CN105488458B - 一种基于图像空间结构分布的舰船目标特征表示方法 - Google Patents
一种基于图像空间结构分布的舰船目标特征表示方法 Download PDFInfo
- Publication number
- CN105488458B CN105488458B CN201510818105.2A CN201510818105A CN105488458B CN 105488458 B CN105488458 B CN 105488458B CN 201510818105 A CN201510818105 A CN 201510818105A CN 105488458 B CN105488458 B CN 105488458B
- Authority
- CN
- China
- Prior art keywords
- image
- pixel
- ship target
- space structure
- method based
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/13—Satellite images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/50—Extraction of image or video features by performing operations within image blocks; by using histograms, e.g. histogram of oriented gradients [HoG]; by summing image-intensity values; Projection analysis
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Data Mining & Analysis (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Astronomy & Astrophysics (AREA)
- Remote Sensing (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于图像空间结构分布的舰船目标特征表示方法,采用“分组”处理思想,将待处理的图像进行分块处理,并将分块处理后的图像组合在一起,构成图像的全局纹理特征,这种基于“先分解后合成”处理策略的图像熵信息表达式既描述了图像的局部区域特征又表征了图像的全局特征,有利于提高后续目标分类的精度,同时提出了基于计算量最小化原则的分组策略,这一通用分组模板降低了算法的计算量。
Description
技术领域
本发明涉及计算机应用技术领域,尤其涉及一种基于图像空间结构分布的舰船目标特征表示方法。
背景技术
舰船行驶在海洋上,无论是在民用还是军事方面它都承担着重要的角色,特别是在军事方面,其高效的自动检测与识别对我军取得制海权具有重要意义。近年来,随着图像处理技术的发展,关于可见光与红外、视频、合成孔径雷达、遥感等图像类型的识别被广泛应用在舰船目标的识别研究中,尤其是基于光学遥感图像的识别表现出了其他类别所不具备的优势,对其展开研究是非常必要的。
舰船目标识别的目的是将检测出的舰船进行分类确认。要提高舰船目标的识别效率,提取合理的舰船目标特征是值得考虑的重要方面之一。
特征提取是借助特征向量的直观认知形式来对图像的内容进行理解的,提取的特征向量是否准确合理将关系到后续目标识别的分类性能。然而,通常在提取特征时,常常忽略两个问题:一是算法的计算量过大的问题,二是片面强调目标对象的局部特征,忽略了其整体空间分布结构。
发明内容
为了克服现有技术的不足,本发明提供一种基于图像空间结构分布的舰船目标特征表示方法。
本发明为解决上述技术问题所采用的技术方案是:
一种基于图像空间结构分布的舰船目标特征表示方法,采用“分组”处理思想,将待处理的图像进行分块处理,并将分块处理后的图像组合在一起,构成图像的全局纹理特征,该方法具体包括以下步骤:
步骤1:提取光学遥感图像
步骤2:将待处理图像进行分块处理
对于大小为M×N的多频谱图像I(x,y),假设它的像素灰度级为L,在其多维直方图中,另设其第K直方图Ω所在的可行域被划分成个“超立方体”单元,假设每个“超立方体”单元含有个(N=L/M)像素,则对于图像I(x,y)参与运算的像素点个数S,由“局部-整体”的计算方式,可得:
可以看出上式存在最小值,当且仅当时,S取最小值,此时算法的计算量最小,记作简记为其中,L表示图像灰度级;
步骤3:计算局部图像熵值
在图像的K维空间,假设其第i个“超立方体”所在的局部邻域为ai,则在ai内,图像的信息熵计算如下:
其中,表示权值,且b1,b2,…bk表示K维上的位置索引,为位置b1×b2×…×bk处的像素灰度值,为位置b1×b2×…×bk处的像素灰度分布概率。此外,权值的计算方法如下:
