本發(fā)明屬于圖像處理技術(shù)領(lǐng)域，準(zhǔn)確來(lái)說(shuō)是針對(duì)高分辨sar圖像的分類(lèi)，具體是一種基于共稀疏模型的高分辨sar圖像分類(lèi)方法，應(yīng)用到sar圖像分類(lèi)領(lǐng)域。

背景技術(shù)：

隨著合成孔徑雷達(dá)(syntheticapertureradar,sar)成像技術(shù)逐漸提升，sar圖像在各個(gè)領(lǐng)域的應(yīng)用越來(lái)越多，促使了進(jìn)一步研究和發(fā)展sar圖像分類(lèi)技術(shù)。由于原始sar圖像存在相干斑噪聲，使得過(guò)去傳統(tǒng)的圖像分類(lèi)方法在sar圖像分類(lèi)上不適用。sar圖像分類(lèi)可被應(yīng)用于資源探測(cè)、軍事偵察、醫(yī)學(xué)領(lǐng)域、農(nóng)作物生長(zhǎng)監(jiān)測(cè)、災(zāi)難危害評(píng)估等方面，sar圖像應(yīng)用的價(jià)值和重要性，sar圖像分類(lèi)方法也有待進(jìn)一步提高。

比較經(jīng)典的sar圖像分類(lèi)方法步驟一般分為四步：特征提取，字典學(xué)習(xí)，特征編碼和分類(lèi)器分類(lèi)，其中字典學(xué)習(xí)和編碼學(xué)習(xí)是近些年來(lái)著重研究的兩部分。

一般研究字典學(xué)習(xí)的重點(diǎn)是基于稀疏表示模型中的綜合模型。其實(shí)早在2011年sangnamnam等人就提出了被大家忽略的另一種稀疏表示模型：解析模型，也稱(chēng)為共稀疏解析模型(cosparseanalysismodel)，并且在2013年詳細(xì)闡述其原理和算法，將其應(yīng)用于人臉圖像去噪方向，但并未用于圖像分類(lèi)方面。

2014年，sumitshekhar等人提出將共稀疏模型應(yīng)用于人臉圖像的分類(lèi)，基于軟閾值方法求解最優(yōu)化問(wèn)題方法得到共稀疏系數(shù)，利用了lost算法提取了圖像中各像元點(diǎn)的變換域特征，并做了人臉圖像分類(lèi)實(shí)驗(yàn)驗(yàn)證了方法的可行性，且與先前基于綜合稀疏模型實(shí)現(xiàn)人臉圖像分類(lèi)的方法進(jìn)行了對(duì)比，發(fā)現(xiàn)實(shí)現(xiàn)人臉圖像分類(lèi)的速率得到了提高。

雖然共稀疏解析模型已經(jīng)被應(yīng)用到圖像分類(lèi)領(lǐng)域，且基于共稀疏模型的方法已經(jīng)在速率方面展現(xiàn)出了優(yōu)勢(shì)，但這類(lèi)方法還未在高分辨sar圖像分類(lèi)領(lǐng)域得到應(yīng)用，且圖像分類(lèi)方法求解共稀疏系數(shù)時(shí)只是簡(jiǎn)單的采用了軟閾值方法，沒(méi)有充分利用學(xué)習(xí)的解析算子，圖像分類(lèi)準(zhǔn)確率有限。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明的目的在于針對(duì)現(xiàn)有技術(shù)的不足，提出一種分類(lèi)準(zhǔn)確率得到提高且速度快的基于共稀疏模型的高分辨sar圖像分類(lèi)方法。

本發(fā)明是一種基于共稀疏模型的高分辨sar圖像分類(lèi)方法，包括如下步驟：

步驟1、輸入圖像得到初始像素值矩陣：選取一幅待分類(lèi)的高分辨sar圖像，以所有像素點(diǎn)為中心截取m1×m1大小的像素塊，每個(gè)像素塊展成一列，遍歷圖像中所有像素點(diǎn)得到實(shí)驗(yàn)樣本x∈r^m×ll，m為一個(gè)像素塊中的像素點(diǎn)個(gè)數(shù)，ll為待分類(lèi)高分辨sar圖像中的像素點(diǎn)個(gè)數(shù)。

步驟2、選取解析算子學(xué)習(xí)的初始樣本：在初始像素值矩陣x中隨機(jī)選取l列構(gòu)成大小為m×l的矩陣y，作為算子學(xué)習(xí)的樣本矩陣y＝[y1,y2,…,yi,…,yl]，yi表示第i個(gè)中心像素點(diǎn)所在m1×m1大小的像素塊展開(kāi)的列向量。

步驟3、學(xué)習(xí)解析算子：將投影次梯度和統(tǒng)一行規(guī)范緊框架(uniformnormalizedtightframe,untf)兩者相結(jié)合，利用初始樣本矩陣y迭代學(xué)習(xí)得到解析算子ω。

步驟4、基于增廣拉格朗日方法求解共稀疏系數(shù)：由解析算子ω和初始像素值矩陣x，根據(jù)共稀疏解析模型z＝ωx，利用增廣拉格朗日方法，加入對(duì)偶參數(shù)求解凸規(guī)劃問(wèn)題得到共稀疏系數(shù)z。

