專利名稱：基于字典學習和稀疏表示的sar圖像分割方法
技術領域：
本發明屬于圖像處理技術領域，涉及SAR圖像分割，用于SAR圖像目標識別。
背景技術：
合成孔徑雷達SAR具有全天時、全天候的探測與偵察能力。它利用脈沖壓縮技術 獲得高的距離分辨率，利用合成孔徑原理提高方位分辨率，從而相比真實孔徑雷達在遙感 領域具有獨特的優勢。對SAR圖像的理解和解譯屬于圖像處理范疇，還涉及信號處理，模式 識別及機器學習等眾多學科。由于SAR具有的獨特作用，使得SAR圖像的理解與解譯在國 防和民用領域正受到越來越廣泛的關注，SAR圖像分割作為SAR圖像后續解譯處理的關鍵 環節之一，也就顯得愈加重要。現有的SAR圖像分割方法大致可以分為基于區域分割方法 和基于邊緣的分割方法，如閾值分割、聚類的方法、形態學的方法、及隨機場的方法等。目前已經有很多成熟的聚類算法被用到SAR圖像分割中。但是大部分基于聚類的 SAR圖像分割方法都要對圖像特征提取，特征提取雖然是線下過程，但是由于需要對圖像的 每一個像素點分別進行特征提取，所以這一過程十分耗時，同時在聚類過程中一般要使用 某種距離測度，如歐氏距離、流形距離，來計算樣本之間的相似度，使用某種距離則會受限 于該種距離測度方法的固定缺陷的限制如歐氏距離僅對球形分布數據效果較好，而流形距 離僅對具有流形分布的數據效果較好，在數據分布未知情況下，若強制使用某種距離測度 方法，可能會導致最終SAR圖像分割效果較差。
發明內容
本發明的目的在于克服上述已有技術的不足，提出了一種基于字典學習和稀疏表 示的SAR圖像分割方法，以降低圖像特征提取花費的時間，并在圖像數據分布未知情況下， 提高SAR圖像的分割結果。實現本發明目的的技術思路是從待分割圖像隨機選取的少量像素點提取紋理特 征，得到紋理特征樣本，然后對紋理特征樣本利用譜聚類方法進行聚類，得到紋理特征樣本 的初始標簽，根據紋理特征標簽樣本，進一步采用字典學習和稀疏表示方法得到圖像中所 有像素點的標簽。具體步驟包括如下(1)輸入待分割SAR圖像，確定需要將圖像劃分的類數k ；(2)以待分割SAR圖像中每個像素點為中心提取wXw的窗口樣本，得到規模為m 的測試樣本集X，從提取的所有測試樣本中隨機選擇η個作為訓練樣本集Y，其中η < < m ；(3)對規模為11的訓練樣本集Y，提取訓練數據樣本窗口中心所在像素點的小波能 量特征，得到規模為η的小波特征數據集Y'，該小波特征數據集Y'中的樣本與訓練樣本 集Y中的樣本一一對應；(4)用譜聚類算法對小波特征數據集Y'進行聚類，得到小波特征數據集Y'的類 別劃分，同時得到訓練樣本集Y的類別劃分Yi, i = 1，2，3，... k ；(5)對劃分后的每一類訓練樣本Yi, i = 1，2，3，...k，利用K-SVD算法分別訓練，得到相應的字典Di, i = 1,2,3,... ,k；(6)利用正交匹配追蹤OMP算法求解測試樣本s在Di上稀疏表示向量，得到稀疏 向量 α S i = 1，2，3，· · ·，k，s e X ；(7)令=z+ = l,2,3,...,Λ表示測試樣本8在01上的重構誤差，對該 誤差進行高斯函數平滑，得到新的誤差函數力i = l,2,3,...,/c；(8)根據新的誤差函數kS,D1) = RiS^iYGa求解測試樣本S的標簽 l(S) = argmmR(S,Di) / = 1,2,3,...,Λ，得到每個測試樣本的類別標簽 1 (S) e {1,2,3,..., k}，即得到圖像分割結果。本發明與現有技術相比具有以下優點(1)本發明不需要對圖像中的每一個像素點提取紋理特征，而是直接對圖像中的 每個像素點提取窗口作為樣本，所以大大節省了圖像線下提取特征所要花費的時間。(2)在本發明中使用的字典學習稀疏表示方法能夠深層挖掘表示圖像的信息，根 據字典對樣本的重構誤差最小化原則來確定樣本的標簽將會避免使用一般距離測度方法 帶來的缺陷，得到更好的圖像分割結果。
圖1是本發明的實現流程圖；圖2是本發明與現有方法對二類SAR圖像的分割結果對比圖；圖3是本發明與現有方法對三類SAR圖像分割結果對比圖。
