薄樹奎,程秋云
(鄭州航空工業(yè)管理學院 計算機學院,河南 鄭州 450015)
?
遙感圖像目標多尺度特征分析
薄樹奎,程秋云
(鄭州航空工業(yè)管理學院 計算機學院,河南 鄭州 450015)
地面目標在不同尺度的遙感影像中表現(xiàn)出不同的特征,對自動目標識別的準確性有很大影響?;诙喾直媛蔬b感影像,研究典型圖像目標的識別技術(shù),給出了多尺度圖像目標識別框架。首先針對不同尺度的遙感影像,分析了每個尺度上目標識別的有效特征。然后在提取典型目標的多種特征基礎(chǔ)上,對這些特征進行尺度相關(guān)性分析,并研究不同的尺度對目標形狀結(jié)構(gòu)等特征產(chǎn)生的影響。實驗結(jié)果表明,基于多分辨率遙感影像的識別框架可以有效地實現(xiàn)圖像目標的分析與識別。
多尺度;機場;目標識別;特征;遙感
自動目標識別(Automatic Target Recognition,ATR)及其相關(guān)技術(shù)在航空航天、遙感、工業(yè)自動化等領(lǐng)域具有廣泛的應(yīng)用[1-5]。典型的自動目標識別系統(tǒng)可分為三個工作階段:檢測、辨識、分類。檢測階段是從大范圍的圖像區(qū)域中找出可能存在目標的區(qū)域[3],即感興趣區(qū)域(Region of Interest,ROI)。在目標檢測階段因處理的圖像尺寸較大,為提高計算效率,一般采用簡單、快速的方法,得到較高虛警率的檢測結(jié)果。如參考文獻[6]引入模糊邏輯的概念,提出了一種非均勻背景的合成孔徑雷達(Synthetic Aperture Radar,SAR)圖像目標檢測算法,具有一定的實用價值。辨識階段是對檢測獲得的感興趣區(qū)域作進一步的判斷,以剔除不含待識別目標的區(qū)域,如參考文獻[7]首先采用閾值方法進行海洋和陸地的分割,在基于塊的統(tǒng)計特征表示方法的基礎(chǔ)上,快速確定中、小型港口的候選區(qū)域。分類識別階段是最終的目標性質(zhì)和類別的確定,如參考文獻[8]研究了一種基于上下文的機場目標識別方法,將機場各組成部分間存在的依賴關(guān)系應(yīng)用于識別技術(shù)中。自動目標識別的三個工作階段是為了快速準確地提取目標,采取從粗到細的策略,首先從尺度圖像中快速提取出目標可能存在的區(qū)域,然后再利用精細特征對候選區(qū)域進一步確認分析,去除虛警,并對目標進行識別與分類。
尺度在目標的檢測和識別中起著重要作用,而多尺度方法可以真實地反映地面目標的表現(xiàn)形式,在目標識別領(lǐng)域受到廣泛重視。如參考文獻[9]結(jié)合多尺度幾何分析和局部二值模式算子,構(gòu)造了一種新目標特征及相應(yīng)的識別方法,實驗表明該特征比傳統(tǒng)小波域特征有更強的鑒別能力。參考文獻[10]詳細論述了圖像的多尺度幾何分析方法,比較研究了多尺度變換域的多種統(tǒng)計模型,并進行了相關(guān)的實例研究。參考文獻[11]利用小波不同尺度的特性,采用小波多尺度積的方法提取出目標圖像的邊緣,兼顧了圖像的細節(jié)與輪廓特征,將目標圖像不同層次的輪廓信息和細節(jié)信息相結(jié)合,解決復(fù)雜背景下目標的識別問題。參考文獻[12]則提出了一種基于多尺度變形模板的目標識別方法,也是利用小波變換的多尺度特性,由粗至精進行匹配,并在多種圖像上進行實驗,實驗結(jié)果良好。參考文獻[13]采用小波多尺度邊緣檢測,引入邊緣概率,利用最大似然法對目標和背景分類探測進行處理,獲得目標模式識別的最大似然概率,用于解決紅外目標探測中的問題。
目前多尺度目標識別方法大都是在一幅原始圖像上進行多尺度的變換,并提取多尺度特征進行目標的識別,在多尺度變換中,往往會有圖像信息的丟失,而且變換中的尺度選擇也是一個難題。本文針對傳感器直接獲取的多幅不同分辨率的圖像,研究多尺度的目標識別問題。提出了更加完善的多尺度識別技術(shù)框架,包括三個尺度概念:超尺度、大尺度、小尺度。并且,以機場目標為例,通過實驗結(jié)果分析了不同的尺度層次及其對應(yīng)的有效特征。