步驟5、確定支持向量機(jī)的輸入樣本：將第i個(gè)像素點(diǎn)對(duì)應(yīng)像素塊的共稀疏系數(shù)向量zi和該像素塊的像素值向量xi相組合得到最終分類(lèi)時(shí)像素點(diǎn)的特征向量si，得到所有像素點(diǎn)的特征矩陣s＝[s1,s1,…,si,…,sll]。

步驟6、運(yùn)用支持向量機(jī)(supportvectormachine,svm)預(yù)測(cè)所有像素點(diǎn)的標(biāo)簽：隨機(jī)選取樣本特征矩陣s中的一部分列向量作為訓(xùn)練樣本，確定這些列向量的類(lèi)別標(biāo)簽，利用libsvm分類(lèi)器預(yù)測(cè)得到所有列向量的類(lèi)別標(biāo)簽，列向量的類(lèi)別標(biāo)簽即為圖像中每一個(gè)像素點(diǎn)的類(lèi)別歸屬。

步驟7、顯示分類(lèi)結(jié)果：將預(yù)測(cè)的類(lèi)別標(biāo)簽用灰度圖像顯示出來(lái)，即可得到輸入高分辨sar圖像最終的分類(lèi)結(jié)果圖。

本發(fā)明將共稀疏模型應(yīng)用于高分辨sar圖像分類(lèi)領(lǐng)域，提出應(yīng)用變換域特征結(jié)合像素值特征基于支持向量機(jī)實(shí)現(xiàn)高分辨sar圖像的分類(lèi)，并得到速度快效率高的分類(lèi)結(jié)果。

本發(fā)明與現(xiàn)有技術(shù)相比具有以下優(yōu)點(diǎn)：

1，為了得到圖像的稀疏表示，現(xiàn)有技術(shù)主要是基于稀疏表示中綜合模型的方法學(xué)習(xí)字典，用字典中少量原子的線(xiàn)性表示得到圖像的稀疏表示系數(shù)，從而利用稀疏系數(shù)進(jìn)行圖像分類(lèi)，因?yàn)樽值鋵W(xué)習(xí)過(guò)程中用到了大量的矩陣求逆和分解計(jì)算，使得字典學(xué)習(xí)需要較多時(shí)間和計(jì)算儲(chǔ)存量；而本發(fā)明是基于共稀疏模型實(shí)現(xiàn)高分辨sar圖像分類(lèi)，圖像的稀疏表示是基于解析算子的，且算子的學(xué)習(xí)過(guò)程避免了矩陣求逆計(jì)算，學(xué)習(xí)方法速度更快，分類(lèi)效率大大提高。

2，不同于現(xiàn)有技術(shù)中的應(yīng)用在圖像分類(lèi)上的共稀疏系數(shù)求解方法，簡(jiǎn)單的由共稀疏模型公式加軟閾值的方法就得到了共稀疏系數(shù)，本發(fā)明是運(yùn)用了圖像去噪中的共稀疏模型算法，稍微修改使其適應(yīng)圖像分類(lèi)過(guò)程，利用增廣拉格朗日乘子求最優(yōu)化的方法求解共稀疏系數(shù)，充分利用解析算子。并且在此基礎(chǔ)上將像素點(diǎn)的共稀疏系數(shù)和像素值相結(jié)合，再利用了圖像的紋理特征使得分類(lèi)時(shí)的細(xì)節(jié)信息更準(zhǔn)確，提高了高分辨sar圖像分類(lèi)結(jié)果的準(zhǔn)確性。

附圖說(shuō)明

圖1是本發(fā)明的流程圖；

圖2是本發(fā)明在一幅包含有較多細(xì)節(jié)信息的高分辨sar圖像上的分類(lèi)結(jié)果圖,其中圖2(a)為一幅256×256大小的部分森林圖像，圖2(b)為將原始像素值作為樣本特征基于svm的分類(lèi)結(jié)果。圖2(c)為sumitshekhar提出的軟閾值共稀疏編碼的分類(lèi)結(jié)果，圖2(d)為本發(fā)明提出的分類(lèi)方法的結(jié)果圖；

圖3是本發(fā)明在一幅大小為480×512的真實(shí)sar圖像上的分類(lèi)結(jié)果，其中圖3(a)為包含森林、機(jī)場(chǎng)跑道和普通土地三類(lèi)的原始圖像，圖3(b)是直接將原始像素塊的灰度值作為樣本分類(lèi)特征基于svm的，圖3(c)為sumitshekhar提出的簡(jiǎn)單軟閾值共編碼的分類(lèi)效果；圖3(d)是本發(fā)明的分類(lèi)效果圖。

