一種基于紋理特征的戰場目標圖像挖掘方法*

郭忠偉 鄭華利 馬仁安 張少兵

(解放軍炮兵學院1) 合肥 230031)(63961部隊2) 北京 100012)

1 引言

在現代戰場上,指揮信息系統把眾多的圖像偵察設備聯為一體[1],為指揮員提供了海量的戰場目標圖像數據,指揮信息系統如何從這些圖像數據中實時、快速挖掘出相關的圖像或圖像序列,以最快捷的手段找到所需要的目標,從而有效地獲取戰場信息,已成為一個重要的課題。在大規模的戰場圖像數據中進行挖掘,就目前而言仍然缺乏有效的工作。已有的數據挖掘算法和基于文本的檢索方法大多是針對傳統的關系數據庫[2],不能直接應用于圖像數據。因此,戰場圖像的挖掘需要尋求新的方法,而基于戰場目標圖像的視覺內容[2](比如紋理、顏色、形狀等)進行挖掘,則是一個有益的嘗試。

2 戰場目標圖像

戰場目標圖像是指通過戰場偵察平臺所獲得的戰場目標偵察圖像[3],包括可見光、微光、激光、紅外等圖像,這些圖像數據中包含有許多關于部隊部署、重要目標、作戰效果、敵軍動態、戰場實時環境等[4]戰場信息。戰場目標圖像情報屬戰術型情報,與衛星遙感圖像等戰略型圖像情報相比,具有明顯優點,它周期短、時效性強,能夠持續偵察,可以完成全天時、全天候的圖像實時偵察,能獲得多角度、全方位的情報。隨著信息技術的發展與廣泛應用,在戰場上具有圖像偵察獲取能力的裝備種類和數量也越來越多,提供的戰場目標圖像數據也在大規模增長。

3 戰場目標圖像的紋理特征

紋理是與物體表面材質[5]有關的圖像內在特征,可以把紋理描述為:一個鄰域內像素灰度級變化的空間分布規律,包括表面結構組織及與周圍環境關系的許多重要信息。而紋理的精確定義至今還未給出,一般來說,戰場目標圖像紋理就是指在戰場圖像中反復出現的局部模式和它們的排列規律。它不能單純的由顏色或密度得到。紋理可以視為某些近似形狀的近似重復分布,紋理描述的難點在于它與物體形狀之間存在密切的關系,千變萬化的物體形狀與嵌套式的分布使紋理的分類變得十分困難。紋理作為圖像的重要屬性,在戰場目標圖像中有著較為明顯的體現。

紋理特征分析一直是計算機視覺的一個重要研究方向。紋理的量化方法主要有兩類:即結構方法和統計方法。結構方法從“紋理是怎樣產生的”觀點出發,認為紋理是結構,如同漁民編織的魚網一樣,編織什么樣的魚網,就有什么樣的紋理。結構復雜,紋理亦復雜。根據這一觀點,紋理分析很容易引導到句法結構識別方法中去。它通常是在已知紋理基元的情況下進行的,適用分析像迷彩圖案、磚等花樣排列較規則的紋理。它假定圖像由較小的紋理基元排列而成,采用句法分析方法,對圖像中非常具有結構規律的特征進行分析,但只適用于規則的結構紋理分析;統計方法從直觀印象出發,認為紋理無非是客觀事物給人的印象,所以有心理學的因素。國外有人做過視覺心理學的實驗,發現人眼睛所看到的物體,是光線照于物體,物體表面灰度級的反應。灰度級是一個統計函數,可以分為一階、二階及高階統計函數[6],經過分析研究,認為人眼看到的是一階及二階統計函數,人眼覺察不到高于二階的統計函數。從這一觀點出發,認為紋理分析應該采用統計識別方法,它是對圖像的顏色強度的空間分布信息進行統計,又可進一步分為傳統的基于模型的統計方法和基于頻譜分析的方法,統計方法常被用于分析像木紋、沙地、草地等細而不太規則的紋理。Haralick等人提出的灰度共生矩陣法就是一種統計方法,它利用紋理在灰度級的空間相關性,先根據圖像像素間的方向和距離構造一個共生矩陣,再從中提出有意義的統計數據作為紋理的特征表示。頻譜分析方法的依據是:戰場圖像的頻域能量譜能在一定的程度上反映某些紋理的特征,計算紋理一定要選窗口,僅一個點是無紋理可言的,所以紋理是二維的,二維變換的頻譜還能夠描述紋理的粗細程度。此外還有其它的紋理特征度量方法,如Tamura方法、小波變換方法、Gabor變換方法、LBP方法、Laws紋理方法、分形方法等。

4 戰場目標圖像紋理特征的提取

雖然能夠表達紋理特征的方法有多種,但灰度共生矩陣能夠全面反映戰場目標圖像在方向、相鄰間隔、變化幅度方面的綜合信息,是分析圖像局部模式和排列規則的基礎,也是戰場目標圖像刻畫紋理特征信息的一種有效方法。因此,這里采用了提取基于灰度共生矩陣的紋理特征。

