shù)量呈現(xiàn)爆炸式的增長，針對SAR圖像數(shù)據(jù)量多，自身噪聲大的特點(diǎn)，如何從海量的SAR圖像庫中高效、準(zhǔn)確地檢索出所需要的圖像已經(jīng)成為亟待解決的問題。

隨著信息技術(shù)的發(fā)展，圖像的檢索方法已經(jīng)從最初的基于文本的檢索方法轉(zhuǎn)變成了基于內(nèi)容的檢索方法，該方法可以直接對圖像進(jìn)行分析，特征提取，相似度分析并實(shí)現(xiàn)檢索。目前，主要的圖像檢索系統(tǒng)包括：IBM開發(fā)的QBIC系統(tǒng)，Virage系統(tǒng)，stanford大學(xué)研究開發(fā)的SIMPLIcity系統(tǒng)，清華大學(xué)研究的Internet平臺的靜態(tài)圖像檢索系統(tǒng)和中科院開發(fā)的Mires圖像檢索原型系統(tǒng)。這些系統(tǒng)所用的數(shù)據(jù)庫包含了自然圖像，生物圖像，多光譜圖像等，但針對SAR圖像的特殊性，這些系統(tǒng)并不適用。

圖像分類是實(shí)現(xiàn)基于內(nèi)容的圖像檢索的關(guān)鍵環(huán)節(jié)。目前，常用的圖像分類方法主要分為兩類：有監(jiān)督的方法和無監(jiān)督的方法。有監(jiān)督的分類方法包括：最近鄰和k-近鄰，貝葉斯分類器，支持向量機(jī)和神經(jīng)網(wǎng)絡(luò)。這些方法可以快速準(zhǔn)確的實(shí)現(xiàn)圖像的分類，但是因?yàn)樵谔幚磉^程中需要模型的建立和學(xué)習(xí)，方法的時間復(fù)雜度較高；無監(jiān)督的圖像分類方法有聚類分析和模糊聚類分析。這兩種方法的實(shí)現(xiàn)過程更為快速，但是分類的準(zhǔn)確度卻比較低。因此，如何快速準(zhǔn)確的實(shí)現(xiàn)SAR圖像的分類，是解決SAR圖像檢索的重要問題。

發(fā)明內(nèi)容

本發(fā)明的目的在于針對上述已有的系統(tǒng)和方法的缺點(diǎn)，提出了一種基于稀疏編碼分類的有監(jiān)督SAR圖像檢索方法，它可以快速的求解出全局最優(yōu)的稀疏解。該方法不僅能夠減少SAR圖像處理的計算復(fù)雜度，并且可以有效地降低相干斑噪聲對SAR圖像檢索結(jié)果造成的影響。

本發(fā)明的技術(shù)方案是，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，本專利中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)各五個特征，每一幅訓(xùn)練圖像對應(yīng)得到一個維數(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，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G×G的方陣，記

式（1）

式（2）

設(shè)定θ的取值為0°,45°,90°,135°，為了獲得圖像在各個方向上的紋理特征，對上述4個方向分別構(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：

a)能量，又稱角二階矩：

式（3）

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，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；

b)熵：

式（4）

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；

c)對比度，又稱慣性矩：

式（5）

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；

d)局部相似性：

式（6）

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；

e)相關(guān)

式（7）

其中，