CN103714148A - 基于稀疏编码分类的sar图像检索方法 - Google Patents

Abstract

本发明针对现有的图像检索***和方法的不足，提出了一种基于稀疏编码分类的SAR图像检索方法，通过特征的提取，过完备字典的构建，基于双重Memetic算法的稀疏表示求解，训练出稀疏表示分类器，既可以在分类过程中实现有监督的分类过程，又可以快速的求解出全局最优的稀疏解，然后根据相似度由高到低输出检索结果。该方法在解决图像分类的问题时，在分类准确度，检索内容相似性，计算复杂度，结果鲁棒性方面都起到了较优的改进效果。

Description

基于稀疏编码分类的SAR图像检索方法

技术领域

本发明属于SAR图像处理领域，涉及一种基于稀疏编码的SAR图像检索方法，可以准确的对SAR图像进行分类并实现检索，有效地降低了相干斑噪声对SAR图像分类结果的影响。

背景技术

合成孔径雷达—SyntheticApertureRadar,是一种从空间对地观测的有效手段，已经广泛的应用到了军事侦察，地貌观测，城市规划等方面。随着近年来SAR成像技术的提高，SAR图像的数量呈现***式的增长，针对SAR图像数据量多，自身噪声大的特点，如何从海量的SAR图像库中高效、准确地检索出所需要的图像已经成为亟待解决的问题。

随着信息技术的发展，图像的检索方法已经从最初的基于文本的检索方法转变成了基于内容的检索方法，该方法可以直接对图像进行分析，特征提取，相似度分析并实现检索。目前，主要的图像检索***包括：IBM开发的QBIC***，Virage***，stanford大学研究开发的SIMPLIcity***，清华大学研究的Internet平台的静态图像检索***和中科院开发的Mires图像检索原型***。这些***所用的数据库包含了自然图像，生物图像，多光谱图像等，但针对SAR图像的特殊性，这些***并不适用。

图像分类是实现基于内容的图像检索的关键环节。目前，常用的图像分类方法主要分为两类：有监督的方法和无监督的方法。有监督的分类方法包括：最近邻和k-近邻，贝叶斯分类器，支持向量机和神经网络。这些方法可以快速准确的实现图像的分类，但是因为在处理过程中需要模型的建立和学习，方法的时间复杂度较高；无监督的图像分类方法有聚类分析和模糊聚类分析。这两种方法的实现过程更为快速，但是分类的准确度却比较低。因此，如何快速准确的实现SAR图像的分类，是解决SAR图像检索的重要问题。

发明内容

本发明的目的在于针对上述已有的***和方法的缺点，提出了一种基于稀疏编码分类的有监督SAR图像检索方法，它可以快速的求解出全局最优的稀疏解。该方法不仅能够减少SAR图像处理的计算复杂度，并且可以有效地降低相干斑噪声对SAR图像检索结果造成的影响。

本发明的技术方案是，基于稀疏编码分类的SAR图像检索方法，其特征是：至少包括如下步骤：

步骤101：开始基于稀疏编码分类的SAR图像检索；

步骤102：在SAR图像库中选取训练图像，读入这些图像，本专利中选用的每幅图像大小为256×256，并利用精致Lee滤波的方法对其进行预处理，降低相干斑噪声对图像分类结果造成的影响，滤波器的窗口大小设定为7×7；

步骤103：对预处理后的训练图像利用灰度共生矩阵的方法进行特征提取，选取0°,45°,90°,135°方向上的能量、熵、对比度、局部相似性、相关各五个特征，每一幅训练图像对应得到一个维数是20的列向量；

设p_ij(d,θ)表示在给定空间距离d和方向θ时，以灰度i为始点，出现灰度级j的概率(i＝1,2,…G;j＝1,2,…G)，G为所考察图像区域内灰度级的最大值，则灰度共生矩阵是一个G×G的方阵，记

$p_x\left(i\right)=\underset{j=1}{\overset{G}{\mathrm{\Σ}}}{p}_{\mathrm{ij}}$     式（1）

$p_y\left(j\right)=\underset{i=1}{\overset{G}{\mathrm{\Σ}}}{p}_{\mathrm{ij}}$     式（2）

设定θ的取值为0°,45°,90°,135°，为了获得图像在各个方向上的纹理特征，对上述4个方向分别构造灰度共生矩阵提取相应的特征向量；选用的特征包括以下五种特征：

a)能量，又称角二阶矩：

$\mathrm{ASM}=\underset{i=1}{\overset{G}{\mathrm{\Σ}}}\underset{j=i}{\overset{G}{\mathrm{\Σ}}}{p_{\mathrm{ij}}}^2$     式（3）

