基于可见光图像的地面飞机目标识别.docx

基于可见光图像的地面飞机目标识别.docx

《基于可见光图像的地面飞机目标识别.docx》由会员分享，可在线阅读，更多相关《基于可见光图像的地面飞机目标识别.docx（96页珍藏版）》请在冰豆网上搜索。

基于可见光图像的地面飞机目标识别

摘要

遥感科学是随着现代科学技术的进步而发展起来的一门新兴学科，现已广泛应用于农业、林业、水利、气象、测绘、地质勘探、环境监测以及军事侦查等领域，并取得了很好的经济效益和社会效益。

其中，从可见光遥感图像中自动获取有用信息一直是军事侦查领域的重要课题。

在高技术条件下的局部战争中，飞机发挥着十分重要的作用，高效快速的飞机目标识别算法有利于作战指挥员实时把握敌方动态、进行分析决策进而赢得战争的胜利。

因此，飞机目标的识别研究在军事应用上意义重大。

本文研究了可见光图像中地面飞机目标的识别算法。

其中包括可见光图像的预处理和目标图像的区域分割，目标区域的特征选取和提取以及目标识别三个方面。

在可见光图像的预处理和目标图像的区域分割方面，本文提出了基于模糊差影法的自适应阈值分割算法进行图像分割。

在特征选取和提取算法的研究方面，提出了目标区域所占面积比这一特征量，并采用该特征量和紧凑度、七阶Hu不变矩对分割后的飞机目标区域进行了分析，消除了目标位置、方向、大小等对特征提取的干扰。

最后，利用模糊模式识别算法进行飞机目标的识别，并标记出目标飞机。

用本文提出的算法对搜集到的100畐图像进行处理，实验结果表明，识别率可达85%以上。

本文提出了基于模糊差影法的自适应阈值分割算法，并在识别过程中提出了目标区域所占面积比这一特征量，实现了可见光遥感图像中飞机目标的自动识别，并取得了较好的效果。

关键词：

可见光图像；图像分割；目标特征提取；模糊模式识别

AircraftOngroundRecognitionFromVisibleImages

Abstract

Remotesensingisanewlyacademicdisciplinewhichdevelopswithmodernscieneeandtechnology.Nowitiswidelyappliedtothefieldsofagriculture,forestry,waterconservancy,weather,measurementandmapping,thegeologyexploration,environmentmonitorandmilitaryinvestigationandsoon,andithasobtainedgoodeconomicbenefitsandsocialefficiency.Asisknowntoall,itisimportanttoobtainusefulinformationautomaticallyfromvisualimagesinthefieldofmilitaryinvestigation.Inthelocalwarunderthehightechniqueconditions,aircraftisofgreatimportanee.Theefficientandhighrapidalgorithmsofairplanetargetrecognitionhaveagreatadvantageforchiefofficerstoobtaininformationfromenemyandthuswinthewar.Therefore,theresearchofaircrafttargetrecognitionisofgreatsignificanceinmilitaryaffairs.

Inthispaper,methodsofaircraftrecognitionofvisibleimagesarediscussedJmagepreprocessedandimagesegment,targetcharacteristicextractionandairplanetargetrecognitionareincluded.Intheaspectofpreprocessedandimagesegment,faintnessdifferenceandadaptivethresholdvaluemeansareusedtodistilltargetsection.Intheaspectoftargetcharacteristicextraction,H'seventhorderinvariantmomentcompactnessandsquarerateareusedtoanalyzethetargetsectionaftersegment.Atlast,weusefuzzypatternrecognitiontorecognizetheairplane.

Inthispaper,faintnessdifferenceandadaptivethresholdvaluemeansandtargetsquarerateareputforwardandaircraftsinvisibleimagescanberecognitionautomatically.

KeyWords：

visibleimages;imagesegment;characteristicextraction;fuzzypatternrecognition

摘要1

Abstract2

引言错•误.!

