光学遥感图像多目标检测及识别算法设计与实现
摘要：针对目前光学遥感图像处理与分析多集中在单目标检测及识别领域的局限性，多目标检测及识别成为了一个非常值得关注的研究课题，提出了一种光学遥感图像多目标检测及识别算法。首先，采用自适应值算法对目标快速检测分割;然后，结合图像金字塔思想和基于尺度不变特征变换的特征包(BoFSIFT)特征提出了一种分层的BoFSIFT特征表示目标的全局特征和局部特征，详细地描述了目标的分布特性;最后，采用基于径向基核函数的支持向量机为弱分类器的AdaBoost算法，经过不断更新权重之后得到一个强分类器对待测试目标图像完成分类识别，识别率达到了93.52%。实验结果表明，所提算法对多类遥感图像目标的分割效果显著，特征选取恰当，识别方法快速有效。
关键词：光学遥感图像;自适应值;基于尺度不变特征变换的特征包特征;AdaBoost算法;多类目标
引言
光学遥感图像通常是指可见光和部分红外波段传感器获取的影像数据，其直观易理解，空间分辨率通常比较高，在有光照和晴朗的天气条件下，图像内容丰富，目标结构特征明显，便于目标分类识别。随着遥感技术和模式识别技术的发展，对光学遥感图像多目标分类和识别的研究已引起了广泛关注，它的发展对对地观测、军事侦察等领域有广泛的意义[1]。
基于光学遥感图像的多目标检测与识别研究主要涉及目标分割检测、特征提取和目标识别3个阶段。目标的检测分割阶段是提取遥感图像信息的重要准备环节，在目标点检测的基础上，依据特征把图像划分成多个区域[2]。文献[3]对纯海洋背景和海陆背景两种情况下的舰船目标分别用区域生长法和先验法完成目标分割;文献[4]对传统的圆形检测Hough变换方法作了改进，首先是计算目标梯度场检测油库圆心坐标，然后通过计算梯度值加权估计半径值以便对目标准确定位;文献[5]首先用小波分析建筑物目标，然后结合马尔可夫随机场(Markov Random Field，MRF)完成检测分割。
目标的特征提取阶段对识别结果有至关重要的作用，通过提取图像的某些直观自然特征或变换得到的构造特征在实现数据压缩的同时，提高目标之间的特征差异性。文献[6]提出了一种通过对遥感图像提取局部纹理特征的纹理分类算法;文献[7]提出了一种新的圆形目标提取方法，该方法耗时低、检出率高、抗噪能力强;文献[8]提出了一种新的由粗到细的飞机识别方法，采用Sobel算子提取边缘特征和加权像素位置后识别效果明显改善了。以上方法由于选取特征单一，对遥感图像目标的准确识别具有一定的局限性。
文献[9]综合轮廓、小波系数和原来的位图等特征对飞机型号进行识别;文献[10]提出了一种基于光学遥感图像形状和纹理特征融合的舰船识别方法，取得了良好的效果;文献[11]融合点特征和表观特征，提高目标的正确识别率。
目标识别阶段是对光学遥感图像中的目标通过某种分类器准确定位识别。文献[12]提出主从神经元结构的模糊神经网络用于大型舰船的分类识别;文献[13]采用主成分分析(Principal Components Analysis， PCA)降维方法和有向无环支持向量机(Support Vector Machine， SVM)分类器对飞机识别取得了较高的识别率;文献[14]提出稀疏矩阵形式为特征的目标识别方法，既对不完整的遥感图像具有更好的鲁棒性，在小样本低采样率情况下也能具备良好的识别性能。
目前，基于光学遥感图像的多目标检测及识别方法存在以下问题： 1)选用的特征对于目标旋转的适应性较差;2)检测和识别方法大多只能处理一种特定类别目标的检测和识别，无法实现多种目标的同时检测和识别。
针对以上问题，本文提出一种光学遥感图像的多目标检测及识别算法，首先采用自适应值分割算法实现多目标检测与分割，然后在特征提取阶段将图像金字塔的分层思想与基于尺度不变特征变换的特征包(Bag of FeatureScale Invariant Feature Transform， BoFSIFT)特征有效结合，提出了一种分层的BoFSIFT特征，最后选用基于SVM的AdaBoost算法对多目标遥感图像进行分类识别。该算法实现简单，可以同时实现光学遥感图像的多目标准确分类。
