CN102194224A - 一种光学遥感图像坦克群的识别方法 - Google Patents

Abstract

本发明公开了一种光遥感图像中的坦克群目标自动识别方法，特征是将一种新型的宽度模板与区域生长算法结合起来，以对3阈值KSW最佳熵分割的结果进行有效分离和更好的提取感兴趣区域，并且方便了后续的特征提取。在目标识别准则设计中，结合了坦克的几何特征和K-mean分类算法，保证了识别结果的准确性和鲁棒性。实验结果显示，本文使用的分割方法和宽度模板方法相比于传统方法更加有效，识别率更高。

Description

一种光学遥感图像坦克群的识别方法

技术领域

本发明涉及一种图像处理方法，具体是一种光学遥感图像坦克群的识别方法。属于图像处理技术。

背景技术

当前战争中，坦克的大量投入，使其成为主要的防御对象。由于坦克的机动特性，反坦克雷弹系统向智能化的发展成为技术进步的必然。作为该系统的关键环节技术之一，目标识别日益受到研究者的广泛重视。目前的坦克识别技术主要是运用电子设备，利用雷达分析回波频率和波形以区分不同类型的目标，如《探测与控制学报》发表的《多源干扰对坦克模糊识别的影响》，或通过分析毫米波辐射信号进行识别，如IEEE Transactions on Image Processing上发表的《High Range Resolution MMW Rader Target Recognition Approaches withApplication》。

本文从图像处理角度，提出了一种光遥感图像中的坦克群目标自动识别方法，鉴于可见光图像中光照和阴影对坦克群的干扰比较大，本文采用区域生长算法和宽度模板，在尽量保留坦克特征的同时，将坦克群分离开，进而转化成单个坦克目标的识别，然后提取感兴趣区域，最后结合坦克的几何特征和K-mean分类算法，以此作为目标识别准则，进行去除虚警和识别，取得了良好的检测结果。

发明内容

本发明的技术目的是从图像处理角度提出一种光遥感图像中的坦克群目标自动识别方法，可以克服传统背景技术中存在的不足。根据可见光遥感图像中坦克群目标的特点，提出了一种新的坦克群识别方法，该方法将一种新型的宽度模板与区域生长算法结合起来，以对3阈值KSW最佳熵分割的结果进行有效分离和更好的提取感兴趣区域，并且方便了后续的特征提取。在目标识别准则设计中，结合了坦克的几何特征和K-mean分类算法，保证了识别结果的准确性和鲁棒性。

本发明一种光遥感图像中的坦克群目标自动识别方法，通过以下技术方案实现，本发明方法步骤如下：

步骤一：图像分割，通过KSW最佳熵3阈值(threshold1＜threshold2＜threshold3)分割后，图像被分为4类，考虑光照和阴影的影响，将大于threshold1和小于threshold3的灰度归为目标类，将小于threshold1和大于threshold3的归为背景类；

步骤二：将区域生长算法应用于二值图像填充，通过扫描全图寻找种子点，生长准则是将相邻相同像素值的点合并，停止条件则是遍历完一个连通域；

步骤三：通过一种新的宽度模板来分离坦克目标，去除连体效应，完成感兴趣区域的提取；

步骤四：几何特征处理，根据坦克的长、宽、面积等几何特征提取坦克目标；

步骤五：将均值、方差和纹理特征作为K-mean分类的特征向量，分类准则：满足坦克几何特征的同时，属于某一类的疑似目标数目较多的为坦克目标；满足坦克几何特征的同时，属于某一类的疑似目标数目较少的为非坦克目标。

本文对可见光遥感图像中坦克群的自动识别，主要有以下特点和作用：(1)从图像处理角度提出一种光遥感图像中的坦克群目标自动识别方法；(2)通过KSW最佳熵多阈值分割的处理和基于区域生长算法的区域填充，降低了光照和阴影的干扰；(3)通过宽度模板的使用，消除了坦克的连体效应，同时去除部分虚警，提取出了感兴趣区域；(4)最后结合坦克的几何特征和经典的K-mean分类算法作为识别准则，得到了较好的识别效果。

