專利名稱：一種基于上下文約束的目標(biāo)識(shí)別方法
技術(shù)領(lǐng)域：
本發(fā)明屬于遙感圖像處理領(lǐng)域，更具體地，涉及一種基于上下文約束的目標(biāo)識(shí)別方法。
背景技術(shù)：
遙感圖像的目標(biāo)檢測(cè)及識(shí)別以其重要的軍事和民用價(jià)值，在近幾年來得到了飛速發(fā)展。然而由于衛(wèi)星遙感圖像數(shù)據(jù)量大，利用人工逐一分析并提取感興趣信息是一項(xiàng)艱苦且耗時(shí)的任務(wù)，這就迫切需要我們利用計(jì)算機(jī)輔助技術(shù)來對(duì)遙感圖像進(jìn)行分析。自動(dòng)目標(biāo)識(shí)別是其中一個(gè)重要且具有挑戰(zhàn)性的研究方向。目前針對(duì)這一問題，研究方法主要是以提供目標(biāo)模板或建立目標(biāo)模型，在全圖范圍內(nèi)進(jìn)行搜索匹配為主，這類方法在圖像較小時(shí)通常比較適用且效果良好，但是對(duì)于大尺度的遙感圖像來說，其計(jì)算量大，速度慢。而對(duì)遙感圖像進(jìn)行場(chǎng)景分類則是一種十分有效地解決目標(biāo)識(shí)別問題的方法。遙感圖像存儲(chǔ)了大量豐富的信息，圖像結(jié)構(gòu)復(fù)雜，既包括地形、植被、水紋等自然特征，有包括了建筑物和道路等這樣的人工地物，為目標(biāo)識(shí)別造成了一定的困難。此外，在目標(biāo)識(shí)別任務(wù)中，我們可以發(fā)現(xiàn)，感興趣目標(biāo)往往依賴于特定的地物類型，因此，通過事先對(duì)遙感圖像進(jìn)行場(chǎng)景分類，可以為目標(biāo)識(shí)別提供上下文信息，縮小感興趣區(qū)域范圍，提高識(shí)別效率和準(zhǔn)確率。近年來，隨著模式識(shí)別技術(shù)的發(fā)展，用于場(chǎng)景分類的新的理論和方法技術(shù)相繼涌現(xiàn)。如神經(jīng)網(wǎng)絡(luò)和決策樹的分類精度一般都高于最大似然法，然而它們都不是穩(wěn)定的分類器；如將模糊理論引入神經(jīng)網(wǎng)絡(luò)的方法，可以通過構(gòu)造遙感模糊分類模型，根據(jù)隸屬度大小劃分類別，但是關(guān)于隸屬度函數(shù)的確定，至今沒有成熟的理論和法則，往往需要專家經(jīng)驗(yàn)，具有主觀性，是模糊分類方法最大的缺點(diǎn)。

發(fā)明內(nèi)容
針對(duì)現(xiàn)有技術(shù)的缺陷，本發(fā)明的目的在于提供一種基于上下文約束的目標(biāo)識(shí)別方法，針對(duì)的目標(biāo)為自然場(chǎng)景中的人造建筑物，通過對(duì)遙感圖像進(jìn)行基于mean-shift與改進(jìn)LBP特征的快速場(chǎng)景分類，為目標(biāo)識(shí)別提供有效的上下文約束信息，并根據(jù)目標(biāo)在場(chǎng)景中與背景的空間位置依存關(guān)系，在特定場(chǎng)景區(qū)域內(nèi)提取特征，識(shí)別感興趣目標(biāo)，提高目標(biāo)識(shí)別效率和準(zhǔn)確率。為實(shí)現(xiàn)上述目的，本發(fā)明提供了一種基于上下文約束的目標(biāo)識(shí)別方法，包括以下步驟(I)接收遙感目標(biāo)圖像，利用RGB將其轉(zhuǎn)化為灰度圖像，并利用mean-shift方法對(duì)灰度圖像進(jìn)行區(qū)域分割，以生成初始分割圖像(2)采用區(qū)域生長(zhǎng)法對(duì)初始分割圖像進(jìn)行標(biāo)記，使得輸出結(jié)果中所有的點(diǎn)都是由1、中的某個(gè)值進(jìn)行標(biāo)記，該值表示該點(diǎn)所在連通域的序號(hào)，同一個(gè)連通域內(nèi)使用相同的標(biāo)記值，不同連通域使用不同的標(biāo)記值，其中N表示輸出連通域的個(gè)數(shù)；