它是图像灰度分布均匀性或平滑性的度量。当灰度共生矩阵中元素分布较集中于主对角线附近时，说明局部区域内图像灰度分布较均匀，图像呈现较细的纹理，角二阶矩的取值较大；

b)熵：

$\mathrm{ENT}=-\underset{i=1}{\overset{G}{\mathrm{\Σ}}}\underset{j=1}{\overset{G}{\mathrm{\Σ}}}{p}_{\mathrm{ij}}\log p_{\mathrm{ij}}$     式（4）

熵值是图像所具有信息量的度量，是测量灰度级分布随机性的特征参数，表征了图像中纹理的复杂程度；图像的灰度越均匀，熵值越小，图像的纹理越复杂，熵值则越大；另一方面，熵也能度量图像纹理的随机性，熵值越大，代表图像中灰度分布随机性大；

c)对比度，又称惯性矩：

$\mathrm{CON}=\underset{i=1}{\overset{G}{\mathrm{\Σ}}}\underset{j=1}{\overset{G}{\mathrm{\Σ}}}{(i-j)}^2\·p_{\mathrm{ij}}$     式（5）

它表征图像中的局部灰度变化总量，反映了图像的清晰度和纹理的沟纹深浅；纹理的沟纹深，对比度大，效果清晰；反之，对比度小，则沟纹浅，效果模糊；也就是说，如果偏离对角线的元素有较大值，即图像灰度值变化很快，则对比度值有较大取值；

d)局部相似性：

$\mathrm{HOM}=\underset{i=1}{\overset{G}{\mathrm{\Σ}}}\underset{j=1}{\overset{G}{\mathrm{\Σ}}}\frac{1}{1+{(i-j)}^2}\·p_{\mathrm{ij}}$     式（6）

局部相似性能刻画局部区域的纹理特征，是区分不同目标的重要度量；

e)相关

$\mathrm{COR}=\frac{1}{{\mathrm{\σ}}_x{\mathrm{\σ}}_y}\underset{i=1}{\overset{G}{\mathrm{\Σ}}}\underset{j=1}{\overset{G}{\mathrm{\Σ}}}(i-{\mathrm{\μ}}_x)(j-{\mathrm{\μ}}_y)\·p_{\mathrm{ij}}$     式（7）其中， ${\mathrm{\μ}}_x=\underset{i}{\mathrm{\Σ}}i\underset{j}{\mathrm{\Σ}}p(i,j),{\mathrm{\μ}}_y=\underset{j}{\mathrm{\Σ}}j\underset{i}{\mathrm{\Σ}}p(i,j)$

因此，在计算完灰度共生矩阵后，每幅图像可以得到20个特征，即降维到一个维数是20的列向量；

步骤104：利用步骤103中得到的特征向量组成过完备字典，训练稀疏分类器；

步骤105：利用训练好的稀疏分类器对整个SAR图库进行分类；

步骤106：存储SAR图像库中每幅图像的类标及对应的稀疏解；

步骤107：导入测试SAR图像，要求其大小与图像库中的SAR图像大小相等，按照步骤102中的方法对测试图像进行滤波处理；

步骤108：按照步骤103中的灰度共生矩阵的方法对测试图像进行特征提取，得到相应的20个特征；

步骤109：判断测试图像是否在步骤106得到的SAR图像库中，若是，则直接进行步骤110，否则进入步骤111；

步骤110：在有类标的SAR图像库中直接抽取与测试图像相同的SAR图像；

步骤111：利用之前训练好的稀疏分类器对测试图像进行分类；

步骤112：存储测试图像的类别标签及其对应的稀疏解；

步骤113：根据测试图像的类别在有类标的SAR图像库中提出相同类别的图像，进行图像相似度匹配；首先计算测试图像与同类别图像的稀疏解的欧式距离，然后找到稀疏解中最大系数所在的位置，计算两位置的差值，相似度的度量标准设定为欧式距离与位置差值的乘积的绝对值的倒数，值越大，代表相似度值越高。相似度表达式为：

$\mathrm{Sim}(x,u)=1/\left({\left(\underset{i=1}{\overset{m}{\mathrm{\Σ}}}{(x_i-u_i)}^2\right)}^{\frac{1}{2}}\right|m_x-n_u\left|\right)$     式（8）其中

