海上目标识别技术研究

姓名：张琦申请学位级别：硕士专业：信号与信息处理指导教师：樊养余

20070301

西北工业大学硕士学位论文摘要目标识别技术是现代军事信息技术研究的核心问题之一，它在军事情报收集和监控，武器制导等领域具有重要的理论和应用价值。其中，基于航空图片的海上目标识别技术在确保我国海洋权益、保卫神圣海洋国土、防范外敌海上入侵等方面具有重要的价值，是我海军信息化建设的一个重要领域。目前，我军基于航空图片的海上目标识别手段仍然非常落后。为了改变传统识别方式时效性差、情报反馈缓慢的弱点，本文研究了基于航空图片的海上目标自动识别技术。本文通过深入研究目前目标识别技术的现状，结合海上目标及其灰度图象的特点，在对海上目标图象合理分割的基础上，研究了适合这类目标识别的不变量特征的提取，最终提取和选择了适当特征对海上目标进行了识别。首先，根据海上目标图象内部结构复杂、目标间相似性大的特点，本文设计了基于区域的迭代阈值法进行了目标分割。区分了两种情况，一种情况是，分割掉图象的背景成分，分割出的目标区域是二值图象；另一种情况是，分割掉图象的背景成分，分割出的目标区域仍保留为灰度图象。其次，本文重点在于图象目标的特征提取，考虑到基于形状特征的矩特征法在目标识别中的有效性和实用性，本文研究了相对于目标旋转、平移、尺度变换而保持为常量的Ｈｕ矩不变量、Ｚｅｒｎｉｋｅ矩不变量、小波矩不变量。而目前的不变矩方法中，绝大多数是从二值图象或边缘图象中提取。而在实际中，海上目标图象具有的特点是背景较简单，但目标本身比较复杂，不同目标间的相似性较大。基于二值图象的不变矩方法很难区分这种自身的复杂性和不同类之间的相似性。为了解决这个问题，本文提出了具有灰度对比度不变性的Ｈｕ矩不变量、Ｚｅｒｎｉｋｅ矩不变量和小波矩不变量的不变量特征表达形式。探讨了三种矩不变量在基于灰度图象的海上目标识别中应用的可行性和有效性。在特征选择中，本文采用了一种基于ＤＢＩｎｄｅｘ（Ｄａｖｉｅｓ－ＢｏｕｌｄｉｎＩｎｄｅｘ）准则的特征选择算法，以期获得较优的特征向量。最后，在实验中采用了最小距离分类法进行最终的目标分类。实验结果表明，本文提出的具有灰度对比度不变性的矩不变量法在识别正确率上较传统的矩不变量法有不同程度的提高。关键词：目标识别、图象分割、矩不变量、特征提取、特征选择、最小距离分类西北工业大学硕士学位论文ＡＢＳＴＲＡＣＴＡＢＳＴＲＡＣＴＴｈｅｔｅｃｈｎｏｌｏｇｙｏｆｔａｒｇｅｔｒｅｃｏｇｎｉｔｉｏｎｉｓｒｅｓｅａｒｃｈｏｎｏｎｅｏｆｔｈｅｍｏｓｔｉｍｐｏｒｔａｎｔｐｒｏｂｌｅｍｓｏｆｔｈｅｔｈｅａｒｅａｏｆｔｈｅｍｏｄｇＴｎｍｉｌｉｔａｒｙｉｎｆｏｒｍａｔｉｏｎ．Ｉｔｈａｓｉｍｐｏｒｔａｎｔｖａｌｕｅｓｗｈｅｎｕｓｅｄｉｎｃｏｌｌｅｃｔｉｏｎｏｒｍｏｍｔｏｒｏｆｍｉｌｉｔｓｒｙｉｎｆｏｒｍａｔｉｏｎ，ｗｅａｐｏｎｇｕｉｄｅ．Ｔｈｅｒｅｓｅａｒｃｈｏｆｔｈｅ０ｎｔｅｃｈｎｏｌｏｇｙｏｆｔａｒｇｅｔ－ｏｎ・ｓｅａｒｅｃｏｇｎｉｔｉｏｎｂａｓｅｄｔｈｅａｅｒｉａｌｐｈｏｔｏｓｉｓｇｏｏｄｈｅｌｐｔｏｔｈｅｄｅｆｅｎｄｉｎｇｏｆｔｈｅｓｅａｐｏｗｅｒ，ｔｈｅｆｉｎｄｉｎｇｏｆｔｈｅｅｎｅｍｙ’Ｓｉｎｖａｄｉｎｇｆｒｏｍｔｈｅｓｅａ．ＢｕｔＣｈｉｎａＡｒｍｙ’Ｓｍｅａｎｓｏｆｔａｒｇｅｔ－ｏｎ－ｓｅａｒｅｃｏｇｎｉｔｉｏｎｂａｓｅｄｏｎｔｈｅａｅｒｉａｌｐｈｏｔｏｓｉｓｓｔｉｌｌｂａｃｋｗａｒｄｎｏｗ．Ｔｈｉｓｐａｐｅｒｓｔｕｄｙｔｈｅｔｈｅａｅｒｉａｌｐｈｏｗｓ．Ａｆｔｅｒｓｔｕｄｉｎｇｔｈｅｎｏｗａｄａｙｓｒｅｓｅａｒｃｈｏｆｔｈｅｔａｒｇｅｔｒｅｃｏｇｎｉｔｉｏｎｔｅｃｈｎｏｌｏｇｙｏｆｔａｒｇｅｔ－ｏｎ－ｓｅａａｕｔｏｍａｔｉｃｒｅｃｏｇｎｉｔｉｏｎｂａｓｅｄｏｎｔｅｃｈｎｏｌｏｇｙ，ｔｈｉｓｐａｐｅｒａｎａｌｙｓｅｓｔｈｅｃｈａｒａｃｔｅｒｉｓｔｉｃｓｏｆｔｈｅｔａｒｇｅｔ－ｏｎ－ｓｅａａｎｄｉｔｓｇｒａｙｉｍａｇｅｓ．ｉｎｏｒｄｅｒｔ０ｅｘｔｒａｃｔｐｒｏｐｅｒｆｅａｔｕｒｅｓｗｈｉｃｈａｒｅｅａｓｙｔｏｃｌａｓｓｉｆｙｔｈｅｔａｒｇｅｔｓ．Ｕｓｍｇｔｈｅｓｅｅｘｔｒａｃｔｉｖｅｆｅａｔｕｒｅｓ，ａｔａｒｇｅｔｈａｓｂｅｅｎｒｅｃｏｇｎｉｚｅｄ．Ｆｉｒｓｔｌｙ，ａｃｃｏｒｄｉｎｇｔｏｔｈｅｔｈｉｓｐａｐｅｒｃｈ啦ｄ崩曙ｏｆｔｈｅｔａｒｇｅｔ－ｏｎ－ｓｅａｉｍａｇｅｓｔｈｒｅｓｈｏｌｄｓｅｇｍｅｎｔａｔｉｏｎｉｎｔｈｅａｅｒｉａｌｐｈｏｔｏｓ，ｄｅｓｉｇｎｓ觚ｉｔｅｒａｔｉｖｅａｐｐｒｏａｃｈｂａｓｅｄｏｎ锄鼢ｔｏｉｍａｇｅｓ．ｏｂｊｅｃｔｓｏｂｔａｉｎｔｈｅｏｂｊｅｃｔｓｏｆｉｎｔｅｒｅｓｔ．Ｔｈｅｒｅａｒｅｔｗｏｗａｙｓ，ｏｎｅｉｓｔｈａｔｔｈｅａｒｅｂｉｎａｒｙｓｅｇｍｅｎｔｅｄｏｂｊｅｃｔｓｏｆｉｎｔｅｒｅｓｔｉｍａｇｅｓ，ｏｎｅｉｓｔｈａｔｔｈｅ∞ｇｍｅｎｔｅｄｏｂｊｅｃｔｓｏｆｉｎｔｅｒｅｓｔａｒｅｇｒａｙｏｎＳｅｃｏｎｄｌｙ，ｔｈｉｓｐａｐｅｒｅｍｐｈａｓｉｚｅｓｔｈｅｆｅａｔｕｒｅｓｅｘｔｒａｃｔｉｏｎｆｒｏｍｔｈｅｏｆｔｈｅｉｍａｇｅｓ．Ｔｈｅｓｅｄｉｓｃｒｉｍｉｎａｔｉｖｅｆｅａｔｕｒｅｓａｒｅｉｎｖａｒｉａｕｔｃｏｒｒｅｓｐｏｎｄｉｎｇｔｏｔｈｅｏｂｊｅｃｔｓ’ｒｏｔａｔｉｏｎ，ｓｃａｌｉｎｇａｎｄｔｒａｎｓｌａｔｉｏｍＣｏｎｓｉｄｅｒｉｎｇｔｈｅｏｆａｌｌｍｏｍｅｎｔｉｎｖａｒｉａｎｔｓｂａｓｅｄｏｎｔｈｅｃｈａｒａｃｔｅｒｉｓｔｉｃｓｉｎｖａｒｉａｎｔｓａｒｅｏｂｊｅｃｔ’Ｓｓｈａｐｅｓａｒｅｅｆｆｉｃｉｅｎｔｔｏｔａｒｇｅｔｒｅｃｏｇｎｉｔｉｏｎ，ｔｈｅｍｏｍｅｎｔｐｒｅｓｅｎｔｅｄ．Ｆｏｒｔｈｅｃｌａｓｓｉｆｉｃａｔｉｏｎｏｆｓｅｅｍｉｎｇｓｉｍｉｌａｒｔａｒｇｅｔ－ｏｎ－ｓｅａｏｂｊｅｅｔｓ，ａｓｅｔｏｆＨｕ’Ｓ８Ｅｌ＇ｅｍｏｍｅｎｔｉｎｖａｒｉａｎｔｓ，Ｚｅｍｉｋｅ’ｓｍｏｍｅｎｔｉｎｖａｒｉａｕｔｓａｎｄｗａｖｅｌｅｔｍｏｍｅｎｔｉｎｖａｒｉａｎｔｓａｐｐｌｉｅｄ．Ｉｎｆａｃｔ，ｍｏｓｔｏｆｔｈｅｓｅｍｏｍｅｕｔｉｎｖａｒｉａｎｔｓａｒｅｉｍａｇｅｓｏｆｔｈｅｔａｒｇｅｔ－ｏｎ・ｓｅａｈａｖｅｉｎｔｅｒｅｓｔｉｎｇｅｘｔｒａｃｔｅｄｆｒｏｍｂｉｎａｒｙｉｎｌａｇｅｓ．Ｔｈｅｓｉｍｐｌｅｂａｃｋ掣。咄ｂｕｔｔｈｅｃｏｎｓｔｒｕｃｔｉｏｎｏｆｔｈｅｏｂｊｅｃｔｓａｍｏｎｇｔｈｅｉｍａｇｅｓａｒｅｉｎｖａｒｉａｎｔｓｃｏｍｐｌｅｘ，ａｎｄｄｉｆｆｅｒｅｎｔｏｂｊｅｃｔｓｈａｖｅｓｉｍｉｌａｒｆｒｏｍｂｉｎａｒｙｉｍａｇｅｓａｒｅｓｈａｐｅｓ，ＳＯｔｈｅｍｏｍｅｎｔｔｈｉｓｋｉｎｄｏｆｅｘｔｒａｃｔｅｄｄｉｆｆｉｃｕｌｔｔｏｃｌａｓｓｉｆｙｏｂｊｅｃｔｓ．Ｓｏｔｈｉｓｐａｐｅｒｐｒｅｓｅｎｔｓｔｈｒｅｅｋｉｎｄｓｏｆｍｏｍｅｎｔｉｎｖａｒｉａｎｔｓｗｈｅｎｔｈｅｏｂｊｅｃｔｉｍａｇｅｓ’ｇｒａｙｖａｒｉａｎｃｅｉｓｌｉｎｅａｒ．ＡｎｄｓｔｕｄｉｅｓｔｈｅｆｅａｓｉｂｉｌｉｔｙａｎｄｅｆｆｉｃｉｅｎｃｙｏｆｔｈｅｔｈｒｅｅｍｏｍｅｎｔＴｏｇｅｔａｉｎｖａｒｉａｎｔｓａｐｐｌｉｅｄｔｏｔｈｅｔａｒｇｅｔ－ｏｎ－ｓｅａｒｅｃｏｇｎｉｔｉｏｎｂａｓｅｄｏｎｓｅｌｅｃｔｉｏｎｍｅｔｈｏｄｇｒａｙｉｍａｇｅｓ．ｌｏｃａｌｌｙｏｐｔｉｍｕｍｆｅａｔｕｒｅｓｅｔ，ａｆｅａｔｕｒｅｂａｓｅｄｏｎＤＢＨ西北工业大学硕士学位论文ＡＢＳＴＲＡＣＴＩｎｄｅｘ（Ｄａｖｉｅｓ－ＢｏｕｌｄｉｎＩｎｄｅｘ）ｃｒｉｔｅｒｉｏｎｉｓｐｒｅｓｅｎｔｅｄ．Ａｔｌａｓｔ，ｔｈｉｓｐａｐｅｒｅｖａｌｕａｔｅｔｈｅ∞ｌｅｃｔｅｄｄｉｓｃｒｉｍｉｎａｔｉｖｅｆｅａｔｕｒｅｓｗｉｔｈｔｈｅｍｉｎｉｍｕｍ－ｄｉｓｔａｎｃｅｃｌａｓｓｉｆｉｃａｔｉｏｎｒｕｌｅｉｎｔｈｅｅｘｐｅｒｉｍｅｎｔ．ＴｈｅｒｅｃｏｇｎｉｔｉｏｎｒａｔｅｏｆＨｕ’ｓｍｏｍｅｍｉｎｖａｒｉａｎｔｓｉｓ７６％．ａｎｄｔｈａｔｏｆＺｅｍｉｋｅ’ｓｍｏｍｅｎｔｉｎｖａｒｉａｎｔｓｉｓ９６％．ｗａｖｅｌｅｔｍｏｍｅｎｔｉｎｖａｒｉａｎｔｓｉｓ１００％．Ｋｅｙｗｏｒｄｓ：ＴａｒｇｃｔＲｅｃｏｇｎｉｔｉｏｎ，ＩｍａｇｅＳｅｇｍｅｎｔａｔｉｏｎ，ＭｏｍｅｎｔＩｎｖａｒｉａｎｔｓ，ＦｅａｔｕｒｅＥｘｔｒａｃｔｉｏｎ，ＦｅａｔｕｒｅＳｅｌｅｃｔｉｏｎ，Ｍｉｎｉｍｕｍ－ｄｉｓｔａｎｃｅｃｌａｓｓｉｆｉｃａｔｉｏｎｒｕｌｅＩＩＩ西北工业大学业学位论文知识产权声明书本人完全了解学校有关保护知识产权的规定，即：研究生在校攻读学位期间论文工作的知识产权单位属于西北工业大学。学校有权保留并向国家有关部门或机构送交论文的复印件利电子版。本人允许论文被查阅和借阅。学校可以将本学位论文的全部或部分内容编入有关数据库进行检索，可以采用影印、缩印或扫描等复制手段保存和汇编本学位论文。同时本人保证，毕业后结合学位论文研究课题再撰写的文章一律注明作者单位为两北工业大学。保密论文待解密后适用本声明。学位论文作者签名：指导教师签名年；月Ｉｉ’日加１年ｊ月歹日西北工业大学学位论文原创性声明秉承学校严谨的学风和优良的科学道德，本人郑重声明：所呈交的学位论文，是本人在导师的指导下进行研究工作所取得的成果。尽我所知，除文中己经注明引用的内容利致谢的地方外，本论文不包含任何其他个人或集体已经公开发表或撰写过的研究成果，不包含本人或其他已申请学位或其他用途使用过的成果。对本文的研究做出重要贡献的个人和集体，均已在文中以明确方式表明。本人学位论文与资料若有不实，愿意承担一切相关的法律责任。学位论文作者签名：｛鱼兰畜伊。７年；月ｆ，日／／西北工业大学硕士学位论文第一章绪论第一章绪论１．１本论文研究的意义先进的敌我识别手段和技术是未来高科技战争的迫切需要。自上世纪末的第一次海湾战争时期至本世纪初的短短十几年，美国在全世界发动的几场战争，日趋清晰地将现代信息战的烙印深深刻在了世人的脑海中。其中基于目标自动识别的战场情报搜集、对敌精确打击，彻底改变了人类有史以来战争的面貌。几十年来，各军事强国付出了巨大的人力物力成本来研究目标识别技术。基于各种手段的目标识别技术涌现了出来，其中许多技术已取得了应用上的极大成功…．从我军的现状来看，海上目标识别技术的研究，对加快和提高我军信息化建设具有重要意义。与各列强军队比较而言，中国军队是陆军强，空军弱，而海军更是弱中之弱。装备基础差，信息化水平低，只能遂行近海防御的作战任务。这与建国以来我们的观念落后，对海空两个军种，尤其是海军不够重视有极大关系。而海洋是２１世纪中华民族生存发展的物质和资源基础，不能确保自己的海洋权益，是中国海军的耻辱，更是中国１３亿人口生存和发展的大患！近几年，国家对这个问题越来越重视，对海空军的投入加大。中国的军事力量要走出第一岛链，突破第二岛链，走向远洋，海空军的信息化建设必须走在前面。要求在技术上确保平时对我海域的信息进行实时准确地跟踪和监视，战时对作战海域及其相关区域的敌方信息进行精确有效的侦察和判断。随着军用计算机视觉技术发展迅速，尤其是模式识别理论的发展，使得航空或卫星照片判读智能化成为可能。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，自动收集和处理侦察情报，提取各种目标特征并确定目标的坐标，从而提高侦察系统的自动化能力。因此，利用计算机从图像上检测出目标，进行航空或卫星图片的自动识别，对于提高判读效率，减少误判率，提供快速、准确的军事情报具有十分重要的意义。目前我军的图象侦察能力很弱，应用中依然局限于目视判读，自动化程度较低。我军虽已组建了航空侦察部队，也装备了航空航天实时传输系统设备，但航空航天侦察的自动化程度不高。从航空或卫星摄影到获取准确的情报，仍然是按照摄影、胶片处理、洗印照片、镶图、目视判读等程序依次进行。这不仅要花费大量的人力，更主要的是需要较长的时间周期，其结果也不尽如人意。我国具有绵长的海岸线和广阔的海洋国土，在中国近代史上，我们“有海无防”，但在２１世西北工业大学硕士学位论文第一章绪论纪的今天，我军情报侦察和监控技术上的这种周期长、效率低、反馈信息滞后的现状，仍然导致我们“有海难防”，不能适应现代化信息战争下保卫我国神圣海洋国土的需要。在这种背景下，研究海上目标识别技术，有非常现实的意义。因此，提高情报的时效性、准确性，研究海上目标识别技术在目前我军的信息化建设中显得十分迫切”。将航空或卫星侦察的海上目标图像实时传输到计算机，由计算机自动处理为正常影像，进行图像增强、边缘处理、去除噪声等预处理，再进行图象分割，提取有效的目标特征，从图像上检测出目标，最后由计算机进行人工智能判读。这样不但可以节省人力，提高判读效率，而且大大提高了准确性，缩短了海上情报的获取时间，为赢得战争胜利奠定坚实的基础。在海洋军事领域中，海上的舰船目标是重要的军事目标，也是侦察和打击的主要对象之一。因此判别海上舰船目标的类型、状态和数量非常重要。针对海上舰船目标在战争中的重要性及危害性，及目前此领域军内外研究较少的现状，我们选用海上舰船目标作为海上目标识别技术研究的对象。１．２图象模式识别概述１．２．１图象处理与图象识别的关系从图象识别的角度出发，图象处理与图象识别二者的关系非常密切，互相交错。图象处理分为低、中、高三个层次。低层处理指的是象素层次上的处理，即一般意义上的“图象处理”，包括图象增强、图象复原、图象编码、图象压缩、图象分割、图象合成等，这个层次的目的就是改善图象的质量，其输入是图象，输出也是图象；中层处理指的是在低层处理的基础上给图象中分割出来的基元以特征描述，即一般说的“模式识别”，在这个层次中对图象进行特征抽取，如抽出图象的边缘线及轮廓，进行区域分割等，然后根据图形的几何及纹理等特征利用模式匹配、判别函数、决定树、团匹配等识别理论对图象进行分类，并对整个图象作结构上的分析，本层次的目的是图象的分类与描述，其输入是图象（通常是处理过的图象），输出是类别和图象的结构分析：高层处理指的是在中层处理的基础上进行图象的理解，即一般说的“计算机视觉”，图象处理的最高目标是让计算机有人那样的视觉系统，这样在某些领域可以代替人来更好地完成任务，这个层次的目标是使计算机具有通过二维图象认知三维环境信息的能力，这种能力将不仅使计算机能感知三维环境中物体的几何信息，包括它们的形状、位置、姿态、运动等，而且能对它们描述、存储、识别与理解，计算机视觉的发展得益于神经生理学、心理学、认知科学对动物视觉系统的研究。而图象处理中最关键的是中层的２西北工业大学硕士学位论文第一章绪论模式识别阶段，这个阶段承上启下，它的好坏直接影响最终的高层计算机视觉的结果。本文研究的海上目标识别技术即是中层的模式识别。１．２．２图象模式识别系统一个功能较完善的图象模式识别系统在进行目标模式识别之前，首先要进行学习或对它进行训练，就是说，这包括两个过程一学习／Ｎ练和识别分类。一个目标识别系统的原理框图可以用图Ｉ一１表示。虚线的上部是识别过程，虚线的下部是学习、训练过程。需要指出的是，应用目的不同、对象知识多少不同、采用的分类识别方法可能不同，采用的学习方法也可能不同，针对具体问题的分类识别系统和过程也将有所不同。图１－１图象模式识别系统原理框图下面对识别系统的主要环节做简要说明。（１）图象分割图象分割是图象模式识别过程的基础。它所遵循的基本原则是使所考虑的特征或属性在分割后的区域内部是相同或相似的，而这些特征或属性在相邻的区域中是不同的。从本质上讲这是以象素为单位或以小块区域为单元的模式识别问题。