CN106709523A - 一种基于s‑hog特征的光学遥感图像船识别方法 - Google Patents

Abstract

本发明提供了一种基于S‑HOG特征的光学遥感图像船识别方法，能够解决现有的船识别技术中特征维数多，算法复杂度高所带来的弊端，提高船识别的精度。本发明采用的S‑HOG特征只有24维特征，相比于传统的上百维度的HOG特征来说，大大降低了特征维数，减少了计算复杂度。本发明采用的S‑HOG特征，船目标在转正后，边缘及内部的梯度角主要分布在0度左右和180度左右，而其他目标的梯度角分布并无规律。因此，利用SVM分类器，这一特征能够较好的将船与其他虚警目标分离开来。本发明采用的平滑滤波，利用象素间的空间关系及灰度相似性进行均匀滤波处理，能够减小船目标内部纹理信息的差异性，将背景与目标更容易区分开。

Description

一种基于S-HOG特征的光学遥感图像船识别方法

技术领域

本发明涉及图像识别技术领域，具体涉及一种基于S-HOG(Ship-HOG，船目标-方向梯度直方图)特征的光学遥感图像船识别方法。

背景技术

船目标识别是计算机视觉和模式识别关注的重要问题，其在精确制导、海上交通管理、反恐、搜救等军事和民用领域具有十分重要的意义。对于大视场下的光学遥感图像船检测结果中存在大量虚警的问题，单纯依靠人工目视判读来获取船目标信息的传统方式，由于效率低、主观性强、成本高、信息获取周期长等缺陷，已远远不能满足现代社会对高效信息的需求。如何快速准确地从海量遥感数据中自动提取和识别出船目标已成为当前迫切需要解决的难题。

传统的HOG特征光学遥感图像船识别方法计算复杂，计算量大，特征维数高且存在冗余，容易降低识别正确率和识别速度。导致大量云和噪声干扰以及岩石岛屿等海面虚假目标难以和真实的目标区分开来。

发明内容

有鉴于此，本发明提供了一种基于S-HOG特征的光学遥感图像船识别方法，能够解决现有的船识别技术中特征维数多，算法复杂度高所带来的弊端，提高船识别的精度。

本发明是通过以下技术方案来实现的：

步骤1，对目标切片数据进行平滑滤波；

步骤2，对平滑滤波后的图像进行分割，得到二值图；

步骤3，目标切片转正：

对分割得到二值图进行“4”连通区域标记，获得标记区域的面积，二值图中面积最大的连通区域，称为最大连通区域；

将最大连通区域按一个方向依次旋转，每次旋转1度，共旋转180次，计算每次旋转后最大连通区域的最小外接矩形面积，180个最小外接矩形面积的最小值所对应的旋转角度为θ，将目标切片数据原图按该方向旋转θ角度，实现目标切片的转正；

步骤4，计算梯度方向：

在切片转正的基础上，分别计算目标的在X方向和Y方向的梯度值，并计算每个像素点的梯度方向角；

步骤5，S-HOG特征提取及归一化：

步骤5.1，以船心为中心，将切片所在的圆周面平均分成8个角度区间，0°方向与船身方向垂直，8个角度区间分别为：[337.5°～22.5°)，[22.5°～67.5°)，[67.5°～112.5°)，[112.5°～157.5°)，[157.5°～202.5°)，[202.5°～247.5°)，[247.5°～292.5°)和[292.5°～337.5°)；

步骤5.2，将船分为三部分，包括船身上半部分B1，船身下半部分B2和船身整体B3，依据各个像素点的梯度方向角，分别统计B1、B2和B3中属于各角度区间的像素点个数，完成B1、B2和B3的S-HOG特征提取；

步骤5.3，采用L2范数分别对B1、B2和B3在8个区间的像素点个数进行归一化，得到B1、B2和B3对应的归一化向量，将这三个归一化向量进行堆叠，得到堆叠后的S-HOG特征向量；

步骤6，船目标识别：

采用SVM算法对步骤5得到的堆叠后的S-HOG特征向量进行识别，完成船目标的分类识别。

所述步骤1具体为：

对目标切片进行滑窗内的平滑滤波，以切片数据的左上角为滑窗起点，L×L的正方形滑窗在光学遥感目标切片数据中进行水平和竖直方向的步进，滑窗步进量为1；对于一个L×L的正方形滑窗，对应的平滑滤波公式如下：

