基于共稀疏模型的高分辨SAR图像分类方法与流程

本发明属于图像处理技术领域，准确来说是针对高分辨sar图像的分类，具体是一种基于共稀疏模型的高分辨sar图像分类方法，应用到sar图像分类领域。

背景技术：

随着合成孔径雷达(syntheticapertureradar,sar)成像技术逐渐提升，sar图像在各个领域的应用越来越多，促使了进一步研究和发展sar图像分类技术。由于原始sar图像存在相干斑噪声，使得过去传统的图像分类方法在sar图像分类上不适用。sar图像分类可被应用于资源探测、军事侦察、医学领域、农作物生长监测、灾难危害评估等方面，sar图像应用的价值和重要性，sar图像分类方法也有待进一步提高。

比较经典的sar图像分类方法步骤一般分为四步：特征提取，字典学习，特征编码和分类器分类，其中字典学习和编码学习是近些年来着重研究的两部分。

一般研究字典学习的重点是基于稀疏表示模型中的综合模型。其实早在2011年sangnamnam等人就提出了被大家忽略的另一种稀疏表示模型：解析模型，也称为共稀疏解析模型(cosparseanalysismodel)，并且在2013年详细阐述其原理和算法，将其应用于人脸图像去噪方向，但并未用于图像分类方面。

2014年，sumitshekhar等人提出将共稀疏模型应用于人脸图像的分类，基于软阈值方法求解最优化问题方法得到共稀疏系数，利用了lost算法提取了图像中各像元点的变换域特征，并做了人脸图像分类实验验证了方法的可行性，且与先前基于综合稀疏模型实现人脸图像分类的方法进行了对比，发现实现人脸图像分类的速率得到了提高。

虽然共稀疏解析模型已经被应用到图像分类领域，且基于共稀疏模型的方法已经在速率方面展现出了优势，但这类方法还未在高分辨sar图像分类领域得到应用，且图像分类方法求解共稀疏系数时只是简单的采用了软阈值方法，没有充分利用学习的解析算子，图像分类准确率有限。

技术实现要素：

本发明的目的在于针对现有技术的不足，提出一种分类准确率得到提高且速度快的基于共稀疏模型的高分辨sar图像分类方法。

本发明是一种基于共稀疏模型的高分辨sar图像分类方法，包括如下步骤：

步骤1、输入图像得到初始像素值矩阵：选取一幅待分类的高分辨sar图像，以所有像素点为中心截取m1×m1大小的像素块，每个像素块展成一列，遍历图像中所有像素点得到实验样本x∈r^m×ll，m为一个像素块中的像素点个数，ll为待分类高分辨sar图像中的像素点个数。

步骤2、选取解析算子学习的初始样本：在初始像素值矩阵x中随机选取l列构成大小为m×l的矩阵y，作为算子学习的样本矩阵y＝[y1,y2,…,yi,…,yl]，yi表示第i个中心像素点所在m1×m1大小的像素块展开的列向量。

步骤3、学习解析算子：将投影次梯度和统一行规范紧框架(uniformnormalizedtightframe,untf)两者相结合，利用初始样本矩阵y迭代学习得到解析算子ω。

步骤4、基于增广拉格朗日方法求解共稀疏系数：由解析算子ω和初始像素值矩阵x，根据共稀疏解析模型z＝ωx，利用增广拉格朗日方法，加入对偶参数求解凸规划问题得到共稀疏系数z。

步骤5、确定支持向量机的输入样本：将第i个像素点对应像素块的共稀疏系数向量zi和该像素块的像素值向量xi相组合得到最终分类时像素点的特征向量si，得到所有像素点的特征矩阵s＝[s1,s1,…,si,…,sll]。

步骤6、运用支持向量机(supportvectormachine,svm)预测所有像素点的标签：随机选取样本特征矩阵s中的一部分列向量作为训练样本，确定这些列向量的类别标签，利用libsvm分类器预测得到所有列向量的类别标签，列向量的类别标签即为图像中每一个像素点的类别归属。