具體實(shí)施方式

下面結(jié)合附圖和具體實(shí)施例對(duì)本發(fā)明詳細(xì)說(shuō)明。

現(xiàn)有技術(shù)是采用綜合模型學(xué)習(xí)字典，需要大量時(shí)間和計(jì)算量。雖然共稀疏解析模型也被應(yīng)用到人臉圖像分類(lèi)領(lǐng)域，但圖像分類(lèi)方法求解共稀疏系數(shù)時(shí)只是簡(jiǎn)單的采用了軟閾值方法，分類(lèi)準(zhǔn)確率有限。且還未應(yīng)用到高分辨sar圖像分類(lèi)領(lǐng)域。針對(duì)這些技術(shù)問(wèn)題本發(fā)明展開(kāi)了研究與創(chuàng)新，提出一種基于共稀疏模型的高分辨sar圖像分類(lèi)方法。

實(shí)施例1

本發(fā)明是一種基于共稀疏模型的高分辨sar圖像分類(lèi)方法，參見(jiàn)圖1，包括有如下步驟：

步驟1、輸入圖像得到初始像素值矩陣：選取一幅待分類(lèi)的高分辨sar圖像，如圖2(a)所示的圖像，將圖像用matlab軟件讀取，若輸入圖像是三個(gè)通道的rgb圖像則需要將其轉(zhuǎn)化為灰度值圖像，若為單通道的灰度圖像則直接得到圖像的灰度值矩陣，矩陣中每個(gè)元素對(duì)應(yīng)圖像中一個(gè)像素點(diǎn)。

以所有像素點(diǎn)為中心截取m1×m1大小的像素塊，為了方便以后的數(shù)據(jù)處理，將每個(gè)像素塊展成一列。遍歷圖像中所有像素點(diǎn)得到實(shí)驗(yàn)樣本x∈r^m×ll，m為一個(gè)像素塊中的像素點(diǎn)個(gè)數(shù)，ll為待分類(lèi)高分辨sar圖像中的像素點(diǎn)個(gè)數(shù)，即得到輸入圖像的初始像素值矩陣x。

步驟2、選取解析算子學(xué)習(xí)的初始樣本：在初始像素值矩陣x中隨機(jī)選取l列構(gòu)成大小為m×l的矩陣y，作為算子學(xué)習(xí)的初始樣本矩陣y＝[y1,y2,…,yi,…,yl]，yi表示第i個(gè)中心像素點(diǎn)所在m1×m1大小的像素塊展開(kāi)的列向量，即得到學(xué)習(xí)解析算子時(shí)的初始樣本矩陣y。

為了使解析算子學(xué)習(xí)更準(zhǔn)確也可以人工選擇初始樣本矩陣y，保證每種類(lèi)別的像素點(diǎn)對(duì)應(yīng)的初始樣本向量個(gè)數(shù)均勻，但這樣會(huì)增加人力和時(shí)間。而本發(fā)明中隨機(jī)選取構(gòu)成初始樣本矩陣的方法在簡(jiǎn)單方便的同時(shí)也能保證解析算子正確學(xué)習(xí)。

步驟3、基于untf算法學(xué)習(xí)解析算子：用投影次梯度和統(tǒng)一行規(guī)范緊框架兩者相結(jié)合的方法，利用初始樣本矩陣y更新學(xué)習(xí)得到解析算子ω。

步驟4、基于增廣拉格朗日方法求解共稀疏系數(shù)：由解析算子ω和初始像素值矩陣x，根據(jù)共稀疏解析模型z＝ωx，利用增廣拉格朗日方法，加入對(duì)偶參數(shù)求解凸規(guī)劃問(wèn)題得到共稀疏系數(shù)z。

步驟5、確定svm分類(lèi)器的輸入樣本即獲取所有像素點(diǎn)的特征向量：將第i個(gè)像素點(diǎn)對(duì)應(yīng)像素塊的共稀疏系數(shù)向量zi和該像素塊的像素值向量xi相結(jié)合得到最終分類(lèi)時(shí)像素點(diǎn)的特征向量si，得到所有像素點(diǎn)的特征矩陣s＝[s1,s1,…,si,…,sll]。svm分類(lèi)器的所有輸入樣本為特征矩陣s。

像素值向量xi的選取可以為原始圖像截取到的像素塊向量；也可以是求解共稀疏系數(shù)時(shí)變化的x最終確定的矩陣中第i個(gè)像素點(diǎn)對(duì)應(yīng)的像素塊向量。

步驟6、運(yùn)用svm分類(lèi)器預(yù)測(cè)所有像素點(diǎn)的標(biāo)簽：隨機(jī)選取樣本特征矩陣s中的一部分列向量作為訓(xùn)練樣本，確定這些列向量的類(lèi)別標(biāo)簽，利用libsvm分類(lèi)器預(yù)測(cè)得到所有列向量的類(lèi)別標(biāo)簽，即為圖像中每一個(gè)像素點(diǎn)的歸屬類(lèi)別。

6.1、確定訓(xùn)練樣本(traindata)和訓(xùn)練標(biāo)簽(trainlabel)的輸入。

6.2、確定libsvm的核參數(shù)，訓(xùn)練svm分類(lèi)器模型。

6.3、輸入測(cè)試樣本(testdata)到svm分類(lèi)器模型中，得到預(yù)測(cè)標(biāo)簽(predictlabel)，測(cè)試樣本為特征矩陣s，預(yù)測(cè)標(biāo)簽為分類(lèi)結(jié)果。

