基于双层锚图散列的sar图像检索方法
【技术领域】
[0001] 本发明属于图像处理技术领域，是一种基于双层锚图散列的SAR图像检索方法， 可用于快速准确地按类别检索单类标SAR图像。
【背景技术】
[0002] 随着合成孔径雷达SAR技术的发展，SAR图像分辨率已经基本达到光学图像的水 准，由于其具有更丰富的信息，而且数量也呈爆炸式的飞速增长，使得SAR图像的应用越来 越广泛。如何高效、快速的在海量的SAR图像库中检索到所需要的图像数据成为当前该领 域的一个研宄热点，，处理这些数据所消耗的大量人力、财力，使得开发自动处理工具势在 必行，因此基于内容的SAR图像检索技术应运而生。SAR图像检索技术不同于传统的SAR图 像降噪等技术，它是一种信息检索技术，利用SAR图像的低层特征检索所要求的数据。不同 于自然图像的检索，SAR图像的检索更关注的是快速查找和发现。近年来，针对该问题学者 们提出了一些方法。主要围绕特征提取、图像分类、相似性匹配等方面展开。
[0003] 南京航空航天大学的顾春花，在其硕士学位论文"基于Contourlet变换的SAR图 像检索系统的研宄与实现"中研宄了多尺度几何分析技术Contourlet变换在基于图像纹理 和形状特征的检索方法中的应用，并基于这些方法实现了 SAR图像检索系统。其考虑到SAR 图像特点，选取了基于contourlet的纹理和形状特征，但是由于其分类方法和相似性度量 方法简单，导致图像检索时间较长，检索精度并不是很高。
[0004] Pei Tao等人提出了一种新颖的用于合成孔径雷达（SAR)图像检索的空间尺度加 权 GIST (SSWGIST)描述符（A novel Spatial-Scale Weighted GIST Descriptor for SAR Image Retrieval)。受GIST特征的启发，图像是由邻域均值和响应gabor滤器的无重叠 块。除此以外，该方法给出不同尺度空间不同的权重值。通过计算块边缘检测的比率和显 著性得到自适应的空间权重。对给定图像数据集有特殊参数的尺度权重服从高斯分布。因 此，响应滤波器的每个块的显著性身份可以自适应反映。但其对特征处理过程复杂，不适 用于快速检索的场合。
[0005] 西安电子科技大学的唐旭，在其硕士学位论文"基于高斯混合模型分类的SAR图 像检索"中研宄了基于高斯混合模型分类器在SAR图像检索方法中应用。此方法分为图像精 确分类与图像匹配两部分。首先利用高斯混合模型GMM得到精确地分类结果，其次应用多 种现今成熟的图像相似匹配方法，进一步得到准确的检索结果。此方法进一步考虑到图像 分类和配准的问题，一定程度上提高了分类精度和缩短了搜索时间，但是该方法应用的SAR 图像库，由于是有重叠的分切，使得图像库中的目标图像之间的相似度较高，降低了数据的 泛化性。同时，对检索结果的评价还是存在相当的主观性。
[0006] 以上三种方法还存在一个共同的缺点就是检索时间较长，不满足目前对检索方法 实时性的要求；
【发明内容】
[0007] 本发明的目的是针对上述技术的不足，提出一种基于锚图散列的SAR图像检索方 法，以提尚检索精度，缩短检索时间。
[0008] 实现本发明目的的技术方案是：通过利用SAR图像的底层特征如纹理，形状和场 景特征，提高检索精度；通过使用散列的方法将高维数据映射到低维空间计算图像距离，缩 短检索时间，其技术方案包括如下步骤：
[0009] (1)将SAR大图无重叠地切割成256*256的小图像块，在小图像块形成的图库中选 取肉眼能够清晰识别且信息完整的图像块组成一个数据集，共7234张，记作dataset，将其 分为五类，分别是山脉，海洋，城市，港口和建筑；
[0010] (2)从数据集dataset中随机选取训练数据和测试数据；
