CN105913083B - 基于稠密sar-sift和稀疏编码的sar分类方法 - Google Patents
基于稠密sar-sift和稀疏编码的sar分类方法 Download PDFInfo
- Publication number
- CN105913083B CN105913083B CN201610217899.1A CN201610217899A CN105913083B CN 105913083 B CN105913083 B CN 105913083B CN 201610217899 A CN201610217899 A CN 201610217899A CN 105913083 B CN105913083 B CN 105913083B
- Authority
- CN
- China
- Prior art keywords
- sar
- gradient
- indicate
- feature
- value
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
- G06F18/24133—Distances to prototypes
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Radar Systems Or Details Thereof (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于稠密SAR‑SIFT和稀疏编码的SAR分类方法,主要解决现有特征提取算法无法从具有相干斑噪声的SAR图像中有效的提取特征的问题。其实现步骤为:(1)利用稠密SAR‑SIFT提取图像的局部特征;(2)设定字典原子数用K‑means聚类算法对局部特征进行聚类构造字典;(3)对局部特征进行稀疏空间编码得到特征编码;(4)对图像的特征编码进行空域最大值池化,得到图像的特征向量;(5)采用快速稀疏SVM分类器对特征向量进行分类。该发明与现有方法相比,可以抑制相干斑噪声的影响,提升了分类精度,并且采用稀疏空间编码方式加速了分类的速度。
Description
技术领域
本发明属于图像处理技术领域,更进一步涉及合成孔径雷达图像的目标分类方法中的一种基于稠密合成孔径雷达尺度不变特征转换SAR-SIFT(Synthetic ApertureRadar-Scale Invariant Feature Transform)和稀疏编码的合成孔径雷达SAR(SyntheticAperture Radar)分类方法,本发明可利用于SAR图像地面目标的分类与识别。
背景技术
合成孔径雷达是一种高分辨率成像雷达,因其具有全天候全天时获取战场情报和具有一定地面和植被穿透能力的特点,成为军事侦察和打击效果评估的重要手段,如何将复杂的SAR图像数据转化为可利用的有效信息是当前对SAR图像处理和应用的关键问题。为了提高SAR技术军事应用能力,开展SAR图像目标分类和识别等相关研究,提升SAR技术的应用水平,对提升国防实力有着非常重要的意义。目前主流的SAR图像目标分类方法包括:
电子科技大学在其申请的专利“一种SAR图像目标识别方法”(专利申请号:201210201460.1,公开号:CN102737253A)中提出了一种SAR图像目标识别的方法。该方法利用稀疏表示理论将目标数据表示为训练样本的线性组合,通过求解最优化问题得到具有可区分能力的近似非负稀疏系数,然后基于各类别系数和的大小确定样本的类别。该方法存在的不足之处是,测试数据的分类过程中需要以训练数据为字典,计算测试数据的编码,通常训练数据数量较多,导致方法的编码速度很低。
西安电子科技大学在其申请的专利“基于稀疏表示的SAR图像目标识别方法”(专利申请号:201410234328.X,公开号:CN103984966A)中提出了一种SAR图像目标识别方法。该方法对SAR图像提取尺度不变特征转换SIFT特征,然后对特征进行稀疏编码得到特征编码,对SAR图像构造空间金字塔,并进行最大值池化操作,得到SAR图像的特征向量,然后采用稀疏表示分类器对SAR图像进行分类。该方法存在的不足之处是,尺度不变特征转换SIFT特征受SAR图像中相干斑噪声的影响,无法有效的提取SAR图像中的局部特征,导致方法的分类准确率较低。