步驟7、顯示分類(lèi)結(jié)果：將預(yù)測(cè)的類(lèi)別標(biāo)簽用灰度圖像顯示出來(lái)，即可得到輸入高分辨sar圖像最終的分類(lèi)結(jié)果圖。

本發(fā)明實(shí)現(xiàn)了共稀疏模型在高分辨sar圖像分類(lèi)領(lǐng)域的應(yīng)用，且采用共稀疏算子學(xué)習(xí)方法避免了矩陣求逆過(guò)程，比綜合模型字典學(xué)習(xí)方法速度更快，效率大大提高。

實(shí)施例2

基于共稀疏模型的高分辨sar圖像分類(lèi)方法同實(shí)施例1，其中步驟3中使用投影次梯度和統(tǒng)一行規(guī)范緊框架兩者相結(jié)合的方法構(gòu)造解析算子包括有以下步驟：

3.1、構(gòu)造初始解析算子ω0

隨機(jī)產(chǎn)生一個(gè)大小為m×n的過(guò)完備矩陣d＝[d1,d2,…,di,…,dn],其中di為列向量，1≤i≤n，n為解析算子的維度，n的大小根據(jù)需要人工選擇但必須大于m，得到初始解析算子ω0，ω0為過(guò)完備矩陣d的轉(zhuǎn)置矩陣即ω0＝d^t。

3.2、由次梯度投影公式計(jì)算參數(shù)ωg，0≤i≤kmax1，kmax1為求解析算子的最大迭代次數(shù)，ωi為第i個(gè)解析算子。

其中

3.3、計(jì)算ωi+1

采取降梯度的方法更新解析算子，給定初始步長(zhǎng)η，根據(jù)公式ωi+1＝ptf{pun(ωi-ηωg)}計(jì)算ωi+1，pun{·}表示投影到統(tǒng)一行規(guī)范空間，ptf{·}表示投影到緊框架。

3.4、迭代終止條件

當(dāng)f(ωi+1)≤f(ωi)或者i＞kmax1時(shí)結(jié)束迭代過(guò)程，f(ωi)是一個(gè)定義解析算子誤差的函數(shù)，f(ωi)等于矩陣ωiy中所有元素的絕對(duì)值之和，得到最終的解析算子ω＝ωi，否則修改步長(zhǎng)，令重復(fù)步驟(3.2)和(3.3)，直到ωi+1滿(mǎn)足迭代終止條件得到解析算子ω＝ωi。

用樣本矩陣y更新學(xué)習(xí)該算子，利用步驟4中求解稀疏系數(shù)時(shí)信號(hào)數(shù)據(jù)會(huì)變化的原理，重新計(jì)算步驟3得到系數(shù)z1＝ωy，滿(mǎn)足系數(shù)z1必須是稀疏的。

本發(fā)明是利用解析模型得到高分辨sar圖像的稀疏表示，避免了圖像基于綜合模型稀疏表示時(shí)需要花大量時(shí)間求解最優(yōu)字典的問(wèn)題，解析算子學(xué)習(xí)的時(shí)候簡(jiǎn)單方便，大大減少了存儲(chǔ)量和計(jì)算時(shí)間，使得分類(lèi)方法速度得到提高。

實(shí)施例3

基于共稀疏模型的高分辨sar圖像分類(lèi)方法同實(shí)施例1-2，其中步驟4中利用增廣拉格朗日方法求解共稀疏系數(shù)z問(wèn)題：s.t.z＝ωx，包括有以下步驟：

4.1、給定初始像素值矩陣x0＝x，解析算子ω，初始共稀疏系數(shù)z0＝ωx0，初始參數(shù)矩陣b0為大小與z0相等的零矩陣，常量參數(shù)λ＜1，常系數(shù)γ＜1。

4.2、根據(jù)以下公式計(jì)算像素值矩陣xi+1、共稀疏系數(shù)zi+1和參數(shù)矩陣bi+1，0≤i≤kmax2，kmax2為求共稀疏系數(shù)的最大迭代次數(shù)。

其中

bi+1＝bi-(zi+1-ωxi+1)

4.3、重復(fù)步驟4.2直到||zi+1-ωxi+1||2≥ε或者i＞kmax2時(shí)結(jié)束迭代過(guò)程，ε是遠(yuǎn)小于1的誤差常系數(shù)，直至得到最終的共稀疏系數(shù)z＝zi，zi是第i個(gè)共稀疏系數(shù)。

本發(fā)明中求解共稀疏系數(shù)的方法和人臉圖像分類(lèi)方法中簡(jiǎn)單的軟閾值求法不同，通過(guò)利用增廣拉格朗日乘子求最優(yōu)化的方法求解共稀疏系數(shù)，充分利用解析算子，使得圖像的稀疏表示更準(zhǔn)確。

