一种基于分级不变性特征的典型舰船目标识别方法技术

本发明专利技术提出了一种基于分级不变性特征的典型舰船目标识别方法。首先提取每幅图像舰船目标的二值熵和归一化转动惯量作为一级特征；之后小波分解每幅图像为四幅子图像，提取各子图像舰船目标的加权Hu矩、Zernike矩和Fourier描述子作为二级特征；然后以每幅图像舰船目标的极坐标形状矩阵作为三级特征；修正全部特征具备平移、旋转和缩放不变性。识别分类器的实验结果表明，算法能够逐级细化描述星上遥感图像中的典型舰船目标，识别准确率高。本发明专利技术方法可应用于星上遥感图像数据库的典型舰船目标识别，是一种普适性很强的工程方法。

【技术实现步骤摘要】

本专利技术涉及一种卫星遥感图像典型舰船目标识别方法，特别是一种基于分级不变性特征的典型舰船目标识别方法，属于航天遥感领域。
技术介绍
在我国海上安全利益迅速增长情况下，光学遥感卫星能够对地球大范围区域进行观测，能准确感知并获取海洋信息，及时提供决策支持，有助于快速解决海洋突发事件。通过遥感卫星对海上舰船目标进行在轨识别，能快速获得舰船目标的位置、类型等信息，可满足用户对海洋目标监视的应用需求。形状是对典型舰船目标进行检测和识别的主要特征。典型舰船目标在卫星图像中的形状特性是既整体不可分又存在细微差别。即不可能分割出舰船目标的各个组成基元进行匹配；但不同类型的目标从整体来看又差别很小，类型识别仅仅相当于对局部有细微差别的目标进行分类。这类目标的经典特征提取算法有：Hu矩、Zernike矩和Fourier描述子等。Hu矩具有平移、旋转和缩放不变性。但Hu矩是全局特征，且不是从正交函数集引出的，存在很多冗余信息，对局部有细微差别的目标难以识别。Zernike矩的系数彼此正交，在信息冗余和图像重建能力方面性能优越。但Zernike矩仍然是全局特征，基于这样的特征不容易对局部有细微差别的目标进行识别。Fourier描述子能够表征目标的封闭轮廓，但Fourier描述子是对形状的整个边界进行距离测度，因此导致对局部有细微差别的舰船目标其识别能力不高。纵观现有的经典特征提取算法，优点是具有坚实的理论基础、性能稳定，但是对目标的形状表征能力有限，不能准确地反映局部细节。卫星图像中的典型舰船目标像素数很少，要识别具体类型，目标形状上每个细节对识别都有贡献，这些特征提取算法不能满足典型舰船目标类型识别的实际要求。因此，卫星图像中的典型舰船目标类型识别时目标形状上的每个细节都不可忽视，目标的特征提取算法必须既能描述目标的全局特性又能够兼顾其局部细节信息。
技术实现思路
本专利技术解决的技术问题是：克服现有技术的不足，提供一种基于分级不变性特征的典型舰船目标识别方法，解决了卫星遥感图像在轨典型舰船目标识别问题，在一定程度上满足了卫星遥感图像在轨典型舰船目标类型识别的需求。本专利技术的技术方案是：一种基于分级不变性特征的典型舰船目标识别方法，步骤如下：(1)对输入的每幅卫星遥感图像进行自适应滤波、最大类间方差分割和校正歪斜失真的规格化处理；(2)提取每幅卫星遥感图像舰船目标的二值熵和归一化转动惯量作为一级特征；(3)对每幅卫星遥感图像的二值图像进行一级小波分解，图像被分解为LL、LH、HL、HH四个子波段图像，分别描述图像在水平、垂直和对角线方向上的细节；(4)用Hu矩、Zernike矩和Fourier描述子分别对所有子波段图像进行特征提取，并根据各子波段的描述能力不同对所得特征向量进行加权处理；由小波分解且加权处理后的Hu矩、Zernike矩、Fourier描述子顺序排列组成综合特征向量作为二级特征，并保证其具有平移、旋转和缩放不变性；(5)计算获得三级特征，并用极坐标形状矩阵表示；(6)利用支持向量机和形状矩阵相似度计算对所提取出的特征进行识别分类；其中，形状矩阵相似度计算公式如下： s i m = 1 - d i f t o t ]]>其中，sim——为“模板舰船目标”与“待识别舰船目标”所对应的形状矩阵相似度；dif——为“模板舰船目标”与“待识别舰船目标”所对应的形状矩阵全部对应元素差值的绝对值之和；tot——为“模板舰船目标”形状矩阵所有元素值的总和；通过形状矩阵相似度阈值T＝0.8完成对典型舰船目标的识别。步骤(2)中每幅卫星遥感图像舰船目标的二值熵为： H b = l o g n M N ]]>其中，n是舰船目标包含的总像素数，每幅卫星遥感图像的大小为M×N；每幅卫星遥感图像舰船目标的归一化转动惯量为： N M I = Σ y = 1 N Σ x = 1 M [ ( x - C x ) 2 + ( y - C y ) 2 ] M N ; ]]>其中，每幅卫星遥感图像的二值图为f(x，y)，Cx和Cy为二值图像的质心。步骤(4)中保证具有平移、旋转和缩放不变性的具体方法为：(4a)Hu矩不变矩本身具有平移、旋转和缩放不变性，不需要进行处理；(4b)采取以下措施使Zernike矩具有平移、旋转和缩放不变性：计算中把单位圆的原点平移到舰船目标质心，以目标质心来计算矩，以获得平移不变性；对每一项Zernike矩取其幅值以获得旋转不变性；对每一项Zernike矩用下式进行归一化以获得缩放不变性： | | Z m n | | ′ = | | 本文档来自技高网...

