CN106446965A - 一种航天器可见光图像分类方法 - Google Patents

Abstract

本发明属于航天器可见光图像分类领域，具体涉及一种新的航天器可见光图像分类方法。首先对航天器图像训练样本提取尺度旋转不变特征(SIFT)，用该特征训练稀疏字典，然后对所提取的特征使用训练得到的稀疏字典进行稀疏编码，进一步采用空间金字塔匹配策略得到训练样本图像的特征描述，最后使用线性支持向量机(SVM)训练出分类器模型。对于输入图像，首先提取尺度旋转不变特征(SIFT)，对所提取的特征使用训练得到的稀疏字典进行稀疏编码，进一步采用空间金字塔匹配策略得到测试图像的特征描述，最后用训练好的分类器模型进行分类。通过在仿真数据库上实验分析，验证了本发明方法的分类准确性。

Description

一种航天器可见光图像分类方法

技术领域

本发明属于航天器可见光图像分类领域，具体涉及一种新的航天器可见光图像分类方法。

背景技术

随着空间技术的发展，在轨航天器伴飞、对接和实时交互空间操作的需求越来越多。利用光学测量手段得到的信息是监测航天器外形、姿态变化最客观的测量信息。综合利用各种非合作信息源合成可视化的航天器飞行状态变化图，地面控制指令可根据航天器飞行状态和姿态的变化实现交互式空间操作，减少测控指令发送的盲目性，可大大提高在轨航天器重大事件的飞行控制和应急处置能力、提高指控效率。

近年来，图像分类识别的研究已经获得了很好的成效，但由于获得的图像信息冗余性，图像信息中体现的复杂多样性，同时图像中包含了各种奇异性以及噪声，这使得图像分类识别领域的研究充满了挑战。基于特征空间的学习方法，可以降低数据的维数，减小计算的复杂性，还具有较强的鲁棒性。以往有人提出基于多特征通道的图像分类算法，多特征通道指不同特征检测算子与特征描述算子的组合，根据每个通道的分类信息进行综合决策判断，从而得到最终的分类结果。该算法有效结合了图像的多种特征信息，对图像的表示更为精细，分类性能相比基于单个特征的分类算法有了显著提升。还有基于多尺度局部二元模式(LBP)金字塔特征的图像分类算法。通过多尺度LBP金字塔提取各尺度图像的纹理特征，建立多尺度LBP金字塔直方图，并将其作为特征向量，采用聚类方法对该特征向量进行降维，使用二分类策略进行最终分类。但计算复杂度过高，该算法对于大规模数据集效果不佳。在图像数据信息量非常庞大的今天，如何建立快速、有效的图像分类方法成为一个迫切需要解决的问题。

发明内容

要解决的技术问题

为了避免现有技术的不足之处，本发明提出了一种基于稀疏表达和空间金字塔匹配的航天器可见光图像分类方法，用于解决航天器可见光图像的内容描述及目标分类。

技术方案

本发明出了一种基于稀疏表达和空间金字塔匹配的航天器可见光图像分类方法。基本思想是：首先对航天器可见光图像提取尺度旋转不变特征(SIFT)，用该特征训练稀疏字典，然后对所提取的特征使用训练得到的稀疏字典进行稀疏编码，进一步采用空间金字塔匹配策略得到图像的特征描述，最后采用线性支持向量机(SVM)训练分类器，完成对航天器图像的分类识别。

本发明方法的特征在于步骤如下：

步骤1、提取航天器可见光图像的尺度旋转不变特征(SIFT)：

(1)首先构造图像尺度空间函数L(x,y,σ)：L(x,y,σ)＝G(x,y,σ)*I(x,y)，I(x,y)为输入图像，G(x,y,σ)是尺度可变高斯函数，σ为尺度因子，*为卷积运算；G(x,y,σ)定义为

(2)构造高斯差分函数D(x,y,σ)：D(x,y,σ)＝L(x,y,kσ)-L(x,y,σ)，在尺度空间中，比较每个采样点与其同尺度的8个相邻点以及上下相邻尺度对应的18个相邻点的大小，取最大或最小值的极值点为候选特征点。

(3)将高斯差分函数D(x,y,σ)在尺度空间处进行泰勒公式展开：其中X＝(x,y,σ)^T；对上式求导并令其为零，求解方程找到满足其条件的候选特征点 求该候选特征点处的尺度空间函数若则保留该候选特征点，否则丢弃该候选特征点。

