趙世季
(上海民航職業(yè)技術(shù)學(xué)院 民航工程系,上海200232)
光學(xué)遙感成像是一種常見的成像方式,由于其形成的圖像直觀易懂,具有較高的分辨率,因此光學(xué)遙感圖像具備SAR圖像所沒有的優(yōu)勢。而近年來我國海上艦船目標(biāo)規(guī)模不斷擴大,如功能越來越廣泛的海洋調(diào)查船[1]、各種形態(tài)的海軍戰(zhàn)艦[2]等都相繼涌現(xiàn),對船舶的自動檢測有利于監(jiān)控特定海域的船舶交通、打擊非法走私行為等[3]。
本文的識別過程包括圖像分割、特征提取、識別分類3個步驟,主要針對6 種常見船舶的光學(xué)遙感圖像進行檢測,首先利用kmeans和區(qū)域生長法對圖像進行分割,然后提取灰度一致性矢量、距離直方圖2個特征,最后構(gòu)建RBF神經(jīng)網(wǎng)絡(luò)模型對這6種常見船舶目標(biāo)的遙感圖像進行檢測。
在對圖像進行分割之前,先利用高斯濾波去除圖像噪聲,由于船舶的光學(xué)遙感圖像內(nèi)容復(fù)雜,其中通常包括碼頭、陸地、海洋及船舶本身,另外圖像在成像過程中受海況、霧、光照等多種不可控因素影響,形成的圖像復(fù)雜多變,因此對于船舶的光學(xué)遙感圖像通常采用由粗到精的分割方式。
本文首先利用kmeans法對圖像進行粗分割,為確定聚類數(shù),將整個圖像數(shù)據(jù)集視為一個偽熱力學(xué)系統(tǒng),當(dāng)圖像被分割成k個類別時,稱圖像此時處于狀態(tài)k。設(shè)置分割的初始狀態(tài)為k = 1,在每個狀態(tài)k,利用傳統(tǒng)的kmeans 方法將圖像分割為k 類,并定義此時的圖像系統(tǒng)不穩(wěn)定度為:
式中:fi(x,y)為圖像第k個分割狀態(tài)下的第i個子區(qū)域的灰度值;avei為第k個分割狀態(tài)下的第i個子區(qū)域的平均灰度值。
由上面的定義可知,S 反映了圖像在每個分割狀態(tài)k 下的類內(nèi)差異與類間差異的比值,S 越小,說明此時的分割狀態(tài)越穩(wěn)定。考慮到一般船舶的光學(xué)遙感圖像中最多有4 類不同的物體,即本文中k的最大取值為4,使得不穩(wěn)定度S 最小的k 值即為遙感圖像的最佳聚類數(shù)。
在用kmeans法對圖像粗分的基礎(chǔ)上,求取每個子區(qū)域的灰度平均值,將此平均值作為區(qū)域生長法的種子點,根據(jù)歐式距離比較種子及其周圍8 鄰域像素點是否相似,若相似則將鄰域像素點加入種子點所在區(qū)域,然后將新區(qū)域內(nèi)的像素點作為種子點繼續(xù)判斷其鄰域像素,直至沒有任何滿足條件的鄰域像素,至此區(qū)域生長完畢。圖1 給出了2 幅遙感圖像的分割效果。
圖1 分割結(jié)果Fig.1 Segmentation result
特征提取是海上目標(biāo)識別的關(guān)鍵部分。為有效識別目標(biāo)類型,特征需滿足旋轉(zhuǎn)仿射不變性、運算量低等特點。本文用灰度一致性矢量、距離直方圖作為目標(biāo)識別的特征。
灰度一致性矢量(GCVs)最為核心的問題就是對于連通域像素個數(shù)的統(tǒng)計。如圖2所示,深色數(shù)字2 屬于一個連通區(qū)域,該區(qū)域構(gòu)成一個獨立的子區(qū)域,統(tǒng)計出此區(qū)域的像素點個數(shù),即深色數(shù)字2的個數(shù),連通域像素個數(shù)的統(tǒng)計實際是樹的前序遍歷問題。對其他所有連通域都采用如上方式統(tǒng)計其像素個數(shù),然后以連通域索引為橫坐標(biāo)建立連通域像素個數(shù)的直方圖。
圖2 連通域Fig.2 Connected region