发明内容
本发明的目的是克服上述现有技术的不足,提供一种基于稠密SAR-SIFT和稀疏编码的SAR分类方法。本发明与现有技术中其他合成孔径雷达SAR图像分类技术相比计算量降低,耗时短,分类精度有所提高。
本发明实现上述目的的思路是:先用稠密SAR尺度不变特征转换SAR-SIFT提取合成孔径雷达SAR图像的局部特征,然后对局部特征进行稀疏空间编码得到特征编码,对图像的特征编码建立三层金字塔,在三层金字塔上对特征编码进行空域最大值池化,得到合成孔径雷达SAR图像的特征向量,将训练集SAR图像的特征编码输入到快速稀疏支持向量机分类器进行训练,得到训练好的模型,将测试集SAR图像的特征编码输入到训练好的模型,输出得到分类结果。
本发明实现的具体步骤包括如下:
(1)读入SAR图像:
从SAR分类数据集中读入训练集和测试集SAR图像;
(2)提取SAR图像局部特征:
(2a)利用指数加权均值比ROEWA算法,计算训练集和测试集中的所有SAR图像的梯度图像,得到训练集和测试集中的所有SAR图像的梯度图像;
(2b)在每一幅SAR图像对应的梯度图像内,距离梯度图像的四个边15个像素的位置设置一个矩形;
(2c)在矩形中选取任选一个像素点作为当前点;
(2d)以当前点为圆心,在梯度图像中布置半径分别为5、12、16个像素的三个同心圆;
(2e)将半径为5和12的两个圆组成一个圆环,将半径为12和16的两个圆组成另一个圆环,以同心圆的两个圆环的圆心为原点建立直角坐标系,用一三象限分界线和二四象限分界线将两个圆环分割成8个扇环,加上半径为5的圆形共得到9个子区域;
(2f)从9个子区域中任选一个子区域;
(2g)采用梯度向量计算方法,计算所选子区域对应的梯度向量,得到长度为8的梯度向量;
(2h)判断9个子区域是否选取完,若是,则执行步骤(2i),否则,执行步骤(2f);
(2i)将9个子区域的长度为8的梯度向量首尾相连,组成72维的当前点的稠密SAR尺度不变特征转换SAR-SIFT特征;
(2j)判断矩形中所有像素点是否选取完毕,若是,则执行步骤(3),否则,执行步骤(2c);
(3)构造字典:
(3a)在训练集的所有图像的稠密SAR尺度不变特征转换SAR-SIFT特征中,随机抽取34900个稠密SAR尺度不变特征转换SAR-SIFT特征;
(3b)设置聚类中心个数K=200,采用K均值算法,对34900个稠密SAR尺度不变特征转换SAR-SIFT特征进行聚类,得到聚类结果;
(3c)将聚类结果设置为主字典;
(4)稀疏空间编码:
(4a)在训练集和测试集中任选一幅SAR图像;
(4b)在训练集和测试集中所选取的SAR图像中,任选一个稠密SAR尺度不变特征转换SAR-SIFT特征作为当前特征;
(4c)采用K近邻算法,在主字典的中寻找当前特征的5个近邻;
(4d)将主字典中除5个近邻以外的原子全部设置为0,得到有效原子个数为5的子字典;
(4e)按照下式,计算当前特征的特征编码:
其中,min表示求最小值操作,c表示当前特征的特征编码,|| ||2表示二范数操作,f表示当前特征,B表示有效原子个数为5的子字典;
(4f)判断在训练集和测试集中所选取的SAR图像中的所有稠密SAR尺度不变特征转换SAR-SIFT特征是否选取完,若是,则执行步骤(4g),否则,执行步骤(4b);
(4g)判断训练集和测试集中的所有SAR图像是否选取完,若是,则执行步骤(4h),否则,执行步骤(4a);
(4h)得到训练集和测试集中的所有SAR图像的特征编码;
(5)空域池化:
(5a)对训练集和测试集中每幅SAR图像的特征编码建立三层空域金字塔,得到三层的空域金字塔;
(5b)将训练集和测试集中每幅SAR图像的特征编码的三层空域金字塔的第一层划分成1*1个子区域,第二层划分成2*2个子区域,第三层划分成4*4个子区域,共得到21个子区域;