上式中,σ为高斯分布方差,一般取经验值其中,表示图像I(x,y)位于区域ai内的灰度均值,是归一化参数;
步骤4:合成图像的空间结构特征
按照步骤(1)所述,假设图像所在的K维空间根据图像的灰度级被划分成M,分别记做(R1,R2,…,RM),则将这M块组合起来,构成图像的全局纹理特征,即
步骤5:根据粗糙集理论,计算上述步骤2至步骤4中提取的舰船特征的重要 性权值。
作为优选,步骤2中所述的参与运算的像素点个数的计算方法,是一种通用的模板,可适用于多维图像处理,当待处理图像的直方图为二维直方图时,K=2,M=L。
作为优选,步骤2中所述的的计算方式为:
本发明的有益效果是:
1、本发明给出的参与运算的像素点个数的计算方法,是一种通用的模板,可适用于多维图像处理;
2、加权平均的信息熵计算方法是在局部信息熵计算的基础上,针对不同灰度的信息熵设置了不同的权值,使得修正后的图像信息熵值突出了图像的亮点、暗点等细节特征信息,有利于后续图像的分类识别处理;
3、这种基于“先分解后合成”处理策略的图像熵信息表达式既描述了图像的局部区域特征又表征了图像的全局特征,有利于提高后续目标分类的精度,同时提出了基于计算量最小化原则的分组策略,这一通用分组模板降低了算法的计算量。
附图说明
图1是本发明的流程图;
图2是本发明的舰船目标识别切片实验数据;
图3是本发明的舰船识别特征的重要性权值图;
表1是本发明的舰船目标识别特征及其权值。
具体实施方式
下面结合附图及实施例对本发明作进一步说明。
本发明实验数据为从谷歌地图中选取的航空遥感影像。本次实验提取了4个舰种,如图1所示。为验证本发明所提供的基于图像空间结构分布的舰船目标特征表示方法的有效性,首先从每个舰种中随机选取50个训练样本,然后进行特征提取,于是得到一个特征集向量,最后根据粗糙集理论中的同可区分计算每个特征的重要性权值,通过比较各个识别特征的权重大小,来判断对正确识别舰船种 类贡献较大的特征。
舰船目标特征提取方法验证流程,如图1所示,具体操作步骤如下:
步骤1:获得实验数据的舰船目标切片,如图2所示;
步骤2:将待处理图像进行分块处理
对于大小为M×N的多频谱图像I(x,y),假设它的像素灰度级为L,在其多维直方图中,另设其第K直方图Ω所在的可行域被划分成个“超立方体”单元,假设每个“超立方体”单元含有个(N=L/M)像素,则对于图像I(x,y)参与运算的像素点个数S,由“局部-整体”的计算方式,可得:
可以看出上式存在最小值,当且仅当时,S取最小值,此时算法的计算量最小,记作简记为其中,L表示图像灰度级;本发明给出的参与运算的像素点个数的计算方法,是一种通用的模板,可适用于多维图像处理,当待处理图像的直方图为二维直方图时,K=2,M=L。
步骤3:计算局部图像熵值
在图像的K维空间,假设其第i个“超立方体”所在的局部邻域为ai,则在ai内,图像的信息熵计算如下:
其中,表示权值,且b1,b2,…bk表示K维上的位置索引,为位置b1×b2×…×bk处的像素灰度值,为位置b1×b2×…×bk处的像素灰度分布概率。此外,权值的计算方法如下:
上式中,σ为高斯分布方差,一般取经验值其中,表示图像I(x,y)位于区域ai内的灰度均值,是归一化参数,其计算方式为:
这种加权平均的信息熵计算方法是在局部信息熵计算的基础上,针对不同灰度的信息熵设置了不同的权值,使得修正后的图像信息熵值突出了图像的亮点、暗点等细节特征信息,有利于后续图像的分类识别处理。
步骤4:合成图像的空间结构特征
按照步骤(1)所述,假设图像所在的K维空间根据图像的灰度级被划分成M,分别记做(R1,R2,…,RM),则将这M块组合起来,构成图像的全局纹理特征,即
这种基于“先分解后合成”处理策略的图像熵信息表达式既描述了图像的局部区域特征又表征了图像的全局特征。结合目标的大小、形状、不变矩等特征进行提取,组成一个48维的特征向量组合;
步骤5:根据粗糙集理论,计算上述步骤2至步骤4中提取的舰船特征的重要性权值,对比说明本发明内容的属性重要性。根据粗糙集理论可知,对应于舰船目标各个识别特征,其重要性权值越大,说明其对舰船目标的识别作用越大,意味着该特征越重要。
舰船目标属性(特征)的重要性权值的详细计算步骤如下:
在粗糙集理论中,一般用一个四元组S=(U,A,V,f)表示某一信息系统,其中U称作论域,它由对象{x1,x2,…,xn}组成;A表示由对象属性组成的集合对应步骤(ii)提取的特征组合;Vi表示属性ai∈A的值域,对应提取的各特征的重要性权值,且f:U×A→V为一个映射函数,对于x∈U, f(x,ai)∈Vi;若A=C∪D且C代表条件属性集,D代表决策属性集。
(1)初始化特征集Q、T,设T=C,对于属性集合C、D,计算其同可区分度;
在信息系统S中,对于属性集其可区分关系表示为:
对于给定属性x,与其可区分对象集就记为:
DP(x)={y∈U|(x,y)∈DIS(P)}
定义属性集P的可区分度如下:
给出属性集P、Q的同可区分关系及其对应的同可区分度:
DIS(Q;P)=DIS(Q)∩DIS(P)
|DIS(Q;P)|=|DIS(Q)|∩|DIS(P)|
