基于STACS的遥感图像模板匹配智能识别仿真
2021-11-17李静
李 静
(河南大学濮阳工学院，河南 濮阳 457000)
1 引言
人造卫星遥感是一门综合性的科学技术，它可以从远距离或者高空中，利用红外等探测仪器以扫描成像的方式来识别地面遥感图像运动状态的现代化技术系统[1]。对遥感图像识别方法有很多种，目前经常使用的是图像特征模板匹配方法[2]，但是传统的遥感图像模板匹配识别过程中，普遍存在着匹配正确率较低、运算时间较长，识别精度较低等问题[3]。针对这一问题，如何快速提出具有较高识别准确度和较好识别效果的方法成为当今社会亟待解决的问题[4]。
目前很多专家学者们对其进行了研究，也得到了一些成果。例如，基于PCA的飞机遥感图像模板匹配识别方法。该方法对飞机遥感图像进行均值滤波处理和分割，将分割后的飞机遥感图像各个区域进行主成分分析，然后将主轴旋转成九十度方向和模板库进行匹配，进行飞机识别。该方法具有较好的识别效果，但是识别准确度较低。
基于支持向量机的飞机遥感图像匹配识别方法。该方法利用邻域灰度值方法来提取出候选图像，利用飞机遥感图像邻域像素值的二值模式来当作样本集，将其输入到神经网络中进行训练，获取不变性的飞机遥感图像轮廓特征向量，输入到支持向量机中进行识别。该方法具有较好的识别精度，但是识别效率较低。
针对上述问题，文中将梯度相似性度量和DOT算法相结合，将梯度幅值较大的主导方向视为遥感图像特征参量，用于后续匹配，并通过邻域像素差值法来对遥感图像目标特征进行识别。实验证明，本文提出的识别方法具有较高的识别精度。
2 基于STACS的遥感图像模板匹配智能识别方法
2.1 遥感图像模板特征匹配
通过对人造卫星勘测系统(STACS)勘测到的遥感图像进行分析，将梯度幅值较大的主导方向视为遥感图像特征参量[5]，用于后续匹配，使用DOT算法过滤掉非主要的梯度特征，仅保留梯度幅值较大的主导方向，并将其视为遥感图像特征参量，完成模板匹配，具体过程如下。
假设，遥感图像相似性度量函数用ε1来表示，通过ε1来描述目标图像I与中心特征点为c的模板图像O之间的梯度方向极为近似的数量，其表达式
(1)
式中，δ()代表二进制函数；ori(O，r)代表O处于r位置时相应的离散梯度方向；ori(O，c+r)代表输入遥感图像ori(O，r)处于c+r位置时相应的离散梯度方向。
为了保证近似性度量参数始终保持微小偏差的稳定性，同时提高算法计算效率，近似性度量阶段不考虑目标图像的所有像素点的梯度方向，重点考虑将两幅目标图像分解成具有较小规则的正方形范围R，只考虑其中每个小范围梯度幅值极大的像素点主导方向，这时将式(1)进行修改为
(2)
式中，DO(O，R)代表模板图像O中各个小范围R中梯度幅值极大的像素点主导方向的集合，而do(I，c+R)是目标图像I在各个小范围R中平移c大小的梯度幅值较大的一个主导方向向量。为了可快速获取各个小范围R的最大梯度幅值方向，选取模板图像O中各个小范围R的梯度幅值最大方向表征区域R。同时为了能够更好的表达整个2×2范围，将“±”用于描述该范围内无可使用的梯度信息。为此，函数DO(·)返回值可能在范围[0，n0-1]的不同梯度方向，要不就可能在返回{±}，利用下式给出函数原型表达式
(3)
S(O，R)={ori(O，l):l∈magk(R)Λmag(O，l)>τ}
(4)
式中，l代表范围R中的一个遥感图像像素点；ori(O，l)代表模板图像中像素点位置为l处的梯度方向；mag(O，l)代表模板图像在位置l上显示的大小；magk(R)代表模板图像中各个小范围R中所有梯度幅值极大的方向位置，共有k个。为了能够提升在线匹配速度将取k=1，τ描述根据梯度幅值的大小而确定的此范围内是否包含相同区域的阈值。
为了保证近似性度量参数始终保持微小偏差的稳定性，在不影响遥感图像模板匹配智能识别正确率的前提下[6]，分析整幅遥感图像时只考虑几个点的位置c，而不是将整幅遥感图像都进行扫描，这样可以降低大量的时间开销，在目标物体进行微小平移时，从函数ε2的返回结果中，选取最大值，当成遥感图像模板的相似度量标准，利用式(5)给出ε3的表达式
∈DO(w(O，m)，R)
(5)
式中，w(O，m)代表遥感图像模板O被平行移动了m。
通过上述过程形成的模板具有始终保持微小偏差的稳定性，在相同模板匹配阶段[7]，采用仿射投影变换提取不同角度变化时的不变特征向量，将同种模板按照不同的角度生成相应的仿射变换模板，在匹配识别过程中[8]，如若摄像头受到外界干扰，拍摄视角发生变化，采用该角度的仿射变换模板完成相应的匹配识别操作，通过多个角度识别目标物体[9]。
由于摄像机在拍摄过程中，发生视角变换，此情况下所拍摄的图像可视为发生了仿射变换。仿射变换它属于直角坐标变换中的一种，可以通过平移、旋转等变化组合在一起来体现的。