第11期
姬晓飞等：光学遥感图像多目标检测及识别算法设计与实现
计算机应用 第35卷
一、算法的总体框架
如图1所示为本文算法的总体框架：在训练过程中，采用手动分割得到目标的图像，并进行归一化处理，之后对其提取分层的BoFSIFT特征并训练支持向量机得到分类器;在测试过程中，将包含多个待识别目标的光学遥感图像通过自适应值分割得到待识别的目标图像，进行归一化处理后同样提取分层的BoFSIFT特征，送入训练过程得到的SVM分类器，然后采用基于支持向量机的Adaboost算法实现目标识别的准确识别。
图片
图1本文算法的总体框架
二、分割算法
值分割法是一种基于全局的图像分割方法[15-17]，典型的有：分水岭分割、区域跟踪分割、聚类分割等。传统的值分割法效果多依赖于图像灰度分布良好的双峰性质。由于本文的遥感图像均属于光学遥感图像，因此分割算法应该对光照天气有一定的适应性。由于图像背景往往比较复杂，多个目标间的灰度级存在较大差异，因此采用固定值进行多目标的同时分割是很难实现的。
基于以上分析本文采用局部自适应值分割算法[18-20]对光学遥感图像多目标进行分割，通常这类算法具有较强的适应性，它是根据像素所在邻域块的像素值分布来确定该像素位置上的二值化值。对于一幅大小为H×H的光学遥感图像f， f(x，y)表示第x行、第y列的像素点灰度值，本文对图像中的每一个邻域块高斯加权求取一个值，从而构造出整幅图像的一个值平面，记为T(x，y)，然后利用这个值平面对图像完成二值化操作，值化后的像素点灰度值g(x，y)用式(1)表示： g(x，y)=black，f(x，y)≤T(x，y)
white，f(x，y)>T(x，y) (1
经典的局部自适应值分割算法主要有Bernsen法、Niblack法以及Sauvola法等。本文选取其中的Sauvola法[21]，是通过计算图像当前点在窗口w×w内的加权均值m(x，y)和标准差s(x，y)得出相应的值，以一种自适应的方式调节方差的贡献，对w×w窗口中心像素点，给定参数k，标准差s(x，y)的最大值R，则该值计算公式为：
T(x，y)=m(x，y)1+ks(x，y)R-1(2
式(2)涉及到的第1个参数w的选择对值分割效果影响较大： 若w取值过大，自适应程度低，则有可能失去局部处理的意义，导致算法运行速度较慢; 若w选择过小，自适应程度高，则可能导致前景或背景内部产生噪声干扰。第2个参数k对图像的分割效果也有着一定的影响： 随着k取值的增大，目标的宽度变粗; 随着k取值的减小，目标的宽度变细。第3个参数R取标准差的最大值，局部加权均值m(x，y)和标准差s(x，y)根据像素局部邻域的对比度调节值的选取。当图像的一些区域具有较高的对比度时s(x，y)≈R使得T(x，y)=m(x，y)，当局部邻域的对比度较低时值T(x，y)往往低于平均值，因而可以成功地消除背景中的阴影部分。
在复杂的光学遥感图像上采用自适应值算法得到的图像分割效果如图2所示。
图片
图2分割效果示意图
由图2可以看出，图2(a)的分割效果较图2(b)的分割效果要好，观察图2(b)可以发现分割框与目标有匹配不够准确的现象，如船舰分割中其中一艘船的背景信息比较多，汽车分割中未能将紧挨着的多辆汽车逐一分开，油罐分割中目标由于阴影的干扰未能完全分割出来，之后可以采用滑窗法对目前初步分割出来的区域进行特征提取和识别，给出更加精确的目标区域。飞机分割中跑道也作为目标被分割出来，后期的识别方法可以很容易地对目标和非目标作一个分类处理，剔除分割出来的背景图像。
值分割本身没有将图像的空间信息考虑在内，并且当图像前景与背景或目标与目标之间灰度信息可区分性不高时，可能会有冗余信息或是部分目标被遗漏。鉴于本文分割操作的出发点是将目标尽可能全部检测出来，对于不够准确的区域可以在后期的识别中进行进一步的精确处理。
