基于多尺度模糊测度与半监督学习的SAR图像识别方法
专利汇可以提供基于多尺度模糊测度与半监督学习的SAR图像识别方法专利检索，专利查询，专利分析的服务。并且本 发明 公开了一种基于多尺度模糊测度与半 监督学习 的SAR 图像识别 方法，解决了 现有技术 SAR图像识别 精度 低的问题。其实现步骤为：通过切分原始SAR图像建立图像库，并从中挑选目标单一的图像 块 ；提取图库内图像块的 特征向量 ；将挑出的图像块分成若干类，并用对应的特征向量作为训练样本，训练半监督分类器，用此分类器对图像库分类；对用户输入的查询图像块，用已训练的分类器得到类别；根据混淆矩阵求取该图像块的类别集合，计算查询图像块与图像库中属于该集合的图像块之间的多尺度区域模糊相似度，并依照从大到小的顺序返回用户需要数量的图像块。本发明能纠正分类错误，信息识别精度高，可用于对多幅SAR图像同时进行解译。，下面是基于多尺度模糊测度与半监督学习的SAR图像识别方法专利的具体信息内容。
1.一种基于多尺度模糊测度与半监督学习的SAR图像识别方法，包括如下步骤：
1)对原始SAR图像进行无重叠切分，以建立SAR图像库{p1,p2,…pθ,…,pN}，从该图像库中按照目标单一原则挑选图像块{p1,p2,…pθ,…,pι}，其中ι＜＜N,1≤τ≤N,1≤θ≤ι，N表示图库中的SAR图像块个数，ι表示挑选出的SAR图像块个数，pτ表示图库中的某幅SAR图像块，pθ表示挑选出的某幅SAR图像块，所述目标单一原则是指图像块中某目标占图像总面积的一半以上；
2)提取所有图像块的平稳小波三层变换的子带能量，作为图像块的特征向量
其中，
3)将挑选出的SAR图像块{p1,p2,…pθ,…,pι}按照语义内容分成{ci,1≤i≤k}类，其中k表示语义类别的个数，并用对应的特征向量作为训练样本，训练高斯随机场半监督分类器，利用该分类器对SAR图像库{p1,p2,…pτ,…,pN}进行分类，得到具有类标的SAR图像库；
4)对用户输入的查询图像块p'，采用与步骤2)相同的方法提取其特征向量f'，并用与步骤3)相同的训练样本及训练好的高斯随机场半监督分类器，得到查询图像块的类标ci；
5)根据步骤4)得到的类标ci及经验混淆矩阵，计算查询图像块的类别集合{c}：
5a)在已分类的SAR图像库中，随机挑选训练样本训练高斯随机场半监督分类器，用该分类器进行100次随机分类试验，得到经验混淆矩阵Con∈Rk×k，该混淆矩阵Con是方阵，其中第i行第j列元素Con(i,j)表示属于ci类的样本被分为cj类的个数，1≤i≤k，1≤j≤k；
5b)对经验混淆矩阵进行列归一化，即将一列中的每个元素除以该列元素的总和，得到经验的后验概率矩阵ConP∈Rk×k；
5c)设置阈值T，将后验概率矩阵中的第i行第j列ConP(i,j)与阈值T进行比较，当ConP(i,j)≤T时，将ConP(i,j)设置为0，反之ConP(i,j)保持不变，阈值T的大小根据期望的每一列的非零元素个数设定；
5d)根据查询图像块的类标ci，在后验概率矩阵ConP中的第i列中查找非零元素的位置，最终得到类别集合{c}；
6)计算查询图像块p'与图库中属于类别集合{c}中所有图像块的多尺度区域模糊相似度：
6a)选取尺度集合s＝{ss1,…,ssa,…ssn}，其中sn表示尺度个数，ssa表示某一尺度值，s1≤sa≤sn；
6b)对于图像块p与查询图像块p'，分别以ssa×ssa区域大小为单位，计算离散小波一层变 换的高频子带能量 和灰度特征 并用 作为分割特征，
利用自适应的k-means算法进行聚类，得到ssa尺度下图像块p纹理区域集
及查询图像块p'的纹理区域集 其
中， 分别表示图像块p与查询图像块p'在ssa尺度下利用纹理特征分割后的各区域，
1≤h≤m，1≤o≤n，m表示图像块p的纹理区域的个数，n表示查询图像块p'的纹理区域的个数；
6c)计算图像块p在ssa尺度下各纹理区域的模糊平均距离 并计算查询图像块p'在ssa尺度下各纹理区域的模糊平均距离 根据得到的纹理区域模糊平均距离 和 计算图像块p各纹理区域与查询图像块p'各纹理区域在ssa尺度下的纹理模糊相似度
6d)对于图像块p与查询图像块p'，利用ssa尺度的Prewitt算子及二值分割法得到ssa尺度下图像块p的边缘区域集 及查询图像块p'的边缘区域集