图象分割可以用均一性观点提取各个不同类型的区域，也可以用差异性观点提取不同类型区域的边界，或者综合运用上述两个观点。另外，在进行图象分割之前～般还需要对图象进行必要的预处理。（２）特征提取无论是识别过程还是学习过程，都要对研究对象固有的、本质的重要特征或属性进行量测并将结果数值化，或对目标进行分解产生并对其符号化，形成特征矢量或符号串、关系图，从而产生代表对象的模式，模式类中的个体在有些场合中也称为样本。用于学习与训练的样本的类别应是已知的。３西北工业大学硕士学位论文第一章绪论（３）特征选择通常能描述对象的元素很多，为了节约资源，节省计算机存储空问、机时、特征提取的费用，有时更是为了可行性，在保证满足分类正确率要求的条件下，按某种准则尽量选用对正确分类识别作用较大的特征，使得用较少的特征就能完成分类识别任务。这项工作表现为减少特征矢量的维数或符号字符数。（４）学习和训练为有效地让机器具有分类识别功能，如同人类自身一样，人们应首先对它进行训练，将人类的识别知识和方法以及分类识别对象的知识输入机器中，产生分类识别的规则和分析程序，这也相当于机器进行学习。这个过程一般要反复进行多次，不断地修正错误、改进不足，这包括修正特征提取方法、特征选择方案、判决规则参数及方法，最后使系统正确识别率达到设计要求。目前，机器的学习常需要人工干预，这个过程通常是人机交互的。（５）分类识别在学习、训练之后，所产生的分析规则及程序用于未知类别的对象的识别。需要指出的是，输入机器的人类分类识别的知识和方法以及有关对象知识越充分，这个系统的识别功能就越强，正确率就越高。有些分类过程（如聚类分析）似乎没有将有关对象的类的分布知识输入，实际上在选择相似性测度及采用哪种聚类方法时已经用到了对象的一些知识，也在一定程度上加入了人类的知识。以上给出了图象模式识别系统的原理框图及各个环节的概述。从一定意义上可以说，图象模式识别主要包括四个核心的理论与技术：（１）图象分割；（２）特征提取与选择；（３）学习训练算法；（４）分类与识别算法。其中特征提取是至关重要的，它关系到学习算法的选择和学习的效率，关系到分类识别算法的选取与识别正确率，从一定意义上讲，它关系到一个识别系统是否是有效的。本论文重点讨论海上目标特征提取的理论、原则与方法。１．３图象模式识别的主要方法嘲图象处理及识别技术在医学图象、卫星遥感图象、地理信息系统、人脸识别系统、商标版权等领域得到成功应用，涌现了大量的技术文献‘州。总结这些研究成果，从图象模式识别提取的特征来看，图象识别方法主要有：基于色彩特征的识别技术、基于纹理特征的识别技术以及基于形状特征的识别技术。４西北工业大学硕士学位论文第一章绪论１．３。１基于色彩特征的识别技术色彩是物体表面的一种视觉特性，每种物体都有其特有的色彩特征，譬如人们说到绿色往往是和树木或草原相关，谈到蓝色往往是和大海或蓝天相关，同一类物体往往有着相似的色彩特征，因此我们可以根据色彩特征来区分物体。由于色彩直方图”１具有简单且随图象的大小、旋转变换不敏感等特点，得到了研究人员的广泛关注。（１）全局色彩特征技术全局色彩特征识别技术目前采用最多的色彩直方图的方法，其主要思想是根据色彩直方图统计每种色彩在图象中出现的概率，然后采用色彩直方图的交集来度量两幅图象色彩的相似性，其最大的缺点是完全丢失了图象色彩的空间信息。后来Ｐａｓｓ…等人提出了图象的色彩聚合矢量Ｃｃｖ（Ｃｏｌｏｒｃｏｈｅｒｅｎｃｅｖｅｃｔｏｒ）的方法，它是图象直方图的一种演变，其核心思想是将图象中在感知上色彩相似的象素所占据的连续区域的面积达于一定的阈值时，该区域中的象素为聚合象素，否则为不聚合象素，这样统计图象包含的每种色彩的聚合和不聚合像素的比率称为该图象的色彩聚合矢量。该聚合信息在某种程度上保留了图象色彩的空间信息。关于图象色彩直方图之间的距离，目前主要有直方图的交、直方图的绝对值距离哪，Ｎｉｂｌａｃｋ和Ｂａｒｂｅｒ等人采用直方图的欧几里德的度量方法蜘，Ｈａｌｅｒ等人提出了色彩直方图之间的加权距离作为直方图之间的度量方法“”。（２）局部色彩特征技术由于全局色彩特征捕获了整幅图象色彩分布的信息，丢失了许多局部的色彩空间信息。目前从划分局部区域的角度来说可分为：基于固定块的图象分割、基于手工的区域分割、采用交互的半自动区域分割以及一些自动的色彩分割方法。局部区域中的色彩信息可以表示为平均色彩、主色彩、色彩直方图和二迸制色彩集。局部色彩特征技术的主要思想是从图象中选择一些代表色彩，然后将图象划分成一定的矩形区域，每个区域中以一种主要的单一色彩作为代表，两个图象之间的相似性是两个图象具有相似色彩区域的重叠程度。１．３．２基于纹理特征的识别技术纹理是图象的一个重要属性。关于纹理的定义和纹理的量化方法有许多，其中主要有两种：一种是结构方法，一种是统计方法。前者是将图象中非常具有结构规律的特征加以分析，后者则是对图象中的色彩强度的分布信息进行统计。Ｈａｒａｌｉｃｋ“”纯粹从数学上研究了图象纹理中灰度级的空间依赖关系，根据图象中５西北工业大学硕士学位论文第一章绪论象素之间的方位和距离关系构造了一个共生矩阵，然后从中提取有意义的统计特征作为纹理特征的表达，使用的特征主要有能量、熵、相关性和惯量，该方法的最大缺陷是这些统计特征没有和人在视觉上对纹理特征鉴别之间建立对应关系。目前己有不少人提出了纹理特征的识别、度量方法，其中Ｔａｍｕｒａ提出的纹理特征集很好地对应于人类视觉感知，这些特征包括：粗糙度、对比度、方向度、规整度和粗略度，在这些特征中最重要的特征主要是纹理的粗糙度、对比度和方向度，随后有不少人提出了纹理的特征集。目前还没有一个统一的标准来精确地表示纹理的特征，因为人对纹理的视觉特征的认识非常主观。随着小波变换在图象纹理分析中的广泛应用，一些人从小波子波段中提取统计特征作为图象的纹理表示“”，同时，发现基于Ｇａｂｏｒ基小波变换的纹理效果最好“”。１．３．３基于形状特征的识别技术形状是图象的重要可视化内容之一。在二维图像空间中，形状通常被认为是一条封闭的轮廓曲线所包围的区域，所以对形状的描述涉及到对轮廓边界的描述以及对这个边界所包围区域的描述。目前的基于形状的识别方法大多围绕从形状的轮廓特征和形状的区域特征来进行。关于对形状轮廓特征的描述主要有：直线段描述、样条拟合曲线、付立叶描述子以及高斯参数曲线等等。Ｊａｉｎ等人将形状用封闭的直线段来描述““，庄越挺提出形状的内角直方图概念“８，６ｕｄｉｖａｄａ采用样条曲线对形状的边界进行拟合“”。不过上述方法存在的主要问题是一些形状特征的描述不是独立于形状的大小、位置和方位，在使用时有一定的局限性，而且这些表示方法对形状表示信息丢失较多，导致识别的效果不是很理想。Ｚａｈｎ采用付立叶描述子描述形状的边界信息，Ｒｕｉ等将这种方法用到了基于形状的检索方法中“”。６ｕｎｓｅｌ提出了基于特征形状的图象检索方法“毋。对于形状的区域特征主要有形状的不变矩、区域的面积、形状的纵横比等。Ｈｕ“”提出了用形状的７个不变矩来度量形状的特征，该七个不变矩指的是物体相对于旋转、平移、尺度变换不敏感的特征量，不少人也为此提出了快速算法啪。”。在Ｈｕ的启发下，不变矩理论得到了很大发展，具体会在后文中叙述．小波不变矩也是在不变矩理论下的又一发展，这对图像模式识别起到很大的推动作用。当然，对图象模式识别的分类也可从目标识别的算法角度来分，目前常用的目标识别算法采用两种策略：一种称为由下而上的数据驱动模型，另一种称为由上而下的知识驱动模型。对于前者，不管待识别目标属于何种类型，一律先对原始图象进行一般性的分割、标识和特征抽取等低层处理，然后将每个带标识的己分割区域的特征矢量６西北工业大学硕士学位论文第一章绪论与目标模型相匹配，其优点是适用面广，对单目标及复杂景物分析均适用，具有较强的代换性，缺点是在分割、标记和特征抽取等低层处理过程中由于缺乏知识的指导而盲目性大，导致工作量大、匹配算法比较复杂；对于后者，根据待识别目标的模型，先对图象中可能存在的特征提出假设，再根据假设进行有目的地分割、标记和特征抽取等低层处理，在这个基础上与目标模型相匹配，其优点是低层处理是在知识的知道下进行的粗匹配，可以避免抽取过多不必要的特征，可以提高算法的效率，精匹配也因此变得简单而有针对性，其缺点是待识别目标改变，知识假设就必须随之而改变，因而代换性较差。１．４目标识别技术的发展状况在基于航空图片的海上目标识别领域，目前全军内外都处于研究试验阶段，由于涉及军事机密，这方面成形的资料较少。而外军的研制情况均属于保密，我们无从参考。因此，在此仅就目标识别的研究现状做简单介绍嘧１。由于目标识别技术的重要性，它已成为国内外信息处理技术发展的重点。近十年来，目标识别已由理论探索、实验室仿真逐渐走向实际应用。目前计算机目标识别方法主要有以下五种：（１）经典的统计模式识别方法。该方法主要利用目标特性的统计分布，依靠目标识别系统的大量训练和基于模式空间距离度量的特征匹配分类技术，可在较窄的场景定义域内获得较有效的识别。该方法是早期使用的方法，仅在很窄的场景定义域内，且在目标图象和周围背景变化不大的情况下才比较有效，难以解决姿态变化、目标污损变模糊、目标部分被遮掩等问题。（２）基于知识的目标识别方法。２０世纪７０年代末，人工智能专家系统开始应用到目标识别的研究，形成了基于知识的目标识别方法，即知识基（ＫｎｏｗｌｅｄｇｅＢａｓｅｄ，Ｉ（Ｂ）系统。这种方法在一定程度上克服了经典统计模式识别法的局限性，但目前存在的问题是可供利用的知识源的辩识和知识的验证很困难，同时难以在适应新场景中有效组织知识。（３）基于模型的目标识别方法。模型基（ＭｏｄｅｌＢａｓｅｄ，她）的方法首先是将复杂的目标识别的样本空间模型化，这些模型提供了一种描述样本空间各种重要变化特性的简便途径。典型的临系统抽取一定的目标特性，并利用这些特性和一些辅助知识来标记目标的模型参数，从而选择一些初始假设，实现目标特性的预测。一个船系统的最终目标是匹配实际的特性和预测后面的特性，若标记准确，匹配过程则会成功和有效。该方法目前尚限于实验室研究阶段。（４）基于多传感器信息融合的目标识别方法。单一传感器的导引头在有光、７西北工业大学硕士学位论文第一章绪论电干扰的复杂环境中，目标知识识别的能力、抗干扰能力及其工作可靠性都将降低。２０世纪８０年代兴起的基于多传感器信息融合（Ｍｕｌｔｉ—ｓｅｎｓｏｒＦｕｓｉｏｎＩｈｆｏｒｍａｔｉｏｎＢａｓｅｄ，ＭＩＦＢ）的识别方法克服了单一传感器系统的缺陷。从输入信息的形式看，信息融合可在决策层、特征层或象素层等各个层次进行。象素层融合是最低层次的属性融合，即将各个图象传感器数据直接融合，而后对融合的数据进行特征提取。这一层次的信息融合能够提供其他层次的融合所不具备的细节信息，采用的融合方法有逻辑滤波器、数学形态学、模拟退火、小波变换等。特征层融合是中间层次的融合，它是先对各个传感器的观测进行特征提取，产生特征矢量，再将这些特征矢量融合，并作出基于联合特征矢量的属性说明。该层次的融合是象素层融合和决策层融合的折中形式，兼有二者的优缺点，具有较大的灵活性，常用的方法有扩展的Ｋａｌｍａｎ滤波、约束高斯一马尔可夫估计、分片统计等。决策层融合是最高层次的融合，它是在传感器的观测基础上产生特征矢量，对这些特征矢量进行模式识别处理并作出相应的关于目标的属性说明，再将各图象传感器的属性说明数据进行关联和合成，得到该目标的一个联合的属性说明。常用的方法有Ｂａｙｅｓ推理、Ｄ－ｓ证据推理、模糊逻辑以及近年涌现的人工神经网络和支撑向量机等。（５）基于人工神经网络和专家系统的目标识别方法。专家系统是以逻辑推理为基础，模拟人类思维的人工智能方法。人工神经网络（ＡＮＮ）是以神经元连接结构为基础，通过模拟人脑结构来模拟人类形象思维的一种非逻辑、非语言的人工智能方法。ＡＮＮ自底向上的训练和归纳判断特性与专家系统的积累知识的自顶向下的利用特性，可以很好的互相补充结合，提供更强的处理信息能力。二者混合使用的结构形式有并接结构、串接结构和嵌入结构三种。并接结构系统可并列使用专家系统和神经网络；在串接结构中，各模块独立工作，实现各自特定的功能串联连接；嵌入式结构是在专家系统类内嵌小型神经网络或者在ＡＮＮ内嵌入小型专家系统以改善系统性能。神经网络实现工程应用的瓶颈是实时性欠佳。１．５本文研究的主要内容及工作安排本文研究的主要内容是基于航空图片的海上目标识别算法。通过～定的图象分割处理后，获得图象的目标区域，然后进行目标区域特征量的提取，特征选择，再按照一定的分类法则确认待识别的目标物体的类别。本论文分为六章，各章内容安排如下：第一章绪论介绍了本论文研究的意义，对图象目标模式识别进行了简单介绍，对国内外８西北工业大学硕士学位论文第一章绪论目标识别技术的发展状况进行了简单了解。第二章图象分割主要对图象分割理论进行了介绍。介绍了图象分割的定义、主要方法、评价。对基于边缘的图象分割法和基于区域阈值的图象分割法进行了深入了解。并最终为海上目标图象选用了适合的分割方法。第三章利用矩理论提取目标区域特征的研究介绍了图象矩函数理论的发展过程。从图象矩的定义入手，引入了几何矩和Ｈｕ矩不变量，Ｚｅｒｎｉｋｅ矩和Ｚｅｒｎｉｋｅ矩不变量、小波矩和小波矩不变量的概念，从理论上讨论了三种矩不变量利用于图象目标识别的可行性和各自的特点。针对本文研究的海上目标图象的特点，提出了具有对比度不变性的矩不变量特征表达形式，将它们应用于本文海上目标识别的特征提取。第四章特征选择算法和最小距离分类法为了选择较优的特征向量，本文采用了基于一种ＤＢＩｎｄｅｘ准则可分离性判据的特征选择算法一增，减，法来进行特征选择。分类识别采用最小距离分类法来完成。第五章实验结果与分析给出了图象分割的两种结果：分割区域为二值图象的分割结果和分割区域为灰度图象的分割结果。随后，实验一提取了基于二值图象的矩不变量特征来进行海上目标识别，实验二提取了基于灰度图象的具有对比度不变性的矩不变量特征来进行海上目标识别。最后比较两个实验结果，给出了实验结论。第六章总结与展望总结了本文所做的主要工作，并对海上目标识别技术理论的发展以及本论题需要继续进行的工作做了展望。９西北工业大学硕士学位论文第二章图象分割第二章图象分割２．１图象分割技术概述２．１．１图象分割的定义在对图象的研究和应用中，人们往往仅对图象中的某些部分感兴趣。这些部分常称为目标或前景（其它部分成为背景），它们一般对应图象中特定的、具有独特性质的区域。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对目标进一步利用。图象分割就是指把图象分为各具特性的区域并提取出感兴趣目标的技术和过程。这里特征可以是象素的灰度、颜色、纹理等，预先定义的目标可以对应各个区域，也可以对应多个区域。多年来人们对图象分割提出了不同的解释和表述，借助集合概念对图象分割可给出如下比较正式的定义…：令集合Ｒ代表整个图象区域，对Ｒ的分割可看作将Ｒ分成Ｎ个满足以下五个条件的非空子集（子区域）焉，也，…，足。：．．Ｎ．①ＩＪＲｉ＝Ｒ；＝②对所有的ｉ和Ｊ，有置ｎＲｊ＝妒；③对ｉ＝１，２，…，Ｎ，有Ｐ（冠）＝ＴＲＵＥ；＜Ｄ对ｉ＃ｊ，有尸（Ｒ，ＵＲ，）＝ＦＡＬＳＥ；⑤对ｉ＝１，２，…，Ｎ，冠是连通的区域。其中，Ｐ（Ｒ，）是对所有在集合Ｒ。中元索的逻辑谓词，妒代表空集。下面先对上述各个条件分别给予简略解释。