三、特征提取
由于BoFSIFT [22-24]特征不仅仅满足其他特征所具有的尺度缩放、亮度变化不变性，最重要的是它具备一定的旋转鲁棒性，被广泛地用于目标图像的特征表示。它的不足之处是对目标的分布特性不能很好地表征，而基于图像金字塔思想的分层特征能弥补BoFSIFT特征的不足，因此本文将分层思想与BoFSIFT特征有效结合，提出了一种新的分层BoFSIFT特征用于目标图像的特征表示。
生成BoFSIFT描述子的步骤是：1)将所有训练集图像的SIFT描述子进行KMeans++聚类[25]，形成K个基础词汇的单词表;2)将图像SIFT特征点向单词表作投影，统计单词表中每个词汇获得的票数，构成一个表征这幅图像的K维向量。
在BoFSIFT特征基础上再加入空间金字塔[26]思想，形
成的分层的BoFSIFT特征，能有效地表示图像的局部特征和全局特征，并能表示图像关键点的分布特性。分层的BoFSIFT特征整个提取过程为：
1)生成图像BoFSIFT特征描述子： 样本数为m幅图像，聚类中心数为K，最终提取的BoFSIFT特征是K维;
2)构造图像金字塔： 将原图像分成不同的块，构造一个三层的图像金字塔，第一层为整个图像，第二层将整个图像划分为2×2个子块，第3层将整个图像划分为4×4个子块;
3)基于金字塔结构的特征表示： 在图像金字塔中的每一层子块中生成K个视觉码字的BoFSIFT描述子，将每层的直方图描述子等比例组合构造21个K维特征列向量。分层的BoFSIFT特征提取算法过程如图3所示。
图4中的直方图第1行为四类目标(74×4)的特征值叠加后的表示，第2行和第3行分别为四类目标第一幅原图像和旋转10°后图像的特征表示，横向分析表明不同目标的特征可区分性较强;纵向分析表明同一目标的特征具有较高的相似度，该特征对于一定范围的目标旋转具有适应性。
图片
图3分层的BoFSIFT特征提取算法示意图
不同目标分层的BoFSIFT特征表示如图4所示。
图片
图4不同目标分层的BoFSIFT特征表示
四、识别算法
支持向量机[27]是一种在处理小样本、非线性及高维模式识别中有很大优势的分类算法，能有效地克服样本数对传统的统计模式识别方法的依赖。SVM实际中解决的大多数分类问题属于非线性，它通过选择合适的核函数变换样本到高维空间，使得变换后的样本线性可分。AdaBoost[28]是最著名的Boosting算法之一，是一种通过训练多个弱分类器最后级联成强分类器的迭代算法，其算法是经过多次判断训练样本的分类正确与否以及观察上次的总体分布准确率来确定下一次每个样本的权值，并将新的数据集送给下层分类器进行训练，多次训练得到最终分类器。
本文选用基于径向基核函数(Radial Basis Function，RBF)的SVM作为AdaBoost算法的弱分类器。
五、实验结果
本文在新建立的遥感图像库上对本文所提出算法进行了测试。本文的数据库包含在军事和民用方面发挥重大作用的4类目标，分别是舰船、飞机、汽车和油罐，数据库总共包含74×4幅图像，图例如图5所示。
图片
图5遥感图像库的部分目标样本图像
5.1参数设置
1)训练样本数和聚类中心数对识别率的影响。
首先确定实验训练集和测试集的数目。设定训练样本Tr分别为68、108、148、188张图像，测试样本为108张图像;其次设定聚类中心数K分别为10、20、30、40，金字塔层数为L=3。在不同训练样本数和聚类中心数下利用RBF核支持向量机进行识别，得到的识别率变化曲线如图6所示，从图中可以看到，当训练样本数为188时，聚类中心数为20时系统的识别率达到最大值。
图片
图6不同训练样本数和聚类中心数的平均识别率
从图6可以看到，当训练样本数一定时随着聚类中心数的变化识别率曲线在K=20时达到最大值;当聚类中心数一定时随着训练样本数的变化平均识别率在Tr=188时达到最大值，因此当训练样本数为188时，聚类中心数为20时系统的识别率达到最大值。