(3)根據(jù)步驟(2)的標(biāo)記結(jié)果采用改進(jìn)LBP算法對(duì)灰度圖像進(jìn)行場(chǎng)景分類；(4)根據(jù)步驟(3)獲得的場(chǎng)景類別標(biāo)記圖，采用基于場(chǎng)景上下文約束的方法計(jì)算感興趣區(qū)域。(5)根據(jù)步驟(4)中的感興趣區(qū)域結(jié)果，計(jì)算每個(gè)感興趣區(qū)域框內(nèi)的特征向量。(6)將上述步驟(5)中得到的特征向量輸入到預(yù)先訓(xùn)練好的分類模型中，輸出分類結(jié)果，識(shí)別目標(biāo)。步驟(I)具體包括以下子步驟(1-1)對(duì)灰度圖像進(jìn)行mean-shift濾波，并存儲(chǔ)濾波后灰度圖像的所有η個(gè)像素點(diǎn)(Z1, Z2,. . . Zn)在d維空間的收斂點(diǎn)(y:,。，Z2,。，. . . Zn c),其中d為正整數(shù)；(1-2)選取像素點(diǎn)集合(Zl，z2，. . . Zn)中在空間域中小于閾值113且在頻域中小于閾值&的m個(gè)像素點(diǎn)，生成一個(gè)聯(lián)合域集合(C1, C2,. . . Cm)，其中hs為正整數(shù)，表示在圖像平滑時(shí)采用的空間域帶寬大小，hr為正的浮點(diǎn)數(shù)類型，表示圖像平滑時(shí)采用的值域帶寬；(1-3)為η個(gè)像素點(diǎn)分別分配標(biāo)記值(L1, L2, . . . Ln)，對(duì)于η個(gè)像素點(diǎn)中的第i個(gè)像素點(diǎn)，須滿足當(dāng)Li等于(1，2…m)中的一個(gè)元素P時(shí)，有Zi e Cp ;(1-4)去除空間域上圖像區(qū)域大小小于M的圖像區(qū)域，并將其合并至相鄰區(qū)域中，以形成N個(gè)連通域，N個(gè)連通域形成初始分割圖像Iseg ;其中M值表示初始分割圖像中每個(gè)區(qū)域的最小像素個(gè)數(shù)，且N < m ;(1-5)輸出初 始分割圖像Iseg及連通域個(gè)數(shù)N。步驟(2)具體包括以下子步驟(2-1)為初始分割圖像Iseg建立二維標(biāo)記矩陣MhXw，大小為hXw，初始化二維標(biāo)記矩陣Mhxw中的每個(gè)元素為O,并初始化二維標(biāo)記矩陣中的連通域標(biāo)記號(hào)k = O,其中h表示初始分割圖像Iseg的高度，w表示初始分割圖像Iseg的寬度，且O < k彡N ;(2-2)對(duì)二維標(biāo)記矩陣Mhxw進(jìn)行逐行逐列掃描，以判斷是否查找到一個(gè)零元素，其在矩陣M中的行列號(hào)分別為i和j，若查找到則表示在初始分割圖像Iseg中存在有未標(biāo)記的像素點(diǎn)，并進(jìn)入步驟(2-3)，否則繼續(xù)掃描，當(dāng)掃描到最后一個(gè)元素時(shí)，進(jìn)入步驟(2-6);(2-3)設(shè)置 k=k+l，并設(shè)置 M(i，j) = k ；(2-4)在二維標(biāo)記矩陣Mhxw中以(i，j)為中心點(diǎn)進(jìn)行8鄰域搜索，以判斷是否查找到一個(gè)零元素，其在矩陣M中的行列號(hào)分別為X和y，如果有則進(jìn)入步驟(2-5)，否則繼續(xù)搜索，若搜索結(jié)束，則返回步驟(2-2)；(2-5)在初始分割圖像Iseg中判斷坐標(biāo)為(X，y)的像素點(diǎn)的值是否和坐標(biāo)為(i，j)的像素點(diǎn)的值相等，如果相等，則設(shè)置M(x，y) = k，返回步驟(2-4)；(2-6)最終生成一個(gè)由I N中的值標(biāo)記的二維矩陣M，M中每個(gè)元素(i，j)的值P表示在原灰度圖像中像素點(diǎn)(i, j)屬于第P個(gè)連通域Regionp,其中I < p < N。步驟(3)具體包括以下子步驟(3-1)以模板窗口的方式遍歷灰度圖像，以計(jì)算該窗口內(nèi)的LBP值，即LBPu,v，其中U，V為該3X3窗口內(nèi)中心像素點(diǎn)的位置,并計(jì)算全圖中所有像素點(diǎn)的LBP值；(3-2)統(tǒng)計(jì)步驟(2)中獲得的初始分割圖像Iseg中每個(gè)連通域Regionp內(nèi)的LBP直方圖HistLBP，橫坐標(biāo)X為L(zhǎng)BP值，范圍為(Γ255，縱坐標(biāo)為該局部區(qū)域內(nèi)LBP = x出現(xiàn)的次數(shù)；
(3-3)對(duì) LBP 直方圖 HistLBP 進(jìn)行歸一化，使得
權(quán)利要求
1.一種基于上下文約束的目標(biāo)識(shí)別方法，其特征在于，包括以下步驟 (1)接收遙感目標(biāo)圖像，利用RGB將其轉(zhuǎn)化為灰度圖像，并利用mean-shift方法對(duì)灰度圖像進(jìn)行區(qū)域分割，以生成初始分割圖像 (2)采用區(qū)域生長(zhǎng)法對(duì)初始分割圖像進(jìn)行標(biāo)記，使得輸出結(jié)果中所有的點(diǎn)都是由I N中的某個(gè)值進(jìn)行標(biāo)記，該值表示該點(diǎn)所在連通域的序號(hào)，同一個(gè)連通域內(nèi)使用相同的標(biāo)記值，不同連通域使用不同的標(biāo)記值，其中N表示輸出連通域的個(gè)數(shù)； (3)根據(jù)步驟(2)的標(biāo)記結(jié)果采用改進(jìn)LBP算法對(duì)灰度圖像進(jìn)行場(chǎng)景分類； (4)根據(jù)步驟(3)獲得的場(chǎng)景類別標(biāo)記圖，采用基于場(chǎng)景上下文約束的方法計(jì)算感興趣區(qū)域。
(5)根據(jù)步驟(4)中的感興趣區(qū)域結(jié)果，計(jì)算每個(gè)感興趣區(qū)域框內(nèi)的特征向量。
(6)將上述步驟(5)中得到的特征向量輸入到預(yù)先訓(xùn)練好的分類模型中，輸出分類結(jié)果，識(shí)別目標(biāo)。
2.根據(jù)權(quán)利要求1所述的目標(biāo)識(shí)別方法，其特征在于，步驟(I)具體包括以下子步驟 (1-1)對(duì)灰度圖像進(jìn)行mean-shift濾波，并存儲(chǔ)濾波后灰度圖像的所有η個(gè)像素點(diǎn)(Z1, Z2, . . . ζη)在d維空間的收斂點(diǎn)(Y1,。，Z2,。