条件①指出，在一幅图象的分割结果中，全部子区域的总和（并集）应能包括图象中的所有象素（就是原图象），或者说分割应将图象中的每个象素都分进某个子区域中；条件②指出，在分割结果中各个子区域是互不重叠的，或者说在分割结果中一个像素不能同时属于两个区域；条件③指出，在分割结果中每个子区域都有独特的特性，或者说属于同一个区域中的像素应该具有某些相同特性；条件④指出，在分割结果中，不同的子区域具有不同的特性，没有公共元素，或者说属于不同区域的像素应该具有一些不同的特性；条件⑤要求分割结果中同一个子区域内的像素应当是连通的，即同一个子区域内的任两个像素在该子区域内互相连通，或者说分割得到的区域是一个连通组元。１０西北工业大学硕士学位论文第二章图象分割２．１．２图象分割的主要方法图象目标识别中最根本的就是分割，只有在分割完成后，才能对分割出来的目标进行识别、分类、定位和测量。分割在世界上的研究十分活跃，当前研究分割的方法主要有阈值分割、边缘检测分割、多尺度分割、统计学分割以及区域边界相结合的分割方法。阈值分割就是简单地用一个或几个阈值将图象的灰度直方图分成几个类，认为图象中灰度在同一个灰度类内的象素属于同一个物体，其缺陷在于它仅仅考虑图象的灰度信息，而忽略了图象中的空间信息，对于图象中不存在明显灰度差异或各物体的灰度值范围有较大重叠的图象分割问题难以得到准确的结果。边缘检测分割，通过检测包含不同区域的边缘来解决图象分割，基于在不同区域之间的边缘上象素灰度值的变换往往比较剧烈，其缺点是仅用了局部信息而没有用全局信息，分割有时候不准确。统计学分割，把图象中各个象素的灰度值都看作是有一定概率分布的随机变量。观察到的图象是对实际物体做了某种变换并加入噪声的结果，要从观察到的图象中正确分割图象，从统计学的角度就是要找出以最大概率得到的该图象的物体组合，其缺点是事先假定的概率模型不一定很符合当前的情况，因而分割的效果不是很好。区域生长分割，有两种方式，一种是先给定图象中要分割的目标物体内的一个小块，再在这个小块的基础上不断将其周围的象素以一定的规则加入其中，达到最终代表目标物体的所有象素结合成一个区域。另一种是先将图象分割成很多一致性强的小区域，再按一定的规则将小区域融合成代表目标物体的大区域，其缺点往往造成分割过度而效果不好。简单说，图象分割可基于相邻象素在象素值方面的两个性质：不连续性和相似性Ⅲ１。区域内部的象素一般具有某种相似性，而在区域之间的边界上一般具有某种不连续性。所以分割算法可据此分为利用区域间特性不连续性的基于边界的算法，和利用区域内特性相似性的基于区域的算法。由此，接下来的章节将从基于边缘的边缘检测图象分割法以及基于区域的阈值法图象分割法这两方面进行研究。２．１．３图象分割的评价尽管图象分割已经大量的研究，但尚未有一种适合于所有图象的通用的分割算法。选用合适的分割算法仍是一件麻烦的事，因未有恰当的评判标准。事实上，分割算法的性能评价对许多图象技术都是很重要的…。通常，图象分割评价可以西北工业大学硕士学位论文第二章图象分割分为两种情况：性能刻划和性能比较。具体地说，性能刻划指掌握某种算法在不同分割情况下的表现，以通过选择算法参数来适应分割具有不同内容的图象的分割在不同条件下采集到的图象的需要；性能比较指的是，比较不同算法在分割给定图象时的性能，以帮助在具体分割应用中取合适的算法或改进已有的算法。上述这两方面的内容是相互关联的，性能刻划能使对算法的性能比较更加全面，性能比较能使对算法的性能刻划更有目的性。为达到分割评价的目的，对评价方法提出基本要求主要有：①、应具有广泛的通用性，即评价方法要适于评价不同类型的分割算法并适合各种应用领域的情况。②、应采用定量的和客观的性能评价准则，这里定量指的是可以精确地描述算法的性能，客观是指评价摆脱了人为的因素。③、应选取通用的图象进行测试以使评价结果具有可比性和可移植性，同时，这些图象应尽可能反映客观世界的真实情况和实际应用领域的共同特点。边缘检测是许多图象分割算法的重要步骤，对边缘检测情况的评价主要考虑边缘点的连接、错检、漏检、边缘的位置（是否偏移）和粗细或宽度（或模糊度）等情况。阈值分割法主要利用背景和目标的灰度值的差异进行分割，其主要考虑分割后目标轮廓的完整性，目标与背景间重叠区域的大小。实际应用中，并不一定会按照上述准则进行评价，主要原因是不同的分割要求不同，分割的侧重点不同。不同的图象质量，造就了对分割评价的差异。本文中，分割的主要目的是得到目标的区域，因而，主要依据分割后目标区域的完整性，来评价适合本文的图象分割方法之优劣。２．２利用边缘检侧的图象分割法利用边界技术进行图象分割主要有两个步骤：①检测目标的边缘点；②组成目标的边界。第一个步骤可采用微分算子来直接检测，第二个步骤往往比较复杂，通常采用边界｝ｊｌ合等方法实现。２．２．１梯度算子分割技术梯度对应一阶导数梯度算子。在边缘灰度值过渡比较尖锐且图象中噪声比较小时，梯度算子工作效果较好。对一个连续图象函数ｆ（ｘ，ｙ），它在位置（ｘ，ｙ）的梯度可表示为一个矢量（其中Ｇ，和ｑ分别为沿ｘ方向和ｙ方向的梯度）：Ｖｆ（ｘ，ｙ）：【Ｇ，Ｇ，卜【罢封（２－１）。Ｃ靠咖１２阿北Ｉ‘业人学硕十学何论文第一二章例象分剌这个矢量的幅度（也常常称为梯度）和方向角分别为：ｖｆ＝ｍａｇ（Ｖｆ）＝（Ｇ：＋Ｇ：）只（２—２）（２—３）妒（ｘ，ｙ）＝ａｒｃｔａｎ（Ｇ，／Ｇ．）计算幅度。常用的两种方式分别为以１为模（对应城市距离）：式（２—２）的幅度计算是以２为模（对应欧氏距离）的。为了计算简便也可用其它模来ｖｆＯ）＝＋吲和以ＣＯ为模（对应棋盘距离）：（２－４）Ｖｆ（ｏｏ）＝ｍａｘ幅鲱（２－ｓ）以上各式中的偏导数需要对每个象素位置计算，在实际常用的小区域模板进行卷积来近似计算。对Ｇ，和Ｇ。需各用一个模板，所以需要两个模板组合起来以构成一个梯度算子。根掘模板的大小和元素（系数）值的不同，人们己提出了许多种不同的算子。最简单的梯度算子是罗伯特交叉（Ｒｏｂｅｒｔｓｃｒｏｓｓ）算子，它的两个２×２模板见图２－１（ａ）。比较常用的还有普瑞维特（Ｐｒｅｗｉｔｔ）和索贝尔（Ｓｏｂｅｌ）算子，它们都用两个３×３模板，分别见图２—１（ｂ）和图２—１（ｃ），其中索贝尔算子是效果比较好的一种。困圈圈圜圈圈‘８）１１０ｂｅｒｔｓ算予‘ｈ）Ｐｒ盯ｉｔｔ算子（ｃ）Ｓｏｂｅｌ算子图２－１几种常用梯度算子模板２．２．２拉普拉斯算子分割技术拉普拉斯（Ｌａｐｌａｃｉａｎ）算子是一种二阶导数算子，对一个连续函数ｒ仅，ｙ），它在图象中位詈，（ｘ，Ｙ）的拉普拉斯定义如下：ｖ２ｒ：孥＋馨玉。砂‘（２—６）拉普拉斯算予是无方向性的算子，它比前述计算多个方向导数算子，计算肇要小，因只需要用一个模板，且不必综合各模板的值。计算数字图象函数的拉普拉斯值也是借助卷积实现的。这罩对模扳的基本要求是列应中心象素的系数应是正的，而对应中心象素邻近象素的系数戍足负的，且所有系数的和应该是零，这阿北ｌ。业人学硕十学付论文第一：章倒象分割样就不会产生狄度偏移。实现拉普拉斯运算的几种模板如图２—２：圈圈圜（丑）‘ｂ》∞图２—２几种实现拉普拉斯运算的模板图２—３是对～幅典型海上目标图象的边缘检测结果。从图２—３可以看到，Ｌａｐｌａｃｉａｎ算子检测出来的边缘最宽，效果不甚理想；Ｓｏｂｅ］算子和Ｐｒｅｗｉｔｔ算子检测的结果比较相近，这两种算子有抑制噪声能力，但检出边缘的宽度较宽；Ｒｏｂｅｒｔｓ算子检测的结果最为平滑，边缘较细。当然，这罩的评判标准并不只是人眼视觉效果，还可以通过直方图来验证。（ａ）原图（ｂ）Ｓｏｂｅ］算子（ｃ）Ｒｏｂｅｒｔｓ算子（ｄ）ｐｒｅｗｉｔｔ算子４Ｉ，ｔｉ北Ｉ业人学硕十学付论文第二章图象分割（ｅ）Ｌａｐｌａｃｉａｎ算子图２—３一幅典型海上目标图象的边缘检测结果虽然各种算子检测出的目标边缘效果不同，但它们普遍性地造成目标区域内的结构过于复杂，不利于下一步的特征提取，很难识别。同时，不同的海上目标的形状具有较大韵相似性，分割出的目标图象的边缘具有较大的相似性，也难于区分目标。所以，边缘检测的图象分割不适合海上目标的识别。２．３阈值法分割算法研究２．３．１阈值化分割原理阈值化分割算法的研究历史很长汹１，现己提出了大量的算法。简单说来，对灰度图象的取阈值分割就是先确定一个处于图象灰度取值范围之中的灰度阈值，然后将图象中各象素的灰度值都与这个阈值相比较，并根掘比较结果将对应的象素（分割）划为两类：象素的厌度值大于阈值的为一类，象素的灰度值小于闽值的为另一类（灰度值等于阈值的象素可归入这两类之一）。这两类象素分属图象中的两类区域，所以对象素根掘阈值分类达到了区域分割的目的。由此可见，闽值化分割算法主要有两个步骤：①确定需要的分割阂值；②将分割阈值与象素值比较以划分象素。以上步骤中，确定阈值是分割的关键，如果能确定一个合适的阂值就可以方便地将图象分割丌来。而在闽值确定后，将阈值与象素值比较和划分象素可对各象素并行地进行，分割的结果直接给出图象区域。在利用取阈值方法来分割及度图象时～般都对图象有一定的假设，即基于一定的图象模掣的。最常｝－甘的模氆可描述如－Ｆ””１：假设图象足具有单峰从度分布的Ｉ］标和背景组成，处于Ｈ标或背景内部棚邻象素Ｍ的次度他高度卡Ｈ关的，似处于曲北Ｉ‘业人学硕十学位论文第二章幽象分割目标和背景交界处的像素上有很大的差别。如果一幅图象满足这些条件，它的从度直方图基本上可看作是由分别对应目标和背景的两个单峰直方图混合构成的．进一步如果这两个分布大小（数量）接近且均值相距足够远，而且两部分的均方差也足够小，则直方图应为较明显的双峰。类似地，如果图象中有多个单峰灰度分布的目标，则直方图有可能表现为较明显的多峰。对这类图象常可用取闽值方法来较好地分割。要把图象中各种灰度的象素分为两个不同的类需要确定一个阂值。如果要把图象中各种灰度的象素分为多个不同的类，那么需要选择一系列闽值以将每个象素分到合适的类别中去。如果只用一个阈值分割称为单阂值分割方法，如果用多个阂值分割称为多阈值分割方法。单阈值分割可看作是多阈值分割的特例，许多单阈值分割算法可推广以进行多阈值分割…１。反之，有时也可将多阈值分割问题转化为一系列单阈值分割问题来解决””。不管用何种方法选取阈值，一幅原始图象触．∥取单阈值Ｔ分割后的图象可定义为：如叫：篆。懈：；来进行表达。∞，，这样得到的ｇ（墨力是一幅二值图象，它相当于把原始图象ｆ（ｘ，Ｙ）用空间占有数组在一般的多闽值分割情况下，取阈值分割后的图象可表示为：ｇ（ｘ，Ｙ）＝ｋｉｆ瓦一Ｉ＜ｆ（ｘ，Ｙ）ｓ瓦，ｋ＝Ｏ，１，２，…，ｋ（２—８）其中Ｔｏ，正，…，瓦是一系列分割阂值，ｋ表示赋予分割后图象各区域的不同标号。需要指出，无论是单阈值分割或多阈值分割，分割结果中都有可能出现不同区域具有相同标号或取阀值的情况。这是因为取阈值分割是只考虑了象素本身的值，未考虑象素的空间位置。所以根据象素值划分到同一类的象素有可能分属于图象中不相连通的区域。这时往往需要借助于一些对场景的先验知识来进一步确定目标区域。２．３．２最优阈值法分割技术有时候图象中目标和背景的狄度值有部分交错，这时如用一个全局阂值进行分割则总会产生一定的误差。实际中常希望能尽可能减小误分割的概率，而选取最优阅值分割法，这是一种常见的方法。这罩最优阈值指能使误分割率最小的分割阈值。图象的氲方图可看成象素跃度值的概率分布密度函数的一个近似，设一幅图象仅包括两类主要的从度值ｌＸ域（闩标和背景），那么其直方罔所代表的象素狄度值概率分布密度函数实际卜是对应同标和背景的两个单峰分布密度函数之和。西北工业大学硕士学位论文第二章图象分割设有这样一幅混有加性高斯噪声的图象，背景和目标的概率密度分别是以（２）和ｐｏ（ｚ），整幅图象的混合概率密度ｐ（ｚ）是：ｐＣｚ）＝只Ｐ＾（ｚ）＋ＰｏＰ。（ｚ）＝去ｅｘ《一％斗志斗与茅］Ｑ啕’其中，心和几分别是背景和目标区域的平均灰度值，％和ｏｒ。分别是关于均值的均方差，只和只分别是背景和目标区域灰度值的先验概率。根据概率定义可以知道只＋只＝１，所以混合概率密度式（２－９）中只有５个未知的参数。Ｏ．ｒＺ图２—４一幅混有加性高斯噪声图象的背景和目标的概率密度分布参见图２ｑ，假设／．ｔ。＜心，需要确定一个阙值Ｔ，使得灰度值小于Ｔ的象素分割为背景，而使得灰度值大于Ｔ的象素分割为目标。这时错误地将目标象素划分为背景的概率和将背景象素错误地划分为目标的概率分别是：毛叮）＝Ｌ成（ｚ）毖而总的误差概率是Ｅ（ｒ）＝ｅｏＥｂ（Ｄ＋只Ｅｏ（ｒ）（２一ｌｏ）Ｅｏ（Ｔ）＝ｆ岛（ｚ）出（２－１１）（２－１２）为求得使该误差最小的阈值可将Ｅ（Ｔ）对Ｔ求导并令导数为零，这样得到：％和仃ｎＥ风（ｒ）＝ＰｏＰｏ（Ｔ）（２－１３）如果两个区域的方差相等，即整幅图象的噪声来自同一个源，％：仃。，则只有一个最优阈值：肚一２＋岳／．ｔ吐刳。一“。１只Ｊｃｚ－埘特别的，当只＝￡时，有：ｒ：丝±＆（２一１５）西北工业大学硕士学位论文第二章图象分割２．３．３自适应阈值法分割技术许多情况下，背景的灰度值并不是常数，物体和背景的对比度在图象中也有变化。这时，一个在图象中某一区域效果良好的阈值在其它区域却可能效果很差。这种情况下，把灰度阈值取成一个随图象中位置缓慢变化的函数值是适宜的，这就是自适应阈值脚。由于该阈值考虑到了背景对当前目标的影响而动态变化，对于图象中物体和背景对比度存在变化的分割来说更合理些。利用各象素的ｎＸｎ邻域（ｎ为奇数，为减少运算量，一般取ｎ＝３或５），对该象素的邻域灰度进行统计：１ｎ／２州２Ｍ＝吉∑∑ｍ＋．，，ｙ＋七）Ｓ：一１玎（２—１６）（２－１７）Ｔ＝Ｍ＋ａ×Ｓ（２－１８）其中，ａ为常数（Ｏ＜口＜１），根据图象的质量取值。当图象质量较好时，ａ取较小的值，对较差的图象取较大值；Ｍ为某一象素邻域内各象素的灰度平均值；ｓ为该邻域内象素灰度的标准差；ｒ为考虑邻域的动态自适应二值化时的阈值，该值根据某象素的邻域内的灰度平均值及该邻域象素灰度的标准差计算得到，见式（２—１８）。利用动态自适应阈值Ｔ对图象进行阈值分割，可得二值图象：ｆ（ｘ，ｙ，＝｛ｏ孑震宝主；应的二值化过程。∞娜由于阈值ｒ的大小取决于象素的位置，每个象素均有不同的阈值，因而是自适２．３．４迭代阈值法分割技术阈值也可以通过迭代计算得到，这里介绍一种称为迭代选择阈值的方法，首先，取图象灰度范围的中值作为初始阈值瓦（设共有Ｌ个灰度），然后按下式进行迭代：石ｚ圹ｊ１芝¨。狲Ｌ－Ｉｋ＝０ｒ。后．■‘』』＋●‘Ｌ—ｌ（２－２０）∑％∑ｈｋ其中，ｈｋ是灰度为ｋ值的象素个数，迭代一直进行到Ｚ。＝Ｚ结束，取结束时的Ｚ为分割闽值。晴北Ｉ业人学硕十学何论文第二章图象分割图２－５迭代阈值法的流程和实现上述分割算法可用图２－５所示流程来解释和实现。首先根掘初始丌关函数将输入图象逐象素分为背景和前景，在第一遍对图象扫描结束后，平均两个积分器的值以确定一个阈值。用这个闽值控制丌关再次将输入图分为背景和前景，并用作新的丌关函数。如此将迭代反复进行直到开关函数不再发生变化，此时得到的背景和前景即为最终分割结果。直观地看，上述方法得到的阈值处在与两个灰度区域的重心成反比的位置，所以从路径规划的角度看也是一种最优阈值。当然，在对直方图进行迭代处理之前，通常需要对直方图进行平滑处理以防止原始直方图双峰本身的沟鸿过多，打乱了迭代处理的数掘位置走向，使迭代次数难以确定，从而影响了计算的ｉＦ确度和增加了计算量。我们对一幅典型海上目标图象分别采用最优阈值法和迭代阈值法进行分割，结果如图２—６。（ａ）原Ｉ鳘｜（ｂ）最优刚值法分割结果（ｃ）迭代阂值法分割结果图２—６一幅典型海上目标图象的分割可见，在这类图象中，迭代阈值法的分割效果相对较好。村Ｊ匕Ｉ。业人学硕十学何论文第一二章ｌ割象分割２．４本章小结本章主要对基于边缘和基于区域的两类分割算法迸行了分析和比较。针对不同灰度特征的图象，其适用方法不尽相同“”。