步骤7、显示分类结果：将预测的类别标签用灰度图像显示出来，即可得到输入高分辨sar图像最终的分类结果图。

本发明将共稀疏模型应用于高分辨sar图像分类领域，提出应用变换域特征结合像素值特征基于支持向量机实现高分辨sar图像的分类，并得到速度快效率高的分类结果。

本发明与现有技术相比具有以下优点：

1，为了得到图像的稀疏表示，现有技术主要是基于稀疏表示中综合模型的方法学习字典，用字典中少量原子的线性表示得到图像的稀疏表示系数，从而利用稀疏系数进行图像分类，因为字典学习过程中用到了大量的矩阵求逆和分解计算，使得字典学习需要较多时间和计算储存量；而本发明是基于共稀疏模型实现高分辨sar图像分类，图像的稀疏表示是基于解析算子的，且算子的学习过程避免了矩阵求逆计算，学习方法速度更快，分类效率大大提高。

2，不同于现有技术中的应用在图像分类上的共稀疏系数求解方法，简单的由共稀疏模型公式加软阈值的方法就得到了共稀疏系数，本发明是运用了图像去噪中的共稀疏模型算法，稍微修改使其适应图像分类过程，利用增广拉格朗日乘子求最优化的方法求解共稀疏系数，充分利用解析算子。并且在此基础上将像素点的共稀疏系数和像素值相结合，再利用了图像的纹理特征使得分类时的细节信息更准确，提高了高分辨sar图像分类结果的准确性。

附图说明

图1是本发明的流程图；

图2是本发明在一幅包含有较多细节信息的高分辨sar图像上的分类结果图,其中图2(a)为一幅256×256大小的部分森林图像，图2(b)为将原始像素值作为样本特征基于svm的分类结果。图2(c)为sumitshekhar提出的软阈值共稀疏编码的分类结果，图2(d)为本发明提出的分类方法的结果图；

图3是本发明在一幅大小为480×512的真实sar图像上的分类结果，其中图3(a)为包含森林、机场跑道和普通土地三类的原始图像，图3(b)是直接将原始像素块的灰度值作为样本分类特征基于svm的，图3(c)为sumitshekhar提出的简单软阈值共编码的分类效果；图3(d)是本发明的分类效果图。

具体实施方式

下面结合附图和具体实施例对本发明详细说明。

现有技术是采用综合模型学习字典，需要大量时间和计算量。虽然共稀疏解析模型也被应用到人脸图像分类领域，但图像分类方法求解共稀疏系数时只是简单的采用了软阈值方法，分类准确率有限。且还未应用到高分辨sar图像分类领域。针对这些技术问题本发明展开了研究与创新，提出一种基于共稀疏模型的高分辨sar图像分类方法。

实施例1

本发明是一种基于共稀疏模型的高分辨sar图像分类方法，参见图1，包括有如下步骤：

步骤1、输入图像得到初始像素值矩阵：选取一幅待分类的高分辨sar图像，如图2(a)所示的图像，将图像用matlab软件读取，若输入图像是三个通道的rgb图像则需要将其转化为灰度值图像，若为单通道的灰度图像则直接得到图像的灰度值矩阵，矩阵中每个元素对应图像中一个像素点。

以所有像素点为中心截取m1×m1大小的像素块，为了方便以后的数据处理，将每个像素块展成一列。遍历图像中所有像素点得到实验样本x∈r^m×ll，m为一个像素块中的像素点个数，ll为待分类高分辨sar图像中的像素点个数，即得到输入图像的初始像素值矩阵x。

步骤2、选取解析算子学习的初始样本：在初始像素值矩阵x中随机选取l列构成大小为m×l的矩阵y，作为算子学习的初始样本矩阵y＝[y1,y2,…,yi,…,yl]，yi表示第i个中心像素点所在m1×m1大小的像素块展开的列向量，即得到学习解析算子时的初始样本矩阵y。

为了使解析算子学习更准确也可以人工选择初始样本矩阵y，保证每种类别的像素点对应的初始样本向量个数均匀，但这样会增加人力和时间。而本发明中随机选取构成初始样本矩阵的方法在简单方便的同时也能保证解析算子正确学习。

步骤3、基于untf算法学习解析算子：用投影次梯度和统一行规范紧框架两者相结合的方法，利用初始样本矩阵y更新学习得到解析算子ω。

步骤4、基于增广拉格朗日方法求解共稀疏系数：由解析算子ω和初始像素值矩阵x，根据共稀疏解析模型z＝ωx，利用增广拉格朗日方法，加入对偶参数求解凸规划问题得到共稀疏系数z。