具體實施例方式參照圖1，本發明的具體實施過程如下步驟1.輸入待分割圖像，根據圖像內容，判斷需要識別的主要目標及背景，確定 分割類數k，本實例中的k取值為2和3。步驟2.對待分割圖像提取訓練樣本和測試樣本。以圖像中每個像素點為中心提取大小為pXp的窗口，得到規模為m的測試樣本集 F，m為待分割圖像的像素點總數目，然后從測試樣本集中隨機選擇η個樣本，得到訓練樣本 集Y，η遠遠小于m。步驟3.對訓練樣本集Y提取小波特征。SAR圖像具有豐富的幅度、相位、極化和紋理信息，為了使每一個訓練樣本獲得更 加準確標記，在對訓練樣本集劃分前需要對其進行紋理分析，提每個取訓練樣本的小波紋 理特征，具體步驟如下(3a)取訓練樣本集Y中的訓練樣本T ；(3b)對訓練樣本T進行三層小波分解；(3c)計算小波分解后的訓練樣本T的小波特征e
1W W^ = —Σ Σ lcoe/0'，J)\ ；
WXW !=1 ;=1其中，wXw為訓練樣本T對應窗口大小，本實例取值為16X16，coef(i，j)為小波分解后得到的小波子帶中第i行第j列的系數值；(3d)重復步驟(3a)_(3c)，計算下一訓練樣本的小波特征，直到計算完成訓練樣 本集Y中所有訓練樣本的小波特征，得到小波特征數據集Y'。步驟4.用譜聚類算法對小波特征數據集Y'進行聚類。Ga)根據下式計算小波特征數據集Y'中的兩個不同小波特征樣本y'」 之間的相似度值V”，構建相似度矩陣W
_4]I )，/,7 = 1,2,3,..., ；
2σW= [WijJijJ = 1,2, 3,..., η；其中y' , e Y'，y' JV中的第i個樣本，y'」e Y'，y'」為Y'中的第j 個樣本，σ為尺度參數；(4b)利用相似度矩陣W計算拉普拉斯矩陣L = A-172WA-172,
A1100 ..0...00A770..0...0
其中Λ為對角矩陣，A =0LL 0A,...0...0000 ..0...Λ Aii為對角線元素
權利要求
1.一種基于字典學習和稀疏表示的SAR圖像分割方法，包括以下步驟(1)輸入待分割SAR圖像，確定需要將圖像劃分的類數k；(2)以待分割SAR圖像中每個像素點為中心提取pXp的窗口樣本，得到規模為m的測 試樣本集F，從提取的所有測試樣本中隨機選擇η個作為訓練樣本集Y，其中η < < m ；(3)提取訓練樣本集Y中的訓練樣本的小波特征，得到規模為η的小波特征數據集 Y'，該小波特征數據集Y'中的樣本與訓練樣本集Y中的樣本一一對應；(4)用譜聚類算法對小波特征數據集Y'進行聚類，得到小波特征數據集Y'的類別劃 分，同時得到訓練樣本集Y的類別劃分Yi, i = 1，2，3，... k ；(5)將劃分后的每一類訓練樣本Yi,i = 1，2，3，...k，利用K-SVD算法分別訓練，得到 相應的字典 Di, i = 1，2，3，. . .，k ；(6)利用正交匹配追蹤OMP算法求解測試樣本S在Di上稀疏表示向量，得到稀疏向量 α、i = 1，2，3，· · ·，k，S e F ；(7)令=A^f表示測試樣本S在Di上的重構誤差函數，對該誤差函數進行 高斯函數平滑，得到誤差函數力=/ =⑶根據新的誤差函數kS,D1) = RiS^yGa求解測試樣本S的標簽 l(S) = argmmR(S,Di) / = 1,2,3,...,Λ，得到每個測試樣本的類別標簽 1 (S) e {1,2,3,..., k}，即得到圖像分割結果。
2.根據權利要求1所述的字典學習和稀疏表示的SAR圖像分割方法，其中步驟(3)所 述的提取訓練樣本集Y中的訓練樣本的小波特征，按如下步驟進行(3a)取訓練樣本集Y中的訓練樣本T ；(3b)對訓練樣本T進行三層小波分解；(3c)計算小波分解后的訓練樣本T的小波特征e 1W W^=—Σ Σ Icoe/^-/')!5WXW !=1 ;=1其中，wXw為提取的訓練樣本T對應窗口的大小，coef(i, j)為訓練樣本T經小波分 解后得到的小波子帶中第i行第j列的系數值；(3d)重復步驟(3a) _(3c)，計算下一訓練樣本的小波特征，直到計算完成訓練樣本集Y 中所有樣本的小波特征，得到小波特征數據集Y'。