考虑到本文中该类图象的灰度直方图呈显著的双峰分布，因而阈值法更适合于本文中的图象特点。对于这些灰度直方图呈双峰分布且中『日Ｊ直方图平坦区域很大的图象来说，迭代阈值法比动态自适应阈值法更适合本文的应用。若灰度直方图的双峰分布不是很明显，同时背景较复杂，则动态自适应闽值法将更有优势。当然，选用何种分割方法，评价某种分割方法的优劣，应该结合实际情况和具体需要，综合考虑性能、代价等因素，选择最合适的方法。最后要指出，图象分割问题是一个十分困难，并且是病态形式的问题。因为它是系统目标的一个函数，所以根本不存在理想的或正确的分割。物体及其组成部件的二维表现形式受到光照条件、透视畸变、观察点变化、遮挡等的影响。此外，物体及其组成部件与背景之间在视觉上可能是无法区分的。因此，人们无法预测能够从图象中抽取出哪些与物体识别相关的初始信息，唯一一件可以肯定的事情是这一过程将在本质上具有不可靠性。当然，某些有用的信息能够被抽取出，但同时也会出现许多错误。因此，在任何应用领域中都不存在最优解。一般地，对任何算法而言，都不存在一组参数设冒，它们能使算法抽取出所希望的图象结构，并且不产生额外的非最优或不希望的图象结构。对一组给定的参数设置，图象分割算法可能会在某个应用领域中产生太多的图象结构：但在另一个应用领域中却又产生太少的图象结构。由于参数是变化的，因此，划分也将是变化的。但图象分割算法绝不可能处理产生最优或接近最优的结果，它们将以变化的并且是不可预测的方式产生过多或过少的图象结构。西北工业大学硕士学位论文第三章利用矩理论提取目标区域特征的研究第三章利用矩理论提取目标区域特征的研究图象特征通常包括颜色、形状、纹理以及空间关系等。考虑到本文中航空图片是灰度图象，其纹理也难以用规范的数学表达式进行建模，最直接最有效的特征就是形状了，而矩理论是描述目标形状的一个有效手段，同时，矩理论近几十年得到较大发展和广泛的应用。所以，本章将利用矩理论来描述目标形状特征，从而实现目标特征的提取。３．１图象矩函数理论的发展过程嘲第一篇有关图象分析中矩应用的重要论文发表于１９６２年“”。在这篇论文中，作者运用几何矩产生的一系列不变性，并把它们运用于自动特征识别中。随后，基于几何矩不变量的方法有了许多应用。例如，在模式识别中的船只鉴别、飞机鉴别等；模式匹配的景物匹配等。１９８０年，矩的定义被推广至三维，并导出相应的不变量。然后引入正交矩的概念㈨，且提出了Ｌｅｇｅｎｄｒｅ矩和Ｚｅｒｎｉｋｅ矩的基本定义和应用领域，克服了Ｈｕ矩不变量包含大量冗余信息的缺点，Ｋ．ｈｏｔａｎｚａｄ和Ｈｏｎｇｔ捌，Ｔｅｈ和Ｃｈｉｎｔ”ｌ，Ｂｅｌｋａｓｉｍ、Ｓｈｒｉｄｈａｒ和Ａｈｍａｄｉ口钉等人指出正交矩在信息冗余度、图象表达以及在识别效果方面比其他类型的矩更好。１９８１年，几何矩被推广至径向矩，而且为导出径向和角度旋转不变量提供了总体框架。１９８４年，引入了一个更为普遍的复数矩的概念，发展了从复数矩推导出几何矩不变量的方法，并且分析了它们（复数矩）在信息冗余和噪声敏感度方面的性质。Ｎ１９８６年，矩函数已经被证明是提取图象形状特征的一个非常有用的工具。一些新的应用领域，如样本匹配、方位判定等也成为矩函数的很具潜力的应用领域。１９８６年提出的Ｆｏｕｒｉｅｒ—Ｍｅｌｌｉｎ描述子是图象矩函数理论的一个很重要的发展，它为不变量的导出提供了一个总体框架。图象矩函数理论和应用在９０年代有很大的发展，基于矩的图象分析理论和应用频频出现在有关文献中。３．２图象的矩函数及矩函数不变量图象平面变换中具有不变性的几何矩的函数可用于目标鉴别和模式识别等领域中。从数学的角度讲，矩函数不变量（矩不变量）是图象在仿射变换下的一组特征描述子的集合。２１西北工业大学硕士学位论文第三章利用矩理论提取目标区域特征的研究矩函数在图象分析中有广泛的应用，如模式识别、目标分类、目标识别与方位估计、图象编码和重构等。一个从一副数字图象中计算出来的矩集，通常描述了该图象形状的全局特征，并提供大量的关于该图象不同类型的几何特性信息。图象矩的这种特性描述能力被广泛应用于各种图象处理、计算机视觉和机器人技术领域的目标识别和方位估计中。由于计算非常简单，几何矩首先被应用于图象中。随着研究的进一步发展，又引入了许多新型的矩函数，每种类型的矩函数在特定的应用领域有着各自的优点。例如，矩的旋转不变性可以很容易从复数矩推出；另一方面，由于正交矩表示图象的非相关性，因而在一个矩集中，它有最小的信息冗余度。自提出不变矩概念之后，关于不变矩的研究已涌现了大量文献。综合这些研究成果，可以看出不变矩可以很好地应用于物体的形状识别。３．２．１图象矩的一般定义将一幅图象看成一个二维密度分布ｆ（ｘ，ｙ），这里，函数值ｆ（ｘ，ｙ）表示点（ｘ，ｙ）处图象象素的亮度值。用＜表示平面ｘ—Ｙ上图象的区域，也就是函数ｆ（Ｘ，ｙ）的定义域的范围。设一幅图象的亮度函数为ｆ（ｘ，ｙ），它的ｐ＋ｑ阶矩函数的一般定义如下：ｍ月＝ＪＪ甲月（ｘ，ｙ）ｆ（ｘ，ｙ）ｄｘｄｙＰ，ｇ＝０，１，２，…（３一１）‘这里，甲。（ｘ，Ｙ）是一个ｆ内关于（ｘ，Ｙ）的连续函数，称为矩的权核或基本集。下标Ｐｑ通常表示函数’壬，。∞），）中定义的坐标ｘ，ｙ的次数。对于一幅图象，亮度函数ｆ（ｘ，ｙ）在（中是有界和紧凑的。上式给出的矩有各种不同的定义，它取决于所使用的基本集的类型。例如，在极坐标（ｒ，９）下的基函数需要按照图象空间的极坐标表示。据此，上式重写如下：ｍｗ＝渺”“ＷＶａ（０）ｆ（ｒ，Ｏ）ｄｒｄＯＰ，ｑ＝ｏ，１，２，…（３—２）≥。在单位圆内有效的正交基本集函数都要求将坐标空间Ｃ压缩到区域［一ｌ，１］。如果将‘看成是复平面ｚ上的一部分，那么矩的定义可以被表述成函数ｆ（ｚ）的一个复数积分，称为复数矩。在矩函数求值时，连续的面积分经常被与面元成适当比例的一阶近似的直接求和所代替，即矩函数离散求值。按矩的定义可知，矩是图象ｆ（ｘ，ｙ）到基本集上的投影形式。基本集不同，会得出不同的矩特征。西北工业大学硕士学位论文第三章利用矩理论提取目标区域特征的研究３．２．２几何矩和Ｈｕ矩不变量（１）几何矩几何矩定义于基本集讧，ｙａ｝。如果一副图象ｆ（ｘ，ｙ）满足分片连续，且只在０．巧平面有限区域内有非零值，则可以证明该图象的所有各阶矩都存在。令，阮Ｙ）∈Ｌ（Ｒ２）是图象的分布函数，则ｐ＋ｑ阶二维几何矩坍。的定义为ｍ月＝肛９Ｙ９，（ｘ，ｙ）出ｄｙｐ，ｑ＝０，ｌ，２，…・（３－３）根据几何矩的性质，ｆ（ｘ，ｙ）唯一地确定一个矩序列切。｝；反之，矩序列ｋ。ｊ也唯一地确定ｆ（ｘ，ｙ），即和矩序列存在一一对应的关系：厂（孔ｙ）营扣。ｊ。为了满足平移不变性，将矩函数的坐标原点移到图象的中心位置，得到相应的图象的（ｐ＋ｑ）阶混合中心矩．“。＝ｅｅ（工一；）’ｏ，一歹）４似，ｙ）姗，（３－４）其中，Ｐ，ｑ＝Ｏ，１，２，…。式中，（－，＿）为灰度图象地ｙ）的灰度质心，且；＝？形乙，－２７‰・对于ｍ×托数字图象ｆ（ｉ，Ｄ，其（ｐ＋ｑ）阶原点矩和中心矩分别定义为ｍ。－－Ｚ∑ｆ’．，４，（ｆ，，）ｐ。＝∑∑（ｉ－／ｏ）’Ｕ－Ｊｏ）９ｆ（ｉ，Ｄ其中，（３—５）（３—６）毛＝％，＾＝％：ｉ＝１，２’…ｍ，＿，＝１，２，…一。对于二值图象，由于其中象素的值只有０和１两种取值，如果假设目标区域象素值为１，背景区域象素值为０，则该二值图象的ｐ＋ｑ阶矩定义为：ｍ。＝∑Ｚｉ９Ｊ４，（３—７）』该区域的中心矩定义为：ｐ。＝∑∑ｏ一乇）９（Ｊ－Ａ）７Ｊ（３—８）／其中，ｉｏ＝？形∞，＾＝？么。；ｆ＝１，２，…ｍ，．，＝１，２，…片。（ｆ０，矗）为该区域的中心。对于二值图象，ｍ。即为该区内的点数。（２）Ｈｕ不变矩上述的几何矩和几何中心矩可用于描述区域的形状，但是都不具有不变性。因此，根据不变矩的表达式和其中心矩（矩的阶次为ｐ＋ｑ阶），对其规范化之后，Ｈｕ经过一系列的代数恒等变换，提出了ｐ＋ｑ≤３的七个不变矩，其公式如下：Ｍｌ＝，７０２＋，７２０（３—９）（３一ｌｏ）Ｍ２＝（ｔ『２０一，７∞）２＋４町二西北工业大学硕士学位论文第三章利用矩理论提取目标区域特征的研究Ｍ，＝卿∞一３ｔ７１２）２＋（３叶２１＋叩∞）２Ｍｓ＝（叼３０一３町１２）（ｔ７３０＋ｒ／１２）【（ｔ７∞＋ｒ／１２）２—３（ｎ２１＋７／０３）２】＋（３—１１）Ｍ４＝铆３０＋ｒｈ２）２＋（叩２ｌ＋町∞）２（３－１２）（３，７２ｌ—ｒ／０３）（町２ｌ＋叩０３）【３（，７３０＋叶１２）２一（叶２１＋叶∞）２】（３－１３）Ｍ６２（玎∞一＇１０２）［（ｒ／∞＋ｒｈ２）２一（叩１２＋）１０３）２】＋４叩ｌｌ（叩∞＋ｔ７１２）（３－１４）铆２１＋ｔ７０３）Ｍ７２（３％一ｒ／０３）研３０＋％）脚∥ｒｈ２）２，－－３（ｒ／２ｌ＋ｒ／０３’，（３－１５）（３ｒ／１２一町３０）嘶２ｌ＋叼０３）【３铆∞＋叼１２）２一（叩２１＋ｒ／∞）２】／ｒ００一其中，ｔ７表示归一化中心矩，叩。＝ｐ形，，ｒ＝（ｐ＋％＋ｌ。上述七个不变矩组己经被证明了对于平移、旋转和比例变化都是不变的。值得注意的是，这里的二维不变矩是指二维旋转、平移和比例变换下的不变量，对于其他类型的变换，如仿射变换、射影变换，上述的不变矩是不成立的。３．２．３Ｚｅｒｎｉｋｅ矩及其矩不变量（１）Ｚｅｒｎｉｋｅ矩在矩函数集合中，具有正交基的矩可以使得冗余量为零，因此，这些矩对应于图象的独立特征。图象亮度分布也可以从图象的正交矩解析重构。Ｚｅｒｎｉｋｅ矩和Ｌｅｇｅｎｄｒｅ矩是正交矩的典型代表。Ｚｅｒｎｉｋｅ矩是基于称作Ｚｅｒｎｉｋｅ多项式的正交化函数。尽管同几何矩和Ｌｅｇｅｎｄｒｅ矩相比其计算更加复杂，但Ｚｅｒｎｉｋｅ矩在特征表达能力和低的噪声敏感度方面有较大的优越性。二维极坐标平面（，，９）上定义的图象，（，，０）的ｐ＋ｑ阶Ｚｅｒｎｉｋｅ矩定义为：ｚ。＝竽ｆ肛∽町（ｒ，Ｏ）ｒｄｒｄＯ（，＜１）（３－１６）其中，函数‰（，，ｐ）是定义在极坐标系单位圆内的正交的Ｐ阶ｑ重的Ｚｅｒｎｉｋｅ多项式，・表示复共轭。％（，，０）＝Ｒｒｑ（咖岬其中（３－１７）Ｒｗｃｒ，＝。萎”ｃ一。’：；：ｉ：：季ｊｊ５置ｉ蕞！ｌｉ：：甄７（Ｐ－２呻ｃ３—１８，ｐ是一个非负整数，ｑ是一个满足以下条件的整数。Ｐ一㈦为偶数，且Ｈ≤Ｐ如果Ｎ是沿图象的各坐标轴的象素数，Ｚｅｒｎｉｋｅ矩可以写成离散的形式：２４西北工业大学硕士学位论文ｚ。＝茄姜善‰（邶），∽ｙ）ｌ，第三章利用矩理论提取目标区域特征的研究（３－１９）这里：，＝（ｘ２＋ｙ２）２／Ｎ，０＝ｔａｎ。（ｙ／ｘ）（３－２０）要指出的是，Ｚｅｒｎｉｋｅ矩可以被几何矩表示。但要注意，Ｚｅｒｎｉｋｅ矩是在单位圆内定义的，当用几何矩表示Ｚｅｒｎｉｋｅ矩时，只有将几何矩的象索坐标规范化到［－１，１］范围内才有意义。（２）Ｚｅｒｎｉｋｅ矩不变量为了保证平移和尺度不变性，在计算矩特征之前先要对图象进行归一化处理，使各个图象的中心位于坐标原点，各个图象的尺度保持一致。从式（３－１６）给出的Ｚｅｒｎｉｋｅ矩的定义，易于看到当一个图象被旋转了ａ角之后，变换后的矩函数ｚ０可由下式给出：ｚ二＝ＺｍＰｌ４从上式可以导出下面的不变性函数：竹＝ｚ一；（３—２１）妒２＝ｌｚＭｒ（３—２２）以上不变式常被称作基本不变量。Ｚｅｒｎｉｋｅ矩不变量的更一般的表达形式如下：仍＝（ｚ。）‘（ｚ。尸＋【（Ｚ，）＿舷广】－变量。几个旋转不变量和它们在几何矩中相应的表达式如下：ｚ∞＝（３／疗）【２（ｍ∞＋ｍ０２）－ｍ∞】（３—２３）这里口可被ｓ整除，且埘≥，，ｍ＝咖。以上类型的不变量被称做次不变量。在上式中，仁。Ｊ．（Ｚ。）卅本身是一个不变量，但与其共轭相加后得到一个实值的不（３－２４）（３—２５）（３—２６）（３—２７）ｌｚ２２１２＝（３／万）２【（聊２０—ｍ０２）２＋４ｒａｎ２】Ｉｚ３１ｊ２＝０２／丌）２［（埘∞＋ｍ１２）２＋（聊∞＋肌２１）２】Ｉｚ船１２＝（４／，ｒ）２【（研如一３ｍ１２）２＋（ｍ∞一３ｍ２１）２】‰Ｉ－ｍｌｏ＝０。在本文中我们根据Ｚｅｒｎｉｋｅ矩基本不变量，将其统一为在上式中，假定原坐标系原点己被移动到图象矩心来获得平移不变性，所以妒。＝ｌｌｚ。０其中Ｐ是一个非负整数，ｑ是一个满足以下条件的整数。（３—２８）Ｐ—Ｍ为偶数，剧ｇＩ≤Ｐ由于高阶Ｚｅｒｎｉｋｅ矩对噪声非常敏感，在实际应用中高阶Ｚｅｒｎｉｋｅ矩不变量非常不稳定，不适合作为目标的可识别特征。所以阶数Ｐ，ｑ在满足以上条件的前提下，本文限ＳＯｐｓ＜１１。西北工业大学硕士学位论文第三章利用矩理论提取目标区域特征的研究３．２．３小波矩及其矩不变量以上提到的矩特征都是在整个图象空间中计算的，得到的是图象的全局特征，容易受到噪声的干扰。Ｄ．Ｓｈｅｎ和Ｈ．Ｈ．ｓ１ｐ嘲提出的小波矩不变量不仅可以得到图象的全局特征，也可以得到图象的局部特征，克服了噪声干扰大的缺点，更适合识别相似的目标。小波矩定义的基本集是一组小波基函数。小波是一个瞬态函数，图３－１是一个典型小波的示例。它只在一个很短的区间内非零，与此相对应的是，图象中的许多重要特征也是空间位置中高度局部化的。将图象ｆ（ｘ，Ｙ）投影到小波基上得到的小波矩能更好地反映图象的特征。０图３－１一个典型小波示例在引如小波矩概念前，我们先对前面提到的矩的定义做一定变形，使得其更适合我们下一步的研究。把矩的定义式从直角坐标系转换到极坐标系，得到矩特征的一般表达式：妒ｗ＝Ｉｊｆ（ｒ，Ｏ）ｇｐ（ｒ）Ｐ”８ｒｄｒｄＯ把特征提取的问题从二维图像简化为一维图像进一步改写上式为（３—２９）其中ｇ。（，）是变换核的径向分量，Ｐ，ｑ为整数，而Ｐ脚是变换核的角度分量。为了妒ｗ＝ＩＳｑ（ｒ）ｇ，（ｒ）ｒｄｒ（３－３０）其中ｓ。（，）＝Ｉ厂（，，ｏ弦…ｄＯ。需要注意的是如果式（３—２９）中ｇ，（ｒ）定义在ｒ的整个定义域内，则妒。可看作是图象的全局特征，否则可看作是图象的局部特征。为了使它具有平移和尺度不变性，在计算矩特征之前先要对图象进行归一化处理，使各个图象的中心位于坐标原点，各个图象的尺度保持一致。图象的平移不能由极坐标内的线性变换直接表示，获得平移不变性应先用几何矩计算出图象的矩心位置，然后将初始极坐标系移至矩心位置。将原图象归一化，坐标原点移至ｆ（ｘ，ｙ）的形心，在极坐标平面上的Ｐ阶矩生成函数妒。是对平移、尺度不变的，所以在构造不变矩的时候，往往只考虑旋转不变性。如果基于妒。的旋转不变量能被求出，就可以得出不变矩的表达式。假设图象作了平移、尺度、旋转（角度为ａ）变化Ｔ后，妒。值变为驴二。易得（其中驴。表示妒。的共轭）：２６西北工业大学硕士学位论文第三章利用矩理论提取目标区域特征的研究妒二＝ｅｊｎａ≯月（３—３１）妒二＝ｅ－Ｊｎａ妒Ｎ（３—３２）由式（３－３１）茅１／（３—３２）两边相乘，得妒。，≯。的某些乘积式，由于不同的Ｐ加相乘约去，从而使乘积式角度因子为１，也即这个积在作了平移、尺度、旋转（角度为ａ）变化Ｔ前后其值不变，是一个绝对不变量。而妒。及其补可表示为一些ｐ。的和（由此可证明Ｈｕ矩是它的特例），因此该积即为绝对不变矩。从而图像发生了平移、尺度、旋转变化前后特征值的模№。ｌ保持不变。由此可构造不变矩㈥＝［［ＳＳｑ（ｒ）ｇ，（ｒ）ｒｄｒ０（３－３３）考虑要解决的实际问题，假设枷。０和ｌｋ０分别为海上两艘相似目标的特征值，它们之间存在如下关系：慨ｌ＝慨４＋△。（３－３４）如果有噪声存在，则式（３—３４）变为Ｉ眵一０＝０妒二４＋Ａ用＋”月（３—３５）因为两个形体是相似的，所以△。总是比较小。由于一般的不变矩都是在整个图像空间计算的，因此行。比较大，当聆。＞△。时，就会使识别发生错误。而如果ｇ，（ｒ）是定义在图像的局部空间，则玎。将显著减小，这样就提高了识别的正确率・我们把式（３－３３）中的｛ｇ。