[发明专利]基于随机观测投影和稀疏表示的SAR图像分类

说明书

技术领域

本发明属于图像处理领域，是一种SAR地物分类方法，可应用于图像分类。

背景技术

合成孔径雷达SAR是一种可以产生高分辨率图像的(航空)机载雷达或(太空)星载雷达，可应用于军事，农业，导航，地理监视等诸多领域。它与其它遥感成像系统，光学成像系统相比有很多差异。在军事目标识别方面，SAR图像被广泛的应用在目标检测领域，而SAR图像分类则是从图像处理到图像分析的重要步骤，是目标识别的基础。本质上SAR图像反映的是目标的电磁散射特性和结构特性，其成像效果很大程度上依赖于雷达参数和地域电磁参数。SAR成像的特殊性使得针对该类图像的分割方法有别于普通光学图像：非光学成像方式导致SAR图像灰度级变化缓慢，因此光学图像常用的分类方法对此类图像收效甚微；SAR图像含有大量相干斑噪声，而常规分类方法通常对噪声具有很高的敏感度，不宜用于此类图像。

在具体的SAR图像分类算法研究方面，Escalante-Ramirez Boris等人提出了基于方向导向的离散共轭转换(DHT)的SAR图像分类方法，Rob J.Dekker等人研究了基于纹理分析的SAR图像城区分类方法，Bruno Aiazzi等利用纹理特征提出了增强的模糊最近邻域均值聚类算法，Jong-Sen Lee等利用分解散射模型和最大似然分类器对SAR图像地物进行无监督的分类，该方法都较好的保留图像的极化域散射特性。

随着统计学习理论基础上发展了通用学习算法——支持向量机后，Lothar Hermes等人利用SVM分类器对SAR图像土地使用情况进行了分类，国内也有利用纹理分析的最大似然分类法、利用纹理特征的SAR地物的神经网络分类算法等等。以上分类方法基本都要进行复杂的特征提取，以提高分类正确率。

发明内容

本发明的目的在于克服上述已有技术的不足，提出一种基于稀疏表示和随机观测的SAR图像分类方法。

实现本发明目的的技术方案是：首先寻找C类不同地物的训练图像，每类S幅图像，其中C≥2,S≥1；执行如下步骤：

步骤一、将训练图像分成小块，得到观测矩阵T_ij,按类别依次存放到矩阵Y_i(i＝1,…,C)中；

步骤二、将得到的矩阵Y_i转置得到Y_i^T，对Y_i^T的行利用K-means进行聚类，每一类训练图像聚出K(K＜S)个纹元；

步骤三、将C类训练图像中的每一类训练图像聚出的K个纹元依次连接到一起，得到一个行数为CK的纹元字典D；

步骤四、计算训练图像小块投影向量与CK个纹元的距离，统计训练图像的直方图分布情况，得到大小为CK×CS的分类字典A；

步骤五、任给一幅测试图像，计算其与CK个纹元的距离，统计测试图像的直方图，得到h；

步骤六、令h＝Ax，解得x；

步骤七、使用x依据残差最小确定测试图像所属的类别。

本发明使用高效新颖的特征提取工具——随机观测投影(RP)和词袋模型相结合的方法，提取图像中的有效信息，降低数据维数，计算待分类图像的统计直方图，构造类别模型字典。本发明将随机投影嵌入到词袋模型中提取特征，得到测试图像的直方图统计模型，省去复杂的特征提取过程，同时利用稀疏表示方法进行分类，提高SAR图像分类的正确率。与现有的技术相比具有以下优点：

1、本发明由于使用简单方便的特征提取方法——随机观测投影(RP)和词袋模型相结合，能够对SAR图像进行特征提取，减少冗余，降低数据维数；

2、本发明计算了图像的统计直方图来做为特征，代替原始图像的像素灰度信息，更有利于保持图像的结构信息，去除冗余信息，分类正确率受噪声影响较小；

3、本发明由于采用了稀疏表示的方法进行分类，分类更有针对性；

4、仿真结果表明，本发明方法较随机观测最近邻分类更佳有效。

附图说明

图1是本发明的流程示意图；

图2是本发明三类地物训练图像每类的一个训练样本图；

图3是本发明三类地物测试图像每类的一个测试样本图；

具体实施方式

参照图1，本发明的具体实现步骤如下：

首先寻找C类不同地物的训练图像，每类S幅图像，其中C≥2,S≥1；执行如下步骤：