(5c)分别对21个子区域进行最大值池化,得到每个子区域的最大值池化结果;
(5d)将每个子区域的池化结果首尾相连,得到训练集和测试集中每幅SAR图像的长度为4200的特征向量;
(6)训练分类器:
将训练集中所有SAR图像的特征向量输入到快速稀疏支持向量机Fast SparseSVM分类器进行训练,得到训练好的模型;
(7)测试集分类:
用训练好的模型对测试集样本的特征向量进行分类处理;
(8)输出分类结果。
本发明与现有技术相比具有以下优点:
第一,由于本发明采用稠密SAR尺度不变特征转换SAR-SIFT提取SAR图像的局部特征,降低了相干斑噪声对特征提取的影响,克服了现有技术中SAR图像特征提取性能低的问题,使得本发明提升了SAR图像特征的有效性,进而提高了SAR图像分类的准确率。
第二,由于本发明采用了保留空间特性的稀疏空间编码方法,提取字典中与待编码的特征相似的5个字典原子进行编码,降低了字典的规模,编码速度加快,同时相似的特征可以获得相似的特征编码,克服了现有技术中相似的两个特征对应的特征编码丢失相似性与编码速度慢的问题,使得本发明提高了SAR图像相似局部特征对应的特征编码的相似性,进而提高了SAR图像分类准确率和速度。
附图说明
图1是本发明的流程图;
图2是本发明仿真图。
具体实施方式
下面结合附图对本发明做进一步的描述。
参照图1,本发明实现的具体步骤如下:
步骤1,读入SAR图像。
从SAR分类数据集中读入训练集和测试集SAR图像。
步骤2,提取SAR图像局部特征。
(2a)利用指数加权均值比ROEWA算法,计算训练集和测试集中的所有SAR图像的梯度图像,得到训练集和测试集中的所有SAR图像的梯度图像。
指数加权均值比ROEWA算法的具体步骤如下:
第一步,在训练集和测试集中任选一幅SAR图像。
第二步,在选择的SAR图像中任选一个像素作为当前像素点。
第三步,按照下式,计算当前像素点的横向梯度值:
其中,G1表示当前像素点的横向梯度值,log表示对数操作,∫∫表示积分操作,D1表示以直角坐标系原点为圆心半径为3的圆的右半圆,I表示在训练集和测试集中所选取的一幅SAR图像,a表示当前像素点的横坐标值,x表示直角坐标系中的横坐标,b表示当前像素点的纵坐标值,y表示直角坐标系中的纵坐标,e表示指数操作,| |表示绝对值操作,D2表示以直角坐标系原点为圆心半径为3的圆的左半圆。
第四步,按照下式,计算当前像素点的纵向梯度值:
其中,G2表示当前像素点的纵向梯度值,log表示对数操作,∫∫表示积分操作,D3表示以直角坐标系原点为圆心半径为3的圆的上半圆,I表示在训练集和测试集中所选取的一幅SAR图像,a表示当前像素点的横坐标值,x表示直角坐标系中的横坐标,b表示当前像素点的纵坐标值,y表示直角坐标系中的纵坐标,e表示指数操作,| |表示绝对值操作,D4表示以直角坐标系原点为圆心半径为3的圆的下半圆。
第五步,按照下式,计算当前像素点的梯度模值:
其中,G表示当前像素点的梯度摸值,表示开方操作,G1表示当前像素点横向梯度值,G2表示当前像素点纵向梯度值。
第六步,按照下式,计算当前像素点的梯度方向:
其中,T表示当前像素点的梯度方向,arctan表示反正切操作,G2表示当前像素点纵向梯度值,G1表示当前像素点横向梯度值。
第七步,判断在训练集和测试集中所选取的一幅SAR图像中的所有像素点是否选取完,若是,则执行本步骤的第八步,否则,执行本步骤的第二步。
第八步,判断训练集和测试集中的所有SAR图像是否选取完,若是,则执行本步骤的第九步,否则,执行本步骤的第一步。
第九步,得到训练集和测试集中的所有SAR图像的梯度图像。
(2b)在每一幅SAR图像对应的梯度图像内,距离梯度图像的四个边15个像素的位置设置一个矩形,仿真实验采用的SAR图像为128*128像素,则设置的矩形的大小为98*98。
(2c)在矩形中选取任选一个像素点作为当前点。
(2d)以当前点为圆心,在梯度图像中布置半径分别为5、12、16个像素的三个同心圆。
