基于STACS的遙感圖像模板匹配智能識(shí)別仿真

李 靜

(河南大學(xué)濮陽(yáng)工學(xué)院，河南 濮陽(yáng) 457000)

1 引言

人造衛(wèi)星遙感是一門綜合性的科學(xué)技術(shù)，它可以從遠(yuǎn)距離或者高空中，利用紅外等探測(cè)儀器以掃描成像的方式來識(shí)別地面遙感圖像運(yùn)動(dòng)狀態(tài)的現(xiàn)代化技術(shù)系統(tǒng)[1]。對(duì)遙感圖像識(shí)別方法有很多種，目前經(jīng)常使用的是圖像特征模板匹配方法[2]，但是傳統(tǒng)的遙感圖像模板匹配識(shí)別過程中，普遍存在著匹配正確率較低、運(yùn)算時(shí)間較長(zhǎng)，識(shí)別精度較低等問題[3]。針對(duì)這一問題，如何快速提出具有較高識(shí)別準(zhǔn)確度和較好識(shí)別效果的方法成為當(dāng)今社會(huì)亟待解決的問題[4]。

目前很多專家學(xué)者們對(duì)其進(jìn)行了研究，也得到了一些成果。例如，基于PCA的飛機(jī)遙感圖像模板匹配識(shí)別方法。該方法對(duì)飛機(jī)遙感圖像進(jìn)行均值濾波處理和分割，將分割后的飛機(jī)遙感圖像各個(gè)區(qū)域進(jìn)行主成分分析，然后將主軸旋轉(zhuǎn)成九十度方向和模板庫(kù)進(jìn)行匹配，進(jìn)行飛機(jī)識(shí)別。該方法具有較好的識(shí)別效果，但是識(shí)別準(zhǔn)確度較低。

基于支持向量機(jī)的飛機(jī)遙感圖像匹配識(shí)別方法。該方法利用鄰域灰度值方法來提取出候選圖像，利用飛機(jī)遙感圖像鄰域像素值的二值模式來當(dāng)作樣本集，將其輸入到神經(jīng)網(wǎng)絡(luò)中進(jìn)行訓(xùn)練，獲取不變性的飛機(jī)遙感圖像輪廓特征向量，輸入到支持向量機(jī)中進(jìn)行識(shí)別。該方法具有較好的識(shí)別精度，但是識(shí)別效率較低。

針對(duì)上述問題，文中將梯度相似性度量和DOT算法相結(jié)合，將梯度幅值較大的主導(dǎo)方向視為遙感圖像特征參量，用于后續(xù)匹配，并通過鄰域像素差值法來對(duì)遙感圖像目標(biāo)特征進(jìn)行識(shí)別。實(shí)驗(yàn)證明，本文提出的識(shí)別方法具有較高的識(shí)別精度。

2 基于STACS的遙感圖像模板匹配智能識(shí)別方法

2.1 遙感圖像模板特征匹配

通過對(duì)人造衛(wèi)星勘測(cè)系統(tǒng)(STACS)勘測(cè)到的遙感圖像進(jìn)行分析，將梯度幅值較大的主導(dǎo)方向視為遙感圖像特征參量[5]，用于后續(xù)匹配，使用DOT算法過濾掉非主要的梯度特征，僅保留梯度幅值較大的主導(dǎo)方向，并將其視為遙感圖像特征參量，完成模板匹配，具體過程如下。

假設(shè)，遙感圖像相似性度量函數(shù)用ε1來表示，通過ε1來描述目標(biāo)圖像I與中心特征點(diǎn)為c的模板圖像O之間的梯度方向極為近似的數(shù)量，其表達(dá)式

(1)

式中，δ()代表二進(jìn)制函數(shù)；ori(O，r)代表O處于r位置時(shí)相應(yīng)的離散梯度方向；ori(O，c+r)代表輸入遙感圖像ori(O，r)處于c+r位置時(shí)相應(yīng)的離散梯度方向。