分别表示图像块p与查询图像块p'在ssa尺度下利用边缘特征分割后的各区域，其中，v＝{1,2}，z＝{1,2}；
6e)计算图像块p在ssa尺度下各边缘区域模糊平均距离 并计算查询图像块p'在ssa尺度下各边缘区域的模糊平均距离 根据得到的边缘区域模糊平均距离 和 计算图像块p各边缘区域与查询图像块p'各边缘区域在ssa尺度下的边缘模糊相似度
6f)根据6c)和6e)得到的ssa尺度纹理模糊相似度 和ssa尺度边缘模糊相似度 计算图像块p与查询图像块p'在ssa尺度下的模糊相似度ufmsa；
6g)按步骤6b)至6f)的方法，计算出图像块p与查询图像块p'所有尺度下的模糊相似度s1 sa sn
ufm＝{ufm ,…,ufm ,…,ufm }；
6h)根据6g)得到的所有尺度下的模糊相似度ufm，计算查询图像块p'与图像块p的多尺度区域模糊相似度msufm：
其中， 表示 尺度模糊相似度 的权值，并且
6l)重复步骤6a)至6h)，计算出查询图像块p'与图库中属于类别集合{c}中所有图像块的多 尺度区域模糊相似度；
7)按照步骤6)得到的多尺度区域模糊相似度，以从大到小的顺序返回用户需要数量的图像，完成图像识别。
2.根据权利要求1所述的SAR图像识别方法，其中所述步骤6c)中计算图像块p在ssa尺度下各纹理区域模糊平均距离 通过如下公式计算：
其中， 为图像块p中纹理区域 的平均特征向量， 为图像块p中纹理区域 的平均特征向量，1≤h1≤m，1≤h2≤m，m表示图像块p的纹理区域的个数。
3.根据权利要求2所述的SAR图像识别方法，其中所述步骤6c)中计算查询图像块p'在ssa尺度下各纹理区域的模糊平均距离 通过如下公式计算：
其中， 为查询图像块p'中纹理区域 的平均特征向量， 为查询图像块p'中纹理区域 的平均特征向量，1≤o1≤n，1≤o2≤n，n表示查询图像块p'的纹理区域的个数。
4.根据权利要求3所述的SAR图像识别方法，其中所述步骤6c)中计算图像块p各纹理区域与查询图像块p'各纹理区域在ssa尺度下的纹理模糊相似度 通过如下公式计算：
其中， 表示图像块p在ssa尺度下各纹理区域模糊平均距离， 表示查询图像块p'在ssa尺度下各纹理区域的模糊平均距离。
5.根据权利要求2所述的SAR图像识别方法，其中所述步骤6e)中计算图像块p在ssa尺度下各边缘区域模糊平均距离 通过如下公式计算：
其中， 为图像块p中边缘区域 的平均特征向量， 为图像块p中边缘区域 的
平均特征向量。
6.根据权利要求5所述的SAR图像识别方法，其中所述步骤6e)中计算查询图像块p'在ssa尺度下各边缘区域模糊平均距离 通过如下公式计算：
其中， 为查询图像块p'中边缘区域 的平均特征向量， 为查询图像块p'中边缘区域 的平均特征向量。
7.根据权利要求6所述的SAR图像识别方法，其中所述步骤6e)中计算图像块p各纹理区域与查询图像块p'各边缘区域在ssa尺度下的边缘模糊相似度 通过如下公式计算：
其中， 表示图像块p在ssa尺度下各边缘区域模糊平均距离， 表示查询图像p'在ssa尺度下各边缘区域模糊平均距离。
8.根据权利要求2所述的SAR图像识别方法，其中所述步骤6f)图像块p与查询图像块p'在ssa尺度下的模糊相似度ufmsa，通过如下公式计算：
其中，ρt表示纹理区域模糊相似度 的权值，ρe表示边缘区域模糊相似度 的权值，且ρt+ρe＝1，ωt表示纹理区域重要性因子，ωe表示边缘区域重要性因子，ωt和ωe可通过如下公式计算：
其中， 和 分别表示纹理区域的面积分布和中心分布权值， 和 分别表示边缘区域的面 积分布和中心分布权值，λ表示平衡因子，0≤λ≤1。
基于多尺度模糊测度与半监督学习的SAR图像识别方法
技术领域
背景技术
695。但这些技术明显已不符合当下SAR图像数量海量增长的应用环境。
