[发明专利]一种遥感图像多类目标检测和识别方法

说明书

技术领域

本发明涉及一种遥感图像多类目标检测和识别方法，可以应用于复杂背景遥感图像下的多种类型目标检测和识别。 

背景技术

作为遥感图像处理技术的一个应用，复杂背景遥感图像下的目标检测与识别是军事侦察和精确打击等领域的一项关键技术，也一直是该领域的研究热点和难点，有着重要的军事和民用价值，受到人们越来越多的关注。 

目前遥感图像目标检测主要有两种方法。一种是在遥感图像中通过检测目标所具有的某些形状、几何特征来解决目标检测问题，但是由于遥感图像背景复杂，存在着大量和目标相似的形状、几何特征，仅仅依靠这些特征来检测目标会出现大量的漏检、误检。另一种是基于分类的思想，其中最常见的是Bag-of-Words（BoW）分类方法，该方法首先是对图像提取SIFT特征并聚类，将聚类中心作为图像空间中的一组标准基（标准的图像区域），然后可以用这组标准基对图像进行向量表示，最后将所得到的向量通过使用SVM分类器进行分类并阈值化，得到检测结果；但是BoW方法，虽然提取的SIFT特征具有尺度和旋转不变性，但仅仅利用了特征区域的统计特征，而忽略了特征区域的空间信息，因此使用BoW的方法检测率低，虚警率高；而另外一种分类方法Linear Spatial Pyramid Matching Using Sparse Coding（ScSPM）虽然考虑到了特征区域的空间信息，但是所得到的用于分类的向量维数过高，运算量过大。另外，目前大多数基于分类的目标检测方法也仅限于对单一目标进行检测，不能同时对多个目标进行检测与识别。 

发明内容

要解决的技术问题 

为了避免现有技术的不足之处，本发明提出了一种基于稀疏表示字典学习的遥感图像多类目标检测和识别的方法。这种方法可以自动地从复杂背景的遥感图像中检测并识别出不同类型的目标，具有较高的检测精度和较低的虚警率。 

技术方案 

一种遥感图像多类目标检测和识别方法，其特征在于步骤如下： 

步骤1：使用基于稀疏表示字典学习的方法训练字典，具体步骤如下： 

步骤a1训练图像前期处理：首先将原始图像中的同类别目标统一到一个主方向，然后将统一方向后的图像沿着0°到360°、按照步长 旋转为 个不同方向的图像；将不同类别目标的原始图像都按照上述方法处理，得到 类训练图像，其中p为所要检测的不同类别目标数， 为旋转角度，c是所得到的训练图像中不同目标不同方向图像的类别总个数；其中： 为向下取整； 

步骤b1数据预处理：采用加权平均法对 类训练图像的RGB三个分量进行加权平均得到灰度图像，然后对灰度图像进行下采样处理，得到n×n大小的图像；对n×n大小的图像进行能量归一化处理得到归一化图像，再将归一化图像转换为n²×1维的列向量，将列向量作为训练数据中的一列，得到预处理后的训练数据集U＝[U₁,U₂,…,U_c]，其中U_i是训练数据集U中对应第i类的子数据集，i＝1,2,…,c； 

步骤c1训练字典：通过Fisher Discrimination Dictionary Learning for Sparse Representation发布的FDDL软件包训练已知训练数据集U＝[U₁,U₂,...,U_c]，得到字典D＝[D₁,D₂,…,D_c]，其中，D_i是与第i类相对应的子字典； 

步骤2稀疏编码：根据训练所得到的字典D＝[D₁,D₂，...,D_c]，对测试图像中的每个子图像块进行稀疏编码，求出每个子图像块对应的稀疏系数，具体处理步骤如下： 

步骤a2测试图像预处理：首先使用步骤b1中所述的加权平均法将测试图像转化为测试灰度图像，然后使用大小为S×S的滑动窗口沿着测试灰度图像以间隔步长b滑动得到子图像块；将子图像块下采样处理到大小为n×n的图像，然后进行能量归一化处理，再将能量归一化处理后的图像转换为一个n²×1维的列向量β，用列向量β来表示通过滑动窗口所得到的子图像块的像素灰度值信息； 

步骤b2稀疏编码：对每个子图像块通过优化模型