為了保證近似性度量參數(shù)始終保持微小偏差的穩(wěn)定性，同時(shí)提高算法計(jì)算效率，近似性度量階段不考慮目標(biāo)圖像的所有像素點(diǎn)的梯度方向，重點(diǎn)考慮將兩幅目標(biāo)圖像分解成具有較小規(guī)則的正方形范圍R，只考慮其中每個(gè)小范圍梯度幅值極大的像素點(diǎn)主導(dǎo)方向，這時(shí)將式(1)進(jìn)行修改為

(2)

式中，DO(O，R)代表模板圖像O中各個(gè)小范圍R中梯度幅值極大的像素點(diǎn)主導(dǎo)方向的集合，而do(I，c+R)是目標(biāo)圖像I在各個(gè)小范圍R中平移c大小的梯度幅值較大的一個(gè)主導(dǎo)方向向量。為了可快速獲取各個(gè)小范圍R的最大梯度幅值方向，選取模板圖像O中各個(gè)小范圍R的梯度幅值最大方向表征區(qū)域R。同時(shí)為了能夠更好的表達(dá)整個(gè)2×2范圍，將“±”用于描述該范圍內(nèi)無可使用的梯度信息。為此，函數(shù)DO(·)返回值可能在范圍[0，n0-1]的不同梯度方向，要不就可能在返回{±}，利用下式給出函數(shù)原型表達(dá)式

(3)

S(O，R)={ori(O，l):l∈magk(R)Λmag(O，l)>τ}

(4)

式中，l代表范圍R中的一個(gè)遙感圖像像素點(diǎn)；ori(O，l)代表模板圖像中像素點(diǎn)位置為l處的梯度方向；mag(O，l)代表模板圖像在位置l上顯示的大小；magk(R)代表模板圖像中各個(gè)小范圍R中所有梯度幅值極大的方向位置，共有k個(gè)。為了能夠提升在線匹配速度將取k=1，τ描述根據(jù)梯度幅值的大小而確定的此范圍內(nèi)是否包含相同區(qū)域的閾值。

為了保證近似性度量參數(shù)始終保持微小偏差的穩(wěn)定性，在不影響遙感圖像模板匹配智能識(shí)別正確率的前提下[6]，分析整幅遙感圖像時(shí)只考慮幾個(gè)點(diǎn)的位置c，而不是將整幅遙感圖像都進(jìn)行掃描，這樣可以降低大量的時(shí)間開銷，在目標(biāo)物體進(jìn)行微小平移時(shí)，從函數(shù)ε2的返回結(jié)果中，選取最大值，當(dāng)成遙感圖像模板的相似度量標(biāo)準(zhǔn)，利用式(5)給出ε3的表達(dá)式

∈DO(w(O，m)，R)

(5)

式中，w(O，m)代表遙感圖像模板O被平行移動(dòng)了m。

通過上述過程形成的模板具有始終保持微小偏差的穩(wěn)定性，在相同模板匹配階段[7]，采用仿射投影變換提取不同角度變化時(shí)的不變特征向量，將同種模板按照不同的角度生成相應(yīng)的仿射變換模板，在匹配識(shí)別過程中[8]，如若攝像頭受到外界干擾，拍攝視角發(fā)生變化，采用該角度的仿射變換模板完成相應(yīng)的匹配識(shí)別操作，通過多個(gè)角度識(shí)別目標(biāo)物體[9]。

由于攝像機(jī)在拍攝過程中，發(fā)生視角變換，此情況下所拍攝的圖像可視為發(fā)生了仿射變換。仿射變換它屬于直角坐標(biāo)變換中的一種，可以通過平移、旋轉(zhuǎn)等變化組合在一起來體現(xiàn)的。

由于攝像機(jī)在拍攝過程中，發(fā)生視角變換，從圖像角度考慮，可視為發(fā)生的仿射變換，仿射變換前遙感圖像上可的隨機(jī)一個(gè)點(diǎn)u(x，y)經(jīng)過映射后，變?yōu)閡(ax+by+e，cx+dy+f)來表示，由式(6)來描述仿射變換方式

