CN103955696A - 基于随机观测投影和稀疏表示的sar图像分类 - Google Patents

Abstract

本发明公开一种基于随机观测投影和稀疏表示的SAR图像分类，其分割过程为：将训练图像分成N×N小块，逐点读取像素拉成列向量依次存放到矩阵中，并且对矩阵进行随机投影；将投影之后的小块利用k-means聚类，每一类聚出K个纹元；将K个纹元连接到一起，这样得到一个行数为CK的纹元字典；利用Nearest Neighbor原则统计训练图像块的直方图，得到大小为CK×S的分类字典；任给一测试图像，分成小块随机投影之后，利用Nearest Neighbor原则统计测试图像块的直方图，得到h；采用L1magic方法求解方程h＝Ax，得到x；计算残差，得到分类结果。本发明具有特征提取简单，分类正确率高等优点，可用于SAR图像分类。

Description

基于随机观测投影和稀疏表示的SAR图像分类

技术领域

本发明属于图像处理领域，是一种SAR地物分类方法，可应用于图像分类。

背景技术

合成孔径雷达SAR是一种可以产生高分辨率图像的(航空)机载雷达或(太空)星载雷达，可应用于军事，农业，导航，地理监视等诸多领域。它与其它遥感成像系统，光学成像系统相比有很多差异。在军事目标识别方面，SAR图像被广泛的应用在目标检测领域，而SAR图像分类则是从图像处理到图像分析的重要步骤，是目标识别的基础。本质上SAR图像反映的是目标的电磁散射特性和结构特性，其成像效果很大程度上依赖于雷达参数和地域电磁参数。SAR成像的特殊性使得针对该类图像的分割方法有别于普通光学图像：非光学成像方式导致SAR图像灰度级变化缓慢，因此光学图像常用的分类方法对此类图像收效甚微；SAR图像含有大量相干斑噪声，而常规分类方法通常对噪声具有很高的敏感度，不宜用于此类图像。

在具体的SAR图像分类算法研究方面，Escalante-Ramirez Boris等人提出了基于方向导向的离散共轭转换（DHT）的SAR图像分类方法，Rob J.Dekker等人研究了基于纹理分析的SAR图像城区分类方法，Bruno Aiazzi等利用纹理特征提出了增强的模糊最近邻域均值聚类算法，Jong-Sen Lee等利用分解散射模型和最大似然分类器对SAR图像地物进行无监督的分类，该方法都较好的保留图像的极化域散射特性。

随着统计学习理论基础上发展了通用学习算法——支持向量机后，LotharHermes等人利用SVM分类器对SAR图像土地使用情况进行了分类，国内也有利用纹理分析的最大似然分类法、利用纹理特征的SAR地物的神经网络分类算法等等。以上分类方法基本都要进行复杂的特征提取，以提高分类正确率。

发明内容

本发明的目的在于克服上述已有技术的不足，提出一种基于稀疏表示和随机观测的SAR图像分类方法。

实现本发明目的的技术方案是：首先寻找C类不同地物的训练图像，每类S幅图像，其中C≥2,S≥1；执行如下步骤：

步骤一、将训练图像分成小块，得到观测矩阵T_ij,按类别依次存放到矩阵Y_i(i＝1,…，C)中；

步骤二、将得到的矩阵Y_i转置得到Y_i ^T，对Y_i ^T的行利用K-means进行聚类，每一类训练图像聚出K(K＜S)个纹元；

步骤三、将C类训练图像中的每一类训练图像聚出的K个纹元依次连接到一起，得到一个行数为CK的纹元字典D；

步骤四、计算训练图像小块投影向量与CK个纹元的距离，统计训练图像的直方图分布情况，得到大小为CK×CS的分类字典A；

步骤五、任给一幅测试图像，计算其与CK个纹元的距离，统计测试图像的直方图，得到h；

步骤六、令h＝Ax，解得x；

步骤七、使用x依据残差最小确定测试图像所属的类别。

本发明使用高效新颖的特征提取工具——随机观测投影（RP）和词袋模型相结合的方法，提取图像中的有效信息，降低数据维数，计算待分类图像的统计直方图，构造类别模型字典。本发明将随机投影嵌入到词袋模型中提取特征，得到测试图像的直方图统计模型，省去复杂的特征提取过程，同时利用稀疏表示方法进行分类，提高SAR图像分类的正确率。与现有的技术相比具有以下优点：