[0011] (3)在数据集dataset中设置contourlet特征通道和GIST特征通道，并从数据集 dataset中的每一幅图像中提取基于contourlet变换的纹理特征和形状特征，组合成第一 特征集；从dataset中的每一幅图像中提取基于gabor滤波的GIST特征信息，作为第二特 征集；
[0012] (4)将步骤⑶得到的两个特征集的值归一化到0~1之间，在所述的两个特征通 道中，对训练数据分别使用kmeans聚类方法选取聚类中心，其中contourlet特征通道的聚 类中心有35个，记作al，GIST特征通道的聚类中心有39个，记作a2 ;
[0013] (5)将双特征通道的聚类中心al和a2分别与训练数据一同输入到双层锚图模型 中训练出模型参数，并分别预测出contourlet特征通道中训练数据的散列值矩阵Yl和测 试数据的散列值矩阵tYl，GIST特征通道中训练数据的散列值矩阵Y2和测试数据的散列值 矩阵tY2 ;
[0014] (6)计算出contourlet特征通道中训练数据与测试数据的汉明距离矩阵dl，GIST 特征通道中训练数据与测试数据的汉明距离矩阵d2 ;
[0015] (7)将上述双特征通道中的汉明距离矩阵dl和d2加权融合，得到联合汉明距离矩 阵d ;
[0016] (8)显示检索结果：
[0017] 输入任意一个测试数据，通过联合汉明距离矩阵得到所有训练数据与该测试数据 的汉明距离列表，并将此列表按升序重新排序，再按列表顺序查找相应训练图像的序号并 将训练图像依次排列显示出来，即为检索结果。
[0018] 本发明与现有的技术相比具有以下优点：
[0019] 1.本发明根据SAR图像特点选取基于contourlet变换的纹理、形状特征，基于 gabor滤波的GIST特征，将双特征通道融合，能更加全面的反映数据信息；
[0020] 2.本发明相对于传统检索方法可以用少量的训练数据建立模型，大量的数据进行 测试，对于不易标注的SAR图像数据来说，更符合现实情况要求；
[0021] 3.本发明考虑到SAR图像数据库的海量规模，采用了分层散列和汉明嵌入的方 法，缩短了检索时间，提高了检索精度。
【附图说明】
[0022] 图1是本发明的实现流程图；
[0023] 图2是本发明仿真使用的两幅切割前的SAR图像；
[0024] 图3是用本发明对图2切割标注后的图像块。
【具体实施方式】
[0025] 以下结合附图对本发明的技术方案和效果作进一步详细描述。
[0026] 参照图1，本发明的具体实现步骤如下：
[0027] 步骤1，将如图2所示的两幅SAR图像进行不重叠地切割为256*256的小图像块， 在小图像块形成的图库中，选出信息清晰完整的图像块组成数据集，记作dataset，共7234 张，将数据集dataset分为五类，如图3所示，其中图3 (a)是山脉的一组样图，图3 (b)是海 洋的一组样图，图3(c)是城市的一组样图，图3(d)是港口的一组样图，图3(e)是建筑的一 组样图。
[0028] 步骤2,从数据集dataset中随机选取10%的图像作为训练图像，剩余的90%图像 作为测试图像。
[0029] 步骤3,设置contourlet特征通道和GIST特征通道，提取其特征集。
[0030] 3a)在数据集dataset中提取基于contourlet变换的纹理特征：对数据集中的图 像进行Contourlet变换后，提取出属于不同尺度不同方向上的系数Ci (X，y)，计算这些系 数的幅度序列，以系数幅度序列的均值Ui和标准方差σ i作为图像的纹理特征，则特征向 量表示为/ = (>1,#2上代，1^21^1， 2,1巧,2^2") = (>^)，对均值以和方差〇分别采用主 分量分析法，按照参数从小到大重新排列，得到新的特征向量f1，排列以后的均值μ和方差 σ各有2η个分量，各分量所在位置记做i，并不代表第i个方向子带上的分量，其中η表示 分解的尺度数；
[0031] 3b)在数据集dataset中提取基于contourlet变换的形状特征：对数据 集中的图像运