CN106022280A - 一种基于分级不变性特征的典型舰船目标识别方法 - Google Patents

Abstract

本发明提出了一种基于分级不变性特征的典型舰船目标识别方法。首先提取每幅图像舰船目标的二值熵和归一化转动惯量作为一级特征；之后小波分解每幅图像为四幅子图像，提取各子图像舰船目标的加权Hu矩、Zernike矩和Fourier描述子作为二级特征；然后以每幅图像舰船目标的极坐标形状矩阵作为三级特征；修正全部特征具备平移、旋转和缩放不变性。识别分类器的实验结果表明，算法能够逐级细化描述星上遥感图像中的典型舰船目标，识别准确率高。本发明方法可应用于星上遥感图像数据库的典型舰船目标识别，是一种普适性很强的工程方法。

Description

一种基于分级不变性特征的典型舰船目标识别方法

技术领域

本发明涉及一种卫星遥感图像典型舰船目标识别方法，特别是一种基于分级不变性特征的典型舰船目标识别方法，属于航天遥感领域。

背景技术

在我国海上安全利益迅速增长情况下，光学遥感卫星能够对地球大范围区域进行观测，能准确感知并获取海洋信息，及时提供决策支持，有助于快速解决海洋突发事件。通过遥感卫星对海上舰船目标进行在轨识别，能快速获得舰船目标的位置、类型等信息，可满足用户对海洋目标监视的应用需求。

形状是对典型舰船目标进行检测和识别的主要特征。典型舰船目标在卫星图像中的形状特性是既整体不可分又存在细微差别。即不可能分割出舰船目标的各个组成基元进行匹配；但不同类型的目标从整体来看又差别很小，类型识别仅仅相当于对局部有细微差别的目标进行分类。这类目标的经典特征提取算法有：Hu矩、Zernike矩和Fourier描述子等。Hu矩具有平移、旋转和缩放不变性。但Hu矩是全局特征，且不是从正交函数集引出的，存在很多冗余信息，对局部有细微差别的目标难以识别。Zernike矩的系数彼此正交，在信息冗余和图像重建能力方面性能优越。但Zernike矩仍然是全局特征，基于这样的特征不容易对局部有细微差别的目标进行识别。Fourier描述子能够表征目标的封闭轮廓，但Fourier描述子是对形状的整个边界进行距离测度，因此导致对局部有细微差别的舰船目标其识别能力不高。

纵观现有的经典特征提取算法，优点是具有坚实的理论基础、性能稳定，但是对目标的形状表征能力有限，不能准确地反映局部细节。卫星图像中的典型舰船目标像素数很少，要识别具体类型，目标形状上每个细节对识别都有贡献，这些特征提取算法不能满足典型舰船目标类型识别的实际要求。

因此，卫星图像中的典型舰船目标类型识别时目标形状上的每个细节都不可忽视，目标的特征提取算法必须既能描述目标的全局特性又能够兼顾其局部细节信息。

发明内容

本发明解决的技术问题是：克服现有技术的不足，提供一种基于分级不变性特征的典型舰船目标识别方法，解决了卫星遥感图像在轨典型舰船目标识别问题，在一定程度上满足了卫星遥感图像在轨典型舰船目标类型识别的需求。

本发明的技术方案是：一种基于分级不变性特征的典型舰船目标识别方法，步骤如下：

(1)对输入的每幅卫星遥感图像进行自适应滤波、最大类间方差分割和校正歪斜失真的规格化处理；

(2)提取每幅卫星遥感图像舰船目标的二值熵和归一化转动惯量作为一级特征；

(3)对每幅卫星遥感图像的二值图像进行一级小波分解，图像被分解为LL、LH、HL、HH四个子波段图像，分别描述图像在水平、垂直和对角线方向上的细节；

(4)用Hu矩、Zernike矩和Fourier描述子分别对所有子波段图像进行特征提取，并根据各子波段的描述能力不同对所得特征向量进行加权处理；由小波分解且加权处理后的Hu矩、Zernike矩、Fourier描述子顺序排列组成综合特征向量作为二级特征，并保证其具有平移、旋转和缩放不变性；