…未定义书签。

1绪论2

1.1课题意义2

1.2课题研究现状2

1.2.1国外研究现状3

1.2.2国内研究现状4

1.3课题主要工作5

1.3.1本课题主要研究内容5

1.3.2本课题预期达到的目的5

2可见光图像中地面飞机目标自动识别程序的设计6

2.1程序总体框架6

2.1.1图像输入部分6

2.1.2图像分割和提取部分6

2.1.3图像飞机目标特征选取和提取部分6

2.1.4飞机目标识别部分6

3可见光图像获取8

3.1飞机目标图像获取8

3.2GoogleEarth8

3.3图像采集结果8

4地面飞机目标区域提取和分割10

4.1概述10

4.2阈值分割法11

421直方图阈值双峰法11

4.2.2迭代阈值法分割技术12

4.2.3改进的阈值分割法13

4.2.4实验结果18

5地面飞机目标特征选取和提取22

5.1概述22

5.2七阶Hu不变矩23

5.3紧凑度25

5.4目标所占区域面积比例26

6地面飞机目标识别27

6.1概述27

6.2模糊模式识别28

6.3实验结果28

6.4识别效果评价32

结论34

参考文献36

附录A翻译原文38

附录B翻译译文47

附录C程序清单64

在学取得成果70

致谢71

引言

利用可见光图像进行飞机目标识别在军用和民用领域中具有重要的研究价值和应用价值，尤其在现代高技术战争中，研究可见光图像飞机目标的自动识别算法显得更加重要。

目前国内外已经开展了大量飞机识别方面的研究，通过提取飞机的目标特征和建立相应的数据库，实现对飞机的识别。

本文主要研究自动、快速地从大量的图像中识别飞机目标，从而减少判读时间，提高信息获取的效率。

在可见光图像的预处理和飞机目标图像区域分割方面，重点分析和比较了直方图阈值双峰法、迭代阈值分割法、和基于模糊差影法的自适应阈值分割法这三种阈值分割方法，提出了基于模糊差影法的改进自适应阈值分割算法作为图像分割方法。

根据可见光图像中飞机目标的特点以及人工判读原理，在特征选取和提取方法的研究方面，为了消除目标位置、方向、大小等对特征提取的影响，本文提出了目标区域所占面积比这一特征量，并利用该特征量以及紧凑度、七阶Hu不变矩对分割后的飞机目标区域进行了特征提取。

最后，利用模糊模式识别法对满足各种特征量与模板飞机相似的飞机进行标记，找出可见光图像中的飞机并且用红色方框将图像中的飞机目标标记出来。

1绪论

本章主要介绍课题的研究意义，研究现状，以及本人在课题研究中所作的工作，对全文的章节安排做了简要的说明。

1.1课题意义

飞机作为重要的军事目标，在高科技技术背景下的战争中发挥着相当重要的作用。

高水平的战术侦察需要运用计算机智能控制的方法和手段，将航空侦察到的可见光图像实时传输并输入计算机，由计算机自动采集并进行图像处理，如图像增强、提取边缘、去除噪声等预处理过程，提取各种有效的目标特征并确定目标的坐标，最后由计算机进行智能判读。

从而提高航空侦察系统的自动化水平⑴。

因此，利用计算机技术建立军事目标自动识别系统对航空侦察实时图像或航空侦察后冲洗的照片进行处理，在计算机上快速、可靠地检测出目标，进行遥感图像的军事目标自动识别，将判读人员从枯燥的工作中解脱出来，将会对于提高未来战争的情报分析、目标识别定位以及战场形势评估的速度，提高情报的时效性和准确率，提高快速、准确的军事情报的提供能力和作战效能具有十分重要的意义［2-4］。

本文针对这一军事应用的需求，对可见光图像中的地面飞机目标的识别算法进行了研究，该项研究是自动目标识别技术的一个具体应用，对于充实和发展自动目标识别算法具有重要的意义。

1.2课题研究现状

图像目标识别就是利用从图像中提取到的目标特征，实现对目标的检测，定位和分类。

通常，分类是在有监督的条件下进行的，也就是用模型匹配的方法实现的。

因此，图像识别系统主要分两大板块：

第一，建立目标的参数模型；第二，依据参数模型对待识别图像进行分析，理解从而解译出图像中所包含的目标信息。

就识别过程而言，可分为图像的预处理，图像的特征提取，对检测出的目标图像分类识别。

图像拍摄的过程是随机的，在拍摄的过程中会由于气候条件、拍摄系统的原因加入一些噪声，并且在成像的过程会产生一些几何畸变，另外，每次拍摄到的目标图像的几何位置、形状会不完全相同。