(4)计算候选特征点处的Hessian矩阵求出矩阵H的行列式Det(H)及对角线元素之和Tr(H)；由公式计算每个候选特征点的若小于r＝10时的值，则保留该候选特征点，否则丢弃该候选特征点。经过上述过程保留下的候选特征点为最终的特征点。

(5)计算每一个特征点的梯度模值m(x,y)和方向θ(x,y)：

θ(x,y)＝tan^-1(L(x,y+1)-L(x,y-1))/(L(x+1,y)-L(x,y-1))

采用梯度直方图统计方法为特征点分配方向，在以特征点为圆心，1.5σ为半径的圆形区域内计算特征点邻域窗口的梯度值并进行统计，其范围为0～360°，每10°为一个单元；定义特征点的主方向为直方图的峰值处，同时，对于存在次峰值为主峰值的80％以上的情况，增加与原特征点具有相同位置和尺度的特征点，将符合条件的次峰值作为其方向；

(6)将特征点的邻域由θ°旋转至0°，θ°为特征点的方向，以保证旋转的不变性；在旋转后的图像中，以特征点为圆心，选取16×16的邻域窗口，把该16×16的矩形窗口分为16个4×4的不重叠子区域，计算每个子区域中8个方向(0°,45°，90°,135°,180°,225°,270°,315°)的梯度累加值，最后生成特征点描述子。至此，便获得了图像完整的尺度旋转不变特征。

步骤2、训练稀疏字典：步骤1得到的SIFT特征记为X，其维度为D维，即X＝[x₁,…,x_m]^T∈R^M×D；对于得到的SIFT特征X，通过下式训练稀疏字典：

其中|u_m|是u_m的L₁范数，即u_m的每个元素的绝对值总和；||·||表示L₂范数。通过优化求解上式得到的V即为训练得到的字典，同时得到稀疏系数U。

步骤3、空间金字塔匹配：对于步骤2中求得的特征在稀疏字典上的稀疏编码U，用池函数F计算图像特征：z＝F(U)，其中F选择系数L₁范数最大的池函数：z_j＝max{|u_1j|,|u_2j|,...,|u_2M|}，其中z_j为Z中第j个元素，u_ij为U中第i行第j列的矩阵元素；

步骤4、使用线性支持向量机进行分类：给定n个训练样本图像，每个样本所属类别为y_i，由上述3个步骤分别得到每个样本在稀疏字典上的特征z_i，组成训练样本数据学习线性函数{W_c ^Tz|c∈y}，通过求解无约束凸优化问题：其中当y_i＝c时y_i ^c＝1，否则，y_i ^c＝-1；其中l(W_c；y_i ^c,z_i)为铰链损失函数；采用可微分的二次铰链损失函数：l(W_c；y_i ^c,z_i)＝[max(0,W_c ^Tz·y_i ^c-1)]²；通过线性地扫描训练样本，采用基于梯度的最优化方法训练分类器。对于一个测试样本Z，计算则结果y即为该样本的分类结果。

有益效果

本发明提出的一种基于稀疏表达和空间金字塔匹配的航天器图像分类方法，采用SIFT描述子描述航天器目标特征，并对可见光图像进行稀疏编码，和矢量量化编码相比，稀疏编码因为具有较少的限制因素，使其能够获得更少的重构误差；其次稀疏表示能够充分捕捉图像的显著特性；采用基于线性空间金字塔的匹配方法，引入最大池化策略，克服了以往的词袋模型丢失图像的空间分布信息的缺点；使用线性支持向量机分类方法，在保证分类准确度的前提下，极大地提高了分类速度。

附图说明

图1是本发明的系统框图；

图2是Caltech101数据库示例

图3是建立的航天器可见光图像数据库示例

具体实施方式

现结合实施例、附图对本发明作进一步说明：

用于实施的硬件环境是：Intel(R)Xeon(R),E5504,6GB RAM,2.0GHz，运行的软件环境是：Matlab R2012b，Windows 7。我们用Matlab R2014a软件实现了本发明提出的方法。采用公开数据库Caltech101(图2)和我们建立的航天器可见光图像数据库(图3)来分别进行验证。