(5)计算获得三级特征，并用极坐标形状矩阵表示；

(6)利用支持向量机和形状矩阵相似度计算对所提取出的特征进行识别分类；其中，形状矩阵相似度计算公式如下：

$sim=1-\frac{dif}{tot}$

其中，sim——为“模板舰船目标”与“待识别舰船目标”所对应的形状矩阵相似度；dif——为“模板舰船目标”与“待识别舰船目标”所对应的形状矩阵全部对应元素差值的绝对值之和；tot——为“模板舰船目标”形状矩阵所有元素值的总和；通过形状矩阵相似度阈值T＝0.8完成对典型舰船目标的识别。

步骤(2)中每幅卫星遥感图像舰船目标的二值熵为：

$H_b=log\frac{n}{MN}$

其中，n是舰船目标包含的总像素数，每幅卫星遥感图像的大小为M×N；

每幅卫星遥感图像舰船目标的归一化转动惯量为：

$NMI=\frac{\sqrt{\underset{y=1}{\overset{N}{\Σ}}\underset{x=1}{\overset{M}{\Σ}}\[{(x-C_x)}^2+{(y-C_y)}^2\]}}{MN};$

其中，每幅卫星遥感图像的二值图为f(x，y)，C_x和C_y为二值图像的质心。

步骤(4)中保证具有平移、旋转和缩放不变性的具体方法为：

(4a)Hu矩不变矩本身具有平移、旋转和缩放不变性，不需要进行处理；

(4b)采取以下措施使Zernike矩具有平移、旋转和缩放不变性：计算中把单位圆的原点平移到舰船目标质心，以目标质心来计算矩，以获得平移不变性；对每一项Zernike矩取其幅值以获得旋转不变性；对每一项Zernike矩用下式进行归一化以获得缩放不变性：

$\begin{array}{ccc}\left|\right|Z_{mn}|{|}^{\′}=\frac{\left|\right|Z_{mn}\left|\right|}{\left|\right|Z_{00}\left|\right|}& m=2,3,...& n=0,1,2,3,\end{array}...$

(4c)采取以下措施使Fourier描述子具有平移、旋转和缩放不变性：去掉Fourier描述子的第一项以获得平移不变性；由于舰船目标轮廓是按逆时针进行跟踪，舰船目标为非零区域，二阶描述子z(1)≠0，则使z(k)＝z(k)/∣z(1)∣以获得缩放不性，k＝2，3，4，…，K-1，K为舰船目标轮廓上均匀分布的采样点；每一项取其幅值以获得旋转不变性；

步骤(5)中极坐标形状矩阵的构造算法如下；

5a)对输入的每幅卫星遥感图像进行自适应中值滤波、分割和二值化，计算求得舰船目标的质心C＝(C_x，C_y)；

5b)求取舰船目标上离舰船质心最远的点M到舰船质心C的欧氏距离r(M，C)，并定义r(M，C)为舰船目标的最长半径；定义B为m×n的形状矩阵；

5c)从质心C开始，把r(M，C)分为等长的n-1段；

5d)以C为圆心，分别以0，r/n-1，2r/n-1，…，(n-1)r/n-1为半径画圆；

5e)从r(M，C)开始，沿顺时针方向，把每个圆分为等长的m段弧，每段弧的角度为360°/m；

5f)如果极坐标[ir/(n-1)；(j·360°)/m]的点属于舰船目标，则B(i，j)＝1；反之，B(i，j)＝0；其中i，j为矩阵B中的元素；最终得到极坐标形状矩阵B。

本发明与现有技术相比的优点在于：

(1)本发明直接基于形状对卫星遥感图像进行典型舰船目标特征提取，整个方法简单且易于硬件实现；

(2)本发明提出的分级特征提取算法，算法的描述能力逐级提高。一级特征仅对目标形状进行粗层次描述，可用于典型舰船目标集的粗分类。其优点是计算简单、易于提取。二级特征描述能力明显提高，可用于对卫星图像库中类型差别较小的典型舰船目标进行识别。三级特征具有很强的描述能力，可用作典型舰船目标的图像配准、图像校正、目标识别等。

(3)本发明引入小波变换作为细节显微工具，能够分别显微描述典型舰船目标图像在水平、垂直和对角线方向上的形状细节；

(4)通过选取不同卫星的成像数据，对多型号卫星所获取的遥感图像进行实验测试，结果表明：本方法均能快速准确地识别卫星遥感图像中的典型舰船目标，是一种普适性很强的工程方法。