多尺度的自動目標識別要快速準確地提取圖像目標,需要從粗到細逐步進行目標的搜索、辨別與分類,為此,本文將多尺度圖像目標識別分為三個基本的級別,即超尺度、大尺度和小尺度。多尺度圖像目標識別,首先在同一區(qū)域獲取不同分辨率的遙感影像,由于同一地物類別在不同的空間分辨率中的光譜響應(yīng)值與像元大小的非線性相關(guān)性,所以同一地物目標在不同尺度的圖像中呈現(xiàn)的特征不是平均或平分的對應(yīng)關(guān)系。同一地物目標表現(xiàn)出的特征會隨著尺度的變化產(chǎn)生差異,而且這種差異有時會很大,嚴重影響了目標識別結(jié)果。因此,在不同分辨率的圖像中,對同一地物目標進行有效描述的特征不同,即使相同的特征,不同分辨率圖像得到的特征值也不相同,這些將嚴重影響目標識別的結(jié)果,所以尺度變化對目標識別的影響需要分析。圖1所示為多尺度圖像目標識別框架,在不同的尺度中,關(guān)鍵問題是選擇對應(yīng)的有效識別特征,下面將分別進行論述。
1.1 超尺度目標區(qū)域搜索
超尺度就是像素尺寸超出了目標的大小,從而目標根本不可見或者極其模糊,只是一個光譜亮度能粗略區(qū)別的異物,不能計算目標的面積、輪廓、形狀等特征。在自動目標識別中,首先要在大范圍的低分辨率圖像內(nèi)進行檢測,雖然不能發(fā)現(xiàn)目標,甚至目標的大致輪廓也不能確定,但能找出目標可能存在的區(qū)域,為下一步確認目標做準備。在候選目標區(qū)域檢測階段,由于目標基本不可見,主要選擇目標的上下文語義特征。
圖1 多尺度目標識別框架
就遙感圖像中地面目標的識別而言,由于各種地物都有其特定環(huán)境,目標與目標間、目標與背景間都具有內(nèi)在關(guān)聯(lián)。通常,一類目標的存在可以確定或排除其鄰域中另一類目標出現(xiàn)的可能性。例如,有河流的地方可以確定為可能存在橋梁的區(qū)域;造船廠一般不會建設(shè)在沒有水的地方。這樣一些由周圍環(huán)境所傳遞的信息,稱為上下文信息。上下文信息是圖像理解中最重要的方面之一,上下文信息描述圖像區(qū)域的相互關(guān)系。人們在觀察事物時常常有意識或下意識地利用上下文信息,而且使其發(fā)揮極大作用。例如在高分辨率圖像中識別公園,公園一般是大面積的有連續(xù)植被的區(qū)域,而且公園都是在城區(qū)內(nèi),周圍有街區(qū)等,可以用來區(qū)別公園和牧場。上下文語義信息用來確定目標可能存在的區(qū)域,如橋梁識別,首先搜索河流目標,港口識別要沿著海岸搜索。
1.2 大尺度目標辨別
大尺度指的是能夠識別目標的大致輪廓,但不能準確估計目標的面積、結(jié)構(gòu)等,可以使用光譜、形狀特征。獲取目標的輪廓特征需要對圖像進行分割,由圖像分割后產(chǎn)生的目標區(qū)域的形狀特征表示。形狀信息的提取是在對構(gòu)成圖像目標的像素空間分布統(tǒng)計的基礎(chǔ)上進行的,其中一個基本統(tǒng)計量就是協(xié)方差矩陣,表示如下,
式中,X和Y分別是該對象內(nèi)的像素(x,y)坐標組成的矢量,Var(X)和Var(Y)分別是X和Y的方差,Cov(XY)是X和Y之間的協(xié)方差。
形狀特征描述形式很多,如下是大尺度圖像中幾種常用的形狀描述。
面積A:組成該對象的像素總數(shù)。
主方向:圖像對象的主方向定義為協(xié)方差矩陣的較大特征值對應(yīng)的特征向量的方向。
1.3 小尺度目標分類識別
小尺度指的是能夠準確估計目標的面積、結(jié)構(gòu)等信息,因此小尺度上目標的長、寬、面積、形狀指數(shù)等形狀特征都可以利用,包括描述對象間或目標內(nèi)部幾何關(guān)系的拓撲特征。拓撲特征包括左右、包含關(guān)系、距離等,如機場目標,其跑道、滑行道、停機坪、指揮塔臺等各個組合單元都是按一定的關(guān)系進行位置配置的,而這些單元在小尺度圖像中能夠清晰分辨出來,所以,拓撲特征是小尺度上的一個有效識別特征。
小尺度影像中目標的結(jié)構(gòu)與在大尺度中存在著明顯的差別。在圖像目標區(qū)域分割中,處在目標邊緣的混合像元要么被分為目標類別,要么被分為背景類別,因此,混合像元所占的比例決定了目標測量的誤差,從而引起目標的形狀結(jié)構(gòu)變化。尤其是在低分辨率的圖像中,邊緣區(qū)域所占的比例較大,會影響目標的準確提取,隨著分辨率的提高,目標邊緣變得更加清晰,因此,誤差變小,可以對目標進行準確的提取與識別。
