本發(fā)明涉及遙感圖像的處理方法，尤其是針對(duì)大視場(chǎng)的光學(xué)遙感圖像船舶檢測(cè)中獲取的候選區(qū)鑒別與篩選。
背景技術(shù)：
：光學(xué)遙感圖像船舶目標(biāo)提取研究近十年已經(jīng)逐漸發(fā)展起來(lái)。雖然與SAR圖像中的船舶檢測(cè)研究相比，光學(xué)遙感圖像船舶檢測(cè)的歷史還不算長(zhǎng)久，但光學(xué)遙感圖像的一些成像特點(diǎn)卻為我們帶來(lái)了新的研究方向。因?yàn)镾AR圖像中船舶的特性容易受到其姿態(tài)變化、雷達(dá)參數(shù)等因素影響且自然圖像處理領(lǐng)域已有的研究成果難以在SAR圖像中直接應(yīng)用。然而，光學(xué)遙感圖像中的船舶目標(biāo)與普通自然圖像中的物體具有相似的典型空間變換特點(diǎn)，而且這些變換特點(diǎn)已有較為深厚的研究歷史。由于在光學(xué)場(chǎng)景中，存在碎云、小島、航行尾跡等因素影響導(dǎo)致虛警較多，由此候選區(qū)域虛警鑒別技術(shù)變得尤為重要。因此，光學(xué)遙感圖像中船舶目標(biāo)候選區(qū)域鑒別的技術(shù)可以與許多自然圖像處理中物體檢測(cè)、識(shí)別的研究相互借鑒，并且可以方便地引入模式識(shí)別、計(jì)算機(jī)視覺(jué)等領(lǐng)域的研究成果。根據(jù)技術(shù)途徑的特點(diǎn)，可將光學(xué)遙感圖像船舶目標(biāo)算法大致分為三類(lèi)：(1)基于船舶幾何特征判決的鑒別技術(shù)；(2)基于分布概率統(tǒng)計(jì)的鑒別技術(shù)；(3)基于統(tǒng)計(jì)模式識(shí)別的鑒別技術(shù)。其中，基于船舶集合特征判決的鑒別技術(shù)為早期研究中的常用方法，但其最終的鑒別結(jié)果是靠與經(jīng)驗(yàn)的固定門(mén)限比較實(shí)現(xiàn)，缺乏科學(xué)的統(tǒng)計(jì)與適應(yīng)性。同時(shí)由于在大視場(chǎng)、復(fù)雜探測(cè)場(chǎng)景中，無(wú)論是對(duì)目標(biāo)、虛警還是背景區(qū)域都難以設(shè)計(jì)出廣泛適用的概率分布統(tǒng)計(jì)模型，這些都成為了基于分布概率統(tǒng)計(jì)鑒別技術(shù)發(fā)展的難點(diǎn)。然而，基于統(tǒng)計(jì)模式識(shí)別的鑒別技術(shù)采用多樣化、高維的鑒別特征，并可根據(jù)鑒別特征提取技術(shù)的發(fā)展逐步完善特征描述集，同時(shí)根據(jù)鑒別階段的特點(diǎn)，可以引入更多性能優(yōu)良的分類(lèi)器，用以提高探測(cè)系統(tǒng)剔除虛警的能力。當(dāng)前統(tǒng)計(jì)模式識(shí)別鑒別技術(shù)，雖然大都考慮到提取船舶多種類(lèi)型、高維的描述特征來(lái)進(jìn)行鑒別，但普遍的方式都是將這些多類(lèi)型鑒別特征組合成一個(gè)大向量供后續(xù)判決模塊使用，這樣的方式會(huì)使得這些不同類(lèi)型特征子集間的差異在特征歸一化、分類(lèi)器訓(xùn)練等環(huán)節(jié)被削弱。另一方面，這些研究都專(zhuān)注于尋找新的分類(lèi)器進(jìn)行鑒別，然而新分類(lèi)器從出現(xiàn)到能成熟地應(yīng)用需要一定的時(shí)間周期。因此，船舶特征的選取、融合以及分類(lèi)器的選擇及開(kāi)發(fā)已經(jīng)成為基于統(tǒng)計(jì)模式識(shí)別鑒別技術(shù)在光學(xué)遙感圖像船舶檢測(cè)研究中的難點(diǎn)。