附图说明

图1为本发明的流程图；

图2为图像小波分解数据传递框图；图3为形状矩阵相似度计算框图。

具体实施方式

以下结合附图和具体实现示例来说明本发明的具体实现：

本发明的卫星舰船图像库的图像全部来源于遥感卫星图像库。图像全部为JPEG格式，灰度级为256。

图1为本发明的流程图，从图1可知，本发明提供的一种基于分级不变性特征的典型舰船目标识别方法，其特征在于步骤如下：

(1)对输入的每幅卫星遥感图像进行自适应滤波、最大类间方差分割和校正歪斜失真的规格化处理。

(2)对每幅卫星遥感图像进行舰船目标的全局特征提取，由二值熵和归一化转动惯量顺序排列组成综合特征向量作为一级特征，并保证其具有平移、旋转和缩放不变性。

(2a)熵在信息论中是事件出现概率的不确定性量度，能有效反映事件包含的信息内容。因此，一幅图像的熵就是其所包含信息内容的量度。在数字图像中对局部熵作如下定义

其中，W×V为包含目标的图像局部窗口大小，f(i，j)为图像局部窗口中(i，j)处的像素灰度值，n为图像局部窗口中目标的总像素数。局部熵反映了一幅图像中像素的离散程度，局部熵越大，说明其像素分布越均匀。

把局部熵引进二值图像中，用如下二式计算二值图像的熵，称为二值熵。

$\begin{array}{cc}{p}_i=\left\{\begin{array}{cc}0,& f(i,j)=0\\ \frac{1}{n},& f(i,j)=1\end{array}\right.& H_t=-\underset{i=1}{\overset{n}{\Σ}}{p}_i\log p_i=-\underset{i=1}{\overset{n}{\Σ}}\frac{1}{n}log\frac{1}{n}=\log n\end{array}$

其中，n是目标区域包含的总像素数，图像大小为M×N。

对二值熵进行平移、旋转和缩放不变性分析。可以看出，二值熵仅仅与目标包含的像素数有关，故具有平移、旋转不变性。为获得缩放不变性，修正为下式。

$H_b=log\frac{n}{MN}$

二值熵的取值范围为H_b∈[-∞，0]，当图像中无舰船目标存在时H_b＝-∞，当图像全为舰船目标时H_b＝0。

(2b)归一化转动惯量(NMI，Normalized Moment of Inertia)是将二维数字灰度图像看成是二维平面上的M×N个像素点，按照一定的方法对其进行二值化，得到一幅二值图像f(x，y)。则

二值图像的质量为

$m=\underset{y=1}{\overset{N}{\Σ}}\underset{x=1}{\overset{M}{\Σ}}f(x,y)$

二值图像的质心

$C_x=\frac{\underset{y=1}{\overset{N}{\Σ}}\underset{x=1}{\overset{M}{\Σ}}xf(x,y)}{\underset{y=1}{\overset{N}{\Σ}}\underset{x=1}{\overset{M}{\Σ}}f(x,y)}=\frac{\underset{x=1}{\overset{M}{\Σ}}x}{MN}$

$C_y=\frac{\underset{y=1}{\overset{N}{\Σ}}\underset{x=1}{\overset{M}{\Σ}}yf(x,y)}{\underset{y=1}{\overset{N}{\Σ}}\underset{x=1}{\overset{M}{\Σ}}f(x,y)}=\frac{\underset{y=1}{\overset{M}{\Σ}}y}{MN}$

二值图像的转动惯量

$J_{(C_x,C_y)}=\underset{y=1}{\overset{N}{\Σ}}\underset{x=1}{\overset{M}{\Σ}}\[{(x-C_x)}^2+{(y-C_y)}^2\]f(x,y)$