實(shí)施例4

基于共稀疏模型的高分辨sar圖像分類(lèi)方法同實(shí)施例1-3，本發(fā)明在步驟5中將每個(gè)像素點(diǎn)的共稀疏系數(shù)向量zi和該像素點(diǎn)對(duì)應(yīng)像素塊的初始向量xi相結(jié)合得到最終分類(lèi)時(shí)像素點(diǎn)的特征向量si的具體步驟包括：取共稀疏系數(shù)矩陣z中的第i列向量zi∈rⁿ為最終分類(lèi)時(shí)像素點(diǎn)的特征向量si的前n行，該像素點(diǎn)對(duì)應(yīng)初始像素值矩陣的第i列向量xi∈r^m為最終分類(lèi)時(shí)像素點(diǎn)的特征向量si的后m行，得到最終的像素點(diǎn)的特征向量si∈r^m+n，所有像素點(diǎn)最終的特征向量組成特征向量矩陣s＝[s1,s2,...,si,...,sll]。

本發(fā)明將像素點(diǎn)的共稀疏系數(shù)和像素值相結(jié)合，利用圖像的紋理特征使圖像分類(lèi)時(shí)細(xì)節(jié)信息更準(zhǔn)確，提高了sar圖像分類(lèi)結(jié)果的準(zhǔn)確性。

下面給出一個(gè)更為詳盡的例子，對(duì)本發(fā)明再作說(shuō)明。

實(shí)施例5

基于共稀疏模型的高分辨sar圖像分類(lèi)方法同實(shí)施例1-4，

參照?qǐng)D1，本發(fā)明的具體實(shí)現(xiàn)步驟如下：

步驟1、輸入圖像得到初始像素值矩陣：選取一幅待分類(lèi)的高分辨sar圖像，如圖3(a)所示的圖像，以所有像素點(diǎn)為中心截取m1×m1大小的像素塊，并展成一列。遍歷全圖的像素點(diǎn)得到實(shí)驗(yàn)樣本x。

具體而言，一幅大小為l1×l2的待分類(lèi)的sar圖像，考慮到以像素點(diǎn)為中心構(gòu)成像素塊時(shí)，邊緣像素點(diǎn)會(huì)出現(xiàn)像素塊大小不夠的問(wèn)題，需要對(duì)原圖像數(shù)據(jù)進(jìn)行處理，先構(gòu)造一個(gè)比原圖長(zhǎng)寬都大m1-1的零矩陣，即大小為(l1+m1-1)×(l2+m2-1)的零矩陣x1，再使矩陣x1正中間l1×l2大小部分的元素為原sar圖像的像素值。這樣就避免了以邊緣點(diǎn)為中心截取像素塊時(shí)像素塊大小不夠的問(wèn)題。矩陣x1初始構(gòu)造的時(shí)候可以取隨機(jī)矩陣，因?yàn)檫吘壪袼攸c(diǎn)是有限的，最終取分類(lèi)樣本時(shí)也是隨機(jī)的，取到這些邊緣點(diǎn)的概率較低，對(duì)分類(lèi)結(jié)果影響不大。

預(yù)處理圖像后，按照行的順序以原圖像素點(diǎn)為中心取像素塊遍歷全圖，會(huì)得到ll個(gè)大小為m1×m1的像素塊，ll＝l1×l2，將其展成一列xi∈r^m*1，m＝m1×m1，所有像素塊構(gòu)成一個(gè)大小為m×ll的初始像素值矩陣x＝[x1,x2,...,xi,...,xll]。

像素塊的大小m1的取值根據(jù)圖像中地物紋理特征的粗細(xì)進(jìn)行決定，但尺度不能太小，通常最小尺度為3×3，一般選擇5×5,7×7,9×9等大小的像素塊。

步驟2、選取解析算子學(xué)習(xí)的樣本：隨機(jī)選取初始像素值矩陣x中的l列，即原圖中任意l個(gè)像素點(diǎn)為中心截取m1×m1大小的像素塊后展開(kāi)的向量作為初始特征，構(gòu)成樣本矩陣y＝[y1,y2,…,yi,...,yl]，yi表示某個(gè)中心像素點(diǎn)所在m1×m1大小的像素塊展開(kāi)的列向量，矩陣y的大小為m×l。

隨機(jī)選取像素點(diǎn)個(gè)數(shù)l根據(jù)實(shí)驗(yàn)具體情況人工確定。

步驟3、學(xué)習(xí)解析算子：將投影次梯度和統(tǒng)一行規(guī)范緊框架(uniformnormalizedtightframe,untf)兩者相結(jié)合，基于naaol算法學(xué)習(xí)解析算子ω∈r^n×m。

本發(fā)明將ω投影到統(tǒng)一行規(guī)范緊框架中，具體步驟如下：

(a)將ω投影到緊框架(tightframe,tf)中，緊框架就是一個(gè)空間域，則ω投影可以簡(jiǎn)單的用ω的奇異值分解代替，即：ptf{ω}＝uiv^t。其中ptf{ω}表示投影，u是正交矩陣，u里面的向量稱(chēng)為左奇異向量，i是對(duì)角矩陣，除了對(duì)角線(xiàn)的元素都是0，對(duì)角線(xiàn)上的元素稱(chēng)為奇異值，v為正交矩陣，v里面的向量稱(chēng)為左奇異向量，(·)^t表示矩陣的轉(zhuǎn)置。