1、本发明由于使用简单方便的特征提取方法——随机观测投影（RP）和词袋模型相结合，能够对SAR图像进行特征提取，减少冗余，降低数据维数；

2、本发明计算了图像的统计直方图来做为特征，代替原始图像的像素灰度信息，更有利于保持图像的结构信息，去除冗余信息，分类正确率受噪声影响较小；

3、本发明由于采用了稀疏表示的方法进行分类，分类更有针对性；

4、仿真结果表明，本发明方法较随机观测最近邻分类更佳有效。

附图说明

图1是本发明的流程示意图；

图2是本发明三类地物训练图像每类的一个训练样本图；

图3是本发明三类地物测试图像每类的一个测试样本图；

具体实施方式

参照图1，本发明的具体实现步骤如下：

首先寻找C类不同地物的训练图像，每类S幅图像，其中C≥2,S≥1；执行如下步骤：

步骤一、将训练图像分成小块，得到观测矩阵T_ij，按类别依次存放到矩阵Y_i(i＝1,…，C)中。

将C类不同地物的训练图像（每类S幅）中的每一幅，分别以选取的每幅训练图像的像素点为中心依次选取大小为M×N的小块，每个小块对应一个列向量，将每个小块中的所有像素的值作为列向量的元素，将S幅中的每幅训练图像的小块对应的列向量依次存放到矩阵P_ij(i＝1,…，C,j＝1,…,S)中，对矩阵P_ij进行随机投影T_ij=φP_ij，然后每类随机选取s个随机投影后矩阵即T_ij，按类别依次存放到矩阵Y_i(i＝1,…，C)中，其中S≥s≥1，M≥1，N≥1，φ是固定的投影矩阵。

以选取的每幅训练图像的像素点为中心选取大小为M×N的小块如果超过训练图像的边界，可以采用镜像扩展的方法，或者舍弃这些小块。

以三类地物为例，例如图2中训练图像有三类，分别是（a）城市、(b)农田和（c）山脉。当然，训练图像不限于这三类，也不限于三类，可以是多个。将三类地物的训练图像分别分成小块，以一定的规则逐点读取每个小块中的每个像素的值作为列向量的一个元素，将S幅中的每幅训练图像的小块对应的列向量依次存放到矩阵P_ij(i＝1,…，C,j＝1,…,S)中，对矩阵P_ij进行随机投影T_ij=φP_ij，然后每类随机选取s个随机投影后矩阵即T_ij，按类别依次存放到矩阵Y_i(i＝1,…,C)中，得到Y_i。投影矩阵φ为W行M×N列，每次实验中φ是固定的，不会随类别数而改变，投影矩阵的行数W根据降低数据维数的需要选择。优选地，投影矩阵的行数W为小块大小的30%左右，即W等于M×N×30%向上或者向下取整。

以一定的规则逐点读取包括但不限于逐行或者逐列。

每类的s幅图像中每幅图像投影后存放到矩阵Y_i(i＝1,…,C)可以不考虑顺序，即可以先存第1幅，最后存第s幅，也可以先存第s幅，最后存第1幅，也可以在中间存第1幅。

投影矩阵φ可以由相互独立的0均值正态分布构成。

优选地，M＝N≥2；更优选的，M＝N≥2，且M为奇数。

步骤二、将得到的矩阵Y_i转置得到Y_i ^T，对Y_i ^T的行利用K-means进行聚类，每一类训练图像聚出K(K＜S)个纹元。

K-means算法是每个样本（也就是这里的每个小块）按行聚类，即行跟行之间聚类，不是每一行内聚类。由于原来是按列存放的，故先将矩阵Y_i转置Y_i ^T。

K个纹元的列数和Y_i ^T一样，是W。

步骤三、将C类训练图像中的每一类训练图像聚出的K个纹元依次连接到一起，得到一个行数为CK的纹元字典D。

纹元字典D的列数依旧是W。

将步骤二中得到的C类训练图像中的每一类图像的K个纹元放到一起，每一类图像的K个纹元顺序无所谓，并且将三个类别图像的K个纹元顺序放到一起，这样得到一个行数为CK的纹元字典D，也就是词袋模型中的视觉单词。

步骤四、计算训练图像小块投影向量与CK个纹元（即步骤三中的纹元字典D）的距离，统计训练图像的直方图分布情况，得到大小为CK×CS的分类字典A。

利用Nearest Neighbor原则计算步骤一中得到的观测矩阵T_ij中的列向量（每列）跟步骤三中得到的C类训练图像聚出的CK个纹元（即步骤三中的纹元字典D）之间的距离，在距离最小的纹元所处的位置上计数。

对所有C个类别的S幅训练图像直方图统计完毕之后，就生成一个大小为CK×CS的字典A。

步骤五、任给一幅测试图像，计算其与CK个纹元（即步骤三中的纹元字典D）的距离，统计测试图像的直方图，得到h。

计算方法与步骤四中的方法相同，步骤四中统计了CS幅训练图像，步骤五中仅统计了一幅测试图像。

步骤六、令h＝Ax，解得x。

求解欠定方程：s.t.h=Ax。

求解上述欠定方程是NP难问题，对于上述欠定方程，压缩感知理论已经证明，在满足某些条件下0范数优化问题等价于1范数优化问题，因此我们采用L1-magic工具包求解方程：s.t.h=Ax得到x。

步骤七、使用x依据残差最小确定测试图像所属的类别。

计算残差r_i(h)=||h-Aδ_i(x)||，其中i=1,…,C，对于步骤六当中得到的解x，函数δ_i(x)表示只取x中i类别位置上的数据，其它类别数据取0，计算残差r_i(h)=||h-Aδ_i(x)||，其中i=1,…,C。