附图说明

图1为本发明坦克群目标自动识别的流程图。

图2为原始图像；

图3为图2均衡图像；

图4对图3KSW3阈值分割；

图5为区域填充后的结果图；

图6宽度模板处理后的结果；

图7K-mean分类后的效果；

图8为最终目标识别结果；

图9KSW最佳熵3阈值分割

图10为最小误差分割的结果

图11另一张原始图像；

图12为图11处理后的目标识别结果；

图1中：

101KSW最佳熵3阈值分割

102区域填充处理

103宽度模板处理

104几何特征判决

105K-mean分类和识别坦克

具体实施方式

下面本发明将结合附图中的实施例作进一步描述：

步骤一：图像分割，通过KSW最佳熵3阈值(threshold1＜threshold2＜threshold3)分割后，图像被分为4类，考虑光照和阴影的影响，将大于threshold1和小于threshold3的灰度归为目标类，将小于threshold1和大于threshold3的归为背景类101。

由于可见光遥感图像受光照影响，目标的阳面部分和和背景的灰度相近，所以，先对图像进行增强操作，通过直方图均衡增强目标和背景的对比度。

图像分割是模式识别的基础，一种好的分割方法可以大量减少虚警区，提高识别效率。在传统的模式识别方法中，往往对图像直接进行二值化处理，将目标从背景中提取出来。其二值化的算法可以采用固定阈值法和自适应阈值法。但是由于可见光遥感图像受到光照的影响很大，在目标表面出现分布随机的灰度值，无法将其直接二值化。所以，采用KSW最佳熵多阈值算法进行分割。

Kapur等^[3]提出最佳熵阈值方法(本文简称为KSW分割法)，该方法不需要先验知识，而且对于非理想双峰直方图的图像也可以进行有效分割。其基本思想是：将信息论中Shannon熵概念用于图像分割，测量图像灰度直方图的熵，由此找出最佳阈值，其出发点是使图像中目标与背景分布的信息量最大。

根据Shannon熵的概念，对于灰度范围{0，1，...，L-1}的图像直方图，其熵测量为 $H_T=-\underset{i=0}{\overset{L-1}{\mathrm{\Σ}}}{p}_i\ln p_i$

其中p_i为第i个灰度出现的概率。设阈值t将图像划分为目标与背景两类，则令

$P_t=-\underset{i=0}{\overset{t}{\mathrm{\Σ}}}{p}_i$ $H_t=-\underset{i=0}{\overset{t}{\mathrm{\Σ}}}{p}_i\ln p_i$

由阈值t分为A、B两类后，两类的概率分布分别为

$\frac{p_0}{P_t},\frac{p_1}{P_t},...,\frac{p_t}{P_t}$

$\frac{p_{t+1}}{1-P_t},\frac{p_{t+2}}{1-P_t}...,\frac{p_{L-1}}{1-P_t}$

与每个分布有关的熵分别为H_A(t)和H_B(t)：

$H_A\left(t\right)=-\underset{i=0}{\overset{t}{\mathrm{\Σ}}}\frac{p_i}{p_t}\ln \frac{p_i}{p_t}=\ln P_t+\frac{H_t}{P_t}$

$H_B\left(t\right)=-\underset{i=t+1}{\overset{L-1}{\mathrm{\Σ}}}\frac{p_i}{1-p_t}\ln \frac{p_i}{{1-p}_t}=\ln (1-P_t)+\frac{H_T-H_t}{{1-P}_t}$