奇異值分解是常見(jiàn)的矩陣分解方式，在機(jī)器學(xué)習(xí)領(lǐng)域中也屬于滿(mǎn)地可見(jiàn)是方法，目的是提取出矩陣最主要的特征。

(b)將ω投影到行規(guī)范框架(uniformnormalizedframe,un)中，當(dāng)元素為0時(shí)，投影的時(shí)候在[-1,1]中任意選擇一個(gè)矢量代替。當(dāng)不為0的元素投影到固定的行規(guī)范框架時(shí)，只需用此元素的標(biāo)準(zhǔn)化矢量代替即可。即：

pun{ω}＝[pun{wi}]i其中pun{ω}表示投影，wi是ω的第i行向量。

其中，向量v為標(biāo)準(zhǔn)范圍內(nèi)的任意向量。

3.1、構(gòu)造初始算子ω0。

隨機(jī)產(chǎn)生一個(gè)大小為m×n的矩陣d＝[d1,d2,…,di,…,dn],其中di為行向量，1≤i≤n，n為分析算子的維度，n的大小根據(jù)需要人工選擇但必須大于m。

重復(fù)上述步驟(a)和(b)，得到初始算子的轉(zhuǎn)置矩陣d0，則ω0＝d0^t。

3.2、由次梯度投影公式計(jì)算參數(shù)ωg，0≤i≤kmax1，kmax1為求解析算子的最大迭代次數(shù)，ωi為第i個(gè)解析算子；

其中

3.3、更新計(jì)算解析算子ωi+1。

采取降梯度的方式更新算子，給定初始步長(zhǎng)η，η為遠(yuǎn)小于1的常系數(shù)，可以選擇10^-5、10^-7、10^-8等，根據(jù)公式ωi+1＝ptf{pun(ωi-ηωg)}更新計(jì)算解析算子ωi+1。

3.4、迭代終止條件。

當(dāng)f(ωi+1)≤f(ωi)時(shí)結(jié)束迭代過(guò)程，f(ωi)是一個(gè)定義解析算子誤差的函數(shù)，定f(ωi)為矩陣ωiy中所有元素的絕對(duì)值之和，得到分析算子ω＝ωi+1＝[ω1^t,ω1^t,…,ωi^t,…,ωl^t]，ωi是ω的第i行向量。否則修改步長(zhǎng)，令重復(fù)步驟3.2和3.3得到新的ωi+1，直到滿(mǎn)足迭代終止條件得到解析算子ω＝ωi。

為了防止迭代過(guò)程中出現(xiàn)不終止現(xiàn)象，可以設(shè)置一個(gè)求解析算子過(guò)程中最大迭代次數(shù)kmax1，大小由需要決定。

解析算子ω學(xué)習(xí)的方法有很多種，本發(fā)明采用的naaol算法，不但準(zhǔn)確學(xué)習(xí)了解析算子，還避免了矩陣求逆計(jì)算，使得解析算子計(jì)算速率大大提高。

步驟4、由上述算子ω∈r^l×m和初始像素值矩陣x∈r^m×ll，根據(jù)共稀疏解析模型z＝ωx，利用基于增廣拉格朗日方法求解共稀疏系數(shù)z。

基于增廣拉格朗日方法解決非凸規(guī)劃問(wèn)題：其中z滿(mǎn)足z＝ωx。用一個(gè)對(duì)偶參數(shù)b∈r^l×m，并加入一個(gè)懲罰項(xiàng)<b，ωi+1x-z>，則上述最小化問(wèn)題可以等價(jià)于求解一個(gè)新的目標(biāo)函數(shù)g(x,z,b)的最小值,這個(gè)目標(biāo)函數(shù)是凸規(guī)劃的。

其中，γ為大于0的常系數(shù)，可以選擇0.1、0.2、0.3等，具體取值根據(jù)實(shí)驗(yàn)經(jīng)驗(yàn)而定。

求共稀疏系數(shù)z的具體步驟如下：

4.1、定初始像素值矩陣x0＝x，解析算子ω，初始共稀疏系數(shù)z0＝ωx0，初始參數(shù)矩陣b0為大小與z0相等的零矩陣，常量參數(shù)λ＞0，常系數(shù)γ＞0。

4.2.1、由以下公式計(jì)算xi+1。

4.2.2、計(jì)算稀疏系數(shù)

其中

4.2.3、計(jì)算懲罰項(xiàng)bi+1。

bi+1＝bi-(zi+1-ωxi+1)。

4.3、迭代終止條件。

當(dāng)||zi+1-ωxi+1||2≥ε時(shí)結(jié)束迭代過(guò)程，ε是遠(yuǎn)小于1的常系數(shù)，且得到z＝zi＝ωxi。否則，重復(fù)步驟4.2直到滿(mǎn)足迭代終止條件。

同樣的為了防止迭代過(guò)程中出現(xiàn)不終止現(xiàn)象，可以設(shè)置一個(gè)求共稀疏系數(shù)過(guò)程中的最大迭代次數(shù)kmax2，最大迭代次數(shù)的大小由實(shí)驗(yàn)經(jīng)驗(yàn)決定。