I_f(i)代表L×L的正方形滑窗内象素i滤波后的灰度值强度，I(i)代表L×L的正方形滑窗象素i的原始灰度值，λ是平衡滤波光滑性的因子，其中ω_i,j为L×L的正方形滑窗内数据之间的相似性权重；

L×L的正方形滑窗内数据之间的相似性权重ω_i,j表达式为:

I(i)代表L×L的正方形滑窗象素i的原始灰度值，I(j)代表L×L的正方形滑窗象素j的原始灰度值；P(i)代表L×L的正方形滑窗象素i的位置，P(j)代表L×L的正方形滑窗象素j的位置；γ_c代表滤波后的灰度值强度控制因子，γ_p代表正方形滑窗象素i与正方形滑窗象素j的空间距离控制因子；Z_i为归一化因子，确保∑_i,j∈Ωω_ij＝1，其中Ω代表L×L的数据空间。

所述步骤2采用Otsu分割算法对平滑滤波后的图像进行分割。

所述步骤3的旋转公式如下：

其中，x,y为像素坐标，每次旋转1度，cosθ＝cos1°＝0.9998，sinθ＝sin1°＝0.0175，每旋转一次，获得旋转后目标区域的行最小值x_min、行最大值x_max、列最小值y_min、列最大值y_max，存储在XYBorad，得到该角度下的最小外接矩形的面积，考虑到对称的原因，共旋转180度，180个角度下最小外接矩形的面积的最小值即为最终外接矩形的面积，最终外接矩形的面积所对应的旋转角度为θ。

有益效果：

(1)本发明采用的S-HOG特征只有24维特征，相比于传统的上百维度的HOG特征来说，大大降低了特征维数，减少了计算复杂度。

(2)本发明采用的S-HOG特征，船目标在转正后，边缘及内部的梯度角主要分布在0度左右和180度左右，而其他目标的梯度角分布并无规律。因此，利用SVM分类器，这一特征能够较好的将船与其他虚警目标分离开来。

(3)本发明采用的匀质滤波，利用象素间的空间关系及灰度相似性进行均匀滤波处理，能够减小船目标内部纹理信息的差异性，将背景与目标更容易区分开，能够解决现有技术中只利用简单的分割算法对船目标切片进行分割所带来的弊端。

附图说明

图1为本发明提供的一种基于S-HOG特征的光学遥感图像船识别方法的流程图。

图2为S-HOG描述子，其中图2(a)为方向梯度角划分，图2(b)为船划分的B1、B2和B3三部分。

图3为3个不同类型船的B1、B2和B3的S-HOG特征，横坐标为8个角度区间，纵坐标为归一化的像素点个数。

具体实施方式

解决背景技术所提出问题的一个方法就提取目标切片的S-HOG。但是在进行特征提取之前需要进行分割，但是单纯的分割算法又难以达到理想的分割效果，因此，采用L×L的正方形在船目标切片中进行水平和竖直方向的步进，对目标进行平滑滤波，然后再利用Otsu分割算法对滤波后的图像进行分割，将目标较好的分割出来。在提取S-HOG特征时，由于梯度方向角覆盖0～360°，故将梯度角划分为8个区间进行梯度角统计，最后采用分类器对目标的S-HOG特征进行分类识别，在本发明中，X方向是指图像的水平方向，Y方向是指图像的竖直方向。本发明提供了一种基于S-HOG特征的光学遥感图像船识别方法，下面结合附图并举实施例，对本发明进行详细描述。

本发明的方法，包括：

步骤1，对目标切片数据进行平滑滤波：

步骤1.1，读入光学遥感图像目标的切片数据，并对目标切片数据进行匀质滤波；所述的匀质滤波首先采用L×L的正方形滑窗在光学遥感目标切片数据中进行水平和竖直方向的步进，切片数据的左上角为滑窗起点，滑窗步进量为1；L×L的正方形滑窗内数据之间的相似性权重ω_i,j表达式为:

I(i)代表L×L的正方形滑窗象素i的原始灰度值，I(j)代表L×L的正方形滑窗象素j的原始灰度值；P(i)代表L×L的正方形滑窗象素i的位置，P(j)代表L×L的正方形滑窗象素j的位置；γ_c代表滤波后的灰度值强度控制因子，γ_p代表正方形滑窗象素i与正方形滑窗象素j的空间距离控制因子；Z_i为归一化因子，确保Σ_i,j∈Ωω_ij＝1，其中Ω代表L×L的数据空间；