【技术保护点】
一种基于分级不变性特征的典型舰船目标识别方法，其特征在于步骤如下：(1)对输入的每幅卫星遥感图像进行自适应滤波、最大类间方差分割和校正歪斜失真的规格化处理；(2)提取每幅卫星遥感图像舰船目标的二值熵和归一化转动惯量作为一级特征；(3)对每幅卫星遥感图像的二值图像进行一级小波分解，图像被分解为LL、LH、HL、HH四个子波段图像，分别描述图像在水平、垂直和对角线方向上的细节；(4)用Hu矩、Zernike矩和Fourier描述子分别对所有子波段图像进行特征提取，并根据各子波段的描述能力不同对所得特征向量进行加权处理；由小波分解且加权处理后的Hu矩、Zernike矩、Fourier描述子顺序排列组成综合特征向量作为二级特征，并保证其具有平移、旋转和缩放不变性；(5)计算获得三级特征，并用极坐标形状矩阵表示；(6)利用支持向量机和形状矩阵相似度计算对所提取出的特征进行识别分类；其中，形状矩阵相似度计算公式如下：其中，sim——为“模板舰船目标”与“待识别舰船目标”所对应的形状矩阵相似度；dif——为“模板舰船目标”与“待识别舰船目标”所对应的形状矩阵全部对应元素差值的绝对值之和；tot——为“模板舰船目标”形状矩阵所有元素值的总和；通过形状矩阵相似度阈值T＝0.8完成对典型舰船目标的识别。...

【技术特征摘要】
1.一种基于分级不变性特征的典型舰船目标识别方法，其特征在于步骤如下：(1)对输入的每幅卫星遥感图像进行自适应滤波、最大类间方差分割和校正歪斜失真的规格化处理；(2)提取每幅卫星遥感图像舰船目标的二值熵和归一化转动惯量作为一级特征；(3)对每幅卫星遥感图像的二值图像进行一级小波分解，图像被分解为LL、LH、HL、HH四个子波段图像，分别描述图像在水平、垂直和对角线方向上的细节；(4)用Hu矩、Zernike矩和Fourier描述子分别对所有子波段图像进行特征提取，并根据各子波段的描述能力不同对所得特征向量进行加权处理；由小波分解且加权处理后的Hu矩、Zernike矩、Fourier描述子顺序排列组成综合特征向量作为二级特征，并保证其具有平移、旋转和缩放不变性；(5)计算获得三级特征，并用极坐标形状矩阵表示；(6)利用支持向量机和形状矩阵相似度计算对所提取出的特征进行识别分类；其中，形状矩阵相似度计算公式如下：其中，sim——为“模板舰船目标”与“待识别舰船目标”所对应的形状矩阵相似度；dif——为“模板舰船目标”与“待识别舰船目标”所对应的形状矩阵全部对应元素差值的绝对值之和；tot——为“模板舰船目标”形状矩阵所有元素值的总和；通过形状矩阵相似度阈值T＝0.8完成对典型舰船目标的识别。2.根据权利要求1所述的一种基于分级不变性特征的典型舰船目标识别方法，其特征在于：步骤(2)中每幅卫星遥感图像舰船目标的二值熵为：其中，n是舰船目标包含的总像素数，每幅卫星遥感图像的大小为M×N；每幅卫星遥感图像舰船目标的归一化转动惯量为：其中，每幅卫星遥感图像的二值图为f(x，y)，Cx和Cy为二值图像的质心。3.根据权利要求1所述的一种基于分级不变性特征的典型舰船目标识别方法，其特征在于：步骤(4)中...

【专利技术属性】
技术研发人员：张守娟，张建华，肖化超，杨新权，
申请(专利权)人：西安空间无线电技术研究所，
类型：发明
国别省市：陕西;61