所以要实现图像目标的识别，就要求寻找目标图像在上述变化过程中能够保持恒定不变或受这些变化影响不大的某些特征参数来建立该类目标的表述模型。

建立了具有不变性特征的目标图像的表述模型后就能实现图像目标有效识别。

目前，人们用于建立图像目标表述模型的表述特征主要有以下几类：

1.矩不变量。

采用目标区域的矩不变量特征来实现飞机的识别，其优点在于矩不变量不受目标模型和它的观测图像之间旋转、平移和尺寸缩放的影响。

可以用它来解决各种物体识别问题，如不同类型的飞机识别及舰船识别等。

2.傅立叶描述子。

在这种方法中，目标图像平面中的封闭的轮廓形状用傅立叶描述子（FD）来表示。

FD的原理如下：

封闭的平面图形的边界能够用某些变量的函数来表示。

重复这一过程就可以获得一个周期函数，该函数可用傅氏系数序列来表示。

这个序列就是平面图形的傅立叶描述子。

采用不同的归一化过程可以获得相对初始点的选取以及旋转，平移和尺寸缩放不变的不变量。

3.几何不变量。

几何不变量具有不随视点改变的性质，因此在近年来的计算机视觉领域越来越受重视。

人们通常采用的几何不变量包括代数不变量，微分不变量。

这两类不变量已被用于简单的平面目标的识别。

依据模型进行识别的方法可分为层次法和非层次方法两类：

非层次的方法在由目标表述特征组成的空间中，用线性或非线性函数将目标集分离开来。

当目标类数较少时，由于它综合考虑了目标模型中的各个特征，能保证准确可靠的识别；当目标类数比较多时，它的计算量和误判率将会显著增加。

层次的方法则是根据一定的准则，选用一个或几个特征实施逐级分类，它可以获得较快的分类速度和合适的正确识别率，特别适合目标类数较多的情况。

但是当目标类数多而特征数相对少的情况下，由于每一层只用较少的特征，仍然可能出现错误识别⑸。

1.2.1国外研究现状

在军事目标的识别与定位的研究领域中，美国和俄罗斯走在了世界的前面。

在他们的军事指挥自动化系统中，军事目标识别与定位技术始终构成其重要的一环。

例如，美军基于遥感图像的军事目标情报分析和评估方法早已与巡航导弹的整体发射和作战飞机的远程攻击保障体系融为一体，并且随着图像获取手段和分析处理技术的发展以及计算机技术的进步而日趋完善。

实战应用也证明了此类系统所起的重要作用。

例如在海湾战争中，原美国国防部制图局（DMA）利用KH—11间谍卫星的高分辨率红外图像、航天

SAR、SPOTTM图像以及军用飞机提供的侦察图像对战区各类军事目标和战局发展进行实时监测分析，并将数据及时传输给执行持续攻击任务的导弹和飞机。

在1995年秋

季美军对波黑塞族的巡航导弹攻击中，也是利用卫星和飞机的侦察图像精确评估数以百计的军事目标的破坏程度，并在分析评估中开始借助高性能商用软件系（ARC/INFO，ERDAS）；在1999年北约对南联盟持续78天的大规模空袭中，美军的这类系统的技术水平更是达到了新的高度。

这首先表现在目标分析数据源方面，最显著的特点是将多种航天和遥感图像数据复合应用以构成对目标的全天候和全方位监视。

其中，航天数据以“长曲棍球”雷达卫星和改进的KH系列间谍卫星图像为主；航空数据则主要源于TR-1、U-2、RC-135等专用侦察机。

美国的西方盟国也为此提供了多种数据，例如，法国“太阳神”（Helios）1号侦察卫星和“幻影”IVP侦察飞机提供的图像，也为空袭效果评估起了积极作用。

其次，目标评估的计算机系统特别是软件系统的功能变得更加强大。

其主要特点，一是以自动识别为主、人机交互为辅的具有较高智能的图像特征识别系统已投入使用，这不仅使计算机处理和分析大容量图像数据的速度大为加快，还使系统可面向战场多区域和集群目标实施综合评估任务；二是在目标的评估和制图方面，既可联合或借助于战区军事地理信息系统的空间数据分析功能，又可充分利用相应成熟的商业软件系统，从而基本实现了这一环节的全自动化；三是随着战场三维场景虚拟软件的开发和应用，对目标识别效果更为生动、细致和逼真［6-9］。

具体的，S.A.Dudnai采用矩不变量作为特征，分别依Bayes准则和k—NN准则;A.P.Revees以傅立叶描述子作为特征；Cnohne则采用B样条拟合的方法进行了飞机的识别实验。

取得了一定的效果［10］。

1.2.2国内研究现状

目前，我国军内外在军事目标自动识别方面，利用多光谱、多时相的卫星遥感图像及目标的光谱特性对目标进行识别，主要是针对典型的军事目标（如桥梁、港口、机场等）。

在对军事目标的定位方面，也大多是一些算法的研究，离战争要求的实时性、准确性和可靠性等方面有一定的距离，特别是在军事目标的识别与定位的结合上，我国至今没有方法完善的应用系统我军领导层对遥感技术非常重视，也计划发射我们自己的卫星，但是对遥感图像的后处理技术仍然匾乏，某些地方甚至空白。