本发明具体实施如下：

步骤1、提取所有航天器可见光训练样本图像的尺度旋转不变特征(SIFT)：对于每一个样本图像，首先构造图像尺度空间函数L(x,y,σ)：L(x,y,σ)＝G(x,y,σ)*I(x,y)，I(x,y)为样本图像，G(x,y,σ)是尺度可变高斯函数，σ为尺度因子，*为卷积运算；G(x,y,σ)定义为其次构造高斯差分函数D(x,y,σ)：D(x,y,σ)＝L(x,y,kσ)-L(x,y,σ)，在尺度空间中，比较每个采样点与其同尺度的8个相邻点以及上下相邻尺度对应的18个相邻点的大小，取最大或最小值的极值点为候选特征点。将高斯差分函数D(x,y,σ)在尺度空间处进行泰勒公式展开：其中X＝(x,y,σ)^T；对上式求导并令其为零，求解方程找到满足其条件的候选特征点 求该候选特征点处的尺度空间函数若则保留该候选特征点，否则丢弃该候选特征点。计算候选特征点处的Hessian矩阵求出矩阵H的行列式Det(H)及对角线元素之和Tr(H)；由公式计算每个候选特征点的若小于r＝10时的值，则保留该候选特征点，否则丢弃该候选特征点。经过上述过程保留下的候选特征点为最终的特征点。计算每一个特征点的梯度模值m(x,y)和方向θ(x,y)：

θ(x,y)＝tan^-1(L(x,y+1)-L(x,y-1))/(L(x+1,y)-L(x,y-1))

采用梯度直方图统计方法为特征点分配方向，在以特征点为圆心，1.5σ为半径的圆形区域内计算特征点邻域窗口的梯度值并进行统计，其范围为0～360°，每10°为一个单元；定义特征点的主方向为直方图的峰值处，同时，对于存在次峰值为主峰值的80％以上的情况，增加与原特征点具有相同位置和尺度的特征点，将符合条件的次峰值作为其方向；将特征点的邻域由θ°旋转至0°，θ°为特征点的方向，以保证旋转的不变性；在旋转后的图像中，以特征点为圆心，选取16×16的邻域窗口，把该16×16的矩形窗口分为16个4×4的不重叠子区域，计算每个子区域中8个方向(0°,45°，90°,135°,180°,225°,270°,315°)的梯度累加值，最后生成特征点描述子。至此，便获得了图像完整的尺度旋转不变特征。

步骤2、用训练样本的尺度旋转不变特征(SIFT)训练稀疏字典：训练样本由步骤1得到的SIFT特征记为X，其维度为D维，即X＝[x₁,…,x_m]^T∈R^M×D；对于得到的SIFT特征X，通过下式训练稀疏字典：

其中|u_m|是u_m的L₁范数，即u_m的每个元素的绝对值总和；||·||表示L₂范数。通过优化求解上式得到的V即为训练得到的字典，同时得到稀疏系数U。

步骤3、空间金字塔匹配：对于步骤2中求得的特征在稀疏字典上的稀疏编码U，用池函数F计算图像特征：z＝F(U)，其中F选择系数L₁范数最大的池函数：z_j＝max{|u_1j|,|u_2j|,...,|u_2M|}，其中z_j为Z中第j个元素，u_ij为U中第i行第j列的矩阵元素；

步骤4、使用线性支持向量机进行分类：上述n个训练样本图像，每个样本所属类别为y_i，由上述3个步骤分别得到每个样本在稀疏字典上的特征z_i，组成训练样本数据学习线性函数{W_c ^Tz|c∈y}，通过求解无约束凸优化问题：其中当y_i＝c时y_i ^c＝1，否则，y_i ^c＝-1；其中l(W_c；y_i ^c,z_i)为铰链损失函数；采用可微分的二次铰链损失函数：l(W_c；y_i ^c,z_i)＝[max(0,W_c ^Tz·y_i ^c-1)]²；通过线性地扫描训练样本，采用基于梯度的最优化方法训练分类器。对于一个测试样本Z，计算则结果y即为该样本的分类结果。

为进一步说明该航天器分类算法的性能，分别采用Caltech101和航天器可见光图像两个数据库进行验证。从Caltech101数据库分别随机选择3类，5类，7类，10类进行实验。航天器可见光图像数据库分别随机选择3类，5类，7类进行实验，其中包含训练样本和测试样本两部分，训练样本分别选择15和30幅图像。通过计算多次实验的算术平均值来验证分类效果。结果如下表1和表2所示。可以看出，本方法对航天器可见光图像的平均分类准确率在90％以上。

表1训练样本数15个

表2训练样本数30个

Claims (1)

