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（53页珍藏版）》请在三一文库上搜索。

1、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

2、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 10OW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

3、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Aircraft Onground Recognition From Visible ImagesAbstractRemote sensing is a newly academic discipline which develops with modern science and technology. Now it is widely applied to the fields of agriculture, forestry, water conservancy, weather, measurementand mappi

4、ng, the geology exploration, environment monitor and military investigation and so on, and it has obtained good economic benefits and social efficiency. As is known to all, it is important to obtain useful information automatically from visual images in the field of military investigation. In the lo

5、cal war under the high technique conditions, aircraft is of great importance. The efficient and high rapid algorithms of airplane target recognition have a great advantage for chief officers to obtain information from enemy and thus win the war. Therefore, the researchof aircraft target recognition

6、is of great significance in military affairs.In this paper, methods of aircraft recognition of visible images are discussedJmage preprocessed and image segment, target characteristic extraction and airplane target recognition are included. In the aspect of preprocessedand image segment, faintness di

7、fference and adaptive threshold value means are used to distill target section. In the aspect of target characteristic extraction, H(s seventh order invariant moment compactness and square rate are used to analyze the target section after segment. At last, we use fuzzy pattern recognition to recogni

8、ze the airplane.In this paper, faintness difference and adaptive threshold value means and target square rate are put forward and aircrafts in visible images can be recognition automatically. .Key Words： visible images ; image segment ; characteristic extraction fuzzy pattern recognition目 录摘 要1Abstr

9、act.2引言错误.!.未定义书签。1绪论21.1 课题意义21.2 课题研究现状21.2.1 国外研究现状31.2.2 国内研究现状41.3 课题主要工作51.3.1 本课题主要研究内容 51.3.2 本课题预期达到的目的52可见光图像中地面飞机目标自动识别程序的设计 62.1 程序总体框架62.1.1 图像输入部分62.1.2 图像分割和提取部分62.1.3 图像飞机目标特征选取和提取部分 62.1.4 飞机目标识别部分 63可见光图像获取83.1 飞机目标图像获取83.2 Google Earth83.3 图像采集结果84地面飞机目标区域提取和分割 104.1 概述104.2 阈值分割法

10、114.2.1 直方图阈值双峰法 114.2.2 迭代阈值法分割技术 124.2.3 改进的阈值分割法 134.2.4 实验结果185地面飞机目标特征选取和提取 225.1 概述225.2 七阶Hu不变矩235.3 紧凑度255.4 目标所占区域面积比例 266地面飞机目标识别 276.1 概述276.2 模糊模式识别286.3 实验结果286.4 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

11、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

12、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

13、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10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

14、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

15、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包 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。

16、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

17、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5。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

18、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、SPOK TM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

19、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

20、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kNN准 则;A.P.Revee赵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

21、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

22、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

23、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，利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

24、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

25、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

26、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

27、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Google Earth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。3.2 Google EarthGoogle Earth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Google Maps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

28、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

29、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130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

30、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 问，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

31、不完善的地 方。图像分割方法大体上有三类方法：基于像素的方法，基于边界的方法，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，

32、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160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

33、时能达到人类视觉系统的水 平。由此可见，要实现目标的快速自动识别，必然从分割阶段就大量使用图像和目标特征 的相关知识。寻找简单实用的、自适应性强的阈值自动选取方法是众多研究者的共同目 标。如文献中提到的根据类中心以及分散度，并引入了类间距离判别函数来确定最优阈 值的分割方法；如文献中提到的基于阴影搜索法的飞机目标阈值分割；文献12中提到 的自适应簇集分割法等等。本文在前人研究的基础上提出了改进区域分割方法与模糊差 影法相结合分割图像目标区域。4.2.1 直方图阈值双峰法若灰度图像的直方图，其灰度级范围为i=(0,1, ,L-1),当灰度级为k时，则一副图像 的总像素N为：LN =2 ni =/

34、 +%(4.1)i =0灰度级i出现的概率为:(4.2)niniPi =-=Nn0 +ni +,-+nL-i当灰度图像中画面比较简单且对象的灰度分布比较有规律时，背景和对象物在图像 的灰度直方图上各自形成一个波峰，由于每两个波峰间形成一个低谷，因而选择双峰问 低谷处所对应的灰度值为阈值，可将两个区域分离。具体实现的方法是先做出图像f(x,y)的灰度直方图，若只出现背景和目标两个区 域部分所对应的直方图呈双峰且有明显的谷底，则可以将谷底点所对应的灰度作为阈值 t,然后根据该阈值进行分割就可以将目标从图像中分割出来。这种方法适用于目标和 背景的灰度差较大，直方图有明显低谷的情况。双峰法比较简单，