3.根據權利要求1所述的字典學習和稀疏表示的SAR圖像分割方法，其中中步驟(4) 所述的用譜聚類算法對小波特征數據集Y'進行聚類，按如下步驟進行Ga)根據下式計算小波特征數據集Y'中的特征樣本y'彳之間的相似度值Wij,構建相似度矩陣W:II·' -[I22σW = [Wij], i，j = 1，2，3，· · ·η ；其中y' i e γ' , y' AV中的第i個樣本，y'」e γ' , y'々V中的第j個 樣本，σ為尺度參數；(4b)利用相似度矩陣W計算拉普拉斯矩陣L 其中Λ為對角矩陣，其對角線元素；=1(4c)對拉普拉斯矩陣L進行矩陣特征值分解，得到拉普拉斯矩陣L最大的前k個特征 值入工彡A2^...彡A1^P與這些特征值對應的k個特征向量么7，...，/，利用1^個特 征向量構建特征向量矩陣U = [ν1, ν2，…，vk]；(4d)根據下式規范化特征向量矩陣U，得到規范化后的特征向量矩陣U' U' = [U' ij], i = 1,2,3, .. .n, j = 1,2,3, k ；其中f/y_ =f/y_/(i仏2)1/2，uu為特征向量矩陣U中第i行第j列的元素；；=1(4e)用k-means算法對規范化后的特征向量矩陣U'按行聚類，得到對應小波特征數 據集Y'的劃分，將小波特征數據集Y'的劃分結果作為訓練樣本集Y的劃分結果，得到Yi, ι 1，2，3，· · · kο
4.根據權利要求1所述的字典學習和稀疏表示的SAR圖像分割方法，其中中步驟(5) 所述的對劃分后的每一類訓練數據利用K-SVD算法訓練一個字典得到Di, i = 1，. . .，k，按 如下步驟進行(5a)取訓練樣本集合中的第j類數據Yi, j初值為1，令Yt = Yj ； (5b)根據下式利用正交匹配追蹤OMP方法，完成對Yt的稀疏編碼 Yt = DX s. t. I Xi 10 ( t0其中，Yt為需要稀疏表示的樣本集合，D為用來稀疏表示的字典，X為樣本經字典稀疏 表示后的得到稀疏矩陣；Xi為稀疏矩陣X的第i列，、為預設定稀疏向量中的非零元素個 數，稱為稀疏度；(5c)對字典D中所有原子Cli i = 1，2，3. . . L進行如下更新，原子Cli指字典中的第i個 列向量，L為字典中原子個數首先，從樣本集合Yt中找出使用原子Cli的所有樣本，取樣本序號，得到具有1! 個元素 的序號集合ω :ω = {kl|彡k彡n，XiGO乒0}，其中Xi為對樣本集合Yt稀疏編碼后得到 的稀疏矩陣X的第i行；接著，令稀疏矩陣X的第i行元素全部為零，得到新矩陣X'，計算字典D與新矩陣X' 對樣本集合Yt的重構誤差矩陣Ei Ei = Yt-DX'；然后，依據序號集合ω中所有序號，取所有ηω個序號對應的誤差矩陣Ei中的ηω個列 向量，構成特異誤差矩陣最后，應用公式￡f = f/Δ產對特異誤差矩陣￡f進行矩陣奇異值分解，并用分解行矩陣U 的第一列替換所要更新的原子屯，并用對角矩陣Δ中的第一行第一列的元素Δ (1,1)乘以 分解列矩陣V的第一個列向量得到一個新的向量，利用該新的向量替換Xi^i為稀疏矩陣X 的第i行；(5d)判斷是否滿足j彡k，若滿足，則得到字典Di, i = 1，...，k，否則j = j+1，返回步 驟(5a)計算下一類訓練數據對應字典；(5e)重復步驟步驟(5a)_(5d)，直到得到所有類別的訓練數據的對應字典Di, i = ·1，...,K。
全文摘要
本發明公開了一種基于字典學習和稀疏表示的SAR圖像分割技術，主要解決現有特征提取需要花費大量時間以及距離測度具有一定缺陷的問題。其實現過程是1)輸入待分割圖像，確定分割類數k；2)為待分割圖像每個像素點提取p×p窗口得到測試樣本集，從測試樣本集中隨機選擇少量樣本得到訓練樣本集；3)提取訓練樣本集小波特征；4)利用譜聚類算法對訓練樣本集進行劃分；5)對每一類訓練樣本，應用K-SVD算法訓練字典；6)求解測試樣本在字典上稀疏表示向量；7)計算測試樣本的重構誤差函數；8)根據重構誤差函數求測試樣本標簽，得到圖像分割結果。本發明具有分割快速且效果好的優點，該技術可以進一步用于SAR圖像自動目標識別。
文檔編號G06K9/66GK102129573SQ201110057719
公開日2011年7月20日 申請日期2011年3月10日 優先權日2011年3月10日
發明者劉若辰, 莊廣安, 莊雄, 張向榮, 楊靜瑜, 焦李成, 王爽, 緱水平 申請人:西安電子科技大學