一种基于纹理特征的战场目标图像挖掘方法*

郭忠伟 郑华利 马仁安 张少兵

(解放军炮兵学院1) 合肥 230031)(63961部队2) 北京 100012)

1 引言

在现代战场上,指挥信息系统把众多的图像侦察设备联为一体[1],为指挥员提供了海量的战场目标图像数据,指挥信息系统如何从这些图像数据中实时、快速挖掘出相关的图像或图像序列,以最快捷的手段找到所需要的目标,从而有效地获取战场信息,已成为一个重要的课题。在大规模的战场图像数据中进行挖掘,就目前而言仍然缺乏有效的工作。已有的数据挖掘算法和基于文本的检索方法大多是针对传统的关系数据库[2],不能直接应用于图像数据。因此,战场图像的挖掘需要寻求新的方法,而基于战场目标图像的视觉内容[2](比如纹理、颜色、形状等)进行挖掘,则是一个有益的尝试。

2 战场目标图像

战场目标图像是指通过战场侦察平台所获得的战场目标侦察图像[3],包括可见光、微光、激光、红外等图像,这些图像数据中包含有许多关于部队部署、重要目标、作战效果、敌军动态、战场实时环境等[4]战场信息。战场目标图像情报属战术型情报,与卫星遥感图像等战略型图像情报相比,具有明显优点,它周期短、时效性强,能够持续侦察,可以完成全天时、全天候的图像实时侦察,能获得多角度、全方位的情报。随着信息技术的发展与广泛应用,在战场上具有图像侦察获取能力的装备种类和数量也越来越多,提供的战场目标图像数据也在大规模增长。

3 战场目标图像的纹理特征

纹理是与物体表面材质[5]有关的图像内在特征,可以把纹理描述为:一个邻域内像素灰度级变化的空间分布规律,包括表面结构组织及与周围环境关系的许多重要信息。而纹理的精确定义至今还未给出,一般来说,战场目标图像纹理就是指在战场图像中反复出现的局部模式和它们的排列规律。它不能单纯的由颜色或密度得到。纹理可以视为某些近似形状的近似重复分布,纹理描述的难点在于它与物体形状之间存在密切的关系,千变万化的物体形状与嵌套式的分布使纹理的分类变得十分困难。纹理作为图像的重要属性,在战场目标图像中有着较为明显的体现。

纹理特征分析一直是计算机视觉的一个重要研究方向。纹理的量化方法主要有两类:即结构方法和统计方法。结构方法从“纹理是怎样产生的”观点出发,认为纹理是结构,如同渔民编织的鱼网一样,编织什么样的鱼网,就有什么样的纹理。结构复杂,纹理亦复杂。根据这一观点,纹理分析很容易引导到句法结构识别方法中去。它通常是在已知纹理基元的情况下进行的,适用分析像迷彩图案、砖等花样排列较规则的纹理。它假定图像由较小的纹理基元排列而成,采用句法分析方法,对图像中非常具有结构规律的特征进行分析,但只适用于规则的结构纹理分析;统计方法从直观印象出发,认为纹理无非是客观事物给人的印象,所以有心理学的因素。国外有人做过视觉心理学的实验,发现人眼睛所看到的物体,是光线照于物体,物体表面灰度级的反应。灰度级是一个统计函数,可以分为一阶、二阶及高阶统计函数[6],经过分析研究,认为人眼看到的是一阶及二阶统计函数,人眼觉察不到高于二阶的统计函数。从这一观点出发,认为纹理分析应该采用统计识别方法,它是对图像的颜色强度的空间分布信息进行统计,又可进一步分为传统的基于模型的统计方法和基于频谱分析的方法,统计方法常被用于分析像木纹、沙地、草地等细而不太规则的纹理。Haralick等人提出的灰度共生矩阵法就是一种统计方法,它利用纹理在灰度级的空间相关性,先根据图像像素间的方向和距离构造一个共生矩阵,再从中提出有意义的统计数据作为纹理的特征表示。频谱分析方法的依据是:战场图像的频域能量谱能在一定的程度上反映某些纹理的特征,计算纹理一定要选窗口,仅一个点是无纹理可言的,所以纹理是二维的,二维变换的频谱还能够描述纹理的粗细程度。此外还有其它的纹理特征度量方法,如Tamura方法、小波变换方法、Gabor变换方法、LBP方法、Laws纹理方法、分形方法等。

4 战场目标图像纹理特征的提取

虽然能够表达纹理特征的方法有多种,但灰度共生矩阵能够全面反映战场目标图像在方向、相邻间隔、变化幅度方面的综合信息,是分析图像局部模式和排列规则的基础,也是战场目标图像刻画纹理特征信息的一种有效方法。因此,这里采用了提取基于灰度共生矩阵的纹理特征。

