基于特征组合的舰船目标粗识别方法研究*

王方超,张 旻,宫丽美

(1 电子工程学院,合肥 230037;2 安徽省电子制约技术重点实验室,合肥 230037)

基于特征组合的舰船目标粗识别方法研究*

王方超1,2,张 旻1,2,宫丽美1,2

(1 电子工程学院,合肥 230037;2 安徽省电子制约技术重点实验室,合肥 230037)

针对单一特征量无法准确识别目标的缺点,文中利用特征组合方式进行目标粗识别。首先,利用基于图相似性分割方法提取目标的二值图像;然后,计算目标仿射不变矩并利用分类器进行聚类分析;最后,通过最小外接矩形法提取目标几何参数,并依据图像分辨率计算出实际目标参数,且与舰船目标配属库进行比对,实现目标粗识别。实验结果表明,该方法鲁棒性强,易于实现,通过实测数据可以识别出舰船目标类别。

特征组合;GPAC分割;仿射不变矩;最小外接矩形;目标识别

0 引言

从遥感图像中识别出舰船目标,提取其有用的信息,使得在舰船目标的搜索与救助、渔船监视、舰船非法倾倒、油污监视和管理、战场指挥和侦察敌我识别等方面具有深远意义和广泛的应用前景[1]。

目前,国内外学者对舰船目标的识别问题已开展了不同程度的研究。比较有代表性的文献,如清华大学的高立宁等[2]提出了一套适合实际系统应用的海面舰船识别算法,测试结果验证了算法性能,并在通用硬件平台上实现了海面舰船的识别;海军航空工程学院的赵峰民等[3]提出了通过曲线进化方法提取目标骨架方法,实现舰船目标的识别;还有二炮工程大学的许少宝等[4]提出了归一化链码直方图与最小外切矩形结合的舰船目标识别方法,该方法克服了归一化链码的缺陷,对舰船目标识别效果更好。然而,受不同条件、背景等因素影响,学者们从不同角度,根据已有的先验条件进行舰船目标识别的方法也呈现多样化趋势。

文中分析了各类特征对舰船目标分类识别的贡献,提出了一种基于特征组合的舰船目标识别方法,分别利用了几何特征和矩特征相关特性,提取了舰船目标的几何参数和仿射不变矩特征,并通过特征组合的方式确定舰船目标的主要辅助信息要素类型,进而提高了舰船目标判读与识别的有效性和准确率,实验结果也验证了文中方法的可行性和有效性。

1 基于图相似性的图像分割

基于图相似性的图像分割(GPAC)模型[5]本质上是通过控制曲线变化达到对能量函数的优化,使得能量函数最小时,获取的变化曲线即图像分割结果。文中利用GPAC分割模型来获取目标切片二值图像,其实现步骤如下:

1)图像色彩空间的转换。将互不相关的RGB图

像转化为相对独立、且具有较好聚类特性的YCbCr图像进行处理,使得相似性的计算更加准确。

2)对YCbCr图像进行初始化,令G=G(V,E)为舰船目标切片图像I:Ω→R带权无向图。其中V为节点,E为连接节点的边。在定义域Ω上,切片图像被划分为内部区域Ω1和外部区域Ω2。将Ω1区域及外部边界像素归为一类,记为Ωi;将Ω2的区域归为一类,记为Ω0,如图1所示。

图1 初始化图示

(1)

其中:C为闭合曲线;ω(v0,vi)是节点v0、vi的相似性函数。

而多相目标分割的能量泛函定义为

(2)

文中采用N=2的四相分割,则式(1)的能量泛函等价为如下式子

3)

使用梯度下降法求解式(3)的能量最小化问题,经变分得到模型的曲线演化方程为

(4)

式中:t为曲线变化的时间参数;c为活动轮廓C上的点,N为其外法向量;F(c)表示该点与活动轮廓内部和外部相似度的比较。

4)根据曲线方程的变化,对任一c∈C,当F(c)>0时,活动轮廓向外扩张;当F(c)<0时,活动轮廓向内收缩;当且仅当c处于目标边界时,曲线停止变化,从而获取到最终的图像分割目标Iseg。

5)对分割目标Iseg进行灰度阈值化处理,得到切片目标的二值化图像Ibin。

2 舰船目标粗识别

在得到目标二值化图像后,然后对其进行识别。识别也是分层次的,首先,分为全海洋背景和海陆共存背景;其次,下一层为大、中、小;在下一层为航母、驱逐舰、护卫舰、商用轮船、渔船等;在细分就是具体型号之类。而对舰船目标进行精确识别,并判断其类型、型号,需要大量具体详细的内部特征,包括舰船上的桅杆、舰炮、飞行甲板、导弹发射架、烟囱、飞机升降平台、天线罩等的位置和数量。鉴于获取的数据集有限,故文中利用提取的目标几何参数与仿射不变矩等特征,通过特征组合来进行舰船目标粗识别。2.1 矩特征提取