为欧式距离表达式，x_i代表测试图像对应的稀疏解中第i个位置上的稀疏系数，m_x为最大系数所在的位置；u_i代表与测试样本同类别的训练图像的稀疏解中第i个位置上的稀疏系数，n_u为其最大系数所在的位置。

步骤114：将得到的相似度值，按照从大到小的顺序进行排列，返回检索结果；

步骤115：结束稀疏编码分类的SAR图像检索方法。

所述的步骤104，包括如下步骤：

步骤201：开始构建过完备字典并训练稀疏分类器；

步骤202：构造过完备字典：将训练图像对应的特征向量按照类别进行排列，相同类别的特征列向量依次排放在一起，构建出稀疏表示所需要的过完备字典A＝[χ₁,χ₂,...χ_n]，χ_i代表其中一类训练样本，χ_i=[α₁,α₂,...α_k]，训练样本总的类别数为n；

步骤203：得到新的局部过完备字典：将待分类样本与过完备字典中的每个训练样本相减计算残差值，设定一个阈值T，将残差值大于阈值的所对应的训练样本提出，组成新的局部过完备字典A₁＝[χ₁,χ₂,...χ_k]；

步骤204：利用基于双重局部搜索Memetic算法求解稀优化方程y=Ax，得到稀疏解x，优化方程中y为原始测试图像，A为训练图像组成的过完备字典，x为y对应的稀疏解；

步骤205：设计分类函数δ_i，（δ_i∈R^m×n），分别提出稀疏解x中各类的系数，构建出新的稀疏解δ_i(x)。在新的稀疏解中只有一类的系数值不为零，其余部分的值均为零；因此，按照以下公式重构出测试样本

$\hat{y}=A{\mathrm{\δ}}_i\left(x\right)$     式（9）最终图像分类的过程简化为求解如下问题：

$\hat{x}=\left\{\begin{array}{c}\min \left|\right|x{\left|\right|}_1\\ s.t.\left|\right|y-A{\mathrm{\δ}}_i\left(x\right){\left|\right|}_2\≤\mathrm{\ϵ}\end{array}\right.$     式（10）其中，||·||₁代表L₁-范数，||·||₂代表L₂-范数，A为训练图像组成的过完备字典。

计算原始待分类样本y和重构样本

差的二范数，得到的最小值所在的类别即为测试样本属于的类别；

步骤206：结束训练稀疏分类器的过程。

所述的步骤204，包括如下步骤：

步骤301：开始利用基于双重局部搜索的Memetic算法求解稀优化方程，得到稀疏解；

步骤302：个体的选取及编码，将局部过完备字典A₁中的训练样本的位置作为个体进行编码，编码方式采用十进制编码方式，设每个个体中包含五个样本位置；

步骤303：将五个编码位置对应的训练样本提出组成新的字典A₂，利用匹配追踪算法—MP，求解优化问题y=Ax，得到该字典下的稀疏系数；

步骤304：适应度函数的选择：将待分类样本y和重构样本的差的二范数设为适应度函数，二范数的值越小表示适应度越高；

步骤305：判断适应度值是否满足第一个终止条件—残差值小于设定值或达到最大迭代次数，若满足，则直接跳转至步骤310，否则继续执行步骤306；

步骤306：选择，根据适应度值的高低对样本进行选择，保留优秀个体，即适应度较高的个体；

步骤307：交叉，交叉的方式为随机产生一个交叉点，将交叉点后面的部分进行交换，相邻的个体两两交叉；

步骤308：变异，变异的方式为随机选取单点进行变异。

步骤309：第一阶段局部搜索，在每次迭代后得到较优的个体时，在局部字典A₁中将每个位置的左右n个邻域位置作为局部搜索候选选区，在候选区内重新根据适应度的高低进行选择，更新现有的较优个体；当完成第一阶段局部搜索后，回到全局搜索过程步骤304，计算个体的适应度值，进行下一执行指令的判断；

步骤310：第二阶段的局部搜索，当完成所有迭代过程后，按照步骤309中的搜索的方法，在整个过完备字典A中再次进行一次局部搜索；

步骤311：判断是否满足终止条件—残差值小于设定值或达到最大迭代次数，若满足进行步骤312，否则返回步骤310；

步骤312：输出最终的满足条件的全局最优个体，个体中的位置即为我们所需要的稀疏系数所在的位置；

步骤313：结束利用基于双重局部搜索的Memetic算法求解稀疏解的过程。

本发明与现有技术相比存在以下优点：

1.本方法先对SAR图像进行分类，然后根据类标检索相似图像，这样减少了相干斑噪声对SAR图像检索结果造成的影响。

2.在分类过程中，通过编码训练样本在过完备字典中的位置，我们可以构建一个新的字典A₂，从而使用更少的稀疏系数来表示原始测试样本，有效地减小了运算量，有利于快速的实现图像的分类。

