[發(fā)明專利]基于多尺度模糊測(cè)度與半監(jiān)督學(xué)習(xí)的SAR圖像識(shí)別方法

有效

• 申請(qǐng)?zhí)枺?/td>: 201410674365.2
• 申請(qǐng)日: 2014-11-21
• 公開（公告）號(hào): CN104331711B
• 公開（公告）日: 2017-09-29
• 發(fā)明（設(shè)計(jì)）人: 焦李成;唐旭;馬文萍;王爽;侯彪;楊淑媛;馬晶晶;鄭喆坤;公茂果
• 申請(qǐng)（專利權(quán)）人: 西安電子科技大學(xué)
• 主分類號(hào): G06K9/62
• 分類號(hào): G06K9/62
• 代理公司: 陜西電子工業(yè)專利中心61205
• 代理人: 王品華,王喜媛

1.一種基于多尺度模糊測(cè)度與半監(jiān)督學(xué)習(xí)的SAR圖像識(shí)別方法，包括如下步驟：

1)對(duì)原始SAR圖像進(jìn)行無重疊切分，以建立SAR圖像庫(kù){p₁,p₂,…p_θ,…,p_N}，從該圖像庫(kù)中按照目標(biāo)單一原則挑選圖像塊{p₁,p₂,…p_θ,…,p_ι}，其中ι＜＜N,1≤τ≤N,1≤θ≤ι，N表示圖庫(kù)中的SAR圖像塊個(gè)數(shù)，ι表示挑選出的SAR圖像塊個(gè)數(shù)，p_τ表示圖庫(kù)中的某幅SAR圖像塊，p_θ表示挑選出的某幅SAR圖像塊，所述目標(biāo)單一原則是指圖像塊中某目標(biāo)占圖像總面積的一半以上；

2)提取所有圖像塊的平穩(wěn)小波三層變換的子帶能量，作為圖像塊的特征向量其中，

3)將挑選出的SAR圖像塊{p₁,p₂,…p_θ,…,p_ι}按照語義內(nèi)容分成{c_i,1≤i≤k}類，其中k表示語義類別的個(gè)數(shù)，并用對(duì)應(yīng)的特征向量作為訓(xùn)練樣本，訓(xùn)練高斯隨機(jī)場(chǎng)半監(jiān)督分類器，利用該分類器對(duì)SAR圖像庫(kù){p₁,p₂,…p_τ,…,p_N}進(jìn)行分類，得到具有類標(biāo)的SAR圖像庫(kù)；

4)對(duì)用戶輸入的查詢圖像塊p'，采用與步驟2)相同的方法提取其特征向量f'，并用與步驟3)相同的訓(xùn)練樣本及訓(xùn)練好的高斯隨機(jī)場(chǎng)半監(jiān)督分類器，得到查詢圖像塊的類標(biāo)c_i；

5)根據(jù)步驟4)得到的類標(biāo)c_i及經(jīng)驗(yàn)混淆矩陣，計(jì)算查詢圖像塊的類別集合{c}：

5a)在已分類的SAR圖像庫(kù)中，隨機(jī)挑選訓(xùn)練樣本訓(xùn)練高斯隨機(jī)場(chǎng)半監(jiān)督分類器，用該分類器進(jìn)行100次隨機(jī)分類試驗(yàn)，得到經(jīng)驗(yàn)混淆矩陣Con∈R^k×k，該混淆矩陣Con是方陣，其中第i行第j列元素Con(i,j)表示屬于c_i類的樣本被分為c_j類的個(gè)數(shù)，1≤i≤k，1≤j≤k；

5b)對(duì)經(jīng)驗(yàn)混淆矩陣進(jìn)行列歸一化，即將一列中的每個(gè)元素除以該列元素的總和，得到經(jīng)驗(yàn)的后驗(yàn)概率矩陣ConP∈R^k×k；

