本發(fā)明涉及圖像處理與計(jì)算機(jī)視覺(jué)領(lǐng)域，尤其涉及一種利用單類支持向量機(jī)方法檢測(cè)遙感圖像中河流目標(biāo)的方法。

背景技術(shù)：

目標(biāo)檢測(cè)與跟蹤是圖像處理與計(jì)算機(jī)視覺(jué)領(lǐng)域的熱門研究方向之一，在軍事上的成像制導(dǎo)、跟蹤軍事目標(biāo)，以及民事方面的安防監(jiān)控、智能人機(jī)交互等方面均有著重要的研究?jī)r(jià)值。

現(xiàn)有的檢測(cè)方法中，目標(biāo)檢測(cè)研究的難點(diǎn)在于對(duì)目標(biāo)的有效表征，以及各種原因造成的目標(biāo)尺度、旋轉(zhuǎn)角度、光照等發(fā)生變化而引起的目標(biāo)匹配問(wèn)題。目標(biāo)的表征在某種程度決定了匹配算法，包括：利用局部輪廓特征表示目標(biāo)，首先提取圖像目標(biāo)的輪廓，并通過(guò)自動(dòng)選取閾值濾去噪聲邊緣，得到顯著性輪廓，從而能有效減少輪廓段數(shù)，降低后續(xù)特征提取及整個(gè)檢測(cè)過(guò)程的時(shí)空復(fù)雜度。為了克服目標(biāo)的尺度、旋轉(zhuǎn)等變化，Lowe提出尺度不變特征變換(SIFT)，通過(guò)計(jì)算多尺度高斯差分圖像并尋找局部極大值點(diǎn)的方法，得到在一定范圍內(nèi)尺度、旋轉(zhuǎn)不變特征。

在目標(biāo)檢測(cè)中，除了目標(biāo)自身的特征外，還可以利用上下文約束表征，實(shí)現(xiàn)圖像目標(biāo)的有效檢測(cè)。在遙感圖像目標(biāo)檢測(cè)中，由于圖像尺寸較大而且復(fù)雜，為了避免產(chǎn)生較多的虛警，需要采取一定的措施盡量去除虛警目標(biāo)。一般采用的方法是先由簡(jiǎn)單特征篩選出候選目標(biāo)區(qū)域，然后再對(duì)候選區(qū)域進(jìn)行精細(xì)檢測(cè)。再有的，針對(duì)遙感圖像飛機(jī)目標(biāo)的檢測(cè)問(wèn)題，先使用級(jí)聯(lián)式分類器檢測(cè)出候選目標(biāo)窗口，然后以Hough森林算法對(duì)候選窗口進(jìn)行二次判斷，濾除虛警，提高了檢測(cè)效率，節(jié)省了運(yùn)算時(shí)間。

常用的分類方法如K-最近鄰分類器、貝葉斯分類方法都具有過(guò)程較為復(fù)雜的缺點(diǎn)。

如K-最近鄰是分類器算法中最通俗易懂的一種，計(jì)算測(cè)試樣本到各訓(xùn)練樣本的距離，取其中最小的K個(gè)，并根據(jù)這K個(gè)訓(xùn)練樣本的標(biāo)記進(jìn)行投票得到測(cè)試樣本的標(biāo)記。算法的思路清晰簡(jiǎn)單，然而對(duì)于海量數(shù)據(jù)計(jì)算量過(guò)大，每個(gè)訓(xùn)練樣本都有一個(gè)距離必須度量，耗費(fèi)大量時(shí)間。

貝葉斯分類方法需要采用多個(gè)階段完成計(jì)算：第一階段——準(zhǔn)備工作階段，這個(gè)階段的任務(wù)是為樸素貝葉斯分類做必要的準(zhǔn)備，主要工作是根據(jù)具體情況確定特征屬性，并對(duì)每個(gè)特征屬性進(jìn)行適當(dāng)劃分，然后由人工對(duì)一部分待分類項(xiàng)進(jìn)行分類，形成訓(xùn)練樣本集合。這一階段的輸入是所有待分類數(shù)據(jù)，輸出是特征屬性和訓(xùn)練樣本。這一階段是整個(gè)樸素貝葉斯分類中唯一需要人工完成的階段，其質(zhì)量對(duì)整個(gè)過(guò)程將有重要影響，分類器的質(zhì)量很大程度上由特征屬性、特征屬性劃分及訓(xùn)練樣本質(zhì)量決定。