紋理特征的共生矩陣,即表示圖像灰度級空間相關的矩陣。共生矩陣表示圖像中相距(Δx,Δy)的兩個灰度像素同時出現的聯合頻率分布。假設圖像的灰度級R,那么共生矩陣為R×R的矩陣,可表示為 M(Δx,Δ y)(h,k),其中位于(h,k)的元素 mhk的值表示一個灰度為h,而另一個灰度為k的兩個相距(Δ x,Δ y)的像素對出現的次數。設S為目標區域A中具有特定空間關系的像素對的集合,則共生矩陣CM可以定義為:

其中分子是具有某種空間關系、灰度值分別為g1,g2的像素對的個數,分母為像素對的總合個數(#代表數量)。

在得到戰場目標圖像的灰度共生矩陣的基礎上,可以定義多種有意義的統計數據作為紋理描述符[2],諸如紋理慣性矩、能量、熵、相關性和均勻性等構成戰場目標圖像的特征表達,進而可計算出戰場目標圖像間的相似度。

1)慣性矩CON

對于粗紋理戰場圖像由于mhk的數值較集中于主對角線附近,此時(h-k)的值較小,所以相應的戰場圖像CON值也較小。相反,對于細紋理相應的CON值較大。

2)能量ASM

這是一種對圖像灰度分布均勻性的度量。當mhk的數值分布較集中于主對角線附近時,其相應的ASM值較大;相反,ASM值則較小。

3)熵ENT

當灰度共生矩陣中各mhk數值相差不大且較分散時,ENT值較大;反之,若mhk數值較集中時,ENT值則較小。

4)相關量COR

5 戰場目標圖像挖掘中的紋理特征匹配

戰場圖像的特征信息被抽取出來后將以向量的形式存放在索引庫中,向量的每個值代表戰場圖像的某一個特征值,這樣一幅戰場圖像的特征就可以用一個N維特征空間里的向量來表示。同時,查詢向量也可以表達為特征空間中的點,稱為查詢點,從而戰場圖像之間的匹配計算就轉化為特征向量之間的相似性計算。要計算向量相似性程度,需要一定的距離計量或測量方法。常用的距離函數主要是歐氏距離De和城區距離Dc。在具體的戰場圖像挖掘應用中,采用哪種距離度量方法要視具體的計算情況而定。應用時還可以將不同的距離測度方式組合起來構成復合測度以增強應用的靈活性,如求加權和、最大值、最小值等。由于De計算簡單,且效果也比較好,本文在特征匹配時采用的測量方法是歐氏距離。

A,B分別表示兩幅圖像,TA(k),TB(k)分別表示兩幅圖像的紋理。

對于一幅感興趣圖像,通過其紋理的相似性匹配,在戰場圖像源中進行挖掘。其相似性Sim(A,B)為:Sim(A,B)=1-D(A,B)。

若D(A,B)的值越大,就說明兩幅圖像的特征差異越大;D(A,B)的值越小,就說明兩幅圖像的特征越相似。最后將所有挖掘的目標圖像與用戶輸入的示例圖像的相似度從大到小排序,并選出Sim值最大的若干張作為最后的查詢結果顯示。

采用灰度共生矩陣作為匹配特征,在編程工具VC++環境下開發了一個戰場目標圖像挖掘原型系統。使用該系統在一個具有150幅各種各樣的戰場圖像的數據庫中進行了挖掘實驗。圖1為感興趣的某一坦克圖像,圖2為感興趣的坦克圖像的紋理特征值,圖3為挖掘出的相關圖像,它表示的是根據紋理特征匹配后所挖掘的與感興趣圖像相關的10幅圖像,其相似性由大到小依次排序。

6 結語

該方法采用共生矩陣模型,計算紋理慣性矩、能量、熵、相關性,通過紋理匹配來挖掘出相似的戰場目標圖像。實例表明該方法為戰場目標圖像挖掘提供了一個有效可行的選擇。但是,對于戰場目標圖像,紋理只是一種表面的特性,并不能完全反映出目標的本質屬性,且戰場環境復雜多變,所獲取的戰場圖像有的紋理特征明顯,有的顏色特征[8]明顯,有的形狀特征明顯等等,因此若采用多種特征進行挖掘,則挖掘效果會進一步提高。

[1]任富興,劉樹海.指揮信息系統[M].北京:解放軍出版社,2008

[2]章毓晉.基于內容的視覺信息檢索[M].北京:科學出版社,2003

[3]周立偉.目標探測與識別[M].北京:北京理工大學出版社,2002

[4]薛模根.數字圖像處理及其軍事應用[M].北京:解放軍出版社,2005

[5]周明全.基于內容的圖像檢索技術[M].北京:清華大學出版社,2007

[6]艾海舟,武勃.圖像處理分析與機器視覺[M].北京:人民郵電出版社,2003

[7]Castle K R.Digital Image Processing[M].New York:Prentice Hall,1996

[8]郭忠偉,李洪峰.C3I系統中基于顏色特征的戰場圖像快速檢索[J].艦船電子工程,2007,27(4)