(6)

在該模型中一共存在6個(gè)參數(shù)，可根據(jù)3組模板匹配特征點(diǎn)對(duì)仿射變換模型中的參數(shù)進(jìn)行求解[10]

(7)

(8)

式中，A代表為A=λR(ψ)TtR(φ)，其中λ>0經(jīng)過計(jì)算，A的行列式用λt來表示，R(ψ)代表遙感圖像旋轉(zhuǎn)角為ψ的平面旋轉(zhuǎn)矩陣；Tt代表遙感圖像切斜度矩陣，ψ代表攝像機(jī)它本身的旋轉(zhuǎn)度。

2.2 圖像目標(biāo)特征識(shí)別

以2.1節(jié)遙感圖像模板特征匹配為依據(jù)，利用鄰域像素差值法來對(duì)遙感圖像目標(biāo)特征進(jìn)行識(shí)別，具體過程如下：

(9)

同理，能夠得到(XR，GR)：

(10)

對(duì)于縱軸Y上的遙感圖像像素點(diǎn)，依舊可以根據(jù)上述插值來得到(YU，GU)和(YB，GB)，以此來得到遙感圖像像素點(diǎn)(Xm，Ym)的鄰域插值點(diǎn)(Xt，Yt)，圖像目標(biāo)特征識(shí)別函數(shù)為

(11)

通 過上述X和Y向的插值，來實(shí)現(xiàn)遙感圖像目標(biāo)特征進(jìn)行識(shí)別。然而，當(dāng)遙感圖像目標(biāo)點(diǎn)鄰域像素灰度值的分布在不滿足正態(tài)分布特征時(shí)，只利用鄰域像素插值方法是很難克服方塊效應(yīng)所帶來的識(shí)別精度誤差明顯增加的影響。面對(duì)這種情況可以對(duì)遙感圖像目標(biāo)點(diǎn)鄰域像素灰度特征進(jìn)行處理，以此來保證遙感圖像鄰域像素插值的輸出精度。

3 實(shí)驗(yàn)與仿真證明

為了驗(yàn)證所提出基于STACS的遙感圖像模板匹配智能識(shí)別方法的綜合有效性，需要進(jìn)行一次仿真，本次實(shí)驗(yàn)操作系統(tǒng)為Windows10，在182M內(nèi)存硬件環(huán)境下進(jìn)行實(shí)驗(yàn)，實(shí)驗(yàn)選取飛機(jī)作為目標(biāo)，圖像大小為248×248，將原圖大小縮小2倍和4倍后分別以30度旋轉(zhuǎn)到180度，來得到178幅目標(biāo)樣本，將所提方法與基于PCA的飛機(jī)遙感圖像模板匹配識(shí)別方法和基于支持向量機(jī)的飛機(jī)遙感圖像匹配識(shí)別方法進(jìn)行對(duì)比實(shí)驗(yàn)，實(shí)驗(yàn)設(shè)備如圖1所示。

圖1 實(shí)驗(yàn)設(shè)備

將所提方法與基于PCA的飛機(jī)遙感圖像模板匹配識(shí)別方法和基于支持向量機(jī)的飛機(jī)遙感圖像匹配識(shí)別方法進(jìn)行遙感圖像模板匹配正確率對(duì)比實(shí)驗(yàn)，實(shí)驗(yàn)結(jié)果如表1所示，表1中，方法1代表所提方法；方法2代表基于PCA的飛機(jī)遙感圖像模板匹配識(shí)別方法；方法3代表基于支持向量機(jī)的飛機(jī)遙感圖像匹配識(shí)別方法。

表1 不同方法匹配正確率對(duì)比

分析表1可以看出，所提方法在遙感圖像大小為248×248、124×124和62×62時(shí)匹配的正確率都為100%；而基于PCA的飛機(jī)遙感圖像模板匹配識(shí)別方法和基于支持向量機(jī)的飛機(jī)遙感圖像匹配識(shí)別方法在遙感圖像大小為248×248、124×124和62×62時(shí)，匹配的正確率都明顯低于所提方法匹配的正確率，通過對(duì)比可知，所提方法具有較高的匹配效果。