（ｒ））看成是小波的基函数。考虑如下小波函数集：ｙ。Ｊ（，）＝；ｙ仁生）（３－３６）其中ａ是尺度因子，ｂ是平移因子。我们将基函数｛ｇ，（ｒ）｝用小波基函数｛ｙ。ｊ（，）｝来代替，得到小波不变矩讪陟ｋ』）。我们选用比较通用的三次Ｂ一样条小波函数啪“１作为母小波ｔｆ，（ｒ），它在空间一频率上具有良好的局部性。该小波的表达式ｍ’为：㈣＝了丽４ａｎ＋面ｌ仃。ｃｏｓ（２矾（２ｒ一１））‘ｅｘｐ（一三（盯２：ｒ（－Ｈｌ＋）２１），（３—３７）其中ａ＝Ｏ．６９７０６６，厶＝Ｏ．４０９１７７，仃。２：０．５６１１４５，ｎ＝３。应用中小波函数集（３－３６）式的尺度因子ａ常以二进序列变化，同时图象的大小总是限制在｛，≤１｝的区域内，所以小波函数中尺度因子８和平移因子ｂ取值为：ｆａ：２－一｛６：旦．２一（３—３８）Ｌ２其中研＝０，１，２，…；＂＝０，１，…２…。ｌＯｄ，波函数基定义为ｌ｜ｆ，。。（ｒ）＝２叫２１】ｆ，（２ｍｒ＿昙）（３—３９）选择不同的田和ｎ就可以得到图象的全局信息和局部信息。由此定义小波矩不变量％，。用于提取目标特征：西北工业大学硕士学位论文第三章利用矩理论提取目标区域特征的研究既Ｍ２批，ｌＩ＝｜｜拇（ｒ）‘ｌｆ，。，（ｒ）ｒｄｒ［Ｉ（３—４０）式中ｑ＝ｏ，ｌ，２，…。对某一固定的ｒ值，Ｓｑ（，）＝ｆ厂（，，Ｏ）ｅｊｑ９ｄＯ代表图象厂（，，０）在相位空间ＥＯ，２７ｔ］中的第ｑ个特征。利用不同的尺度因子ｍ、位移因子ｎ可以确保Ｉｆ，。，（，）能遍及整个径向空间［０，１］，这样小波矩不变量既，。就可以提供图像厂（，，ｐ）在不同尺度水平上的特征。３．３具有对比度不变性的矩不变量根据我们研究问题的特殊性，一些现有的方法不足以达到准确识别的目的。例如李迎春的“航空图片目标识别算法研究”嘲一文中提出依据目标整体轮廓的长宽比来识别，诚然，长宽比是目标的一个很重要的特征，在区分目标形状差异很大的目标时，如航空母舰和一般舰船，这种方法既简洁，识别能力又强。但是，很多种舰船目标的长宽比非常接近，比如一般的驱逐舰和护卫舰、常规潜艇和核动力潜艇等等，应用这种方法得出的结果准确率极低。目前多用的方法是不变矩，这种方法经应用证明是比较好的方法，但目前不变矩方法中，绝大多数还是仅仅从二值图象或边缘图象中提取。而在实际中，海上目标图象具有的特点是背景较简单，但目标本身比较复杂，如舰船甲板上内容非常丰富，舰桥、前后主炮、雷达、导弹发射座、指挥塔等等。目标分割的实验表明采用阈值法分割出的二值目标图象或采用某种算子提取的目标边缘图象，虽然对舰船目标的大轮廓分割很清楚，但对舰船甲板上的目标分割结果往往差强人意，并且即使相同的目标，当在不同的光照条件下获得的图象往往经分割后所得结果相差较大。签于这些问题，我们在采用阈值法进行目标图象分割时，分割出目标区域和背景，使得目标区域还是灰度图象，而背景被去除掉。同时，一般海上目标在不同的光照条件下，反映在灰度图象上具有近似一致的对比度变化，而一致的对比度变化可用表征灰度图象的亮度函数的尺度变化来等同地描述ｍ１。在此条件下，本文提出一种基于灰度图象的具有对比度不变性的矩不变量特征表达形式，来完成海上目标识别的特征提取。如果ｆ（ｘ，ｙ）表示原始图象的亮度分布，ｆ，（ｘ，ｙ）表示亮度变换后图象的亮度分布，那么：厂’（ｘ，ｙ）＝矿（ｘ，力同样，在极坐标中有（３—４１），（，，ｐ）＝—留Ｖ，口）这里，ｋ是对比度尺度因子。（３－４２）西北工业大学硕士学位论文第三章利用矩理论提取目标区域特征的研究３．３．１具有对比不变性的Ｈｕ矩不变量根据几何矩的定义，Ｈｕ的七个不变矩变为：Ｍｌ＝ｋ－１０７∞＋叼２０）＝ｋ－１＾‘（３—４３）Ｍ２’＝ｋ－２【研２０－７７０２）２＋４７７，１＝ｋ－２Ｍ２（３－４４）Ｍ３’＝ｋ－３【（叩∞一３叩１２）２＋（３ｔ７２１＋，７∞）２】＝ｋ－３ｊ屹（３—４５）．＾厶’＝ｋ－３【研加＋ｆ７Ｊ２）２＋（玎２Ｉ＋町∞）２】＝ｋ－３Ｍ４（３—４６）Ｍ５’＝ｋ－６｛（，７如一３７１２）（叶加＋叩１２）【０７，ｏ＋叶１２）２－３（７２ｌ＋町∞）２】＋（３７２Ｉ一，７∞）（叶２ｌ＋叶∞）【３（叩∞＋叩１２）２一（叩２ｌ＋卵∞）２】）＝ｊ｝“Ｍ５（３－４７）Ｍ６’＝ｋ－４｛（，７∞一７００［（７∞＋，７１２）２一０７１２＋７０Ｄ２】＋幻１ｌ（，７∞＋，７１２）（３－４８、∽２ｌ＋，Ｉ∞）｝＝七。４饩Ｍ７’＝ｋ－６｛（３，１２ｌ一町∞）（ｑ∞＋ｔ７】２）【（叩３０＋，７１２）２—３（７２Ｉ＋７００２】＋（３－４９）（３叶１２一叩∞）（ｔ７２ｌ＋，７∞）【３（ｔ７０３＋叼１２）２－（７２Ｉ＋１７∞）２】）＝ｋ－６Ｍ７从以上等式中消去ｋ，能推导出具有旋转、平移和尺度不变的矩不变量表达式，同时，表达式具有附加的图象对比度不变性。我们在本文中采用如下几个几个具有对比度不变性的矩不变量：ＭＩ＝Ｍ２，聊白：＝鸠／研Ｍ３＝膨４／＾厶（３一ｓｏ）（３—５１）（３—５２）（３－ｓ３）（３一ｓ４）（３—５５）Ｍ４＝吖ｓ／Ｍ：Ｍｓ＝Ｍ６／Ｍ；☆６：Ｍ，，Ｍ：３．３．２具有对比度不变性的Ｚｏｒｎｉｋｅ矩不变量Ｚｅｒｎｉｋｅ矩不变量的大小随矩函数的阶数不同有很大变化。为缩减不变量的动态范围，ｇｅｒｎｉｋｅ矩Ｚｗ经常规范化为之ｗ。Ｚ月＝Ｚ月／乙＿２．ｇ，如果缸２４≠０且ｑ（ｐ使用较高阶的不变量，从而获得特征描述符的更高的准确率和识别率。（３—５６）规范矩２。常用于构造特征向量。动态范围的缩小，使得有可能在图象模式识别中当图象对比度变化，，’（，，０）＝ｋｆ（，，０）时，根据Ｚｅｒｎｉｋｅ矩的定义可知Ｚ，具有对比度不变性，由此我们构造具有对比度不变性的Ｚｅｒｎｉｋｅ矩不变量为：．１．１２妒，＝ｌＺｍｌ（３—５７）西北工业大学硕士学位论文第三章利用矩理论提取目标区域特征的研究其中（ｐ－ｑ）为偶数，Ｏ≤ｑ≤ｐ，且ｐ≤１ｌ（本文约定）。３．３．３具有对比度不变性的小波矩不变量对于对比度变化后的图象ｆ’（ｒ，０）＝髟．（，，０），其矩不变量形‘。，。为：形’。。２｜ｉ｝＋¨■（，）’ｌ｜ｆ，。，ｐ）ｒｄｒＨ。七％，，４从上式中消去ｋ，得到下式：（３—５８）形’。＇Ｊ，４／ＰＣ＇ｏ，ｏ，０２既Ｍ／％ｍ，ｏ变性的小波矩不变量形。，。为：（３—５９）可见｛阡乙，。／阡ｒｒｏ，ｏ，ｏ｝是具有对比度不变性的不变量，因此，本文构造具有对比度不矿ｍＭ。既Ｍ／ＷｏＪ。ｏ其中ｍ＝Ｏ，１，２，３，…，ｎ＝Ｏ，１，２，…２“，ｑ＝Ｏ，１，２，３，…（３－６０）３．４本章小结本章在矩理论概念的基础上，根据矩函数具有反映目标形状的特点，引入了具有旋转、平移和尺度不变性的Ｈｕ矩不变量、Ｚｅｒｎｉｋｅ矩不变量和小波矩不变量。分析了三种不同矩不变量在表征海上目标特征时的可行性和它们各自的特点，其中Ｈｕ矩不变量和Ｚｅｒｎｉｋｅ矩不变量是基于图象全局分布的，得到的是目标的全局特性；而小波矩定义于一个小波瞬态函数，由此得到的小波矩不变量既能得到图象的全局信息，又能得到其局部信息，这一点使得小波矩不变量在区分相似目标和抗干扰上较前两者有更大的优势。所以从理论上分析，小波矩不变量特征更适合本文海上目标的识别。本文研究的基于航空图片的海上目标图象往往是灰度图象。其特点是，图象中目标的背景较简单，但目标本身结构比较复杂，不同目标间的相似性较大，相似目标间的区别主要在于目标的内部结构上；同时，在同一目标的不同航空图片中，由于光照条件等因素影响，灰度图象的对比度有近似一致的变化。但是，在目前的不变矩目标识别方法中，往往还是先分割出目标的二值图象，然后从二值图象中提取不变矩特征。基于二值图象的这种不变矩方法很难区分这种自身具有很大复杂性和不同类之间具有很大相似性的海上目标。为了解决这个问题，本文提出了一种具有灰度对比度不变性的Ｈｕ矩不变量、Ｚｅｒｎｉｋｅ矩不变量和小波矩不变量特征提取方法，从理论上对它们进行了论证，探讨了三种矩不变量在基于灰度图象的海上目标识别中应用的可行性和有效性。通过这样的改进，本文在用迭代阈值法进行图象分割时，分割出的目标区域西北工业大学硕士学位论文第三章利用矩理论提取目标区域特征的研究仍保留为灰度图象，然后从目标的灰度图象中提取具有对比度不变性的矩不变量特征。这样做的好处是，图象的目标区域保留了更多的有用信息，从而使得提取的特征更加有效。但也应注意到，和基于二值图象不变矩方法相比，这样做在目标区域保留了更多有用信息的同时，也在目标区域引入了更多的噪声。这在后面的实验结果中会得到体现。西北工业大学硕士学位论文第四章特征选择算法和晟小距离分类法第四章特征选择算法和最小距离分类法４．１特征选择算法在一个目标识别系统中，通常会从图象中提取出一系列特征，但并不是所有的特征都适合或者说有利于最终的目标分类，因此，选择具有识别能力（或识别能力较强）的特征在识别过程中非常重要。用少数几个特征进行分类器设计，不仅在样本不多的条件下可以改善分类器的总体性能，而且在很多情况下，能够简化特征的获取过程，以降低模式识别系统的代价。特征选择的任务是从一组数量为Ｄ的特征中选择出数量为ｄ（Ｄ＞ｄ）的一组最优特征来。为此，先要确定选择的标准（即可分离性判据），其次要找一个较好的特征选择算法，以便在允许的时间内找出最优的一组特征。徐旭东…等人提出了一种结合离散度和顺序前进法（ＳＦＳ）的特征选择算法，虽然这种方法考虑了所选特征与已入选特征之间的相关性，但是，一旦某特征已入选，即使由于后加入的特征使它变为多余，也无法再把它删除，并且ＳＦＳ算法每次只增加一个特征，没有考虑未入选特征之间的统计相关性。与ＳＦＳ算法相对的，是顺序后退法（ＳＢＳ），ＳＢＳ算法“”是一种自上而下的方法，它是从全体特征开始每次删除一个，这就有效避免了忽视各个特征量之间的相关性，但是这种方法一旦某个特征被删除，即使由于再删除其他特征而导致这个特征有用，该特征也不能再选入。结合这两种方法，可在选择过程中加入局部回朔过程，由此本文采用一种基于ＤＢＩｎｄｅｘ（Ｄａｖｉｅｓ．ＢｏｕｌｄｉｎＩｎｄｅｘ）准则的搜索算法一增，减ｒ法（１－ｒ法）。４．１．１类别可分离性判据类内离散度和类间距离常被用来判断分类的有效性，一般而言，选择出的具有较好识别能力的特征一定满足类内离散度小、类间距离大的特点。ＤＢＩｎｄｅｘ准则同时使用了类内离散度和类间距离，在本文中采用ＤＢＩｎｄｅｘ（Ｄａｖｉｅｓ－ＢｏｕｌｄｉｎＩｎｄｅｘ）准则㈦作为类别可分离性判据。ＤＢＩｎｄｅｘ准则基本内容如下：（１）类内平均离散度ｓ，＝由ＥＩＩｘ—Ｚｊ０ｌ。，ｌｘｔ（？其中，ｚ．是ｃ，类的类中心；Ｉｃ，ｌ表示ｃ，类样本数。（２）类间距离ｄｏ＝ｌＩｚ，一Ｚ川西北工业大学硕士学位论文第四章特征选择算法和最小距离分类法即用两个类中心的距离表不类间距离・（３）ＤＢＩｎｄｅｘＪ＝÷∑ｇ，舯Ｒｔ＝川ｍ，…ａ彬ｘ，半’ｋ是分类组ＤＢＩｎｄｅｘ准则是Ｊ的值越小，分类的效果越好。４．１．２特征选择算法本文采用了一种基于ＤＢＩｎｄｅｘ准则的特征选择算法增，减，法（１－ｒ法）。／－ｒ法实际上是一种结合了ＳＦＳ法和ＳＢＳ法的特征选择法Ｈ１１．需要强调的是，本文算法中选择基于ＤＢＩｎｄｅｘ准则的最小‘，值对应的特征组元素。（１）顺序前进法（ＳｅｑｕｅｎｔｉａｌＦｏｒｗａｒｄＳｅｌｅｃｔｉｏｎ，ＳＦＳ）假设提取出的特征向量共有Ｄ维％＝ｂ。，工：，…，ｂ），ｊ‘表示已选入了ｋ个特征构成的大小为ｋ的特征组，把未入选的Ｄ一七个特征，按与已入选特征组合的基于ＤＢＩｎｄｅｘ的Ｊ值大小排列，．，＝ｌ，２’…，Ｄ一七。若．，（．ｋ＋而）ｓ．，（．ｋ＋屯）≤…ｓ．，（．ｒＩ＂１－ＸＤ＿ｋ）则下一步的特征组选为ＸＩ“＝ｘＩ＋而。初始Ｘｏ＝西，直到ｋ＝ｄ为止。图４＿ｌ是顺序前进法的流程图。西北工业大学硕士学位论文第四章特征选择算法和最小距离分类法图４－１顺序前进法（ＳＦＳ）流程图（２）顺序后退法（ＳｅｑｕｅｎｔｉａｌＢａｃｋｗａｒｄＳｅｌｅｃｔｉｏｎ，ＳＢＳ）假设Ｊｔ表示已剔除了ｋ个特征后的特征组，将Ｘｔ中的各个特征ｘ．按下述基于ＤＢＩｎｄｅｘ的Ｊ值大小排列，，＝１，２，…，Ｄ—ｋ。若‘，（．ＹＩ—Ｘ１）≤ｄ（Ｘｋ—Ｘ２）≤…≤‘，（．ｒ｝一ｘＤ。）则Ｊ’々“＝ｘＩ—ｘｌ初始ｘｏ＝Ｘ。，直到≈＝Ｄ—ｄ为止。图４－２是顺序后退法的流程图。西北工业大学硕士学位论文第四章特征选择算法和最小距离分类法图４＿２顺序后退法（ｓＢＳ）流程图（３）本文算法假设提取出的特征向量共有Ｄ维％＝Ｇ，，Ｘ：，…，ｂ），ｘ。表示已选入了ｋ个特征构成的大小为ｋ的特征组。咖表示空，ｄ是最终选取的特征向量的维数。在第ｋ步可先用ＳＦＳ法一个个加入特征到斛，个，然后再用ＳＢＳ法一个个剔去ｒ个特征，具体步骤如下：步骤１用ＳＦＳ法在未入选特征组Ｘ。一工。中逐个选入特征，个，形成新特征组置＋『’置ｋ＝ｋ＋ｌ，ＸＩ＝ＸＩ“。步骤２用ＳＢＳ法从以中逐个剔除ｒ个最差的特征，形成新特征组以一，，置ｋ＝ｋ－ｒ。若ｋｆｄ则终止算法，否则，置ｊ０＝工ｈ，转向第一步。这里要说明一下，当ｌ＞ｒ时，，－ｒ法是自下而上的算法，先执行第一步，然后执行第二步，起始时应置ｋ＝Ｏ，Ｘｏ＝毋。当ｌ＜ｒ时，ｈ法是自上而下的算法，先西北工业大学硕士学位论文第四章特征选择算法和最小距离分类法执行第二步，然后执行第一步，起始时应置ｋ＝Ｄ，Ｘｏ＝．ｋ。图４—３是本文特征选择算法的流程图。图４－３特征选择算法流程图４．２最小距离分类法在选取合适的特征向量后，本文采用最小距离分类法来完成海上目标的分类识别。下面简单介绍此方法。假设｛露““Ｉｋ＝ｌ，２，…，ｄ｝表示通过上文的特征选择算法选择出的矩特征量，特征数为ｄ，目标类别数为Ｍ，每一类的训练样本数为Ⅳ。，第璞目标的第Ｊ个训练样本的第卅、特征量表示为Ｄａｔａ（Ｅ哆“，鄙’），那么，可以得到每一类训练样本的每个特征量的平均值一：ｏ和标准差的平方珞“，如下：１Ⅳ．４严寺Ｄａｔａ（Ｆ∥＂＇ｄ，掣）』ＶＳ１（４—１）Ｊ；ｌⅣｔ砟性—ｉ１厂∑【砌口（只““，ｑ，））一４’’】２ｏ’Ｓ，一１（４—２）则每类目标可由它的样本平均特征向量Ａｏ’＝［彳：ｏ：ｋ＝－Ｉ，２，…，ｄ］来表示。其中’钟一坼七一、㈨Ｉｆｔｉ北ｌ业人学硕十学何论文户ｌ，２，…川。・第四章转祉选抒算法和最小距离分类法当对一个经过特征提取、特征选择后具有特征向量Ⅳ＝［五，ｘ：，…，Ｘ，］的待识别目标进行识别时，问题转化为在Ⅳ，类已知目标的样本平均特征向量中寻找Ⅳ的最近邻，Ｘ离哪一类的样本平均特征向量最近，则目标Ⅳ被识别为该类型。由此，我们定义一个距离函数ｄ（Ｘ，Ａ“’），其中Ａ“’为第ｉ类的样本特征向量：，“’）２∑叟磊卫Ａ当Ｘ满足Ｊ（ｘ，爿‘，’）＝朋砌｛ｄ（Ⅳ，Ａ‘’’）ｐ＝１，２，…，Ⅳ‘｝时，目标Ｘ就属于第ｆ。类。４．３本章小结在一个较完善的目标识别系统中，明显或隐含地要有特征选择环节，其通常处于目标特征提取和分类识别两个环节之间。特征选择品质的优劣极大地影响着目标识别的性能。特征选择的基本任务是研究如何从众多提取出的特征中求出那些对分类识别最有效的特征，从而实现特征空间维数的压缩。本文采用了一种基于ＤＢＩｎｄｅｘ（Ｄａｖｉｅｓ．ＢｏｕｌｄｉｎＩｎｄｅｘ）准则的特征选择算法～增，减ｒ法（／－ｒ法）。其中作为类别可分离性判掘的ＤＢＩｎｄｅｘ准则同时兼顾了类内离散度和类间距离，从而使得选择出的具有较好识别能力的特征一定满足类内离散度小、类间距离大的特点。增，减ｒ法是一个局部回朔过程，既照顾到各个特征量之问的相关性，又使得各个特征在特征选择过程中保持一定的灵活性，是一种较优的特征选择算法。在分类识别中，本文采用了最小距离分类法，满足了本文的海上目标识别任务的完成。