步骤5、确定svm分类器的输入样本即获取所有像素点的特征向量：将第i个像素点对应像素块的共稀疏系数向量zi和该像素块的像素值向量xi相结合得到最终分类时像素点的特征向量si，得到所有像素点的特征矩阵s＝[s1,s1,…,si,…,sll]。svm分类器的所有输入样本为特征矩阵s。

像素值向量xi的选取可以为原始图像截取到的像素块向量；也可以是求解共稀疏系数时变化的x最终确定的矩阵中第i个像素点对应的像素块向量。

步骤6、运用svm分类器预测所有像素点的标签：随机选取样本特征矩阵s中的一部分列向量作为训练样本，确定这些列向量的类别标签，利用libsvm分类器预测得到所有列向量的类别标签，即为图像中每一个像素点的归属类别。

6.1、确定训练样本(traindata)和训练标签(trainlabel)的输入。

6.2、确定libsvm的核参数，训练svm分类器模型。

6.3、输入测试样本(testdata)到svm分类器模型中，得到预测标签(predictlabel)，测试样本为特征矩阵s，预测标签为分类结果。

步骤7、显示分类结果：将预测的类别标签用灰度图像显示出来，即可得到输入高分辨sar图像最终的分类结果图。

本发明实现了共稀疏模型在高分辨sar图像分类领域的应用，且采用共稀疏算子学习方法避免了矩阵求逆过程，比综合模型字典学习方法速度更快，效率大大提高。

实施例2

基于共稀疏模型的高分辨sar图像分类方法同实施例1，其中步骤3中使用投影次梯度和统一行规范紧框架两者相结合的方法构造解析算子包括有以下步骤：

3.1、构造初始解析算子ω0

随机产生一个大小为m×n的过完备矩阵d＝[d1,d2,…,di,…,dn],其中di为列向量，1≤i≤n，n为解析算子的维度，n的大小根据需要人工选择但必须大于m，得到初始解析算子ω0，ω0为过完备矩阵d的转置矩阵即ω0＝d^t。

3.2、由次梯度投影公式计算参数ωg，0≤i≤kmax1，kmax1为求解析算子的最大迭代次数，ωi为第i个解析算子。

其中

3.3、计算ωi+1

采取降梯度的方法更新解析算子，给定初始步长η，根据公式ωi+1＝ptf{pun(ωi-ηωg)}计算ωi+1，pun{·}表示投影到统一行规范空间，ptf{·}表示投影到紧框架。

3.4、迭代终止条件

当f(ωi+1)≤f(ωi)或者i＞kmax1时结束迭代过程，f(ωi)是一个定义解析算子误差的函数，f(ωi)等于矩阵ωiy中所有元素的绝对值之和，得到最终的解析算子ω＝ωi，否则修改步长，令重复步骤(3.2)和(3.3)，直到ωi+1满足迭代终止条件得到解析算子ω＝ωi。

用样本矩阵y更新学习该算子，利用步骤4中求解稀疏系数时信号数据会变化的原理，重新计算步骤3得到系数z1＝ωy，满足系数z1必须是稀疏的。

本发明是利用解析模型得到高分辨sar图像的稀疏表示，避免了图像基于综合模型稀疏表示时需要花大量时间求解最优字典的问题，解析算子学习的时候简单方便，大大减少了存储量和计算时间，使得分类方法速度得到提高。

实施例3

基于共稀疏模型的高分辨sar图像分类方法同实施例1-2，其中步骤4中利用增广拉格朗日方法求解共稀疏系数z问题：s.t.z＝ωx，包括有以下步骤：

4.1、给定初始像素值矩阵x0＝x，解析算子ω，初始共稀疏系数z0＝ωx0，初始参数矩阵b0为大小与z0相等的零矩阵，常量参数λ＜1，常系数γ＜1。

4.2、根据以下公式计算像素值矩阵xi+1、共稀疏系数zi+1和参数矩阵bi+1，0≤i≤kmax2，kmax2为求共稀疏系数的最大迭代次数。

其中

bi+1＝bi-(zi+1-ωxi+1)

4.3、重复步骤4.2直到||zi+1-ωxi+1||2≥ε或者i＞kmax2时结束迭代过程，ε是远小于1的误差常系数，直至得到最终的共稀疏系数z＝zi，zi是第i个共稀疏系数。

本发明中求解共稀疏系数的方法和人脸图像分类方法中简单的软阈值求法不同，通过利用增广拉格朗日乘子求最优化的方法求解共稀疏系数，充分利用解析算子，使得图像的稀疏表示更准确。