3.在分类过程中，本文提出了双重局部搜索的方法。在每次选择，交叉，变异之后，进行第一阶段局部搜索。根据较优的个体在字典A₁中选取候选区域，候选区域设定为这五个位置的左右n个邻域，该方法可以简单、高效的得到最优解。在迭代过程完成之后，进行第二阶段的局部搜索，此时我们将候选空间放大到整个过完备字典A中，这样确保了最优解的全局性。并且，与其他进化算法相比，该方法求解过程更为快速。

4.在相似度匹配时，选取欧氏距离与位置差值乘积的绝对值作为度量标准，结合了图像的细节信息，与主分量信息，使检索结果更加准确。

下面结合流程图1和其他附图对本发明的具体实施步骤做进一步的描述。

附图说明

图1是本发明基于稀疏分类的SAR图像检索流程图；

图2是本发明实现图像分类的流程图；

图3(a)是稀疏表示过程，(b)是稀疏解x的示例；

图4是本文提出的基于双重局部搜索的Memetic算法的流程图；

图5是在产生初始种群时个体编码的方式及产生新字典的过程图解；

图6是在计算得到较优解后选取局部搜索候选区域的方法图；

图7是本文实验过程中分类所需的5类SAR图像依次为城市、农田、桥梁、山川、水域；

图8是用本文提出的方法和用正交匹配算法，最小二乘法，基追踪算法，步移正交匹配追踪算法，Memetic算法得到的分类准确度的对比结果；

图9是每类SAR图像的检索结果。

具体实施方式

如图1所示。基于稀疏编码分类的SAR图像检索方法，至少包括流程步骤：

步骤101：开始基于稀疏编码分类的SAR图像检索方法；

步骤102：在SAR图像库中选取训练图像，读入这些图像，本专利中选用的每幅图像大小为256×256，并利用精致Lee滤波的方法对其进行预处理，降低相干斑噪声对图像分类结果造成的影响，滤波器的窗口大小设定为7×7；

步骤103：对预处理后的训练图像利用灰度共生矩阵的方法进行特征提取，设方向θ的取值为0°，45°，90°，135°，即东—西、东北—西南、南—北、东南—西北4个方向；每个方向选取5个特征，分别是能量，熵，对比度，局部相似性和相关。因此，每幅图像可以得到20个特征，即降维到一个维数是20的列向量。

在本发明的实施例中，使用5类SAR图像进行分类处理，分别是城镇、农田、桥梁、山川和水域，每类图像数量为200，图像大小为256×256，如图7所示；

步骤104：利用步骤103中的到的特征向量组成过完备字典，求解优化方程y=Ax，训练稀疏分类器。优化方程中y为原始测试图像，A为训练图像组成的过完备字典，x为y对应的稀疏解；

步骤105：利用训练好的稀疏分类器对整个SAR图库进行分类；

步骤106：存储SAR图像库中每幅图像的类标及对应的稀疏解；

步骤107：导入测试SAR图像，要求其大小与图像库中的SAR图像大小相等，按照步骤102中的方法对测试图像进行滤波处理。

在本发明的实施例中，每类测试样本的个数分别为，360、433、167、400、400；

步骤108：按照步骤103中的灰度共生矩阵的方法对测试图像进行特征提取，得到相应的20个特征；

步骤109：判断测试图像是否在步骤106得到的SAR图像库中，若是，则直接进行步骤110，否则进入步骤111；

步骤110：在有类标的SAR图像库中直接抽取与测试图像相同的SAR图像；

步骤111：利用之前训练好的稀疏分类器对测试图像进行分类；

步骤112：存储测试图像的类别标签及其对应的稀疏解；

步骤113：根据测试图像的类别在有类标的SAR图像库中提出相同类别的图像，进行图像相似度匹配。首先计算测试图像与同类别图像的稀疏解的欧式距离，然后找到稀疏解中最大系数所在的位置，计算两位置的差值，相似度的度量标准设定为欧式距离与位置差值的乘积的绝对值的倒数，值越大，代表相似度值越高。相似度表达式为：