步驟5、取共稀疏系數(shù)矩陣z中的第i列向量zi∈rⁿ為最終分類(lèi)時(shí)像素點(diǎn)的特征向量si的前n行，該像素點(diǎn)對(duì)應(yīng)初始像素值矩陣的第i列向量xi∈r^m為最終分類(lèi)時(shí)像素點(diǎn)的特征向量si的后m行，得到最終的像素點(diǎn)的特征向量si∈r^m+n，所有像素點(diǎn)最終的特征向量組成特征向量矩陣s＝[s1,s2,...,si,...,sll]，1≤i≤ll。

步驟6、隨機(jī)選取樣本特征矩陣s中的一部分列向量作為訓(xùn)練樣本，確定訓(xùn)練樣本的分類(lèi)標(biāo)簽，利用libsvm分類(lèi)器分類(lèi)，libsvm是圖像分類(lèi)時(shí)一種常用的分類(lèi)器。

6.1、確定訓(xùn)練樣本(traindata)和訓(xùn)練標(biāo)簽(trainlabel)的輸入。

隨機(jī)選取特征矩陣s中的r個(gè)列向量構(gòu)成訓(xùn)練樣本矩陣ss＝[ss1,ss2,...,ssi,...,ssr]，ssi為矩陣s中的任意列向量，ss∈r^(m+n)×r。

隨機(jī)選取的特征個(gè)數(shù)r根據(jù)需要確定,為保證實(shí)驗(yàn)結(jié)果的正確性和快速性一般選取全部樣本數(shù)的百分之十。

訓(xùn)練標(biāo)簽為這些訓(xùn)練樣本對(duì)應(yīng)的分類(lèi)標(biāo)簽，即每一列向量ssi對(duì)應(yīng)于原sar圖像中像素塊相應(yīng)的標(biāo)簽是該像素塊中心的像素點(diǎn)所在位置對(duì)應(yīng)于原sar圖像標(biāo)準(zhǔn)圖中相同位置的像素點(diǎn)所對(duì)應(yīng)的分類(lèi)標(biāo)簽。

6.2、確定libsvm參數(shù)，訓(xùn)練分類(lèi)器模型。

libsvm中核參數(shù)根據(jù)多次試驗(yàn)結(jié)果對(duì)比選擇，本發(fā)明中的實(shí)驗(yàn)選擇的是rbf核。

6.3、確定測(cè)試樣本(testdata)的輸入。

本發(fā)明的測(cè)試樣本為完整的特征矩陣s∈r^(m+l)×ll，得到的預(yù)測(cè)標(biāo)簽是一個(gè)大小為ll×1的列向量。

步驟7、將預(yù)測(cè)的標(biāo)簽向量通過(guò)函數(shù)還原成原圖大小的標(biāo)簽矩陣，且每個(gè)像素點(diǎn)與其預(yù)測(cè)標(biāo)簽相對(duì)應(yīng)，并將此矩陣用灰度圖像顯示出來(lái)，即可得到最終的分類(lèi)結(jié)果圖。

按照上述步驟可以快速準(zhǔn)確的將一幅高分辨sar圖像分類(lèi)，通過(guò)本發(fā)明的方法利用小部分已知標(biāo)簽樣本能快速準(zhǔn)確的得到所有樣本的歸屬類(lèi)別。

下面通過(guò)仿真實(shí)驗(yàn)對(duì)本發(fā)明的技術(shù)效果進(jìn)行驗(yàn)證和說(shuō)明。

實(shí)施例6

基于共稀疏模型的高分辨sar圖像分類(lèi)方法同實(shí)施例1-5。

仿真條件和內(nèi)容：

運(yùn)行環(huán)境為windows，軟件為matlab2016b，用本發(fā)明的方法和原始像素值基于svm分類(lèi)的方法、簡(jiǎn)單的軟閾值求共稀疏系數(shù)的方法分別對(duì)兩幅sar圖像進(jìn)行分類(lèi)實(shí)驗(yàn)，從分類(lèi)結(jié)果的區(qū)域一致性、錯(cuò)分情況、邊緣保持等方面評(píng)估。

實(shí)驗(yàn)時(shí)梯度步長(zhǎng)參數(shù)η＝10^-7，求解析算子的最大迭代次數(shù)kmax1＝50000，常量參數(shù)λ＝γ＝0.1，誤差常系數(shù)ε＝0.001，求共稀疏系數(shù)的最大迭代次數(shù)kmax2＝500。

仿真實(shí)驗(yàn)結(jié)果：

圖2為包含有較多細(xì)節(jié)信息的真實(shí)sar圖像的分類(lèi)結(jié)果。其中圖2(a)為一幅大小為256×256像素的部分森林圖像，圖中紋理均勻的區(qū)域?yàn)榈缆泛推胀ㄍ恋兀y理不均勻的區(qū)域?yàn)闃?shù)木。圖2(b)為直接基于像素點(diǎn)特征的svm分類(lèi)方法得到的分類(lèi)結(jié)果；圖2(c)為應(yīng)用軟閾值法求共稀疏系數(shù)的方法得到的分類(lèi)結(jié)果；圖2(d)為本發(fā)明的方法對(duì)圖2(a)進(jìn)行分類(lèi)得到的結(jié)果圖。這三個(gè)分類(lèi)結(jié)果都是在的7×7尺度下進(jìn)行的，即截取的像素塊大小m1＝7。