(2e)将半径为5和12的两个圆组成一个圆环,将半径为12和16的两个圆组成另一个圆环,以同心圆的两个圆环的圆心为原点建立直角坐标系,用一三象限分界线和二四象限分界线将两个圆环分割成8个扇环,加上半径为5的圆形共得到9个子区域。
(2f)从9个子区域中任选一个子区域。
(2g)采用梯度向量计算方法,计算所选子区域对应的梯度向量,得到长度为8的梯度向量。
梯度向量计算方法的具体步骤如下:
第一步,将当前梯度方向设置为0度;将当前梯度方向的梯度值设置为0。
第二步,在子区域中任选一个像素点,作为当前像素点。
第三步,判断当前像素点的梯度方向是否在以当前梯度方向为中心的45度范围内,若是,则执行第五步,否则,执行第四步。
第四步,对当前梯度方向的梯度值与当前像素点的梯度值进行求和。
第五步,将当前梯度方向的梯度值设置为当前梯度方向的梯度值与当前像素点的梯度值的和。
第六步,判断子区域中的像素点是否选取完,若是,则将当前方向的度数加45度,否则,执行本步骤的第二步。
第七步,判断当前方向度数是否等于360度,若是,则执行本步骤的第八步,否则,执行本步骤的第二步。
第八步,将8个梯度方向的梯度值连接得到长度为8的梯度向量。
(2h)判断9个子区域是否选取完,若是,则执行步骤(2i),否则,执行步骤(2f)。
(2i)将9个子区域的长度为8的梯度向量首尾相连,组成72维的当前点的稠密SAR尺度不变特征转换SAR-SIFT特征。
(2j)判断矩形中所有像素点是否选取完毕,若是,则执行步骤3,否则,执行步骤(2c)。
步骤3,构造字典。
在训练集的所有图像的稠密SAR尺度不变特征转换SAR-SIFT特征中,随机抽取34900个稠密SAR尺度不变特征转换SAR-SIFT特征。
设置聚类中心个数K=200,采用K均值算法,对34900个稠密SAR尺度不变特征转换SAR-SIFT特征进行聚类,得到聚类结果。
将聚类结果设置为主字典。
步骤4,稀疏空间编码。
在训练集和测试集中任选一幅SAR图像。
在训练集和测试集中所选取的SAR图像中,任选一个稠密SAR尺度不变特征转换SAR-SIFT特征作为当前特征。
采用K近邻算法,在主字典的中寻找当前特征的5个近邻。
将主字典中除5个近邻以外的原子全部设置为0,得到有效原子个数为5的子字典。
按照下式,计算当前特征的特征编码:
其中,min表示求最小值操作,c表示当前特征的特征编码,|| ||2表示二范数操作,f表示当前特征,B表示有效原子个数为5的子字典。
判断在训练集和测试集中所选取的SAR图像中的所有稠密SAR尺度不变特征转换SAR-SIFT特征是否选取完,若是,则执行步骤(4g),否则,执行步骤(4b)。
判断训练集和测试集中的所有SAR图像是否选取完,若是,则执行步骤(4h),否则,执行步骤(4a)。
得到训练集和测试集中的所有SAR图像的特征编码。
步骤5,空域池化。
对训练集和测试集中每幅SAR图像的特征编码建立三层空域金字塔,得到三层的空域金字塔。
将训练集和测试集中每幅SAR图像的特征编码的三层空域金字塔的第一层划分成1*1个子区域,第二层划分成2*2个子区域,第三层划分成4*4个子区域,共得到21个子区域。
分别对21个子区域进行最大值池化,得到每个子区域的最大值池化结果。
将每个子区域的池化结果首尾相连,得到训练集和测试集中每幅SAR图像的长度为4200的特征向量。
步骤6,训练分类器。
将训练集中所有SAR图像的特征向量输入到快速稀疏支持向量机Fast SparseSVM分类器进行训练,得到训练好的模型。
步骤7,测试集分类。
用训练好的模型对测试集样本的特征向量进行分类处理。
步骤8,输出分类结果。
下面结合仿真实验对本发明的效果做进一步的说明:
1、仿真条件:
本发明的仿真实验是在主频3.2GHz的Inter(R)Core(TM)i5-3470CPU、内存4GB的硬件环境和MATLAB R2015a的软件环境下进行的。
2、仿真内容与结果分析:
图2是本发明仿真图,本发明仿真实验的SAR图像数据集是美国国防预研究计划署和空军研究实验室(DARPA/AFRL)联合资助的运动和静止目标获取与识别(MSTAR)计划录取的实测SAR地面静止目标数据。数据是由聚束SAR采集而得,分辨率为0.3×0.3m,目标图像大小为128×128像素。仿真使用的数据集包括俯仰角在17°和15°下BMP2(装甲车)、BTR70(装甲车)和T72(主战坦克)的3大类目标。图(2a)、图(2b)分别是在BMP2(装甲车)训练集和测试集中随机抽取的样本,图(2c)、图(2d)分别是在BTR70(装甲车)训练集和测试集中随机抽取的样本,图是(2e)、图(2f)分别是在T72(主战坦克)训练集和测试集中随机抽取的样本。
本发明的仿真实验是将待分类的合成孔径雷达图像目标分成3类,仿真实验中,训练集和测试集中分别有698幅和1365幅SAR图像。
表1是分别采用现有技术稀疏编码空间金字塔匹配ScSPM分类方法、稀疏表示分类器SRC分类方法和本发明方法对MSTAR SAR图像分类正确率和运行时间的统计。表中F1表示采用稀疏编码空间金字塔匹配ScSPM分类方法,F2表示采用稀疏表示分类器SRC分类方法,该方法不需要编码和训练,F3表示本发明方法。
表1.三种方法在仿真中得到的分类正确率和运行时间
从表1中可以看出,用本发明方法相比于其他两种方法,不仅在分类精度上有较大的提高,在运行速度上也有明显提高,这主要是因为采用的稠密SAR尺度不变特征转换SAR-SIFT特征可以降低相干斑噪声对特征提取的影响,提升了分类的准确率,并且采用的稀疏空间编码方式降低了编码过程的计算复杂性,从而缩短了运行时间。
Claims (3)
1.一种基于稠密SAR-SIFT和稀疏编码的SAR分类方法,包括如下步骤:
(1)读入SAR图像:
从SAR分类数据集中读入训练集和测试集SAR图像;
(2)提取SAR图像局部特征:
(2a)利用指数加权均值比ROEWA算法,计算训练集和测试集中的所有SAR图像的梯度图像,得到训练集和测试集中的所有SAR图像的梯度图像;
(2b)在每一幅SAR图像对应的梯度图像内,距离梯度图像的四个边15个像素的位置设置一个矩形;
(2c)在矩形中选取任选一个像素点作为当前点;
(2d)以当前点为圆心,在梯度图像中布置半径分别为5、12、16个像素的三个同心圆;
(2e)将半径为5和12的两个圆组成一个圆环,将半径为12和16的两个圆组成另一个圆环,以同心圆的两个圆环的圆心为原点建立直角坐标系,用一三象限分界线和二四象限分界线将两个圆环分割成8个扇环,加上半径为5的圆形共得到9个子区域;
(2f)从9个子区域中任选一个子区域;
(2g)采用梯度向量计算方法,计算所选子区域对应的梯度向量,得到长度为8的梯度向量;
(2h)判断9个子区域是否选取完,若是,则执行步骤(2i),否则,执行步骤(2f);
(2i)将9个子区域的长度为8的梯度向量首尾相连,组成72维的当前点的稠密SAR尺度不变特征转换SAR-SIFT特征;
(2j)判断矩形中所有像素点是否选取完毕,若是,则执行步骤(3),否则,执行步骤(2c);
(3)构造字典:
(3a)在训练集的所有图像的稠密SAR尺度不变特征转换SAR-SIFT特征中,随机抽取34900个稠密SAR尺度不变特征转换SAR-SIFT特征;
(3b)设置聚类中心个数K=200,采用K均值算法,对34900个稠密SAR尺度不变特征转换SAR-SIFT特征进行聚类,得到聚类结果;
(3c)将聚类结果设置为主字典;
(4)稀疏空间编码:
(4a)在训练集和测试集中任选一幅SAR图像;
(4b)在训练集和测试集中所选取的SAR图像中,任选一个稠密SAR尺度不变特征转换SAR-SIFT特征作为当前特征;
(4c)采用K近邻算法,在主字典的中寻找当前特征的5个近邻;
(4d)将主字典中除5个近邻以外的原子全部设置为0,得到有效原子个数为5的子字典;
(4e)按照下式,计算当前特征的特征编码:
其中,min表示求最小值操作,c表示当前特征的特征编码,||||2表示二范数操作,f表示当前特征,B表示有效原子个数为5的子字典;
(4f)判断在训练集和测试集中所选取的SAR图像中的所有稠密SAR尺度不变特征转换SAR-SIFT特征是否选取完,若是,则执行步骤(4g),否则,执行步骤(4b);