第二階段——分類器訓(xùn)練階段，這個(gè)階段的任務(wù)就是生成分類器，主要工作是計(jì)算每個(gè)類別在訓(xùn)練樣本中的出現(xiàn)頻率及每個(gè)特征屬性劃分對(duì)每個(gè)類別的條件概率估計(jì)，并將結(jié)果記錄。其輸入是特征屬性和訓(xùn)練樣本，輸出是分類器。這一階段是機(jī)械性階段，根據(jù)前面討論的公式可以由程序自動(dòng)計(jì)算完成。

第三階段——應(yīng)用階段。這個(gè)階段的任務(wù)是使用分類器對(duì)待分類項(xiàng)進(jìn)行分類，其輸入是分類器和待分類項(xiàng)，輸出是待分類項(xiàng)與類別的映射關(guān)系。這一階段也是機(jī)械性階段，由程序完成。

河流是遙感圖像中的重要目標(biāo)，河流目標(biāo)檢測(cè)在軍事和民事方面都有廣泛應(yīng)用?，F(xiàn)有技術(shù)中，在目標(biāo)檢測(cè)環(huán)節(jié)，圖像目標(biāo)檢測(cè)中往往利用多種特征如顏色(光譜)特征、形狀結(jié)構(gòu)特征、紋理特征、上下文特征、SIFT特征等。在實(shí)際目標(biāo)檢測(cè)應(yīng)用中，特征選擇的原則是應(yīng)能有效的對(duì)目標(biāo)進(jìn)行表征，對(duì)于不同的目標(biāo)，特征選擇結(jié)果也不同。

光譜特征是圖像像素的灰度值，表示地面目標(biāo)的光譜反射特性，經(jīng)常作為地物類別劃分的依據(jù)，但不能反映待檢測(cè)目標(biāo)的幾何結(jié)構(gòu)特征。原始圖像經(jīng)過(guò)分割后產(chǎn)生的圖像斑塊具有形狀結(jié)構(gòu)特征，基于圖像斑塊內(nèi)的像素坐標(biāo)組成的矢量構(gòu)造一個(gè)協(xié)方差矩陣，進(jìn)一步可以提取該圖像斑塊的長(zhǎng)寬比、形狀指數(shù)、密度、主方向等特征?；趫D像分割的特征提取，受分割方法和結(jié)果的影響很大，因此具有較高的不確定性。而紋理的表示方法很多，最常用的是基于灰度共生矩陣的紋理特征描述?；叶裙采仃囉脙蓚€(gè)位置的象素的聯(lián)合概率密度來(lái)定義，它不僅反映亮度的分布特性，也反映具有同樣亮度或接近亮度的象素之間的位置分布特性，是有關(guān)圖象亮度變化的二階統(tǒng)計(jì)特征，是定義一組紋理特征的基礎(chǔ)。紋理特征對(duì)于一般的目標(biāo)地面目標(biāo)，區(qū)分性往往不強(qiáng)，常用的紋理特征有同質(zhì)性、對(duì)比度、能量、熵等。

總之，現(xiàn)有的技術(shù)中：1.對(duì)于遙感圖像河流目標(biāo)檢測(cè)方法采用的特征有顏色(光譜)特征、形狀結(jié)構(gòu)特征、紋理特征、上下文特征、SIFT特征等，算法復(fù)雜，檢測(cè)的結(jié)果不夠準(zhǔn)確。

2.在目標(biāo)檢測(cè)任務(wù)中，要求從背景中檢測(cè)出特定的目標(biāo)類別，而背景中包含的類別數(shù)量不確定，一般無(wú)法對(duì)背景中的類別進(jìn)行自動(dòng)學(xué)習(xí)。

技術(shù)實(shí)現(xiàn)要素：

為了解決現(xiàn)有技術(shù)中無(wú)法通過(guò)訓(xùn)練樣本進(jìn)行學(xué)習(xí)及檢測(cè)結(jié)果不夠準(zhǔn)確的問(wèn)題，本發(fā)明提供一種利用單類支持向量機(jī)檢測(cè)河流目標(biāo)的方法，其具有：僅需要一類訓(xùn)練樣本，采用單類分類向量機(jī)方法，克服了目標(biāo)檢測(cè)中非目標(biāo)類別樣本選擇的困難，并使目標(biāo)檢測(cè)過(guò)程中的學(xué)習(xí)階段簡(jiǎn)化，提高檢測(cè)效率；同時(shí)通過(guò)粗篩選和精細(xì)檢測(cè)兩個(gè)環(huán)節(jié)提高了檢測(cè)的準(zhǔn)確度。

本發(fā)明解決問(wèn)題所采用的技術(shù)方案是：采用以下步驟：

A.選擇波段：在遙感圖像中選取波段組合進(jìn)行地物區(qū)分和河流提取，以便對(duì)水體、植被以及其他地面物體進(jìn)行識(shí)別；

B.特征分析與選擇：選擇A環(huán)節(jié)處理過(guò)的圖像，進(jìn)行光譜特征分析：光譜分析采用的光譜特征是：河流等水體目標(biāo)在遙感圖像中，以灰度值區(qū)分河流目標(biāo)；

C.粗篩選過(guò)程：基于光譜特征，提取河流候選區(qū)域：選擇若干目標(biāo)樣本，提取每個(gè)像素的光譜值作為分類特征，利用公式x_i＝(r_i，g_i，b_i)生成特征向量，利用生成的特征向量對(duì)單類支持向量機(jī)進(jìn)行訓(xùn)練，訓(xùn)練時(shí)采用RBF核函數(shù)進(jìn)行訓(xùn)練，并通過(guò)10折交叉驗(yàn)證確定分類模型，對(duì)整個(gè)遙感影像進(jìn)行單類分類，得到水體類別提取結(jié)果；其中，r_i對(duì)應(yīng)紅色分量；g_i對(duì)應(yīng)綠色分量；b_i對(duì)應(yīng)藍(lán)色分量；||x_i-x_j||表示空間中任意兩點(diǎn)x_i和x_j之間的歐氏距離；γ為核參數(shù)。

D.精細(xì)檢測(cè)過(guò)程：針對(duì)C環(huán)節(jié)中的結(jié)果，對(duì)河流候選區(qū)域進(jìn)行圖像分割，生成形狀特征：在C環(huán)節(jié)粗篩選環(huán)節(jié)所得結(jié)果的基礎(chǔ)上，采用圖像分割技術(shù)，設(shè)置閾值參數(shù)，將大于閾值且相鄰的像素進(jìn)行合并，生成不同大小的目標(biāo)類別連通區(qū)域，再由每個(gè)連通區(qū)域內(nèi)的像素計(jì)算得到形狀特征指數(shù)并設(shè)定面積閾值進(jìn)行小區(qū)域去除，最后將去除小面域的圖像合并到背景區(qū)域；其中，邊界長(zhǎng)e：邊界象素的個(gè)數(shù)，一個(gè)象素的邊界長(zhǎng)為1；面積A：組成該對(duì)象的象素總數(shù)，其中一個(gè)象素邊緣的長(zhǎng)設(shè)為1。

E.目標(biāo)檢測(cè)：設(shè)定形狀指數(shù)閾值，并根據(jù)D環(huán)節(jié)得出的形狀特征指數(shù)確定河流目標(biāo)，實(shí)現(xiàn)目標(biāo)檢測(cè)。

所述的D環(huán)節(jié)的精細(xì)檢測(cè)過(guò)程：采用閾值分割方法，以面積A的值為閾值，提取目標(biāo)候選區(qū)域，同時(shí)生成形狀特征S。

進(jìn)一步的，所述的波段選擇環(huán)節(jié)，選擇遙感圖像的4、3、2波段，分別賦予紅、綠、藍(lán)色，進(jìn)行地物區(qū)分。

進(jìn)一步的，所述的特征分析與選擇環(huán)節(jié)灰度值為10～20。

進(jìn)一步的，所述的精細(xì)檢測(cè)過(guò)程中圖像分割時(shí)的閾值參數(shù)為：Th=10；面積閾值為：AT=50。

進(jìn)一步的，所述的目標(biāo)檢測(cè)環(huán)節(jié)中的形狀指數(shù)閾值為ST=2.5。

本發(fā)明的有益效果是：本發(fā)明使用單類支持向量機(jī)方法僅需要一類訓(xùn)練樣本，克服了目標(biāo)檢測(cè)中非目標(biāo)類別樣本選擇的困難，并使目標(biāo)檢測(cè)過(guò)程中的學(xué)習(xí)階段簡(jiǎn)化，提高檢測(cè)效率；同時(shí)通過(guò)粗篩選和精細(xì)檢測(cè)兩個(gè)環(huán)節(jié)提高了檢測(cè)的準(zhǔn)確度。

