CN109214405A

CN109214405A - 一种自适应联合特征字典进行遥感图像稀疏识别的方法

Info

Publication number: CN109214405A
Application number: CN201711181801.2A
Authority: CN
Inventors: 王威; 陈俊伍; 王新
Original assignee: Changsha University of Science and Technology
Current assignee: Changsha University of Science and Technology
Priority date: 2017-11-23
Filing date: 2017-11-23
Publication date: 2019-01-15

Abstract

本发明通过构建自适应联合特征字典进行稀疏求解对遥感目标图像进行识别。利用SIFT特征能够针对遥感图像不同方向，不同尺度的特征进行提取，使提取的图像特征更加能够全方位体现图像的标识性。在自适应联合字典构建方面，首先提取一类图像的公有特征组成字典A，然后提取每一张图像作为私有特征组成字典B，拼凑A和B组成图像联合字典，同时由于后续进行稀疏求解时，字典主要体现在其中不同原子对测试图像的不同贡献。因此，如果能够使原子的贡献能力更加明显，那么识别效果将会更加理想。对于每一个特征向量或者说样本向量，我们用其标准差或方差来衡量该样本波动大小，其标准差或方差越大，说明样本数据波动越大，包含的信息也就越多。结合稀疏求解原理，在某程度范围内适当增加样本向量的标准差或方差，使其对稀疏求解的贡献更加突出，使特征字典更加具有判别信息。

Description

一种自适应联合特征字典进行遥感图像稀疏识别的方法

技术领域

遥感图像目标识别。

背景技术

遥感是20世纪才发展起来的一门新兴学科，作为对地观测技术，它能够实时地提供多时相、多光谱、高光谱和广范围等信息。随着近些年来我国航天事业的迅速发展，利用遥感图像来检测和识别重要目标，已经广泛地应用于各行各业当中，对遥感图像进行精确的鲁棒分类识别已经成为目标识别研究领域中的热点和挑战。特别是近几年来兴起的稀疏表示与压缩感知算法，对遥感图像的识别技术提供了更好的技术支持。

稀疏表示可以看作计算机视觉研究领域当中的一个重要的信号和图像的表示模型，受到众多国内外学者的高度关注，基于稀疏表示的识别方法本质上是在寻找测试样本在训练样本集上的最稀疏表示，并利用求解出的稀疏表示系数对测试样本进行重构分类，该方法的前提是对任一测试样本存在一个最稀疏表示。但是，随着获取遥感数据技术的更新，对遥感数据处理的要求也变得愈加严格。原始的基于稀疏表示的遥感图像识别并没有考虑图像当中的结构信息，其识别效率与识别速率显得有些乏力。

发明内容

本发明主要根据遥感图像特点，从不同尺度和方向提取图像特征，将图像特征提取出公共部分和私有部分，然后对特征进行自适应加权处理后构建联合特征字典来进行稀疏识别。本发明主要包括行进图像预处理，图像特征提取，特征向量自适应构建联合字典，进行稀疏求解进行分类识别。本发明主要用于遥感图像分类识别，当捕获到遥感图像目标时，能够识别出图像中目标属于哪一类物体。在军用和民用上有及其重要的意义。

技术方案：

步骤一：图像的预处理

首先，需要对复杂遥感图像进行灰度化和滤波处理，提取单个目标图像。由于遥感图像是彩色图像，存储空间大，计算复杂，并且在拍摄过程中存在大量噪声。为了突出遥感图像中的飞机目标，削弱干扰信息，实验中对遥感图像进行预处理，主要是图像灰度化，图像去噪增强以及获取主要目标图像。

图像灰度化采取加权平均法对遥感图像进行灰度处理，根据R,G,B三分量去不同权值进行加权平均，即按下述公式求得灰度图：

其中为灰度值，三个灰度系数分别取0.30,0.59,0.11.

在图像去噪增强方面，我们采用3*3中值滤波方法，滤除干扰信息，突出有用信息.进行灰度化和滤波。然后按照目标类别分别提取不同图像目标。

步骤二：SIFT特征提取，

SIFT（Scale-Invariant Feature Transform）特征算子是一种基于尺度空间局部特征的描述算子，利用SIFT特征算子提取图像局部特征，对于旋转，尺度缩放，亮度变换都能有稳定的不变性。SIFT特征提取主要是通过求一幅图中的特征点及其所在的位置，尺度和方向来描述特征，具体有如下步骤：