1.一种航天器可见光图像分类方法，其特征在于步骤如下：

步骤1、提取航天器可见光图像的尺度旋转不变特征SIFT：

(1)首先构造图像尺度空间函数L(x,y,σ)：L(x,y,σ)＝G(x,y,σ)*I(x,y)，I(x,y)为输入图像，G(x,y,σ)是尺度可变高斯函数，σ为尺度因子，*为卷积运算；G(x,y,σ)定义为

(2)构造高斯差分函数D(x,y,σ)：D(x,y,σ)＝L(x,y,kσ)-L(x,y,σ)，在尺度空间中，比较每个采样点与其同尺度的8个相邻点以及上下相邻尺度对应的18个相邻点的大小，取最大或最小值的极值点为候选特征点；

(3)将高斯差分函数D(x,y,σ)在尺度空间处进行泰勒公式展开：

其中X＝(x,y,σ)^T；对上式求导并令其为零，求解方程找到满足其条件的候选特征点 求该候选特征点处的尺度空间函数若则保留该候选特征点，否则丢弃该候选特征点；

(4)计算候选特征点处的Hessian矩阵求出矩阵H的行列式Det(H)及对角线元素之和Tr(H)；由公式计算每个候选特征点的若小于r＝10时的值，则保留该候选特征点，否则丢弃该候选特征点；

经过上述过程保留下的候选特征点为最终的特征点；

(5)计算每一个特征点的梯度模值m(x,y)和方向θ(x,y)：

$m(x,y)=\sqrt{{\left(L\right(x+1,y)-L(x-1,y\left)\right)}^2+\left(L\right(x,y+1)-L{(x,y-1)}^2)}$

θ(x,y)＝tan^-1(L(x,y+1)-L(x,y-1))/(L(x+1,y)-L(x,y-1))

采用梯度直方图统计方法为特征点分配方向，在以特征点为圆心，1.5σ为半径的圆形区域内计算特征点邻域窗口的梯度值并进行统计，其范围为0～360°，每10°为一个单元；定义特征点的主方向为直方图的峰值处，同时，对于存在次峰值为主峰值的80％以上的情况，增加与原特征点具有相同位置和尺度的特征点，将符合条件的次峰值作为其方向；

(6)将特征点的邻域由θ°旋转至0°，θ°为特征点的方向，以保证旋转的不变性；在旋转后的图像中，以特征点为圆心，选取16×16的邻域窗口，把该16×16的矩形窗口分为16个4×4的不重叠子区域，计算每个子区域中8个方向(0°,45°，90°,135°,180°,225°,270°,315°)的梯度累加值，最后生成特征点描述子。至此，便获得了图像完整的尺度旋转不变特征；

步骤2、训练稀疏字典：步骤1得到的SIFT特征记为X，其维度为D维，即X＝[x₁,…,x_m]^T∈R^M×D；对于得到的SIFT特征X，通过下式训练稀疏字典：

$\underset{U,V}{min}\underset{m=1}{\overset{M}{\Σ}}\underset{k=1...K}{min}\left|\right|x_m-u_{m}V|{|}^2+\mathrm{\λ}|u_m|,|\left|v_k\right||\≤1,\∀k=1,2,...,k$

其中|u_m|是u_m的L₁范数，即u_m的每个元素的绝对值总和；||·||表示L₂范数。通过优化求解上式得到的V即为训练得到的字典，同时得到稀疏系数U；

步骤3、空间金字塔匹配：对于步骤2中求得的特征在稀疏字典上的稀疏编码U，用池函数F计算图像特征：z＝F(U)，其中F选择系数L₁范数最大的池函数：

z_j＝max{|u_1j|,|u_2j|,...,|u_2M|}，其中z_j为Z中第j个元素，u_ij为U中第i行第j列的矩阵元素；

步骤4、使用线性支持向量机进行分类：给定n个训练样本图像，每个样本所属类别为y_i，由上述3个步骤分别得到每个样本在稀疏字典上的特征z_i，组成训练样本数据y_i∈y＝{1,...,L}；学习线性函数{W_c ^Tz|c∈y}，通过求解无约束凸优化问题：其中当y_i＝c时y_i ^c＝1，否则，y_i ^c＝-1；其中l(W_c；y_i ^c,z_i)为铰链损失函数；采用可微分的二次铰链损失函数：l(W_c；y_i ^c,z_i)＝[max(0,W_c ^Tz·y_i ^c-1)]²；通过线性地扫描训练样本，采用基于梯度的最优化方法训练分类器。对于一个测试样本Z，计算则结果y即为该样本的分类结果。