5c)設(shè)置閾值T，將后驗(yàn)概率矩陣中的第i行第j列ConP(i,j)與閾值T進(jìn)行比較，當(dāng)ConP(i,j)≤T時(shí)，將ConP(i,j)設(shè)置為0，反之ConP(i,j)保持不變，閾值T的大小根據(jù)期望的每一列的非零元素個(gè)數(shù)設(shè)定；

5d)根據(jù)查詢圖像塊的類標(biāo)c_i，在后驗(yàn)概率矩陣ConP中的第i列中查找非零元素的位置，最終得到類別集合{c}；

6)計(jì)算查詢圖像塊p'與圖庫(kù)中屬于類別集合{c}中所有圖像塊的多尺度區(qū)域模糊相似度：

6a)選取尺度集合s＝{s_s1,…,s_sa,…s_sn}，其中sn表示尺度個(gè)數(shù)，s_sa表示某一尺度值，s1≤sa≤sn；

6b)對(duì)于圖像塊p與查詢圖像塊p'，分別以s_sa×s_sa區(qū)域大小為單位，計(jì)算離散小波一層變 換的高頻子帶能量和灰度特征并用作為分割特征，利用自適應(yīng)的k-means算法進(jìn)行聚類，得到s_sa尺度下圖像塊p紋理區(qū)域集及查詢圖像塊p'的紋理區(qū)域集其中，分別表示圖像塊p與查詢圖像塊p'在s_sa尺度下利用紋理特征分割后的各區(qū)域，1≤h≤m，1≤o≤n，m表示圖像塊p的紋理區(qū)域的個(gè)數(shù)，n表示查詢圖像塊p'的紋理區(qū)域的個(gè)數(shù)；

6c)計(jì)算圖像塊p在s_sa尺度下各紋理區(qū)域的模糊平均距離并計(jì)算查詢圖像塊p'在s_sa尺度下各紋理區(qū)域的模糊平均距離根據(jù)得到的紋理區(qū)域模糊平均距離和計(jì)算圖像塊p各紋理區(qū)域與查詢圖像塊p'各紋理區(qū)域在s_sa尺度下的紋理模糊相似度

6d)對(duì)于圖像塊p與查詢圖像塊p'，利用s_sa尺度的Prewitt算子及二值分割法得到s_sa尺度下圖像塊p的邊緣區(qū)域集及查詢圖像塊p'的邊緣區(qū)域集分別表示圖像塊p與查詢圖像塊p'在s_sa尺度下利用邊緣特征分割后的各區(qū)域，其中，v＝{1,2}，z＝{1,2}；

6e)計(jì)算圖像塊p在s_sa尺度下各邊緣區(qū)域模糊平均距離并計(jì)算查詢圖像塊p'在s_sa尺度下各邊緣區(qū)域的模糊平均距離根據(jù)得到的邊緣區(qū)域模糊平均距離和計(jì)算圖像塊p各邊緣區(qū)域與查詢圖像塊p'各邊緣區(qū)域在s_sa尺度下的邊緣模糊相似度

6f)根據(jù)6c)和6e)得到的s_sa尺度紋理模糊相似度和s_sa尺度邊緣模糊相似度計(jì)算圖像塊p與查詢圖像塊p'在s_sa尺度下的模糊相似度ufm^sa；

6g)按步驟6b)至6f)的方法，計(jì)算出圖像塊p與查詢圖像塊p'所有尺度下的模糊相似度ufm＝{ufm^s1,…,ufm^sa,…,ufm^sn}；

6h)根據(jù)6g)得到的所有尺度下的模糊相似度ufm，計(jì)算查詢圖像塊p'與圖像塊p的多尺度區(qū)域模糊相似度msufm：

其中，表示尺度模糊相似度的權(quán)值，并且

6l)重復(fù)步驟6a)至6h)，計(jì)算出查詢圖像塊p'與圖庫(kù)中屬于類別集合{c}中所有圖像塊的多 尺度區(qū)域模糊相似度；

7)按照步驟6)得到的多尺度區(qū)域模糊相似度，以從大到小的順序返回用戶需要數(shù)量的圖像，完成圖像識(shí)別。