，. . . zn；c),其中d為正整數(shù)； (1-2)選取像素點(diǎn)集合(Zl，z2，. . . zn)中在空間域中小于閾值匕且在頻域中小于閾值hr的m個(gè)像素點(diǎn)，生成一個(gè)聯(lián)合域集合(C1, C2,. . . Cm)，其中hs為正整數(shù)，表示在圖像平滑時(shí)采用的空間域帶寬大小，hr為正的浮點(diǎn)數(shù)類型，表示圖像平滑時(shí)采用的值域帶寬； (1-3)為η個(gè)像素點(diǎn)分別分配標(biāo)記值(L1, L2,. . . Ln)，對(duì)于η個(gè)像素點(diǎn)中的第i個(gè)像素點(diǎn)，須滿足當(dāng)Li等于(1，2…m)中的一個(gè)元素P時(shí)，有Zi e Cp ; (1-4)去除空間域上圖像區(qū)域大小小于M的圖像區(qū)域，并將其合并至相鄰區(qū)域中，以形成N個(gè)連通域，N個(gè)連通域形成初始分割圖像Iseg ;其中M值表示初始分割圖像中每個(gè)區(qū)域的最小像素個(gè)數(shù)，且NSm; (1-5)輸出初始分割圖像Iseg及連通域個(gè)數(shù)N。
3.根據(jù)權(quán)利要求1所述的目標(biāo)識(shí)別方法，其特征在于，步驟(2)具體包括以下子步驟 (2-1)為初始分割圖像Iseg建立二維標(biāo)記矩陣MhXw，大小為hXw，初始化二維標(biāo)記矩陣Mhxw中的每個(gè)元素為O,并初始化二維標(biāo)記矩陣中的連通域標(biāo)記號(hào)k = O,其中h表示初始分割圖像Iseg的高度，w表示初始分割圖像Iseg的寬度，且O < k彡N ; (2-2)對(duì)二維標(biāo)記矩陣Mhxw進(jìn)行逐行逐列掃描，以判斷是否查找到一個(gè)零元素，其在矩陣M中的行列號(hào)分別為i和j，若查找到則表示在初始分割圖像Iseg中存在有未標(biāo)記的像素點(diǎn)，并進(jìn)入步驟(2-3)，否則繼續(xù)掃描，當(dāng)掃描到最后一個(gè)元素時(shí)，進(jìn)入步驟(2-6); (2-3)設(shè)置 k=k+l，并設(shè)置 M(i，j) = k； (2-4)在二維標(biāo)記矩陣Mhxw中以(i，j)為中心點(diǎn)進(jìn)行8鄰域搜索，以判斷是否查找到一個(gè)零元素，其在矩陣M中的行列號(hào)分別為X和y，如果有則進(jìn)入步驟(2-5)，否則繼續(xù)搜索，若搜索結(jié)束，則返回步驟(2-2)； (2-5)在初始分割圖像Iseg中判斷坐標(biāo)為(X，y)的像素點(diǎn)的值是否和坐標(biāo)為(i，j)的像素點(diǎn)的值相等，如果相等，則設(shè)置M(x，y) = k，返回步驟(2-4)； (2-6)最終生成一個(gè)由I N中的值標(biāo)記的二維矩陣M，M中每個(gè)元素(i，j)的值P表示在原灰度圖像中像素點(diǎn)(i, j)屬于第P個(gè)連通域Regionp,其中I < p < N。
4.根據(jù)權(quán)利要求1所述的目標(biāo)識(shí)別方法，其特征在于，步驟(3)具體包括以下子步驟 (3-1)以模板窗口的方式遍歷灰度圖像，以計(jì)算該窗口內(nèi)的LBP值，即LBPu, v，其中U，V為該3X3窗口內(nèi)中心像素點(diǎn)的位置,并計(jì)算全圖中所有像素點(diǎn)的LBP值；(3-2)統(tǒng)計(jì)步驟(2)中獲得的初始分割圖像Iseg中每個(gè)連通域Regionp內(nèi)的LBP直方圖 HistLBP，橫坐標(biāo)X為L(zhǎng)BP值，范圍為(Γ255，縱坐標(biāo)為該局部區(qū)域內(nèi)LBP = x出現(xiàn)的次數(shù)；