2)金字塔层数对识别率的影响。
在以上得到的最优参数下，即Tr=188，K=20，用训练样本和测试样本的图像金字塔多层特征(并非最高层特征)分别采用支持向量机进行训练和识别，得到平均识别率如表1所示。
表格(有表名)
表1图像金字塔各层的识别率
金字塔层数特征向量维数平均识别率/%
12082.41
220+8090.73
320+80+32090.74
实验结果表明，金字塔层数越多识别率越高，即当L=3时识别率最高，虽然L=3下的识别率相比L=2识别率的提高很微小，但总体意义上证明了分层的BoFSIFT特征可以有效表示目标的全局和局部特性。
5.2目标识别结果比较
1)本文所提特征与常用的遥感图像特征的识别结果比较。
本文对光学遥感图像的目标提取了多种特征进行表示，统计了基于RBF核的SVM识别方法的平均识别率，如表2所示。
表格(有表名)
表2多种特征识别结果比较
实验序号特征平均识别率/%耗时/s
1Shape Context59.260.057483
2Hu不变矩64.810.080390
3BoFSIFT82.410.018427
4分层的BoFSIFT90.740.095406
以上结果表明，同样的识别方法下的不同特征对识别结果有着极大的影响，由于形状上下文(Shape Context， SC)特征极大地依赖目标的形状的精确检测，因此对于复杂背景下的遥感目标的识别准确性不理想，需要做许多前期处理操作来保证提高识别率;Hu不变矩的特征维数(7维)较少，特征的表述能力有限;BoFSIFT特征很详细地表示了目标的局部特性，但未考虑到目标特征的分布特性;而分层的BoFSIFT特征既克服了过于依赖前期处理的不足，又综合考虑了目标的局部特征和分布特性，得到了最优的识别效果。
2)多种识别方法识别结果比较。
利用5.1节得出的最优参数，Tr=188，K=20，L=3，在本文所提特征的基础上比较了以下识别方法的识别结果，如表3所示。
表格(有表名)
表3多种识别方法识别结果比较
实验序号识别方法平均识别率/%耗时/s
4分层的BoFSIFT特征+RBF核SVM90.740.095406
5分层的BoFSIFT特征+(AdaBoost+RBF核SVM)93.520.028114
实验结果表明，实验5的AdaBoost+SVM识别方法较实验4的SVM识别方法识别率有显著的提高且耗时极短，说明了本文算法的可行性。本文提出的识别方法即实验5的平均识别率混淆矩阵如图7所示。
图片
图7本文方法的平均识别率混淆矩阵
分析图7可以看出舰船的识别结果是最好的，由于飞机和汽车阴影比较严重，背景和前景对比度差异较小因此识别结果较差，油罐的特征点不明显导致识别结果最差，总体来说识别结果是令人满意的。
六、结语
本文提出了一种遥感图像多目标检测与识别方法，算法设计中采用自适应值算法分割多目标遥感图像，构建的分层BoFSIFT特征能够很好地表示目标图像的局部和全局特性，并且具有一定的旋转适应性，基于支持向量机的AdaBoost算法既能提高识别率也提高了运行速度，总体分析所提出算法对复杂背景下的遥感图像多目标分类识别具有一定的可行性。在分割阶段基于局部邻域块的方法至今还没有一致的选取邻域块大小的策略，且块与块之间存在不连续现象，此部分还需要进一步的研究，使算法具有更好的复杂背景的适应性。
参考文献：
[1]JI X， QIN N. A review of target detection classification and recognition method based on optical remote sensing image[J]. Journal of Shenyang Aerospace University， 2015， 32(1)： 23-31.(姬晓飞，秦宁丽.基于光学遥感图像的目标检测与分类识别方法综述[J].沈阳航空航天大学学报，2015，32(1)：23-31.)