图像的总熵H(t)为H_A(t)和H_B(t)之和，即

$H\left(t\right)={\ln P}_t(1-P_t)+\frac{H_t}{P_t}+\frac{H_T-H_t}{1-P_t}$

最佳阈值t^*为使总熵取最大值，即

$t^{*}=\mathrm{Arg}\underset{0\≤t\≤L-1}{\max }H\left(t\right)$

最佳熵自动门限法适合于多阈值(本文取3个阈值)分割。此时，

$H(S_1,S_2)=\ln \left(\underset{i=1}{\overset{S_1}{\mathrm{\Σ}}}{p}_i\right)+\ln \left(\underset{i=S_1+1}{\overset{S_2}{\mathrm{\Σ}}}{p}_i\right)+\ln \left(\underset{i=S_2+1}{\overset{S_3}{\mathrm{\Σ}}}{p}_i\right)+\ln \left(\underset{i=S_3+1}{\overset{n}{\mathrm{\Σ}}}{p}_i\right)-\frac{\underset{i=1}{\overset{S_1}{\mathrm{\Σ}}}{p}_i\ln p_i}{\underset{i=1}{\overset{S_1}{\mathrm{\Σ}}}{p}_i}-$

$\frac{\underset{i=S_1+1}{\overset{S_2}{\mathrm{\Σ}}}{p}_i\ln p_i}{\underset{i=S_1+1}{\overset{S_2}{\mathrm{\Σ}}}{p}_i}-\frac{\underset{i=S_2+1}{\overset{S_3}{\mathrm{\Σ}}}{p}_i\ln p_i}{\underset{i=S_2+1}{\overset{S_3}{\mathrm{\Σ}}}{p}_i}-\frac{\underset{i=S_3+1}{\overset{n}{\mathrm{\Σ}}}{p}_i\ln p_i}{\underset{i=S_3+1}{\overset{n}{\mathrm{\Σ}}}{p}_i}$

最佳阈值S₁ ^*、S₂ ^*、S₃ ^*为使总熵取最大值，即

${S_1}^{*},{S_2}^{*},{S_3}^{*}=\mathrm{Arg}\underset{0\&le;S_1<S_2\&le;S_3\&le;L-1}{\max }H(S_1,S_2,S_3)$

通过KSW最佳熵3阈值(threshold1＜threshold2＜threshold3)分割后，图像被分为4类，考虑光照和阴影的影响，将大于threshold1和小于threshold3的灰度归为目标类，将小于threshold1和大于threshold3的归为背景类，这样可以尽可能地保留了坦克的原始轮廓和几何特征，降低了光照和阴影对坦克目标灰度的影响，得到良好的分割结果。得到3个阈值后，分割规则如下：

If x＞＝threshold1 and x＜＝threshold3

x∈目标区

Else

x∈背景区

步骤二：将区域生长算法应用于二值图像填充，通过扫描全图寻找种子点，生长准则是将相邻相同像素值的点合并，停止条件则是遍历完一个连通域102。

区域生长算法的基本思想是将具有相似性质的像素集合起来构成区域。算法主要包括：

(1)选择一组正确代表所需区域的种子像素；

(2)确定生长过程中能将相邻像素包括进来的准则；

(3)制定让生长过程停止的条件。

将区域生长算法应用于本文的二值图像填充，可以简化算法，通过扫描全图寻找种子点，生长准则是将相邻相同像素值的点合并，停止条件则是遍历完一个连通域。改进的区域填充算法只对小区域进行填充，在不破坏坦克特征的情况下很好地修补了连通域内的“孔洞”，比腐蚀的方法更加有效。

步骤三：通过一种新的宽度模板来分离坦克目标，去除连体效应，完成感兴趣区域的提取103。

为了解决坦克连体问题，本文使用了宽度模板。宽度模板是指以坦克的宽度为长度的一维数组，其原理思想是将小于坦克宽度的连接部分断开。因为正常情况下，任何两个坦克目标分割后是不会出现相连的情况，所以有必要用宽度模板进行处理。设计宽度模板的关键是设计模板长度，根据实际坦克的宽度和图像分辨率可以求出模板长度，公式如下：