$\mathrm{Sim}(x,u)=1/\left({\left(\underset{i=1}{\overset{m}{\mathrm{\Σ}}}{(x_i-u_i)}^2\right)}^{\frac{1}{2}}\right|m_x-n_u\left|\right)$     式（8）其中为欧式距离表达式，x_i代表测试图像对应的稀疏解中第i个位置上的稀疏系数，m_x为最大系数所在的位置；u_i代表与测试样本同类别的训练图像的稀疏解中第i个位置上的稀疏系数，n_u为其最大系数所在的位置。

步骤114：将得到的相似度值，按照从大到小的顺序进行排列，返回检索结果；

步骤115：结束稀疏编码分类的SAR图像检索方法。

如图2所示，

所述的步骤104，包括如下步骤：

步骤201：开始构建过完备字典并训练稀疏分类器；

步骤202：构造过完备字典：将训练图像对应的特征向量按照类别进行排列，相同类别的特征列向量依次排放在一起，构建出稀疏表示所需要的过完备字典A＝[χ₁,χ₂,...χ_n]，χ_i代表其中一类训练样本，χ_i=[α₁,α₂,...α_k]，训练样本总的类别数为n；

步骤203：得到新的局部过完备字典：将待分类样本与过完备字典中的每个训练样本相减计算残差值，设定一个阈值T，将残差值大于阈值的所对应的训练样本提出，组成新的局部过完备字典A₁＝[χ₁,χ₂,...χ_k]；

步骤204：利用基于双重局部搜索Memetic算法求解稀优化方程y=Ax，得到稀疏解x，优化方程中y为原始测试图像，A为训练图像组成的过完备字典，x为y对应的稀疏解；

在本发明的实施例中，求解优化方程的到的稀疏解如图3所示；

步骤205：设计分类函数δ_i，（δ_i∈R^m×n），分别提出稀疏解x中各类的系数，构建出新的稀疏解δ_i(x)。在新的稀疏解中只有一类的系数值不为零，其余部分的值均为零；因此，按照以下公式重构出测试样本

$\hat{y}=A{\mathrm{\δ}}_i\left(x\right)$     式（9）最终图像分类的过程简化为求解如下问题：

$\hat{x}=\left\{\begin{array}{c}\min \left|\right|x{\left|\right|}_1\\ s.t.\left|\right|y-A{\mathrm{\δ}}_i\left(x\right){\left|\right|}_2\≤\mathrm{\ϵ}\end{array}\right.$     式（10）其中，||·||₁代表L₁-范数，||·||₂代表L₂-范数，A为训练图像组成的过完备字典。

计算原始待分类样本y和重构样本

差的二范数，得到的最小值所在的类别即为测试样本属于的类别；

步骤206：结束训练稀疏分类器的过程；

如图4所示，

所述的步骤204，包括如下步骤：

步骤301：开始利用基于双重局部搜索的Memetic算法求解稀优化方程，得到稀疏解；

步骤302：个体的选取及编码，将局部过完备字典A₁中的训练样本的位置作为个体进行编码，编码方式采用十进制编码方式，设每个个体中包含五个样本位置；

在本发明的实施例中，每类待分类样本的每个个体被编码五个位置，每一代包含50个个体，共计算200代，其编码方式如图5所示。

步骤303：将五个编码位置对应的训练样本提出组成新的字典A₂，利用匹配追踪算法—MP，求解优化问题y=Ax，得到该字典下的稀疏系数；

步骤304：适应度函数的选择：将待分类样本y和重构样本

的差的二范数设为适应度函数，二范数的值越小表示适应度越高；

步骤305：判断适应度值是否满足第一个终止条件—残差值小于设定值或达到最大迭代次数，若满足，则直接跳转至步骤310，否则继续执行步骤306；

步骤306：选择，根据适应度值的高低对样本进行选择，保留优秀个体，即适应度较高的个体；

步骤307：交叉，交叉的方式为随机产生一个交叉点，将交叉点后面的部分进行交换，相邻的两个个体两两交叉，在本发明的实施例中，交叉概率设为0.6；

步骤308：变异，变异的方式为随机选取单点进行变异，在本发明的实施例中，变异概率设为0.01；

步骤309：第一阶段局部搜索，在每次迭代后得到较优的个体时，在局部字典A₁中将每个位置的左右n个邻域位置作为局部搜索候选选区，在候选区内重新根据适应度的高低进行选择，更新现有的较优个体；当完成第一阶段局部搜索后，回到全局搜索过程步骤304，计算个体的适应度值，进行下一执行指令的判断；

