[发明专利]基于共稀疏模型的高分辨SAR图像分类方法

摘要

本发明公开了一种基于共稀疏模型的高分辨SAR图像分类方法，本发明解决了SAR图像分类时局限于用综合稀疏模型表示图像导致分类时间复杂度高的技术问题。其过程为：在待分类的SAR图像中选取初始像素值矩阵X；选取解析算子学习初始样本；将投影次梯度法和统一行规范紧框架法相结合学习解析算子Ω；用增广拉格朗日法求解共稀疏系数Z；将每个像素点对应像素块的共稀疏系数向量和该像素块的像素值向量相结合得到特征向量；基于SVM分类器分类，得到全图各像素点特征向量的预测标签；将预测标签结果用灰度图像显示出来。本发明能快速求得图像的稀疏表示，保证了SAR图像分类的时效性和分类准确率，用于高分辨SAR图像的分类。

主权项

1.一种基于共稀疏模型的高分辨SAR图像分类方法，其特征在于，包括有如下步骤：步骤1、输入图像得到初始像素值矩阵X：选取一幅待分类的高分辨SAR图像，以所有像素点为中心截取M₁×M₁大小的像素块，每个像素块展成一列，遍历图像中所有像素点得到实验样本X∈R^M×LL，M为一个像素块中的像素点个数，LL为待分类高分辨SAR图像中的像素点个数；步骤2、选取解析算子学习的初始样本：在初始像素值矩阵X中随机选取L列构成大小为M×L的矩阵Y，作为算子学习的初始样本矩阵Y＝[y₁,y₂,…,y_I,...,y_L]，y_I表示第I个中心像素点所在M₁×M₁大小的像素块展开的列向量；步骤3、学习解析算子：用投影次梯度和统一行规范紧框架两者相结合，利用初始样本矩阵Y迭代学习得到解析算子Ω，包括以下步骤：3.1)构造初始解析算子Ω₀；随机产生一个大小为M×N的过完备矩阵D＝[d₁,d₂,…,d_q,…,d_N],其中d_q为列向量，1≤q≤N，N为解析算子的维度，N的大小根据需要人工选择但必须大于M，得到初始解析算子Ω₀，Ω₀为过完备矩阵D的转置矩阵即Ω₀＝D^T；3.2)由次梯度解析算子投影公式计算次梯度解析算子Ω_g，0≤i≤K_max1，K_max1为求解析算子的最大迭代次数，Ω_i为第i个解析算子；其中3.3)计算Ω_i+1；采取降梯度的方法更新解析算子，给定初始步长η，根据公式Ω_i+1＝P_TF{P_UN(Ω_i‑ηΩ_g)}计算Ω_i+1，P_UN{·}表示投影到统一行规范空间，P_TF{·}表示投影到紧框架；3.4)迭代终止条件；当f(Ω_i+1)≤f(Ω_i)或者i＞K_max1时结束迭代过程，f(Ω_i)是一个定义解析算子误差的函数，f(Ω_i)等于矩阵Ω_iY中所有元素的绝对值之和，得到最终的解析算子Ω＝Ω_i，否则修改步长，令重复步骤(3.2)和(3.3)，直到Ω_i+1满足迭代终止条件得到解析算子Ω＝Ω_i；步骤4、基于增广拉格朗日方法求解共稀疏系数：由解析算子Ω和初始像素值矩阵X，根据共稀疏解析模型Z＝ΩX，利用增广拉格朗日方法，加入对偶参数求解凸规划问题得到共稀疏系数Z；步骤5、确定SVM分类器的输入样本：将第I个像素点对应像素块的共稀疏系数向量z_I和该像素块的像素值向量x_I相组合得到最终分类时像素点的特征向量s_I，得到所有像素点的特征矩阵S＝[s₁,s₂,…,s_I,…,s_LL]；步骤6、运用SVM分类器预测所有像素点的标签：随机选取样本特征矩阵S中的一部分列向量作为训练样本，确定这些列向量的类别标签，利用libsvm分类器预测得到所有列向量的类别标签即为图像中每一个像素点的类别归属；步骤7、显示分类结果：将预测的类别标签用灰度图像显示出来，即可得到输入高分辨SAR图像最终的分类结果图。