[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
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 | ||
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%。
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。