纹理特征的共生矩阵,即表示图像灰度级空间相关的矩阵。共生矩阵表示图像中相距(Δx,Δy)的两个灰度像素同时出现的联合频率分布。假设图像的灰度级R,那么共生矩阵为R×R的矩阵,可表示为 M(Δx,Δ y)(h,k),其中位于(h,k)的元素 mhk的值表示一个灰度为h,而另一个灰度为k的两个相距(Δ x,Δ y)的像素对出现的次数。设S为目标区域A中具有特定空间关系的像素对的集合,则共生矩阵CM可以定义为:

其中分子是具有某种空间关系、灰度值分别为g1,g2的像素对的个数,分母为像素对的总合个数(#代表数量)。

在得到战场目标图像的灰度共生矩阵的基础上,可以定义多种有意义的统计数据作为纹理描述符[2],诸如纹理惯性矩、能量、熵、相关性和均匀性等构成战场目标图像的特征表达,进而可计算出战场目标图像间的相似度。

1)惯性矩CON

对于粗纹理战场图像由于mhk的数值较集中于主对角线附近,此时(h-k)的值较小,所以相应的战场图像CON值也较小。相反,对于细纹理相应的CON值较大。

2)能量ASM

这是一种对图像灰度分布均匀性的度量。当mhk的数值分布较集中于主对角线附近时,其相应的ASM值较大;相反,ASM值则较小。

3)熵ENT

当灰度共生矩阵中各mhk数值相差不大且较分散时,ENT值较大;反之,若mhk数值较集中时,ENT值则较小。

4)相关量COR

5 战场目标图像挖掘中的纹理特征匹配

战场图像的特征信息被抽取出来后将以向量的形式存放在索引库中,向量的每个值代表战场图像的某一个特征值,这样一幅战场图像的特征就可以用一个N维特征空间里的向量来表示。同时,查询向量也可以表达为特征空间中的点,称为查询点,从而战场图像之间的匹配计算就转化为特征向量之间的相似性计算。要计算向量相似性程度,需要一定的距离计量或测量方法。常用的距离函数主要是欧氏距离De和城区距离Dc。在具体的战场图像挖掘应用中,采用哪种距离度量方法要视具体的计算情况而定。应用时还可以将不同的距离测度方式组合起来构成复合测度以增强应用的灵活性,如求加权和、最大值、最小值等。由于De计算简单,且效果也比较好,本文在特征匹配时采用的测量方法是欧氏距离。

A,B分别表示两幅图像,TA(k),TB(k)分别表示两幅图像的纹理。

对于一幅感兴趣图像,通过其纹理的相似性匹配,在战场图像源中进行挖掘。其相似性Sim(A,B)为:Sim(A,B)=1-D(A,B)。

若D(A,B)的值越大,就说明两幅图像的特征差异越大;D(A,B)的值越小,就说明两幅图像的特征越相似。最后将所有挖掘的目标图像与用户输入的示例图像的相似度从大到小排序,并选出Sim值最大的若干张作为最后的查询结果显示。

采用灰度共生矩阵作为匹配特征,在编程工具VC++环境下开发了一个战场目标图像挖掘原型系统。使用该系统在一个具有150幅各种各样的战场图像的数据库中进行了挖掘实验。图1为感兴趣的某一坦克图像,图2为感兴趣的坦克图像的纹理特征值,图3为挖掘出的相关图像,它表示的是根据纹理特征匹配后所挖掘的与感兴趣图像相关的10幅图像,其相似性由大到小依次排序。

6 结语

该方法采用共生矩阵模型,计算纹理惯性矩、能量、熵、相关性,通过纹理匹配来挖掘出相似的战场目标图像。实例表明该方法为战场目标图像挖掘提供了一个有效可行的选择。但是,对于战场目标图像,纹理只是一种表面的特性,并不能完全反映出目标的本质属性,且战场环境复杂多变,所获取的战场图像有的纹理特征明显,有的颜色特征[8]明显,有的形状特征明显等等,因此若采用多种特征进行挖掘,则挖掘效果会进一步提高。

[1]任富兴,刘树海.指挥信息系统[M].北京:解放军出版社,2008

[2]章毓晋.基于内容的视觉信息检索[M].北京:科学出版社,2003

[3]周立伟.目标探测与识别[M].北京:北京理工大学出版社,2002

[4]薛模根.数字图像处理及其军事应用[M].北京:解放军出版社,2005

[5]周明全.基于内容的图像检索技术[M].北京:清华大学出版社,2007

[6]艾海舟,武勃.图像处理分析与机器视觉[M].北京:人民邮电出版社,2003

[7]Castle K R.Digital Image Processing[M].New York:Prentice Hall,1996

[8]郭忠伟,李洪峰.C3I系统中基于颜色特征的战场图像快速检索[J].舰船电子工程,2007,27(4)