一种基于小波特征低秩表示的SAR图像目标聚类方法

摘要

本发明属于图像处理技术领域，具体公开了一种基于小波特征低秩表示的SAR图像目标聚类方法，主要提高了现有经典算法的分类正确率的问题。其实现过程是：(1)对输入的每一幅子图像小波分解，并对各个子带分别求解能量特征，构成特征向量，将所有输入的子图像的特征组合成一个能量特征矩阵，并进行归一化处理；(2)对能量特征矩阵进行低秩处理，获取低秩系数；(3)对低秩系数进行聚类，计算聚类结果。本发明相对于其它的一些经典的分类方法能够更好提高分类正确率，因此可以用于SAR图像目标聚类。

主权项

一种基于小波特征低秩表示的SAR图像目标聚类方法，其特征在于：包括如下步骤：1)取n类测试样本,每类10幅图，每幅图的大小为128*128：{Y_i＝x_ij|i＝1,2,...,n；j＝1,2,...,10}其中,Y_i代表第i类全部的测试样本，x_ij表示第i类测试样本里的第j幅图，n为测试样本的类别总数，i表示第i类测试样本，j表示第i类里的第j幅图；对每幅图做L级小波分解，获得3L的高通子带(B₁,B₂,...,B_3L)和一个低通子带B_3L+1，在每个子带里面提取能量特征：$E_{ijk}=\underset{m=1}{\overset{M}{\Sigma }}\underset{n=1}{\overset{N}{\Sigma }}{x}_{ij}^2(m,n)$其中i表示第i类测试样本，i＝1,2,...,n，j表示第i类里的第j幅图，j＝1,2,...,10，k表示小波分解的子带数，k＝1,2,...,(3L+1)，M,N分别表示一幅图像的行列数；则每张图由3L+1个能量特征构成，那么n类测试样本，通过小波分解获得能量矩阵E：则E＝[E₁,E₂,...E_i,...,E_n]其中E_i表示第i类所有测试样本构成的能量特征，每一列表示一幅图做L级小波分解得到的各个子带的能量；2)对能量矩阵E进行归一化处理，处理的方式为：均值方差归一化；均值方差归一化：设e＝(e₁,e₂,...,e_k)，建立映射f：其中，emean＝mean(e)＝mean(e₁,e₂,...,e_k),evar＝var(e)＝var(e₁,e₂,...,e_k)使每个分量规范到[‑1,1]上；其中e为E的一个行向量，也就是对E的每一行都进行同样的处理；3)对归一化的能量特征矩阵进行低秩处理，通过以下目标函数求得低秩系数Z：$\underset{Z,E}{min}\left|\right|Z|{|}_{*}+\lambda |\left|E\right|{|}_{2,1},$s.t.,X＝XZ+E其中，X表示特征矩阵，Z表示低秩系数，E为噪声，||Z||_*为Z的核范数，即矩阵奇异值的和为l_2,1范数，λ>0为调节参数；4)对低秩系数Z聚类处理，采用谱聚类和FCM聚类，得到聚类结果；5)计算聚类结果正确率，通过以下式子计算：