以機場目標為例,采用多尺度圖像進行目標識別,并對結(jié)果進行分析。根據(jù)多尺度識別框架,首先在超尺度上進行目標區(qū)域搜索。對于機場目標,一般在城市外圍一段距離以內(nèi),搜索可能存在目標的區(qū)域,區(qū)域內(nèi)有一定面積的不透水面類別。圖2所示為超尺度遙感影像中民用機場的候選區(qū)域搜索,圖2是在城市郊區(qū)范圍搜索分布有不透水面類別而且面積足夠大的區(qū)域,將其作為機場候選區(qū)域。
圖2 基于上下文信息的候選區(qū)域搜索
在超尺度上確定目標可能存在的候選區(qū)域后,要進一步在大尺度上對目標進行辨別。機場目標的光譜特征和周圍背景具有較大的差異,而且具有明顯的形狀特征,在大尺度下也能夠從大致輪廓中進行辨識,如圖3所示為四個尺度的機場目標影像,尺度從(a)到(d)逐漸減小。
圖3 多分辨率遙感圖像
如圖4所示為圖3中圖像分割結(jié)果,將其中的機場目標分割出來。圖4分割結(jié)果中提取的圖像目標的形狀特征取值如表1所示。由于不同尺度的圖像分割提取的目標完整性有差別,面積、長、寬、形狀指數(shù)等特征并非嚴格一致或按固定比例,因此,在目標識別中,不同尺度的圖像所依據(jù)的形狀特征是不同的,在分辨率低的圖像中,目標的形狀特征要求較粗略,而高分辨率中則要求更精細。如本實驗中,由于低分辨率的圖像目標邊界模糊,不易分割完全,因此在這樣的分辨率下根據(jù)形狀特征識別機場目標,不能以完整的兩條平行跑道為標準進行判斷,而是依據(jù)長寬比、密度、主方向等特征。本實驗中密度特征在不同尺度下保持了一定的取值范圍,而主方向則具有更高的一致性。雖然圖像分辨率不同,目標分割的完整程度也有差別,但圖像中目標的主方向特征極其相近,說明主方向可以作為此類目標的尺度不變特征加以利用。
圖4 不同分辨率圖像目標分割結(jié)果
形狀特征5km2km1km0.5km面積4219413004201長2870140279寬2.69.632.364.6長寬比10.77.24.34.3形狀指數(shù)3.04.36.66.4密度0.720.640.880.84主方向31.529.030.329.3
大尺度圖像中只能辨別目標的大致輪廓,而在多分辨率圖像中的一些結(jié)構(gòu)特征變化明顯,需要在小尺度上進一步識別。在圖4(a)中,跑道寬度為2個像素,跑道中間寬度為2像素,比例為1:1;在圖4(b)中,跑道寬度為3個像素,跑道中間寬度為4像素,比例為1:1.33;在圖4(c)中,跑道寬度為5個像素,跑道中間寬度為7.5像素,比例為1:1.5;在圖4(d)中,跑道寬度為10個像素,跑道中間寬度為15像素,比例為1:1.5。在圖4中多分辨率圖像中目標結(jié)構(gòu)變化如表2所示。從表中可以看出,隨著分辨率的提高,中間地帶與跑道的比例也逐漸增大,體現(xiàn)了同一目標在不同分辨率圖像中的結(jié)構(gòu)變化特性,表明在小尺度上的形狀結(jié)構(gòu)特征描述更加準確,可以作為目標識別的有效特征。
表2 多分辨率圖像目標的結(jié)構(gòu)特征
由于小尺度上目標各部分可以被更加準確地測量,對目標結(jié)構(gòu)以及各個部分的拓撲關(guān)系的描述會更加完善,如圖4中所示,機場兩條跑道的平行關(guān)系、跑道之間的聯(lián)通形式、間隔區(qū)域與跑道之間的比例關(guān)系,以及跑道與停機坪的拓撲關(guān)系等,都可以作為機場目標識別的有效特征。
尺度特性在目標識別中起著關(guān)鍵性的作用,多尺度方法可以完成從目標的檢測、辨識到識別三個階段的任務(wù)。本文以機場目標為例,基于同一目標場景的多個分辨率圖像,從三個階段研究了目標的識別過程,分析了不同尺度下機場目標識別的有效特征。由于圖像目標邊緣處的誤差,因而在不同分辨率圖像中提取的目標結(jié)構(gòu)特征有顯著差異。在一個尺度上的目標特征,與在另一個尺度上表現(xiàn)的特征相差甚遠,甚至有可能消失。因此,必須在合適的尺度上選擇合適的目標特征進行操作,以提高遙感圖像目標識別的精確性。
[1] 叢瑜,周偉,于仕財,等.一種對港口影像進行艦船目標提取方法[J].計算機仿真, 2014, 31(1): 22-25,40.