(4g)判断训练集和测试集中的所有SAR图像是否选取完,若是,则执行步骤(4h),否则,执行步骤(4a);
(4h)得到训练集和测试集中的所有SAR图像的特征编码;
(5)空域池化:
(5a)对训练集和测试集中每幅SAR图像的特征编码建立三层空域金字塔,得到三层的空域金字塔;
(5b)将训练集和测试集中每幅SAR图像的特征编码的三层空域金字塔的第一层划分成1*1个子区域,第二层划分成2*2个子区域,第三层划分成4*4个子区域,共得到21个子区域;
(5c)分别对21个子区域进行最大值池化,得到每个子区域的最大值池化结果;
(5d)将每个子区域的池化结果首尾相连,得到训练集和测试集中每幅SAR图像的长度为4200的特征向量;
(6)训练分类器:
将训练集中所有SAR图像的特征向量输入到快速稀疏支持向量机Fast Sparse SVM分类器进行训练,得到训练好的模型;
(7)测试集分类:
用训练好的模型对测试集样本的特征向量进行分类处理;
(8)输出分类结果。
2.根据权利要求1所述的基于稠密SAR-SIFT和稀疏编码的SAR分类方法,其特征在于:步骤(2a)中所述指数加权均值比ROEWA算法的具体步骤如下:
第一步,在训练集和测试集中任选一幅SAR图像;
第二步,在选择的SAR图像中任选一个像素作为当前像素点;
第三步,按照下式,计算当前像素点的横向梯度值:
其中,G1表示当前像素点的横向梯度值,log表示对数操作,∫∫表示积分操作,D1表示以直角坐标系原点为圆心半径为3的圆的右半圆,I表示在训练集和测试集中所选取的一幅SAR图像,a表示当前像素点的横坐标值,x表示直角坐标系中的横坐标,b表示当前像素点的纵坐标值,y表示直角坐标系中的纵坐标,e表示指数操作,||表示绝对值操作,D2表示以直角坐标系原点为圆心半径为3的圆的左半圆;
第四步,按照下式,计算当前像素点的纵向梯度值:
其中,G2表示当前像素点的纵向梯度值,log表示对数操作,∫∫表示积分操作,D3表示以直角坐标系原点为圆心半径为3的圆的上半圆,I表示在训练集和测试集中所选取的一幅SAR图像,a表示当前像素点的横坐标值,x表示直角坐标系中的横坐标,b表示当前像素点的纵坐标值,y表示直角坐标系中的纵坐标,e表示指数操作,||表示绝对值操作,D4表示以直角坐标系原点为圆心半径为3的圆的下半圆;
第五步,按照下式,计算当前像素点的梯度模值:
其中,G表示当前像素点的梯度摸值,表示开方操作,G1表示当前像素点横向梯度值,G2表示当前像素点纵向梯度值;
第六步,按照下式,计算当前像素点的梯度方向:
其中,T表示当前像素点的梯度方向,arctan表示反正切操作,G2表示当前像素点纵向梯度值,G1表示当前像素点横向梯度值;
第七步,判断在训练集和测试集中所选取的一幅SAR图像中的所有像素点是否选取完,若是,则执行第八步,否则,执行第二步;
第八步,判断训练集和测试集中的所有SAR图像是否选取完,若是,则执行第九步,否则,执行第一步;
第九步,得到训练集和测试集中的所有SAR图像的梯度图像。
3.根据权利要求1所述的基于稠密SAR-SIFT和稀疏编码的SAR分类方法,其特征在于:步骤(2g)中所述梯度向量计算方法的具体步骤如下:
第一步,将当前梯度方向设置为0度;将当前梯度方向的梯度值设置为0;
第二步,在子区域中任选一个像素点,作为当前像素点;
第三步,判断当前像素点的梯度方向是否在以当前梯度方向为中心的45度范围内,若是,则执行第五步,否则,执行第四步;
第四步,对当前梯度方向的梯度值与当前像素点的梯度值进行求和;
第五步,将当前梯度方向的梯度值设置为当前梯度方向的梯度值与当前像素点的梯度值的和;
第六步,判断子区域中的像素点是否选取完,若是,则将当前方向的度数加45度,否则,执行第二步;
第七步,判断当前方向度数是否等于360度,若是,则执行第八步,否则,第二步;