(2)按照下面的公式计算特征集的属性重要度,设置Q=Q∪Ck,T=T-{Ck},1≤i≤|T|;
SIG(Ck,Q,D)=|DIS(D;(Q∪{Ck}))|-|DIS(D;Q)|
(3)为方便计算,将目标各识别特征的重要性权值做归一化处理:
基于上述粗糙集理论,计算得出舰船目标识别的特征组合为:F'={F1,F2,F3,F4,F5,F6,F7,F8,F9},它们分别对应舰船的长宽比、周长、图像熵、紧致度、第7个Hu矩、第11个Z矩,第1、2、3个小波矩。实验数据如表1所示。
表1
图3为舰船目标各个识别特征所对应的权值图。
对照表1和图2,由实验结果不难看出,基于图像熵的舰船目标特征的重要性权值远大于其他特征的重要性权值,由此表明,本发明所提供的基于图像空间结构分布的特征这一通用表示方法是有效的。
说明书中未阐述的部分均为现有技术或公知常识。本实施例仅用于说明该发明,而不用于限制本发明的范围,本领域技术人员对于本发明所做的等价置换等修改均认为是落入该发明权利要求书所保护范围内。
Claims (3)
1.一种基于图像空间结构分布的舰船目标特征表示方法,其特征在于:采用“分组”处理思想,将待处理的图像进行分块处理,并将分块处理后的图像组合在一起,构成图像的全局纹理特征,该方法具体包括以下步骤:
步骤1:提取光学遥感图像
步骤2:将待处理图像进行分块处理
对于大小为M×N的多频谱图像I(x,y),假设它的像素灰度级为L,在其多维直方图中,另设其第K直方图Ω所在的可行域被划分成个“超立方体”单元,假设每个“超立方体”单元含有个(N=L/M)像素,则对于图像I(x,y)参与运算的像素点个数S,由“局部-整体”的计算方式,可得:
可以看出上式存在最小值,当且仅当时,S取最小值,此时算法的计算量最小,记作简记为其中,L表示图像灰度级;
步骤3:计算局部图像熵值
在图像的K维空间,假设其第i个“超立方体”所在的局部邻域为ai,则在ai内,图像的信息熵计算如下:
其中,表示权值,且b1,b2,…bk表示K维上的位置索引,为位置b1×b2×…×bk处的像素灰度值,为位置b1×b2×…×bk处的像素灰度分布概率,此外,权值的计算方法如下:
上式中,σ为高斯分布方差,取经验值其中,表示图像I(x,y)位于区域ai内的灰度均值,是归一化参数;
步骤4:合成图像的空间结构特征
按照步骤(1)所述,假设图像所在的K维空间根据图像的灰度级被划分成M,分别记做(R1,R2,…,RM),则将这M块组合起来,构成图像的全局纹理特征,即
步骤5:根据粗糙集理论,计算上述步骤2至步骤5中提取的舰船特征的重要性权值。
2.根据权利要求1所述的一种基于图像空间结构分布的舰船目标特征表示方法,其特征在于:步骤2中所述的参与运算的像素点个数的计算方法,是一种通用的模板,可适用于多维图像处理,当待处理图像的直方图为二维直方图时,K=2,M=L。
3.根据权利要求1所述的一种基于图像空间结构分布的舰船目标特征表示方法,其特征在于:步骤2中所述的的计算方式为:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510818105.2A CN105488458B (zh) | 2015-11-20 | 2015-11-20 | 一种基于图像空间结构分布的舰船目标特征表示方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510818105.2A CN105488458B (zh) | 2015-11-20 | 2015-11-20 | 一种基于图像空间结构分布的舰船目标特征表示方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105488458A CN105488458A (zh) | 2016-04-13 |
CN105488458B true CN105488458B (zh) | 2018-11-02 |
Family
ID=55675430
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510818105.2A Active CN105488458B (zh) | 2015-11-20 | 2015-11-20 | 一种基于图像空间结构分布的舰船目标特征表示方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105488458B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115953746B (zh) * | 2023-03-13 | 2023-06-02 | 中国铁塔股份有限公司 | 一种船只监测方法及装置 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102254303A (zh) * | 2011-06-13 | 2011-11-23 | 河海大学 | 遥感图像分割方法及遥感图像检索方法 |
