專利名稱：一種光學遙感圖像坦克群的識別方法
技術領域：
本發(fā)明涉及一種圖像處理方法，具體是一種光學遙感圖像坦克群的識別方法。屬于圖像處理技術。
背景技術：
當前戰(zhàn)爭中，坦克的大量投入，使其成為主要的防御對象。由于坦克的機動特性， 反坦克雷彈系統(tǒng)向智能化的發(fā)展成為技術進步的必然。作為該系統(tǒng)的關鍵環(huán)節(jié)技術之一， 目標識別日益受到研究者的廣泛重視。目前的坦克識別技術主要是運用電子設備，利用雷達分析回波頻率和波形以區(qū)分不同類型的目標，如《探測與控制學報》發(fā)表的《多源干擾對坦克模糊識別的影響》，或通過分析毫米波輻射信號進行識別，如IEEE Transactions on Image Processing 上發(fā)表的((High Range Resolution MMW Rader Target Recognition Approaches withApplication》。本文從圖像處理角度，提出了一種光遙感圖像中的坦克群目標自動識別方法，鑒于可見光圖像中光照和陰影對坦克群的干擾比較大，本文采用區(qū)域生長算法和寬度模板， 在盡量保留坦克特征的同時，將坦克群分離開，進而轉化成單個坦克目標的識別，然后提取感興趣區(qū)域，最后結合坦克的幾何特征和K-mean分類算法，以此作為目標識別準則，進行去除虛警和識別，取得了良好的檢測結果。

發(fā)明內容
本發(fā)明的技術目的是從圖像處理角度提出一種光遙感圖像中的坦克群目標自動識別方法，可以克服傳統(tǒng)背景技術中存在的不足。根據(jù)可見光遙感圖像中坦克群目標的特點，提出了一種新的坦克群識別方法，該方法將一種新型的寬度模板與區(qū)域生長算法結合起來，以對3閾值KSW最佳熵分割的結果進行有效分離和更好的提取感興趣區(qū)域，并且方便了后續(xù)的特征提取。在目標識別準則設計中，結合了坦克的幾何特征和K-mean分類算法， 保證了識別結果的準確性和魯棒性。本發(fā)明一種光遙感圖像中的坦克群目標自動識別方法，通過以下技術方案實現(xiàn)， 本發(fā)明方法步驟如下步驟一圖像分割，通過KSW最佳熵3閾值(thresholdl < threshold〗 < threshold3)分割后，圖像被分為4類，考慮光照和陰影的影響，將大于thresholdl和小于threShold3的灰度歸為目標類，將小于thresholdl和大于threShold3的歸為背景類；步驟二 將區(qū)域生長算法應用于二值圖像填充，通過掃描全圖尋找種子點，生長準則是將相鄰相同像素值的點合并，停止條件則是遍歷完一個連通域；步驟三通過一種新的寬度模板來分離坦克目標，去除連體效應，完成感興趣區(qū)域的提??；步驟四幾何特征處理，根據(jù)坦克的長、寬、面積等幾何特征提取坦克目標；步驟五將均值、方差和紋理特征作為K-mean分類的特征向量，分類準則滿足坦克幾何特征的同時，屬于某一類的疑似目標數(shù)目較多的為坦克目標；滿足坦克幾何特征的同時，屬于某一類的疑似目標數(shù)目較少的為非坦克目標。本文對可見光遙感圖像中坦克群的自動識別，主要有以下特點和作用(1)從圖像處理角度提出一種光遙感圖像中的坦克群目標自動識別方法；( 通過KSW最佳熵多閾值分割的處理和基于區(qū)域生長算法的區(qū)域填充，降低了光照和陰影的干擾；(3)通過寬度模板的使用，消除了坦克的連體效應，同時去除部分虛警，提取出了感興趣區(qū)域；(4)最后結合坦克的幾何特征和經典的K-mean分類算法作為識別準則，得到了較好的識別效果。


圖1為本發(fā)明坦克群目標自動識別的流程圖。圖2為原始圖像；圖3為圖2均衡圖像；圖4對圖!3KSW3閾值分割；圖5為區(qū)域填充后的結果圖；圖6寬度模板處理后的結果；圖7K-mean分類后的效果；圖8為最終目標識別結果；圖9KSW最佳熵3閾值分割圖10為最小誤差分割的結果圖11另一張原始圖像；圖12為圖11處理后的目標識別結果；圖 1 中IOlKSff最佳熵3閾值分割102區(qū)域填充處理103寬度模板處理104幾何特征判決105K-mean分類和識別坦克