第八步,将8个梯度方向的梯度值连接得到长度为8的梯度向量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610217899.1A CN105913083B (zh) | 2016-04-08 | 2016-04-08 | 基于稠密sar-sift和稀疏编码的sar分类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610217899.1A CN105913083B (zh) | 2016-04-08 | 2016-04-08 | 基于稠密sar-sift和稀疏编码的sar分类方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105913083A CN105913083A (zh) | 2016-08-31 |
CN105913083B true CN105913083B (zh) | 2018-11-30 |
Family
ID=56744918
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610217899.1A Active CN105913083B (zh) | 2016-04-08 | 2016-04-08 | 基于稠密sar-sift和稀疏编码的sar分类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105913083B (zh) |
Families Citing this family (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106971382B (zh) * | 2017-03-16 | 2019-11-26 | 中国人民解放军国防科学技术大学 | 一种sar图像相干斑抑制方法 |
CN107122753B (zh) * | 2017-05-08 | 2020-04-07 | 西安电子科技大学 | 基于集成学习的sar目标鉴别方法 |
CN108090504A (zh) * | 2017-12-04 | 2018-05-29 | 泉州装备制造研究所 | 基于多通道字典的物体识别方法 |
CN109492772B (zh) * | 2018-11-28 | 2020-06-23 | 北京百度网讯科技有限公司 | 生成信息的方法和装置 |
CN109581374B (zh) * | 2018-12-14 | 2020-07-07 | 中国地质大学(武汉) | 单侧sar卫星成像形态仿真、动态仿真方法及系统 |
CN109919870B (zh) * | 2019-03-05 | 2021-04-02 | 西安电子科技大学 | 一种基于bm3d的sar图像相干斑抑制方法 |
CN111160373B (zh) * | 2019-12-30 | 2022-07-15 | 重庆邮电大学 | 一种变速鼓零件缺陷图像特征提取以及检测分类方法 |
CN112102381A (zh) * | 2020-09-11 | 2020-12-18 | 西安电子科技大学 | 一种基于r-sift的硬件木马图像配准方法、存储介质及设备 |
CN113298892A (zh) * | 2021-04-09 | 2021-08-24 | 北京沃东天骏信息技术有限公司 | 一种图像编码方法和设备,及存储介质 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130300740A1 (en) * | 2010-09-13 | 2013-11-14 | Alt Software (Us) Llc | System and Method for Displaying Data Having Spatial Coordinates |
CN103984966B (zh) * | 2014-05-29 | 2017-02-15 | 西安电子科技大学 | 基于稀疏表示的sar图像目标识别方法 |