需要指出的是，由于本文着重点放在了海上目标特征的提取，以及提取出的特征的有效性上，所以在特征选择和分类法上，未再做更深入地研究。众所周知，不仅仅是目标特征的提取，不同的特征选择算法和分类识别的方法对最终的目标识别结果影响也是非常大。有关特征选择算法和分类识别方法对海上目标识别的影响可作为另外一个研究方向，本文不作深入讨论。３７阳北Ｉ＋业人学硕十学伸论文第百章实验结震～分析第五章实验结果与分析由于目标物体成像的距离、方向、位置的变化，使得图象发生旋转、平移和尺度变化；另外，成像时光照条件的不同，也会造成图象对比度的变化，这给目标识别增加了难度。因此，本实验根掘设计的目标分割算法，研究了具有旋转、平移和尺度不变性的经典Ｈｕ矩不变量、Ｚｅｎｉｋｅ矩不变量以及小波矩不变量在海上目杯识别中的应用，同时还进行了具有对比度不变性的以上三种矩不变量的应用实验。５．１图象分割结果根掘海上舰船目标的特点，由于目标本身内部的内容较丰富，采用边缘分割的方法得出的目标轮廓丢弃的信息太多，如果仅仅分割出较大范围内的轮廓来进行下一步的特征提取，那么对于较相似的目标提取出的特征不足以区分目标各自的不同。因此，本文不采用基于边缘的轮廓分割方法，而是采用基于区域的图象分割方法。在前文中已经提到，目前的矩方法大多是对二值图象的特征提取，本文提出了一种具有灰度不变性的矩不变量方法，为了对两种方法进行比较，本文在图象分割中，采用迭代阈值分割法。在第一种方法中，分割出的目标区域是二值图象；在第二种方法中，分割掉图象的背景成分，分割出目标区域仍保留为灰度图象。图５－１是一幅海ｒ目标图象的分割纬果：（ａ）原幽（ｈ）分削为二：值图象图５—１（Ｃ）分割为灰度ｌ，刳象一副海｝二日标图象的分吉０结果陶５－２足川一类不同对比度的海Ｊ二日枷、Ｉ訇象的分离０结果陌北Ｉ¨人学硕十学付论文第百章实验结果与分析（ａ）原图（ｂ）分割为二值幽象（ｃ）分割为灰度图象图５—２不同对比度下同一个海上目标图象的分割结果５．２实验与识别结果本实验对２４０幅三类海上目标的灰度图象进行了识别，这三类目标分别是国产某型驱逐舰和护卫舰、某型航空母舰，如图５—３所示。其中每类目标包括平移、尺度和旋转以及灰度变化下的图象８０幅。其中９０个样本用于训练（每一类３０个样本），１５０个用于测试（每一类５０个）。采用ＭＡＴＬＡＢ６．５语言“”进行仿真。在ＭＡＴＬＡＢ仿真实验中，次度图象的数掘类犁为ｄｎｕｈｌｅ犁，值域为ｒＯ，１］。（ａ）同标一：闭产某’ｐ蛳逐舰（ｈ）臼标二：幽产柴犁抄＂ＪＪＪ，１Ｅ阿北Ｉ＋业人学硕＋学何论文第百章实验结果１ｏ分析（ｃ）目标三：某型航空母舰图５－３三类海上目标图象的一些例子５．２．１实验一分割后的图象是二值图象下的识别结果：（１）Ｈｕ矩不变量法的识别结果表５—１图象ｌ一１１－２１－３２—１２－２２－３３－１３－２３－３Ｍ１０．０１６７０．０１８５０．０２２８０．０１５８０．００２７Ｏ．１１１３０．０８５３０．０４９４０．（）５２８平移，尺度和旋转变化下的的Ｈｕ矩不变量组识别结果Ｍ２０．１３６２０．２１９１０．２２９３０．１１９２０．０８９３０．１０９９Ｏ．１０７０Ｏ．１６８３０．１７１３Ｍ３３．８９６５３．７９５１３．６８９０７．３２３ｌ６．２９８３７．２４４６３．３８３５３．４８２５３．５３４０ｂｔ４４．１５４５４．０４０１３．９６９９７．８３４１６．５３２２７．７０２６４．３９９６４．５５８４４．６４１４Ｍ５８．２６８６８．１２５２７．８５９４１９．３３８２１２．９７０５１６．０６７６９．０８０１８．５７７４９．１３９７Ｍ６４．２２９３４．１５３０４．０９３０７．８９７０６．５７６９７．７５８９４．８１２３５．１１３６５．２２７（）Ｍ７１１．３８０６１１．４２３５１０．８８９１１６．８８４３１５．０３６５１６．７４１６９．５０７７９．６６１１９．７６００表５－１是对９幅三类目标图象（每类各３幅）求得的Ｈｕ矩不变量。可以看出低阶量要比高阶量相对稳定。利用本文的特征选择算法，可以得出在Ｈｕ矩不变量的７个特征中，Ｍ１和Ｍ２具有最好的特征识别能力。表示目标一、“—卜”表示目标二、“—＊’’表示目标三（下同）。图５—４是三类训练样本（每类３０个样本）的Ｍ１特征值的分布。其中“——弗－一”西北工业大学硕士学位论文第五章实验结果与分析从中我们可以看出，利用Ｈｕ矩很难区分相似目标。同时，由于几何矩对噪声、离散化、较小的形状变形、摄像机的非线性、摄像机位置非理想等因素敏感，从图中可以明显看出，即使是在Ｈｕ的七个特征中选择出的较稳定特征，它们仍然表现出较大的不稳定性来。（２）Ｚｅｒｎｉｋｅ矩不变量法的识别结果表５屯平移、尺度和旋转变化下的的Ｚｅｒｎｉｋｅ矩不变量组目标图象ｌ—ｌ１－２１－３２－１２－２２－３３－１３－２３－３妒５ｊ０．０３８７０．０３７４０．０４４９Ｏ．０５１９０．０５５７０．０５３３０．０７３９０．０７０４０．０７５０妒７．７０．１２０６０．１０６９Ｏ．１３１３０．０７９４０．０９２８０．１０５９０．０４１８０．０４３７０．０５９５４ｌ西北工业大学硕士学位论文第五章实验结果与分析采用Ｚｅｒｎｉｋｅ矩不变量进行分类。本文限制了Ｚｅｒｎｉｋｅ矩不变量的阶数（Ｐ≤１１）。我们先提取Ｚｅｒｎｉｋｅ矩不变量特征，共得到Ｄ＝３８个特征。然后对这些特征按照本文提出的特征选择算法进行优化特征组选择，表５—２列出的是经特征选择后的９幅三类目标图象（每类各３幅）的两个较优矩特征纯，和仍，的值。图５—５是三类训练样本的化，特征值的分布。与Ｈｕ矩不变量特征相比，它们的可分性要稍好一些，但对相似形状的区分仍然不够理想。实验结果显示，这种方法明显优于Ｈｕ矩不变量法。两个相似目标之间的识别率得到提高，而目标差别较大的目标间的识别率相对更高一些。（３）小波矩不变量法的识别结果表５—３平移、尺度和旋转变化下的小波矩不变量组目标图象１－１１－２１－３２—１２—２彬１２－ｏ３７．１７３４５．５２９３８．８６１２１．８４７２６．６５３％‘３２８２４．２７９６９．３４９５４．３３６４５．９１５８３．７２西北工业大学硕士学位论文２－３３－１３－２３－３１９．１１５１１０．１３１１９．８２１１３．５７６７１．８５３８７．５６３９３．３１５６７．４６第五章实验结果与分析采用小波矩不变量法进行识别。先对图象进行归一化处理“”，再提取小波不变矩特征，共提取了Ｉ）＝５６个特征。采用本文的特征选择算法，选择较优特征组，表５－３列出的是经特征选择后的９幅三类目标图象（每类各３幅）的两个较优矩特征：％，２，ｏ和％ｊ。２・图５－６是三类训练样本的彤：。特征值的分布。它比前面的Ｈｕ矩不变量特征和Ｚｅｒｎｉｋｅ矩不变量特征的目标分别能力要好得多。图５—６小波矩不变量的彬，２＇ｏ特征值（４）二值图象下三种矩不变量特征组的识别率曲线采用本文的最小距离分类法来完成对三类共１５０幅实验样本的分类识别。图５—７是三种不同矩不变量特征组的识别率曲线。每种特征组中本文最多选用了２６个特征。在识别过程中，选用的特征并不是越多越好。当选择的特征数达到一定程度后，再加入额外的特征，并不能提高识别率，相反，有时反而会降低识别率。西北工业大学硕士学位论文第五章实验结果与分析从图５－７可以看出，当分割后的图象是二值图象时，Ｈｕ矩不变量用４个特征达到了它的最高识别率７４％：Ｚｅｒｎｉｋｅ矩不变量至少用１２个特征达到了最高９２％的识别率；而小波矩不变量用２个特征即可达至Ｕ９２％的识别率，至少用４个特征达Ｎ９８％的识别率，用８个特征达ＮｌＯＯ％的识别率。可见，在本实验中，小波矩不变量是三种矩不变量中识别能力最好的特征。５．２．２实验二分割后的图象为灰度图象下提取的具有对比度不变性的Ｈｕ矩不变量、Ｚｅｒｎｉｋｅ矩不变量、小波矩不变量的识别结果：（１）Ｈｕ矩不变量法的识别结果表５—４平移、尺度、旋转和对比度变化下的的Ｈｕ矩不变量组＾＾＾Ａ＾＾图象１－１１－２１－３Ｍｔ３．６８１９２．６３６４３．２６７８Ｍ２３２．５６３５７．１８８８２１．２９７３Ｍ，１．１１３４１．１４９８１．１２０８Ｍ４０．６４７５０．８２７３０．６６４５Ｍ５５．４１０８ｌ－３７２３３．８８６０Ｍ６０．９３５５１．２９７６０．９６９９西北工业大学硕士学位论文２一ｌ２－２２－３３—１３－２３—３４．１６１４３．８１４８３．９９１７２．６２８５３．４２９６３．０５３８２８．２９７３４８．９０５４１５．２９８０６７２．１２１５５．７４６３．１５６３１．０８９６１．１１６４０．９９７１１．１５９７１．１８０３Ｉ．２３７１０．７１１６０．７８５３０．６８１１０．３８１４０．４１８３０．４６３７第五章实验结果与分析１０．２９８５６．５７２９２．３６１４６ｌＯ．１５５１．３７２８．１８１．３８８４１．４２７３１．２９２４０．４２７３０．５３５００．４２１６表５—４是对９幅三类目标图象（每类各３幅）求得的具有对比度不变性的Ｈｕ矩不＾＾＾变量特征。利用本文的特征选择算法，可以得出在这六个特征量中，膨，、射．和肠ｓ＾具有最好的特征识别能力，其中Ｍｓ的表现最好。图５—８是基于灰度图象的三类样＾本的Ｍｅ值的分布。图５—８具有灰度对比度不变性的Ｈｕ矩不变量的血。特征值和图５．４比较，特征值白。的识别能力要比Ｍ１强，但除了白，、白。和白。。其他特征的表现非常不稳定。（２）Ｚｅｒｎｉｋｅ矩不变量法的识别结果表５—５平移、尺度、旋转和对比度变化下的的Ｚｅｒｎｉｋｅ矩不变量组＾＾『目标图象１—１妒９３妒６．２１．２６２５０．２７８６４５西北工业大学硕士学位论文Ｉ－２１－３２－１２－２２－３３－１３－２３－３０．２７３９０．２９４８０．１５９５０．２０１５０．１６３２０．５５９３０．５８３７０．５２９４１．５７０６Ｉ．３６６５Ｏ．９３１４０．７５８６１．０９５７０．２７８８０．３４５４０．３５１３第五章实验结果与分析提取具有对比度不变性的Ｚｅｒｎｉｋｅ不变矩特征，共提取ＴＤ＝３６个特征。然后对这些特征按照本文提出的特征选择算法进行优化特征组选择，选择较优特征组。图５—９具有灰度对比度不变性的ｚｅｒｎｉｋｅ矩特征９吼３同实验一比较，两个相似目标之间的识别率得到提高，并且明显好于Ｈｕ矩不变量法的识别结果（３）小波矩不变量法的识别结果表５—６平移、尺度、旋转和对比度变化下的小波矩不变量组西北工业大学硕士学位论文＾＾第五章实验结果与分析目标图象Ｉ－ＩＩ－２１－３２－１２－２２－３３－１３－２３－３矽１．２．１３．８３１６３．２５９ｌ２．８５３７６．２１２５５．９５０８６．５２１４１０．６１３１１．７４９１１．５０６Ｗ１．３．０９．１５８３８．６４３１８．８７１９１６．５２８６１４．３５９７１４．９４６６３５．２３８４４１．５８３９３２．６９４３采用小波矩不变量法进行识别，提取具有对比度不变性的小波不变矩特征，共提取了Ｄ＝５４个特征。采用本文的特征选择算法，选择较优特征组。表５－６是对９幅三类目标图象（每类各３幅）求得的两个具有对比度不变性的小波矩不变量特征＾＾＾矿１．２，１和形１．３．ｏ的值。图５—１０是基于灰度图象的三类样本的形Ⅲ值的分布。图５—１０具有灰度对比度不变性的小波矩特征痧。同实验一相比，在相似目标的分别上效果更明显。（４）灰度图象下三种矩不变量特征组的识别率曲线４７西北工业大学硕士学位论文第五章实验结果与分析采用本文的最小距离分类法来完成对三类共１５０Ｐ．０实验样本的分类识别。图５—１１是基于灰度图象的三种不同矩不变量特征组的识别率曲线。每种特征组中本文最多选用了２６个特征。其中Ｈｕ矩不变量特征组的特征数是６个。从图５—１ｌ可以看出，当分割后的图象是具有一致性可变对比度的灰度图象时，Ｈｕ矩不变量用２—３个特征达到了它的最高识别率７６％，然后随着不良特征的加入，识别率急剧下降；Ｚｅｒｎｉｋｅ矩不变量用７个特征达至ＩＪ９２％的识别率，至少用８个特征达到了最高９６％的识别率：而小波矩不变量用１个特征即可达至Ｕ９８％的识别率，至少用２个特征就能达到１００％的识别率。通过和实验一比较，比较图５—１ｌ和图５—７，可以看出，当目标图象是具有一致性可变对比度的灰度图象时，采用本文提出的具有对比度不变性的矩不变量法，和基于二值图象的矩不变量法比较，Ｈｕ矩和Ｚｅｒｎｉｋｅ矩的方法在输入为灰度图象后，识别率有一定提高，但识别稳定性降低，而小波矩的方法在输入为灰度图象后，识别效率有了明显提高。在本实验中，小波矩不变量仍然是三种矩不变量中识别能力最好的特征。４８西北工业大学硕士学位论文第五章实验结果与分析５．３实验结论首先，比较三种不同矩不变量识别方法，从本实验来看，Ｚｅｒｎｉｋｅ矩法和小波矩法要较Ｈｕ矩法优越得多，小波矩和Ｚｅｒｎｉｋｅ矩都具有较好的识别能力，但Ｚｅｒｎｉｋｅ矩的计算量要比小波矩大许多。造成这种结果的原因在于，Ｈｕ矩是一种基于统计量的全局特性，矩特征之间的相关性大，所以在识别相似目标时。特征表达能力弱，对目标之间的细微差别敏感度低，相对而言，噪声敏感度偏大，所以，不适合比较相似的海上目标的识别；Ｚｅｒｎｉｋｅ矩虽然也是在整个图象空间中计算的，得到的是图象的全局特性，但它是一种正交矩，理论上各个矩特征之间不相关，所以它的特征表达能力和噪声敏感度都较Ｈｕ矩要好；Ｈｕ矩和Ｚｅｒｎｉｋｅ矩得到的都是图象的全局特性，容易受到噪声的干扰，而本文的小波矩不变量克服了这个弱点，它不仅可以得到图象的全局特性，也可以得到局部特性，在识别相似目标时，提取局部空间的矩特征，对目标的细微差别更敏感，减轻和抑制了噪声对识别结果的影响。所以在三种方法中，小波矩不变量有更好的识别效果，实验结果验证了以上分析。表５－７几种矩特征方法的比较方法传统Ｈｕ矩法本文Ｈｕ矩法传统Ｚｅｒｎｉｋｅ矩法本文Ｚｅｒｎｉｋｅ矩法最高识别率（％）７４７６９２９６１００１００达到最高识别率的最少特征数４识别稳定性差极差２－３１２８８２一般差较优优传统小波矩法本文小波矩法其次，本文结合海上目标图象的特点，提出了适合海上目标识别的、具有对比度不变性的三种矩不变量法。在图象分割时，采用迭代阈值法，去除目标背景，而图象的目标部分，仍保留为灰度图象，不进行二值化处理，最大可能地保留目标的信息，使得在特征提取时，输入的图象是灰度图象。在实验中，比较了输入分别为二值图象和灰度图象的识别结果。实验结果表明，Ｈｕ矩和Ｚｅｒｎｉｋｅ矩的方法在输入为灰度图象后，整体识别率虽有了～定提高，但识别表现地不稳定。而小波矩的方法在输入为灰度图象后，识别率有了明显提高，识别性能非常稳定。这是因为，灰度图象中虽然保留了目标更多的信息，但同时噪声的影响加大，这对全局特性下的Ｈｕ矩和Ｚｅｒｎｉｋｅ矩的识别产生了更大干扰；而小波矩是局部特征，噪西北工业大学硕士学位论文第五章实验结果与分析声对它的干扰较小，灰度图象保留了更多的目标信息，对小波矩来说更好识别。表５—７对比了基于二值图象的矩特征法和基于灰度图象的矩特征法的识别结果，为了书写方便，此处将基于二值图象的矩特征法称为“传统法”，将基于灰度图象的矩特征法称为“本文法”。在前文中我们已经指出，识别过程中选用的特征并不是越多越好。当选择的特征数达到一定程度后，再加入额外的特征，并不能提高识别率，相反，有时反而会降低识别率。本文采用的特征选择算法并不是一种最优法，而是次优法，随着所选择特征数的增加，一些不稳定或者说识别能力较弱的特征会入选，从而使选择出的特征向量性能下降。同时，可分离性判据是根据训练样本来计算的，本文实验中每类的训练样本只有３０个，训练样本的不足导致可分离性判据产生误差，从而影响了选择出的特征的识别能力。西北工业大学硕士学位论文第六章总结与展望第六章总结与展望６．