用Canny算子提取边缘，在此基础上再进行Contourlet变换，计算 每个方向子带和低频分量系数幅度序列的均值U i和方差σ i，则特征向量表示为 /2 σ,,/./:,σ2,.)，其中均值μ(|和方差σ ^为低频特征分量，其它为各个 方向子带上的特征分量，其中η表示分解的尺度数；
[0032] 3c)在数据集dataset中提取GIST特征：对数据集中的图像用m尺度η方向的 gabor滤波器组进行滤波，即分别用η。个通道的滤波器进行卷积，其中η。= mXη，再通过级 联卷积得到的结果，即为GIST特征向量f3;
[0033] 3d)将3a)和3b)中提取出的两个特征向量组合成一个特征向量λ·,!=扣,1'/]，并 形成特征集i4}Li，作为contourlet特征通道中的特征集；将3c)中提取出的特征向量 4 = K3]，并形成特征集，作为GIST特征通道中的特征集，其中是第k个样本的基 于contourlet变换的纹理特征向量，是第k个样本的基于contourlet变换的形状特征 向量，4 3是第k个样本的GIST特征向量。
[0034] 步骤4,将上述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 ;
[0035] 步骤5,将双特征通道中的聚类中心a和训练样本的特征集{xUL -同输入到双层 锚图模型中训练出模型参数，并预测出训练数据的散列值矩阵Y和测试数据的散列值矩阵
【主权项】
1. 一种基于双层锚图散列的SAR图像检索方法，包括如下步骤： (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； (2) 从数据集dataset中随机选取训练样本和测试样本； (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； (4) 将步骤（3)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，对训练样本分别使用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ul，GIST特征通道的聚类中心有39个，记作u2 ; (5) 将双特征通道的聚类中心al和a2分别与训练样本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特征通道中训练样本的散列值矩阵Y1和测试样 本的散列值矩阵tYl，GIST特征通道中训练样本的散列值矩阵Y2和测试样本的散列值矩阵 tY2 ； (6) 计算出contourlet特征通道中训练样本与测试样本的汉明距离矩阵dl，GIST特 征通道中训练样本与测试样本的汉明距离矩阵d2 ; (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; (8) 显示检索结果： 输入任意一个测试样本，通过联合汉明距离矩阵得到所有训练样本与该测试样本的汉 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。
2. 根据权利要求1所述的方法，其中所述步骤5的将上述两个聚类中心al和a2分别 与训练样本一同输入到双层锚图模型中训练出模型参数，预测出训练样本的散列值，按如 下步骤进行： 2a)构建训练样本点Xi与聚类中心Uj之间的截断相似性函数Z，i= 1，2*"n，j= 1，2…m； 2b)构建特征矩阵：M=A4/2ZTZA4/2其中A=虹38(211)，计算特征矩阵|/[的特征向 量-特征值对。，并从中计算得到列标准正交的特征向量矩阵V= [uu. ..，uJ 和特征值构成的对角矩阵2 =diag( 〇u. . .，〇J，r为散列位数； 由V和2计算得到映射矩阵：= 'VZ-12， 由映射矩阵W和截断相似性函数Z，得到目标光谱嵌入矩阵Y1 =Z*W; 2c)泛化特征函数：给定锚点和任意训练样本点X，定义一个特征映射 z(x)，将图拉普拉斯特征向量yk=Z?wk拓展为A〇〇=h[ *z(x)，得到图散列函数为： /?，⑴=sgn(w,(?z(x)).l<=I，..，r，m 表示锚点个数； 2d)分级散射建立目标阈值向量并对该目标阈值向量进行优化，计算得到对 应y+的阈值b+和对应y_的阈值b_，这两个阈值用于减小目标阈值向量的图拉普拉斯的边 界值同时保持一个平衡的分区，其中y+为对应图拉普拉斯特征向量y的正项，y_为对应图 拉普拉斯特征向量y的负项，1+是长度为n+的常数向量，1 _是长度为rT的常数向量； 2e)由第一层的散列函数⑷(x) =sgn(w〖《z(x))U计算得到阈值沉九），k= 1，…r/2,则 第二层散列函数表示为：
2f)由上述第一层散列函数值矿与第二层散列函数值组成一个联合矩阵㈤^1]，k= 1，…r/2,再由该联合矩阵计算求出训练样本的散列值Y表示为：
3. 根据权利要求1所述的方法，其中所述步骤5的预测出测试样本的散列值，按如下步 骤进行： 3a)构建测试样本点tXi与聚类中心Uj之间的截断相似性函数tZ，i= 1，2*"tn，j= 1，2".m ; 3b)由2b)中所求得的映射矩阵W和3a)中构建的截断相似性函数tZ，得到目标光谱 嵌入矩阵tYl=tZ*W; 3c)泛化特征函数：给定聚类中心V= 和任意测试样本点X，定义一个特征映射 tz(x)，将图拉普拉斯特征向量tyk=tZ?wk拓展为（MX)= < ?tz(x)，得到图散列函数为：lht (x) = sgn(vv| ? lz(x)), k = 1,r； 3d)由测试样本的第一层散列函数{屯"W=sgn(w〖*tz(x))|=和2d)中计算得到阈值k =i，…r/2,则测试样本第二层散列函数表示为：
3e)由上述第一层散列函数值成11与第二层散列函数值決f组成一个联合矩阵 [t/f^，再由该联合矩阵计算求出测试样本的散列值tY，表示为：
4.根据权利要求1所述的太，共T2F骤b
刀、別订舁^两个特征通道中训练样 本的散列值与测试样本的散列值的汉明距离矩阵D，按如下步骤进行： 4a)根据第i个训练样本的散列值Yik和第j个测试样本的散列值tY#，计算差异向量 Xij(k) =x〇r(Yik，tYJk)，其中函数xorO表示求取两个数的异或值，k是散列值的维数； 4b)将差异向量Xu(k)中数值为1的个数作为该汉明距离du，并由汉明距离du构成汉 明距离矩阵D，其中i= 1…n，n表示训练样本个数，j= ]_???tn，tn表示测试样本个数。
【专利摘要】本发明公开了一种基于双层锚图散列的SAR图像检索方法，主要解决现有技术检索速度慢和精度低的问题。其实现步骤为：首先将SAR大图切割成小图像块，选取信息完整的图像块组成一个图像数据库，对其进行标记；接着对数据库中每一幅图像提取纹理、形状和场景特征，并将提取出的特征分为两个特征通道分别选取聚类中心；然后训练双层锚图模型，预测出训练数据的散列码和测试数据的散列码，分别计算汉明距离矩阵；最后将双特征通道的汉明距离矩阵加权融合，计算联合汉明距离矩阵，显示检索结果。本发明由于运用了基于散列的检索方法和SAR图像自身性质相关的特征信息，缩短了检索时间，提高了检索精度。
【IPC分类】G06K9-66, G06F17-30
【公开号】CN104699781
【申请号】CN201510109307
【发明人】焦李成, 马文萍, 张曼, 屈嵘, 刘红英, 杨淑媛, 侯彪, 王爽, 马晶晶
【申请人】西安电子科技大学
【公开日】2015年6月10日
【申请日】2015年3月12日