[2]CHEN Y. Research on segmentation and extraction in optical remote sensing image[D]. Hefei： University of Science and Technology of China， 2010.(陈雁. 可见光遥感图像分割与提取研究[D]. 合肥：中国科学技术大学， 2010.)
[3]WANG Y， MA L， TIAN Y. Stateoftheart of ship detection and recognition in optical remotely sensed imagery[J]. Acta Automatica Sinica， 2011， 37(9)： 1029-1039.(王彦情， 马雷， 田原. 光学遥感图像舰船目标检测与识别综述[J]. 自动化学报， 2011， 37(9)： 1029-1039.)
[4]HAN X， FU Y，LI G. Oil depots recognition based on improved Hough transform and graph search[J]. Journal of Electronics and Information Technology， 2011， 33(1)： 66-72.(韩现伟， 付宜利， 李刚. 基于改进 Hough 变换和图搜索的油库目标识别[J]. 电子与信息学报， 2011， 33(1)： 66-72.)
[5]ZHANG Y. Object segmentation of remote sensing image based on MRF model[J]. Microcomputer and Its Applications， 2013， 32(2)： 44-47.(张彦. 基于MRF模型的遥感图像建筑物分割研究[J]. 微型机与应用， 2013， 32(2)： 44-47.)
[6]YANG B， ZHAO H， ZHAO Z， et al.A removed texture classification and distinction algorithm of remoted sensing martial object[J]. Microelectronics and Computer， 2004， 21(9)： 111-113.(杨斌，赵红漫，赵宗涛，等.一个改进的遥感图像目标纹理分类识别算法[J].微电子学与计算机，2004，21(9)： 111-113.)
[7]CHEN Z， LIU J， WANG G. A new circle targets extraction method from high resolution remote sensing imagery[C]// Proceedings of the 2011 4th International Workshop on Advanced Computational Intelligence. Piscataway： IEEE， 2011： 529-533.
[8]LIU G， SUN X， FU K， et al.Aircraft recognition in highresolution satellite images using coarsetofine shape prior[J]. Geoscience and Remote Sensing Letters， 2013， 10(3)： 573-577.
[9]HSIEH J， CHEN J， CHUANG C H， et al.Aircraft type recognition in satellite images[J]. IEE Proceedings： Vision， Image and Signal Processing， 2005， 152(3)： 307-315.
[10]ZHU C， ZHOU H， WANG R， et al.A novel hierarchical method of ship detection from spaceborne optical image based on shape and texture features[J]. IEEE Transactions on Geoscience and Remote Sensing， 2010， 48(9)： 3446-3456.
[11]LI X， SUN H， WANG H， et al.High resolution imaging target detection for multiclass correlation vector machine[J]. Science of Surveying and Mapping， 2014， 39(12)： 128-133.(李湘眷， 孙皓， 王洪伟， 等. 多核多类关联向量机的高分辨率影像目标检测[J]. 测绘科学， 2014， 39(12)： 128-133.)
[12]QU J， QU S， WANG Z. Featurebased fuzzyneural network approach for target classification and recognition in remote sensing images[J]. Journal of Remote Sensing， 2009， 13(1)： 67-74.(瞿继双， 瞿松柏， 王自杰. 基于特征的模糊神经网络遥感图像目标分类识别[J]. 遥感学报， 2009，13(1)： 67-74.)
[13]WANG D， HE X， WEI Z， et al.A method of aircraft image target recognition based on modified PCA features and SVM[C]// Proceedings of the 9th International Conference on Electronic Measurement and Instruments. Piscataway： IEEE， 2009： 177-181.