１总结现代信息战争的胜负很大程度取决于情报信息的快速获取和准确及时地处理。目前我军的海上目标信息的侦察能力较以往已有很大提高，但在信息的处理技术上自动化程度较低，航空侦察仍是按照航空摄影、胶片处理、洗印照片、镶图、目视判读等程序依次进行。这种周期长、效率低、信息反馈滞后的判读方式不能适应现代化信息战争的需要。本文通过深入研究目前目标识别技术的现状，结合海上目标及其灰度图象的特点，在对海上目标图象合理分割的基础上，提取了适合这类目标识别的不变量特征。论文的主要工作包含以下几方面：（１）根据海上目标图象内部结构复杂、目标间相似性大的特点，本文设计了基于区域的迭代阈值法进行目标分割。分两种情况进行，一种是分割掉图象的背景成分，分割出的目标区域是二值图象；另一种是分割掉图象的背景成分，分割出的目标区域仍保留为灰度图象。（２）本文重点在于图象目标的特征提取，考虑到基于形状特征的矩特征法在目标识别中的有效性和实用性，本文研究了相对于目标旋转、平移、尺度变换而保持为常量的Ｈｕ矩不变量、Ｚｅｒｎｉｋｅ矩不变量、小波矩不变量。但是在目前的不变矩方法中，绝大多数还是仅仅从二值图象或边缘图象中提取。而在实际中，海上目标图象具有的特点是背景较简单，但目标本身比较复杂，不同目标间的相似性较大，基于二值图象的不变矩方法很难区分这种自身的复杂性和不同类之间的相似性。为了解决这个问题，本文提取了具有灰度对比度不变性的Ｈｕ矩不变量、Ｚｅｒｎｉｋｅ矩不变量和小波矩不变量等特征。探讨了三种矩不变量在基于灰度图象的海上目标识别中应用的可行性和有效性。（３）在特征选择中，采用了一种基于ＤＢＩｎｄｅｘ准则的特征选择算法，以期获得较优的特征向量。最后，在实验中采用了最小距离分类法进行最终的目标分类。通过实验得出，针对具有较大相似性的海上目标的识别，三种矩不变量方法中，小波矩不变量法的识别能力最高，Ｚｅｒｎｉｋｅ矩不变量法次之，Ｈｕ矩不变量识别效果最差；将基于灰度对比度不变性的不变矩方法应用于实验，其中Ｈｕ矩不变量和Ｚｅｒｎｉｋｅ矩不变量识法的识别率有～定提高，而小波矩不变量的识别能力显著增强。证明了该方法在海上目标识别中的稳定性、可行性和有效性，为研制智能判读系统提供了参考。西北工业大学硕士学位论文第六章总结与展望６．２展望随着图像处理技术及计算机技术的应用和发展，图像模式识别将发挥越来越重要的作用，也将更广泛地应用于各个领域，诸如宇航，卫星遥感、军事侦察、生物医学工程，以及工业检测等领域。未来战争将是高技术条件下的信息战争，最近几年我军的信息技术投入越来越多，航空侦察装备和手段正朝着大范围、高精度、反伪装、实时传输及自动判读等方向快速发展。这种条件下，用于获取敌方海上攻防军情的海上目标识别技术显得尤为重要。未来发展中，目标分割技术将更具有智能性，同时也将从二维平面目标判读发展到三维立体目标判读，从更广的角度来获取更准确更丰富的信息。从不变矩理论来看，不变矩的理论期望值和实际计算值之间还有一定偏差。究其原因，在连续变换离散化时引入了偏差。后续的研究中，应当从不变矩原理本身出发，研究其用于数字图像处理领域中离散化后，如何进行离散化补偿。同时，寻求其它更稳定、可靠的不变矩表达函数，也将是未来研究的热点。在一个目标识别系统中，特征选择和分类识别算法都是影响目标识别的重要因素。在今后的海上目标识别技术研究中，结合特征提取，寻找尽可能高效的特征选择算法，和更适合海上目标识别系统的分类识别方法，都是值得研究的方向。由于理论水平及个人对研究领域理解的局限性，论文难免出现疏漏或不足之处，敬请各位老师和同学批评指正。西北工业大学硕士学位论文参考文献参考文献现代战争目标识别技术的现状及发展［Ｊ］．电讯技术，２００３．５（１）：５－８董文先等．新时期军事斗争准备中的航空侦察工作［Ｊ］．航空侦察，１９９９．８（１）：卜６【３】【４】【１】【２】李华胜，付萍．图像模式识别算法研究（硕士论文），吉林大学．２００３．３Ｊ．ＶａｎＣｌｅｙｎｅｎｂｒｅｎｇｅｌＥＳｕｅｔｅｍＥＦｉｅｒｅｎｓＥＷａｍｂａｅｑＡ．Ｏｏｓｔｅｒｌｉｎｃｋ．ＡｏｎＫｎｏｗｌｅｄｇｅ－ｂａｓｅｄＳｙｓｔｅｍｆｏｒｔｈｅＲｅｃｏｇｎｉｔｉｏｎｏｆＲｏａｄｓＳＰＯＴＳａｔｅｌｌｉｔｅＩｍａｇｅｓ叨．ＳＰＩＥ【５】【６】Ｖ０１．１０９９ＡｄｖａｎｃｅｓｉｎＩｍａｇｅＣｏｍｐｒｅｓｓｉｏｎａｎｄＡｕｔｏｍａｔｉｃＴａｒｇｅｔＲｅｃｏｇｎｉｔｉｏｎ，１９８９：８３．８８周杰等．人脸自动识别方法综述［Ｊ］．电子学报，２０００．４（４）：１０２—１０５Ｓ＿ｃｃｆａｎｏＢｅｒｒｅｔｔｉ，ＡｌｂｅｒｔｏＤｅｌＩｎｄｅｘｉｎｇｏｆＧｒａｐｈＢｉｍｂｏ，ａｎｄＥｎｒｉｃｏＭｏｄｅｌｓｉｎＣｏｎｔｅｎｔ－ＢａｓｅｄＶｉｃａｒｉｏ．ＥｆｆｉｃｉｅｎｔＭａｔｃｈｉｎｇａｎｄＲｅｔｒｉｅｖａｌ，ＩＥＥＥＴｒａｍ．ＯｎＰａｔｔｅｒｎＡｎａｌｙｓｉｓａｎｄＭａｃｈｉｎｅＩｎｔｅｌｌｉｇｅｎｃｅ，２００１，Ｖｏｌ２３，Ｎｏ．１０，１０８９－１１０３ＳｗａｉｎＭＪ．ＢａｌｌａｒｄＤＨ．ＣｏｌｏｒＩｎｄｅｘｉｎｇ，ＩｎｔｅｒｎａｔｉｏｎａｌＪｏｕｒｎａｌｏｆＣｏｍｐｕｔｅｒＶｉｓｉｏｎ，１９９１，７（１）：１１－３２【８】ＰａｓｓＧＺａｂｉｈＰｒｏｃｏｆＫＭｉｌｌｅｒＪ．ＣｏｍｐａｒｉｎｇＩｍａｇｅｓｕｓｉｎｇＡＣＭＩｎｔｅｒｎＣｏｎｆＭｕｌｔＩｍｅｄｉａ．Ｂｏｓｔｏｎ。ＭｇＳ．ＣｏｎｔｅｎｔＢａｓｅｄＣｏｌｏｒＣｏｈｅｒｅｎｃｅＶｅｃｔｏｒｓ．１９９６【９】Ｒｉｃｋｍａｎｎ＆ＪｏｈｎＤａｔａｂａｓｅ．ＳａｎＩｍａｇｅＲｅｔｒｉｅｖａｌｕｓｉｎｇＣｏｌｏｒＴｕｐｌｅＲｅｔｒｉｅｖａｌｆｏｒＨｉｓｔｏｇｒａｍｓ．ＰｒｏｃｏｆＳＰⅢ：ＳｔｏｒａｇｅａｎｄＩｍａｇｅａｎｄＶｉｄｅｏＪｏｓｅ，ＣＡ，１９９６，２６７０［１０】ＨａｌｅｒＪ，ＳａｗｈｎｅｙＨ，ＥｑｕｉｔｚＷｅｔａｌ．ＥｆｆｉｃｉｅｎｔＩＥＥＥＣｏｌｏｒＨｉｓｔｏｇｒａｍＩｎｄｅｘｉｎｇｆｏｒｏｎＱｕａｄｒａｔｉｃＦｏｒｍＭａｃｈｉｎｅＤｉｓｔａｎｃｅＦｕｎｃｔｉｏｎ．ＴｒａｍＰａｔｔｅｒｎＡｎａｌｙｓｉｓａｎｄＩｎｔｅｌｌｉｇｅｎｃｅ，１９９９，１７（．７）：１２９－２５６ｉｍａｇｅｃｌａｓｓｉｆｉｃａｔｉｏｎ．Ｓｙｓｔｅｍ，Ｍａｎ，Ｃｙｂｅｒｎｅｔｉｃｓ，１９７３，ＳＭＣ－３（６）：６１０—６２１ＳＥＴｒａｎｓｆｏｒｍｆｅａｔｕｒｅｆｏｒｔｅｘｔｕｒｅｃｌａｓｓｉｆｉｃａｔｉｏｎｏｎ【１１】ＨａｒａｌｉｃｋＲＭ，Ｓｈａｎｇｍｕｇａｍ，ＤｉｎｓｔｅｉｍＴｅｘｔｕｒａｌｆｅａｔｕｒｅｆｏｒＩＥＥＥＴｒａｎｓ０１１［１２】ＳｍｉｔｈＪ＆Ｃｈａｎｇａｎｄｄｉｓｃｒｉｍｉｎａｔｉｏｎｉｎｌａｒｇｅｉｍａｇｅｄａｔａｂａｓｅ．ＰｒｏｃｏｆＩＥＥＥＩｎｔ’ｌＣｏｎｆＰｒｏｃｅｓｓｉｎｇ．Ａｕｓｔｉｎ，Ｔｅｘａｓ，１９９４Ｉｍａｇｅ［１３】ＭａＷＹＭａｎｊｕｎａｔｈＢＳ．ＴｅｘｔｕｒｅｆｅａｔｕｒｅｓＣｏｎｆｏｆＣｏｍｐｕｔｅｒＶｉｓｉｏｎ４２５－４３０ａｎｄｌｅａｒｎｉｎｇｓｉｍｉｌａｒｉｔｙ．ＰｒｏｃｏｆＩＥＥＥａｎｄＰａｔｔｅｒｎＲｅｃｏｇｎｉｔｉｏｎ．Ｓｅａｔｌｅ，Ｗａｓｈｉｎｇｔｏｎ，１９９６：【１４】ＪａｉｎＡＫ．Ｖａｉｌａｙａ．Ｓｈａｐｅ－ｂａｓｅｄｒｅｔｒｉｅｖａｌ：Ａｃａｓｅｓｔｕｄｙｗｉｔｈｔｒａｄｅｍａｒｋｉｎｌａｇｅｄａｔａｂａｓｅ．ＰａｔｔｅｍＲｅｃｏｇｎｉｔｉｏｎ，１９９８，３１（９）：１３６９－１３９０西北工业大学硕士学位论文参考文献【１５】庄越挺．智能多媒体信息分析与检索的研究（博士论文）．浙江大学，杭州，１９９８ＶＮ，ＲａｇｈａｖａｎＶＶＣｏｎｔｅｎｔ－ｂａｓｅｄｉｍａｇｅｒｅｔｒｉｅｖａｌｓｙｓｔｅｍ．ＩＥＥＥ【１６】ＧｕｄｉｖａｄａＣｏｍｐｕｔｅｒ，１９９５，２８（９）：１８－２２［１７１ＲｕｉＹＡｌｆｒｅｄＣ，ＨｕａｎｇＴＳ．ＭｏｄｉｆｉｅｄＴｏｕｒｉｅｒｄｅｓｃｒｉｐｔｏｒｆｏｒｓｈａｐｅｒｅｐｒｅｓｅｎｔａｔｉｏｎ，ａｐｒａｃｔｉｃａｌａｐｐｒｏａｃｈ．ＰｒｏｃｏｆＦｉｒｓｔＩｎ’１ＷｏｒｋｓｈｏｐｏｎＩｍａｇｅＤａｔａｂａｓｅａｎｄＭｕｌｔｉｍｅｄｉａ．Ｓｅａｒｃｈ，１９９６【１８】ＧｕｎｓｅｌＢ，ＴｅｋａｌｐＡ．Ｓｈａｐｅｓｉｍｉｌａｒｉｔｙｍａｔｃｈｉｎｇｆｏｒｑｕｅｒｙ－ｂｙ－ｅｘａｍｐｌｅ．ＰａｔｔｅｒｎＲｅｃｏｇｎｉｔｉｏｎ，１９９８，３ｌ（７）：９３１－９４４［１９】ＨｕＭ．ＫＶｉｓｉｏｎＰａｔｔｅｒｎＲｅｃｏｇｎｉｔｉｏｎｂｙＭｏｍｅｎｔＩｎｖａｒｉａｎｔｓ叨．ＩＥＥＥＴｒａｍ．ＩｎｆｏｒｍａｔｉｏｎＴｈｅｏｒｙ，Ｖ０１．８，１７９—１８７，１９６２ＹａｎｇＬ，Ａｌｇｒｅｇｔｓｅｎ．Ａｆａｓｔｃｏｍｐｕｔａｔｉｏｎｏｆｉｎｖａｒｉａｎｔｇｅｏｍｅｔｒｉｃｍｏｍｅｎｔｓ：Ａｎｅｗｍｅｔｈｏｄｇｉｖｉｎｇｃｏｒｒｅｃｔｒｅｓｕｌｔｓ．ＰｒｏｃｏｆＩＥＥＥＩｎｔ’ｌＣｏｎｆｏｎＩｍａｇｅＰｒｏｃｅｓｓｉｎｇ．ＡｕｓｔｉｎＴｅｘａｓ，１９９４【２１】董武，李树祥．矩特征的一种快速算法［Ｊ］．№．１０．１９９９．１０：８６０—８６４中国图象图形学报．Ｖ０１．４，［２２】余静，游志胜．自动目标识别与跟踪技术研究综述【Ｊ］．计算机应用研究．２００５Ｎｏ．１：１２—１５，［２３】ＧｏｎｚａｌｅｚＲ１９９２Ｃ。ＷｏｏｄｓＲＥ．Ｄｉ＃ｔａｌＩｍａｇｅＰｒｏｃｅｓｓｉｎｇ．３“．ｅｄ．，Ａｄｄｉｓｉｏｎ－Ｗｅｓｌｅｙ，ｅｖａｌｕａｔｉｏｎ［２４】ＺｈａｎｇＹＪ．Ｓｅｇｍｅｎｔａｔｉｏｎａｎｄｅｏｍｐａｒｉｓｉｏｎ：ａｓｔｕｄｙｏｆｖａｒｉｏｕｓａｌｇｏｒｉｔｈｍｓ．ＳＨＥ，１９９３，２０９４：８０１・８１２［２５】ＨａｒａｌｉｃｋＲＭ．Ｐｅｒｆｏｒｍａｎｃｅｃｈａｒａｃｔｅｒｉｚａｔｉｏｎｉｎｃｏｍｐｕｔｅｒｖｉｓｉｏｎ．ＣＶＧＩＰ・ＩＬｌ．１９９４．６０：２４５－２４９【２６】李迎春．航空图片目标识别算法研究（硕士论文）．吉林大学．长春．２００１．４【２７】口８】阮秋琦编著．Ｄｏｙｌｅ数字图像处理学．电子工业出版社２００３．６ｕｓｅｆｕｌｆｏｒｓｉｍｉｌａｒｉｌｙ—ｉｎｖａｒｉａｍｐａ＿ｔｔｅｍＷ．Ｏｐｅｒａｔｉｏｎｒｅｃｏｇｎｉｔｉｏｎ［Ｊ］．Ａｓｓｏｃ．Ｃｏｍｐｕｔ．Ｍａｔｈ．，１９６２，９：２５９－２６７［２９】Ｗｅｓｚｌ（ａＪＳ，ＲｏｓｅｎｆｅｌｄＡ．Ｈｉｓｔｏｇｒａｍｍｏｄｉｆｉｃａｔｉｏｎｆｏｒｔｈｒｅｓｈｏｌｄｓｅｌｅｃｔｉｏｎ．ＩＥＥＥ—ＳＭＣ，１９７９，９：３８－７２【３０】ＹｅｎＪＣ，ＣｈａｎｇＦＪ，ＣｈａｎｇＳ．Ａｎｇｗｃｒｉｔｅｒｉｏｎｆｏｒａｕｔｏｍａｔｉｃｍｕｌｔｉｌｅｖｅｌｔｈｒｅｓｈｏｌｄｉｎｇ．ＩＥＥＥ—ＩＰ，１９９５，舣３）：３７０—３７８【３ｌ】ＺｈａｎｇＹＪ．３－Ｄｉｍａｇｅａｎｆｌｙｓｉｓｓｙｓｔｅｍｍｅｔｈｏｄａｎｄｍｅｇａｋａｒｙｏｃｙｔｅｑｕａｎｔｉｔａｔｉｏｎ．Ｃｙｔｏｍｅｔｒｙ，１９９１，１２（５）：３０８－３１５［３２】ＭｕｓａｖｉＭＴ．Ａｖｉｓｉｏｎｔｏａｕｔｏｍａｔｅｍａｐｐｒｏｃｅｓｓｉｎｇ［Ｊ］．ＰａｔｔｅｒｎＲｅｃｏｇｎｉｔｉｏｎ，１９９８．４：３１９－３２６５４西北工业大学硕士学位论文参考文献［３３】【３４】王耀明．图像的矩函数一原理、算法及应用．华东理工大学出版社２００２．４ＴｅａｇｕｅＭ．Ｉｍａｇｅａｎａｌｙｓｉｓｂｙｔｈｅｇｅｎｅｒａｌｔｈｅｏｒｙｏｆｍｏｍｃｌｌｔｓ，Ｊ．Ｏｐｔ．Ｓｏｃ．Ａｍｅｒ，１９８０，７０（８）：９２０—９３０［３５】【３６】Ｋｈｏｔａｎｚａｄ九ＨｏｎｇＹＨ．Ｒｏｔａｔｉｏｎｉｎｖａｒｉａｎｔｉｍａｇｅｒｅｃｏｇｎｉｔｉｏｎｕｓｉｎｇｆｅａｔｕｒｅｓｓｅｌｅｃｔｅｄｖｉａａｓｙｓｔｅｍａｔｉｃｍｅｔｈｏｄ，ＰａｔｔｅｒｎＲｅｃｏｇｎｉｔｉｏｎ，１９９０，２３（１０）：１０８９－１１０１ＴｅｈＣＨ，ＣｈｉｎＲＴ．ＯｎｉｌＴｌａｇｅａｎａｌｙｓｉｓｂｙｔｈｅｍｅｔｈｏｄｓｏｆｍｏｍｅｎｔｓ，ｍＥＥＴｒａｎｓ．Ｐａｒｔ．Ａｎａｌ．ＭａｃｋＩｎｔｅｌ．，１９８８，１０（４）：４９６－５１３【３７】ＢｅｌｋａｓｉｍＳＯ，ＳｈｒｉｄｈａｒＭ，ＡｈｍａｄｉＭ．Ｐａｔｔｅｍｒｅｃｏｇｎｉｔｉｏｎｗｉｔｈｍｏｍｅｎｔｉｎｖａｒｔｉａｎｔｓ：ａｃｏｍｐａｒａｔｉｖｅｓｔｕｄｙａｎｄｎｅｗｒｅｓｕｌｔｓ．ＰａｔｔｅｒｎＲｅｃｏｇｎｉｔｉｏｎ．，１９９１，２４（１２）：１１１７．１１３８【３８］ＳｈｅｎＤ，ＨｏｒａｃｅＨＳｏｆ２－ＤＩｐ．Ｄｉｓｃｄｍｉｎａｔｉｖｅｗａｖｅｌｅｔｓｈａｐｅｄｅｓｃｒｉｐｔｏｒｓｆｏｒｒｅｃｏｇｎｉｔｉｏｎｐａｔｔｅｒ璐，ＰａｔｔｅｒｎＲｅｃｏｇｎｉｔｉｏｎ．，１９９９，３２（２）：１５１—１６５Ｓ．Ａ［３９】［４０】【４１】［４２】ＭａｌｌａｔＴｈｅｏｒｙｆｏｒＭｕｌｔｉｒｅｓｏｌｕｔｉｏｎＳｉｇｎａｌＤｅｃｏｍｐｏｓｉｔｉｏｎ：ｎ圮ＷａｖｅｌｅｔＲｅｐｒｅｓｅｎｔａｔｉｏｎ．ＩＥＥＥＴｒａｍＰＡＭＩ，１９８９，ｌｌ（７）：６７４－６９３徐旭东，周源华．基于小波矩不变量的模式识别方法［Ｊ］．红外与毫米波学报，２０００，１９（３）：２１５—２１８边肇祺，张学工等．于剑，程乾生．模式识别．北京：清华大学出版社，２０００，１９８—２０４模糊聚类方法中最佳聚类数的搜索范围［Ｊ］．中国科学，ｔｈｅａｓｙｍｐｔｏｔｉｃｏｆＢ—ｓｐｌｉｎｅ２００２，３２（２）：２７４—２８０【４３】Ｍ．Ｕｎｓｃｒ，Ａ．Ａｉｄｒｏｕｂｉ，Ｍ．Ｅｄｅｎ，ＯｎＭ．Ｕｎｓｅｒ，ＡｐｒａｃｔｉｃａｌｇｕｉｄｅｔｏｔｈｅｃｏｎｖｅｒｇｅｎｃｅｗａｖｅｌｅｔｓｔｏＧａｂｏｒｆｕｎｃｔｉｏｎｓ，ＩＥＥＥＴｒａｍ．Ｉｎｆｏｒｍ．Ｔｈｅｏｒｙ３８（１９９２）８６４—８７２［４４】ｉｍｐｌｅｍｅｎｔａｔｉｏｎｉｎｏｆｔｈｅｗａｖｅｌｅｔｔｒａｎｓｆｏｒｍ，ｉｎ：ａｎｄＢｉｏｌｏｇｙ，ＣＲＣＰｒｅｓｓ，Ａ．Ａｌｄｒｏｕｂｉ，Ｍ．Ｕｎｓｅｒ，（Ｅｄｓ．）ＷａｖｅｌｅｔｓＢｏｃａＲａｔｏｎ，ＦＬ，１９９６，ＰＰ．３％７３Ｍｅｄｉｃｉｎｅ［４５】［４６】孙兆林编著．ＭＡＴＬＡＢ６．ｘ图像处理．北京：清华大学出版社，２００２．５ＤｉｎｇｇａｎｇＳｈｅｎ，ＨｏｒａｃｅＨＳＩｐ．ＤｉｓｃｒｉｍｉｎａｔｉｖｅｗａｖｅｌｅｔｓｈａｐｅｄｃｓｃｄｐｔｏｒｓｆｏｒｒｅｃｏｇｎｉｔｉｏｎＯｆ２－Ｄｐａｔｔｅｒｎｓ，ＰａｔｔｅｒｎＲｅｃｏｇｎｉｔｉｏｎ．３２（１９９９）：１５１－１５３西北工业大学硕士学位论文硕士期间发表的论文硕士期间发表的论文・张琦，樊养余．基于小波矩不变量的海上目标识别．计算机工程与科学［Ｊ］，２００７．５（已录用）●田法，徐亮，张琦，郝重阳．基于Ｒａｄｏｎ变换的医学图像增强方法．微电子学与计算机［Ｊ］，２００６，２３（５）：１２－１５西北工业大学硕士学位论文致谢致谢本论文是在导师樊养余教授的悉心指导下完成的。在论文完成之际，我要衷心地感谢樊老师对我精心的指导和无私的帮助。樊老师严谨的治学态度、渊博的知识、实事求是的科研精神深深地感染和启迪了我，在此表示由衷的感谢和诚挚的敬意！樊老师不仅传授了我知识，更教会了我做人的准则，使我终身受益。除此之外，在本人患病期间，樊老师对我生活给予极大的关心和照顾，使我得以顺利完成研究生的学业。在此祝愿他身体健康，全家幸福！还要感谢教研室中所有的师兄、师姐、师弟、师妹们，他们曾经给了我很多无私的帮助和鼓励。在此期间，海军９２３３０部队装备部给予了热情的帮助和关心，在此一并表示感谢ｉ最后，向所有给予我帮助的老师和同学致敬！海上目标识别技术研究