將所提方法與基于PCA的飛機(jī)遙感圖像模板匹配識(shí)別方法和基于支持向量機(jī)的飛機(jī)遙感圖像匹配識(shí)別方法進(jìn)行匹配運(yùn)算時(shí)間(s)對(duì)比實(shí)驗(yàn)，實(shí)驗(yàn)結(jié)果如表2所示，表2中，方法1代表所提方法；方法2代表基于PCA的飛機(jī)遙感圖像模板匹配識(shí)別方法；方法3代表基于支持向量機(jī)的飛機(jī)遙感圖像匹配識(shí)別方法。

表2 不同方法匹配運(yùn)算時(shí)間對(duì)比實(shí)驗(yàn)

分析表2可以看出，3種方法在匹配數(shù)量一致時(shí)，所提方法運(yùn)算時(shí)間都明顯高于基于PCA的飛機(jī)遙感圖像模板匹配識(shí)別方法和基于支持向量機(jī)的飛機(jī)遙感圖像匹配識(shí)別方法的運(yùn)算時(shí)間，通過對(duì)比可知，所提方法具有較高的匹配效率。

將所提方法與基于PCA的飛機(jī)遙感圖像模板匹配識(shí)別方法和基于支持向量機(jī)的飛機(jī)遙感圖像匹配識(shí)別方法進(jìn)行識(shí)別誤差(%)對(duì)比實(shí)驗(yàn)，實(shí)驗(yàn)結(jié)果如圖2所示。

圖2 不同方法識(shí)別準(zhǔn)確度對(duì)比實(shí)驗(yàn)

分析圖2可以看出，3種方法都隨著圖像數(shù)量的不斷增加，識(shí)別誤差也隨著增加。所提方法圖像數(shù)量為140個(gè)時(shí)，識(shí)別誤差大約在2%左右，基于支持向量機(jī)的飛機(jī)遙感圖像匹配識(shí)別方法當(dāng)圖像數(shù)量為140個(gè)時(shí)，識(shí)別誤差大約在3.25%左右，基于PCA的飛機(jī)遙感圖像模板匹配識(shí)別方法當(dāng)圖像數(shù)量為140個(gè)時(shí)，識(shí)別誤差大約在3.75%左右，通過對(duì)比可知，所提方法識(shí)別誤差最低，識(shí)別精度較高。

4 結(jié)束語(yǔ)

本文提出一種基于STACS的遙感圖像模板匹配智能識(shí)別方法。該方法將梯度幅值較大的主導(dǎo)方向視為遙感圖像特征參量，使用DOT算法過濾掉非主要的梯度特征，僅保留梯度幅值較大的主導(dǎo)方向，并將其視為遙感圖像特征參量，完成模板匹配。在此基礎(chǔ)上，引入鄰域像素差值法來對(duì)遙感圖像目標(biāo)特征進(jìn)行識(shí)別。實(shí)驗(yàn)結(jié)果表明，所提方法遙感圖像模板匹配正確率較高、運(yùn)算時(shí)間較短、識(shí)別精度較高，具有一定的實(shí)用價(jià)值。

在中國(guó)，遙感技術(shù)不斷的發(fā)展，遙感圖像模板匹配識(shí)別是技術(shù)難點(diǎn)同時(shí)也是研究的熱點(diǎn)。在關(guān)于這一研究，文中還會(huì)存在許多需要改進(jìn)的地方：

1)對(duì)遙感圖像的分割還要進(jìn)一步的研究，文中的分割方法對(duì)遙感圖像分割還不是更好的。

2)在遙感圖像目標(biāo)識(shí)別的過程中，沒有考慮到目標(biāo)點(diǎn)殘缺的問題，在實(shí)際應(yīng)用中會(huì)受到一定的限制。