宽度模板的长度＝坦克实际宽度/分辨率

模板处理算法主要包括：

(1)根据图像的分辨率，设置模板长度并进行初始化；

(2)扫描全图，寻找小于模板长度的连体区域；

(3)根据连体区域的特征，进行模板处理。

用宽度模板对分割图像进行处理，消除了坦克目标的连体效应，同时去除部分虚警，初步得到感兴趣区域，为下一步坦克识别做好准备。

步骤四：几何特征处理，根据坦克的长、宽、面积等几何特征提取坦克目标104；

识别的过程是对事件的一种鉴别或分类，对象特征提取是其中重要的组成部分。本文的目的是识别坦克群，通过感兴趣区域提取的处理，已经将复杂的坦克群识别转化成单个坦克的识别，所以，关键是提取坦克的特征。坦克作为陆地目标，其特征主要有：(1)长和宽，及其比值；(2)面积特征；(3)纹理特征；(4)灰度的均值、方差特征；(5)坦克群的坦克数量比较多；(6)角点特征。但是，可见光遥感图像分割后，坦克的角点十分模糊，难以提取。所以，本文考虑前5个特征。

首先分析特征(1)、(2)，将其归结为几何特征，坦克的长宽及其比值是比较稳定的特征，提取感兴趣区域后用最小外接矩形逼近一个目标区域，提取长短轴及其比例和区域面积作为识别和去除虚警的一个特征依据。对于(3)和(4)，本文将均值、方差和纹理特征作为K-mean分类的特征向量，对原始图像进行分类，类别数取3。结合几何特征，得出坦克识别和去除虚警的准则如下：满足坦克几何特征的同时，属于某一类的疑似目标数目较多的为坦克目标；满足坦克几何特征的同时，属于某一类的疑似目标数目较少的为非坦克目标。识别准则充分利用了坦克群(5)的特征，因为坦克群的坦克数目比较多，而且经过K-mean分类后所有坦克一定是属于同一类。由实验结果验证，本文的坦克识别准则具有较高的有效性和鲁棒性。

考虑到在坦克的几何特征提取前已进行了分割、填充、宽度模板等处理，该处理过程会造成无法忽略不计的误差，因此我们给识别过程附加10％误差容限：

length＝坦克实际长度/分辨率

width＝坦克实际宽度/分辨率

根据先验知识，坦克车体长：6～7米；宽度：2.85～3.77米。根据图像具体的分辨率可以计算出长轴。同理可以计算得到短轴和面积，短轴即坦克宽度，面积则是感兴趣区域的像素点数目。判别准则如下：

(1)某个感兴趣区域的长轴大于或小于

则是非坦克目标；

(2)某个感兴趣区域的短轴大于width*(1+10％)，或小于width*(1-10％)，则为非坦克目标；

(3)长轴和短轴比值小于

或比值大于

的，则是非坦克目标；

(4)某个感兴趣区域的面积小于length*width(1-10％)，或大于length*width(1+10％)的，则为非坦克目标。

步骤五：将均值、方差和纹理特征作为K-mean分类的特征向量，分类准则：满足坦克几何特征的同时，属于某一类的疑似目标数目较多的为坦克目标；满足坦克几何特征的同时，属于某一类的疑似目标数目较少的为非坦克目标105。

K-mean算法的基本思想是：通过迭代，逐次移动各类的中心，直至得到最好的聚类效果。实验中初始中心的选取采用文献[5]的方法，类别数取为3，分4步完成。

(1)选取3个类的初始中心Z₁ ⁽¹⁾、Z₂ ⁽²⁾、Z₃ ⁽³⁾；

(2)在第k次迭代中，对任一样本X按如下的方法把它调整到3个类别中的一个类中去。对于所有的i≠j，i＝1，2，3，如果 $\left|\right|X-{Z_j}^{\left(k\right)}\left|\right|<\left|\right|X-{Z_i}^{\left(k\right)}\left|\right|,$ 则 $X\&Element;{S_j}^{\left(k\right)},$ 其中S_j ^(k)是以Z_j ^(k)为中心的类；