步骤1.2，利用公式(1)得到的相似性权重ω_i,j，包括空间相似性和灰度相似性，对于一个L×L的正方形滑窗，对应的平滑滤波公式如下：

I_f(i)代表L×L的正方形滑窗内象素i滤波后的强度值，λ是平衡滤波光滑性的因子；

步骤2，对平滑滤波后的图像进行分割，得到二值图：

考虑到滤波后的图像中船目标内部平滑，且一般比海面背景亮，这里采用Otsu分割算法，能快速、精确的将船目标从背景中分割出来。

步骤3，目标切片转正：

对分割得到二值图进行“4”连通区域标记，获得标记区域的面积，二值图中面积最大的连通区域，称为最大连通区域。

将最大连通区域按一个方向(顺时针或逆时针)依次旋转，每次旋转1度，考虑到对称，共旋转180次，计算每次旋转后最大连通区域的最小外接矩形面积，180个最小外接矩形面积的最小值所对应的旋转角度为θ，θ对应的目标旋转后的位置即为目标转正后的位置，将目标切片数据原图按该方向旋转θ角度，实现目标切片的转正，旋转公式如下：

每次旋转1度，即cosθ＝0.9998，sinθ＝0.0175，每旋转一次，获得旋转后目标区域的行最小值x_min、行最大值x_max、列最小值y_min、列最大值y_max，存储在XYBorad，得到该角度下的最小外接矩形的面积。考虑到对称的原因，共旋转180度，180个角度下最小外接矩形的面积的最小值即为最终外接矩形的面积，最终外接矩形的面积所对应的旋转角度为θ；

步骤4，计算梯度方向：

在切片转正的基础上，分别计算目标的在X方向和Y方向的梯度值，并计算每个像素点的梯度方向角：X,Y方向的梯度计算如下所示：

其方向梯度角如下式：

θ(x,y)＝arctan(G_x(x,y)/G_y(x,y)) (6)

步骤5，S-HOG特征提取及归一化：

以船心为中心，将切片所在的圆周面平均分成8个区间，分别统计船身上半部分B₁，船身下半部分B₂和船身整体B₃在8个角度区间的方向梯度角。提取船的B1、B2、B3提的特征后，分别对其采用L2范数进行归一化。

步骤5.1，以船心为中心，将切片所在的圆周面平均分成8个区间，0°方向与船身方向垂直，8个角度区间分别为：[337.5°～22.5°)，[22.5°～67.5°)，[67.5°～112.5°)，[112.5°～157.5°)，[157.5°～202.5°)，[202.5°～247.5°)，[247.5°～292.5°)和[292.5°～337.5°)，依次记为1D，2D，3D，4D，5D，6D，7D，8D；

步骤5.2，将船分为三部分，如图2(b)所示，包括船身上半部分B1，船身下半部分B2和船身整体B3，依据各个像素点的梯度方向角，分别统计B1、B2和B3中属于各角度区间的像素点个数，完成B1、B2和B3的S-HOG特征提取；

步骤5.3，采用L2范数分别对B1、B2和B3在8个区间的像素点个数进行归一化，得到B1、B2和B3对应的8维归一化向量，将这三个8维的归一化向量首尾进行堆叠，得到一个24维的S-HOG特征向量；如图3所示，不同类型船的B1、B2和B3的S-HOG特征，船目标在归一化S-HOG特征中表现出特有的分布特性，不同角度区间对应的像素点个数不同；

步骤6，船目标识别：

采用SVM算法对步骤5得到的堆叠后的S-HOG特征向量进行识别，从而完成船目标的分类识别。

综上所述，以上仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (4)

1.一种基于S-HOG特征的光学遥感图像船识别方法，其特征在于，包括：

步骤1，对目标切片数据进行平滑滤波；

步骤2，对平滑滤波后的图像进行分割，得到二值图；

步骤3，目标切片转正：

对分割得到二值图进行“4”连通区域标记，获得标记区域的面积，二值图中面积最大的连通区域，称为最大连通区域；

将最大连通区域按一个方向依次旋转，每次旋转1度，共旋转180次，计算每次旋转后最大连通区域的最小外接矩形面积，180个最小外接矩形面积的最小值所对应的旋转角度为θ，将目标切片数据原图按该方向旋转θ角度，实现目标切片的转正；