35、在可能情况下常常作为首选的阈值确定方法，但是图像的灰度直 方图的形状随着对象、图像输入系统、输入环境等因素的不同而千差万别，当出现波峰 之间的波谷平坦、各区域直方图的波形重叠等情况时，用直方图阈值法难以确定阈值， 必须寻求其他方法来选择适宜的阈值。4.2.2 迭代阈值法分割技术迭代式阈值选择方法的基本思想是：开始时候选择一个阈值作为初始计值，然后按 照某种策略不断地改进这一估计值，直到满意给定的准则为止。在迭代过程中，关键之 处在于选择什么样的阈值改进策略。好的阈值改进策略应该具备两个特征：一是能够快 速收敛；二是在每一个迭代过程中，新产生阈值优于上一次的阈值。下面介绍一种迭代 式选择算法，其

36、具体步骤如下：(1)选择图像灰度的中值作为初始阈值To 0(2)利用阈值T把图像分割成两个区域一一R,和耳，用下列式子计算区域R,和旦的TiLviniini(4.3)u1 ) ,u2 = $-nini =0if(3)计算出也和打后，用下列式子计算出新的阈值工中T=1, 2”2)(4.4)(4)重复步骤2和3,直到丁和Ti的差小于某个给定值。上述方法得到的阈值处在于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。由于提取的特征是目标的外轮廓，对于灰度直方图呈双峰分 布且中间直方图平坦区域很大的图像来说，迭代阈值法比动态自适应阈值法更适用。若 灰度直方图的双峰分布不是很明

37、显，背景较复杂的情况，动态自适应阈值法将更有优 势。4.2.3改进的阈值分割法为了克服复杂背景图像中小目标的自动全局阈值分割的失效问题 ，本文采用了一种 改进的区域分割方法。此法是模糊差影滤波与改进自适应阈值分割法的结合体17-190 4.2.3.1模糊差影滤波很多情况下，目标与背景的灰度值相差不大，此时简单的通过灰度范围的分割方 法，噪声与目标不能很好的区分，得不到理想的结果。“模糊差影滤波”是根据图像在 模糊过程中，高频分量即空域内灰度变化明显的点，与原图像的差影值明显，这样，由 于飞机目标的反射率通常比较高而且它在图像中的灰度值也比较高，并且飞机目标周围灰度变化明显，用模糊差影法就可以使

38、目标区域与背景的对比度增强，能够很好的将飞 机目标提取出来，再结合改进自适应阈值分割法对其进行分割，效果很好。模糊处理即平滑处理。在灰度连续变化的图像中，去掉与相邻像素的灰度相差很大 的点，使图像变的平滑同时细节被模糊了，也可理解为静噪处理。简单的平滑处理方法 可以将原图中每一点的灰度和它周围的 8个点的灰度相加，然后除以9,作为新图像 中对应点的灰度，这一操作我们用如下方法表示：1 1 1%* 1 1 1(4.5)1 1 _我们称之为BOX模板，中间的黑点表示中间元素。平滑模板的思想是通过一定点 和周围8个点的平均来去除突变，从而滤掉一定的噪声，其代价是图像有一定的模糊。高斯模板是对前一种模

39、板的改进，它考虑到了临域内各点位置的影响：离某点越近 的点对某点的影响越大，为此，引入了加权系数，将原来的模板改成：1 2 1%6* K 4 2(4.6)12 1实验表明采用高斯模板在实现平滑效果的同时，图像要比BOX模板清晰一些。差影法的原理非常简单：将前后两幅图像相减，得到的差作为结果图像。差影法可用以下方法表示：f(x,y)为图像1, g(x,y)为图像2, z(x,y)为差影图像。z(x,y 户 f(x, y)-g(x, y)(4.7)差影处理可以反映出空域内灰度的变化情况，设定阈值，即可保留图像中某频段的 分量。模糊差影滤波分割程序流程图如图4.1所示图4.1模糊差影滤波分割流程图4

40、2.3.2改进的自适应阈值分割法用一个二维矩阵将一幅灰度图像描述为 Fp固=If(x,y)四，PMQ是图像的大小。(f (x, y)是像素(x, y)的灰度值。且f (x, y)亡0,1 , ,L - 1 , L为图像的灰度级总数。在图像中灰度级i出现的次数为Q ,则灰度级i出现的几率为：(4.8)n.口Lp =丁，且Pi A0 Pi =1P Q勾假设以灰度t为阈值把全部像素分为两类：si （背景类）包含了 i t的像素。si和S2出现的几率为t1 Pi(4.9)i 0L 二P2 = Z Pi,P+B=1(4.10)i =t 1为了有效描述两个类之间的距离D,我们定义了 si和S2的类内中心

41、分别为： tWi ipi/Pi(4.11)i WLW2 =iPi/P2(4.12)i 土 1则：D = w1-w2(4.13)D在一定程度上能体现s1和s2的分割效果。D越大，表示两个类之问间距越大,G和s2分得越开。另外，两个类中内聚性的好坏也是直接反应分割是否有效的一个重要标志，我们从 类中每一个像素到类内中心的距离出发，定义了类得分散度：td| = i -叫 *-Pl（4.14）i=0P2d2 =E |i -w2 旦（4.15）ifP2显然，每个类得分散度越小，表示内聚性越好，分类效果越好。因此，综合考虑以上两方面的因素.要保证分类效果好.就必须同时确保D最大且d1、d2最小。这样.每