在本发明的实施例中，将个体中每个位置的左右n个邻域位置作为局部搜索候选选区，选择方式如图6所示；

步骤310：第二阶段的局部搜索，当完成所有迭代过程后，按照步骤309中的搜索的方法，在整个过完备字典A中再次进行一次局部搜索；

步骤311：判断是否满足终止条件—残差值小于设定值或达到最大迭代次数，若满足进行步骤312，否则返回步骤310；

步骤312：输出最终的满足条件的全局最优个体，个体中的位置即为我们所需要的稀疏系数所在的位置；

步骤313：结束利用基于双重局部搜索的Memetic算法求解稀疏解的过程。

本实施例没有详细叙述的部分属本行业的公知的常用手段，这里不一一叙述。

本发明的效果可以通过以下仿真实验进一步说明：

1.实验条件和内容：

实验条件：

在CPU为core22.4GHZ、内存2G、WINDOWSXP***上使用Matlab2010进行仿真。

实验内容：

本发明实验所用的SAR图像库包含5类SAR图像，分别为城镇、农田、桥梁、山川和水域，图像大小为256×256，总数分别为560、633、367、600、600，如图7所示。在每类图像中随机选出200幅作为训练图像，其余的作为测试图像。

(1)分类准确度的比较：分别用本文提出的算法和正交匹配追踪算法，最小二乘法，步移正交匹配追踪算法，基追踪算法，Memetic算法等进行图像分类，比较最终的分类结果。

(2)计算SAR图像检索的查准率：

查全率与查准率是信息检索中的标准评价方法，现在已被越来越多地使用在基于内容的图像检索当中，本文使用查准率作为检索结果的评价标准，它反映检索结果的准确性。则查准率定义为：

$\mathrm{Precision}=p\left(A\right|B)=\frac{p(A\∪B)}{p\left(B\right)}$     式（11）其中，Q代表整个图像数据库，A代表相关图像的集合，B代表检索出的图像集合。

2.实验结果：

(1)用上述所提的方法对这5类SAR图像进行分类，结果如图7所示，其中绿色线代表基于正交匹配追踪算法的分类结果；蓝色线代表基于最小二乘法的分类结果；黑色线为基追踪方法得到的结果；黄色线为步移正交匹配追踪算法得到的结果；红色线为基于Memetic算法的分类结果；粉色线为本文所提出的基于双重局部搜索的Memetic和稀疏编码的方法所得到的分类结果。

从结果对比表1可知，进化算法可以在图像分类的优化问题上起到较好的效果，相比Memetic算法，我们提出的方法可以得到更高的分类准确度，并且鲁棒性更高。具体分类准确度为(%)：

表1

(2)用本文提出的方法得到的SAR图像检索的结果如表2所示，每类SAR图像计算得到的查准率为：

表2

综上可知，本文提出的方法在解决SAR图像检索的问题时，在分类准确度，检索相似性，计算复杂度，结果鲁棒性方面都起到了较优的效果。

Claims (3)

1.基于稀疏编码分类的SAR图像检索方法，其特征是：至少包括如下步骤：

步骤101：开始基于稀疏编码分类的SAR图像检索；

步骤102：在SAR图像库中选取训练图像，读入这些图像，本专利中选用的每幅图像大小为256×256，并利用精致Lee滤波的方法对其进行预处理，降低相干斑噪声对图像分类结果造成的影响，滤波器的窗口大小设定为7×7；

步骤103：对预处理后的训练图像利用灰度共生矩阵的方法进行特征提取，选取0°,45°,90°,135°方向上的能量、熵、对比度、局部相似性、相关各五个特征，每一幅训练图像对应得到一个维数是20的列向量；

设p_ij(d,θ)表示在给定空间距离d和方向θ时，以灰度i为始点，出现灰度级j的概率(i＝1,2,…G;j＝1,2,…G)，G为所考察图像区域内灰度级的最大值，则灰度共生矩阵是一个G×G的方阵，记

$p_x\left(i\right)=\underset{j=1}{\overset{G}{\mathrm{\Σ}}}{p}_{\mathrm{ij}}$     式（1）

$p_y\left(j\right)=\underset{i=1}{\overset{G}{\mathrm{\Σ}}}{p}_{\mathrm{ij}}$     式（2）

设定θ的取值为0°,45°,90°,135°，为了获得图像在各个方向上的纹理特征，对上述4个方向分别构造灰度共生矩阵提取相应的特征向量；选用的特征包括以下五种特征：

1)能量，又称角二阶矩：

$\mathrm{ASM}=\underset{i=1}{\overset{G}{\mathrm{\Σ}}}\underset{j=i}{\overset{G}{\mathrm{\Σ}}}{p_{\mathrm{ij}}}^2$     式（3）

