摘要：針對目前光學遙感影象處理與分析多集中在單目標檢測及識別領域的侷限性，多目標檢測及識別成為了一個非常值得關注的研究課題，提出了一種光學遙感影象多目標檢測及識別演算法。首先，採用自適應閾值演算法對目標快速檢測分割;然後，結合影象金字塔思想和基於尺度不變特徵變換的特徵包(BoFSIFT)特徵提出了一種分層的BoFSIFT特徵表示目標的全域性特徵和區域性特徵，詳細地描述了目標的分佈特性;最後，採用基於徑向基核函式的支援向量機為弱分類器的AdaBoost演算法，經過不斷更新權重之後得到一個強分類器對待測試目標影象完成分類識別，識別率達到了93.52%。實驗結果表明，所提演算法對多類遙感影象目標的分割效果顯著，特徵選取恰當，識別方法快速有效。
關鍵詞：光學遙感影象;自適應閾值;基於尺度不變特徵變換的特徵包特徵;AdaBoost演算法;多類目標
引言
光學遙感影象通常是指可見光和部分紅外波段感測器獲取的影像資料，其直觀易理解，空間解析度通常比較高，在有光照和晴朗的天氣條件下，影象內容豐富，目標結構特徵明顯，便於目標分類識別。隨著遙感技術和模式識別技術的發展，對光學遙感影象多目標分類和識別的研究已引起了廣泛關注，它的發展對對地觀測、軍事偵察等領域有廣泛的意義[1]。
基於光學遙感影象的多目標檢測與識別研究主要涉及目標分割檢測、特徵提取和目標識別3個階段。目標的檢測分割階段是提取遙感影象資訊的重要準備環節，在目標點檢測的基礎上，依據特徵把影象劃分成多個區域[2]。文獻[3]對純海洋背景和海陸背景兩種情況下的艦船目標分別用區域生長法和先驗法完成目標分割;文獻[4]對傳統的圓形檢測Hough變換方法作了改進，首先是計算目標梯度場檢測油庫圓心座標，然後通過計算梯度值加權估計半徑值以便對目標準確定位;文獻[5]首先用小波分析建築物目標，然後結合馬爾可夫隨機場(Markov Random Field，MRF)完成檢測分割。
目標的特徵提取階段對識別結果有至關重要的作用，通過提取影象的某些直觀自然特徵或變換得到的構造特徵在實現資料壓縮的同時，提高目標之間的特徵差異性。文獻[6]提出了一種通過對遙感影象提取區域性紋理特徵的紋理分類演算法;文獻[7]提出了一種新的圓形目標提取方法，該方法耗時低、檢出率高、抗噪能力強;文獻[8]提出了一種新的由粗到細的飛機識別方法，採用Sobel運算元提取邊緣特徵和加權畫素位置後識別效果明顯改善了。以上方法由於選取特徵單一，對遙感影象目標的準確識別具有一定的侷限性。
文獻[9]綜合輪廓、小波係數和原來的點陣圖等特徵對飛機型號進行識別;文獻[10]提出了一種基於光學遙感影象形狀和紋理特徵融合的艦船識別方法，取得了良好的效果;文獻[11]融合點特徵和表觀特徵，提高目標的正確識別率。
目標識別階段是對光學遙感影象中的目標通過某種分類器準確定位識別。文獻[12]提出主從神經元結構的模糊神經網路用於大型艦船的分類識別;文獻[13]採用主成分分析(Principal Components Analysis， PCA)降維方法和有向無環支援向量機(Support Vector Machine， SVM)分類器對飛機識別取得了較高的識別率;文獻[14]提出稀疏矩陣形式為特徵的目標識別方法，既對不完整的遙感影象具有更好的魯棒性，在小樣本低取樣率情況下也能具備良好的識別效能。
目前，基於光學遙感影象的多目標檢測及識別方法存在以下問題： 1)選用的特徵對於目標旋轉的適應性較差;2)檢測和識別方法大多隻能處理一種特定類別目標的檢測和識別，無法實現多種目標的同時檢測和識別。
針對以上問題，本文提出一種光學遙感影象的多目標檢測及識別演算法，首先採用自適應閾值分割演算法實現多目標檢測與分割，然後在特徵提取階段將影象金字塔的分層思想與基於尺度不變特徵變換的特徵包(Bag of FeatureScale Invariant Feature Transform， BoFSIFT)特徵有效結合，提出了一種分層的BoFSIFT特徵，最後選用基於SVM的AdaBoost演算法對多目標遙感影象進行分類識別。該演算法實現簡單，可以同時實現光學遙感影象的多目標準確分類。
第11期
姬曉飛等：光學遙感影象多目標檢測及識別演算法設計與實現
計算機應用 第35卷
一、演算法的總體框架
如圖1所示為本文演算法的總體框架：在訓練過程中，採用手動分割得到目標的影象，並進行歸一化處理，之後對其提取分層的BoFSIFT特徵並訓練支援向量機得到分類器;在測試過程中，將包含多個待識別目標的光學遙感影象通過自適應閾值分割得到待識別的目標影象，進行歸一化處理後同樣提取分層的BoFSIFT特徵，送入訓練過程得到的SVM分類器，然後採用基於支援向量機的Adaboost演算法實現目標識別的準確識別。
圖片
圖1本文演算法的總體框架
二、分割演算法
閾值分割法是一種基於全域性的影象分割方法[15-17]，典型的有：分水嶺分割、區域跟蹤分割、聚類分割等。傳統的閾值分割法效果多依賴於影象灰度分佈良好的雙峰性質。由於本文的遙感影象均屬於光學遙感影象，因此分割演算法應該對光照天氣有一定的適應性。由於影象背景往往比較複雜，多個目標間的灰度級存在較大差異，因此採用固定閾值進行多目標的同時分割是很難實現的。
基於以上分析本文采用區域性自適應閾值分割演算法[18-20]對光學遙感影象多目標進行分割，通常這類演算法具有較強的適應性，它是根據畫素所在鄰域塊的畫素值分佈來確定該畫素位置上的二值化閾值。對於一幅大小為H×H的光學遙感影象f， f(x，y)表示第x行、第y列的畫素點灰度值，本文對影象中的每一個鄰域塊高斯加權求取一個閾值，從而構造出整幅影象的一個閾值平面，記為T(x，y)，然後利用這個閾值平面對影象完成二值化操作，閾值化後的畫素點灰度值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
經典的區域性自適應閾值分割演算法主要有Bernsen法、Niblack法以及Sauvola法等。本文選取其中的Sauvola法[21]，是通過計算影象當前點在視窗w×w內的加權均值m(x，y)和標準差s(x，y)得出相應的閾值，以一種自適應的方式調節方差的貢獻，對w×w視窗中心畫素點，給定引數k，標準差s(x，y)的最大值R，則該閾值計算公式為：