技術(shù)實(shí)現(xiàn)要素：本發(fā)明的目的在于針對(duì)上述技術(shù)的難點(diǎn)，提供一種基于決策模板分類(lèi)器融合的遙感圖像船舶檢測(cè)候選區(qū)鑒別方法，基于不同類(lèi)型特征子集間的弱相關(guān)性的決策模板分類(lèi)器融合技術(shù)，針對(duì)大視場(chǎng)的光學(xué)遙感圖像船舶檢測(cè)中所提取的候選區(qū)域，構(gòu)建一種高效的鑒別與篩選方法。本發(fā)明針對(duì)以上敘述的情況，采用一種基于決策模板分類(lèi)器融合的遙感圖像船舶檢測(cè)候選區(qū)鑒別方法。根據(jù)本發(fā)明的一個(gè)方面，提供了一種基于決策模板分類(lèi)器融合的遙感圖像船舶檢測(cè)候選區(qū)鑒別方法，用于自動(dòng)鑒別大視場(chǎng)上候選區(qū)圖像中的船舶目標(biāo)，包括以下步驟：首先，從候選區(qū)圖像ROI中提取多種類(lèi)型特征子集；并根據(jù)各個(gè)特征子集訓(xùn)練其對(duì)應(yīng)的RBF核SVM子分類(lèi)器；然后，考慮到強(qiáng)對(duì)比船舶、弱暗對(duì)比船舶特征差異較大，將候選區(qū)域模式劃分為強(qiáng)對(duì)比船舶、弱暗對(duì)比船舶及虛警3類(lèi)，并對(duì)每一類(lèi)使用決策矩陣來(lái)表征其對(duì)應(yīng)模式中樣本的多分類(lèi)器輸出，之后將所有同種模式類(lèi)的決策矩陣進(jìn)行平均，從而分別得到3類(lèi)模式各自的決策模板；隨后，對(duì)輸入的待鑒別候選區(qū)提取其特征以及計(jì)算對(duì)應(yīng)的決策輪廓矩陣，最后基于歐氏距離判斷候選區(qū)策輪廓矩陣與訓(xùn)練好的決策模板間的相似度，實(shí)現(xiàn)在候選區(qū)域中鑒別出船舶。附圖說(shuō)明圖1是根據(jù)本發(fā)明的一種基于決策模板分類(lèi)器融合的遙感圖像船舶檢測(cè)候選區(qū)鑒別方法大體流程圖。圖2是根據(jù)本發(fā)明的一種基于決策模板分類(lèi)器融合的遙感圖像船舶檢測(cè)候選區(qū)鑒別方法詳細(xì)流程圖。圖3是候選目標(biāo)ROI多類(lèi)特征計(jì)算決策輪廓的示意圖。圖4決策模板鑒別目標(biāo)候選區(qū)域示意圖。具體實(shí)施方式：以下結(jié)合實(shí)施例對(duì)本發(fā)明進(jìn)行說(shuō)明。本發(fā)明提供的方法由船舶候選區(qū)多類(lèi)型特征提取、基于多類(lèi)特征的子分類(lèi)器選擇及訓(xùn)練、基于分類(lèi)器融合的決策模板計(jì)算以及利用決策模板確認(rèn)船舶目標(biāo)四個(gè)步驟組成。具體步驟如下,如圖1所示：第一步：船舶候選區(qū)多類(lèi)型特征提取從紋理、形狀、灰度、局部描述子4個(gè)不同的方面提取目標(biāo)候選區(qū)域鑒別特征。第二步：基于多類(lèi)特征的子分類(lèi)器選擇及訓(xùn)練采用基于RBF核的SVM作子分類(lèi)器，分類(lèi)器由其對(duì)應(yīng)的特征子集向量訓(xùn)練，并獲得判決的分類(lèi)超平面，即每一個(gè)類(lèi)型的特征子集訓(xùn)練其對(duì)應(yīng)的子分類(lèi)器。第三步：基于分類(lèi)器融合的決策模板計(jì)算按照模式劃分策略，將候選目標(biāo)感興趣區(qū)域(regionofinterest，ROI)劃分為3類(lèi)：強(qiáng)對(duì)比船舶、弱暗對(duì)比船舶及虛警。使用決策輪廓矩陣來(lái)表征某類(lèi)模式中的樣本集中樣本的多分類(lèi)器輸出。