实施例4

基于共稀疏模型的高分辨sar图像分类方法同实施例1-3，本发明在步骤5中将每个像素点的共稀疏系数向量zi和该像素点对应像素块的初始向量xi相结合得到最终分类时像素点的特征向量si的具体步骤包括：取共稀疏系数矩阵z中的第i列向量zi∈rⁿ为最终分类时像素点的特征向量si的前n行，该像素点对应初始像素值矩阵的第i列向量xi∈r^m为最终分类时像素点的特征向量si的后m行，得到最终的像素点的特征向量si∈r^m+n，所有像素点最终的特征向量组成特征向量矩阵s＝[s1,s2,...,si,...,sll]。

本发明将像素点的共稀疏系数和像素值相结合，利用图像的纹理特征使图像分类时细节信息更准确，提高了sar图像分类结果的准确性。

下面给出一个更为详尽的例子，对本发明再作说明。

实施例5

基于共稀疏模型的高分辨sar图像分类方法同实施例1-4，

参照图1，本发明的具体实现步骤如下：

步骤1、输入图像得到初始像素值矩阵：选取一幅待分类的高分辨sar图像，如图3(a)所示的图像，以所有像素点为中心截取m1×m1大小的像素块，并展成一列。遍历全图的像素点得到实验样本x。

具体而言，一幅大小为l1×l2的待分类的sar图像，考虑到以像素点为中心构成像素块时，边缘像素点会出现像素块大小不够的问题，需要对原图像数据进行处理，先构造一个比原图长宽都大m1-1的零矩阵，即大小为(l1+m1-1)×(l2+m2-1)的零矩阵x1，再使矩阵x1正中间l1×l2大小部分的元素为原sar图像的像素值。这样就避免了以边缘点为中心截取像素块时像素块大小不够的问题。矩阵x1初始构造的时候可以取随机矩阵，因为边缘像素点是有限的，最终取分类样本时也是随机的，取到这些边缘点的概率较低，对分类结果影响不大。

预处理图像后，按照行的顺序以原图像素点为中心取像素块遍历全图，会得到ll个大小为m1×m1的像素块，ll＝l1×l2，将其展成一列xi∈r^m*1，m＝m1×m1，所有像素块构成一个大小为m×ll的初始像素值矩阵x＝[x1,x2,...,xi,...,xll]。

像素块的大小m1的取值根据图像中地物纹理特征的粗细进行决定，但尺度不能太小，通常最小尺度为3×3，一般选择5×5,7×7,9×9等大小的像素块。

步骤2、选取解析算子学习的样本：随机选取初始像素值矩阵x中的l列，即原图中任意l个像素点为中心截取m1×m1大小的像素块后展开的向量作为初始特征，构成样本矩阵y＝[y1,y2,…,yi,...,yl]，yi表示某个中心像素点所在m1×m1大小的像素块展开的列向量，矩阵y的大小为m×l。

随机选取像素点个数l根据实验具体情况人工确定。

步骤3、学习解析算子：将投影次梯度和统一行规范紧框架(uniformnormalizedtightframe,untf)两者相结合，基于naaol算法学习解析算子ω∈r^n×m。

本发明将ω投影到统一行规范紧框架中，具体步骤如下：

(a)将ω投影到紧框架(tightframe,tf)中，紧框架就是一个空间域，则ω投影可以简单的用ω的奇异值分解代替，即：ptf{ω}＝uiv^t。其中ptf{ω}表示投影，u是正交矩阵，u里面的向量称为左奇异向量，i是对角矩阵，除了对角线的元素都是0，对角线上的元素称为奇异值，v为正交矩阵，v里面的向量称为左奇异向量，(·)^t表示矩阵的转置。

奇异值分解是常见的矩阵分解方式，在机器学习领域中也属于满地可见是方法，目的是提取出矩阵最主要的特征。

(b)将ω投影到行规范框架(uniformnormalizedframe,un)中，当元素为0时，投影的时候在[-1,1]中任意选择一个矢量代替。当不为0的元素投影到固定的行规范框架时，只需用此元素的标准化矢量代替即可。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为标准范围内的任意向量。

