[发明专利]基于SAR-SIFT特征的SAR图像目标识别方法

摘要

本发明公开了一种基于SAR‑SIFT特征的SAR图像目标识别方法，主要解决现有技术对SAR图像目标识别不准确的问题。其方案为：1.输入原始SAR图像感兴趣区域的幅度图像，并进行配准；2.对配准后的图像进行二值分割；3.根据分割图像提取配准图像上的强散射点；4.根据分割图像提取配准图像上的角点，并将强散射点与角点联合，得到SAR‑SIFT特征向量；5.分别计算测试样本与训练样本的特征向量集之间距离和特征点坐标集之间的距离，再将这两个距离融合得到识别结果。本发明能有效降低SAR图像中存在的斑点噪声和目标变体对SAR图像目标识别的影响，可用于SAR图像中的目标分类识别。

主权项

1.一种基于SAR‑SIFT特征的SAR图像目标识别方法，包括：(1)输入所有测试样本和所有训练样本的SAR图像感兴趣区域的幅度图像；(1a)取任一幅度图像G进行配准，得到配准图像I；(1b)按步骤(1a)得到所有测试样本和所有训练样本的配准图像(2)对配准图像I采用二值分割方法，得到目标区域的二值分割图像Iseg；(3)利用配准图像I和二值分割图像Iseg，提取配准图像I中目标区域的强散射点和角点，并将它们共同作为配准图像I的特征点：(3a)在配准图像I上，提取目标区域中的强散射点，将所有的强散射点构成配准图像I的强散射点集S；(3c)将配准图像I由幅度图像转化为强度图像Isq，通过指数加权均值比ROEWA算法得到强度图像Isq的梯度幅度图像Gm、梯度方向图像Go、水平梯度图像Gx,α和垂直梯度图像Gy,α，并根据水平梯度图像Gx,α和垂直梯度图像Gy,α，得到联合图像Rs，其中，α为尺度因子，Gm、Go、Gx,α、Gy,α和Rs的大小均为M×N，其中，M为配准图像I的行数，N为配准图像I的列数；(3d)根据联合图像Rs，得到配准图像I中的角点，将落在二值分割图像Iseg中目标区域上的所有角点构成配准图像I的角点集C；(3e)将配准图像I中的强散射点集S和角点集C共同作为配准图像I的特征点集D，所有特征点的坐标归一化构成特征点坐标集；(4)对配准图像I的特征点集D中的每一个特征点提取特征向量：(4a)利用梯度幅度图像Gm和梯度方向图像Go，得到特征点集中所有特征点的主方向O°∈[‑π,π]；(4b)利用梯度幅度图像Gm、梯度方向图像Go和特征描述子，计算每个特征点的特征向量，得到配准图像I的SAR‑SIFT特征向量集；(5)将所有测试样本的配准图像和所有训练样本的配准图像按步骤(2)～(4)重复计算，得到所有测试样本的特征点坐标集合U、SAR‑SIFT特征向量集合E，以及所有训练样本的特征点坐标集合V、SAR‑SIFT特征向量集合H：U＝[U1,...,Ui,...,UK]，E＝[E1,...,Ei,...,EK]，V＝[V1,...,Vj,...,VT]，H＝[H1,...,Hj,...,HT]，其中，Ui为第i个测试样本的特征点坐标集，Ei为第i个测试样本的特征向量集，i∈[1,K]，K为测试样本的数目，Vj为第j个训练样本的特征点坐标集，Hj为第j个训练样本的特征向量集，j∈[1,T]，T为训练样本的数目；(6)计算第i个测试样本的特征点坐标集Ui与所有训练样本的特征点坐标集合V之间的Hausdorff距离，得到坐标距离集合：P＝[p1,...,pj,...,pT]，其中pj为测试样本的特征点坐标集Ui到第j个训练样本的特征点坐标集Vj的Hausdorff距离；(7)计算该测试样本的SAR‑SIFT特征向量集Ei与所有训练样本的SAR‑SIFT特征向量集合H之间的Hausdorff距离，得到向量距离集合：Q＝[q1,...,qj,...,qT]，其中qj为测试样本的特征向量集Ei到第j个训练样本的特征向量集Hj的Hausdorff距离；(8)将坐标距离集合P和向量距离集合Q联合，得到联合距离集合：Z＝Q+10*P，将Z中的最小项qj+10*pj对应的训练样本类别作为对测试样本的识别结果，其中j∈[1,T]，T为训练样本的数目；(9)将所有测试样本按(6)～(8)重复计算，统计所有测试样本的识别结果。