42、一类的内聚性最好.而且两类的类间距离又最大.分类最成功。为此，定义了 G和s2分类判别函数H(t) =P1 P2 DRdP2d2(4.16)可见，当H最大时将达到最好的分类效果。若一幅图像的某一个灰度级t*能使H (t*) =HmaxH max (t)以t*为阈侑F分成s1 和s2则有：S1 = s2 = F 且 s1cs2 =4(4.17)此时，前景和背景的分类效果最佳。若置si中像素的灰度值为0,置s2中像素的灰 度值为1,将F二值化，就能使前景和背景最大程度的分开，达到最有效分割图像的目 的。因此t”是最优的阈值，生成的二值化效果最好。利用上述确定最优阈值的方法进行自适应阈值图像分割，算

43、法图如图4.8,得到二值图像。图4.2自适应阈值分割算法流程图在分割生成的二值图像中，通常认为目标是灰度值为255的连通的像素的集合，分割 最终所要达到的效果就是将目标和背景清晰地分离开。由实验结果可知，上述算法得到 的最优阈值t”对图像分割效果不是特别好，选取阈侑t* + 25为最优阈值，对图像分割 效果有所改善。此法对背景简单或是复杂的图片分割效果都还可以。4.2.4实验结果本论文对三幅图像运用了上述三种图像分割算法进行了实验，实验结果如下列各图 所示：CD图4.3原图一的三种分割效果这幅图像中，A为原图像，B为用直方图阈值双峰法分割得到的图像，C为用迭代阈值分割法得到的图像，D为用模糊差

44、影法结合改进自适应阈值法得到的图像。有图像 可以看出，此幅图像背景算是比较复杂的，飞机目标停留在跑道和停机场上，周围包含 不算复杂的建筑物，通过三种分割算法的得到的图像中，我们可以看出直方图阈值双峰 法得到的分割效果最好，它不仅将所有飞机目标都完好地分割出来了，而且对于分割后 剩余的飞目标区域也很少。CBD图4.4原图二的三种分割效果这幅图像中，A为原图像，B为用直方图阈值双峰法分割得到的图像，C为用迭代 阈值分割法得到的图像，D为用模糊差影法结合改进自适应阈值法得到的图像，这幅图 像背景稍显简单，背景与飞机目标对比明显，目标与非目标阈值相差明显，三种分割方 法得到的效果都很好，相差不大。CD

45、图4.5原图三的三种分割效果这幅图像中，A为原图像，B为用直方图阈值双峰法分割得到的图像，C为用迭 代阈值分割法得到的图像，D为用模糊差影法结合改进自适应阈值法得到的图像，这幅 图像相较前面两幅背景都复杂，飞机目标不是很明显，且有色调不一致的跑道、停机场 和建筑物的影响，可以看到直方图阈值双峰法的得到的分割图像中虽然飞机目标都分割 出来了，但是除了分割出目标外，分割后图像中还出现了很多的非飞机目标，这对于算 法的处理速度是有很大影响的，并且也增大了误识别的几率；显而易见，迭代阈值分割 法分割的效果并不好，飞机目标与背景融合在一起，难以提取特征和识别。相比较而 言，模糊差影法结合改进自适应阈值法

46、对此类图像分割效果最好，飞机目标不仅提取完 整，分割后非飞机目标也相对少了很多。从三幅图像的各种分割效果来看，对于各种背景的图像，改进自适应阈值法整体比 另外两种分割方法好。直方图阈值双峰法比较简单，虽然有时分割效果较好，但是对于 不同图像，都要手动根据直方图来选择不同的分割阈值，相对于其他分割算法，比较麻烦。迭代阈值分割法在处理目标与背景灰度差别较大的图像时，具有算法简单，噪声 小，分割效果好的特点，分割后目标边缘完整，形状保持较好，较适合遥感图像的模型 飞机的分割，对于背景复杂或是对比度不明显的图像，迭代阈值法分割效果就显然很差 了。模糊差影法结合改进自适应阈值分割法无论对于背景简单还是背

47、景复杂的图像，分 割效果都能取得良好的效果。5地面飞机目标特征选取和提取5.1 概述数字图像分析是图像处理的高级阶段，它所研究的是使用机器分析和识别周围物体 的视觉图像，从而可得出结论性的判断。但是，人类视觉系统认识的图像能让计算机系 统也认识就必须寻找算法。这样，计算机也就具有了认识或是识别图像的本领，这称为 图像模式识别，也叫图像识别。在图像识别中，对获得的图像直接进行分类是不现实 的。首先，图像数据占用很大的存储空间，直接进行识别耗时耗力，其计算量无法接 受；其次图像中包含许多与认识无关的信息，如图像的背景等，因此必须进行特征的提 取和选择，这样就能对被识别的图像数据进行大量压缩，有利于识别。要使计算机具有 识别的本领，首先要得到图像的各种特性，称为图