1）尺度空间极值检测及位置确定

为了检测尺度空间极值，首先必须建立适当的尺度空间。将最底层尺度空间中用不同尺度因子生成高斯金字塔，将相邻图像相减得到DoG金字塔，最后将原始图像进行亚采用并重复上述操作获得下一层尺度空间。将尺度空间中每一个采样点与本尺度相邻8个位置像素以及上下相邻尺度对应位置（2×9像素）共26个点进行逐一比较，得到局部极值的位置和尺度。这些极值点的集合即为SIFT算法所需的关键点集合。得到关键点集合后，为了得到稳健的特征点，需要将集合中低对比度的点和边缘点去除，提高图像抗噪声能力。

2）关键点方向参数确定

为使算子具备旋转不变性，需要给每个关键点指定一个方向参数。

对于每一个采样点L，计算梯度大小和方向：

采用梯度直方图统计法统计每一个关键点邻近窗口了所有像素点的梯度大小和方向。统计得到的直方图峰值所在方向即为关键点主方向。

3）特征向量描述

为了确保旋转不变性，将坐标轴旋转为关键点方向，以关键点为中心，取8×8的窗口，每个窗口代表和关键点在同尺度下相邻的像素点。计算每个像素点的梯度模和方向，利用高斯函数进行加权。然后在4×4像素的窗口上计算8个方向的梯度方向直方图，形成种子点。

由于每个种子包含8个方向信息，这样生成的关键点特征向量就有8×4=32个维度。为了是特征描述由更好的效果，每个关键点使用4×4个种子点，用8×16=128维特征描述关键点。最后将特征向量长度归一化，进一步去除光照变化的影响。

步骤三：自适应联合特征字典构建

把一幅图像转换成一维列向量，假设所有图像可以分为个不同类别，每个类别有个训练图像，则其中一个类别的图像可以表示为：

根据JSM模型，第i类第j个图像可以表示成：

其中，表示第i类图像公共特征，表示第i类第j个图像的私有特征。如果有一正交矩阵（如DCT基）为，同时训练样本可以在该变换基上能够稀疏表示，。将上式带入有，表示成：

其中，是在稀疏基上的稀疏表示，是在变换基上公共特征的稀疏表示，是私有特征在变换基上的稀疏表示。因此两边同时乘以又可以表示为，即：

由此可以得到第i类图像的联合表示为：

将上式简化，字典中某一类图像则可以表示为：

其中，由两个矩阵组成一个过完备字典，表示为，其中，，。由于字典的冗余性，可以通过求解下式最优化问题来求得稀疏解，即：

在得到一类字典的稀疏解后，通过求其逆变换就可以得到第i类字典在域上的公共特征和私有特征，即：

通过上式，我们将一类图像的公共特征和私有特征分别求出，在此我们将一类图像的私有特征求和，即：

则一类图像我们只需保存其共有特征和私有特征之和即可。

对每一类图像，即提取共有特征和私有特征表示为：，将每一类图像的共有特征组成一个矩阵A，私有特征组成为一个矩阵B，则联合字典D表示为：

对于每一个特征向量或者说样本向量，我们用其标准差或方差来衡量该样本波动大小，其标准差或方差越大，说明样本数据波动越大，包含的信息也就越多。结合稀疏求解原理，在某程度范围内适当增加样本向量的标准差或方差，使其对稀疏求解的贡献更加突出，使特征字典更加具有判别信息。因此，在利用SIFT特征变换求得一幅图像的特征向量后，我们对其做如下改变：

其中，。

步骤四：稀疏求解进行识别

稀疏表示分类方法是在稀疏表示基础上提出的一个全新的分类识别框架，目前在目标识别领域中获得广泛重视。在SRC系统中，所有训练样本的每一幅图像转化为列向量（即原子），所有的列向量组成为字典。假设有类训练样本，每类有个训练样本，把每一幅样本的维数转换为一个列向量，则第类的训练样本可组成矩阵，其中，表示第类样本中的第个样本。整个训练字典可以表示为，则测试信号在第字典的稀疏表示模型为：

其中，表示测试样本向量，为训练样本字典，为测试向量在字典下求得的稀疏系数，中只有很少一部分非零元素，为此模型的噪声项。

在中的稀疏系数，表示了字典不同原子对测试样本的不同贡献，越稀疏，表示字典中不同类别的原子贡献越小，同类别的原子贡献越大。因此我们需要求出最稀疏的：

令是与有相同维数的类别选择向量，表示中与第类对应的非零元素，即，则测试样本利用稀疏系数重构表示表示，然后根据重构误差最小判定准则把归类为最小的那一类，即：

因此，结合前面几个步骤，将自适应联合特征字典和测试图像带入上述求解方法，即可得出测试图像的重构图像，进而判断所属类别。

Claims

1.在利用稀疏进行遥感图像目标识别时，主要利用自适应联合特征构建字典，对遥感图像采用SIFT特征进行目标检测识别。