[2] 李新德,楊偉東, JEAN D.一種飛機圖像目標多特征信息融合識別方法[J].自動化學報, 2012, 38(8): 1298-1307.
[3] 王彥情,馬雷,田原.光學遙感圖像艦船目標檢測與識別綜述[J].自動化學報,2011, 37(9): 1029-1039.
[4] 劉婧,孫繼銀,朱俊林,等.基于模板匹配的前視紅外目標識別方法[J].彈箭與制導學報,2010,30(1):17-20.
[5] 李博,曹鵬,栗偉,等.基于尺度空間中多特征融合的醫(yī)學影像分類[J].計算機應(yīng)用, 2013, 33(4): 1108-1111, 1114.
[6] 徐晶,張弓.基于模糊CFAR的SAR圖像非均勻背景目標檢測算法[J].宇航學報,2011,32(7): 1612-1617.
[7] 朱兵,李金宗,陳愛軍.大尺度遙感圖像中港口目標快速識別[J]. 模式識別與人工智能, 2006,19(4): 552-556.
[8] 劉蒽蒽,桑農(nóng),曹治國,等.基于上下文的機場目標識別方法[J].紅外與激光工程, 2004,33(1): 67-70.
[9] 潘泓,李曉兵,金立左,等.基于多尺度幾何分析的目標描述和識別[J].紅外與毫米波學報, 2011, 30(1):85-90.
[10] 焦李成,孫強.多尺度變換域圖像的感知與識別:進展和展望[J].計算機學報, 2006, 29(2):177-193.
[11] 陳方涵,苗華,陳宇,等.基于小波多尺度積的目標識別[J].光學學報, 2009, 29(5): 1223-1226.
[12] 余莉,王潤生.基于多尺度變形模板的目標檢測與識別[J].計算機研究與發(fā)展, 2002, 39(10): 1325-1330.
[13] 李朝暉,王冰,陳明.基于小波多尺度和最大似然法的紅外目標探測[J].光學學報,2009, 29(12): 3404-3408.
Multi-scale feature analysis for remote sensing target recognition
Bo Shukui,Cheng Qiuyun
(School of Computer Science, Zhengzhou University of Aeronautics, Zhengzhou 450015, China)
The features of a target always behave differently in multi-scale remote sensing imagery. This behavior has important effect on automatic target recognition in remote sensing images. Multi-scale target recognition is studied based on multi-resolution remote sensing images. A typical automatic target recognition framework is given in this paper. First, at each scale, some key features of the target were extracted and the relationship between the features and the scale were analyzed. Then the effect of scale on the property of the features was researched, such as shape and structure. In the experiments, some effective features were extracted for the target recognition for each scale of the image. It showed that the multi-scale framework was effective in automatic target recognition and image analysis.
multi-scale; airport; target recognition; feature; remote sensing
TP391
A
10.19358/j.issn.1674- 7720.2016.20.012
薄樹奎,程秋云. 遙感圖像目標多尺度特征分析[J].微型機與應(yīng)用,2016,35(20):45-48.
2016-05-23)
薄樹奎(1976-),男,博士,副教授,主要研究方向:遙感信息提取。
程秋云(1983-),女,碩士,講師,主要研究方向:數(shù)據(jù)挖掘。