王方超,張 旻,宮麗美

(1 電子工程學院,合肥 230037;2 安徽省電子制約技術重點實驗室,合肥 230037)

基于特征組合的艦船目標粗識別方法研究*

王方超1,2,張 旻1,2,宮麗美1,2

(1 電子工程學院,合肥 230037;2 安徽省電子制約技術重點實驗室,合肥 230037)

針對單一特征量無法準確識別目標的缺點,文中利用特征組合方式進行目標粗識別。首先,利用基于圖相似性分割方法提取目標的二值圖像;然后,計算目標仿射不變矩并利用分類器進行聚類分析;最后,通過最小外接矩形法提取目標幾何參數,并依據圖像分辨率計算出實際目標參數,且與艦船目標配屬庫進行比對,實現目標粗識別。實驗結果表明,該方法魯棒性強,易于實現,通過實測數據可以識別出艦船目標類別。

特征組合;GPAC分割;仿射不變矩;最小外接矩形;目標識別

0 引言

從遙感圖像中識別出艦船目標,提取其有用的信息,使得在艦船目標的搜索與救助、漁船監(jiān)視、艦船非法傾倒、油污監(jiān)視和管理、戰(zhàn)場指揮和偵察敵我識別等方面具有深遠意義和廣泛的應用前景[1]。

目前,國內外學者對艦船目標的識別問題已開展了不同程度的研究。比較有代表性的文獻,如清華大學的高立寧等[2]提出了一套適合實際系統應用的海面艦船識別算法,測試結果驗證了算法性能,并在通用硬件平臺上實現了海面艦船的識別;海軍航空工程學院的趙峰民等[3]提出了通過曲線進化方法提取目標骨架方法,實現艦船目標的識別;還有二炮工程大學的許少寶等[4]提出了歸一化鏈碼直方圖與最小外切矩形結合的艦船目標識別方法,該方法克服了歸一化鏈碼的缺陷,對艦船目標識別效果更好。然而,受不同條件、背景等因素影響,學者們從不同角度,根據已有的先驗條件進行艦船目標識別的方法也呈現多樣化趨勢。

文中分析了各類特征對艦船目標分類識別的貢獻,提出了一種基于特征組合的艦船目標識別方法,分別利用了幾何特征和矩特征相關特性,提取了艦船目標的幾何參數和仿射不變矩特征,并通過特征組合的方式確定艦船目標的主要輔助信息要素類型,進而提高了艦船目標判讀與識別的有效性和準確率,實驗結果也驗證了文中方法的可行性和有效性。

1 基于圖相似性的圖像分割

基于圖相似性的圖像分割(GPAC)模型[5]本質上是通過控制曲線變化達到對能量函數的優(yōu)化,使得能量函數最小時,獲取的變化曲線即圖像分割結果。文中利用GPAC分割模型來獲取目標切片二值圖像,其實現步驟如下:

1)圖像色彩空間的轉換。將互不相關的RGB圖

像轉化為相對獨立、且具有較好聚類特性的YCbCr圖像進行處理,使得相似性的計算更加準確。

2)對YCbCr圖像進行初始化,令G=G(V,E)為艦船目標切片圖像I:Ω→R帶權無向圖。其中V為節(jié)點,E為連接節(jié)點的邊。在定義域Ω上,切片圖像被劃分為內部區(qū)域Ω1和外部區(qū)域Ω2。將Ω1區(qū)域及外部邊界像素歸為一類,記為Ωi;將Ω2的區(qū)域歸為一類,記為Ω0,如圖1所示。

圖1 初始化圖示

(1)

其中:C為閉合曲線;ω(v0,vi)是節(jié)點v0、vi的相似性函數。

而多相目標分割的能量泛函定義為

(2)

文中采用N=2的四相分割,則式(1)的能量泛函等價為如下式子

3)

使用梯度下降法求解式(3)的能量最小化問題,經變分得到模型的曲線演化方程為

(4)

式中:t為曲線變化的時間參數;c為活動輪廓C上的點,N為其外法向量;F(c)表示該點與活動輪廓內部和外部相似度的比較。

4)根據曲線方程的變化,對任一c∈C,當F(c)>0時,活動輪廓向外擴張;當F(c)<0時,活動輪廓向內收縮;當且僅當c處于目標邊界時,曲線停止變化,從而獲取到最終的圖像分割目標Iseg。

5)對分割目標Iseg進行灰度閾值化處理,得到切片目標的二值化圖像Ibin。

2 艦船目標粗識別

在得到目標二值化圖像后,然后對其進行識別。識別也是分層次的,首先,分為全海洋背景和海陸共存背景;其次,下一層為大、中、小;在下一層為航母、驅逐艦、護衛(wèi)艦、商用輪船、漁船等;在細分就是具體型號之類。而對艦船目標進行精確識別,并判斷其類型、型號,需要大量具體詳細的內部特征,包括艦船上的桅桿、艦炮、飛行甲板、導彈發(fā)射架、煙囪、飛機升降平臺、天線罩等的位置和數量。鑒于獲取的數據集有限,故文中利用提取的目標幾何參數與仿射不變矩等特征,通過特征組合來進行艦船目標粗識別。2.1 矩特征提取