作者：

学位授予单位：

张琦

西北工业大学

参考文献(46条)

1.现代战争目标识别技术的现状及发展 2003(01)

2.董文先 新时期军事斗争准备中的航空侦察工作 1999(01)3.李华胜 图像模式识别算法研究[学位论文]硕士 2003

4.J Van Cleynenbreugel.P Suetens.F Fierens.P.Wambacq A.Oosteflinck A Knowledge-based System for theRecognition of Roads on SPOT Satellite Images 19895.周杰 人脸自动识别方法综述 2000(04)

6.Stefano Berretti.Alberto De1 Bimbo.Enrico Vicario Efficient Matching and Indexing of Graph Modelsin Content-Based Retrieval 2001(10)

7.Swain M J.Ballard D H Color Indexing 1991(01)

8.Pass G.Zabih R.Miller J Comparing Images using Color Coherence Vectors 19969.Rickmann R.John S Content Based Image Retrieval using Color Tuple Histograms 1996

10.Hafer J.Sawhney H.Equitz W Efficient Color Histogram Indexing for Quadratic Form DistanceFunction 1999(07)

11.Haralick R M.Shangmugam Dinstein Textural feature for image classification 1973(06)

12.Smith J R.Chang S F Transform feature for texture classification and discrimination in largeimage database 1994

13.Ma W Y.Manjunath B S Texture features and learning similarity 1996

14.Jain A K Vailaya Shape-based retrievah A case study with trademark image database 1998(09)15.庄越挺 智能多媒体信息分析与检索的研究[学位论文]博士 1998

16.Gudivada V N.Raghavan V V Content-based image retrieval system 1995(09)

17.Rui Y.Alfred C.Huang T S Modified Tourier descriptor for shape representation,a practicalapproach 1996

18.Gunsel B.Tekalp A Shape similarity matching for query-by-example 1998(07)19.Hu M K Vision Pattern Recognition by Moment Invariants 1962

20.Yang L Algregtsen A fast computation of invariant geometric moments:A new method giving correctresults 1994

21.董武.李树祥 矩特征的一种快速算法 1999(10)

22.余静.游志胜 自动目标识别与跟踪技术研究综述 2005(01)23.Gonzalez R C.Woods R E Digital Image Processing 1992

24.Zhang Y J Segmentation evaluation and comparision:a study of various algorithms 199325.Haralick R M Performance characterization in computer vision 199426.李迎春 航空图片目标识别算法研究[学位论文]硕士 200127.阮秋琦 数字图像处理学 2003

28.Doyle W Operaion useful for similarity-invariant pattem recognition 1962

29.Weszka J S.Rosenfeld A Histogram modification for threshold selection 1979

30.Yen J C.Chang F J.Chang S A new criterion for automatic multilevel thresholding 1995(03)31.Zhang Y J 3-D image analysis system and megakaryocyte quantitation 1991(05)32.Musavi M T A vision method to automate map processing 199833.王耀明 图像的矩函数-原理、算法及应用 2002

34.Teague M Image analysis by the general theory of moments 1980(08)

35.Khotanzad A.Hong Y H Rotation invariant image recognition using features selected via asystematic method 1990(10)

36.Teh C H.Chin R T On image analysis by the methods ofmoments 1988(04)

37.Belkasim S O.Shridhar M.Ahmadi M Pattern recognition With moment invartiants:a comparative studyand new results 1991(12)

38.Shen D.Horace H S Ip Discriminative wavelet shape descriptors for recognition of 2-D patterns1999(02)

39.Mallat S A Theory for Multiresolution Signal Decomposition:The Wavelet Representation 1989(07)40.徐旭东.周源华 基于小波矩不变量的模式识别方法 2000(03)41.边肇祺.张学工 模式识别 2000

42.于剑.程乾生 模糊聚类方法中最佳聚类数的搜索范围 2002(02)

43.M Unser.A Aldroubi.M Eden On the asymptotic convergence of B-spline wavelets to Gabor functions1992

44.M Unser A practical guide to the implementation of the wavelet transform 199645.孙兆林 MATLAB6.X图像处理 2002

46.Dinggang Shen.Horace H S Ip Discriminative wavelet shape descriptors for recognition of2-Dpatterns 1999

本文链接：http://d.g.wanfangdata.com.cn/Thesis_Y1034924.aspx