专利名称：基于字典学习和稀疏表示的sar图像分割方法
技术领域：
本发明属于图像处理技术领域，涉及SAR图像分割，用于SAR图像目标识别。
背景技术：
合成孔径雷达SAR具有全天时、全天候的探测与侦察能力。它利用脉冲压缩技术 获得高的距离分辨率，利用合成孔径原理提高方位分辨率，从而相比真实孔径雷达在遥感 领域具有独特的优势。对SAR图像的理解和解译属于图像处理范畴，还涉及信号处理，模式 识别及机器学习等众多学科。由于SAR具有的独特作用，使得SAR图像的理解与解译在国 防和民用领域正受到越来越广泛的关注，SAR图像分割作为SAR图像后续解译处理的关键 环节之一，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分割方法 和基于边缘的分割方法，如阈值分割、聚类的方法、形态学的方法、及随机场的方法等。目前已经有很多成熟的聚类算法被用到SAR图像分割中。但是大部分基于聚类的 SAR图像分割方法都要对图像特征提取，特征提取虽然是线下过程，但是由于需要对图像的 每一个像素点分别进行特征提取，所以这一过程十分耗时，同时在聚类过程中一般要使用 某种距离测度，如欧氏距离、流形距离，来计算样本之间的相似度，使用某种距离则会受限 于该种距离测度方法的固定缺陷的限制如欧氏距离仅对球形分布数据效果较好，而流形距 离仅对具有流形分布的数据效果较好，在数据分布未知情况下，若强制使用某种距离测度 方法，可能会导致最终SAR图像分割效果较差。
发明内容
本发明的目的在于克服上述已有技术的不足，提出了一种基于字典学习和稀疏表 示的SAR图像分割方法，以降低图像特征提取花费的时间，并在图像数据分布未知情况下， 提高SAR图像的分割结果。实现本发明目的的技术思路是从待分割图像随机选取的少量像素点提取纹理特 征，得到纹理特征样本，然后对纹理特征样本利用谱聚类方法进行聚类，得到纹理特征样本 的初始标签，根据纹理特征标签样本，进一步采用字典学习和稀疏表示方法得到图像中所 有像素点的标签。具体步骤包括如下(1)输入待分割SAR图像，确定需要将图像划分的类数k ；(2)以待分割SAR图像中每个像素点为中心提取wXw的窗口样本，得到规模为m 的测试样本集X，从提取的所有测试样本中随机选择η个作为训练样本集Y，其中η < < m ；(3)对规模为11的训练样本集Y，提取训练数据样本窗口中心所在像素点的小波能 量特征，得到规模为η的小波特征数据集Y'，该小波特征数据集Y'中的样本与训练样本 集Y中的样本一一对应；(4)用谱聚类算法对小波特征数据集Y'进行聚类，得到小波特征数据集Y'的类 别划分，同时得到训练样本集Y的类别划分Yi, i = 1，2，3，... k ；(5)对划分后的每一类训练样本Yi, i = 1，2，3，...k，利用K-SVD算法分别训练，得到相应的字典Di, i = 1,2,3,... ,k；(6)利用正交匹配追踪OMP算法求解测试样本s在Di上稀疏表示向量，得到稀疏 向量 α S i = 1，2，3，· · ·，k，s e X ；(7)令=z+ = l,2,3,...,Λ表示测试样本8在01上的重构误差，对该 误差进行高斯函数平滑，得到新的误差函数力i = l,2,3,...,/c；(8)根据新的误差函数kS,D1) = RiS^iYGa求解测试样本S的标签 l(S) = argmmR(S,Di) / = 1,2,3,...,Λ，得到每个测试样本的类别标签 1 (S) e {1,2,3,..., k}，即得到图像分割结果。本发明与现有技术相比具有以下优点(1)本发明不需要对图像中的每一个像素点提取纹理特征，而是直接对图像中的 每个像素点提取窗口作为样本，所以大大节省了图像线下提取特征所要花费的时间。(2)在本发明中使用的字典学习稀疏表示方法能够深层挖掘表示图像的信息，根 据字典对样本的重构误差最小化原则来确定样本的标签将会避免使用一般距离测度方法 带来的缺陷，得到更好的图像分割结果。
图1是本发明的实现流程图；图2是本发明与现有方法对二类SAR图像的分割结果对比图；图3是本发明与现有方法对三类SAR图像分割结果对比图。