之后將同種模式類(lèi)的所有訓(xùn)練樣本計(jì)算得到的決策輪廓矩陣進(jìn)行平均，從而得到某類(lèi)模式的決策模板，最終得到各模式類(lèi)的決策模板。第四步：利用決策模板確認(rèn)船舶目標(biāo)對(duì)輸入的候選目標(biāo)ROI提取其特征并計(jì)算其決策輪廓矩陣，根據(jù)歐氏距離判斷此決策輪廓矩陣與上一步中得到的各模式類(lèi)的決策模板的相似度。圖2是本發(fā)明提供的方法的詳細(xì)流程框圖。處理過(guò)程如下：第一步：船舶候選區(qū)多類(lèi)型特征提取對(duì)輸入的包含疑似船舶的候選區(qū)圖像，分別進(jìn)行紋理特征、形狀特征、灰度特征、局部描述子特征的提取。第(1.1)步紋理特征提取：光學(xué)遙感圖像中含有豐富的紋理特征，提取其分布描述類(lèi)：灰度共生矩陣的對(duì)比、相關(guān)、能量及同質(zhì)性；其頻譜描述類(lèi)：ROI區(qū)域中二維傅里葉變換圖的均值和標(biāo)準(zhǔn)差。表示為特征向量Vtexture(j)(j＝1,2…6)。第(1.2)步形狀特征提?。捍暗男螤钆c其它虛警有明顯的差異，對(duì)原灰度ROI二值化后提取最小外接矩形長(zhǎng)寬比及形狀因子。將其表示為特征向量Vshape(j)(j＝1,2)。第(1.3)步灰度特征提取：船舶的灰度分布及與周?chē)Ｑ蟊尘暗幕叶葘?duì)比是有明顯的區(qū)分特性，提取其轉(zhuǎn)動(dòng)慣量、對(duì)比度特征，表示為特征向量Vgray(j)(j＝1,2)。第(1.4)步局部描述子特征提?。簩⑻卣鱏IFT描述子表示為VSIFT(j)(j＝1,2…128)。第二步：基于多類(lèi)特征的子分類(lèi)器選擇及訓(xùn)練根據(jù)上一步中得到的四類(lèi)特征，將不同的特征輸入到不同的子分類(lèi)其中，通過(guò)訓(xùn)練得到分類(lèi)超平面，從而獲得每個(gè)類(lèi)型的特征子集訓(xùn)練得到的對(duì)應(yīng)子分類(lèi)器。第(2.1)步子分類(lèi)器的選擇：令{D1,D2,…,Di,…,DL}為一組子分類(lèi)器，L是特征子集數(shù)，此處，L＝4，代表第1步中提取的4個(gè)類(lèi)型的特征子集。第(2.2)步子分類(lèi)器訓(xùn)練：采用基于徑向基函數(shù)(RadialBasisFunction，RBF)核的支持向量機(jī)(SupportVectorMachine，SVM)作子分類(lèi)器，子分類(lèi)器Di由其對(duì)應(yīng)的特征子集向量Vi訓(xùn)練獲得判決的分類(lèi)超平面，即每一個(gè)類(lèi)型的特征子集訓(xùn)練其對(duì)應(yīng)的子分類(lèi)器。第三步：基于分類(lèi)器融合的決策模板計(jì)算通過(guò)分類(lèi)器融合決策模板計(jì)算得到某類(lèi)模式樣本集中樣本的決策輪廓矩陣DP(zm)，并通過(guò)計(jì)算此類(lèi)模式下的所有決策輪廓矩陣的平均值，最終得到各模式下的決策模板DTj。第(3.1)步基于分類(lèi)器融合決策模板的決策輪廓矩陣計(jì)算：將Vi(i＝1,2,3,4)輸入對(duì)應(yīng)的子分類(lèi)器Di。將候選目標(biāo)ROI劃分為3類(lèi)：強(qiáng)對(duì)比艦船、弱暗對(duì)比艦船及虛警，分別用w1、w2及w3表示，即看作一個(gè)三元的模式分類(lèi)問(wèn)題。