在对国外卫星的跟踪

方面，我国的技术相当不错，但是对跟踪得到的图像进行处理和分析技术仍显不够，比如在目标识别方面，在目标定位方面，在对这些图像的技术参数分析方面。

具体的，赵恒卓等采用线矩特征依模板匹配的方法实现了六类飞机目标的识别；曾刚等采用拐点特征依最小距离分类器实现了五类飞机目标的识别；王静等采用飞机的后掠角和翼展特性依据BP神经网络识别器对各类飞机图形如战斗机、轰炸机和运输机等进行了识别［10-11］。

1.3课题主要工作

1.3.1本课题主要研究内容

1）图像分割中对三种图像分割算法进行实验和对比，其中重点研究了模糊差影法与改进自适应阈值分割方法相结合来分割图像目标区域。

重点解决各种背景下可见光图像中的目标分割和提取。

2）目标特征提取中采用七阶Hu不变矩、紧凑度和目标区域面积比对目标区域进行遥感图像中的飞机目标的特征提取和识别，实现了目标特征不受飞机目标位置，尺寸和方向的限制。

3）采用模糊模板匹配法对目标区域进行筛选并将飞机目标进行标记，达到了很好的目标识别效果。

1.3.2本课题预期达到的目的

本课题针对可见光图像飞机目标自动识别的特殊性，在借鉴人类视觉系统和领域专家判读经验的基础上，以航空拍摄的机场内停泊的地面飞机数字图像为研究目标，建立一个以可见光图像为基本数据源的自动目标识别和智能判读算法。

该算法通过执行一系列图象分析任务，禾I」用一些独创性的方法，提取有效的目标特征，从可见光图像中检测出目标并确定目标位置，完成对地面飞机目标的自动提取和识别。

2可见光图像中地面飞机目标自动识别程序的设计

2.1程序总体框架

本程序的研究划分为四个子模块展开，程序的整体结构示于图2.1。

本程序实现了图像识别过程的各个阶段，包括图像输入、目标分割和提取、特征描述、目标定位等。

其中，目标定位子模块是本系统的核心部分，其余的三个子系统为本系统的基础和外围负责数据管理、信息分析处理和显示标图等一系列工作。

图2.1可将光图像飞机目标自动识别系统框图

2.1.1图像输入部分

实现对搜集到的各种格式的可见光图像的输入及显示，由于本文采用MATLAB进行图像处理，所以，本文所支持的文件格式有*.cur、*.bmp、*ico、*.jpg、*pcx、

*.png、*.tif、*.xwd等，为方便起见，本文将所有搜集到的图像都转化成*.jpg格式。

2.1.2图像分割和提取部分

对输入的可将光图像进行高斯模糊处理并采用模糊差影法与改进的自适应阈值分割相结合的方法对输入图像进行分割，目的是分割出感兴趣的目标区域。

在这部分中，本文还用了去除独立亮点、膨胀、连接像素点、去除小对象等算法对分割后的图像进行完善，为后期进一步识别地面飞机目标提供充足的信息。

2.1.3图像飞机目标特征选取和提取部分

对目标区域的各种特征比如七阶Hu不变矩、紧凑度、所占面积比例等特征进行描述，为后期的目标的识别及定位提供充足依据。

这些特征不受飞机目标尺寸、方位、位置的限制，具有良好的鲁棒性，为地面飞机目标的识别提供了方便。

2.1.4飞机目标识别部分

本文运用了模糊模板匹配法将与模板具有相似特征的目标筛选出来并对其进行标记。

运用模糊模板匹配法将与模板具有相似特征的目标筛选出来并对其进行标记。

本文具体的算法流程图如下2.1图所示:

图2.1详细算法流程图

3可见光图像获取

图像包括各式各样的形式，如可见图像和非可见图像；抽象图像和实际图像；适于和不适于计算机处理的图像，因此不同种类的图像大量存在于人类生活之中。

3.1飞机目标图像获取

可见光图像是指视觉系通过可以直接看到的图像，这也是大多数人在日常生活中所看到的和所理解的图像，这一类图像一般通过照相、手工绘制等传统方法获取，通常计算机不能直接处理，但经过数字化处理后可变为数字图像。