由灰度门限法得到的区域二值图像的归一化转动惯量

下面从其机理对归一化转动惯量进行平移、旋转和缩放不变性分析。对于平移畸变，目标上的每个像素点的坐标为x′＝x+△x，y′＝y+△y，但平移后目标形状的质心坐标为C_x′＝C_x+△x，C_y′＝C_y+△y；所以平移后目标形状上各点到质心的距离并没有发生变化，而且目标区域大小M×N也没有变化，故归一化转动惯量不变。目标的旋转畸变对其相应二值图像的影响可以看作先对目标区域进行平移，再绕其质心进行旋转。在这种情况下，目标区域没有发生变化，目标上各点到质心的距离也没有发生变化，故归一化转动惯量不变。设缩放的比例系数为k，则x′＝kx，y′＝ky；缩放变换后的图像质心C_x′＝kC_x，C_y′＝kC_y。灰度门限法m′＝k²m从上式可以看出，归一化转动惯量不变。

(3)对图像进行一级小波分解，在分辨率2^j(j≤0)下，图像被投影到空间V_j和O_j中，图像被分解为四个子波段图像如下所示。

${\mathrm{LL}}_{2^j}f=\{<f(x,y),g_{2^j}(x-2^{-j}n)g_{2^j}(y-2^{-j}m)>\}$

${\mathrm{LH}}_{2^j}f=\{<f(x,y),g_{2^j}(x-2^{-j}n)h_{2^j}(y-2^{-j}m)>\}$

${\mathrm{HL}}_{2^j}f=\{<f(x,y),h_{2^j}(x-2^{-j}n)g_{2^j}(y-2^{-j}m)>\}$

${\mathrm{HH}}_{2^j}f=\{<f(x,y),h_{2^j}(x-2^{-j}n)h_{2^j}(y-2^{-j}m)>\}$

n和m为整数，<.,.>表示标量积运算，把尺度函数g看作低通滤波器，小波函数h看作高通滤波器，则对每级小波分解，为低通滤波器输出的子波段图像，其保持了滤波器输入图像的一半小波系数，为输入图像在2^j(j≤0)分辨率下的一个近似；为高通滤波器的输出，与大小相同，为输入图像在2^j(j≤0)分辨率下的下采样图像，但分别描述图像在水平、垂直和对角线方向上的细节。

(4)用Hu矩、Zernike矩和Fourier描述子分别对所有子波段图像进行特征提取，并根据各子波段的描述能力不同对所得特征向量进行加权处理；由小波分解且加权处理后的Hu矩、Zernike矩、Fourier描述子顺序排列组成综合特征向量作为二级特征，并保证其具有平移、旋转和缩放不变性。

(4a)七个Hu不变矩本身是关于平移、旋转和缩放的不变量，如下所示；假设R是用二值图像表示的目标，则R形状的第p+q阶中心矩为下式。

${\mathrm{\&mu;}}_{p+q}=\underset{(x,y)\&Element;R}{\&Sigma;}{(x-x_c)}^p{(y-y_c)}^q$

其中，(x_c，y_c)是目标的质心。为获得对缩放无关的性质，可以对该中心矩进行标准化操作，如下式。

${\mathrm{\&eta;}}_{p+q}=\frac{{\mathrm{\&mu;}}_{p+q}}{{\mathrm{\&mu;}}^{{\mathrm{\&gamma;}}_{0,0}}};\mathrm{\&gamma;}=\frac{p+q}{2}+1;p+q=2,3,\mathrm{...}$

基于这些矩，具有平移、旋转和缩放不变性的七个矩不变式如下

(4b)数字图像n阶Zernike矩的定义如下。

$Z_{nm}=\frac{n+1}{\mathrm{\&pi;}}\underset{y}{\&Sigma;}\underset{x}{\&Sigma;}f(x,y){\&lsqb;V_{nm}(x,y)\&rsqb;}^{*}$

Zernike矩本质是一种映射，将图像函数变换到一组正交基函数上。图像f(x，y)的Zernike矩是该图像在一组正交多项式{V_nm(x，y)}上的投影。这里所谓正交，是指正交多项式{V_nm(x，y)}在单位圆{x²+y²≤1}上满足下列条件。

$V_{nm}(x,y)=R_{nm}(x,y)e^{jm\arctan \frac{y}{x}}$

式中，n是正整数或者零；m是正或者负整数，且满足n-∣m∣＝偶数，∣m∣≤n；R_nm(x，y)是径向多项式，如下式

$R_{nm}(x,y)=\underset{s=0}{\overset{\left(n-\left|m\right|\right)/2}{\&Sigma;}}{(-1)}^s\frac{(n-s)!}{s!(\frac{n+\left|m\right|}{2}-s)!(\frac{n-\left|m\right|}{2}-s)!}{(x^2+y^2)}^{(\frac{n}{2}-s)}$

