基于稀疏编码分类的sar图像检索方法
【专利摘要】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。
【专利说明】基于稀疏编码分类的SAR图像检索方法
【技术领域】
[0001]本发明属于SAR图像处理领域，涉及一种基于稀疏编码的SAR图像检索方法，可以准确的对SAR图像进行分类并实现检索，有效地降低了相干斑噪声对SAR图像分类结果的影响。
【背景技术】
[0002]合成孔径雷达一SyntheticApertureRadar,是一种从空间对地观测的有效手段，已经广泛的应用到了军事侦察，地貌观测，城市规划等方面。随着近年来SAR成像技术的提高，SAR图像的数量呈现爆炸式的增长，针对SAR图像数据量多，自身噪声大的特点，如何从海量的SAR图像库中高效、准确地检索出所需要的图像已经成为亟待解决的问题。
[0003]随着信息技术的发展，图像的检索方法已经从最初的基于文本的检索方法转变成了基于内容的检索方法，该方法可以直接对图像进行分析，特征提取，相似度分析并实现检索。目前，主要的图像检索系统包括:IBM开发的QBIC系统，Virage系统，Stanford大学研究开发的SIMPLIcity系统，清华大学研究的Internet平台的静态图像检索系统和中科院开发的Mires图像检索原型系统。这些系统所用的数据库包含了自然图像，生物图像，多光谱图像等，但针对SAR图像的特殊性，这些系统并不适用。
[0004]图像分类是实现基于内容的图像检索的关键环节。目前，常用的图像分类方法主要分为两类:有监督的方法和无监督的方法。有监督的分类方法包括:最近邻和k_近邻，贝叶斯分类器，支持向量机和神经网络。这些方法可以快速准确的实现图像的分类，但是因为在处理过程中需要模型的建立和学习，方法的时间复杂度较高；无监督的图像分类方法有聚类分析和模糊聚类分析。这两种方法的实现过程更为快速，但是分类的准确度却比较低。因此，如何快速准确的实现SAR图像的分类，是解决SAR图像检索的重要问题。
【发明内容】
[0005]本发明的目的在于针对上述已有的系统和方法的缺点，提出了一种基于稀疏编码分类的有监督SAR图像检索方法，它可以快速的求解出全局最优的稀疏解。该方法不仅能够减少SAR图像处理的计算复杂度，并且可以有效地降低相干斑噪声对SAR图像检索结果造成的影响。
[0006]本发明的技术方案是，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:
[0007]步骤101:开始基于稀疏编码分类的SAR图像检索；
[0008]步骤102:在SAR图像库中选取训练图像，读入这些图像，本专利中选用的每幅图像大小为256X256，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7X7 ；
[0009]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；
[0010]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 = l，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GXG的方阵，记
【权利要求】
1.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，本专利中选用的每幅图像大小为256X256，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7X7 ； 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PijW，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 = l，2r"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GXG的方阵，记
2.根据权利要求1所述的基于稀疏编码分类的SAR图像检索方法，其特征是: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], Xi代表其中一类训练样本，X i=[ α 1； α 2，...a J，训练样本总的类别数为η ; 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Τ，将残差值大于阈值的所对应的训练样本提出，组成新的局部过元备子典A1 = [x1； x2,...xk]； 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I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SiX Si e RmXn)，分别提出稀疏解X中各类的系数，构建出新的稀疏解Si(X)0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4 >
3.根据权利要求2所述的基于稀疏编码分类的SAR图像检索方法，其特征是:所述的步骤204，包括如下步骤: 步骤301:开始利用基于双重局部搜索的Memetic算法求解稀优化方程，得到稀疏解；步骤302:个体的选取及编码，将局部过完备字典A1中的训练样本的位置作为个体进行编码，编码方式采用十进制编码方式，设每个个体中包含五个样本位置； 步骤303:将五个编码位置对应的训练样本提出组成新的字典弋，利用匹配追踪算法一MP,求解优化问题y=Ax，得到该字典下的稀疏系数； 步骤304:适应度函数的选择:将待分类样本y和重构样本f的差的二范数设为适应度函数，二范数的值越小表示适应度越高； 步骤305:判断适应度值是否满足第一个终止条件一残差值小于设定值或达到最大迭代次数，若满足，则直接跳转至步骤310，否则继续执行步骤306 ； 步骤306:选择，根据适应度值的高低对样本进行选择，保留优秀个体，即适应度较高的个体； 步骤307:交叉，交叉的方式为随机产生一个交叉点，将交叉点后面的部分进行交换，相邻的个体两两交叉，在本发明的实施例中，交叉概率设为0.6 ； 步骤308:变异，变异的方式为随机选取单点进行变异，在本发明的实施例中，变异概率设为0.01 ；步骤309:第一阶段局部搜索，在每次迭代后得到较优的个体时，在局部字典A1中将每个位置的左右η个邻域位置作为局部搜索候选选区，在候选区内重新根据适应度的高低进行选择，更新现有的较优个体；当完成第一阶段局部搜索后，回到全局搜索过程步骤304，计算个体的适应度值，进行下一执行指令的判断； 步骤310:第二阶段的局部搜索，当完成所有迭代过程后，按照步骤309中的搜索的方法，在整个过完备字典A中再次进行一次局部搜索； 步骤311:判断是否满足终止条件一残差值小于设定值或达到最大迭代次数，若满足进行步骤312，否则返回步骤310 ； 步骤312:输出最终的满足条件的全局最优个体，个体中的位置即为我们所需要的稀疏系数所在的位置； 步骤313:结束利 用基于双重局部搜索的Memetic算法求解稀疏解的过程。
【文档编号】G06F17/30GK103714148SQ201310733522
【公开日】2014年4月9日 申请日期:2013年12月24日 优先权日:2013年12月24日
【发明者】焦李成, 马文萍, 高晓莹, 尚荣华, 杨淑媛, 马晶晶 申请人:西安电子科技大学