它是图像灰度分布均匀性或平滑性的度量。当灰度共生矩阵中元素分布较集中于主对角线附近时，说明局部区域内图像灰度分布较均匀，图像呈现较细的纹理，角二阶矩的取值较大；

2)熵：

$\mathrm{ENT}=-\underset{i=1}{\overset{G}{\mathrm{\Σ}}}\underset{j=1}{\overset{G}{\mathrm{\Σ}}}{p}_{\mathrm{ij}}\log p_{\mathrm{ij}}$     式（4）

熵值是图像所具有信息量的度量，是测量灰度级分布随机性的特征参数，表征了图像中纹理的复杂程度；图像的灰度越均匀，熵值越小，图像的纹理越复杂，熵值则越大；另一方面，熵也能度量图像纹理的随机性，熵值越大，代表图像中灰度分布随机性大；

3)对比度，又称惯性矩：

$\mathrm{CON}=\underset{i=1}{\overset{G}{\mathrm{\Σ}}}\underset{j=1}{\overset{G}{\mathrm{\Σ}}}{(i-j)}^2\·p_{\mathrm{ij}}$     式（5）

它表征图像中的局部灰度变化总量，反映了图像的清晰度和纹理的沟纹深浅；纹理的沟纹深，对比度大，效果清晰；反之，对比度小，则沟纹浅，效果模糊；也就是说，如果偏离对角线的元素有较大值，即图像灰度值变化很快，则对比度值有较大取值；

4)局部相似性：

$\mathrm{HOM}=\underset{i=1}{\overset{G}{\mathrm{\Σ}}}\underset{j=1}{\overset{G}{\mathrm{\Σ}}}\frac{1}{1+{(i-j)}^2}\·p_{\mathrm{ij}}$     式（6）

局部相似性能刻画局部区域的纹理特征，是区分不同目标的重要度量；

5)相关

$\mathrm{COR}=\frac{1}{{\mathrm{\σ}}_x{\mathrm{\σ}}_y}\underset{i=1}{\overset{G}{\mathrm{\Σ}}}\underset{j=1}{\overset{G}{\mathrm{\Σ}}}(i-{\mathrm{\μ}}_x)(j-{\mathrm{\μ}}_y)\·p_{\mathrm{ij}}$     式（7）其中， ${\mathrm{\μ}}_x=\underset{i}{\mathrm{\Σ}}i\underset{j}{\mathrm{\Σ}}p(i,j),{\mathrm{\μ}}_y=\underset{j}{\mathrm{\Σ}}j\underset{i}{\mathrm{\Σ}}p(i,j).$

因此，在计算完灰度共生矩阵后，每幅图像可以得到20个特征，即降维到一个维数是20的列向量；

步骤104：利用步骤103中得到的特征向量组成过完备字典，训练稀疏分类器；

步骤105：利用训练好的稀疏分类器对整个SAR图库进行分类；

步骤106：存储SAR图像库中每幅图像的类标及对应的稀疏解；

步骤107：导入测试SAR图像，要求其大小与图像库中的SAR图像大小相等，按照步骤102中的方法对测试图像进行滤波处理；

步骤108：按照步骤103中的灰度共生矩阵的方法对测试图像进行特征提取，得到相应的20个特征；

步骤109：判断测试图像是否在步骤106得到的SAR图像库中，若是，则直接进行步骤110，否则进入步骤111；

步骤110：在有类标的SAR图像库中直接抽取与测试图像相同的SAR图像；

步骤111：利用之前训练好的稀疏分类器对测试图像进行分类；

步骤112：存储测试图像的类别标签及其对应的稀疏解；

步骤113：根据测试图像的类别在有类标的SAR图像库中提出相同类别的图像，进行图像相似度匹配；首先计算测试图像与同类别图像的稀疏解的欧式距离，然后找到稀疏解中最大系数所在的位置，计算两位置的差值，相似度的度量标准设定为欧式距离与位置差值的乘积的绝对值的倒数，值越大，代表相似度值越高。相似度表达式为：

$\mathrm{Sim}(x,u)=1/\left({\left(\underset{i=1}{\overset{m}{\mathrm{\Σ}}}{(x_i-u_i)}^2\right)}^{\frac{1}{2}}\right|m_x-n_u\left|\right)$     式（8）其中

为欧式距离表达式，x_i代表测试图像对应的稀疏解中第i个位置上的稀疏系数，m_x为最大系数所在的位置；u_i代表与测试样本同类别的训练图像的稀疏解中第i个位置上的稀疏系数，nu为其最大系数所在的位置。