3.1、构造初始算子ω0。

随机产生一个大小为m×n的矩阵d＝[d1,d2,…,di,…,dn],其中di为行向量，1≤i≤n，n为分析算子的维度，n的大小根据需要人工选择但必须大于m。

重复上述步骤(a)和(b)，得到初始算子的转置矩阵d0，则ω0＝d0^t。

3.2、由次梯度投影公式计算参数ωg，0≤i≤kmax1，kmax1为求解析算子的最大迭代次数，ωi为第i个解析算子；

其中

3.3、更新计算解析算子ωi+1。

采取降梯度的方式更新算子，给定初始步长η，η为远小于1的常系数，可以选择10^-5、10^-7、10^-8等，根据公式ωi+1＝ptf{pun(ωi-ηωg)}更新计算解析算子ωi+1。

3.4、迭代终止条件。

当f(ωi+1)≤f(ωi)时结束迭代过程，f(ωi)是一个定义解析算子误差的函数，定f(ωi)为矩阵ωiy中所有元素的绝对值之和，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。否则修改步长，令重复步骤3.2和3.3得到新的ωi+1，直到满足迭代终止条件得到解析算子ω＝ωi。

为了防止迭代过程中出现不终止现象，可以设置一个求解析算子过程中最大迭代次数kmax1，大小由需要决定。

解析算子ω学习的方法有很多种，本发明采用的naaol算法，不但准确学习了解析算子，还避免了矩阵求逆计算，使得解析算子计算速率大大提高。

步骤4、由上述算子ω∈r^l×m和初始像素值矩阵x∈r^m×ll，根据共稀疏解析模型z＝ωx，利用基于增广拉格朗日方法求解共稀疏系数z。

基于增广拉格朗日方法解决非凸规划问题：其中z满足z＝ωx。用一个对偶参数b∈r^l×m，并加入一个惩罚项<b，ωi+1x-z>，则上述最小化问题可以等价于求解一个新的目标函数g(x,z,b)的最小值,这个目标函数是凸规划的。

其中，γ为大于0的常系数，可以选择0.1、0.2、0.3等，具体取值根据实验经验而定。

求共稀疏系数z的具体步骤如下：

4.1、定初始像素值矩阵x0＝x，解析算子ω，初始共稀疏系数z0＝ωx0，初始参数矩阵b0为大小与z0相等的零矩阵，常量参数λ＞0，常系数γ＞0。

4.2.1、由以下公式计算xi+1。

4.2.2、计算稀疏系数

其中

4.2.3、计算惩罚项bi+1。

bi+1＝bi-(zi+1-ωxi+1)。

4.3、迭代终止条件。

当||zi+1-ωxi+1||2≥ε时结束迭代过程，ε是远小于1的常系数，且得到z＝zi＝ωxi。否则，重复步骤4.2直到满足迭代终止条件。

同样的为了防止迭代过程中出现不终止现象，可以设置一个求共稀疏系数过程中的最大迭代次数kmax2，最大迭代次数的大小由实验经验决定。

步骤5、取共稀疏系数矩阵z中的第i列向量zi∈rⁿ为最终分类时像素点的特征向量si的前n行，该像素点对应初始像素值矩阵的第i列向量xi∈r^m为最终分类时像素点的特征向量si的后m行，得到最终的像素点的特征向量si∈r^m+n，所有像素点最终的特征向量组成特征向量矩阵s＝[s1,s2,...,si,...,sll]，1≤i≤ll。

步骤6、随机选取样本特征矩阵s中的一部分列向量作为训练样本，确定训练样本的分类标签，利用libsvm分类器分类，libsvm是图像分类时一种常用的分类器。

6.1、确定训练样本(traindata)和训练标签(trainlabel)的输入。

随机选取特征矩阵s中的r个列向量构成训练样本矩阵ss＝[ss1,ss2,...,ssi,...,ssr]，ssi为矩阵s中的任意列向量，ss∈r^(m+n)×r。

随机选取的特征个数r根据需要确定,为保证实验结果的正确性和快速性一般选取全部样本数的百分之十。

训练标签为这些训练样本对应的分类标签，即每一列向量ssi对应于原sar图像中像素块相应的标签是该像素块中心的像素点所在位置对应于原sar图像标准图中相同位置的像素点所对应的分类标签。

