基于多尺度模糊测度与半监督学的SAR图像识别方法

摘要

本发明公开了一种基于多尺度模糊测度与半监督学的SAR图像识别方法，解决了现有技术SAR图像识别精度低的问题。其实现步骤为：通过切分原始SAR图像建立图像库，并从中挑选目标单一的图像块；提取图库内图像块的特征向量；将挑出的图像块分成若干类，并用对应的特征向量作为训练样本，训练半监督分类器，用此分类器对图像库分类；对用户输入的查询图像块，用已训练的分类器得到类别；根据混淆矩阵求取该图像块的类别集合，计算查询图像块与图像库中属于该集合的图像块之间的多尺度区域模糊相似度，并依照从大到小的顺序返回用户需要数量的图像块。本发明能纠正分类错误，信息识别精度高，可用于对多幅SAR图像同时进行解译。

主权项

一种基于多尺度模糊测度与半监督学习的SAR图像识别方法，包括如下步骤：1)对原始SAR图像进行无重叠切分，以建立SAR图像库{p₁,p₂,…p_τ,…,p_N}，从该图像库中按照目标单一原则挑选图像块{p₁,p₂,…p_θ,…,p_l}，其中l＜＜N,1≤τ≤N,1≤θ≤l，N表示图库中的SAR图像块个数，l表示挑选出的SAR图像块个数，p_τ表示图库中的某幅SAR图像块，p_θ表示挑选出的某幅SAR图像块，所述目标单一原则是指图像块中某目标占图像总面积的一半以上；2)提取所有图像块的平稳小波三层变换的子带能量，作为图像块的特征向量其中，$\bar{n}=10;$3)将挑选出的SAR图像块{p₁,p₂,…p_θ,…,p_l}按照语义内容分成{c_i,1≤i≤k}类，其中k表示语义类别的个数，并用对应的特征向量作为训练样本，训练高斯随机场半监督分类器，利用该分类器对SAR图像库{p₁,p₂,…p_τ,…,p_N}进行分类，得到具有类标的SAR图像库；4)对用户输入的查询图像块p'，采用与步骤2)相同的方法提取其特征向量f'，并用与步骤3)相同的训练样本及训练好的高斯随机场半监督分类器，得到查询图像块的类别数c_i；5)根据步骤4)得到的类别数c_i及经验混淆矩阵，计算查询图像块的类别集合{c}：5a)在已分类的SAR图像库中，随机挑选训练样本训练高斯随机场半监督分类器，用该分类器进行100次随机分类试验，得到经验混淆矩阵Con∈R^k×k，该混淆矩阵Con是方阵，其中第i行第j列元素Con(i,j)表示属于c_i类的样本被分为c_j类的个数，1≤i≤k，1≤j≤k；5b)对经验混淆矩阵进行列归一化，即将一列中的每个元素除以该列元素的总和，得到经验的后验概率矩阵ConP∈R^k×k；5c)设置阈值T，将后验概率矩阵中的第i行第j列ConP(i,j)与阈值T进行比较，当ConP(i,j)≤T时，将ConP(i,j)设置为0，反之ConP(i,j)保持不变，阈值T的大小根据期望的每一列的非零元素个数设定；5d)根据查询图像块的类别数c_i，在后验概率矩阵ConP中的第i列中查找非零元素的位置，最终得到类别集合{c}；6)计算查询图像块p'与图库中属于类别集合{c}中所有图像块的多尺度区域模糊相似度；7)按照步骤6)得到的多尺度区域模糊相似度，以从大到小的顺序返回用户需要数量的图像，完成图像识别。