步骤114：将得到的相似度值，按照从大到小的顺序进行排列，返回检索结果；

步骤115：结束稀疏编码分类的SAR图像检索方法。

2.根据权利要求1所述的基于稀疏编码分类的SAR图像检索方法，其特征是：所述的步骤104，包括如下步骤：

步骤201：开始构建过完备字典并训练稀疏分类器；

步骤202：构造过完备字典：将训练图像对应的特征向量按照类别进行排列，相同类别的特征列向量依次排放在一起，构建出稀疏表示所需要的过完备字典A＝[χ₁,χ₂,...χ_n]，χ_i代表其中一类训练样本，χ_i=[α₁,α₂,...α_k]，训练样本总的类别数为n；

步骤203：得到新的局部过完备字典：将待分类样本与过完备字典中的每个训练样本相减计算残差值，设定一个阈值T，将残差值大于阈值的所对应的训练样本提出，组成新的局部过完备字典A₁＝[χ₁,χ₂,...χ_k]；

步骤204：利用基于双重局部搜索Memetic算法求解稀优化方程y=Ax，得到稀疏解x，优化方程中y为原始测试图像，A为训练图像组成的过完备字典，x为y对应的稀疏解；

步骤205：设计分类函数δ_i，（δ_i∈R^m×n），分别提出稀疏解x中各类的系数，构建出新的稀疏解δ_i(x)。在新的稀疏解中只有一类的系数值不为零，其余部分的值均为零；因此，按照以下公式重构出测试样本

$\hat{y}=A{\mathrm{\δ}}_i\left(x\right)$     式（9）

最终图像分类的过程简化为求解如下问题：

$\hat{x}=\left\{\begin{array}{c}\min \left|\right|x{\left|\right|}_1\\ s.t.\left|\right|y-A{\mathrm{\δ}}_i\left(x\right){\left|\right|}_2\≤\mathrm{\ϵ}\end{array}\right.$     式（10）其中，||·||₁代表L₁-范数，||·||₂代表L₂-范数，A为训练图像组成的过完备字典。

计算原始待分类样本y和重构样本差的二范数，得到的最小值所在的类别即为测试样本属于的类别；

步骤206：结束训练稀疏分类器的过程。

3.根据权利要求2所述的基于稀疏编码分类的SAR图像检索方法，其特征是：所述的步骤204，包括如下步骤：

步骤301：开始利用基于双重局部搜索的Memetic算法求解稀优化方程，得到稀疏解；

步骤302：个体的选取及编码，将局部过完备字典A₁中的训练样本的位置作为个体进行编码，编码方式采用十进制编码方式，设每个个体中包含五个样本位置；

步骤303：将五个编码位置对应的训练样本提出组成新的字典A₂，利用匹配追踪算法—MP，求解优化问题y=Ax，得到该字典下的稀疏系数；

步骤304：适应度函数的选择：将待分类样本y和重构样本

的差的二范数设为适应度函数，二范数的值越小表示适应度越高；

步骤305：判断适应度值是否满足第一个终止条件—残差值小于设定值或达到最大迭代次数，若满足，则直接跳转至步骤310，否则继续执行步骤306；

步骤306：选择，根据适应度值的高低对样本进行选择，保留优秀个体，即适应度较高的个体；

步骤307：交叉，交叉的方式为随机产生一个交叉点，将交叉点后面的部分进行交换，相邻的个体两两交叉，在本发明的实施例中，交叉概率设为0.6；

步骤308：变异，变异的方式为随机选取单点进行变异，在本发明的实施例中，变异概率设为0.01；

步骤309：第一阶段局部搜索，在每次迭代后得到较优的个体时，在局部字典A₁中将每个位置的左右n个邻域位置作为局部搜索候选选区，在候选区内重新根据适应度的高低进行选择，更新现有的较优个体；当完成第一阶段局部搜索后，回到全局搜索过程步骤304，计算个体的适应度值，进行下一执行指令的判断；

步骤310：第二阶段的局部搜索，当完成所有迭代过程后，按照步骤309中的搜索的方法，在整个过完备字典A中再次进行一次局部搜索；

步骤311：判断是否满足终止条件—残差值小于设定值或达到最大迭代次数，若满足进行步骤312，否则返回步骤310；

步骤312：输出最终的满足条件的全局最优个体，个体中的位置即为我们所需要的稀疏系数所在的位置；

步骤313：结束利用基于双重局部搜索的Memetic算法求解稀疏解的过程。

Images