對(duì)比這幾幅圖可以看出基于原始像素點(diǎn)分類(lèi)結(jié)果圖2(b)明顯沒(méi)有給出正確的分類(lèi)，只有分出了大致的輪廓信息。比較圖2(c)和圖2(d)，發(fā)現(xiàn)圖2(d)在不同類(lèi)別的邊緣處分類(lèi)更準(zhǔn)確，對(duì)于粗糙紋理的樹(shù)木區(qū)域的識(shí)別率也更高；對(duì)應(yīng)原圖像2(a)中主對(duì)角線(xiàn)方向上全黑的部分為道路，其中有部分灰色的區(qū)域?yàn)榈钠胀ㄐ÷?，明顯圖2(d)的識(shí)別出更多的普通小路；對(duì)應(yīng)著原始圖像圖2(a)最右邊中間部分粗糙紋理區(qū)域的普通土地，本發(fā)明能準(zhǔn)確識(shí)別為普通土地，而圖2(c)將此部分錯(cuò)分為同樣是粗糙紋理的樹(shù)木類(lèi)別，此部分在本發(fā)明提出的方法識(shí)別下結(jié)果更精確。

實(shí)施例7

基于共稀疏模型的高分辨sar圖像分類(lèi)方法同實(shí)施例1-5，仿真條件和內(nèi)容同實(shí)施例6。

圖3是一幅大小為480×512的真實(shí)sar圖像的分類(lèi)結(jié)果，圖3(a)為包含森林、機(jī)場(chǎng)跑道和普通土地三類(lèi)的原始圖像；圖3(b)是直接將原始像素塊的灰度值作為像素點(diǎn)分類(lèi)特征基于svm分類(lèi)器分類(lèi)得出的結(jié)果；圖3(c)為應(yīng)用簡(jiǎn)單軟閾值求共稀疏系數(shù)方法的分類(lèi)效果；圖3(d)是本發(fā)明的分類(lèi)效果圖。這三個(gè)分類(lèi)結(jié)果都是在的9×9尺度下進(jìn)行的，即截取的像素塊大小m1＝9。

從圖3對(duì)比各圖可以看出圖3(b)基于原始像素值的方法只能看出大致的輪廓，該方法將樹(shù)木和機(jī)場(chǎng)跑道幾乎識(shí)別為一類(lèi)。而簡(jiǎn)單軟閾值求共稀疏系數(shù)方法的分類(lèi)結(jié)果圖3(c)中森林部分基本沒(méi)有識(shí)別出來(lái)；本發(fā)明的結(jié)果圖3(d)將這塊區(qū)域大部分內(nèi)容識(shí)別出為樹(shù)木，識(shí)別準(zhǔn)確率提高。對(duì)應(yīng)原始圖像3(a)中間部分橫穿圖像的那條小路,軟閾值法主要將此條道路識(shí)別為森林部分，在圖3(c)中表現(xiàn)為深灰色；而本發(fā)明的方法是將其大部分識(shí)別劃分為道路，在圖3(d)中表現(xiàn)為黑色，本發(fā)明在細(xì)節(jié)部分的識(shí)別更精準(zhǔn)。

簡(jiǎn)而言之，本發(fā)明公開(kāi)了一種基于共稀疏模型的高分辨sar圖像分類(lèi)方法，屬于圖像處理技術(shù)領(lǐng)域，解決了sar圖像分類(lèi)時(shí)局限于用綜合稀疏模型表示圖像導(dǎo)致分類(lèi)時(shí)間復(fù)雜度高的技術(shù)問(wèn)題。其分類(lèi)過(guò)程為：在待分類(lèi)的sar圖像中以像素點(diǎn)為中心截取像素塊構(gòu)成初始像素值矩陣x；選取部分像素值向量構(gòu)成解析算子初始學(xué)習(xí)樣本；利用投影次梯度和統(tǒng)一行規(guī)范緊框架相結(jié)合的方法學(xué)習(xí)解析算子ω；基于增廣拉格朗日方法求最優(yōu)化問(wèn)題得到共稀疏系數(shù)z；將每個(gè)像素點(diǎn)對(duì)應(yīng)像素塊的共稀疏系數(shù)向量和該像素塊的像素值向量相結(jié)合得到最終分類(lèi)時(shí)像素點(diǎn)的特征向量；隨機(jī)選取部分特征向量構(gòu)成測(cè)試樣本ss，基于svm分類(lèi)器分類(lèi)，得到全圖各像素點(diǎn)特征向量的預(yù)測(cè)標(biāo)簽；將預(yù)測(cè)標(biāo)簽結(jié)果用灰度圖像顯示出來(lái)。本發(fā)明能快速求得圖像的稀疏表示，保證了sar圖像分類(lèi)的時(shí)效性和分類(lèi)準(zhǔn)確率。