[发明专利]一种用于合成孔径雷达图像的特征编码与识别方法和系统

说明书

本发明涉及一种用于合成孔径雷达图像的特征编码与识别方法和系统，其中，该方法包括：根据特征描述子的SIFT算法对船舶SAR图像进行特征点检测并生成统一长度的特征描述子；根据K‑means算法对特征描述子进行聚类，获取聚类中心向量，并对特征描述子进行聚合，获取统一长度的特征向量；通过多分类SVM算法，并使用径向基核函数对统一长度的特征向量进行分类，获取图像的分类识别结果。本发明提出的方法在海域环境下不需要大量的图像集进行训练，并且本发明在特征提取过程中可以将特征统一编码固定长度，便于后续的模型训练和测试过程，其解释性和稳定性比现有技术更好。

技术领域

本发明属于图像识别技术领域，具体涉及一种用于合成孔径雷达图像的特征编码与识别方法和系统。

背景技术

合成孔径雷达（Synthetic Aperture Radar，SAR）以其全天时工作特性、不受气候条件影响、可以进行大范围场景观测的卓越性能，并具有一定的地表穿透能力，在对海域进行连续、实时、长期的监测任务中发挥着不可替代的作用，已在军事国防和科学研究等诸多领域得到了广泛的应用。

SAR的主要工作原理是在使用时充分利用合成孔径、脉冲压缩方式的机理以及信号处理技术，同时以SAR上的小孔径天线来保证雷达图像的高分辨方位和高分辨距离，以此得到高分辨率的SAR图像。SAR图像特征编码与识别的主要任务是对原始SAR图像进行特定处理，从中获得图像的各种类型的特征，再应用到目标检测、图像识别以及分类等任务中，以此减少后续对图像解译的信息量、工作量，同时可以提高识别效率和任务性能。

对于船舶SAR图像的特征编码问题，传统的机器学习方法例如主成分分析、小波变换等难以表征图像中的高阶特征且计算复杂度较高，近年来基于深度学习例如卷积神经网络的特征提取方法成为主流，可以在充分的数据下学习复杂情况的稳定特征，但在由于海域环境复杂导致可获得真实场景的船舶SAR图像训练数据较少，难以满足神经网络训练要求。

因此，如何利用较少的训练数据来精确提取船舶SAR图像的特征，是本领域技术人员亟待解决的技术问题。

发明内容

为实现本发明目的，提供一种用于合成孔径雷达图像的特征编码与识别方法，包括：

步骤S101：根据特征描述子的SIFT算法对船舶SAR图像进行特征点检测并生成统一长度的特征描述子；

步骤S102：根据K-means算法对所述特征描述子进行聚类，获取聚类中心向量，并对所述特征描述子进行聚合，获取统一长度的特征向量；

步骤S103：通过多分类SVM算法，并使用径向基核函数对所述统一长度的特征向量进行分类，获取图像的分类识别结果。

在其中一些具体实施例中，在步骤S101中，所述特征点检测包括：在尺度空间检测极值点，设表示图像上某一像素点，记为，则其在不同尺度空间下的图像表示为，，

其中，，

在尺度空间的3×3×3金字塔立体邻域内进行非极大值抑制，当某一像素点比上一尺度、下一尺度及本尺度周围的多个邻域值都大或者都小时，确定此像素点为极值点，并采用Hessian矩阵确认特征点。

在其中一些具体实施例中，所述特征点检测还包括：在以所述特征点为圆心，以为半径的圆形区域内计算特征点的梯度幅值和梯度幅角，其中，梯度幅值根据下式计算：

，

梯度幅角根据下式计算：

，

用于确认特征点方向。

在其中一些具体实施例中，所述生成统一长度的特征描述子包括：以所述特征点为中心，以所述特征点方向为坐标轴方向，选取特征点周围16×16的方框区域，将所述方框区域均等划分成4×4个子区域，并在每个子区域上计算8个方向的累加值，最终为每个特征点都生成一个长度为4×4×8的SIFT特征描述向量。

在其中一些具体实施例中，在步骤S102中，所述获取统一长度的特征向量包括：