一种基于联合稀疏表示的SAR图像分类方法

摘要

本发明公开了一种基于联合稀疏表示的SAR图像分类方法，主要是对现有稀疏表示方法对于SAR图像分类效果的提高。其实现过程是：(1)输入待训练的SAR图像，对其进行特征提取，划分相似集合；(2)对每一类SAR图像的相似集合进行联合稀疏表示，对应得到每一个相似集合的小字典及稀疏系数；(4)输入待测试的SAR图像，对其进行特征提取，将特征向量在小字典上进行投影，得到测试图像的系数；(5)将测试图像的系数与所有训练图像的稀疏系数进行匹配，找出稀疏系数中最匹配的一组系数，将其标记类别作为待测试SAR图像所属类别。本发明在均匀纹理图像和SAR图像分类的正确率上较传统KNN和经典的稀疏表示分类方法有较大提高。

主权项

一种基于联合稀疏表示的SAR图像分类方法，其特征在于：包括如下步骤：步骤一：对输入的待训练的SAR图像，进行4级非下采样小波变换，提取每个子带的能量特征e，并且提取灰度共生矩阵的相关性Cor，局部相似性Hom和熵Ent三个特征，得到所有训练图像的特征向量集合E；定义每一幅训练样本的特征向量为13个小波变换子带的能量特征和3个灰度共生矩阵特征组合成的列向量，将所有训练样本特征向量的组合定义为特征向量集合E；步骤二：根据以下公式对训练样本的特征向量集合E进行归一化：其中，u_q表示特征向量集合E的第q行的均值，σ_q表示特征向量集合E的第q行的方差，p表示特征向量集合E的列，C表示输入训练样本的类别数，Num为每一类训练样本个数；步骤三：按照训练样本标记的类别信息，根据以下公式计算每一类特征向量的相似集合S：其中，k表示每一类特征向量相似集合的个数，我们取k＝3，S_i表示每一类特征向量的第i个相似集合，x_j表示相似集合S_i的特征向量，u_i表示S_i的均值向量；步骤四：对每一类特征向量的每一个相似集合S_i进行联合稀疏表示，解以下优化问题求得稀疏系数A_i，并根据稀疏系数A_i找出对应字典D中的原子，构成小字典P_i：其中，D为固定的DCT字典，x_j为属于相似集合S_i的特征向量，ε_i为允许的最小误差，取为10^‑6；步骤五：输入待测试的SAR图像y，按照步骤一进行特征提取，得到特征向量t，按照步骤二对特征向量t进行归一化，将特征向量t在小字典P_i上进行投影，根据以下公式计算测试系数β_i：β_i＝(P_i^TP_i)^‑1P_i^Tt步骤六：将测试系数β_i与稀疏系数A_i进行最近邻匹配，按照以下公式得到待测试SAR图像y的所属类别：idendity(y)＝min_jd_j,j＝1,2,...C.其中，d_j表示测试系数与稀疏系数A_i的最近邻距离，C为输入训练样本的总类别数。