令訓(xùn)練某類(lèi)模式的樣本集為Z＝{z1,z2,…,zm,…,zp}，則對(duì)應(yīng)其中樣本zm的多分類(lèi)器輸出可用以下的決策輪廓矩陣DP(zm)來(lái)表征:DP(zm)=d1,1(V1)d1,2(V1)d1,3(V1).........di,1(Vi)di,2(Vi)di,3(Vi).........dL,1(VL)dL,2(VL)dL,3(VL)]]>di,j(vi)表示將Vi作為輸入后，子分類(lèi)器Di對(duì)模式wj作出的判決結(jié)果，(i＝1,2,…,L,j＝1,2,3)。若判決標(biāo)識(shí)與模式wj相同，則di,j(vi)＝1，否則di,j(vi)＝0。決策輪廓DP形成如圖3所示。第(3.2)步各模式類(lèi)的決策模板計(jì)算：計(jì)算各模式類(lèi)的決策模板DT，表示第j類(lèi)模式的決策模板DTj，是由該類(lèi)模式所有的訓(xùn)練樣本Z計(jì)算DP(Z)后的平均得到，如下:DTj=1NjΣzm∈wj∈ZDP(zm),j=1,2,3]]>其中第j類(lèi)模式的訓(xùn)練樣本數(shù)表示為Nj。則上式計(jì)算后可分別得到表示強(qiáng)對(duì)比艦船目標(biāo)特性的模板DT1，弱暗對(duì)比艦船目標(biāo)特性的模板DT2及虛警物特性的模板DT3。第四步：利用決策模板確認(rèn)船舶目標(biāo)計(jì)算輸入的候選目標(biāo)ROI的決策輪廓矩陣，并根據(jù)歐氏距離判斷此決策輪廓矩陣與上一步中得到的各模式類(lèi)的決策模板的相似度。第(4.1)步計(jì)算測(cè)試樣本的決策輪廓：首先，提取輸入待測(cè)候選區(qū)ROI中的多類(lèi)型特征，再對(duì)輸入的候選目標(biāo)ROI中的zROI計(jì)算其決策輪廓矩陣DP(zROI)。第(4.2)步測(cè)試樣本鑒別：μj(zROI)定義為DP(zROI)與訓(xùn)練階段得到的DTj(j＝1,2,3)間的相似程度，以歐氏距離來(lái)計(jì)算：μj(zROI)=Σi1=13Σi2=1L[dpi2,i1(zROI)-dtj(i2,i1)]2]]>其中，是DTj矩陣中的元素(i2,i1)。如果μk(zROI)是{μ1(zROI),μ2(zROI),μ3(zROI)}中的最小值，那么就判別zROI為模式wk，進(jìn)而確定zROI是否為包含真實(shí)船舶的ROI。最后鑒別的結(jié)果將艦船的兩個(gè)子類(lèi)w1、w2統(tǒng)一歸為艦船目標(biāo)。過(guò)程如圖4所示。本發(fā)明與現(xiàn)有檢測(cè)方法相比具有以下優(yōu)點(diǎn):本發(fā)明中使用的分類(lèi)器融合算法，通過(guò)充分利用不同類(lèi)型特征子集間的弱相關(guān)性，并可作為不同子分類(lèi)器的輸入，因此提高其鑒別性能。而把這些特征子集組合成一個(gè)大向量輸入到單分類(lèi)器SVM中的方法，卻削弱了它們之間的區(qū)別，導(dǎo)致鑒別性能的不理想。因此，相較于其他算法，分類(lèi)器融合算法有效的實(shí)現(xiàn)了本發(fā)明高效的鑒別能力。本發(fā)明中使用的決策方法為DT技術(shù)，這種方法中所有子分類(lèi)器的輸出特點(diǎn)都會(huì)在“決策模板”中得到體現(xiàn)，相對(duì)于許多經(jīng)典的分類(lèi)器融合技術(shù)，其具有很強(qiáng)的魯棒性及更為出色的分類(lèi)表現(xiàn)。并且DT融合策略中最終的決策結(jié)果充分考慮了各子分類(lèi)器決策的過(guò)程及結(jié)果，對(duì)應(yīng)到各子分類(lèi)器由不同類(lèi)型特征子集構(gòu)造而成，同時(shí)考慮了所有輸入的特征子集及它們各自判決的貢獻(xiàn)程度，這些都確保了DT方法的實(shí)現(xiàn)效果相比于其他方法的優(yōu)越性。當(dāng)前第1頁(yè)1 2 3