[14]YIN F， JIAO L. Robust remote sensing image target recognition based on extending training set by rotation and sparse representation[J]. Pattern Recognition and Artificial Intelligence， 2012， 25(1)： 89-95.(殷飞， 焦李成. 基于旋转扩展和稀疏表示的鲁棒遥感图像目标识别[J]. 模式识别与人工智能， 2012， 25(1)： 89-95.)
[15]XI Y. Research and implementation of Kmean clustering and watershed segmentation algorithm for remote sensing image[D]. Nanjing： Nanjing University of Science and Technology， 2011.(席英. 遥感图像的K均值聚类和分水岭分割算法的研究与实现[D]. 南京： 南京理工大学，2011.)
[16]YI L， ZHANG G， WU Z. A scalesynthesis method for high spatial resolution remote sensing image segmentation[J]. IEEE Transactions on Geoscience and Remote Sensing， 2012， 50(10)： 4062-4070.
[17]GAO X， ZHANG S. Theory method and application of image segmentation[D]. Changchun： Jilin University， 2006.(高秀娟， 张树功. 图像分割的理论， 方法及应用[D]. 长春： 吉林大学， 2006.)
[18]LONG J， SHEN X， ZANG H， et al.An adaptive thresholding algorithm by background estimation in Gaussian scale space[J]. Acta Automatica Sinica， 2014， 40(8)： 1773-1782.(龙建武， 申铉京， 臧慧， 等. 高斯尺度空间下估计背景的自适应值分割算法[J]. 自动化学报， 2014， 40(8)： 1773-1782.)
[19]SUN Y， CAI Z. An improved character segmentation algorithm based on local adaptive thresholding technique for Chinese NvShu documents[J]. Journal of Networks， 2014， 9(6)： 1496-1501.
[20]JAIN P， TYAGI V. An adaptive edgepreserving image denoising technique using tetrolet transforms[J]. Visual Computer， 2015，31(5)： 657-674.
[21]SAUVOLA J， PIETIK?INEN M. Adaptive document image binarization[J]. Pattern Recognition， 2000， 33(2)： 225-236.
[22]LOWE D. Object recognition from local scaleinvariant features[C]// Proceedings of the 7th IEEE International Conference on Computer Vision. Piscataway： IEEE， 1999： 1150-1157.
[23]LOWE D. Distinctive image features from scaleinvariant keypoints[J]. International Journal of Computer Vision， 2004， 60(2)： 91-110.
[24]SHARMA G， CHAUDHURY S， SRIVASTAVA J. Bagoffeatures kernel eigen spaces for classification[C]// Proceedings of the 19th International Conference on Pattern Recognition. Piscataway： IEEE， 2008： 1-4.
[25]ARTHUR D， VASSILVITSKII S. kmeans++： the advantages of careful seeding[C]// Proceedings of the 18th annual ACMSIAM Symposium on Discrete Algorithms Society for Industrial and Applied Mathematics. New York： ACM， 2007： 1027-1035.
[26]LAZEBNIK S， SCHMID C， PONCE J. Beyond bags of features： Spatial pyramid matching for recognizing natural scene categories[C]// Proceedings of the 2006 IEEE Computer Society Conference on Computer Vision and Pattern Recognition. Piscataway： IEEE， 2006： 2169-2178.
[27]HUANG Q， WU G， CHEN J， et al.Automated remote sensing image classification method based on FCM and SVM[C]// Proceedings of the 2012 2nd International Conference on Remote Sensing， Environment and Transportation Engineering. Washington， DC： IEEE Computer Society， 2012： 1-4.
[28]HE S， WANG L， XIA Y， et al.Insulator recognition based on moments invariant features and cascade AdaBoost classifier[C]// Proceedings of the 2013 International Conference on Mechatronics and Control Engineering. Zurich： Trans Tech Publications， 2013： 362-367.
【光学遥感图像多目标检测及识别算法设计与实现】相关文章：
图像拼接算法及实现03-03
图像处理中的模糊算法及实现03-13
分形算法应用于遥感图像的压缩11-22
图像效果算法设计(一)03-07
模糊模式识别在植被和遥感图像识别中的应用11-22
基于BP算法红外遥感图像去条带方法研究03-07