矩特征分析常引入艦船的鑒別、景物匹配等。在目標識別中,矩特征函數是比較重要的函數,如Hu不變矩和仿射不變矩等。其中,Hu矩具有平移、比例縮放、旋轉不變性。但當圖像發(fā)生變形或投影變化時,上述3個不變性就不成立。而仿射不變矩是從代數不變性理論推導出來的二維坐標變換,通過大量實驗證明利用仿射不變量能識別圖像中扭曲變形的目標,也就是當目標發(fā)生變形或投影變換時,圖像的仿射不變矩仍具有平移、比例縮放、旋轉不變性[6]。

故文中對艦船目標圖像的仿射不變矩特征進行提取,它可表示為

(5)

式(5)可分解為6組單獨參數的變換

(6)

其中仿射不變矩函數的構造方法多樣,例如Hankel行列式、配極多項式、關于x的多項式等。這幾類多項式與各階中心矩都能用來構造滿足式(6)的6組變換所要求的仿射不變矩。文中采用文獻[7]方法推導的10個仿射不變矩公式,而仿射不變矩階次越高,其計算越復雜,受噪聲影響越大。因此,在本實驗中僅選出前三階仿射不變矩用于艦船目標識別,對5種艦船目標切片分別進行平移、旋轉和比例縮放,共獲得150幅圖像,其中每種類型的目標30幅,用于建立目標圖像庫。在此之前先定義分割后目標二值圖像Ibin(x,y)的(p+q)階原點矩和中心矩分別為:

(7)

(8)

(9)

(10)

(11)

2.2 幾何參數提取

艦船目標一般呈現“小米?！睜?而非艦船等虛警則往往呈現不規(guī)則輪廓特征。因此,幾何特征可以當作區(qū)分目標與虛警的一個指標,并且通過比例關系大致能確定目標實際的數值。與艦船目標庫比對,可以進行實測遙感圖像中艦船目標的粗識別。艦船的幾何特征參數可以通過Hough變換或Radon變換及其改進方法[8-10]進行計算,但該類變換是將艦船主軸轉為ρ-θ域中的峰值檢測問題,而艦船寬度轉換為ρ-θ域中主軸在峰值區(qū)域的范圍。該類方法效果較好,但隱含了提取最大峰值區(qū)域的難題,這將影響最終的幾何參數提取結果。

文中通過最小外接矩形法(MER)獲得目標幾何參數,它能反映出目標區(qū)域主軸方向的長度及其垂直于主軸方向的寬度,所獲取的長度和寬度就是艦船目標的長和寬,通過計算面積得到艦船矩形度。獲取目標參數的具體步驟為:

2)計算旋轉α后目標的最大橫坐標Xmax、最小橫坐標Xmin和最大縱坐標Ymax、最小縱坐標Ymin,則由坐標信息可求出相對應的外接矩形的面積為

(12)

(13)

式中:S0的為艦船目標面積;SMER為目標最小外接矩形面積。矩形度體現艦船目標對其外接矩形的充滿程度。2.3 特征組合的目標粗識別

1)在獲取艦船分割目標二值圖像Ibin基礎上,由2.2步驟方法計算該目標的最小外接矩形,并記錄外接矩形的長、寬、長寬比、矩形度等參數;

2)求出艦船目標Ibin(x,y)的質心(x0,y0)、原點矩、中心矩,并進行歸一化處理,將Ibin(x,y)作比例縮放、平移、尺度變化,記為

(14)

式中a為比例縮放因子。

3 實驗及結果分析

為了驗證文中方法的實效性,采用Matlab仿真進行說明。圖像來源于Google Earth,對艦船目標進行粗識別,分別做了2組實驗加以說明。第一組實驗為目標的分割,即通過基于圖相似性GPAC活動輪廓模型對目標切片進行精細分割;第二組實驗為目標粗識別,主要通過提取目標的幾何參數特征與仿射不變矩特征,建立新的特征組合量,最終實現艦船目標的類型識別。實驗所用軟件為Matlab7.6.0;硬件條件:i3CPU,內存2G。

實驗1:艦船目標的分割

對遙感圖像而言,通常目標僅占一小部分,其余大部分區(qū)域都為海背景,直接進行目標識別,勢必會耗費大量時間且易受復雜海洋背景的影響。我們分別選取了分辨率為0.5 m,大小為144像素×216像素的普通小船圖像和分辨率為3 m的Google Earth遙感圖像中艦船目標切片作為實驗圖像,前三類切片圖像大小為144像素×216像素,最后一類切片圖像大小為212像素×498像素,對測試圖像使用基于GPAC的活動輪廓模型進行分割處理,各型艦船目標切片如圖2所示,經GPAC分割后各種形式目標構成目標圖像庫,它可表示為目標編號-序號的方式,由于圖像數目較多,在此僅列出各類型目標切片3個圖像,其仿真結果如圖3所示。