采取以下措施使Zernike矩具有平移、旋转和缩放不变性：计算中把单位圆的原点平移到舰船目标质心，以目标质心来计算矩，以获得平移不变性；对每一项Zernike矩取其幅值以获得旋转不变性；对每一项Zernike矩用下式进行归一化以获得缩放不变性：

$\begin{array}{ccc}\left|\right|Z_{mn}|{|}^{\&prime;}=\frac{\left|\right|Z_{mn}\left|\right|}{\left|\right|Z_{00}\left|\right|}& m=2,3,...& n=0,1,2,3\end{array},...$

(4c)假定2-D笛卡尔坐标系中的目标形状的边界为S，则按逆时针方向进行跟踪和重采样，可以获得均匀分布的K个点。每个点的坐标可以如下表示：(x₀，y₀)，(x₁，y₁)，…，(x_k-1，y_k-1)。这些坐标可以表示成x(i)＝x_i，y(i)＝y_i其中，i＝0，1，2，…，k-1。在这种情况下，边界可以表示成一系列复数：s(i)＝x(i)+j y(i)，其中，i＝0，1，2，…，k-1。把x轴作为实轴，y轴作为虚轴。则复数序列s(i)的离散Fourier变换如下式所示。其中，u＝0，1，2，…，K-1。复系数z(u)称为边界的Fourier描述子。

$z\left(u\right)=\frac{1}{K}\underset{i=0}{\overset{K-1}{\&Sigma;}}s\left(i\right)e^{-j2\mathrm{\&pi;}ui/K};$

Fourier描述子本身不具有平移、旋转和缩放不变性，为了得到对起始点、平移、旋转和缩放不变的特征集，采用以下归一化过程：因为平移只影响第一项，故去掉第一项以获得平移不变性；因为轮廓是按逆时针进行跟踪，舰船目标为非零区域，二阶描述子a(1)≠0，故用a(k)＝a(k)/∣a(1)∣以获得缩放不性；每一项取其幅值∣a(k)∣以获得旋转不变性。

(5)计算获得三级特征，并用极坐标形状矩阵表示；极坐标形状矩阵的构造算法如下；

5a)对输入的每幅卫星遥感图像进行自适应中值滤波、分割和二值化，计算求得舰船目标的质心C＝(C_x，C_y)；

5b)求取舰船目标上离舰船质心最远的点M到舰船质心C的欧氏距离r(M，C)，并定义r(M，C)为舰船目标的最长半径；定义B为m×n的形状矩阵；

5c)从质心C开始，把r(M，C)分为等长的n-1段；

5d)以C为圆心，分别以0，r/n-1，2r/n-1，…，(n-1)r/n-1为半径画圆；

5e)从r(M，C)开始，沿顺时针方向，把每个圆分为等长的m段弧，每段弧的角度为360°/m；

5f)如果极坐标[ir/(n-1)；(j·360°)/m]的点属于舰船目标，则B(i，j)＝1；反之，B(i，j)＝0；其中i，j为矩阵B中的元素；最终得到极坐标形状矩阵B；

(6)利用支持向量机和形状矩阵相似度计算对所提取出的特征进行识别分类；其中，形状矩阵相似度计算公式如下：

$sim=1-\frac{dif}{tot};$

其中，sim——为“模板舰船目标”与“待识别舰船目标”所对应的形状矩阵相似度；dif——为“模板舰船目标”与“待识别舰船目标”所对应的形状矩阵全部对应元素差值的绝对值之和；tot——为“模板舰船目标”形状矩阵所有元素值的总和；通过形状矩阵相似度阈值T＝0.8就能够实现典型舰船目标的识别。

本发明方法主要用于卫星遥感图像中的典型舰船目标识别，能够实现快速准确鉴别功能。可应用于高分辨率对地观测***重大专项后续卫星的多项工程，具有广阔的应用前景。本发明提出的方法在所有卫星遥感图像数据传输***中都可以采用。