6.2、确定libsvm参数，训练分类器模型。

libsvm中核参数根据多次试验结果对比选择，本发明中的实验选择的是rbf核。

6.3、确定测试样本(testdata)的输入。

本发明的测试样本为完整的特征矩阵s∈r^(m+l)×ll，得到的预测标签是一个大小为ll×1的列向量。

步骤7、将预测的标签向量通过函数还原成原图大小的标签矩阵，且每个像素点与其预测标签相对应，并将此矩阵用灰度图像显示出来，即可得到最终的分类结果图。

按照上述步骤可以快速准确的将一幅高分辨sar图像分类，通过本发明的方法利用小部分已知标签样本能快速准确的得到所有样本的归属类别。

下面通过仿真实验对本发明的技术效果进行验证和说明。

实施例6

基于共稀疏模型的高分辨sar图像分类方法同实施例1-5。

仿真条件和内容：

运行环境为windows，软件为matlab2016b，用本发明的方法和原始像素值基于svm分类的方法、简单的软阈值求共稀疏系数的方法分别对两幅sar图像进行分类实验，从分类结果的区域一致性、错分情况、边缘保持等方面评估。

实验时梯度步长参数η＝10^-7，求解析算子的最大迭代次数kmax1＝50000，常量参数λ＝γ＝0.1，误差常系数ε＝0.001，求共稀疏系数的最大迭代次数kmax2＝500。

仿真实验结果：

图2为包含有较多细节信息的真实sar图像的分类结果。其中图2(a)为一幅大小为256×256像素的部分森林图像，图中纹理均匀的区域为道路和普通土地，纹理不均匀的区域为树木。图2(b)为直接基于像素点特征的svm分类方法得到的分类结果；图2(c)为应用软阈值法求共稀疏系数的方法得到的分类结果；图2(d)为本发明的方法对图2(a)进行分类得到的结果图。这三个分类结果都是在的7×7尺度下进行的，即截取的像素块大小m1＝7。

对比这几幅图可以看出基于原始像素点分类结果图2(b)明显没有给出正确的分类，只有分出了大致的轮廓信息。比较图2(c)和图2(d)，发现图2(d)在不同类别的边缘处分类更准确，对于粗糙纹理的树木区域的识别率也更高；对应原图像2(a)中主对角线方向上全黑的部分为道路，其中有部分灰色的区域为的普通小路，明显图2(d)的识别出更多的普通小路；对应着原始图像图2(a)最右边中间部分粗糙纹理区域的普通土地，本发明能准确识别为普通土地，而图2(c)将此部分错分为同样是粗糙纹理的树木类别，此部分在本发明提出的方法识别下结果更精确。

实施例7

基于共稀疏模型的高分辨sar图像分类方法同实施例1-5，仿真条件和内容同实施例6。

图3是一幅大小为480×512的真实sar图像的分类结果，图3(a)为包含森林、机场跑道和普通土地三类的原始图像；图3(b)是直接将原始像素块的灰度值作为像素点分类特征基于svm分类器分类得出的结果；图3(c)为应用简单软阈值求共稀疏系数方法的分类效果；图3(d)是本发明的分类效果图。这三个分类结果都是在的9×9尺度下进行的，即截取的像素块大小m1＝9。

从图3对比各图可以看出图3(b)基于原始像素值的方法只能看出大致的轮廓，该方法将树木和机场跑道几乎识别为一类。而简单软阈值求共稀疏系数方法的分类结果图3(c)中森林部分基本没有识别出来；本发明的结果图3(d)将这块区域大部分内容识别出为树木，识别准确率提高。对应原始图像3(a)中间部分横穿图像的那条小路,软阈值法主要将此条道路识别为森林部分，在图3(c)中表现为深灰色；而本发明的方法是将其大部分识别划分为道路，在图3(d)中表现为黑色，本发明在细节部分的识别更精准。

简而言之，本发明公开了一种基于共稀疏模型的高分辨sar图像分类方法，属于图像处理技术领域，解决了sar图像分类时局限于用综合稀疏模型表示图像导致分类时间复杂度高的技术问题。其分类过程为：在待分类的sar图像中以像素点为中心截取像素块构成初始像素值矩阵x；选取部分像素值向量构成解析算子初始学习样本；利用投影次梯度和统一行规范紧框架相结合的方法学习解析算子ω；基于增广拉格朗日方法求最优化问题得到共稀疏系数z；将每个像素点对应像素块的共稀疏系数向量和该像素块的像素值向量相结合得到最终分类时像素点的特征向量；随机选取部分特征向量构成测试样本ss，基于svm分类器分类，得到全图各像素点特征向量的预测标签；将预测标签结果用灰度图像显示出来。本发明能快速求得图像的稀疏表示，保证了sar图像分类的时效性和分类准确率。