圖2 各型艦船目標切片

圖2為截取的Google Earth遙感圖像艦船目標切片,圖3為基于圖相似性的艦船目標切片分割處理結果。從圖3仿真結果可看出,在目標與背景相差較大且存在尾跡干擾情況下,GPAC能夠有效地將目標與背景分離,獲取較干凈的艦船切片的二值圖像,從而為識別提供較精確的目標形狀信息,為下步提取目標特征形狀和仿射不變矩特征打下基礎。

實驗2:艦船目標粗識別

在獲取艦船目標切片二值圖像基礎上,利用提取目標的幾何參數特征與仿射不變矩特征,通過特征組合方式來實現艦船目標粗識別。首先,提取艦船切片的幾何參數特征,仿真結果如圖4所示。根據圖4標記的結果,可以得出各型艦船目標切片幾何參數特征,如表1所示;其次,文中設計了仿射不變矩特征提取方法,為了聚類分析和分類識別方法對數據計算簡單,提取了具有代表性的3個目標(b)、(c)、(e)切片的仿射不變矩特征量,并取絕對值處理,其目標特征值如表2所示;最后,選取樣本的仿射不變矩特征值的聚類分析結果如圖5～圖7所示,3條曲線表示3種不同目標切片樣本的特征分布,其中橫坐標代表樣本個數,縱坐標代表樣本特征值的大小。

圖3 目標切片GPAC分割結果

圖4 各類目標切片的最小外接矩形測量

目標長/m寬/m長寬比矩形度/%(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 部分目標平移、旋轉、比例縮放后仿射不變矩特征

圖5 特征值I1聚類結果

圖6 特征值I2聚類結果

圖7 特征值I3聚類結果

圖4為各目標切片的最小外接矩形測量結果,根據圖像分辨率大小可以計算出各目標的長、寬、長寬比、矩形度等幾何參數,即表1的結果,表2為部分目標變換后仿射不變矩特征。圖5～圖7為選取目標30幅圖像特征值進行聚類分析結果,從圖中曲線可以看出所提取的特征能較準確將每一目標與其他目標區(qū)分開,并且各曲線之間有一定距離,有利于分類器分類識別出同一類目標;最后根據各目標的幾何參數與實際艦船目標配屬庫進行比對,就可以大致得出艦船目標所屬的類型。

4 結論

文中在獲取有限的艦船目標數據集的基礎上,結合艦船目標仿射不變矩和幾何參數特征,采用特征組合的方法對目標進行粗識別,并通過Google Earth獲取的圖像進行了驗證。測試結果與實際目標類型一致。若艦船目標背景存在更多云層、霧氣等干擾,可能測試結果會有所干擾,下一步將研究加入去噪去霧等算法,使得在復雜背景下檢測結果更加準確。

[1] 田明輝, 萬壽紅, 岳麗華. 遙感圖像中復雜海面背景下的海上艦船檢測 [J]. 小型微型計算機系統, 2008, 29(11): 2162-2166.

[2] 高立寧, 畢福昆, 龍騰, 等. 一種光學遙感圖像海面艦船檢測算法 [J]. 清華大學學報(自然科學版), 2011, 51(1): 105-110.

[3] 趙峰民, 劉皞, 陳望達. 中遠距離艦船目標識別方法研究 [J]. 激光與紅外, 2012, 42(9): 1071-1075.

[4] 許少寶, 王蜂, 陳聰, 等. 基于歸一化鏈碼直方圖和最小外切矩形的艦船目標識別方法 [J]. 科學技術與工程, 2013, 13(4): 926-929.

[5] 孔科, 汪國昭. 基于區(qū)域相似性的活動輪廓SAR圖像分割 [J]. 計算機輔助設計與圖形學學報, 2010, 22(9): 1554-1560.

[6] 冉鑫. 基于可變形模型的圖像分割與圖像配準研究 [D]. 上海: 上海交通大學, 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, 肖順平. 基于Hough變換與目標主軸提取的SAR圖像目標方位角估計方法 [J]. 電子與信息學報, 2007, 29(2): 370-374.

[9] 杜琳琳, 安成錦, 陳曾平, 等. 一種艦船ISAR圖像中心線特征提取新方法 [J]. 電子與信息學報, 2010, 32(5): 1023-1028.

[10] 陳文婷, 趙和鵬, 邢相薇, 等. 基于Radon變換的SAR艦船目標切片精細分割 [J]. 儀器儀表學報, 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

國家自然科學基金(61171170);安徽省自然科學基金(1408085QF115)資助

王方超(1991-),男,陜西渭南人,碩士研究生,研究方向:圖像處理與信息融合技術。

TN911.73

A