具體實施例方式下面本發(fā)明將結合附圖中的實施例作進一步描述步驟一圖像分割，通過KSW最佳熵3閾值(thresholdl < threshold〗 < threshold3)分割后，圖像被分為4類，考慮光照和陰影的影響，將大于thresholdl和小于threShold3的灰度歸為目標類，將小于thresholdl和大于threShold3的歸為背景類 101。由于可見光遙感圖像受光照影響，目標的陽面部分和和背景的灰度相近，所以，先對圖像進行增強操作，通過直方圖均衡增強目標和背景的對比度。圖像分割是模式識別的基礎，一種好的分割方法可以大量減少虛警區(qū)，提高識別效率。在傳統(tǒng)的模式識別方法中，往往對圖像直接進行二值化處理，將目標從背景中提取出來。其二值化的算法可以采用固定閾值法和自適應閾值法。但是由于可見光遙感圖像受到光照的影響很大，在目標表面出現(xiàn)分布隨機的灰度值，無法將其直接二值化。所以，采用KSW 最佳熵多閾值算法進行分割。Kapur等[3]提出最佳熵閾值方法(本文簡稱為KSW分割法)，該方法不需要先驗知識，而且對于非理想雙峰直方圖的圖像也可以進行有效分割。其基本思想是將信息論中 Siannon熵概念用于圖像分割，測量圖像灰度直方圖的熵，由此找出最佳閾值，其出發(fā)點是使圖像中目標與背景分布的信息量最大。根據(jù)aiarmon熵的概念，對于灰度范圍{0，1，. . .，L_l}的圖像直方圖，其熵測量為
權利要求
1.一種光遙感圖像中的坦克群目標自動識別方法，其特征在于，方法步驟如下 步驟一圖像分割，通過 KSW最佳熵 3 閾值(thresholdl < threshold2 < threshold3)分割后，圖像被分為4類，考慮光照和陰影的影響，將大于thresholdl和小于threshold3 的灰度歸為目標類，將小于thresholdl和大于threShold3的歸為背景類；步驟二將區(qū)域生長算法應用于二值圖像填充，通過掃描全圖尋找種子點，生長準則是將相鄰相同像素值的點合并，停止條件則是遍歷完一個連通域；步驟三通過一種新的寬度模板來分離坦克目標，去除連體效應，完成感興趣區(qū)域的提??；步驟四幾何特征處理，根據(jù)坦克的長、寬、面積等幾何特征提取坦克目標； 步驟五將均值、方差和紋理特征作為K-mean分類的特征向量，分類準則滿足坦克幾何特征的同時，屬于某一類的疑似目標數(shù)目較多的為坦克目標；滿足坦克幾何特征的同時， 屬于某一類的疑似目標數(shù)目較少的為非坦克目標。
2.根據(jù)權利要求1所述的坦克群目標自動識別方法，其特征是，所述的步驟一、步驟二，通過KSW最佳熵3閾值(thresholdl < threshold〗< threshold； )分割，區(qū)域生長算法應用于二值圖像填充，在不破壞坦克特征的情況下很好地修補了連通域內的“孔洞”。具體為(1)KSW最佳熵3閾值，得到二值圖像；(2)將區(qū)域生長算法應用于二值圖像的填充，修補了連通域內的“孔洞”。
3.根據(jù)權利要求1所述的坦克群目標自動識別方法，其特征是，所述步驟三，根通過一種新的寬度模板來分離坦克目標，去除連體效應，完成感興趣區(qū)域的提取。具體實現(xiàn)如下(1)根據(jù)圖像的分辨率，設置模板長度并進行初始化；(2)掃描全圖，尋找小于模板長度的連體區(qū)域；(3)根據(jù)連體區(qū)域的特征，進行模板處理。根據(jù)實際坦克的寬度和圖像分辨率可以求出模板長度，公式如下 寬度模板的長度=坦克實際寬度/分辨率
4.根據(jù)權利要求1所述坦克群目標自動識別方法的步驟四和權利要求2，其特征是，幾何特征處理，根據(jù)坦克的長、寬、面積等幾何特征提取坦克目標。判別準則如下(1)某個感興趣區(qū)域的長軸大于^length2+width2*(1 + 10%)，或小于^length2 + width2 *(1-ι0%)，則是非坦克目標；(2)某個感興趣區(qū)域的短軸大于width*(1+10% )，或小于width* (1-10% )，則為非坦克目標；(3)長軸和短軸比值小于^nSth2，或比值大于width*(l+10%)的，則是非坦克目標；width*(l-10%)⑷某個感興趣區(qū)域的面積小于length*width(l-10 % ),或大于 Iength^width (1+10% )的，則為非坦克目標。
全文摘要
本發(fā)明公開了一種光遙感圖像中的坦克群目標自動識別方法，特征是將一種新型的寬度模板與區(qū)域生長算法結合起來，以對3閾值KSW最佳熵分割的結果進行有效分離和更好的提取感興趣區(qū)域，并且方便了后續(xù)的特征提取。在目標識別準則設計中，結合了坦克的幾何特征和K-mean分類算法，保證了識別結果的準確性和魯棒性。實驗結果顯示，本文使用的分割方法和寬度模板方法相比于傳統(tǒng)方法更加有效，識別率更高。
文檔編號G06T7/00GK102194224SQ201010122378
公開日2011年9月21日 申請日期2010年3月8日 優(yōu)先權日2010年3月8日
發(fā)明者王琛 申請人:王琛