關(guān)于灰度一致性矢量的一致性閾值選擇問題,如人為設(shè)定某固定值,則有很大可能某個像素區(qū)間全被判為一致性區(qū)域,或者都為非一致性區(qū)域,因此本文定義閾值為:
式中:n為第i 類灰度的連通區(qū)域個數(shù),Ni為連通區(qū)域i的所有像素個數(shù),當(dāng)某一連通域中的像素個數(shù)大于T 時,判為一致性區(qū)域,否則為非連通性區(qū)域。
通常船舶目標(biāo)的質(zhì)心相對于目標(biāo)邊界各像素點具有位移和旋轉(zhuǎn)不變性,據(jù)此可統(tǒng)計目標(biāo)邊緣上的各像素點到船舶質(zhì)心的距離,并將其繪制成直方圖,此直方圖又稱為距離直方圖。該統(tǒng)計特征不僅有效地描述了船舶目標(biāo)的形狀輪廓,而且計算復(fù)雜度低。定義歸一化系數(shù)為:
據(jù)以上公式,船舶目標(biāo)的質(zhì)心坐標(biāo)表示為:
船舶目標(biāo)的邊緣像素點到質(zhì)心的距離為:
據(jù)此可生成距離直方圖。為了使直方圖具有尺度和旋轉(zhuǎn)不變性,此處需將其歸一化,即將直方圖的每個柱除以整個直方圖的最大值,使其歸一化到0~1的范圍。圖3 給出了圖1 中第1 幅圖的距離直方圖。
圖3 距離直方圖Fig.3 Distance histogram
RBF 網(wǎng)(徑向基函數(shù)神經(jīng)網(wǎng)絡(luò))是一種前饋型神經(jīng)網(wǎng)絡(luò)[4],通常網(wǎng)絡(luò)只有3 層。圖5為n個輸入節(jié)點,h個隱節(jié)點,m個輸出結(jié)點的n-h(huán)-m型結(jié)構(gòu)RBF 網(wǎng),網(wǎng)絡(luò)中x=(x1,x2,…,xn)T∈Rn為輸入矢量,Φi(* )為隱節(jié)點的激活函數(shù),本文Φi(* )采用Gaussian 函數(shù),RBF 網(wǎng)中的隱節(jié)點對輸入通常具有局部特性,即如果輸入離神經(jīng)元的隱節(jié)點中心越遠(yuǎn),則該隱節(jié)點對該輸入的響應(yīng)就越低,因此RBF 網(wǎng)的每個隱節(jié)點都具有一個數(shù)據(jù)中心ci,該ci決定了對于特定的輸入,將有若干個神經(jīng)元被激活,W∈Rh×m為隱節(jié)點的權(quán)值矩陣,b0,…,bm為輸出節(jié)點偏置,y=[y1,…,ym]T為網(wǎng)絡(luò)輸出。圖4 給出了常見RBF 網(wǎng)的網(wǎng)絡(luò)結(jié)構(gòu)。
圖4 RBF 網(wǎng)絡(luò)結(jié)構(gòu)Fig.4 Network structure of RBF
聚類方法作為最常用的RBF 網(wǎng)學(xué)習(xí)算法,其一般做法是先用無監(jiān)督的kmeans 算法對輸入樣本進行聚類分析,從而確定各隱節(jié)點的數(shù)據(jù)中心ci,并依據(jù)相鄰數(shù)據(jù)中心間的歐式距離確定各隱節(jié)點的擴展常數(shù)δi,然后隱節(jié)點的輸出權(quán)值矩陣W和輸出節(jié)點的偏移系數(shù)b 便可用常規(guī)的梯度法進行訓(xùn)練。
設(shè)訓(xùn)練的迭代次數(shù)為k,c1(k),c2(k),…,ch(k)為隱節(jié)點的聚類中心,w1(k),w2(k),…,wh(k)為其對應(yīng)的聚類子域,則kmeans 算法步驟如下:
1)令k = 1,初始聚類中心確定為從總樣本中隨機抽出的h個不同輸入樣本。
2)計算各輸入樣本到各隱節(jié)點聚類中心的歐式距離。
3)對于輸入樣本Xj,將其歸入與之距離最接近的中心點ci(k),即當(dāng)滿足i(Xj)=-ci(k)‖,i = 1,2,…,h 時,Xj∈wi(k)。
4)利用新樣本計算新的隱節(jié)點聚類中心:
其中Ni為聚類子域wi(k)中的樣本總個數(shù)。
5)當(dāng)ci(k +1)≠ci(k)時,則轉(zhuǎn)步驟2),否則轉(zhuǎn)步驟6)。
6)計算隱節(jié)點與其最相鄰的隱節(jié)點聚類中心的范式距離作為當(dāng)前隱節(jié)點的擴展常數(shù)δi= Kdi,其中K 稱為重疊系數(shù),即。
圖5 給出了6 種船舶圖像的部分輸入樣本經(jīng)過上述kmeans 聚類后的結(jié)果,每種船舶類型10個樣本,隱節(jié)點個數(shù)h = 6,由聚類結(jié)果可以看出,得到的6個數(shù)據(jù)中心各不相同。
圖6 給出了訓(xùn)練誤差隨訓(xùn)練次數(shù)的變化情況,訓(xùn)練和測試數(shù)據(jù)集都來自美國海軍研究院和美國海軍武器中心,學(xué)習(xí)率η 取固定值0.02,目標(biāo)誤差0.01,初始權(quán)值和偏置均為(-0.1,0.1)之間的隨機數(shù)。
圖5 聚類結(jié)果Fig.5 Clustering result
圖6 訓(xùn)練誤差曲線Fig.6 Training error
為排除識別結(jié)果的偶然性,本文共進行5 組獨立重復(fù)試驗。表1 給出了各重復(fù)試驗下算法對每種船舶目標(biāo)的檢測精度。由表可看出,構(gòu)建的RBF 網(wǎng)絡(luò)模型對所有船舶的平均檢測精度大約為86%。
表1 分類精度Tab.1 Classification accuracy
本文利用RBF 網(wǎng)對6 種海上常見目標(biāo)進行識別。結(jié)合kmeans和區(qū)域增長法對遙感圖像進行分割,然后提取了目標(biāo)區(qū)域的灰度歸一化矢量和距離直方圖2個特征。最后利用聚類學(xué)習(xí)對RBF 網(wǎng)絡(luò)進行訓(xùn)練,并用其對船舶進行檢測識別,準(zhǔn)確率達(dá)到86%,有效實現(xiàn)了常見海船舶的檢測。
[1]陳練,蘇強,董亮,等.國內(nèi)外海洋調(diào)查船發(fā)展對比分析[J].艦船科學(xué)技術(shù),2014,36(1):2-7.CHEN Lian,SU Qiang,DONG Liang,et al.The development and comparative analysis of ocean survey ship[J].Ship Science and Technology,2014,36(1):2-7.
[2]熊正南,蔡開仕,武鳳德,等.21世紀(jì)美國戰(zhàn)略潛艇導(dǎo)航技術(shù)發(fā)展綜述[J].艦船科學(xué)技術(shù),2002,24(3):30-37.XIONG Zheng-nan,CAI Kai-shi,WU Feng-de,et al.Review of submarine navigation technology of United States in 21st century[J].Ship Science and Technology,2002,24(3):30-327.
[3]BURGESS D W.Automatic ship detection in satellite multispectral imagery[J].Remote Sensing,1993,59(2):229-237.
[4]魏迎春,王金龍,馬明濤.基于RBF神經(jīng)網(wǎng)絡(luò)的沉降槽泥層高度軟測量模型研究[J].中國儀器儀表,2010(1).WEI Ying-chun,WANG Jin-long,MA Ming-tao.Tank mud height measurement modeling based on RBF neural network[J].China Instrument,2010(1).