CN105139028B (zh) * | 2015-08-13 | 2018-05-25 | 西安电子科技大学 | 基于分层稀疏滤波卷积神经网络的sar图像分类方法 |
-
2016
- 2016-04-08 CN CN201610217899.1A patent/CN105913083B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN105913083A (zh) | 2016-08-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105913083B (zh) | 基于稠密sar-sift和稀疏编码的sar分类方法 | |
CN109766835B (zh) | 基于多参数优化生成对抗网络的sar目标识别方法 | |
CN109871902B (zh) | 一种基于超分辨率对抗生成级联网络的sar小样本识别方法 | |
CN105913090B (zh) | 基于sdae-svm的sar图像目标分类方法 | |
CN103886342B (zh) | 基于光谱和邻域信息字典学习的高光谱图像分类方法 | |
CN107480620B (zh) | 基于异构特征融合的遥感图像自动目标识别方法 | |
CN103824088B (zh) | 基于多信息联合动态稀疏表示的sar目标变体识别方法 | |
CN109657610A (zh) | 一种高分辨率多源遥感影像的土地利用变化检测方法 | |
Zhu et al. | SAR target classification based on radar image luminance analysis by deep learning | |
CN102945374B (zh) | 一种高分辨率遥感图像中民航飞机自动检测方法 | |
CN103246894B (zh) | 一种解决光照不敏感问题的地基云图识别方法 | |
CN110533069A (zh) | 一种基于支持向量机算法的二维箔条分布特性识别方法 | |
CN104699781B (zh) | 基于双层锚图散列的sar图像检索方法 | |
CN102914302A (zh) | 一种无人机着陆视觉导航合作目标鲁棒检测方法 | |
Cao et al. | Detection of microalgae objects based on the Improved YOLOv3 model | |
CN103489000A (zh) | 一种人体动作识别训练系统的实现方法 | |
CN108830172A (zh) | 基于深度残差网络与sv编码的飞机遥感图像检测方法 | |
CN116612378A (zh) | 一种基于ssd改进的不平衡数据及复杂背景下水下小目标检测方法 | |
CN115082551A (zh) | 一种基于无人机航拍视频的多目标检测的方法 | |
CN113610109A (zh) | 一种基于放大镜观测效应的可见光伪装目标识别方法 | |
Yin et al. | Cloud detection of high-resolution remote sensing image based on improved U-Net | |
CN108960013A (zh) | 一种行人再识别方法及装置 | |
CN114973184A (zh) | 一种基于改进Faster R-CNN的目标检测算法 | |
CN114626459A (zh) | 使用粒子群优化多核支持向量机的高光谱图像空谱联合分类方法及系统 | |
Lan et al. | Spatial-Transformer and Cross-Scale Fusion Network (STCS-Net) for Small Object Detection in Remote Sensing Images |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |