专利名称：一种光学遥感图像坦克群的识别方法
技术领域：
本发明涉及一种图像处理方法，具体是一种光学遥感图像坦克群的识别方法。属于图像处理技术。
背景技术：
当前战争中，坦克的大量投入，使其成为主要的防御对象。由于坦克的机动特性， 反坦克雷弹系统向智能化的发展成为技术进步的必然。作为该系统的关键环节技术之一， 目标识别日益受到研究者的广泛重视。目前的坦克识别技术主要是运用电子设备，利用雷达分析回波频率和波形以区分不同类型的目标，如《探测与控制学报》发表的《多源干扰对坦克模糊识别的影响》，或通过分析毫米波辐射信号进行识别，如IEEE Transactions on Image Processing 上发表的((High Range Resolution MMW Rader Target Recognition Approaches withApplication》。本文从图像处理角度，提出了一种光遥感图像中的坦克群目标自动识别方法，鉴于可见光图像中光照和阴影对坦克群的干扰比较大，本文采用区域生长算法和宽度模板， 在尽量保留坦克特征的同时，将坦克群分离开，进而转化成单个坦克目标的识别，然后提取感兴趣区域，最后结合坦克的几何特征和K-mean分类算法，以此作为目标识别准则，进行去除虚警和识别，取得了良好的检测结果。
发明内容
本发明的技术目的是从图像处理角度提出一种光遥感图像中的坦克群目标自动识别方法，可以克服传统背景技术中存在的不足。根据可见光遥感图像中坦克群目标的特点，提出了一种新的坦克群识别方法，该方法将一种新型的宽度模板与区域生长算法结合起来，以对3阈值KSW最佳熵分割的结果进行有效分离和更好的提取感兴趣区域，并且方便了后续的特征提取。在目标识别准则设计中，结合了坦克的几何特征和K-mean分类算法， 保证了识别结果的准确性和鲁棒性。本发明一种光遥感图像中的坦克群目标自动识别方法，通过以下技术方案实现， 本发明方法步骤如下步骤一图像分割，通过KSW最佳熵3阈值(thresholdl < threshold〗 < threshold3)分割后，图像被分为4类，考虑光照和阴影的影响，将大于thresholdl和小于threShold3的灰度归为目标类，将小于thresholdl和大于threShold3的归为背景类；步骤二 将区域生长算法应用于二值图像填充，通过扫描全图寻找种子点，生长准则是将相邻相同像素值的点合并，停止条件则是遍历完一个连通域；步骤三通过一种新的宽度模板来分离坦克目标，去除连体效应，完成感兴趣区域的提取；步骤四几何特征处理，根据坦克的长、宽、面积等几何特征提取坦克目标；步骤五将均值、方差和纹理特征作为K-mean分类的特征向量，分类准则满足坦克几何特征的同时，属于某一类的疑似目标数目较多的为坦克目标；满足坦克几何特征的同时，属于某一类的疑似目标数目较少的为非坦克目标。本文对可见光遥感图像中坦克群的自动识别，主要有以下特点和作用(1)从图像处理角度提出一种光遥感图像中的坦克群目标自动识别方法；( 通过KSW最佳熵多阈值分割的处理和基于区域生长算法的区域填充，降低了光照和阴影的干扰；(3)通过宽度模板的使用，消除了坦克的连体效应，同时去除部分虚警，提取出了感兴趣区域；(4)最后结合坦克的几何特征和经典的K-mean分类算法作为识别准则，得到了较好的识别效果。
图1为本发明坦克群目标自动识别的流程图。图2为原始图像；图3为图2均衡图像；图4对图!3KSW3阈值分割；图5为区域填充后的结果图；图6宽度模板处理后的结果；图7K-mean分类后的效果；图8为最终目标识别结果；图9KSW最佳熵3阈值分割图10为最小误差分割的结果图11另一张原始图像；图12为图11处理后的目标识别结果；图 1 中IOlKSff最佳熵3阈值分割102区域填充处理103宽度模板处理104几何特征判决105K-mean分类和识别坦克
具体实施例方式下面本发明将结合附图中的实施例作进一步描述步骤一图像分割，通过KSW最佳熵3阈值(thresholdl < threshold〗 < threshold3)分割后，图像被分为4类，考虑光照和阴影的影响，将大于thresholdl和小于threShold3的灰度归为目标类，将小于thresholdl和大于threShold3的归为背景类 101。由于可见光遥感图像受光照影响，目标的阳面部分和和背景的灰度相近，所以，先对图像进行增强操作，通过直方图均衡增强目标和背景的对比度。图像分割是模式识别的基础，一种好的分割方法可以大量减少虚警区，提高识别效率。在传统的模式识别方法中，往往对图像直接进行二值化处理，将目标从背景中提取出来。其二值化的算法可以采用固定阈值法和自适应阈值法。但是由于可见光遥感图像受到光照的影响很大，在目标表面出现分布随机的灰度值，无法将其直接二值化。所以，采用KSW 最佳熵多阈值算法进行分割。Kapur等[3]提出最佳熵阈值方法(本文简称为KSW分割法)，该方法不需要先验知识，而且对于非理想双峰直方图的图像也可以进行有效分割。其基本思想是将信息论中 Siannon熵概念用于图像分割，测量图像灰度直方图的熵，由此找出最佳阈值，其出发点是使图像中目标与背景分布的信息量最大。根据aiarmon熵的概念，对于灰度范围{0，1，. . .，L_l}的图像直方图，其熵测量为
权利要求
1.一种光遥感图像中的坦克群目标自动识别方法，其特征在于，方法步骤如下 步骤一图像分割，通过 KSW最佳熵 3 阈值(thresholdl < threshold2 < threshold3)分割后，图像被分为4类，考虑光照和阴影的影响，将大于thresholdl和小于threshold3 的灰度归为目标类，将小于thresholdl和大于threShold3的归为背景类；步骤二将区域生长算法应用于二值图像填充，通过扫描全图寻找种子点，生长准则是将相邻相同像素值的点合并，停止条件则是遍历完一个连通域；步骤三通过一种新的宽度模板来分离坦克目标，去除连体效应，完成感兴趣区域的提取；步骤四几何特征处理，根据坦克的长、宽、面积等几何特征提取坦克目标； 步骤五将均值、方差和纹理特征作为K-mean分类的特征向量，分类准则满足坦克几何特征的同时，属于某一类的疑似目标数目较多的为坦克目标；满足坦克几何特征的同时， 属于某一类的疑似目标数目较少的为非坦克目标。
2.根据权利要求1所述的坦克群目标自动识别方法，其特征是，所述的步骤一、步骤二，通过KSW最佳熵3阈值(thresholdl < threshold〗< threshold； )分割，区域生长算法应用于二值图像填充，在不破坏坦克特征的情况下很好地修补了连通域内的“孔洞”。具体为(1)KSW最佳熵3阈值，得到二值图像；(2)将区域生长算法应用于二值图像的填充，修补了连通域内的“孔洞”。
3.根据权利要求1所述的坦克群目标自动识别方法，其特征是，所述步骤三，根通过一种新的宽度模板来分离坦克目标，去除连体效应，完成感兴趣区域的提取。具体实现如下(1)根据图像的分辨率，设置模板长度并进行初始化；(2)扫描全图，寻找小于模板长度的连体区域；(3)根据连体区域的特征，进行模板处理。根据实际坦克的宽度和图像分辨率可以求出模板长度，公式如下 宽度模板的长度=坦克实际宽度/分辨率
4.根据权利要求1所述坦克群目标自动识别方法的步骤四和权利要求2，其特征是，几何特征处理，根据坦克的长、宽、面积等几何特征提取坦克目标。判别准则如下(1)某个感兴趣区域的长轴大于^length2+width2*(1 + 10%)，或小于^length2 + width2 *(1-ι0%)，则是非坦克目标；(2)某个感兴趣区域的短轴大于width*(1+10% )，或小于width* (1-10% )，则为非坦克目标；(3)长轴和短轴比值小于^nSth2，或比值大于width*(l+10%)的，则是非坦克目标；width*(l-10%)⑷某个感兴趣区域的面积小于length*width(l-10 % ),或大于 Iength^width (1+10% )的，则为非坦克目标。
全文摘要
本发明公开了一种光遥感图像中的坦克群目标自动识别方法，特征是将一种新型的宽度模板与区域生长算法结合起来，以对3阈值KSW最佳熵分割的结果进行有效分离和更好的提取感兴趣区域，并且方便了后续的特征提取。在目标识别准则设计中，结合了坦克的几何特征和K-mean分类算法，保证了识别结果的准确性和鲁棒性。实验结果显示，本文使用的分割方法和宽度模板方法相比于传统方法更加有效，识别率更高。
文档编号G06T7/00GK102194224SQ201010122378
公开日2011年9月21日 申请日期2010年3月8日 优先权日2010年3月8日
发明者王琛 申请人:王琛