由于摄像机在拍摄过程中，发生视角变换，从图像角度考虑，可视为发生的仿射变换，仿射变换前遥感图像上可的随机一个点u(x，y)经过映射后，变为u(ax+by+e，cx+dy+f)来表示，由式(6)来描述仿射变换方式
(6)
在该模型中一共存在6个参数，可根据3组模板匹配特征点对仿射变换模型中的参数进行求解[10]
(7)
(8)
式中，A代表为A=λR(ψ)TtR(φ)，其中λ>0经过计算，A的行列式用λt来表示，R(ψ)代表遥感图像旋转角为ψ的平面旋转矩阵；Tt代表遥感图像切斜度矩阵，ψ代表摄像机它本身的旋转度。
2.2 图像目标特征识别
以2.1节遥感图像模板特征匹配为依据，利用邻域像素差值法来对遥感图像目标特征进行识别，具体过程如下：
(9)
同理，能够得到(XR，GR)：
(10)
对于纵轴Y上的遥感图像像素点，依旧可以根据上述插值来得到(YU，GU)和(YB，GB)，以此来得到遥感图像像素点(Xm，Ym)的邻域插值点(Xt，Yt)，图像目标特征识别函数为
(11)
通 过上述X和Y向的插值，来实现遥感图像目标特征进行识别。然而，当遥感图像目标点邻域像素灰度值的分布在不满足正态分布特征时，只利用邻域像素插值方法是很难克服方块效应所带来的识别精度误差明显增加的影响。面对这种情况可以对遥感图像目标点邻域像素灰度特征进行处理，以此来保证遥感图像邻域像素插值的输出精度。
3 实验与仿真证明
为了验证所提出基于STACS的遥感图像模板匹配智能识别方法的综合有效性，需要进行一次仿真，本次实验操作系统为Windows10，在182M内存硬件环境下进行实验，实验选取飞机作为目标，图像大小为248×248，将原图大小缩小2倍和4倍后分别以30度旋转到180度，来得到178幅目标样本，将所提方法与基于PCA的飞机遥感图像模板匹配识别方法和基于支持向量机的飞机遥感图像匹配识别方法进行对比实验，实验设备如图1所示。
图1 实验设备
将所提方法与基于PCA的飞机遥感图像模板匹配识别方法和基于支持向量机的飞机遥感图像匹配识别方法进行遥感图像模板匹配正确率对比实验，实验结果如表1所示，表1中，方法1代表所提方法；方法2代表基于PCA的飞机遥感图像模板匹配识别方法；方法3代表基于支持向量机的飞机遥感图像匹配识别方法。
表1 不同方法匹配正确率对比
分析表1可以看出，所提方法在遥感图像大小为248×248、124×124和62×62时匹配的正确率都为100%；而基于PCA的飞机遥感图像模板匹配识别方法和基于支持向量机的飞机遥感图像匹配识别方法在遥感图像大小为248×248、124×124和62×62时，匹配的正确率都明显低于所提方法匹配的正确率，通过对比可知，所提方法具有较高的匹配效果。
将所提方法与基于PCA的飞机遥感图像模板匹配识别方法和基于支持向量机的飞机遥感图像匹配识别方法进行匹配运算时间(s)对比实验，实验结果如表2所示，表2中，方法1代表所提方法；方法2代表基于PCA的飞机遥感图像模板匹配识别方法；方法3代表基于支持向量机的飞机遥感图像匹配识别方法。
表2 不同方法匹配运算时间对比实验
分析表2可以看出，3种方法在匹配数量一致时，所提方法运算时间都明显高于基于PCA的飞机遥感图像模板匹配识别方法和基于支持向量机的飞机遥感图像匹配识别方法的运算时间，通过对比可知，所提方法具有较高的匹配效率。
将所提方法与基于PCA的飞机遥感图像模板匹配识别方法和基于支持向量机的飞机遥感图像匹配识别方法进行识别误差(%)对比实验，实验结果如图2所示。
图2 不同方法识别准确度对比实验
分析图2可以看出，3种方法都随着图像数量的不断增加，识别误差也随着增加。所提方法图像数量为140个时，识别误差大约在2%左右，基于支持向量机的飞机遥感图像匹配识别方法当图像数量为140个时，识别误差大约在3.25%左右，基于PCA的飞机遥感图像模板匹配识别方法当图像数量为140个时，识别误差大约在3.75%左右，通过对比可知，所提方法识别误差最低，识别精度较高。
4 结束语
本文提出一种基于STACS的遥感图像模板匹配智能识别方法。该方法将梯度幅值较大的主导方向视为遥感图像特征参量，使用DOT算法过滤掉非主要的梯度特征，仅保留梯度幅值较大的主导方向，并将其视为遥感图像特征参量，完成模板匹配。在此基础上，引入邻域像素差值法来对遥感图像目标特征进行识别。实验结果表明，所提方法遥感图像模板匹配正确率较高、运算时间较短、识别精度较高，具有一定的实用价值。
在中国，遥感技术不断的发展，遥感图像模板匹配识别是技术难点同时也是研究的热点。在关于这一研究，文中还会存在许多需要改进的地方：
1)对遥感图像的分割还要进一步的研究，文中的分割方法对遥感图像分割还不是更好的。
2)在遥感图像目标识别的过程中，没有考虑到目标点残缺的问题，在实际应用中会受到一定的限制。