CN104331711A (zh) * | 2014-11-21 | 2015-02-04 | 西安电子科技大学 | 基于多尺度模糊测度与半监督学习的sar图像识别方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7840059B2 (en) * | 2006-09-21 | 2010-11-23 | Microsoft Corporation | Object recognition using textons and shape filters |
-
2015
- 2015-11-20 CN CN201510818105.2A patent/CN105488458B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102254303A (zh) * | 2011-06-13 | 2011-11-23 | 河海大学 | 遥感图像分割方法及遥感图像检索方法 |
CN104331711A (zh) * | 2014-11-21 | 2015-02-04 | 西安电子科技大学 | 基于多尺度模糊测度与半监督学习的sar图像识别方法 |
Non-Patent Citations (2)
Title |
---|
"无人机红外舰船目标分割";徐海洋,罗勤,夏学知,郭丽艳;《舰船电子工程》;20080620(第6期);第49-51页 * |
"海战场光学遥感图像舰船目标检测";安彧,王小非,夏雪知,李琳;《武汉大学学报(工学版)》;20150831;第48卷(第4期);第568-573页 * |
Also Published As
Publication number | Publication date |
---|---|
CN105488458A (zh) | 2016-04-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110837870B (zh) | 基于主动学习的声呐图像目标识别方法 | |
CN104599275B (zh) | 基于概率图模型的非参数化的rgb-d场景理解方法 | |
CN110020651A (zh) | 基于深度学习网络的车牌检测定位方法 | |
CN108334881B (zh) | 一种基于深度学习的车牌识别方法 | |
Tan et al. | Legitimate adversarial patches: Evading human eyes and detection models in the physical world | |
CN105608456A (zh) | 一种基于全卷积网络的多方向文本检测方法 | |
CN104715251B (zh) | 一种基于直方图线性拟合的显著目标检测方法 | |
CN105528575B (zh) | 基于上下文推理的天空检测方法 | |
CN104636721B (zh) | 一种基于轮廓与边缘纹理特征融合的掌纹识别方法 | |
CN110378239A (zh) | 一种基于深度学习的实时交通标志检测方法 | |
CN104850822B (zh) | 基于多特征融合的简单背景下的叶片识别方法 | |
CN113963032A (zh) | 一种融合目标重识别的孪生网络结构目标跟踪方法 | |
CN108229247A (zh) | 一种移动车辆检测方法 | |
CN112348758A (zh) | 一种光学遥感图像数据增强方法及目标识别方法 | |
CN103714340A (zh) | 基于图像分块的自适应特征提取方法 | |
CN111368865B (zh) | 遥感影像储油罐检测方法、装置、可读存储介质及设备 | |
CN114842240A (zh) | 融合ghost模块和注意力机制的MobileNetV2农作物叶片图像分类方法 | |
CN106909881A (zh) | 基于无人机遥感影像提取玉米育种基地垄数的方法及系统 | |
CN104376312A (zh) | 基于词袋压缩感知特征提取的人脸识别方法 | |
CN110334628A (zh) | 一种基于结构化随机森林的室外单目图像深度估计方法 | |
CN107358244B (zh) | 一种快速局部不变特征提取与描述方法 | |
CN105488458B (zh) | 一种基于图像空间结构分布的舰船目标特征表示方法 | |
CN104008374B (zh) | 一种矿井图像中基于条件随机场的矿工检测方法 | |
Hu et al. | Building extraction using mask scoring R-Cnn network | |
CN103093241B (zh) | 基于同质化处理的光学遥感图像非匀质云层判别方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |