[发明专利]基于稀疏编码分类的SAR图像检索方法

摘要

本发明针对现有的图像检索系统和方法的不足，提出了一种基于稀疏编码分类的SAR图像检索方法，通过特征的提取，过完备字典的构建，基于双重Memetic算法的稀疏表示求解，训练出稀疏表示分类器，既可以在分类过程中实现有监督的分类过程，又可以快速的求解出全局最优的稀疏解，然后根据相似度由高到低输出检索结果。该方法在解决图像分类的问题时，在分类准确度，检索内容相似性，计算复杂度，结果鲁棒性方面都起到了较优的改进效果。

主权项

基于稀疏编码分类的SAR图像检索方法，其特征是：至少包括如下步骤：步骤101：开始基于稀疏编码分类的SAR图像检索；步骤102：在SAR图像库中选取训练图像，读入这些图像，选用的每幅图像大小为256×256，并利用精致Lee滤波的方法对其进行预处理，降低相干斑噪声对图像分类结果造成的影响，滤波器的窗口大小设定为7×7；步骤103：对预处理后的训练图像利用灰度共生矩阵的方法进行特征提取，选取0°,45°,90°,135°方向上的能量、熵、对比度、局部相似性、相关各五个特征，每一幅训练图像对应得到一个维数是20的列向量；设pij(d,θ)表示在给定空间距离d和方向θ时，以灰度i为始点，出现灰度级j的概率，i＝1，2，…，G，j＝1，2，…，G，G为所考察图像区域内灰度级的最大值，则灰度共生矩阵是一个G×G的方阵，记 设定θ的取值为0°,45°,90°,135°，为了获得图像在各个方向上的纹理特征，对上述4个方向分别构造灰度共生矩阵提取相应的特征向量；选用的特征包括以下五种特征：1)能量，又称角二阶矩：它是图像灰度分布均匀性或平滑性的度量，当灰度共生矩阵中元素分布较集中于主对角线附近时，说明局部区域内图像灰度分布较均匀，图像呈现较细的纹理，角二阶矩的取值较大；2)熵：熵值是图像所具有信息量的度量，是测量灰度级分布随机性的特征参数，表征了图像中纹理的复杂程度；图像的灰度越均匀，熵值越小，图像的纹理越复杂，熵值则越大；另一方面，熵也能度量图像纹理的随机性，熵值越大，代表图像中灰度分布随机性大；3)对比度，又称惯性矩：它表征图像中的局部灰度变化总量，反映了图像的清晰度和纹理的沟纹深浅；纹理的沟纹深，对比度大，效果清晰；反之，对比度小，则沟纹浅，效果模糊；也就是说，如果偏离对角线的元素有较大值，即图像灰度值变化很快，则对比度值有较大取值；4)局部相似性：局部相似性能刻画局部区域的纹理特征，是区分不同目标的重要度量；5)相关其中，因此，在计算完灰度共生矩阵后，每幅图像可以得到20个特征，即降维到一个维数是20的列向量；步骤104：利用步骤103中得到的特征向量组成过完备字典，训练稀疏分类器；步骤105：利用训练好的稀疏分类器对整个SAR图库进行分类；步骤106：存储SAR图像库中每幅图像的类标及对应的稀疏解；步骤107：导入测试SAR图像，要求其大小与图像库中的SAR图像大小相等，按照步骤102中的方法对测试图像进行滤波处理；步骤108：按照步骤103中的灰度共生矩阵的方法对测试图像进行特征提取，得到相应的20个特征；步骤109：判断测试图像是否在步骤106得到的SAR图像库中，若是，则直接进行步骤110，否则进入步骤111；步骤110：在有类标的SAR图像库中直接抽取与测试图像相同的SAR图像；步骤111：利用之前训练好的稀疏分类器对测试图像进行分类；步骤112：存储测试图像的类别标签及其对应的稀疏解；步骤113：根据测试图像的类别在有类标的SAR图像库中提出相同类别的图像，进行图像相似度匹配；首先计算测试图像与同类别图像的稀疏解的欧式距离，然后找到稀疏解中最大系数所在的位置，计算两位置的差值，相似度的度量标准设定为欧式距离与位置差值的乘积的绝对值的倒数，值越大，代表相似度值越高，相似度表达式为：其中为欧式距离表达式，xi代表测试图像对应的稀疏解中第i个位置上的稀疏系数，mx为最大系数所在的位置；ui代表与测试样本同类别的训练图像的稀疏解中第i个位置上的稀疏系数，nu为其最大系数所在的位置，步骤114：将得到的相似度值，按照从大到小的顺序进行排列，返回检索结果；步骤115：结束稀疏编码分类的SAR图像检索方法；所述的步骤104，包括如下步骤：步骤201：开始构建过完备字典并训练稀疏分类器；步骤202：构造过完备字典：将训练图像对应的特征向量按照类别进行排列，相同类别的特征列向量依次排放在一起，构建出稀疏表示所需要的过完备字典A＝[x1，x2，...，xn]，χi代表其中一类训练样本，xi＝[a1，a2，...，ak]，训练样本总的类别数为n；步骤203：得到新的局部过完备字典：将待分类样本与过完备字典中的每个训练样本相减计算残差值，设定一个阈值T，将残差值大于阈值的所对应的训练样本提出，组成新的局部过完备字典A1＝[x1，x2，...，xn1]；步骤204：利用基于双重局部搜索Memetic算法求解稀优化方程y＝Ax，得到稀疏解x，优化方程中y为原始测试图像，A为训练图像组成的过完备字典，x为y对应的稀疏解；步骤205：设计分类函数δi，(δi∈Rm×n)，分别提出稀疏解x中各类的系数，构建出新的稀疏解δi(x)，在新的稀疏解中只有一类的系数值不为零，其余部分的值均为零；因此，按照以下公式重构出测试样本 最终图像分类的过程简化为求解如下问题：其中，||·||1代表L1‑范数，||·||2代表L2‑范数，A为训练图像组成的过完备字典；计算原始待分类样本y和重构样本差的二范数，得到的最小值所在的类别即为测试样本属于的类别；步骤206：结束训练稀疏分类器的过程。