基于字典迁移聚类的sar图像分割方法

文档序号:6652841阅读:586来源:国知局
专利名称:基于字典迁移聚类的sar图像分割方法
技术领域
本发明属于图像处理技术领域,可用于SAR图像分割,作为进一步SAR图像理解和 解译的基础。
背景技术
合成孔径雷达SAR成像技术克服了普通成像技术在必须一定光照条件下成像的 被动成像缺点,它通过主动发射和接受电磁波,根据物体的反射、散射特性成像。SAR利用合 成孔径原理提高方位分辨率,在遥感领域具有独特的优势。由于SAR具有全天时、全天候的 探测与侦察能力,SAR图像的解译受到越来越多的国防和民用的重视。作为SAR图像解译 非常重要的一个步骤的SAR图像分割,也就显得愈加重要。现有的SAR图像分割方法大致 可以分为基于区域的分割方法和基于边界的分割方法,如阈值分割、形态学的方法、聚类的 方法、及随机场的方法等。目前有许多聚类算法应用于SAR图像的分割,传统的k-means、FCM、谱聚类算法, 以及使用少量标签数据指导数据划分的半监督聚类算法。由于SAR图像成像机理的特殊 性以及复杂性,所成图像中有大量相干斑噪声,导致SAR图像的可分性较差,传统方法得到 分割结果不够理想。半监督聚类算法可以得到相比传统聚类算法更好的结果,但是半监督 分割方法则需要一定数量标签数据,SAR图源本身已经比较稀缺,标记过的数据更少,加之 SAR覆盖范围广,若要标记新的SAR图像数据则需要花费大量人力物力,代价太大。

发明内容
本发明的目的在于针对上述已有技术的不足,提出一种基于字典迁移聚类的SAR 图像分割方法,以在不需要标记SAR图像数据的情形下,充分利用已有无标记SAR图像数 据,在传统方法分割结果基础上进一步改善SAR分割结果。实现本发明目的地技术思路是根据迁移学习思想,从与目标任务图像相关而且 可分性较好的已有无标记图像中迁移知识,辅助目标图像的分割。具体步骤包括如下(1)对目标SAR图像和无标记辅助SAR图像的每一个像素点取MXN窗口进行3层 平稳小波变换,提取小波特征;(2)设循环次数变量t的初值为1,利用k-means算法对提取特征后的目标SAR图 像数据聚类,得到目标图像数据的划分类别Yiti = 1,2,3, ...k,以及对应每一类的聚类中 心Citi = 1,2,3,..丄,其中1^为数据类数;(3)对划分后的目标图像数据中的每一类数据利用K-SVD算法训练一个字典,分 别得到目标字典Diti = 1,2,3,... ,k;(4)利用目标图像数据划分后得到的聚类中心Citi = 1,2,3,...k,使用欧式距离 按照最近邻原则从已有无标记SAR图像数据中为每一聚类中心寻找一批可用于辅助目标 图像数据划分的样本Yit' i = l,2,3,...k;(5)利用谱聚类集成算法,对寻找到的所有辅助数据样本聚类集成,并通过标签匹配后,删除寻找得到的每一类数据中标签不稳定的样本,得到净化后的辅助样本数据 Yit" i = 1,2,3, ...k;(6)使用K-SVD算法对净化后的每一批辅助数据样本Yit" i = 1,2,3,. . . k分别 训练辅助字典Dit' i = l,2,3,...k;(7)根据每一类目标字典Dit和对应的辅助字典Dit',利用OMP算法得到每一个样 本y对应的目标稀疏系数Xtm和辅助稀疏系数xsou,并按照下式计算每一个样本y对应k个 数据类的值
权利要求
1.一种基于字典学习的迁移聚类SAR图像分割方法,包括以下步骤(1)对目标SAR图像和无标记辅助SAR图像的每一个像素点取MXN窗口进行3层平稳 小波变换,提取小波特征;(2)设循环次数变量t的初值为1,利用k-means算法对提取特征后的目标SAR图像数 据聚类,得到目标图像数据的划分类别Yiti = 1,2,3,. ..k,以及对应每一类的聚类中心Citi =1,2,3,..1,其中1^为数据类数;(3)对划分后的目标图像数据中的每一类数据利用K-SVD算法训练一个字典,分别得 到目标字典 Diti = 1,2,3,. . .,k ;(4)利用目标图像数据划分后得到的聚类中心Citi= 1,2,3,... k,使用欧式距离按照 最近邻原则从已有无标记SAR图像数据中为每一聚类中心寻找一批可用于辅助目标图像 数据划分的样本Yit' i = l,2,3,...k;(5)利用谱聚类集成算法,对寻找到的所有辅助数据样本聚类集成,并通过标签匹配 后,删除寻找得到的每一类数据中标签不稳定的样本,得到净化后的辅助样本数据Yit" i =1J 2 J 3 J . . . k ;(6)使用K-SVD算法对净化后的每一批辅助数据样本Yit"i = 1,2,3,...k分别训练 辅助字典 Dit' i = l,2,3,...k;(7)根据每一类目标字典Dit和对应的辅助字典Dit',利用OMP算法得到每一个样本y 对应的目标稀疏系数Xto和辅助稀疏系数^。