附圖說(shuō)明

圖1為遙感圖像示意圖。

圖2為利用單類支持向量機(jī)方法確定的河流候選區(qū)域示意圖。

圖3為利用最近鄰分類方法確定的河流候選區(qū)域示意圖。

圖4為利用貝葉斯分類方法確定的河流候選區(qū)域示意圖。

圖5去除小于50像素的小區(qū)域示意圖。

圖6形狀特征指數(shù)大于2.5時(shí)的匹配結(jié)果示意圖。

具體實(shí)施方式

如圖1～2所示，一種利用單類支持向量機(jī)檢測(cè)河流目標(biāo)的方法，采用以下步驟：

A.遙感圖像的波段選擇，選取適合地物區(qū)分和河流提取的波段組合：選擇遙感圖像的4、3、2波段，分別賦予紅、綠、藍(lán)色，這些波段的組合成假彩色圖像，其地物圖像豐富，鮮明、層次好，能夠較好的對(duì)水體、植被等進(jìn)行識(shí)別。

B.特征分析與選擇：選擇A環(huán)節(jié)處理過(guò)的圖像，進(jìn)行光譜特征分析：光譜分析采用的光譜特征是河流等水體目標(biāo)的一個(gè)顯著特征：在遙感圖像中，河流目標(biāo)具有較低的灰度值為10～20。

C.粗篩選過(guò)程：基于B環(huán)節(jié)中灰度特征的光譜分析，提取河流候選區(qū)域：首先，選擇1000個(gè)像素作為目標(biāo)類別樣本，提取每個(gè)像素的光譜值作為分類特征x_i＝(r_i，g_i，b_i)，生成1000個(gè)特征向量x_i，其中，r_i為紅色分量，g_i為綠色分量，b_i為藍(lán)色分量。利用這些特征向量對(duì)單類支持向量機(jī)進(jìn)行訓(xùn)練。給定l個(gè)訓(xùn)練樣本，單類支持向量機(jī)最優(yōu)化問(wèn)題求解，即

且滿足(w^Tφ(x_i)+b)≥1-ξ_i，ξ_i≥0 (2)。

其中，C>0是懲罰系數(shù)，φ(x_i)是將向量x_i映射到高維空間的函數(shù)；w是特征空間中分類面的法向量，w^T是w的轉(zhuǎn)置，b是w的截距，ξ_i是松弛因子。

通用的，K(x_i，x_j)≡φ(x_i)^Tφ(x_i)為支持向量機(jī)中的核函數(shù)。

在訓(xùn)練過(guò)程中，將特征向量和類別標(biāo)號(hào)組合在一起，作為訓(xùn)練的輸入?yún)?shù)，即（x_i，y_i），其中y_i是類別標(biāo)號(hào)，在本分類方法中，y_i=1，即類別都是正類。在訓(xùn)練中選擇RBF核函數(shù)其中，||x_i-x_j||表示空間中任意兩點(diǎn)x_i和x_j之間的歐氏距離，并通過(guò)10折交叉驗(yàn)證獲得分類參數(shù)。10折交叉驗(yàn)證方法是隨機(jī)地將這1000個(gè)訓(xùn)練樣本劃分為10個(gè)相等的子集，輪流地選擇其中9個(gè)子集作為訓(xùn)練，另外1個(gè)子集作為測(cè)試，這樣，每個(gè)子集都會(huì)被用來(lái)作為測(cè)試數(shù)據(jù)，根據(jù)正確分類樣本的比例計(jì)算交叉驗(yàn)證的精度。變換不同的參數(shù)組合，即懲罰系數(shù)C和核函數(shù)中的核參數(shù)γ值，選擇獲得最佳交叉驗(yàn)證精度的組合作為單類支持向量機(jī)分類模型參數(shù)，同時(shí)w、b也隨之確定。利用確定的分類模型，對(duì)整個(gè)遙感影像進(jìn)行單類分類，得到水體類別提取結(jié)果。

單類支持向量機(jī)只需要河流目標(biāo)類別的樣本進(jìn)行學(xué)習(xí)，就能得到所需要的河流目標(biāo)類別分類結(jié)果，減少了訓(xùn)練階段的任務(wù)。而采用多類分類方法提取單一目標(biāo)類別，需要將圖像劃分成多個(gè)地物類別，大大增加的工作量。

