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，采用自适应阈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;自适应阈值;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，首先采用自适应阈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阈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
阈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。传统的阈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，因此采用固定阈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阈值分割算法[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阈值。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阈值，从而构造出整幅图像的一个阈值平面，记为T(x，y)，然后利用这个阈值平面对图像完成二值化操作，阈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
经典的局部自适应阈值分割算法主要有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)得出相应的阈值，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，则该阈值计算公式为：