本发明未详细说明部分属本领域技术人员公知常识。

Claims (4)

1.一种基于分级不变性特征的典型舰船目标识别方法，其特征在于步骤如下：

(1)对输入的每幅卫星遥感图像进行自适应滤波、最大类间方差分割和校正歪斜失真的规格化处理；

(2)提取每幅卫星遥感图像舰船目标的二值熵和归一化转动惯量作为一级特征；

(3)对每幅卫星遥感图像的二值图像进行一级小波分解，图像被分解为LL、LH、HL、HH四个子波段图像，分别描述图像在水平、垂直和对角线方向上的细节；

(4)用Hu矩、Zernike矩和Fourier描述子分别对所有子波段图像进行特征提取，并根据各子波段的描述能力不同对所得特征向量进行加权处理；由小波分解且加权处理后的Hu矩、Zernike矩、Fourier描述子顺序排列组成综合特征向量作为二级特征，并保证其具有平移、旋转和缩放不变性；

(5)计算获得三级特征，并用极坐标形状矩阵表示；

(6)利用支持向量机和形状矩阵相似度计算对所提取出的特征进行识别分类；其中，形状矩阵相似度计算公式如下：

其中，sim——为“模板舰船目标”与“待识别舰船目标”所对应的形状矩阵相似度；dif——为“模板舰船目标”与“待识别舰船目标”所对应的形状矩阵全部对应元素差值的绝对值之和；tot——为“模板舰船目标”形状矩阵所有元素值的总和；通过形状矩阵相似度阈值T＝0.8完成对典型舰船目标的识别。

2.根据权利要求1所述的一种基于分级不变性特征的典型舰船目标识别方法，其特征在于：步骤(2)中每幅卫星遥感图像舰船目标的二值熵为：

其中，n是舰船目标包含的总像素数，每幅卫星遥感图像的大小为M×N；

每幅卫星遥感图像舰船目标的归一化转动惯量为：

其中，每幅卫星遥感图像的二值图为f(x，y)，C_x和C_y为二值图像的质心。

3.根据权利要求1所述的一种基于分级不变性特征的典型舰船目标识别方法，其特征在于：步骤(4)中保证具有平移、旋转和缩放不变性的具体方法为：

(4a)Hu矩不变矩本身具有平移、旋转和缩放不变性，不需要进行处理；

(4b)采取以下措施使Zernike矩具有平移、旋转和缩放不变性：计算中把单位圆的原点平移到舰船目标质心，以目标质心来计算矩，以获得平移不变性；对每一项Zernike矩取其幅值以获得旋转不变性；对每一项Zernike矩用下式进行归一化以获得缩放不变性：

(4c)采取以下措施使Fourier描述子具有平移、旋转和缩放不变性：去掉Fourier描述子的第一项以获得平移不变性；由于舰船目标轮廓是按逆时针进行跟踪，舰船目标为非零区域，二阶描述子z(1)≠0，则使z(k)＝z(k)/∣z(1)∣以获得缩放不性，k＝2，3，4，…，K-1，K为舰船目标轮廓上均匀分布的采样点；每一项取其幅值以获得旋转不变性。

4.根据权利要求1所述的一种基于分级不变性特征的典型舰船目标识别方法，其特征在于：步骤(5)中极坐标形状矩阵的构造算法如下；

5a)对输入的每幅卫星遥感图像进行自适应中值滤波、分割和二值化，计算求得舰船目标的质心C＝(C_x，C_y)；

5b)求取舰船目标上离舰船质心最远的点M到舰船质心C的欧氏距离 r(M，C)，并定义r(M，C)为舰船目标的最长半径；定义B为m×n的形状矩阵；

5c)从质心C开始，把r(M，C)分为等长的n-1段；

5d)以C为圆心，分别以0，r/n-1，2r/n-1，…，(n-1)r/n-1为半径画圆；

5e)从r(M，C)开始，沿顺时针方向，把每个圆分为等长的m段弧，每段弧的角度为360°/m；

5f)如果极坐标[ir/(n-1)；(j·360°)/m]的点属于舰船目标，则B(i，j)＝1；反之，B(i，j)＝0；其中i，j为矩阵B中的元素；最终得到极坐标形状矩阵B。