[发明专利]基于双层锚图散列的SAR图像检索方法

摘要

本发明公开了一种基于双层锚图散列的SAR图像检索方法，主要解决现有技术检索速度慢和精度低的问题。其实现步骤为：首先将SAR大图切割成小图像块，选取信息完整的图像块组成一个图像数据库，对其进行标记；接着对数据库中每一幅图像提取纹理、形状和场景特征，并将提取出的特征分为两个特征通道分别选取聚类中心；然后训练双层锚图模型，预测出训练数据的散列码和测试数据的散列码，分别计算汉明距离矩阵；最后将双特征通道的汉明距离矩阵加权融合，计算联合汉明距离矩阵，显示检索结果。本发明由于运用了基于散列的检索方法和SAR图像自身性质相关的特征信息，缩短了检索时间，提高了检索精度。

主权项

1.一种基于双层锚图散列的SAR图像检索方法,包括如下步骤：(1)将SAR大图无重叠地切割成256*256的小图像块，在小图像块形成的图库中选取肉眼能够清晰识别且信息完整的图像块组成一个数据集，共7234张，记作dataset，将其分为五类，分别是山脉，海洋，城市，港口和建筑；(2)从数据集dataset中随机选取训练样本和测试样本；(3)在数据集dataset中设置contourlet特征通道和GIST特征通道，并从数据集dataset中的每一幅图像中提取基于contourlet变换的纹理特征和形状特征，组合成第一特征集；从dataset中的每一幅图像中提取基于gabor滤波的GIST特征信息，作为第二特征集；(4)将步骤(3)得到的两个特征集的值归一化到0～1之间，在所述的两个特征通道中，对训练样本分别使用kmeans聚类方法选取聚类中心，其中contourlet特征通道的聚类中心有35个，记作a1，GIST特征通道的聚类中心有39个，记作a2；(5)将双特征通道的聚类中心a1和a2分别与训练样本一同输入到双层锚图模型中训练出模型参数，并分别预测出contourlet特征通道中训练样本的散列值矩阵P1和测试样本的散列值矩阵tP1，GIST特征通道中训练样本的散列值矩阵P2和测试样本的散列值矩阵tP2；(6)计算出contourlet特征通道中训练样本与测试样本的汉明距离矩阵d1，GIST特征通道中训练样本与测试样本的汉明距离矩阵d2；按如下步骤进行：6a)根据第i个训练样本的散列值Pik和第j个测试样本的散列值tPjk，计算差异向量Xij(k)＝xor(Pik，tPjk)，其中函数xor()表示求取两个数的异或值，k是散列值的维数；6b)将差异向量Xij(k)中数值为1的个数作为汉明距离dij，并由汉明距离dij构成汉明距离矩阵D，其中i＝1,…,n，n表示训练样本个数，j＝1,…,tn，tn表示测试样本个数；(7)将上述双特征通道中的汉明距离矩阵d1和d2加权融合，得到联合汉明距离矩阵d；(8)显示检索结果：输入任意一个测试样本，通过联合汉明距离矩阵得到所有训练样本与该测试样本的汉明距离列表，并将此列表按升序重新排序，再按列表顺序查找相应训练图像的序号并将训练图像依次排列显示出来，即为检索结果。