矩特征分析常引入舰船的鉴别、景物匹配等。在目标识别中,矩特征函数是比较重要的函数,如Hu不变矩和仿射不变矩等。其中,Hu矩具有平移、比例缩放、旋转不变性。但当图像发生变形或投影变化时,上述3个不变性就不成立。而仿射不变矩是从代数不变性理论推导出来的二维坐标变换,通过大量实验证明利用仿射不变量能识别图像中扭曲变形的目标,也就是当目标发生变形或投影变换时,图像的仿射不变矩仍具有平移、比例缩放、旋转不变性[6]。

故文中对舰船目标图像的仿射不变矩特征进行提取,它可表示为

(5)

式(5)可分解为6组单独参数的变换

(6)

其中仿射不变矩函数的构造方法多样,例如Hankel行列式、配极多项式、关于x的多项式等。这几类多项式与各阶中心矩都能用来构造满足式(6)的6组变换所要求的仿射不变矩。文中采用文献[7]方法推导的10个仿射不变矩公式,而仿射不变矩阶次越高,其计算越复杂,受噪声影响越大。因此,在本实验中仅选出前三阶仿射不变矩用于舰船目标识别,对5种舰船目标切片分别进行平移、旋转和比例缩放,共获得150幅图像,其中每种类型的目标30幅,用于建立目标图像库。在此之前先定义分割后目标二值图像Ibin(x,y)的(p+q)阶原点矩和中心矩分别为:

(7)

(8)

(9)

(10)

(11)

2.2 几何参数提取

舰船目标一般呈现“小米粒”状,而非舰船等虚警则往往呈现不规则轮廓特征。因此,几何特征可以当作区分目标与虚警的一个指标,并且通过比例关系大致能确定目标实际的数值。与舰船目标库比对,可以进行实测遥感图像中舰船目标的粗识别。舰船的几何特征参数可以通过Hough变换或Radon变换及其改进方法[8-10]进行计算,但该类变换是将舰船主轴转为ρ-θ域中的峰值检测问题,而舰船宽度转换为ρ-θ域中主轴在峰值区域的范围。该类方法效果较好,但隐含了提取最大峰值区域的难题,这将影响最终的几何参数提取结果。

文中通过最小外接矩形法(MER)获得目标几何参数,它能反映出目标区域主轴方向的长度及其垂直于主轴方向的宽度,所获取的长度和宽度就是舰船目标的长和宽,通过计算面积得到舰船矩形度。获取目标参数的具体步骤为:

2)计算旋转α后目标的最大横坐标Xmax、最小横坐标Xmin和最大纵坐标Ymax、最小纵坐标Ymin,则由坐标信息可求出相对应的外接矩形的面积为

(12)

(13)

式中:S0的为舰船目标面积;SMER为目标最小外接矩形面积。矩形度体现舰船目标对其外接矩形的充满程度。2.3 特征组合的目标粗识别

1)在获取舰船分割目标二值图像Ibin基础上,由2.2步骤方法计算该目标的最小外接矩形,并记录外接矩形的长、宽、长宽比、矩形度等参数;

2)求出舰船目标Ibin(x,y)的质心(x0,y0)、原点矩、中心矩,并进行归一化处理,将Ibin(x,y)作比例缩放、平移、尺度变化,记为

(14)

式中a为比例缩放因子。

3 实验及结果分析

为了验证文中方法的实效性,采用Matlab仿真进行说明。图像来源于Google Earth,对舰船目标进行粗识别,分别做了2组实验加以说明。第一组实验为目标的分割,即通过基于图相似性GPAC活动轮廓模型对目标切片进行精细分割;第二组实验为目标粗识别,主要通过提取目标的几何参数特征与仿射不变矩特征,建立新的特征组合量,最终实现舰船目标的类型识别。实验所用软件为Matlab7.6.0;硬件条件:i3CPU,内存2G。

实验1:舰船目标的分割

对遥感图像而言,通常目标仅占一小部分,其余大部分区域都为海背景,直接进行目标识别,势必会耗费大量时间且易受复杂海洋背景的影响。我们分别选取了分辨率为0.5 m,大小为144像素×216像素的普通小船图像和分辨率为3 m的Google Earth遥感图像中舰船目标切片作为实验图像,前三类切片图像大小为144像素×216像素,最后一类切片图像大小为212像素×498像素,对测试图像使用基于GPAC的活动轮廓模型进行分割处理,各型舰船目标切片如图2所示,经GPAC分割后各种形式目标构成目标图像库,它可表示为目标编号-序号的方式,由于图像数目较多,在此仅列出各类型目标切片3个图像,其仿真结果如图3所示。

图2 各型舰船目标切片

图2为截取的Google Earth遥感图像舰船目标切片,图3为基于图相似性的舰船目标切片分割处理结果。从图3仿真结果可看出,在目标与背景相差较大且存在尾迹干扰情况下,GPAC能够有效地将目标与背景分离,获取较干净的舰船切片的二值图像,从而为识别提供较精确的目标形状信息,为下步提取目标特征形状和仿射不变矩特征打下基础。

