[发明专利]基于稀疏表示的SAR图像目标标记方法、系统、装置有效

专利信息
申请号: 201910611220.0 申请日: 2019-07-08
公开(公告)号: CN110335285B 公开(公告)日: 2022-04-26
发明(设计)人: 张文生;杨阳;黄妍;杨雪冰 申请(专利权)人: 中国科学院自动化研究所
主分类号: G06T7/136 分类号: G06T7/136;G06T7/70;G06V20/10;G06V10/25;G06V10/774;G06K9/62;G06F16/583;G06F16/58;G06F16/56
代理公司: 北京市恒有知识产权代理事务所(普通合伙) 11576 代理人: 郭文浩;尹文会
地址: 100190 *** 国省代码: 北京;11
权利要求书: 查看更多 说明书: 查看更多
摘要:
搜索关键词: 基于 稀疏 表示 sar 图像 目标 标记 方法 系统 装置
【权利要求书】:

1.一种基于稀疏表示的SAR图像目标标记方法,其特征在于,该方法包括:

步骤S10,获取待标记的SAR图像,对所述SAR图像阈值分割后进行形态学处理,并提取感兴趣区域;

步骤S20,基于提取的感兴趣区域,采用粗过滤,将所述粗过滤后的感兴趣区域作为第一区域图像,并获取其在所述SAR图像中的位置信息;

步骤S30,提取所述第一区域图像的多尺度的特征向量,分别获取不同尺度的特征向量对应的稀疏表示;

步骤S40,基于不同尺度的稀疏表示,通过SVM分类模型分别得到其对应的分类结果,并采用预设的决策方法,获取所述第一区域图像的类别;

步骤S50,根据第一区域图像的类别和位置信息,在所述待标记的SAR图像中对所述第一区域图像进行标记;

其中,

所述SVM分类模型在训练过程中,以SAR训练集样本图像的奇异值分解得到的特征值作为属性;

“分别获取不同尺度的特征向量对应的稀疏表示”,其方法为:通过稀疏表示模型获取;所述稀疏表示模型其构建方法为:

随机抽取训练集部分原子构建字典;

所述字典根据预设的逼近误差值得到过完备字典,并构建过完备字典矩阵;

基于MP算法对所述的过完备字典矩阵分解获取最优稀疏解;

根据所述最优稀疏解构建误差矩阵,采用奇异值分解方法对所述误差矩阵进行分解,根据分解结果更新字典;

其中,“采用奇异值分解方法对所述误差矩阵进行分解”,其方法为:对所述误差矩阵进行非零系数位置标定形成新的误差矩阵,采用奇异值分解方法对所述新的误差矩阵进行分解;

所述奇异值分解方法基于正则项进行约束优化,其对应的目标函数为:

其中,X表示样本,表示样本X与其稀疏表示的平方差,为字典D正则项的权重因子,τ为α正则项的权重因子,F表示为F范数,表示原子dk对应的第k行非零系数,Ek表示字典中未包含第k个原子时,此时所有训练样本在在该字典上的误差矩阵,表示误差矩阵的第k行系数,dk表示字典中第k 列的原子,dj表示字典中除第k 列外的原子。

2.根据权利要求1所述的基于稀疏表示的SAR图像目标标记方法,其特征在于,步骤S30中“提取所述第一区域图像的多尺度的特征向量”,其方法为:基于所述第一区域图像构造预设尺度的差分金字塔图像集,分别提取该图像集中不同尺度的图像的特征向量。

3.根据权利要求1所述的基于稀疏表示的SAR图像目标标记方法,其特征在于,步骤S20“基于提取的感兴趣区域,采用粗过滤,将所述粗过滤后的感兴趣区域作为第一区域图像”,所述粗过滤包括几何特征过滤、空间位置过滤、灰度特征过滤。

4.根据权利要求2所述的基于稀疏表示的SAR图像目标标记方法,其特征在于,所述差分金字塔图像集中相邻尺度的图像之间的尺度比例为2,同尺度各相邻层的图像之间的平滑系数不同。

5.根据权利要求1所述的基于稀疏表示的SAR图像目标标记方法,其特征在于,使用训练集部分原子构建字典,部分原子的数目为训练集原子的50%~80%。

下载完整专利技术内容需要扣除积分,VIP会员可以免费下载。

该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于中国科学院自动化研究所,未经中国科学院自动化研究所许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服

本文链接:http://www.vipzhuanli.com/pat/books/201910611220.0/1.html,转载请声明来源钻瓜专利网。

×

专利文献下载

说明:

1、专利原文基于中国国家知识产权局专利说明书;

2、支持发明专利 、实用新型专利、外观设计专利(升级中);

3、专利数据每周两次同步更新,支持Adobe PDF格式;

4、内容包括专利技术的结构示意图流程工艺图技术构造图

5、已全新升级为极速版,下载速度显著提升!欢迎使用!

请您登陆后,进行下载,点击【登陆】 【注册】

关于我们 寻求报道 投稿须知 广告合作 版权声明 网站地图 友情链接 企业标识 联系我们

钻瓜专利网在线咨询

周一至周五 9:00-18:00

咨询在线客服咨询在线客服
tel code back_top