在本實(shí)施例中，如圖3、圖4分別是采用最近鄰分類和貝葉斯分類方法得到的河流目標(biāo)提取結(jié)果。利用貝葉斯分類方法，需要將實(shí)驗(yàn)圖像劃分為不透水表面、林地、草地和水體四個(gè)類別，并分別為每個(gè)類別選取訓(xùn)練樣本，增加了學(xué)習(xí)階段的工作量和不確定性，使總體分類難度增加。與圖2中采用一類訓(xùn)練樣本的單類支持向量機(jī)方法相比，分類結(jié)果非常相近，而單類支持向量機(jī)方法的訓(xùn)練更加容易。

D.精細(xì)檢測(cè)過(guò)程：對(duì)河流候選區(qū)域進(jìn)行圖像分割，生成形狀特征：在C環(huán)節(jié)粗篩選環(huán)節(jié)所得結(jié)果的基礎(chǔ)上，采用圖像閾值分割方法，將目標(biāo)候選區(qū)域提取出來(lái)，同時(shí)生成形狀特征。由于河流候選區(qū)域圖像中只有白色和黑色像素，設(shè)置閾值參數(shù)Th=10，將大于閾值且相鄰的像素進(jìn)行合并，生成不同大小的目標(biāo)類別連通區(qū)域，再由每個(gè)連通區(qū)域內(nèi)的像素計(jì)算得到形狀特征，計(jì)算方法如公式（3）。

根據(jù)實(shí)際河流目標(biāo)檢查要求，去除小區(qū)域候選目標(biāo)，以面積閾值A(chǔ)T=50進(jìn)行小區(qū)域去除，即將面積特征A<50的候選目標(biāo)去除，合并到背景區(qū)域，結(jié)果如圖5所示。

根據(jù)實(shí)際應(yīng)用要求，河流目標(biāo)應(yīng)具有一定的面積，相關(guān)形狀特征描述如下。

邊界長(zhǎng)e：邊界象素的個(gè)數(shù)，一個(gè)象素的邊界長(zhǎng)為1。

面積A：組成該對(duì)象的象素總數(shù)，其中一個(gè)象素邊緣的長(zhǎng)設(shè)為1。

形狀特征指數(shù)：

邊界長(zhǎng)除以4倍的面積的平方根，S是描述對(duì)象邊界與面積的關(guān)系，邊界越長(zhǎng)，值越大。

E.根據(jù)形狀特征指數(shù)確定河流目標(biāo)，實(shí)現(xiàn)目標(biāo)檢測(cè)：形狀信息是遙感影像目視判別中的一個(gè)非常重要的因素，對(duì)于一幅遙感圖像，通過(guò)分割提取形狀信息，得到一個(gè)帶有多個(gè)屬性的圖像對(duì)象集合，在這個(gè)集合中將每個(gè)圖像對(duì)象的形狀特征與河流目標(biāo)的屬性進(jìn)行匹配，篩選出河流目標(biāo)。河流目標(biāo)形狀特征主要是具有較大的形狀特征指數(shù)，選擇數(shù)值2.5作為閾值進(jìn)行判斷。

在D環(huán)節(jié)去除小區(qū)域目標(biāo)的基礎(chǔ)上，依據(jù)分割生成的候選目標(biāo)形狀特征指數(shù)，將形狀特征指數(shù)閾值設(shè)置為ST=2.5，進(jìn)行河流目標(biāo)特征匹配。當(dāng)候選目標(biāo)區(qū)域的形狀特征指數(shù)值S>2.5時(shí)，作為目標(biāo)匹配結(jié)果保留，如果形狀特征指數(shù)值S≤2.5，則作為背景去除，檢測(cè)結(jié)果如圖6所示。

在小區(qū)域目標(biāo)去除和特征匹配過(guò)程中，所設(shè)定的行政特征閾值應(yīng)該根據(jù)實(shí)際需要調(diào)整，不同的應(yīng)用要求有不同的參數(shù)。

本發(fā)明采用單類支持向量機(jī)對(duì)河流目標(biāo)進(jìn)行檢測(cè)，流程簡(jiǎn)單，計(jì)算量大大的減小，加快了工作效率，值得推廣使用。