具体实施例方式参照图1，本发明的具体实施过程如下步骤1.输入待分割图像，根据图像内容，判断需要识别的主要目标及背景，确定 分割类数k，本实例中的k取值为2和3。步骤2.对待分割图像提取训练样本和测试样本。以图像中每个像素点为中心提取大小为pXp的窗口，得到规模为m的测试样本集 F，m为待分割图像的像素点总数目，然后从测试样本集中随机选择η个样本，得到训练样本 集Y，η远远小于m。步骤3.对训练样本集Y提取小波特征。SAR图像具有丰富的幅度、相位、极化和纹理信息，为了使每一个训练样本获得更 加准确标记，在对训练样本集划分前需要对其进行纹理分析，提每个取训练样本的小波纹 理特征，具体步骤如下(3a)取训练样本集Y中的训练样本T ；(3b)对训练样本T进行三层小波分解；(3c)计算小波分解后的训练样本T的小波特征e
1W W^ = —Σ Σ lcoe/0'，J)\ ；
WXW !=1 ;=1其中，wXw为训练样本T对应窗口大小，本实例取值为16X16，coef(i，j)为小波分解后得到的小波子带中第i行第j列的系数值；(3d)重复步骤(3a)_(3c)，计算下一训练样本的小波特征，直到计算完成训练样 本集Y中所有训练样本的小波特征，得到小波特征数据集Y'。步骤4.用谱聚类算法对小波特征数据集Y'进行聚类。Ga)根据下式计算小波特征数据集Y'中的两个不同小波特征样本y'」 之间的相似度值V”，构建相似度矩阵W
_4]I )，/,7 = 1,2,3,..., ；
2σW= [WijJijJ = 1,2, 3,..., η；其中y' , e Y'，y' JV中的第i个样本，y'」e Y'，y'」为Y'中的第j 个样本，σ为尺度参数；(4b)利用相似度矩阵W计算拉普拉斯矩阵L = A-172WA-172,
A1100 ..0...00A770..0...0
其中Λ为对角矩阵，A =0LL 0A,...0...0000 ..0...Λ Aii为对角线元素
权利要求
1.一种基于字典学习和稀疏表示的SAR图像分割方法，包括以下步骤(1)输入待分割SAR图像，确定需要将图像划分的类数k；(2)以待分割SAR图像中每个像素点为中心提取pXp的窗口样本，得到规模为m的测 试样本集F，从提取的所有测试样本中随机选择η个作为训练样本集Y，其中η < < m ；(3)提取训练样本集Y中的训练样本的小波特征，得到规模为η的小波特征数据集 Y'，该小波特征数据集Y'中的样本与训练样本集Y中的样本一一对应；(4)用谱聚类算法对小波特征数据集Y'进行聚类，得到小波特征数据集Y'的类别划 分，同时得到训练样本集Y的类别划分Yi, i = 1，2，3，... k ；(5)将划分后的每一类训练样本Yi,i = 1，2，3，...k，利用K-SVD算法分别训练，得到 相应的字典 Di, i = 1，2，3，. . .，k ；(6)利用正交匹配追踪OMP算法求解测试样本S在Di上稀疏表示向量，得到稀疏向量 α、i = 1，2，3，· · ·，k，S e F ；(7)令=A^f表示测试样本S在Di上的重构误差函数，对该误差函数进行 高斯函数平滑，得到误差函数力=/ =⑶根据新的误差函数kS,D1) = RiS^yGa求解测试样本S的标签 l(S) = argmmR(S,Di) / = 1,2,3,...,Λ，得到每个测试样本的类别标签 1 (S) e {1,2,3,..., k}，即得到图像分割结果。
2.根据权利要求1所述的字典学习和稀疏表示的SAR图像分割方法，其中步骤(3)所 述的提取训练样本集Y中的训练样本的小波特征，按如下步骤进行(3a)取训练样本集Y中的训练样本T ；(3b)对训练样本T进行三层小波分解；(3c)计算小波分解后的训练样本T的小波特征e 1W W^=—Σ Σ Icoe/^-/')!5WXW !=1 ;=1其中，wXw为提取的训练样本T对应窗口的大小，coef(i, j)为训练样本T经小波分 解后得到的小波子带中第i行第j列的系数值；(3d)重复步骤(3a) _(3c)，计算下一训练样本的小波特征，直到计算完成训练样本集Y 中所有样本的小波特征，得到小波特征数据集Y'。
