[發(fā)明專利]基于共稀疏模型的高分辨SAR圖像分類方法

有效

• 申請(qǐng)?zhí)枺?/td>: 201710329004.8
• 申請(qǐng)日: 2017-05-11
• 公開（公告）號(hào): CN107220659B
• 公開（公告）日: 2019-10-25
• 發(fā)明（設(shè)計(jì)）人: 侯彪;焦李成;于競(jìng)競(jìng);王爽;馬晶晶;馬文萍;馮婕;張小華
• 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: 程曉霞;王品華

1.一種基于共稀疏模型的高分辨SAR圖像分類方法，其特征在于，包括有如下步驟：

步驟1、輸入圖像得到初始像素值矩陣X：選取一幅待分類的高分辨SAR圖像，以所有像素點(diǎn)為中心截取M₁×M₁大小的像素塊，每個(gè)像素塊展成一列，遍歷圖像中所有像素點(diǎn)得到實(shí)驗(yàn)樣本X∈R^M×LL，M為一個(gè)像素塊中的像素點(diǎn)個(gè)數(shù)，LL為待分類高分辨SAR圖像中的像素點(diǎn)個(gè)數(shù)；

步驟2、選取解析算子學(xué)習(xí)的初始樣本：在初始像素值矩陣X中隨機(jī)選取L列構(gòu)成大小為M×L的矩陣Y，作為算子學(xué)習(xí)的初始樣本矩陣Y＝[y₁,y₂,…,y_I,...,y_L]，y_I表示第I個(gè)中心像素點(diǎn)所在M₁×M₁大小的像素塊展開的列向量；

步驟3、學(xué)習(xí)解析算子：用投影次梯度和統(tǒng)一行規(guī)范緊框架兩者相結(jié)合，利用初始樣本矩陣Y迭代學(xué)習(xí)得到解析算子Ω，包括以下步驟：

3.1)構(gòu)造初始解析算子Ω₀；

隨機(jī)產(chǎn)生一個(gè)大小為M×N的過完備矩陣D＝[d₁,d₂,…,d_q,…,d_N],其中d_q為列向量，1≤q≤N，N為解析算子的維度，N的大小根據(jù)需要人工選擇但必須大于M，得到初始解析算子Ω₀，Ω₀為過完備矩陣D的轉(zhuǎn)置矩陣即Ω₀＝D^T；

3.2)由次梯度解析算子投影公式計(jì)算次梯度解析算子Ω_g，0≤i≤K_max1，K_max1為求解析算子的最大迭代次數(shù)，Ω_i為第i個(gè)解析算子；

其中

3.3)計(jì)算Ω_i+1；

采取降梯度的方法更新解析算子，給定初始步長(zhǎng)η，根據(jù)公式Ω_i+1＝P_TF{P_UN(Ω_i-ηΩ_g)}計(jì)算Ω_i+1，P_UN{·}表示投影到統(tǒng)一行規(guī)范空間，P_TF{·}表示投影到緊框架；

3.4)迭代終止條件；

當(dāng)f(Ω_i+1)≤f(Ω_i)或者i＞K_max1時(shí)結(jié)束迭代過程，f(Ω_i)是一個(gè)定義解析算子誤差的函數(shù)，f(Ω_i)等于矩陣Ω_iY中所有元素的絕對(duì)值之和，得到最終的解析算子Ω＝Ω_i，否則修改步長(zhǎng)，令重復(fù)步驟(3.2)和(3.3)，直到Ω_i+1滿足迭代終止條件得到解析算子Ω＝Ω_i；

步驟4、基于增廣拉格朗日方法求解共稀疏系數(shù)：由解析算子Ω和初始像素值矩陣X，根據(jù)共稀疏解析模型Z＝ΩX，利用增廣拉格朗日方法，加入對(duì)偶參數(shù)求解凸規(guī)劃問題得到共稀疏系數(shù)Z；

步驟5、確定SVM分類器的輸入樣本：將第I個(gè)像素點(diǎn)對(duì)應(yīng)像素塊的共稀疏系數(shù)向量z_I和該像素塊的像素值向量x_I相組合得到最終分類時(shí)像素點(diǎn)的特征向量s_I，得到所有像素點(diǎn)的特征矩陣S＝[s₁,s₂,…,s_I,…,s_LL]；

步驟6、運(yùn)用SVM分類器預(yù)測(cè)所有像素點(diǎn)的標(biāo)簽：隨機(jī)選取樣本特征矩陣S中的一部分列向量作為訓(xùn)練樣本，確定這些列向量的類別標(biāo)簽，利用libsvm分類器預(yù)測(cè)得到所有列向量的類別標(biāo)簽即為圖像中每一個(gè)像素點(diǎn)的類別歸屬；

步驟7、顯示分類結(jié)果：將預(yù)測(cè)的類別標(biāo)簽用灰度圖像顯示出來(lái)，即可得到輸入高分辨SAR圖像最終的分類結(jié)果圖。