步骤4，计算梯度方向：

在切片转正的基础上，分别计算目标在X方向和Y方向的梯度值，并计算每个像素点的梯度方向角；

步骤5，S-HOG特征提取及归一化：

步骤5.1，以船心为中心，将切片所在的圆周面平均分成8个角度区间，0°方向与船身方向垂直，8个角度区间分别为：[337.5°～22.5°)，[22.5°～67.5°)，[67.5°～112.5°)，[112.5°～157.5°)，[157.5°～202.5°)，[202.5°～247.5°)，[247.5°～292.5°)和[292.5°～337.5°)；

步骤5.2，将船分为三部分，包括船身上半部分B1，船身下半部分B2和船身整体B3，依据各个像素点的梯度方向角，分别统计B1、B2和B3中属于各角度区间的像素点个数，完成B1、B2和B3的S-HOG特征提取；

步骤5.3，采用L2范数分别对B1、B2和B3在8个区间的像素点个数进行归一化，得到B1、B2和B3对应的归一化向量，将这三个归一化向量进行堆叠，得到堆叠后的S-HOG特征向量；

步骤6，船目标识别：

采用SVM算法对步骤5得到的堆叠后的S-HOG特征向量进行识别，完成船目标的分类识别。

2.如权利要求1所述的一种基于S-HOG特征的光学遥感图像船识别方法，其特征在于，所述步骤1具体为：

对目标切片进行滑窗内的平滑滤波，以切片数据的左上角为滑窗起点，L×L的正方形滑窗在光学遥感目标切片数据中进行水平和竖直方向的步进，滑窗步进量为1；对于一个L×L的正方形滑窗，对应的平滑滤波公式如下：

$\arg \underset{I_f}{\min }\underset{i=1}{\overset{n}{\Σ}}{\left(I_f\right(i)-I(i\left)\right)}^2+\mathrm{\λ}\underset{i=1}{\overset{n}{\Σ}}\underset{j\∈\mathrm{\Ω}}{\Σ}{\mathrm{\ω}}_{i,j}{\left(I_f\right(i)-I(i\left)\right)}^2---\left(1\right)$

I_f(i)代表L×L的正方形滑窗内象素i滤波后的灰度值强度，I(i)代表L×L的正方形滑窗象素i的原始灰度值，λ是平衡滤波光滑性的因子，其中ω_i,j为L×L的正方形滑窗内数据之间的相似性权重；

L×L的正方形滑窗内数据之间的相似性权重ω_i,j表达式为:

${\mathrm{\ω}}_{i,j}=\frac{1}{Z_i}\exp (-\frac{\left|\right|I\left(i\right)-I\left(j\right)|{|}^2}{2{\mathrm{\γ}}_c^2})\exp (-\frac{\left|\right|P\left(i\right)-P\left(j\right)|{|}^2}{2{\mathrm{\γ}}_P^2})---\left(2\right)$

I(i)代表L×L的正方形滑窗象素i的原始灰度值，I(j)代表L×L的正方形滑窗象素j的原始灰度值；P(i)代表L×L的正方形滑窗象素i的位置，P(j)代表L×L的正方形滑窗象素j的位置；γ_c代表滤波后的灰度值强度控制因子，γ_p代表正方形滑窗象素i与正方形滑窗象素j的空间距离控制因子；Z_i为归一化因子，确保∑_i,j∈Ωω_ij＝1，其中Ω代表L×L的数据空间。

3.如权利要求1所述的一种基于S-HOG特征的光学遥感图像船识别方法，其特征在于，所述步骤2采用Otsu分割算法对平滑滤波后的图像进行分割。

4.如权利要求1所述的一种基于S-HOG特征的光学遥感图像船识别方法，其特征在于，所述步骤3的旋转公式如下：

$\left\{\begin{array}{c}x=x\·cos\mathrm{\θ}-y\·sin\mathrm{\θ}\\ y=x\·sin\mathrm{\θ}+y\·\cos \mathrm{\θ}\end{array}\right.---\left(3\right)$

其中，x,y为像素坐标，每次旋转1度，cosθ＝cos1°＝0.9998，sinθ＝sin1°＝0.0175，每旋转一次，获得旋转后目标区域的行最小值x_min、行最大值x_max、列最小值y_min、列最大值y_max，存储在XYBorad，得到该角度下的最小外接矩形的面积，考虑到对称的原因，共旋转180度，180个角度下最小外接矩形的面积的最小值即为最终外接矩形的面积，最终外接矩形的面积所对应的旋转角度为θ。