[发明专利]基于子模字典学习的SAR图像分割方法

摘要

本发明公开了一种基于子模字典学习的SAR图像分割方法，主要解决目前主流的子模字典学习方法对SAR图像分割准确性低与细节完整性差的问题。其分割过程为：1.在以像素为中心的邻域内，计算空间金字塔特征；2.从空间金字塔特征中选取10％的训练数据构造图模型G(V,E)；3.最大化一个子模目标函数，对图模型进行聚类；4.根据聚类结果计算字典D；5.固定字典D，计算训练数据的稀疏编码特征、分类参数矩阵以及所有数据的稀疏编码特征；6.根据分类参数矩阵W计算类标签向量；7.将类标签向量转换为类标签，得到最终的分割结果。本发明与现有的子模字典学习方法相比，保持了图像的细节信息完整性，提高了分割精度，可用于SAR图像目标识别。

主权项

1.一种基于Submodular字典学习的SAR图像分割方法，包括：(1)在以像素为中心辅以邻域的像素块内，计算尺度不变特征变换SIFT特征{I₁,I₂,...,I_θ,...,I_N}，其中I_θ∈R^128×m表示第θ个像素块的SIFT特征，θ∈{1,2,...,N}，N表示像素点的个数，m表示每个像素块的SIFT特征的数量；(2)对每个像素块的尺度不变特征变换SIFT特征进行稀疏编码，得到空间金字塔特征{Sp₁,Sp₂,...,Sp_θ,...,Sp_N}∈R^q×N，其中Sp_θ表示第θ个像素块的空间金字塔特征，q表示空间金字塔特征向量的长度；(3)从(2)的结果中随机选取10％的数据作为训练样本{x₁,x₂,...,x_η,...,x_M}，构造图模型G(V,E)，将训练样本作为顶点，计算两两顶点之间边的权重w_ij和两个自循环权重w_ii、w_jj，其中x_η表示第η个训练样本，η∈{1,2,...,M}，V表示顶点集合，E表示边的集合，w_ij表示第i个顶点和j个顶点间的边权重，w_ii和w_jj分别表示第i个和j个顶点的自循环权重，M表示训练样本的数量；(4)对步骤(3)构造的图模型进行聚类:(4a)设定子模目标函数F(A)：F(A)＝H(A)+λ₁B(A)+λ₂Q(A)其中，表示随机游走熵率，表示平衡项，表示判别项，A表示选中的边构成的集合，λ₁、λ₂为两个不同的自定义常数；μ_i表示在边集E中所有与第i个顶点相连的边权之和占总边权之和的比例，P_i,j(A)为转移概率，pz_A(o)＝|S_o|/|V|表示第o个子图的成员数量占训练样本总数的比例，其中|S_o|表示第o个子图包含的顶点数量，|V|表示顶点总数，N_A表示子图的数量；表示第o个子图中属于第h类的数量，h∈{1,2,...,T}，T表示目标类的数量；(4b)最大化子模目标函数F对图模型进行聚类，得到一系列子图其中S_χ表示第χ个子图，N_A表示子图的数量；(5)计算字典D；(6)固定字典D，对训练样本{x₁,x₂,...,x_M}进行稀疏编码，得到稀疏编码特征和分类参数矩阵对所有数据的空间金字塔特征{Sp₁,Sp₂,...,Sp_N}进行稀疏编码，得到稀疏编码特征其中M表示训练样本的数量，T表示目标类的数量，N表示所有样本的数量；(7)将稀疏编码特征{Sc₁,Sc₂,...,Sc_θ,...,Sc_N}输入到分类器，得到类标签向量{l₁,l₂,...,l_θ,...,l_N}，其中l_θ＝W×Sc_θ表示第θ个像素的类标签向量，θ∈{1,2,...,N}；(8)取l_θ中值最大的元素在类标签向量l_θ中的位置作为第θ个像素的类标签，得到最终的分类结果{b₁,b₂,...,b_θ,...,b_N}，其中b_θ∈{1,2,...,T}表示第θ个像素的类标签，T表示目标类的数量。