[发明专利]一种基于联合稀疏表示的SAR图像分类方法

权利要求书

1.一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：

ep,q=ep,q-uqσq,q=1,2,...13,p=1,2,...C*S]]>

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，S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：

S=Σi=1kSi=Σi=1kΣxj∈Sj(xj-ui)2]]>

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：

minAi||Ai||s.t.Σxj∈Si||xj-Dαi,j||22≤ϵi]]>

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，一般取为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。

2.根据权利要求1所述的一种基于联合稀疏表示的SAR图像分类方法，其特征在于：所述步骤一中特征向量集合E得到的方法是：

a：对输入的待训练SAR图像，做4级非下采样小波变换，根据以下公式计算每一个子带上的小波能量特征^e：

ei,j=1M×NΣm=1MΣn=1Nwm,n2]]>

其中M×N表示子带大小，w_m,n表示子带中位置在(m,n)处的小波系数；

b：对输入的待训练SAR图像，根据以下公式提取灰度共生矩征的相关性Cor，局部相似性Hom和熵Ent三个特征：

Cor=1σ1σ2Σi=1NΣj=1N(i-u1)(j-u2)p(i,j)]]>

Hom=Σi=1NΣj=1Np(i,j)/[1+(i-j)2]2]]>

Ent=-Σi=1NΣj=1Np(i,j)logp(i,j)]]>

其中p(i,j)表示图像中在方向θ上相隔距离s的一对像元灰度(i,j)出现的次数，在这里θ取四个离散的方向：0°，45°，90°，135°，s＝1，u₁和σ₁分别表示灰度对(i,j)在水平方向上的均值和方差，u₂和σ₂分别表示灰度对(i,j)在垂直方向上的均值和方差；

c：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。