本文所使用的飞机目标图像是通过对GoogleEarth查看到的飞机照片进行截图得到的。

可想而知，本论文采用的照片完全来自各大机场。

3.2GoogleEarth

GoogleEarth又名谷歌地球，它是一款Google公司开发的虚拟地球仪软件，2005年正式向全球推出。

它把卫星照片、航空照相和GIS布置在一个地球的三维模型上。

其使用了公共领域的图片、受许可的航空照相图片、KeyHole间谍卫星的图片和很多其他卫星所拍摄的城镇照片，甚至提供GoogleMaps所没有的图片。

本文利用此工具搜索各大机场，并对搜集到的飞机目标进行了截图，进而获得了包含飞机目标的可见光图像。

3.3图像采集结果

本文采集了100多张图片，如下几张图为采集到的图像中的一部分。

「¥*七*弋**

」，•二4

JHV

二二二二

图3.1图库中的一部分图像

4地面飞机目标区域提取和分割

本节是飞机图像目标自动识别系统的前期处理部分，研究了遥感光学图像的预处理和飞机图像分割的方法。

4.1概述

从图像中检测目标，首先要求获得代表这些目标的低层次特征，这一任务称为“特征提取”。

在图像分析中，由于景物的几何或物理性质的突变，例如深度、反射率或表面方向的不连续等，总是以图像中灰度突变的形式（即边缘）表现出来，同时因为边缘检测过程可以在保留关于物体边界有用结构信息的同时极大地降低处理数据量，故基于边缘的图像分割的研究一直十分活跃，并已产生形态和性能各异的算法图像分割是从图像中提取有意义区域的过程，是图像处理、分析的一项基本内容，是一种解释图像的中层符号描述，一直得到人们的高度重视,至今已提出了上千种分割方法［13］。

图像分割就是按照一定的原则将一幅图像或是景物分为若干个特定的、具有独特性质的部分或子集，并提取出感兴趣的目标的技术和过程。

在对各种图像的研究应用中，人们往往仅对图像中的某部分感兴趣，这些部分常称为目标或前景（其他部分称为背景），它们往往一般对应图像中某些特定的、具有独特性质的区域。

这里的独特性可以是像素的灰度值、物体轮廓曲线、颜色、纹理等，也可以是空间频谱或直方图特征等。

在图像中用来表示某一物体的区域，其特征都是相近或相同的，但是不同物体的区域之间，特征就会急剧变化。

目标可以对应单个区域，也可以对应多个区域［14-15］。

为了辨识和分析目标，需要将它们分离提取出来，在此基础上才有可能进一步进行图像识别与理解。

目前图像分割研究中还没有通用的分割理论，每种方法各有一定的适用范围和优缺点。

图像分割是把图像中的目标分成许多感兴趣的区域，与图像中的物体目标相对应。

目前对于图像分割的方法有很多种，如文献中提到的基于过度区提取的图像分割法［17］，该类方法的基本思路是首先按照某种准则提取图像过渡区像素，然后使用过渡区像素的灰度均值或直方图峰值位置对应的灰度值作为分割阈值。

但此方法还有许多不完善的地方。

图像分割方法大体上有三类方法：

①基于像素的方法，②基于边界的方法，③基于区域的方法。

基于像素的方法即利用目标图像模型的目标图像像素点的提取，再将这一个个分散的目标图像象素点构成一个个目标区域，再用这些目标区域的外接矩形来表征它们。

基于边界的方法由于处理的象素数量相对较少，各象素点间的相邻关系也相对简单，所以处理起来的速度要比基于区域的方法快；但另一方面，由于基于边界的方法是从局部特性来求图像的整体分割，因此在全局宏观性质的考虑上不如基于区域的方法。

在实际的大量遥感影像中，目标在整幅图像中所占的比例往往是较小的，图像的大部分区域是背景，而且背景信息往往会比目标信息更复杂，若对整幅图像进行处理，会花费相当长的时间。

图像分割是预处理阶段最重要的环节，其效果将对识别结果产生很重要的影响，而不同的图像其目标和背景往往差异很大，分割算法也不尽相同［16］0

本文主要对几种阈值分割法进行了分析和比较。

4.2阈值分割法

阈值分割是一种很重要的区域分割方法。

它利用了图像中要提取的目标物与背景在灰度特征上的差异，把图像视为具有不同灰度级的两类区域（目标和背景）的组合，选取一个合适的阈值，以确定图像中每个像素点应该属于目标还是背景区域，从而产生二值图像。

相比之下，人类的视觉系统是非常优越的，这是由于人类在观察图像时应用了大量的知识,所以没有任何一台计算机在分割和检测真实图像时能达到人类视觉系统的水平。

由此可见，