5.根據(jù)權(quán)利要求1所述的目標(biāo)識(shí)別方法，其特征在于，步驟(4)具體包括以下子步驟 (4-1)將待識(shí)別目標(biāo)可能存在的場(chǎng)景類別區(qū)域作為前景區(qū)域，其他場(chǎng)景類別區(qū)域作為背景區(qū)域，分割步驟(3)中獲得的標(biāo)記圖，將前景區(qū)域內(nèi)的像素值使用灰度值255替換，背景區(qū)域的像素值采用灰度值O替換，獲得二值

圖1ltesh ；(4-2)對(duì)上述步驟(4-1)中的獲得的二值圖1ltesh進(jìn)行預(yù)處理操作；具體為對(duì)二值圖1i^sh中的255所在的局部區(qū)域進(jìn)行先膨脹后腐蝕的操作，并獲得新的二值圖1ThMsh_MW ； (4-3)根據(jù)步驟(4-2)中得到的二值圖1Thresh-MW，對(duì)原始灰度圖像進(jìn)行感興趣區(qū)域計(jì)算；(4-4)根據(jù)二值圖1ThMsh_nOT中灰度值為255的區(qū)域，在線特征圖1lim對(duì)應(yīng)區(qū)域內(nèi)滑動(dòng)一定的矩形框大小，以50個(gè)像素為步長(zhǎng)，計(jì)算線段長(zhǎng)度，統(tǒng)計(jì)每個(gè)矩形框內(nèi)的線段密度分布。
6.根據(jù)權(quán)利要求1所述的目標(biāo)識(shí)別方法，其特征在于，步驟(5)具體為，對(duì)步驟(5)中提取的感興趣區(qū)域框，根據(jù)空間關(guān)系計(jì)算每個(gè)框內(nèi)的線段特征，構(gòu)成幾何結(jié)構(gòu)，并采用特征袋方式組合產(chǎn)生特征向量。
7.根據(jù)權(quán)利要求1所述的目標(biāo)識(shí)別方法，其特征在于，步驟(6)具體為，以步驟(5)中的特征提取算法計(jì)算得到特征向量，并輸入到SVM分類器中進(jìn)行訓(xùn)練，生成分類模型，然后， 再將當(dāng)前計(jì)算得到的特征向量輸入到該分類模型中，計(jì)算得到目標(biāo)類別。
全文摘要
本發(fā)明公開了一種基于上下文約束的目標(biāo)識(shí)別方法，屬于遙感圖像處理領(lǐng)域，用于遙感圖像場(chǎng)景分類及目標(biāo)的檢測(cè)識(shí)別。該方法首先對(duì)圖像進(jìn)行濾波處理，然后進(jìn)行區(qū)域分割，將圖像分割為多個(gè)連通域，并對(duì)每個(gè)連通域進(jìn)行標(biāo)記，其次，計(jì)算每個(gè)連通域的特征向量，并輸入到事先訓(xùn)練好的分類器中進(jìn)行場(chǎng)景分類計(jì)算，輸出類別標(biāo)記圖，接著，在此基礎(chǔ)上，根據(jù)需要識(shí)別的目標(biāo)，在標(biāo)記圖上劃定目標(biāo)可能存在的局部區(qū)域范圍，并對(duì)該局部區(qū)域進(jìn)行預(yù)處理操作，在該區(qū)域內(nèi)計(jì)算感興趣區(qū)域，最后，提取特征，并輸入到分類器中進(jìn)行識(shí)別。本發(fā)明提供了一種快速、有效的場(chǎng)景分類方法，旨在為目標(biāo)識(shí)別提供有效的上下文約束，提高識(shí)別效率和準(zhǔn)確率。
文檔編號(hào)G06K9/66GK103049763SQ201210524038
公開日2013年4月17日 申請(qǐng)日期2012年12月7日 優(yōu)先權(quán)日2012年12月7日
發(fā)明者王岳環(huán), 劉暢, 陳君靈, 王軍, 宋萌萌, 顏小運(yùn) 申請(qǐng)人:華中科技大學(xué)