计算argmin_ir_i(h)，测试图像h属于残差最小的那一类别，得到分类结果

本发明的的效果可通过以下仿真进一步说明：

1、实验条件和内容

实验条件：实验所使用的测试图像样本是图2所示（每类只取了1幅，图像大小为128×128），图2中a是城市的测试图像，b是农田的测试图像，c是山脉的测试图像。实验所使用的测试图像样本是图3所示（每类只取了1幅），图3中a是城市的测试图像，b是农田的测试图像，c是山脉的测试图像。实验所使用实验中，各种算法都是使用matlab语言编程实现。

实验内容：在上述实验条件下，分别将图像分成7×7、9×9、11×11和13×13大小的图像块，对比在不同块大小、不同纹元个数以及不同随机观测维数情况下的正确率。对比实验中构造纹元字典的步骤一样，最后分类采取的是Nearest Neighbor原则。由于随机观测矩阵是随机产生的，每次实验生成的矩阵不同，所以本实验所有的正确率都是做了5次实验取的平均正确率。

2、实验结果对比及分析

分别将图像分成7×7、9×9、11×11和13×13大小的图像块，每个类别聚类得到的纹元个数一定，都是20个，随机观测矩阵的维数选取为图像块大小的30%左右，即对于7×7大小的图像块φ的维数为16维，对于9×9大小的图像块φ的维数为27维，11×11大小的图像块φ的维数为40维，对于13×13大小的图像块φ的维数为56维，分类正确率如图1所示。从表中可以看出，随着图像块的增大，分类正确率略有降低，但是整体上比近邻分类器（NN）正确率要高。

表1

图像块大小	本发明方法	NN
			7×7	96.67%	93.67%
9×9	93.11%	90.67%
			11×11	92%	91%
13×13	94.33%	93.33%

图像块大小一定，都取成11×11大小，每个类别聚类得到的纹元个数也一定，都是20个，随机观测矩阵的维数不同，分类正确率如表2所示，从表中可以看出随着随机观测矩阵的维数变化，分类正确率略有变化。

表2

观测维数

本发明方法

NN

10/121	95.33%	89%
			20/121	94.33%	90.33%
30/121	95%	90.67%
			40/121	92%	91%
50/121	94%	93.67%
			80/121	94%	93.67%

图像块大小一定，都取成11×11大小，随机观测矩阵的维数相同，都取成40维，每个类别聚类得到的纹元个数不同，分类正确率如表3所示，从表中可以看出随着纹元个数增多，分类效果越好，当然相应的计算机时间也长。

表3

纹元个数	本发明方法	NN
			10	92%	90.33%
20	92%	91%
			30	94.33%	93%

Claims (6)

1.一种基于随机稀疏表示和随机观测向量的SAR图像分类方法，其特征在于，

首先寻找C类不同地物的训练图像，每类S幅图像，其中C≥2,S≥1；然后执行如下步骤：

步骤一、将训练图像分成小块，得到观测矩阵T_ij，按类别依次存放到矩阵Y_i(i＝1,…,C)中；

步骤二、将得到的矩阵Y_i转置得到Y_i ^T，对Y_i ^T的行利用K-means进行聚类，每一类训练图像聚出K(K＜S)个纹元；

步骤三、将C类训练图像中的每一类训练图像聚出的K个纹元依次连接到一起，得到一个行数为CK的纹元字典D；

步骤四、计算训练图像小块投影向量与CK个纹元的距离，统计训练图像的直方图分布情况，得到大小为CK×CS的分类字典A；

步骤五、任给一幅测试图像，计算其与CK个纹元的距离，统计测试图像的直方图，得到h；

步骤六、令h＝Ax，解得x；

步骤七、使用x依据残差最小确定测试图像所属的类别。

2.根据权利要求1所述的SAR图像分类方法，其中所述将训练图像分成小块，得到观测矩阵T_ij具体包括：

将C类不同地物的训练图像（每类S幅）中的每一幅，分别以选取的每幅训练图像的像素点为中心依次选取大小为M×N的小块，每个小块对应一个列向量，以一定的规则逐点读取每个小块中的所有像素的值作为列向量的一个元素，将S幅中的每幅训练图像的小块对应的列向量依次存放到矩阵P_ij(i＝1,…,C,j＝1,…,S)中，对矩阵P_ij进行随机投影T_ij=φP_ij，然后每类随机选取s个随机投影后矩阵T_ij，按类别依次存放到矩阵Y_i(i＝1,…,C)中，其中S≥s≥1，M≥1，N≥1，φ是W行M×N列固定的投影矩阵，投影矩阵的行数W根据降低数据维数的需要选择。

3.根据权利要求2所述的SAR图像分类方法，其中，以选取的每幅训练图像的像素点为中心选取大小为M×N的小块如果超过训练图像的边界，可以采用镜像扩展的方法，或者舍弃这些小块。

4.根据权利要求2所述的SAR图像分类方法，其中，投影矩阵的行数W等于M×N×30%向上或者向下取整。

5.根据权利要求2所述的SAR图像分类方法，其中，以一定的规则逐点读取包括但不限于逐行或者逐列。

6.根据权利要求2所述的SAR图像分类方法，其中，M＝N≥2，且M为奇数。