(3)根据第2步的分类结果，计算各类重心，并以次作为各类新的中心；

(4)反复进行2、3步，直到各类中心趋于稳定。

K-mean算法是一个迭代算法，迭代过程中类别中心按最小二乘误差的原则进行移动，因此类别中心的移动是合理的。

实施例：本发明一种光学遥感图像坦克群的识别方法的应用

实验平台为VC++6.0，在2GHz Intel Pentium(R)4CPU的PC机上实现。实验图像的分辨率是0.06m，图像大小为1500×1000。图2是原始图像，图中包含了一些非坦克目标的干扰。由于光照和阴影的影响，坦克表面的灰度变化很大。图3为图2直方图均衡后的结果。图4为3阈值KSW最佳熵分割结果，由该图可见坦克基本被分离开，有效克服了阴影的影响，但左侧坦克仍有一些连体效应和虚警的出现。图5为用区域生长方法进行填充后的结果，消除了疑似区域内的“孔洞”效应。图6为用宽度模板处理的结果，处理后所有坦克分离开，得到了感兴趣区域。图7为K-mean算法分类的结果，共分为3类。感兴趣区域经过识别准则，得到最后的检测结果，如图8所示，识别效果较好，没有虚警和漏警。

图9和图10显示了KSW最佳熵3阈值分割和最小误差分割的对比结果，从图中可见，KSW最佳熵多阈值方法更加优越，分割后更多地保留了坦克的特征，且有效克服了坦克的连体效应。

图11和图12显示了宽度模板处理和5次腐蚀处理的比较结果。由结果图像知道，腐蚀破坏了坦克的特征，且无法克服连体效应。宽度模板则很好地解决了连体效应。

图13为950×1000的图像，处理后得到图14的结果。

Claims (4)

1.一种光遥感图像中的坦克群目标自动识别方法，其特征在于，方法步骤如下：

步骤一：图像分割，通过KSW最佳熵3阈值(threshold1＜threshold2＜threshold3)分割后，图像被分为4类，考虑光照和阴影的影响，将大于threshold1和小于threshold3的灰度归为目标类，将小于threshold1和大于threshold3的归为背景类；

步骤二：将区域生长算法应用于二值图像填充，通过扫描全图寻找种子点，生长准则是将相邻相同像素值的点合并，停止条件则是遍历完一个连通域；

步骤三：通过一种新的宽度模板来分离坦克目标，去除连体效应，完成感兴趣区域的提取；

步骤四：几何特征处理，根据坦克的长、宽、面积等几何特征提取坦克目标；

步骤五：将均值、方差和纹理特征作为K-mean分类的特征向量，分类准则：满足坦克几何特征的同时，属于某一类的疑似目标数目较多的为坦克目标；满足坦克几何特征的同时，属于某一类的疑似目标数目较少的为非坦克目标。

2.根据权利要求1所述的坦克群目标自动识别方法，其特征是，所述的步骤一、步骤二，通过KSW最佳熵3阈值(threshold1＜threshold2＜threshold3)分割，区域生长算法应用于二值图像填充，在不破坏坦克特征的情况下很好地修补了连通域内的“孔洞”。具体为：

(1)KSW最佳熵3阈值，得到二值图像；

(2)将区域生长算法应用于二值图像的填充，修补了连通域内的“孔洞”。

3.根据权利要求1所述的坦克群目标自动识别方法，其特征是，所述步骤三，根通过一种新的宽度模板来分离坦克目标，去除连体效应，完成感兴趣区域的提取。具体实现如下：

(1)根据图像的分辨率，设置模板长度并进行初始化；

(2)扫描全图，寻找小于模板长度的连体区域；

(3)根据连体区域的特征，进行模板处理。

根据实际坦克的宽度和图像分辨率可以求出模板长度，公式如下：

        宽度模板的长度＝坦克实际宽度/分辨率

4.根据权利要求1所述坦克群目标自动识别方法的步骤四和权利要求2，其特征是，几何特征处理，根据坦克的长、宽、面积等几何特征提取坦克目标。判别准则如下：

(1)某个感兴趣区域的长轴大于

或小于

则是非坦克目标；

(2)某个感兴趣区域的短轴大于width*(1+10％)，或小于width*(1-10％)，则为非坦克目标；

(3)长轴和短轴比值小于

或比值大于

的，则是非坦克目标；

(4)某个感兴趣区域的面积小于length*width(1-10％)，或大于length*width(1+10％)的，则为非坦克目标。

Images