947-963；又如基于区域的模糊特征匹配检索方法，参见Y.Chen and J.Z.Wang“, Aregion-based fuzzy feature matching approach to content-based image retrieval,”Pattern Analysis and Machine Intelligence,IEEE Transactions on,vol.24,no.9,pp.1252–1267,2002。上述两种检索方法已成功的应用于海量的自然图像检索问题，但由于技术限制及SAR图像自身特点，将其直接应用在SAR图像识别中效果并不理想。2009年一种结合高斯混合模型分类的SAR图像检索系统被提出，即GMM检索系统，参见Hou,B.,Tang,X.,Jiao,L.,&Wang,S.(2009,October).SAR image retrieval based on Gaussian Mixture Model classification.In Synthetic Aperture Radar,2009.APSAR 2009.2nd Asian-Pacific Conference on(pp.796-799).IEEE，该方法面向SAR图像，在检索过程中有效的运用了纹理特征，但由于利用有监督分类方法使得其在现实问题中的推广化能力较低，同时因为该方法的相似度匹配技术并没有考虑SAR图像的特点，使得检索效果不甚理想。虽然该文章中给出了出色的实验结果，但这些结果依赖于有重叠的切割原始SAR图像建立图库，这种策略得到的图像块具有高度的集群特性，即同一类内的样本间距很小，不同类的样本间距很大，这样的数据分布与实际应用中的数据分布往往差异大，其实验结果不能充分的验证其方法的有效性。
发明内容
具体实施方式
海洋 1810 0 0 0 29
海床 2 187 101 28 100
住宅区 0 6 1257 163 0
农田 0 0 11 1171 0
池塘 19 57 2 59 592
海洋 0.9885 0 0 0 0.0402
海床 0.0011 0.7480 0.0737 0.0196 0.1387
住宅区 0 0.0240 0.9168 0.1139 0
农田 0 0 0.0080 0.8183 0
池塘 0.0104 0.2280 0.0015 0.0482 0.8211
海洋 0.9885 0 0 0 0.0402
海床 0 0.7480 0.0737 0.0196 0.1387
住宅区 0 0.0240 0.9168 0.1139 0
农田 0 0 0 0.8183 0
池塘 0.0104 0.2280 0 0.0482 0.8211
其中， 分别表示图像块p与查询图像块p'在ssa尺度
下利用纹理特征分割后的各区域，1≤h≤m，1≤o≤n，m表示图像块p的纹理区域的个数，n表示查询图像块p'的纹理区域的个数；
| 标题 | 发布/更新时间 | 阅读量 |
|---|---|---|
| 适用于物流行业的智能单证结构化提取方法 | 2020-05-08 | 1276 |
| 基于流形正则和范数正则的领域迁移极限学习机方法 | 2020-05-11 | 423 |
| 一种基于ACGAN图像半监督分类算法 | 2020-05-15 | 38 |
| 一种基于半监督学习深度对抗网络的故障诊断方法 | 2020-05-12 | 671 |
| 视网膜光学相干层析体数据自动识别方法及装置 | 2020-05-14 | 830 |
| 一种基于半监督学习模型的虚假评论检测方法及系统 | 2020-05-16 | 132 |
| 一种基于商用WiFi的位置自适应动作识别方法 | 2020-05-08 | 1596 |
| 神经网络的标注系统 | 2020-05-11 | 34 |
| 一种获取临床数据预测模型的方法、装置、可读介质及电子设备 | 2020-05-15 | 546 |
| 一种图形化编程的深度学习神经网络搭建方法 | 2020-05-18 | 737 |
高效检索全球专利专利汇是专利免费检索,专利查询,专利分析-国家发明专利查询检索分析平台，是提供专利分析，专利查询，专利检索等数据服务功能的知识产权数据服务商。
我们的产品包含105个国家的1.26亿组数据，免费查、免费专利分析。
专利汇分析报告产品可以对行业情报数据进行梳理分析，涉及维度包括行业专利基本状况分析、地域分析、技术分析、发明人分析、申请人分析、专利权人分析、失效分析、核心专利分析、法律分析、研发重点分析、企业专利处境分析、技术处境分析、专利寿命分析、企业定位分析、引证分析等超过60个分析角度，系统通过AI智能系统对图表进行解读，只需1分钟，一键生成行业专利分析报告。