实验2:舰船目标粗识别

在获取舰船目标切片二值图像基础上,利用提取目标的几何参数特征与仿射不变矩特征,通过特征组合方式来实现舰船目标粗识别。首先,提取舰船切片的几何参数特征,仿真结果如图4所示。根据图4标记的结果,可以得出各型舰船目标切片几何参数特征,如表1所示;其次,文中设计了仿射不变矩特征提取方法,为了聚类分析和分类识别方法对数据计算简单,提取了具有代表性的3个目标(b)、(c)、(e)切片的仿射不变矩特征量,并取绝对值处理,其目标特征值如表2所示;最后,选取样本的仿射不变矩特征值的聚类分析结果如图5～图7所示,3条曲线表示3种不同目标切片样本的特征分布,其中横坐标代表样本个数,纵坐标代表样本特征值的大小。

图3 目标切片GPAC分割结果

图4 各类目标切片的最小外接矩形测量

目标长/m宽/m长宽比矩形度/%(a)7.41.64.6376.7(b)270.455.84.8585.6(c)137.617.47.9090.3(d)13313.59.8595.7(e)327.540.28.1584.5

表2 部分目标平移、旋转、比例缩放后仿射不变矩特征

图5 特征值I1聚类结果

图6 特征值I2聚类结果

图7 特征值I3聚类结果

图4为各目标切片的最小外接矩形测量结果,根据图像分辨率大小可以计算出各目标的长、宽、长宽比、矩形度等几何参数,即表1的结果,表2为部分目标变换后仿射不变矩特征。图5～图7为选取目标30幅图像特征值进行聚类分析结果,从图中曲线可以看出所提取的特征能较准确将每一目标与其他目标区分开,并且各曲线之间有一定距离,有利于分类器分类识别出同一类目标;最后根据各目标的几何参数与实际舰船目标配属库进行比对,就可以大致得出舰船目标所属的类型。

4 结论

文中在获取有限的舰船目标数据集的基础上,结合舰船目标仿射不变矩和几何参数特征,采用特征组合的方法对目标进行粗识别,并通过Google Earth获取的图像进行了验证。测试结果与实际目标类型一致。若舰船目标背景存在更多云层、雾气等干扰,可能测试结果会有所干扰,下一步将研究加入去噪去雾等算法,使得在复杂背景下检测结果更加准确。

[1] 田明辉, 万寿红, 岳丽华. 遥感图像中复杂海面背景下的海上舰船检测 [J]. 小型微型计算机系统, 2008, 29(11): 2162-2166.

[2] 高立宁, 毕福昆, 龙腾, 等. 一种光学遥感图像海面舰船检测算法 [J]. 清华大学学报(自然科学版), 2011, 51(1): 105-110.

[3] 赵峰民, 刘皞, 陈望达. 中远距离舰船目标识别方法研究 [J]. 激光与红外, 2012, 42(9): 1071-1075.

[4] 许少宝, 王蜂, 陈聪, 等. 基于归一化链码直方图和最小外切矩形的舰船目标识别方法 [J]. 科学技术与工程, 2013, 13(4): 926-929.

[5] 孔科, 汪国昭. 基于区域相似性的活动轮廓SAR图像分割 [J]. 计算机辅助设计与图形学学报, 2010, 22(9): 1554-1560.

[6] 冉鑫. 基于可变形模型的图像分割与图像配准研究 [D]. 上海: 上海交通大学, 2005.

[7] SUK Tomas, FLUSSER Jan. Graph method for generating affine moment invariants [J]. Pattern Recognition, 2004, 37(1): 132-141.

[8] 徐牧, 王雪松, 肖顺平. 基于Hough变换与目标主轴提取的SAR图像目标方位角估计方法 [J]. 电子与信息学报, 2007, 29(2): 370-374.

[9] 杜琳琳, 安成锦, 陈曾平, 等. 一种舰船ISAR图像中心线特征提取新方法 [J]. 电子与信息学报, 2010, 32(5): 1023-1028.

[10] 陈文婷, 赵和鹏, 邢相薇, 等. 基于Radon变换的SAR舰船目标切片精细分割 [J]. 仪器仪表学报, 2012, 33(8): 144-148.

Research on Ship Rough Recognition with the Features of Combination

WANG Fangchao1,2,ZHANG Min1,2,GONG Limei1,2

(1 Electronic Engineering Institute, Hefei 230037, China; 2 Key Laboratory Electronic Restriction of Anhui Province, Hefei 230037, China)

Aimed at the shortcoming that single feature could not accurately identify the target, a method for research on ship rough recognition with the features of combination was proposed by this paper. Firstly the binary image of the target was extracted by graph portioning active contours (GPAC) segmentation. Secondly calculated the affine invariant moment of the target and used the classifier for cluster analysis. Finally extracted the target geometry parameters through the Minimum Enclosing Rectangle method, and calculated the actual target parameters according to the image resolution, and comparing with ship target configuration database to achieve the rough recognition of ship target. The experiment results showed that this method had strong robustness and could berealized easily, which could identify the ship target categories by the actually measured data.

features combination; GPAC segmentation; affine invariant moment; minimum enclosing rectangle; target recognition

2015-12-24

国家自然科学基金(61171170);安徽省自然科学基金(1408085QF115)资助

王方超(1991-),男,陕西渭南人,硕士研究生,研究方向:图像处理与信息融合技术。

TN911.73

A