3.根据权利要求1所述的字典学习和稀疏表示的SAR图像分割方法，其中中步骤(4) 所述的用谱聚类算法对小波特征数据集Y'进行聚类，按如下步骤进行Ga)根据下式计算小波特征数据集Y'中的特征样本y'彳之间的相似度值Wij,构建相似度矩阵W:II·' -[I22σW = [Wij], i，j = 1，2，3，· · ·η ；其中y' i e γ' , y' AV中的第i个样本，y'」e γ' , y'々V中的第j个 样本，σ为尺度参数；(4b)利用相似度矩阵W计算拉普拉斯矩阵L 其中Λ为对角矩阵，其对角线元素；=1(4c)对拉普拉斯矩阵L进行矩阵特征值分解，得到拉普拉斯矩阵L最大的前k个特征 值入工彡A2^...彡A1^P与这些特征值对应的k个特征向量么7，...，/，利用1^个特 征向量构建特征向量矩阵U = [ν1, ν2，…，vk]；(4d)根据下式规范化特征向量矩阵U，得到规范化后的特征向量矩阵U' U' = [U' ij], i = 1,2,3, .. .n, j = 1,2,3, k ；其中f/y_ =f/y_/(i仏2)1/2，uu为特征向量矩阵U中第i行第j列的元素；；=1(4e)用k-means算法对规范化后的特征向量矩阵U'按行聚类，得到对应小波特征数 据集Y'的划分，将小波特征数据集Y'的划分结果作为训练样本集Y的划分结果，得到Yi, ι 1，2，3，· · · kο
4.根据权利要求1所述的字典学习和稀疏表示的SAR图像分割方法，其中中步骤(5) 所述的对划分后的每一类训练数据利用K-SVD算法训练一个字典得到Di, i = 1，. . .，k，按 如下步骤进行(5a)取训练样本集合中的第j类数据Yi, j初值为1，令Yt = Yj ； (5b)根据下式利用正交匹配追踪OMP方法，完成对Yt的稀疏编码 Yt = DX s. t. I Xi 10 ( t0其中，Yt为需要稀疏表示的样本集合，D为用来稀疏表示的字典，X为样本经字典稀疏 表示后的得到稀疏矩阵；Xi为稀疏矩阵X的第i列，、为预设定稀疏向量中的非零元素个 数，称为稀疏度；(5c)对字典D中所有原子Cli i = 1，2，3. . . L进行如下更新，原子Cli指字典中的第i个 列向量，L为字典中原子个数首先，从样本集合Yt中找出使用原子Cli的所有样本，取样本序号，得到具有1! 个元素 的序号集合ω :ω = {kl|彡k彡n，XiGO乒0}，其中Xi为对样本集合Yt稀疏编码后得到 的稀疏矩阵X的第i行；接着，令稀疏矩阵X的第i行元素全部为零，得到新矩阵X'，计算字典D与新矩阵X' 对样本集合Yt的重构误差矩阵Ei Ei = Yt-DX'；然后，依据序号集合ω中所有序号，取所有ηω个序号对应的误差矩阵Ei中的ηω个列 向量，构成特异误差矩阵最后，应用公式￡f = f/Δ产对特异误差矩阵￡f进行矩阵奇异值分解，并用分解行矩阵U 的第一列替换所要更新的原子屯，并用对角矩阵Δ中的第一行第一列的元素Δ (1,1)乘以 分解列矩阵V的第一个列向量得到一个新的向量，利用该新的向量替换Xi^i为稀疏矩阵X 的第i行；(5d)判断是否满足j彡k，若满足，则得到字典Di, i = 1，...，k，否则j = j+1，返回步 骤(5a)计算下一类训练数据对应字典；(5e)重复步骤步骤(5a)_(5d)，直到得到所有类别的训练数据的对应字典Di, i = ·1，...,K。
全文摘要
本发明公开了一种基于字典学习和稀疏表示的SAR图像分割技术，主要解决现有特征提取需要花费大量时间以及距离测度具有一定缺陷的问题。其实现过程是1)输入待分割图像，确定分割类数k；2)为待分割图像每个像素点提取p×p窗口得到测试样本集，从测试样本集中随机选择少量样本得到训练样本集；3)提取训练样本集小波特征；4)利用谱聚类算法对训练样本集进行划分；5)对每一类训练样本，应用K-SVD算法训练字典；6)求解测试样本在字典上稀疏表示向量；7)计算测试样本的重构误差函数；8)根据重构误差函数求测试样本标签，得到图像分割结果。本发明具有分割快速且效果好的优点，该技术可以进一步用于SAR图像自动目标识别。
文档编号G06K9/66GK102129573SQ201110057719
公开日2011年7月20日 申请日期2011年3月10日 优先权日2011年3月10日
发明者刘若辰, 庄广安, 庄雄, 张向荣, 杨静瑜, 焦李成, 王爽, 缑水平 申请人:西安电子科技大学