u,并按照下式计算每一个样本y对应k个数据 类的值其中λ i为目标可调参数、λ 2为辅助可调参数、λ 3为距离可调参数;(8)对每一个样本y,找出k个数据中的最小值,并将该最小值所对应的类别标签赋予 样本y,更新目标任务样本标签,进一步更新聚类中心;(9)判断循环次数t是否满足t> T,T为预设定终止循环次数,若满足则执行步骤 (10),否则t = t+Ι,返回步骤(3);(10)输出目标SAR图像的最终分割结果。
2.根据权利要求1所述的迁移聚类SAR图像分割方法,其中步骤(2)所述的利用 k-means算法对提取特征后的目标SAR图像数据聚类,按如下步骤进行(2a)根据目标SAR图像数据的需要划分类别k,在所有目标SAR图像数据样本中随机 选择k个初始聚类中心;(2b)计算所有目标SAR图像数据样本到k个聚类中心的欧式距离;(2c)比较每一个样本到k个聚类中心的距离,选择其中最小值,将该最小值对应类别 标签赋予样本,得到所有目标数据样本标签;(2d)计算每一类目标数据的平均值,得到新的聚类中心;(2e)将新聚类中心值与原聚类中心值进行比较,若比较结果没有发生变化,则得到目 标SAR图像数据的初始划分Yiti = 1,2,3, ...k,以及对应每一类的聚类中心Citi = 1,2, 3,... k,否则返回步骤(2b) 0
3.根据权利要求1所述的迁移聚类SAR图像分割方法,步骤(4)中所述的使用欧式距离按照最近邻原则从已有无标记SAR图像数据中为每一聚类中心寻找一批可用于辅助目 标图像数据划分的样本Yit' i = 1,2,3,... k,按如下步骤进行(4a)分别计算所有辅助SAR图像数据样本到聚类中心Citi = 1,2,3, . . . k的欧式距1 ;(4b)将所有辅助SAR图像数据样本到聚类中心Cit的距离由小到大排序; (4c)从距离聚类中心最近样本开始,选择到聚类中心Cit距离小于到其他聚类中心距 离的辅助数据样本作为聚类中心Cit的可利用辅助划分数据Yit';(4d)返回步骤(4b)直到得到所有聚类中心Citi = 1,2,3,.. . k可利用辅助数据Yit' i Ij 2 j 3 j · · · k ο
4.根据权利要求1所述的迁移聚类SAR图像分割方法,其中步骤(5)所述的删除寻找 得到的每一类数据中标签不稳定的样本,是根据多次聚类标签的匹配结果,判断样本标签 是否稳定,若某一样本的多次聚类结果得到标签基本一致,则该样本标签是稳定的,保留该 样本,否则样本标签不稳定,删除标签不稳定样本,得到净化的可利用辅助数据样本Yit" iIj 2 j 3 j · · · k ο
5.根据权利要求1所述的迁移聚类SAR图像分割方法,其中步骤(7)中所述的根据每 一类目标字典Dit和对应的辅助字典Dit',利用OMP算法得到每一个样本y对应的目标稀 疏系数和辅助稀疏系数&。u,是在目标字典Dit和对应辅助字典Dit'已知的情形下利用 OMP算法分别通过利用下式完成对样本y的稀疏表示,得到目标稀疏系数Xto和辅助稀疏系 数X ·yvSOU,y — Ditxtars. t. I xtar I ο < t0 y — Dit υ· t· IxsauIo ^ t0 其中、为预设定常数称为稀疏度。
全文摘要
本发明公开了一种基于字典学习的迁移聚类SAR图像分割方法,主要解决现有的人工标记SAR图像成本高,且已有无标记SAR图像无法用于辅助目标SAR图像分割的问题。其实现过程是1)对目标SAR图像和无标记辅助SAR图像提取小波特征;2)设定循环终止次数,使用k-means方法对目标SAR图像进行初始划分;3)对每一类目标SAR图像数据训练一个字典;4)从辅助SAR图像数据中为每一类目标SAR数据迁移一组样本;5)利用谱聚类集成方法去除标签不稳定的辅助数据样本;6)用净化后的每一批辅助样本训练一个辅助字典;7)根据目标字典与辅助字典以及对应聚类中心更新样本标签并输出聚类分割结果。本发明具有分割效果好的优点,可用于进一步的SAR图像目标识别。
文档编号G06T5/00GK102122386SQ20111004897
公开日2011年7月13日 申请日期2011年3月1日 优先权日2011年3月1日
发明者乔鑫, 庄广安, 张向荣, 李阳阳, 焦李成, 王爽, 田小林, 缑水平 申请人:西安电子科技大学
网友询问留言 已有0条留言
  • 还没有人留言评论。精彩留言会获得点赞!
1