[发明专利]一种航天器可见光图像分类方法

摘要

本发明属于航天器可见光图像分类领域，具体涉及一种新的航天器可见光图像分类方法。首先对航天器图像训练样本提取尺度旋转不变特征(SIFT)，用该特征训练稀疏字典，然后对所提取的特征使用训练得到的稀疏字典进行稀疏编码，进一步采用空间金字塔匹配策略得到训练样本图像的特征描述，最后使用线性支持向量机(SVM)训练出分类器模型。对于输入图像，首先提取尺度旋转不变特征(SIFT)，对所提取的特征使用训练得到的稀疏字典进行稀疏编码，进一步采用空间金字塔匹配策略得到测试图像的特征描述，最后用训练好的分类器模型进行分类。通过在仿真数据库上实验分析，验证了本发明方法的分类准确性。

主权项

一种航天器可见光图像分类方法，其特征在于步骤如下：步骤1、提取航天器可见光图像的尺度旋转不变特征SIFT：(1)首先构造图像尺度空间函数L(x,y,σ)：L(x,y,σ)＝G(x,y,σ)*I(x,y)，I(x,y)为输入图像，G(x,y,σ)是尺度可变高斯函数，σ为尺度因子，*为卷积运算；G(x,y,σ)定义为(2)构造高斯差分函数D(x,y,σ)：D(x,y,σ)＝L(x,y,kσ)‑L(x,y,σ)，在尺度空间中，比较每个采样点与其同尺度的8个相邻点以及上下相邻尺度对应的18个相邻点的大小，取最大或最小值的极值点为候选特征点；(3)将高斯差分函数D(x,y,σ)在尺度空间处进行泰勒公式展开：其中X＝(x,y,σ)T；对上式求导并令其为零，求解方程找到满足其条件的候选特征点求该候选特征点处的尺度空间函数若则保留该候选特征点，否则丢弃该候选特征点；(4)计算候选特征点处的Hessian矩阵求出矩阵H的行列式Det(H)及对角线元素之和Tr(H)；由公式计算每个候选特征点的若小于r＝10时的值，则保留该候选特征点，否则丢弃该候选特征点；经过上述过程保留下的候选特征点为最终的特征点；(5)计算每一个特征点的梯度模值m(x,y)和方向θ(x,y)：m(x,y)=(L(x+1,y)-L(x-1,y))2+(L(x,y+1)-L(x,y-1)2)]]>θ(x,y)＝tan‑1(L(x,y+1)‑L(x,y‑1))/(L(x+1,y)‑L(x,y‑1))采用梯度直方图统计方法为特征点分配方向，在以特征点为圆心，1.5σ为半径的圆形区域内计算特征点邻域窗口的梯度值并进行统计，其范围为0～360°，每10°为一个单元；定义特征点的主方向为直方图的峰值处，同时，对于存在次峰值为主峰值的80％以上的情况，增加与原特征点具有相同位置和尺度的特征点，将符合条件的次峰值作为其方向；(6)将特征点的邻域由θ°旋转至0°，θ°为特征点的方向，以保证旋转的不变性；在旋转后的图像中，以特征点为圆心，选取16×16的邻域窗口，把该16×16的矩形窗口分为16个4×4的不重叠子区域，计算每个子区域中8个方向(0°,45°，90°,135°,180°,225°,270°,315°)的梯度累加值，最后生成特征点描述子。至此，便获得了图像完整的尺度旋转不变特征；步骤2、训练稀疏字典：步骤1得到的SIFT特征记为X，其维度为D维，即X＝[x1,…,xm]T∈RM×D；对于得到的SIFT特征X，通过下式训练稀疏字典：minU,VΣm=1Mmink=1...K||xm-umV||2+λ|um|,||vk||≤1,∀k=1,2,...,k]]>其中|um|是um的L1范数，即um的每个元素的绝对值总和；||·||表示L2范数。通过优化求解上式得到的V即为训练得到的字典，同时得到稀疏系数U；步骤3、空间金字塔匹配：对于步骤2中求得的特征在稀疏字典上的稀疏编码U，用池函数F计算图像特征：z＝F(U)，其中F选择系数L1范数最大的池函数：zj＝max{|u1j|,|u2j|,...,|u2M|}，其中zj为Z中第j个元素，uij为U中第i行第j列的矩阵元素；步骤4、使用线性支持向量机进行分类：给定n个训练样本图像，每个样本所属类别为yi，由上述3个步骤分别得到每个样本在稀疏字典上的特征zi，组成训练样本数据yi∈y＝{1,...,L}；学习线性函数{WcTz|c∈y}，通过求解无约束凸优化问题：其中当yi＝c时yic＝1，否则，yic＝‑1；其中l(Wc；yic,zi)为铰链损失函数；采用可微分的二次铰链损失函数：l(Wc；yic,zi)＝[max(0,WcTz·yic‑1)]2；通过线性地扫描训练样本，采用基于梯度的最优化方法训练分类器。对于一个测试样本Z，计算则结果y即为该样本的分类结果。