[发明专利]基于观测向量差的SAR图像纹理分类方法

摘要

本发明公开了一种基于观测向量差的SAR图像纹理分类方法，主要解决对SAR图像地物分类的问题。其分类过程为：(1)训练集中随机选取r幅图像分块处理，转换得到列向量差矩阵P；(2)用观测矩阵对上述P观测，得到纹元观测向量差矩阵X，并对其聚类得到纹元字典D；(3)对训练集图像按步骤(2)计算得到观测向量差矩阵X_tr；(4)对X_tr向纹元字典D进行投影，形成训练图像纹元直方图h；(5)将测试集图像表示成测试图像纹元直方图h_e；(6)计算h_e与h之间的距离，根据该距离大小确定h_e所属的类别；(7)对所有测试图像按照步骤(6)进行计算，得到最终的分类率。本发明应用了最新的压缩感知理论，过程简单，分类识别率高，可用于SAR图像地物纹理分类。

主权项

1.一种基于观测向量差的SAR图像纹理分类方法，包括如下步骤：(1)从训练集的每一类纹理图像中随机选取r幅图像，8＜r＜15，进行分块处理，每一块称为纹元，记作I_p；(2)将块图像I_p中的每个列向量首尾相接，拉成一个列向量p，将相邻列向量相减得到列向量差，记作p_diff，用所有块图像的列向量差组合成列向量差矩阵P_diff；(3)对列向量差矩阵P_diff通过下式进行计算，得到纹元的观测向量差矩阵X，X＝MP_diff，其中，M为观测矩阵；(4)对纹元的观测向量差矩阵X中的向量进行聚类处理，聚类中心记作d，形成纹元字典D，其中，C为图像类别个数，K为每类的聚类个数；(5)对训练集中的每一幅图像，按照步骤(1)到步骤(3)的方法，得到训练集图像的观测向量差矩阵X_tr；(6)对上述X_tr中的每一个向量x，计算其与纹元字典D中所有纹元d的欧氏距离，将距离最小的那个纹元的频数加1，形成训练集中的每一幅图像的纹元直方图h；(7)将训练集中所有图像的纹元直方图组合成集合：其中，S为训练集中每一类图像的个数，C为训练集所有图像的类别个数；(8)对上述训练集纹元直方图集合H中的每一个纹元直方图，按照下式归一化处理：hc,s(k)=hc,s(k)Σk=1CKhc,s(k),]]>其中，c是测试图像的类别数，s是c类中的图像标号，C是图像总类别个数，K是每类图像的聚类个数；(9)在测试集中，对每一幅新图像重复步骤(5)到步骤(8)，形成测试图像的纹元直方图，记作h_e；(10)按照下式计算测试图像纹元直方图h_e与训练集中所有训练图像纹元直方图h的χ²距离：χ2(h,he)=12Σk=1CK[h(k)-he(k)]2h(k)+he(k),]]>其中，C是图像总类别个数，K是每类图像的聚类个数；(11)在所有训练图像纹元直方图距离χ²(h,h_e)中，将与测试图像纹元直方图h_e距离最小的训练纹元直方图记为h_m，h_m图像所在的类别c_m即是该测试图像所属的类别，如果c_m和该测试图像原来所属的类别相同，则表明该测试图像得到了正确的分类；(12)对全部测试图像纹元直方图按照重复步骤(9)到步骤(11)，得到能够正确分类的测试图像的个数为N_d；(13)根据步骤(12)中的N_d和测试图像总数N_t，得到最终的正确分类率r：r=NdNt.]]>